Smadzeņu attēli atklāj, kā darbojas mācīšanās stratēģijas
Atsvaidzināšana ir nepieciešama, lai mēs varētu precīzi prognozēt šīs atlīdzības, ņemot vērā mainīgo vidi.
Lai gan tieši tas, kā smadzenes organizē šo procesu, joprojām nav skaidrs, jaunais pētījums liecina, ka divu atšķirīgu mācību stratēģiju kombinācija vada mūsu uzvedību.
Papīrs par darbu parādīsies žurnālā Neirons.
Viena pieņemta mācīšanās stratēģija, ko sauc par mācīšanos bez modeļa, balstās uz izmēģinājumu un kļūdu salīdzinājumiem starp atalgojumu, ko mēs sagaidām noteiktā situācijā, un atalgojumu, ko mēs faktiski saņemam.
Šī salīdzinājuma rezultāts ir “atlīdzības prognozēšanas kļūdas” ģenerēšana, kas atbilst šai atšķirībai.
Piemēram, atlīdzības paredzēšanas kļūda varētu atbilst starpībai starp finanšu ieguldījuma prognozēto monetāro atdevi un mūsu reālo peļņu.
Otrajā mehānismā, ko sauc par uz modeli balstītu mācīšanos, smadzenes ģenerē vides kognitīvo karti, kurā aprakstītas attiecības starp dažādām situācijām.
"Mācības, kas balstītas uz modeļiem, ir saistītas ar" stāvokļa prognozēšanas kļūdas "radīšanu, kas atspoguļo smadzeņu pārsteiguma līmeni jaunā situācijā, ņemot vērā pašreizējo vides novērtējumu," saka Jans Glesčers, Caltech pēcdoktorants un vadošais darbinieks. pētījuma autore.
"Padomājiet par situāciju, kurā, braucot mājās pēc darba, vienmēr izvēlaties to pašu maršrutu, bet noteiktā dienā parastais ceļš tiek bloķēts būvdarbu dēļ," saka Glesers.
“Bez modeļa bezspēcīgi tiktu zaudēta mācību sistēma; tas attiecas tikai uz darbību veikšanu, kas agrāk bija noderīga, tāpēc, ja šīs darbības vairs nav pieejamas, tā nevarētu izlemt, kurp turpināt.
"Bet uz modeļiem balstīta sistēma varētu meklēt vaicājumu savai kognitīvajai kartei un noskaidrot efektīvu apkārtceļu, izmantojot alternatīvu maršrutu."
„Lai gan vienkāršāks bezmodeļu mācīšanās mehānisms ir labi pētīts, un tā pamatmācīšanās mehānisms, kuru vada atlīdzības prognozēšanas kļūdas, ir samērā labi saprotams, sarežģītākas uz modeli balstītas mācību sistēmas pamatā esošie mehānismi ar bagātīgu pielāgošanās spēju un elastību , ir mazāk saprotami ”, saka Džons P. O'Dohertijs, Caltech psiholoģijas profesors.
Lai sīkāk raksturotu šo divu mācību sistēmu neiroloģiskos pamatus, Glesers, O'Dohertijs un viņu kolēģi izstrādāja datorizētu lēmumu pieņemšanas uzdevumu, kas ļāva viņiem izmērīt, kad un kur smadzenes aprēķina gan atlīdzības, gan stāvokļa prognozēšanas kļūdu signālus un lai noteiktu, vai divu veidu kļūdas patiešām rada atšķirīgus neirālos parakstus.
Uzdevumā priekšmetiem bija jāizdara izvēle starp kreiso un labo kustību, kas ļāva virtuālajā vidē pāriet starp dažādiem “stāvokļiem” - apzīmētiem ar grafiskām ikonām; process ir līdzīgs tam, kā pārvietoties vienkāršā videospēlē.
Katra kreisās vai labās izvēles izvēle, kas veikta šajā virtuālajā vidē, noveda subjektu jaunā stāvoklī. Viņu mērķis bija sasniegt noteiktu mērķa stāvokli, lai iegūtu naudas atlīdzību, "un viņu izredzes nokļūt šajā mērķa stāvoklī lielā mērā bija atkarīgas no viņu secīgās izvēles īpašā modeļa," skaidro O’Dohertijs.
Uz modeli balstīta sistēma var uzzināt par virtuālās vides struktūru un pēc tam izmantot šo informāciju, lai aprēķinātu darbības, kas nepieciešamas, lai nokļūtu atlīdzības stāvoklī, līdzīgi kā šaha spēlētājs varētu mēģināt pārdomāt secīgos nepieciešamos šaha gājienus. lai uzvarētu mačā.
Savukārt bez modeļa sistēma iemācītos akli izvēlēties tikai tās darbības, kas agrāk deva atlīdzību, nevērtējot sekas pašreizējā situācijā.
Mācoties uzdevumu, astoņpadsmit dalībnieki tika skenēti, izmantojot funkcionālo magnētiskās rezonanses attēlveidošanu. Smadzeņu skenēšana parādīja atšķirīgu, iepriekš raksturotu atlīdzības prognozēšanas kļūdas neirālo parakstu, kas radusies mācīšanās bez modeļa laikā, smadzeņu vidū esošajā zonā, ko sauc par vēdera striatumu.
Uz modeļiem balstītas mācīšanās laikā stāvokļa prognozēšanas kļūdas neirālais paraksts smadzeņu garozā parādījās divās dažādās smadzeņu virsmas zonās: intraparietālā sulcus un sānu prefrontālā garozā.
Šie novērojumi liek domāt, ka cilvēka smadzenēs tiek aprēķināti divi unikāli kļūdu signālu veidi, tie notiek dažādos smadzeņu reģionos un var būt atsevišķas skaitļošanas stratēģijas uzvedības vadīšanai.
"Bez modeļa sistēma darbojas ļoti efektīvi situācijās, kas ir ļoti automatizētas un atkārtojas, piemēram, ja es regulāri dodos tajā pašā maršrutā uz mājām no darba," saka Glescher, "tā kā uz modeli balstīta sistēma, lai gan prasa daudz lielāku smadzeņu apstrādes jauda, spēj elastīgi pielāgoties jaunām situācijām, piemēram, nepieciešamībai atrast jaunu maršrutu pēc ceļa bloķēšanas. ”
Šie divi atšķirīgie mācību mehānismi kalpo papildu lomām cilvēka uzvedības kontrolē, saka Glesers.
"Tā kā mūsu smadzeņu apstrādes jauda ir ierobežota, nav jēgas izvietot skaitļošanas ziņā intensīvāku uz modeli balstītu sistēmu, lai kontrolētu visu, ko mēs darām. Tā vietā labāk ir paļauties uz sistēmu, kurā nav modeļu, daudzos ikdienas paradumos un uz modeļiem balstītu sistēmu izmantot tikai jaunām vai sarežģītām situācijām. Svarīga turpmāko pētījumu joma būs mēģināt izprast faktorus, kas nosaka šo sistēmu mijiedarbību, lai kontrolētu uzvedību, un noteikt, kā tas tiek realizēts smadzenēs. ”
Avots: Kalifornijas Tehnoloģiju institūts
