![\"What](\"https:\/\/www.wiley.com\/learn\/jossey-bass\/images\/what-every-teacher-should-know-about-the-science-of-learning.jpg\")
<\/p>\n<\/p>\n
Nauka jest jedn\u0105 z podstawowych zdolno\u015bci cz\u0142owieka. Jest procesem koniecznym do prawid\u0142owego funkjconowania w \u015bwiecie. Proces nauki jest r\u00f3wnie\u017c obecny w\u015br\u00f3d innych zwierz\u0105t oraz sztucznych system\u00f3w poznawczych. W tym artykule przyjrzymy si\u0119 bli\u017cej temu proceoswi, oraz roli b\u0142\u0119du w nauce.<\/p>\n
<\/p>\n
PODSTAWY WIEDZY U CZ\u0141OWIEKA<\/strong><\/span><\/p>\n Natywizm genetyczny, nazywany r\u00f3wnie\u017c racjonalizmem genetycznym, jest pogl\u0105dem g\u0142osz\u0105cym, i\u017c umys\u0142 posiada pewn\u0105 form\u0119 wrodzonej wiedzy, wynikaj\u0105c\u0105 z samej konstrukcji umys\u0142u, a nie z posiadanego do\u015bwiadczenia. Przedstawicielami natywizmu byli tacy filozofowie jak Platon (\u015bwiat idei), Kartezjusz (idee wrodzone) czy Immanuel Kant (aprioryczne struktury umys\u0142u. Francuski neurobiolog, Stanislas Dehaene, autor koncepcji recyklingu neuronalnego, wyr\u00f3\u017cnia cztery filary ludzkiej nauki: uwag\u0119, aktywne zaanga\u017cowanie, informacje o pope\u0142nionych b\u0142\u0119dach oraz konsolidacj\u0119 wiedzy.<\/p>\n POPE\u0141NIANIE B\u0141\u0118D\u00d3W\u00a0<\/strong><\/p>\n Pope\u0142nianie b\u0142\u0119d\u00f3w to element, kt\u00f3rego nie da si\u0119 unikn\u0105\u0107 podczas nauki. Jest to niezbywalna cz\u0119\u015b\u0107 procesu. Pope\u0142nienie b\u0142\u0119du pozwala nam dostrzec r\u00f3\u017cnic\u0119, pomi\u0119dzy tym, jak jest, a jak powinno by\u0107. Kluczow\u0105 rol\u0119 odgrywa tutaj informacja zwrotna (feedback), kt\u00f3ry informuje nas czy idziemy w dobrym, czy z\u0142ym kierunku, czy skutecznie nauczyli\u015bmy danej wiedzy b\u0105d\u017a umiej\u0119tno\u015bci, oraz co musimy poprawi\u0107. Efektywny proces uczenia si\u0119 musi zawiera\u0107 element akceptacji pope\u0142niania b\u0142\u0119d\u00f3w.<\/p>\n Informacja zwrotna mo\u017ce mie\u0107 zar\u00f3wno charakter pozytywny (nagroda), jak i charakter negatywny (kara). To jaki rodzaj feedbacku b\u0119dzie bardziej skuteczny u cz\u0142owieka, zale\u017cy min. od jego wieku. Dla doros\u0142ych lepszy mo\u017ce okaza\u0107 si\u0119 feedback negatywny, dla dzieci, b\u0119dzie on \u017ar\u00f3d\u0142em l\u0119ku i frustracji co doprowadzi do zahamowania procesu nauczania. Feedback powinien by\u0107 cz\u0119sty oraz regularny, gdy\u017c ma by\u0107 narz\u0119dziem nauki, a nie narz\u0119dziem s\u0142u\u017c\u0105cym ocenie efekt\u00f3w naszej pracy.