دانشمندان با استفاده از هوش مصنوعی، نقشه تصمیم‌گیری مغز را رمزگشایی کردند
مطالعه‌ای جدید با استفاده از شبکه‌های عصبی فشرده، مکانیزم‌های پنهان در تصمیم‌گیری انسان را آشکار می‌کند. دانشمندان مدت‌هاست که به بررسی چگونگی تصمیم‌گیری انسان‌ها و حیوانات می‌پردازند و اغلب تمرکز آنها بر نقش تجربه‌های اخیر و یادگیری از طریق آزمون و خطا در شکل‌گیری رفتار‌ها بوده است. اما مدل‌های سنتی ممکن است جنبه‌های کلیدی فرآیند تصمیم‌گیری را نادیده بگیرند، چرا که معمولاً فرض می‌کنند افراد همواره سعی می‌کنند بر اساس نتایج گذشته، منطقی‌ترین یا سودمندترین گزینه را انتخاب کنند.
در این پژوهش جدید، محققان رویکرد متفاوتی را در پیش گرفتند. آنها با استفاده از هوش مصنوعی، تصمیم‌گیری را به شیوه‌ای واقع‌گرایانه‌تر مورد بررسی قرار دادند. برای این منظور، شبکه‌های عصبی مصنوعی کوچک و ساده‌ای طراحی کردند تا دریابند چه عواملی واقعاً بر انتخاب‌های افراد تأثیر می‌گذارند، چه آن تصمیم‌ها درست باشند یا نادرست.
به گزارش scitechdaily، مارسلو ماتار، استادیار روان‌شناسی در دانشگاه نیویورک و یکی از نویسندگان مقاله‌ای که در نشریه Nature منتشر شده، توضیح می‌دهد: «به جای اینکه فرض کنیم مغز‌ها چگونه باید تصمیم‌گیری بهینه را یاد بگیرند، ما رویکردی جایگزین طراحی کردیم تا کشف کنیم مغز‌ها در واقع چگونه یاد می‌گیرند تصمیم بگیرند. این رویکرد مثل یک کارآگاه عمل می‌کند که پرده از راز فرآیند واقعی تصمیم‌گیری در انسان و حیوان برمی‌دارد. با استفاده از شبکه‌های عصبی بسیار کوچک که هم قابل فهم هستند و هم توانایی شبیه‌سازی رفتار پیچیده را دارند ما به استراتژی‌هایی در تصمیم‌گیری پی برده‌ایم که دانشمندان سال‌ها از آن غافل بوده‌اند.»
شبکه‌های عصبی کوچک، بینش‌های بزرگ
نویسندگان این مطالعه می‌گویند که شبکه‌های عصبی کوچک نسخه‌های ساده‌شده‌ای از شبکه‌های عصبی که معمولاً در کاربرد‌های تجاری هوش مصنوعی استفاده می‌شوند در پیش‌بینی تصمیم‌های حیوانات عملکرد بسیار بهتری از مدل‌های شناختی کلاسیک دارند. دلیل آن نیز توانایی این شبکه‌ها در شناسایی الگو‌های رفتاری ناکامل و غیر بهینه است، چیزی که مدل‌های سنتی نادیده می‌گیرند. این مدل‌ها حتی در وظایف آزمایشگاهی، دقتی در حد مدل‌های بزرگ‌تر و پیچیده‌تر تجاری از خود نشان داده‌اند.
جی آن لی، دانشجوی دکترای علوم اعصاب در دانشگاه کالیفرنیا سن‌دیگو و یکی از نویسندگان مقاله می‌گوید: «مزیت استفاده از شبکه‌های بسیار کوچک این است که ما می‌توانیم با استفاده از ابزار‌های ریاضیاتی، به‌راحتی مکانیزم‌های پشت انتخاب‌های افراد را تفسیر کنیم. این کار در مورد شبکه‌های بزرگ و پیچیده‌ای که در اکثر کاربرد‌های هوش مصنوعی استفاده می‌شوند بسیار دشوارتر است.»
مارکوس بنا، استادیار نورو بیولوژی در دانشگاه کالیفرنیا سن‌دیگو، اضافه می‌کند: «شبکه‌های عصبی بزرگ در هوش مصنوعی توانایی بالایی در پیش‌بینی دارند؛ مثلاً می‌توانند حدس بزنند شما احتمالاً چه فیلمی را دوست خواهید داشت. اما بیان ساده و قابل فهم اینکه چرا چنین تصمیمی گرفته شده، بسیار دشوار است. ما با آموزش نسخه‌های ساده‌تری از این مدل‌ها برای پیش‌بینی انتخاب‌های حیوانات، و تحلیل رفتار آنها با استفاده از روش‌های فیزیک، توانسته‌ایم به درک شفاف‌تری از سازوکار درونی آنها دست پیدا کنیم.»
فراتر از آزمایشگاه و کاربرد‌های واقعی
درک اینکه حیوانات و انسان‌ها چگونه از تجربه‌های خود برای تصمیم‌گیری استفاده می‌کنند، نه‌تنها یکی از اهداف اصلی علوم شناختی و اعصاب است، بلکه در حوزه‌هایی مانند تجارت، سیاست‌گذاری و فناوری نیز کاربرد گسترده‌ای دارد. اما مدل‌های موجود در این زمینه، به‌دلیل تمرکز بر تصمیم‌گیری بهینه، معمولاً رفتار واقعی و روزمره انسان‌ها را به‌درستی بازتاب نمی‌دهند.
مدلی که در این مطالعه معرفی شده، توانست الگو‌های تصمیم‌گیری انسان‌ها، میمون‌ها و موش‌های آزمایشگاهی را با دقت بالایی بازسازی کند. جالب آن‌که این مدل قادر بود انتخاب‌های غیر بهینه را نیز پیش‌بینی کند — امری که بسیار بیشتر با واقعیت تصمیم‌گیری‌های انسانی در زندگی روزمره همخوانی دارد و برخلاف فرضیه‌های سنتی است که بر تصمیم‌گیری منطقی و بهینه تأکید دارند.
علاوه بر این، این مدل قادر به پیش‌بینی رفتار تصمیم‌گیری در سطح فردی بود؛ یعنی نشان داد که هر فرد از استراتژی خاصی برای تصمیم‌گیری استفاده می‌کند.
در پایان، ماتار نتیجه‌گیری می‌کند: «همان‌طور که مطالعه تفاوت‌های فردی در ویژگی‌های جسمانی، پزشکی را متحول کرده است، درک تفاوت‌های فردی در استراتژی‌های تصمیم‌گیری نیز می‌تواند نگرش ما به سلامت روان و عملکرد شناختی را متحول کند.»
انتهای پیام/
