Beyniniz 'büyük resmi' nasıl anlamlandırıyor?
Beynimiz kalıpları tanır ve "büyük resmi" görmek için kendilerini ayrıntılardan "uzaklaştırabilir". Araştırmacılar şimdi beynin tam olarak nasıl bir perspektif kazanabileceğini bulmaya çalışıyorlar.
İnsan beyni, bir tür olarak sadece hayatta kalmamıza değil, aynı zamanda zorluklarla dolu bir dünyada gelişmemize izin veren muazzam miktarda bilgiyi emebilen, işleyebilen, tutabilen, güncelleyebilen ve hatırlayabilen karmaşık bir makinedir. her adım.
Erken yaşlarda bebekler yüzleri ayırt etmeyi ve tanımayı, belirli sesleri belirlemeyi ve onlar için bir tercih göstermeyi ve hatta neden-sonuç ilişkilerini işlemeyi öğrenebilirler.
Beyinlerimiz karmaşık bilgi akışlarında gezinmeyi ve buna rağmen yararlı ilişkiler kurmayı nasıl başarır? Philadelphia'daki Pennsylvania Üniversitesi'nden üç bilim insanının - Christopher Lynn, Ari Kahn ve Danielle Bassett - yanıtlamak için yola çıktıkları soru bu.
Araştırmacılar, şimdiye kadar bilim adamlarının, beynin istatistiksel ilişkilerin üst düzey yapısını oluşturmak için karmaşık süreçler kullandığını düşündüklerini açıklıyorlar.
Bununla birlikte, mevcut çalışmalarında, üç araştırmacı farklı bir model öne sürerek beyinlerimizin bilgiyi basitleştirmeye hevesli olduğunu ve böylece "büyük resmi görebileceklerini" öne sürdüler.
"[İnsan beyni] sürekli olarak bundan sonra ne olacağını tahmin etmeye çalışır. Örneğin, hakkında bir şeyler bildiğiniz bir konuyla ilgili bir derse katılıyorsanız, üst düzey yapıyı zaten kavradınız. Bu, fikirleri birbirine bağlamanıza ve bundan sonra ne duyacağınızı tahmin etmenize yardımcı olur. "
Christopher Lynn
Öngörülen sonuçlar
Araştırmacılar, Amerikan Fiziksel Topluluğu Mart Toplantısı 2019'da sundukları yeni modellerinde, beynin daha üst düzey fikir bağlantıları oluşturmak için ayrıntılardan uzaklaşması gerektiğini açıklıyorlar.
Bu kavramı açıklamak için Empresyonist sanata dönen Lynn, "Bir noktacı resme yakından bakarsanız, her noktayı doğru bir şekilde tanımlayabilirsiniz" diyor. Ancak, "20 fit geri çekilirseniz, ayrıntılar belirsizleşir, ancak genel yapı hakkında daha iyi bir fikir edinirsiniz."
O ve meslektaşları, insan beyninin benzer bir süreçten geçtiğine inanıyor, bu da onların önceki hatalardan öğrenmeye büyük ölçüde bağımlı oldukları anlamına geliyor.
Bu hipotezi doğrulamak için araştırmacılar, katılımcılardan arka arkaya beş kare gösteren bir bilgisayar ekranını görüntülemelerini istedikleri bir deney yaptılar. Katılımcıların görevi, ekrandaki sırayla eşleştirmek için bir tuş kombinasyonuna basmaktı.
Tepki sürelerini ölçtüklerinde, araştırmacılar, katılımcıların sonucu tahmin edebildiklerinde daha hızlı bir şekilde doğru tuş kombinasyonuna basma eğiliminde olduklarını buldular.
Deneyin bir parçası olarak, araştırmacılar uyaranları bir ağın parçasını oluşturan düğümler olarak temsil ettiler. Bir katılımcı, bir uyaranı bu ağ içindeki bir düğüm olarak görür ve ona bitişik diğer dört düğümden biri bir sonraki uyaranı temsil eder.
Ayrıca, ağlar ya birbirine bağlı üç beşgenden oluşan bir "modüler grafik" veya onları birbirine bağlayan çizgilerle beş üçgenden oluşan bir "kafes grafiği" oluşturdu.
Araştırmacılar, katılımcıların modüler grafiklere kafes grafiklerden daha hızlı tepki verdiğini belirtti.
Araştırmacılar, bu sonucun, katılımcıların modüler grafiğin yapısını - yani “daha büyük resmin” altında yatan mantığı - daha yüksek doğrulukla daha hızlı tahminler yapmalarına olanak tanıyan daha kolay bulduklarını ileri sürdüğünü söylüyor.
Lynn ve meslektaşları bu bulguları kullanarak "beta" değeri olarak adlandırdıkları bir değişken değeri değerlendirmeye çalıştılar. Araştırmacılar, tahmin hatası yapma olasılığı daha yüksek olan kişilerde beta değerinin daha düşük, görevi daha doğru tamamlayanlarda ise daha yüksek göründüğünü söylüyorlar.
Gelecekte, araştırmacılar, farklı beta değerleri sunan insanların beyinlerinin, tabiri caizse, farklı bir şekilde "programlanmış" olup olmadığını görmek için fonksiyonel MRI taramalarını analiz etmeyi amaçlıyorlar.