<\/p>\n Rozw\u00f3j umys\u0142owy oraz nauka nie mo\u017ce odby\u0107 si\u0119 bez pope\u0142niania b\u0142\u0119d\u00f3w. Nale\u017cy nie uto\u017csamia\u0107 pope\u0142niania b\u0142\u0119d\u00f3w ze stresem, poniewa\u017c stres, blokuje aktywno\u015b\u0107 hipokampa. Negatywne skutki stresu w uczeniu si\u0119 wida\u0107 szczeg\u00f3lnie na przyk\u0142adzie przedmiot\u00f3w \u015bcis\u0142ych a psychologia wypracowa\u0142a ju\u017c poj\u0119cie \u201cmathematical ankiety\u201d. Stan relaksu jest stanem sprzyjaj\u0105cym nauce. Uczenie si\u0119 na b\u0142\u0119dach r\u00f3\u017cni si\u0119 pomi\u0119dzy poszczeg\u00f3lnymi osobami i jest uwarunkowane genetycznie przez receptor dopaminowy D2. Osoby z uszkodzony receptorami dopaminowymi D2 gorzej uczy\u0142y si\u0119 na b\u0142\u0119dach, co jest potencjalnym wyja\u015bnieniem tego, i\u017c te osoby s\u0105 szczeg\u00f3lnie nara\u017cone na uzale\u017cnienia.<\/p>\n UWAGA<\/strong><\/p>\n Uwaga jest szczeg\u00f3lnie istotnym procesem dla\u00a0nauki, poniewa\u017c\u00a0nasz m\u00f3zg musi selekcjonowa\u0107 wiedz\u0119. Wiele bod\u017ac\u00f3w dociera do m\u00f3zgu, wi\u0119c pewne informacje musz\u0105 by\u0107 aktywnie t\u0142umione. Uwaga jest konieczna do przetransportowania wiedzy z pami\u0119ci sensorycznej do kory trwa\u0142ej\u00a0oraz\u00a0cz\u0119sto potrzebna by z pami\u0119ci kr\u00f3tkotrwa\u0142ej, przeniesiona zosta\u0142a pami\u0119ci d\u0142ugotrwa\u0142ej. Koncentracja jest procesem polegaj\u0105cym na aktywnym utrzymywaniu uwagi na danej tre\u015bci\u00a0i\u00a0jest po\u017c\u0105dana w procesie nauki.<\/p>\n Uwaga nie jest jednak systemem jednorodnym i mo\u017cemy podzieli\u0107 j\u0105 na 3 systemy.<\/p>\n KONSOLIDAJCA WIEDZY<\/strong><\/p>\n \u017beby nauka by\u0142a efektywnym procesem, dochodzi\u0107 musi do konsolidacji wiedzy. Konsolidacja wiedzy zachodzi podczas snu i polega na tworzeniu \u015bladu pami\u0119ciowego w m\u00f3zgu. Sen jest kluczowy dla nauki nowych fakt\u00f3w. Hermann Ebbinghaus, ju\u017c w 19 wieku odkry\u0142, i\u017c im d\u0142u\u017cszy czas mija od nauki, do przywo\u0142ywania wiedzy, tym gorszy jest efekt tego przywo\u0142ywania. P\u00f3\u017aniejsza nauka zauwa\u017cy\u0142a, i\u017c efekt ten nie zachodzi dla mi\u0119dzy 8 a 12 godzin\u0105 od nauki. Efekt ten jest silnie zwi\u0105zany ze snem. Sen dzieli si\u0119 na fazie p\u0142ytk\u0105 i g\u0142\u0119bok\u0105 Wspomnienia zwi\u0105zane z pami\u0119ci\u0105 operacyjn\u0105 i ruchow\u0105 konsolidowane s\u0105 w fazie p\u0142ytkiej snu, a te zwi\u0105zane z wiedz\u0105 semantyczn\u0105 w fazie g\u0142\u0119bokiej. W fazie g\u0142\u0119bokiej uczymy si\u0119 wiedzy semantycznej. Hipokamp odgrywa kluczow\u0105 rol\u0119 w odtwarzaniu tego, czego si\u0119 nauczyli\u015bmy. Podczas snu aktywuj\u0105 si\u0119 te same neurony, kt\u00f3re aktywuj\u0105 si\u0119 podczas nauki i zapami\u0119tywania. T e reaktywacje neuron\u00f3w s\u0105 kluczowe dla procesu uczenia si\u0119. Naukowcy byli w stanie przewidzie\u0107 co \u015bnie si\u0119 danej osobie na podstawie skan\u00f3w ich m\u00f3zg\u00f3w (aktywno\u015b\u0107 region\u00f3w odpowiedzialnych za przetwarzanie twarzy, podczas snu zawieraj\u0105cego twarzy innych os\u00f3b). Deprywacja snu mo\u017ce mie\u0107 powa\u017cne i negatywne konsekwencje w procesie nauki.