Beklenti, Algılamayı Nasıl Etkiler?

aNAkSaRatE

Banlı Kullanıcı
Katılım
4 Tem 2018
Mesajlar
426
Tepkime puanı
1,720
Sinirbilimciler inançlarımızı kodlayan ve çevremizdeki dünyayı nasıl yorumladığımızı etkileyen beyin aktivite kalıplarını buldular.


Yıllarca araştırmalar; dünyaya ilişkin algımızın beklentilerimizden etkilendiğini göstermiştir. “Önceden inançlar” olarak da adlandırılan bu beklentiler; benzer geçmiş deneyimlere dayanarak, bugün algıladıklarımızı anlamamıza yardımcı olur. Örneğin; bir hastanın X-ışını görüntüsündeki gölgenin, bir stajyer tarafından kolayca gözden kaçabilir. Ancak daha deneyimli bir doktor bu zayıf sinyali kolayca farkeder, yorumlar.


Önceki bilgileri belirsiz kanıtlarla birleştirme süreci; Bayesian Entegrasyonu olarak bilinir ve algılarımızı, düşüncelerimizi ve eylemlerimizi geniş ölçüde etkilediğine inanılır.


MIT sinirbilimciler bu “önceki inançları” kodlayan kendine özgü beyin sinyalleri keşfettiler. Ayrıca, beynin belirsizlik karşısında adli kararlar almak için; bu sinyalleri nasıl kullandığını da buldular.


Araştırmacılar, hayvanları; farklı zaman aralıklarında çoğaltmaları gereken bir zamanlama görevi yapmak için eğitmişlerdir. Bu görevi yapmak zordur, çünkü zaman duygumuz kusurludur ve çok hızlı veya çok yavaş ilerleyebilir. Bununla birlikte; aralıklar sabit bir aralıkta sürekli olduğunda, en iyi strateji aralığın ortasına yönelik tepkileri saptırmaktır. Tam olarak hayvanlar da bunu yapar. Ayrıca, frontal kortekste nöronlardan yapılan kayıtlar Bayesian Entegrasyonu için basit bir mekanizma ortaya çıkardı: “Önceki deneyimler”; beyindeki zamanın temsilini uyardı. Böylece farklı aralıklar ile ilişkili sinirsel aktivite kalıpları, beklenen aralıkta olanlara doğru önyargılıydı.

Hazır, ayarla, git…

İstatistikçiler yüzyıllardır Bayesian Entegrasyonu’nun belirsiz bilgileri ele almak için en uygun strateji olduğunu biliyorlar. Bir konuda belirsiz olduğumuzda, davranışı optimize etmek için önceki deneyimlerimize otomatik olarak güveniriz.


Jazayeri: “Bir şeyin ne olduğunu tam olarak söyleyemiyorsanız, ancak önceki deneyimlerinizden ne olması gerektiği konusunda bir beklentiniz vardır, o zaman bu bilgiyi yargınıza yönlendirmek için kullanacaksınız demektir. Bunu her zaman yapıyoruz.”


Bu yeni çalışmada, Jazayeri ve ekibi; beynin önceki inançları nasıl kodladığını anlamak ve davranışları kontrol etmek için bu inançları kullanmak istedi. Bu amaçla, araştırmacılar; hayvanları “zamana hazır” olarak adlandırılan bir görevi kullanarak, zaman aralığını yeniden üretmek için eğitmişlerdir. Aynı süre geçtikten sonra gecikmeli bir cevap vererek, bir “git” sinyali üretir.


Bu görevi iki bağlamda yerine getirmek için hayvanları eğittiler. “Kısa” senaryoda, aralıklar 480 ile 800 milisaniye arasında değişiyordu ve “Uzun” bağlamda aralıklar 800 ile 1200 milisaniye arasındaydı. Görevin başlangıcında, hayvanlara bağlam hakkında bilgi verildi (görsel bir işaret ile) ve bu nedenle daha kısa ya da daha uzun aralıktan aralıklar beklediğini biliyordu.


