Nauka jest jedną z podstawowych zdolności człowieka. Jest procesem koniecznym do prawidłowego funkjconowania w świecie. Proces nauki jest również obecny wśród innych zwierząt oraz sztucznych systemów poznawczych. W tym artykule przyjrzymy się bliżej temu proceoswi, oraz roli błędu w nauce.

PODSTAWY WIEDZY U CZŁOWIEKA

Natywizm genetyczny, nazywany również racjonalizmem genetycznym, jest poglądem głoszącym, iż umysł posiada pewną formę wrodzonej wiedzy, wynikającą z samej konstrukcji umysłu, a nie z posiadanego doświadczenia. Przedstawicielami natywizmu byli tacy filozofowie jak Platon (świat idei), Kartezjusz (idee wrodzone) czy Immanuel Kant (aprioryczne struktury umysłu.
Empiryzm jest poglądem przeciwstawiającym się natywizmowi, głoszącym, iż nie posiadamy żadnej wrodzonej wiedzy, a nasz umysł można porównać do czystej karty. Zwolennicy empiryzmu głoszą, iż źródłem ludzkiego poznania jest wyłącznie doświadczenie. Przedstawicielami empiryzmu, Arystoteles, Duns Szkot czy John Locke.
Neuronauki starały odpowiedź się na pytanie o naturę wiedzy ludzkiej za pomocą metody naukowej. W ten sposób powstała teoria rdzennych mechanizmów poznawczych, której znacznie bliżej do natywizmu, niż empiryzmu.
Ludzie, już jako niemowlęta posiadają pewną formę wiedzy. Wiedza to obejmuje fizykę naiwną, czyli wiedzę na temat podstawowych zjawisk fizycznych (np. poruszanie się obiektów), intuicje dotyczące prawdopodobieństwa, zachowywania się organizmów żywych, zmysł liczb, czy zmysł przestrzeni. Wiedzę tę można porównać do modułów które są pewnym “zestawem startowym” który pozwala nam zdobywać kolejną wiedzę.
Badania nad postawami wiedzy przeprowadzana na niemowlakach dotyczą ich uwagi oraz wzroku. Naukowcy badają czy dziecko “dziwi się”, gdy występują pewne nietypowe zjawiska. I niemowlętom, dziwią się, gdy z pojemnika, w którym znajduje się bardzo dużo piłek o kolorze czarnym i niewiele o kolorze białym wypadnie biała (zmysł prawdopodobieństwa), gdy jeden przedmiot okaże się tak naprawdę dwoma (poczucie stałości), gdy ktoś wywróci się pomimo braku przeszkody (wrodzone mechanizmy chodzenia), czy rozumieją obiekty poruszające się jako posiadające pewne intencje. Te podstawy wiedzy oraz intuicje są mechanizmami wrodzonymi, a więc posiadającymi ewolucyjne korzenie, oraz obserwowanymi na całym globie.
Wiedza wrodzona zapisywana jest w konkretnych miejscach w mózgu. Nasza wiedza nabyta “nadpisuje się” w tych miejscach, do których najbardziej pasuje.
Recykling Neuronalny Dehaene-wiedza wrodzona zapisywana jest w konkretnych miejscach w mózgu. Nasza wiedza nabyta “nadpisuje się” w tych miejscach, w których zapisuje się powiązana z nimi wiedza wrodzona. np. płat ciemieniowy jest zaangażowany w przetwarzanie elementarnych wielkości u niemowląt. Ten sam obszar jest również zaangażowany w uczenie się matematyki, co potwierdziło badanie rezonansem magnetycznym, przeprowadzone na matematykach. Niezaobserwowane aktywacji struktur związanych z innymi modułami. Naukę można więc porównać do rozbudowania pewnych programów. Na poziomie neuronalnym uczenie się to przekazywanie impulsów między neuronami. Każdy akt uczenia zmienia fizycznie pobudzenie neuronów oraz kolce dendrytyczne i tworzy nowe połączenia w mózgu. Uczenie się, zmienia więc fizycznie mózg. Zmiany te nie tworzą się jednak “z niczego”, lecz występują na już używanym, i posiadającym jakąś wiedzę systemie.

Francuski neurobiolog, Stanislas Dehaene, autor koncepcji recyklingu neuronalnego, wyróżnia cztery filary ludzkiej nauki: uwagę, aktywne zaangażowanie, informacje o popełnionych błędach oraz konsolidację wiedzy.