<\/p>\n UCZENIE SI\u0118 LUDZI A UCZENIE SI\u0118 MASZYN<\/strong><\/span><\/p>\n Mechanizmy uczenia si\u0119 maszynowego, w tym sztuczne sieci neuronowe, jak sama nazwa wskazuje, inspirowane s\u0105 m\u00f3zgiem cz\u0142owieka. Mimo tego faktu wyst\u0119puje wiele r\u00f3\u017cnic, miedzy tym jak uczy si\u0119 cz\u0142owiek, a jak uczy si\u0119 maszyna.<\/p>\n R\u00d3\u017bNICE<\/strong><\/p>\n Maszyny mog\u0105 przetwarza\u0107 znacznie wi\u0119ksze ilo\u015bci danych, „neurony\u201d<\/span> w komputerze nie s\u0105 samo-organizuj\u0105ce si\u0119 ani adaptuj\u0105 si\u0119 do \u015brodowiska. M\u00f3zg pracuje nawet, wtedy gdy nie otrzymuje nowych danych, komputery nie. M\u00f3zg potrafi si\u0119 zreorganizowa\u0107 w wyniku manualnych uszkodze\u0144 i zachowywa\u0107 wiedz\u0119, gdy\u017c inne cz\u0119\u015bci m\u00f3zgu przejmuj\u0105 zadania uszkodzonych cz\u0119sci. Ilo\u015b\u0107 energii zu\u017cywanej przez m\u00f3zg jest znacznie ni\u017csza ni\u017c\u00a0 przez komputer. M\u00f3zg u\u017cywa sygna\u0142\u00f3w elektrycznych i chemicznych w celu przesy\u0142ania informacji, komputer tylko elektrycznie. Neurony w m\u00f3zgu s\u0105 znacznie wolniejsze ni\u017c tranzystory w komputerze. Obecne sieci neuronowe posiadaj\u0105 wi\u0119cej neuron\u00f3w ni\u017c nas m\u00f3zg. IBM stworzy\u0142o sie\u0107 neuronow\u0105 posiadaj\u0105ce 7 razy wi\u0119cej neuron\u00f3w ni\u017c ludzki m\u00f3zg (7*86=530<\/span>). Maszyny cz\u0119sto mog\u0105 optymalizowa\u0107 swoj\u0105, wiedz\u0119 i uczy\u0107 si\u0119 tylko wed\u0142ug jednego kryterium, kt\u00f3ry zwi\u0105zany jest z celem nauki, nie ucz\u0105 si\u0119 innych rzeczy „po drodze\u201d<\/span>\u00a0nie posiadaj\u0105 \u017cadnych refleksji nad swoimi procesami uczenia si\u0119. Ludzie mog\u0105 jednak pope\u0142nia\u0107 wiele b\u0142\u0119d\u00f3w poznawczych podczas nauki, kt\u00f3re zakorzenione s\u0105 w ich biologii. Algorytmy potrzebuj\u0105 du\u017co danych, zanim naucz\u0105 si\u0119, jakie w danym \u015brodowisku jest najlepsze zachowanie. Cz\u0142owiek jest w stanie nauczy\u0107 si\u0119 czego\u015b na podstawie jednego do\u015bwiadczenia, wykorzystuj\u0105c swoj\u0105 wcze\u015bniejsz\u0105 wiedz\u0119.