Jazayeri daha önce, bu görevi yerine getiren insanların, aralığın ortasına yönelik tepkilerini önyargılı hale getirme eğiliminde olduğunu göstermişti. Burada, hayvanların da aynısını yaptığını buldular. Örneğin, eğer hayvanlar aralığın kısa olacağına inanıyorlarsa ve 800 milisaniyelik bir aralık verilirse, ürettikleri aralık 800 milisaniyeden biraz daha kısaydı. Buna karşılık, daha uzun olacağına inandılar ve aynı 800 milisaniye aralık verilmişlerse, 800 milisaniyeden biraz daha uzun bir aralık ürettiler.


Jazayeri: “Hayvanın inancı dışında neredeyse her şekilde aynı olan denemeler farklı davranışlara yol açtı. Bu, hayvanın kendi inancına güvendiğine dair deneysel delilleri ortaya koyuyordu.”


Hayvanların önceki inançlarına güvendiklerini belirledikten sonra, araştırmacılar; beynin davranışları yönlendirmek ve önceki inançları nasıl kodladığını bulmak için yola koyuldular. Frontal korteksin bir bölgesinde yaklaşık 1.400 nöronun aktivitesini kaydettiler. Bu şekilde daha önce zamanlamada yer aldıkları gösterilmiştir.


“Hazır” dönem boyunca; her bir nöronun aktivite profili kendi yolunda gelişti ve nöronların yaklaşık yüzde 60’ının içeriğe bağlı olarak farklı aktivite şekilleri vardı. (Kısa veya Uzun) Bu sinyalleri anlayabilmek için araştırmacılar; zaman içinde tüm popülasyondaki sinirsel aktivitenin evrimini analiz etmiş ve zamanın sinirsel gösterimini beklenen aralığın ortasına doğru bükerek, davranışsal tepkileri önyargılı bulduklarını tespit etmişlerdir.


Gömülü bilgi


Araştırmacılar önceki deneyimlerin nöronlar arasındaki bağlantıların gücünü değiştirdiğine inanıyor. Aynı zamanda sinaps olarak da bilinen bu bağlantıların gücü; nöronların birbirlerine nasıl etki ettiklerini belirler ve birbirine bağlı nöronlardan oluşan bir ağın üretebileceği aktivite kalıplarını sınırlar. Önceki deneyimlerin sinirsel aktivite kalıplarını çözdüğü bulgusu; deneyimin sinaptik bağlantıları nasıl değiştirdiğine dair bir pencere sunar.


Bu fikirlerin bağımsız bir testi olarak, araştırmacılar; aynı hazır işe başlama görevini yerine getirebilecek bir nöron ağından oluşan bir bilgisayar modeli geliştirdi. Makine öğrenmesinden ödünç alınan teknikleri kullanarak; sinaptik bağlantıları değiştirebildiler ve hayvanlar gibi davranan bir model yarattılar.


Bu modeller, altta yatan mekanizmaların ayrıntılı analizi için bir substrat sağladıkları için son derece değerlidir, “tersine mühendislik” olarak bilinen bir prosedür. Modelin tersine mühendislikle yapılması; işi maymunlarla aynı şekilde çözdüğünü ortaya koydu. Beynin yaptığı gibi, modelin de önceki deneyimlere göre çarpık bir temsili vardı.
Araştırmacılar, bilgisayar modelini; şu anda beyinde yapılması imkansız olan pertürbasyon deneylerini kullanarak altta yatan mekanizmaları daha fazla incelemek için kullandılar. Bu yaklaşımı kullanarak; sinirsel temsillerin canlandırılmasının davranıştaki önyargıları ortadan kaldırdığını gösterebildiler.

Bu önemli bulgu; önceki bilginin Bayesian Entegrasyonu’nda çözgü kritik rolünü doğruladı.

- Alıntı -
 
Üst