POPEŁNIANIE BŁĘDÓW 

Popełnianie błędów to element, którego nie da się uniknąć podczas nauki. Jest to niezbywalna część procesu. Popełnienie błędu pozwala nam dostrzec różnicę, pomiędzy tym, jak jest, a jak powinno być. Kluczową rolę odgrywa tutaj informacja zwrotna (feedback), który informuje nas czy idziemy w dobrym, czy złym kierunku, czy skutecznie nauczyliśmy danej wiedzy bądź umiejętności, oraz co musimy poprawić. Efektywny proces uczenia się musi zawierać element akceptacji popełniania błędów.

Informacja zwrotna może mieć zarówno charakter pozytywny (nagroda), jak i charakter negatywny (kara). To jaki rodzaj feedbacku będzie bardziej skuteczny u człowieka, zależy min. od jego wieku. Dla dorosłych lepszy może okazać się feedback negatywny, dla dzieci, będzie on źródłem lęku i frustracji co doprowadzi do zahamowania procesu nauczania. Feedback powinien być częsty oraz regularny, gdyż ma być narzędziem nauki, a nie narzędziem służącym ocenie efektów naszej pracy.

Rozwój umysłowy oraz nauka nie może odbyć się bez popełniania błędów. Należy nie utożsamiać popełniania błędów ze stresem, ponieważ stres, blokuje aktywność hipokampa. Negatywne skutki stresu w uczeniu się widać szczególnie na przykładzie przedmiotów ścisłych a psychologia wypracowała już pojęcie “mathematical ankiety”. Stan relaksu jest stanem sprzyjającym nauce.
Skoro wiemy, iż popełnianie błędów jest skutecznym sposobem nauki, jak wiele błędów powinniśmy popełniać? Jak trudny powinien być to proces? Proces uczenia się nie powinien być zbyt łatwy, by nie stać się monotonny, lecz nie powinien być również zbyt trudny i niemożliwy do osiągnięcia. Poziom trudności powinien dostosowywać się do podmiotu uczącego, tak jak czynią to, chociażby niektóre gry komputerowe, nie bieżąco korygujące poziom trudności. To nasza kora przedczołowa szacuje czy jesteśmy w stanie poradzić sobie z nauczeniem się danej rzeczy, czy nie. Jest to związane z motywacją, gdyż uczenie się, jest procesem kosztownym, a więc procesem, na który mózg nie chce wydatkować energii, gdy nie widzi dla tego dobrych powodów. Świadomość zysków wynikająca ze zdobycia danej wiedzy bądź umiejętności jest wzrostem korzyści.

Uczenie się na błędach różni się pomiędzy poszczególnymi osobami i jest uwarunkowane genetycznie przez receptor dopaminowy D2. Osoby z uszkodzony receptorami dopaminowymi D2 gorzej uczyły się na błędach, co jest potencjalnym wyjaśnieniem tego, iż te osoby są szczególnie narażone na uzależnienia.

UWAGA

Uwaga jest szczególnie istotnym procesem dla nauki, ponieważ nasz mózg musi selekcjonować wiedzę. Wiele bodźców dociera do mózgu, więc pewne informacje muszą być aktywnie tłumione. Uwaga jest konieczna do przetransportowania wiedzy z pamięci sensorycznej do kory trwałej oraz często potrzebna by z pamięci krótkotrwałej, przeniesiona została pamięci długotrwałej. Koncentracja jest procesem polegającym na aktywnym utrzymywaniu uwagi na danej treści i jest pożądana w procesie nauki.

Uwaga nie jest jednak systemem jednorodnym i możemy podzielić ją na 3 systemy.

1. Związany z alarmowaniem, uruchamia aktywne przetwarzanie. Związany z takimi neuroprzekaźnikami jak dopamina, serotonina czy adrenalina.
2. System uwagi intencyjnej Działa na zasadzie filtra, selekcjonują pewne aspekty danej treści i tłumiąc inne.
3. System uwagi wykonawczej dotyczy kontroli poznawczej. Ten system jest nadrzędny wobec pozostałych systemów. Dystrybuuje nasze zasoby poznawcze.