<\/p>\n WIEDZA WST\u0118PNA<\/strong><\/p>\n Cz\u0142owiek jest w stanie rozwi\u0105zywa\u0107 problem z innych dziedzin, wykorzystuj\u0105c swoj\u0105 inteligencj\u0119 oraz wiedz\u0119 zdobyt\u0105 podczas nauki innych problem\u00f3w Maszyny ucz\u0105 si\u0119 rozwi\u0105zywa\u0107 jeden konkretny problem, a dla innego problemu musz\u0105 uczy\u0107 si\u0119 od nowa. Jest to zasadnicza r\u00f3\u017cnica pomi\u0119dzy lud\u017ami a komputerami. Inteligencja komputer\u00f3w ogranicza si\u0119 do obszar\u00f3w, w kt\u00f3rych by\u0142y one trenowane. Cz\u0142owiek przenosi wiedz\u0119 z jednego obszaru do drugiego. Rozwa\u017cymy ten problem na poni\u017cszym przyk\u0142adzie.<\/p>\n Cz\u0142owiek podczas grania w gr\u0119, polegaj\u0105c\u0105 na dotarciu rycerzem do kr\u00f3lowej oraz unikni\u0119ciu przeszk\u00f3d i potwora, potrzebuje oko\u0142o jednej minuty, \u017ceby zrozumie\u0107, i\u017c potrzebuje przej\u015b\u0107 po drabinach na sam\u0105 g\u00f3r\u0119, przeskoczy\u0107 wroga, oraz dosta\u0107 si\u0119 do kr\u00f3lowej i uko\u0144czy\u0107 poziom. Komputer potrzebowa\u0142by jednak 37 tysi\u0119cy godzin grania, \u017ceby zrozumie\u0107, jaki jest cel tej gry. Dzieje si\u0119 tak, poniewa\u017c mamy znacznie wi\u0119cej wiedzy wst\u0119pnej, kt\u00f3ra dotyczy tego, i\u017c, wiemy, czym jest drabina, wiemy, i\u017c przegramy, gdy wjedziemy do ognia itp. Naukowcy postanowili tak zmodyfikowa\u0107 pewne aspekty tej gry, by uniemo\u017cliwi\u0107 korzystanie z wiedzy wstepnej i zobaczy\u0107 jak wtedy poradz\u0105 sonbie ludzie. W grze zmieniono obiekty takie jak rycerz czy ksi\u0119\u017cniczka na kwadratowe bloki co wyd\u0142u\u017cy\u0142o czas przechodzenia poziomu do 4,4 minut. Nast\u0119pnie wszystkie obiekty w grze zosta\u0142y zmienione na prostok\u0105ty o jednolitym kolorze, co wyd\u0142u\u017cy\u0142o czas gry do 9minut. Gracze wci\u0105\u017c mieli wiedz\u0119 na temat tego, gdzie znajduje si\u0119 drabina, jednak to r\u00f3wnie\u017c zosta\u0142o zamaskowane, nazwano to usuni\u0119ciem\u00a0afordancji<\/span>, czyli naszej zdolno\u015bci do wyszukiwania mo\u017cliwych zastosowa\u0144 obiektu co jednak przynios\u0142o s\u0142absze skutki ni\u017c usuni\u0119cie obiekt\u00f3w b\u0105d\u017a semantyki. Nast\u0119pnie zdecydowano si\u0119 na obr\u00f3cenie grawitacji o 90 stopni, zamiane prawego i lewego klawisza oraz panowanie mapowanie tekstury afordancji spowodowa\u0142o i\u017c,<\/span> nikt nawet z autor\u00f3w badania nie by\u0142 w stanie rozwi\u0105za\u0107 problemu. W ten spos\u00f3b pokazano, i\u017c nasz wiedza wst\u0119pna jest bardzo wa\u017cna w naszym skutecznym uczeniu si\u0119. Algorytmy uczenia maszynowego potrzebowa\u0142y takiego samego czasu do nauczenia si\u0119 trudniejszej i \u0142atwijeszej wersji gry.