Smegenų vaizdai atskleidžia, kaip veikia mokymosi strategijos
Atnaujinimas yra būtinas, kad galėtume tiksliai numatyti tuos atlygius besikeičiančios aplinkos akivaizdoje.
Nors tiksliai, kaip smegenys organizuoja šį procesą, lieka neaišku, naujas tyrimas rodo, kad dviejų skirtingų mokymosi strategijų derinys vadovaujasi mūsų elgesiu.
Darbas apie darbą pasirodys žurnale Neuronas.
Viena priimta mokymosi strategija, vadinama mokymuisi be modelio, remiasi bandymų ir klaidų palyginimu tarp atlygio, kurio tikimės tam tikroje situacijoje, ir atlygio, kurį iš tikrųjų gauname.
Šio palyginimo rezultatas yra „atlygio prognozavimo klaidos“ generavimas, atitinkantis tą skirtumą.
Pavyzdžiui, atlygio prognozavimo klaida gali atitikti skirtumą tarp numatomos finansinės investicijos piniginės grąžos ir mūsų realaus uždarbio.
Antruoju mechanizmu, vadinamu modeliu paremtu mokymusi, smegenys sukuria pažintinį aplinkos žemėlapį, kuriame aprašomas skirtingų situacijų santykis.
„Modelinis mokymasis siejamas su„ būsenos prognozavimo klaidos “generavimu, kuris rodo smegenų netikėtumo lygį naujoje situacijoje, atsižvelgiant į dabartinį aplinkos įvertinimą“, - sako Jan Gläscher, „Caltech“ mokslų daktaras ir pagrindinis tyrimo autorius.
„Pagalvok apie situaciją, kai važiuodamas namo po darbo visada važiuoji tuo pačiu maršrutu, tačiau konkrečią dieną įprastas kelias yra užblokuotas dėl statybos darbų“, - sako Gläscher.
„Be modelio mokymosi sistema būtų bejėgiškai prarasta; jis susijęs tik su veiksmais, kurie praeityje buvo naudingi, taigi, jei tų veiksmų nebebus galima padaryti, jis negalėtų nuspręsti, kur toliau.
„Tačiau modeliu pagrįsta sistema galėtų pateikti užklausą dėl savo pažintinio žemėlapio ir išsiaiškinti efektyvų aplinkkelį alternatyviu maršrutu.“
„Nors paprastesnis be modelio mokymosi mechanizmas buvo gerai ištirtas ir jo pagrindinis mokymosi mechanizmas, kurį lemia atlygio prognozavimo klaidos, yra gana gerai suprantamas, tačiau sudėtingesnio modelio mokymosi sistemos pagrindai yra labai prisitaikantys ir lankstūs. yra mažiau suprantami “, - sako John P. O'Doherty,„ Caltech “psichologijos profesorius.
Norėdami toliau apibūdinti šių dviejų mokymosi sistemų neurologinius pagrindus, Gläscher, O'Doherty ir jų kolegos sukūrė kompiuterinę sprendimų priėmimo užduotį, kuri leido jiems išmatuoti, kada ir kur smegenys apskaičiuoja ir atlygio, ir būsenos prognozavimo klaidų signalus, ir siekiant nustatyti, ar dviejų tipų klaidos iš tikrųjų sukelia skirtingus nervinius parašus.
Atlikdami užduotį tiriamieji turėjo pasirinkti kairįjį ir dešinįjį judesius, leidžiančius virtualioje aplinkoje persijungti tarp skirtingų „būsenų“ - pažymėtų grafinėmis piktogramomis; procesas yra panašus į naršymą paprastame vaizdo žaidime.
Kiekvienas kairės arba dešinės pasirinkimas, padarytas šioje virtualioje aplinkoje, atvedė subjektą į naują būseną. Jų tikslas buvo pasiekti tam tikrą tikslo būseną, kad gautų piniginį atlygį, „o jų galimybės patekti į tą tikslo būseną labai priklausė nuo konkretaus jų pasirinkimo modelio“, - aiškina O’Doherty.
Modeliu paremta sistema gali sužinoti apie virtualios aplinkos struktūrą ir paskui naudoti šią informaciją apskaičiuoti veiksmus, reikalingus norint pasiekti atlygio būseną, analogiškai kaip šachmatininkas gali bandyti apgalvoti nuoseklius šachmatų judesius, kurių reikia laimėti rungtynes.
Kita vertus, be modelio sistema išmoktų tik aklai pasirinkti tuos veiksmus, kurie anksčiau davė atlygį, nevertinant pasekmių dabartinėje situacijoje.
Išmokę užduotį, aštuoniolika dalyvių buvo nuskaityti naudojant funkcinį magnetinio rezonanso vaizdą. Smegenų nuskaitymas parodė skiriamąjį, anksčiau apibūdintą atlygio prognozavimo klaidos, sukurtos mokantis be modelio, nervinį parašą smegenų viduryje esančioje srityje, vadinamoje ventraline striatum.
Tačiau mokantis modeliu, smegenų žievės smegenų paviršiaus dviejose skirtingose srityse atsirado būsenos prognozavimo klaidos neuroninis parašas: intraparietalinis sulcus ir šoninis prefrontalinis žievė.
Šie stebėjimai rodo, kad žmogaus smegenyse apskaičiuojami du unikalūs klaidų signalų tipai, jie pasitaiko skirtinguose smegenų regionuose ir gali būti atskiros skaičiavimo strategijos, kaip vadovautis elgesiu.
„Sistema be modelio labai efektyviai veikia labai automatizuotose ir pasikartojančiose situacijose, pavyzdžiui, jei aš reguliariai einu tuo pačiu keliu namo iš darbo“, - sako Gläscheris, „o modeliu pagrįsta sistema, nors ir reikalauja daug didesnio proto apdorojimo galia, geba lanksčiai prisitaikyti prie naujų situacijų, pavyzdžiui, kad reikia rasti naują kelią sekant kelią “.
Šie du skirtingi mokymosi mechanizmai atlieka papildomą vaidmenį kontroliuojant žmogaus elgesį, sako Gläscher.
„Kadangi mūsų smegenų apdorojimo galia yra ribota, nėra prasmės diegti skaičiavimais intensyvesnės modelių sistemos, kad būtų galima kontroliuoti viską, ką darome. Geriau pasikliauti be modelio sistema daugeliui mūsų kasdienio elgesio būdų ir naudoti modeliu pagrįstą sistemą tik naujoms ar sudėtingoms situacijoms. Svarbi tolesnių tyrimų sritis bus bandymas suprasti veiksnius, lemiančius šių sistemų sąveiką, siekiant kontroliuoti elgesį, ir nustatyti, kaip tai įgyvendinama smegenyse “.
Šaltinis: Kalifornijos technologijos institutas