KONSOLIDAJCA WIEDZY

Żeby nauka była efektywnym procesem, dochodzić musi do konsolidacji wiedzy. Konsolidacja wiedzy zachodzi podczas snu i polega na tworzeniu śladu pamięciowego w mózgu. Sen jest kluczowy dla nauki nowych faktów. Hermann Ebbinghaus, już w 19 wieku odkrył, iż im dłuższy czas mija od nauki, do przywoływania wiedzy, tym gorszy jest efekt tego przywoływania. Późniejsza nauka zauważyła, iż efekt ten nie zachodzi dla między 8 a 12 godziną od nauki. Efekt ten jest silnie związany ze snem. Sen dzieli się na fazie płytką i głęboką Wspomnienia związane z pamięcią operacyjną i ruchową konsolidowane są w fazie płytkiej snu, a te związane z wiedzą semantyczną w fazie głębokiej. W fazie głębokiej uczymy się wiedzy semantycznej. Hipokamp odgrywa kluczową rolę w odtwarzaniu tego, czego się nauczyliśmy. Podczas snu aktywują się te same neurony, które aktywują się podczas nauki i zapamiętywania. T e reaktywacje neuronów są kluczowe dla procesu uczenia się. Naukowcy byli w stanie przewidzieć co śnie się danej osobie na podstawie skanów ich mózgów (aktywność regionów odpowiedzialnych za przetwarzanie twarzy, podczas snu zawierającego twarzy innych osób). Deprywacja snu może mieć poważne i negatywne konsekwencje w procesie nauki.

UCZENIE SIĘ LUDZI A UCZENIE SIĘ MASZYN

Mechanizmy uczenia się maszynowego, w tym sztuczne sieci neuronowe, jak sama nazwa wskazuje, inspirowane są mózgiem człowieka. Mimo tego faktu występuje wiele różnic, miedzy tym jak uczy się człowiek, a jak uczy się maszyna.

RÓŻNICE

Maszyny mogą przetwarzać znacznie większe ilości danych, “neurony” w komputerze nie są samo-organizujące się ani adaptują się do środowiska. Mózg pracuje nawet, wtedy gdy nie otrzymuje nowych danych, komputery nie. Mózg potrafi się zreorganizować w wyniku manualnych uszkodzeń i zachowywać wiedzę, gdyż inne części mózgu przejmują zadania uszkodzonych częsci. Ilość energii zużywanej przez mózg jest znacznie niższa niż  przez komputer. Mózg używa sygnałów elektrycznych i chemicznych w celu przesyłania informacji, komputer tylko elektrycznie. Neurony w mózgu są znacznie wolniejsze niż tranzystory w komputerze. Obecne sieci neuronowe posiadają więcej neuronów niż nas mózg. IBM stworzyło sieć neuronową posiadające 7 razy więcej neuronów niż ludzki mózg (7*86=530). Maszyny często mogą optymalizować swoją, wiedzę i uczyć się tylko według jednego kryterium, który związany jest z celem nauki, nie uczą się innych rzeczy “po drodze” nie posiadają żadnych refleksji nad swoimi procesami uczenia się. Ludzie mogą jednak popełniać wiele błędów poznawczych podczas nauki, które zakorzenione są w ich biologii. Algorytmy potrzebują dużo danych, zanim nauczą się, jakie w danym środowisku jest najlepsze zachowanie. Człowiek jest w stanie nauczyć się czegoś na podstawie jednego doświadczenia, wykorzystując swoją wcześniejszą wiedzę.

WIEDZA WSTĘPNA

Człowiek jest w stanie rozwiązywać problem z innych dziedzin, wykorzystując swoją inteligencję oraz wiedzę zdobytą podczas nauki innych problemów Maszyny uczą się rozwiązywać jeden konkretny problem, a dla innego problemu muszą uczyć się od nowa. Jest to zasadnicza różnica pomiędzy ludźmi a komputerami. Inteligencja komputerów ogranicza się do obszarów, w których były one trenowane. Człowiek przenosi wiedzę z jednego obszaru do drugiego. Rozważymy ten problem na poniższym przykładzie.