<\/p>\n PODOBIE\u0143STWA – ROZWI\u0104ZYWANIE PROBLEM\u00d3W TO WYSZUKIWANIE WZORC\u00d3W<\/b><\/strong><\/p>\n Nauka polega na obserwacji danego zjawiska, a nast\u0119pnie rozpoznaniu wzorca. Roozpananie wzorca polega na odnajdywaniu relacji pomi\u0119dzy obiektami wchodz\u0105cymi w sk\u0142ad jakiego\u015b zjawiska. Jako przyk\u0142ad rozwa\u017cmy zjawisko wyst\u0119powania dnia i nocy. Czy znajdujemy jak\u0105\u015b \u015bcie\u017ck\u0119? Tak, na przemienne ekspozycja przez jaki\u015b czas na \u015bwiat\u0142o dzienne, a nast\u0119pnie przez jaki\u015b czas na brak \u015bwiat\u0142a dziennego. Posiadamy dwa obiekty wchodz\u0105ce w sk\u0142ad tego zjawiska, ziemi\u0119 oraz s\u0142o\u0144ce. Czy istnieje jaka\u015b relacja pomi\u0119dzy \u015bwiat\u0142em s\u0142onecznym a tym, co dzieje si\u0119 na powierzchni ziemi? Tak, na powierzchni ziemi jest jasno, gdy widzimy s\u0142o\u0144ce oraz ciemno, gdy s\u0142o\u0144ca nie ma. Nast\u0119pnie szukamy jakiego\u015b mo\u017cliwego wyja\u015bnienia tego zjawiska.<\/p>\n Wszystkie trzy mo\u017cliwe wyja\u015bnienia nazywamy modelami, wyja\u015bniaj\u0105cymi rozwa\u017cane przez nas zjawisko. Wraz z wzrostem ilo\u015bci obserwacji tego zjawiska, naukowcy doszli do wniosku, i\u017c najlepiej dane zjawisko wyja\u015bnia model numer 3.\u00a0<\/span><\/p>\n Uczenie si\u0119, jest tworzeniem modeli odnajduj\u0105cych wzorce dzi\u0119ki r\u00f3\u017cnym obserwacj\u0105. Cz\u0142owiek nie b\u0119dzie si\u0119 uczy\u0142, je\u015bli nie znajdzie wzorc\u00f3w. Wszystkie teorie fizyczne wyja\u015bniaj\u0105 wzorce wyst\u0119puj\u0105ce w \u015bwiecie fizycznym. Newton na podstawie obserwacji odkry\u0142 relacje pomi\u0119dzy si\u0142\u0105 dzia\u0142aj\u0105ca na dane cia\u0142o i ruchem b\u0119d\u0105cym odpowiedzi\u0105 na t\u0105 si\u0142\u0119. Stworzy\u0142 sw\u00f3j model wyra\u017cony w r\u00f3wnianiu Si\u0142a = Masa * Przyspieszenie. Jednak wraz ze wzrostem obserwacji, okaza\u0142o si\u0119, \u017ce model ten nie zawsze dobrze opisuje rzeczywisto\u015b\u0107, a wi\u0119c p\u00f3\u017aniejsza nauka zaprezentowa\u0142a kolejne modele. Nasze wyja\u015bniania, nasze modele s\u0105 tylko przybli\u017ceniem rzeczywisto\u015bci, lecz nie s\u0105 absolutne, i s\u0105 przez nas ulepszane, by zgadza\u0142y si\u0119 z \u017cyciem codziennym.<\/p>\n Komputerom r\u00f3wnie\u017c dostarczana sie obserwacje (dane), Ucz\u0105cy si\u0119 algorytm pr\u00f3buje znale\u017a\u0107 wzorzec, kt\u00f3ry najlepiej wyja\u015bnia dane zjawisko.<\/p>\n Powy\u017cszy obrazek przedstawia wielko\u015b\u0107 powierzchni mieszkania oraz jego cen\u0119. Algorytm stara si\u0119 znale\u017a\u0107 relacje pomi\u0119dzy wielko\u015b\u0107 zmiennej „area” awielko\u015bci\u0105 zmiennej \u201cprice\u201d. Jak algorytm znajduje t\u0119 relacj\u0119? Zar\u00f3wno cz\u0142owiek, jak i komputery potrzebuj\u0105 feedbacku w swoim procesie uczenia sie. Potrzebuj\u0105 pope\u0142nia\u0107 b\u0142\u0119dy (Newton oraz algorytm szacuj\u0105cy cen\u0119 mieszkania), by wypracowywa\u0107 lepsze modele. Zar\u00f3wno komputer, jak i cz\u0142owiek uczy poprzez obserwacje. A nast\u0119pnie odkrywa \u015bcie\u017ck\u0119 i relacje pomi\u0119dzy obiektami. Odkryta \u015bcie\u017cka jest wyra\u017cana w modelu, cz\u0119sto za pomoc\u0105 matematycznej formu\u0142y. Odkrywanie relacji, pomi\u0119dzy r\u00f3\u017cnymi obiektami i wydarzeniami jest fundamentaln\u0105 czynno\u015bci\u0105 cz\u0142owieka oraz jest \u015bci\u015ble powi\u0105zana z inteligencj\u0105, kt\u00f3r\u0105 dysponuje r\u00f3wnie\u017c AI. Odkrywanie \u015bcie\u017cki jest konieczne dla nauki, zar\u00f3wno u ludzi, jak i u zwierz\u0105t. Algorytmy Sztucznej inteligencji podobnie jak ludzi ucz\u0105 si\u0119 na b\u0142\u0119dach. Sprawdzaj\u0105 wiele mo\u017cliwo\u015bci, prowadz\u0105c nowe obserwacje, i przy wykorzystaniu feedbacku zdobywaj\u0105 now\u0105 wiedz\u0119.<\/p>\n INNE ZWIERZ\u0118TA<\/strong><\/span><\/p>\n Uczenie si\u0119 w\u015br\u00f3d innych zwierz\u0105t ni\u017c ludzie jest bardzo zr\u00f3\u017cnicowanym procesem, r\u00f3\u017cni\u0105cym si\u0119 w zale\u017cno\u015bci od danego gatunku oraz poziomu rozwini\u0119cia jego osobnik\u00f3w. Na og\u00f3\u0142 zwierz\u0119ta ucz\u0105 si\u0119 jednak przez na\u015bladowania obserwacje innych przedstawicieli swojego gatunku. Zwierz\u0119ta podobnie jak ludzie oraz AI ucz\u0105 si\u0119 metod\u0105 pr\u00f3b i b\u0142\u0119d\u00f3w. Zwierz\u0119ta nie posiadaj\u0105 jednak zdolno\u015bci nauczania (teach) a sam\u0105 zdolno\u015b\u0107 nauki (learn). Feedback wi\u0119c bardzo cz\u0119sto stanowi fakt czy uda\u0142o si\u0119 osi\u0105gn\u0105\u0107 cel danego zachowania b\u0105d\u017a te\u017c nie lub jaka\u015b forma kary, b\u0105d\u017a nagrody p\u0142yn\u0105ca z danego zachowania. Zwierz\u0119ta ucz\u0105 si\u0119 zachowa\u0144 nie tylko od przedstawicieli swojego gatunku, ale r\u00f3wnie\u017c od ludzi. Eksperymenty polegaj\u0105ce na umieszczaniu smako\u0142yka, za ogrodzeniem w kszta\u0142cie litery \u201eV\u201d, w rogu litery V oraz wpuszczaniu psa z drugiej strony siatki, naprzeciwko przyn\u0119ty wykaza\u0142y, i\u017c pies uczy si\u0119 dotrze\u0107 do smako\u0142yka metod\u0105 pr\u00f3b i b\u0142\u0119d\u00f3w, i rozwi\u0105zuje problem z regu\u0142y dopiero za pi\u0105tym. Je\u015bli pies ma mo\u017cliwo\u015b\u0107 zobaczy\u0107, jak problem ten rozwi\u0105zuje cz\u0142owiek, sam nast\u0119pnie poprawnie rozwi\u0105zuje ten problem za pierwszym razem. Uczenie si\u0119 metod\u0105 pr\u00f3b i b\u0142\u0119d\u00f3w u zwierz\u0105t wyst\u0119puje zw\u0142aszcza przy prostszych problemach. Tropizm, b\u0119d\u0105cy reakcj\u0105 ruchow\u0105 u ni\u017cszych zwierz\u0105t oraz ro\u015blin. Dzi\u0119ki zdolno\u015bci do tropizmu \u0107my \u201cwiedz\u0105\u201d, i\u017c musz\u0105 pod\u0105\u017ca\u0107 w stron\u0119 \u015bwiat\u0142a.