Człowiek podczas grania w grę, polegającą na dotarciu rycerzem do królowej oraz uniknięciu przeszkód i potwora, potrzebuje około jednej minuty, żeby zrozumieć, iż potrzebuje przejść po drabinach na samą górę, przeskoczyć wroga, oraz dostać się do królowej i ukończyć poziom. Komputer potrzebowałby jednak 37 tysięcy godzin grania, żeby zrozumieć, jaki jest cel tej gry. Dzieje się tak, ponieważ mamy znacznie więcej wiedzy wstępnej, która dotyczy tego, iż, wiemy, czym jest drabina, wiemy, iż przegramy, gdy wjedziemy do ognia itp. Naukowcy postanowili tak zmodyfikować pewne aspekty tej gry, by uniemożliwić korzystanie z wiedzy wstepnej i zobaczyć jak wtedy poradzą sonbie ludzie. W grze zmieniono obiekty takie jak rycerz czy księżniczka na kwadratowe bloki co wydłużyło czas przechodzenia poziomu do 4,4 minut. Następnie wszystkie obiekty w grze zostały zmienione na prostokąty o jednolitym kolorze, co wydłużyło czas gry do 9minut. Gracze wciąż mieli wiedzę na temat tego, gdzie znajduje się drabina, jednak to również zostało zamaskowane, nazwano to usunięciem afordancji, czyli naszej zdolności do wyszukiwania możliwych zastosowań obiektu co jednak przyniosło słabsze skutki niż usunięcie obiektów bądź semantyki. Następnie zdecydowano się na obrócenie grawitacji o 90 stopni, zamiane prawego i lewego klawisza oraz panowanie mapowanie tekstury afordancji spowodowało iż, nikt nawet z autorów badania nie był w stanie rozwiązać problemu. W ten sposób pokazano, iż nasz wiedza wstępna jest bardzo ważna w naszym skutecznym uczeniu się. Algorytmy uczenia maszynowego potrzebowały takiego samego czasu do nauczenia się trudniejszej i łatwijeszej wersji gry.

PODOBIEŃSTWA – ROZWIĄZYWANIE PROBLEMÓW TO WYSZUKIWANIE WZORCÓW

Nauka polega na obserwacji danego zjawiska, a następnie rozpoznaniu wzorca. Roozpananie wzorca polega na odnajdywaniu relacji pomiędzy obiektami wchodzącymi w skład jakiegoś zjawiska. Jako przykład rozważmy zjawisko występowania dnia i nocy. Czy znajdujemy jakąś ścieżkę? Tak, na przemienne ekspozycja przez jakiś czas na światło dzienne, a następnie przez jakiś czas na brak światła dziennego. Posiadamy dwa obiekty wchodzące w skład tego zjawiska, ziemię oraz słońce. Czy istnieje jakaś relacja pomiędzy światłem słonecznym a tym, co dzieje się na powierzchni ziemi? Tak, na powierzchni ziemi jest jasno, gdy widzimy słońce oraz ciemno, gdy słońca nie ma. Następnie szukamy jakiegoś możliwego wyjaśnienia tego zjawiska.

1. Być może słońce włącza się lub wyłącza, podczas danego czasu.
2. Być może słońce krąży wokół ziemi, przez co jest raz widoczne, a raz nie.
3. Być może to ziemia krąży wokół słońca, czyniąc je widocznym, bądź nie.

Wszystkie trzy możliwe wyjaśnienia nazywamy modelami, wyjaśniającymi rozważane przez nas zjawisko. Wraz z wzrostem ilości obserwacji tego zjawiska, naukowcy doszli do wniosku, iż najlepiej dane zjawisko wyjaśnia model numer 3. 

Uczenie się, jest tworzeniem modeli odnajdujących wzorce dzięki różnym obserwacją. Człowiek nie będzie się uczył, jeśli nie znajdzie wzorców. Wszystkie teorie fizyczne wyjaśniają wzorce występujące w świecie fizycznym. Newton na podstawie obserwacji odkrył relacje pomiędzy siłą działająca na dane ciało i ruchem będącym odpowiedzią na tą siłę. Stworzył swój model wyrażony w równianiu Siła = Masa * Przyspieszenie. Jednak wraz ze wzrostem obserwacji, okazało się, że model ten nie zawsze dobrze opisuje rzeczywistość, a więc późniejsza nauka zaprezentowała kolejne modele. Nasze wyjaśniania, nasze modele są tylko przybliżeniem rzeczywistości, lecz nie są absolutne, i są przez nas ulepszane, by zgadzały się z życiem codziennym.

Komputerom również dostarczana sie obserwacje (dane), Uczący się algorytm próbuje znaleźć wzorzec, który najlepiej wyjaśnia dane zjawisko.

Powyższy obrazek przedstawia wielkość powierzchni mieszkania oraz jego cenę. Algorytm stara się znaleźć relacje pomiędzy wielkość zmiennej “area” awielkością zmiennej “price”. Jak algorytm znajduje tę relację?

1. Zakłada, iż “price” to x razy “area”. I zaczyna losowo odgadywać wartość x.
2. Dla zmiennej “area” próbuje odgadnąć zmienną “price”. Następnie porównuje to z rzeczywistą ceną mieszkania. “Cena oryginalna” – “cena” zaproponowana przez model to poziom błędu.
3. Algorytm stara się obniżyć poziom błędu do zera.

Zarówno człowiek, jak i komputery potrzebują feedbacku w swoim procesie uczenia sie. Potrzebują popełniać błędy (Newton oraz algorytm szacujący cenę mieszkania), by wypracowywać lepsze modele. Zarówno komputer, jak i człowiek uczy poprzez obserwacje. A następnie odkrywa ścieżkę i relacje pomiędzy obiektami. Odkryta ścieżka jest wyrażana w modelu, często za pomocą matematycznej formuły. Odkrywanie relacji, pomiędzy różnymi obiektami i wydarzeniami jest fundamentalną czynnością człowieka oraz jest ściśle powiązana z inteligencją, którą dysponuje również AI. Odkrywanie ścieżki jest konieczne dla nauki, zarówno u ludzi, jak i u zwierząt. Algorytmy Sztucznej inteligencji podobnie jak ludzi uczą się na błędach. Sprawdzają wiele możliwości, prowadząc nowe obserwacje, i przy wykorzystaniu feedbacku zdobywają nową wiedzę.

INNE ZWIERZĘTA

Uczenie się wśród innych zwierząt niż ludzie jest bardzo zróżnicowanym procesem, różniącym się w zależności od danego gatunku oraz poziomu rozwinięcia jego osobników. Na ogół zwierzęta uczą się jednak przez naśladowania obserwacje innych przedstawicieli swojego gatunku. Zwierzęta podobnie jak ludzie oraz AI uczą się metodą prób i błędów. Zwierzęta nie posiadają jednak zdolności nauczania (teach) a samą zdolność nauki (learn). Feedback więc bardzo często stanowi fakt czy udało się osiągnąć cel danego zachowania bądź też nie lub jakaś forma kary, bądź nagrody płynąca z danego zachowania. Zwierzęta uczą się zachowań nie tylko od przedstawicieli swojego gatunku, ale również od ludzi. Eksperymenty polegające na umieszczaniu smakołyka, za ogrodzeniem w kształcie litery „V”, w rogu litery V oraz wpuszczaniu psa z drugiej strony siatki, naprzeciwko przynęty wykazały, iż pies uczy się dotrzeć do smakołyka metodą prób i błędów, i rozwiązuje problem z reguły dopiero za piątym. Jeśli pies ma możliwość zobaczyć, jak problem ten rozwiązuje człowiek, sam następnie poprawnie rozwiązuje ten problem za pierwszym razem. Uczenie się metodą prób i błędów u zwierząt występuje zwłaszcza przy prostszych problemach.
Inne sposoby uczenia się zwierząt to między innymi:

Tropizm, będący reakcją ruchową u niższych zwierząt oraz roślin. Dzięki zdolności do tropizmu ćmy “wiedzą”, iż muszą podążać w stronę światła.

Zabawa. Wiele zwierząt uczy się poprzez zabawę, symulując różne zachowania, niezależnie od rzeczywistych bodźców. Najczęściej uczą się w ten sposób młode osobnika i tak np. szczenięta wilka łapią szczęką swoje rodzeństwo i przewracają je na plecy.

LITERATURA

Klein TA, Neumann J, Reuter M, Hennig J, von Cramon DY, Ullsperger M. Genetically determined differences in learning from errors. Science. 2007 Dec 7;318(5856):1642-5. doi: 10.1126/science.1145044. PMID: 18063800.

Dubey, R., Agrawal, P., Pathak, D., Griffiths, T. L., & Efros, A. A. (2018). Investigating human priors for playing video games. arXiv preprint arXiv:1802.10217.

Instynkt – naśladownictwo – myślenie.Jak się uczą zwierzęta Honorata Korpikiewicz

https://medium.com/@julienlauret/machines-dont-learn-as-humans-do-e01fd97e1df6

https://towardsdatascience.com/human-learning-vs-machine-learning-dfa8fe421560

How Does the Brain Learn?