<\/p>\n Zabawa. Wiele zwierz\u0105t uczy si\u0119 poprzez zabaw\u0119, symuluj\u0105c r\u00f3\u017cne zachowania, niezale\u017cnie od rzeczywistych bod\u017ac\u00f3w. Najcz\u0119\u015bciej ucz\u0105 si\u0119 w ten spos\u00f3b m\u0142ode osobnika i tak np. szczeni\u0119ta wilka \u0142api\u0105 szcz\u0119k\u0105 swoje rodze\u0144stwo i przewracaj\u0105 je na plecy.<\/p>\n LITERATURA<\/strong><\/p>\n 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.<\/a><\/p>\n Dubey, R., Agrawal, P., Pathak, D., Griffiths, T. L., & Efros, A. A. (2018). Investigating human priors for playing video games.\u00a0arXiv preprint arXiv:1802.10217<\/i>.<\/a><\/p>\n
\nEmpiryzm jest pogl\u0105dem przeciwstawiaj\u0105cym si\u0119 natywizmowi, g\u0142osz\u0105cym, i\u017c nie posiadamy \u017cadnej wrodzonej wiedzy, a nasz umys\u0142 mo\u017cna por\u00f3wna\u0107 do czystej karty. Zwolennicy empiryzmu g\u0142osz\u0105, i\u017c \u017ar\u00f3d\u0142em ludzkiego poznania jest wy\u0142\u0105cznie do\u015bwiadczenie. Przedstawicielami empiryzmu, Arystoteles, Duns Szkot czy John Locke.
\nNeuronauki stara\u0142y odpowied\u017a si\u0119 na pytanie o natur\u0119 wiedzy ludzkiej za pomoc\u0105 metody naukowej. W ten spos\u00f3b powsta\u0142a teoria rdzennych mechanizm\u00f3w poznawczych, kt\u00f3rej znacznie bli\u017cej do natywizmu, ni\u017c empiryzmu.
\nLudzie, ju\u017c jako niemowl\u0119ta posiadaj\u0105 pewn\u0105 form\u0119 wiedzy. Wiedza to obejmuje fizyk\u0119 naiwn\u0105, czyli wiedz\u0119 na temat podstawowych zjawisk fizycznych (np. poruszanie si\u0119 obiekt\u00f3w), intuicje dotycz\u0105ce prawdopodobie\u0144stwa, zachowywania si\u0119 organizm\u00f3w \u017cywych, zmys\u0142 liczb, czy zmys\u0142 przestrzeni. Wiedz\u0119 t\u0119 mo\u017cna por\u00f3wna\u0107 do modu\u0142\u00f3w kt\u00f3re s\u0105 pewnym \u201czestawem startowym\u201d kt\u00f3ry pozwala nam zdobywa\u0107 kolejn\u0105 wiedz\u0119.
\nBadania nad postawami wiedzy przeprowadzana na niemowlakach dotycz\u0105 ich uwagi oraz wzroku. Naukowcy badaj\u0105 czy dziecko \u201cdziwi si\u0119\u201d, gdy wyst\u0119puj\u0105 pewne nietypowe zjawiska. I niemowl\u0119tom, dziwi\u0105 si\u0119, gdy z pojemnika, w kt\u00f3rym znajduje si\u0119 bardzo du\u017co pi\u0142ek o kolorze czarnym i niewiele o kolorze bia\u0142ym wypadnie bia\u0142a (zmys\u0142 prawdopodobie\u0144stwa), gdy jeden przedmiot oka\u017ce si\u0119 tak naprawd\u0119 dwoma (poczucie sta\u0142o\u015bci), gdy kto\u015b wywr\u00f3ci si\u0119 pomimo braku przeszkody (wrodzone mechanizmy chodzenia), czy rozumiej\u0105 obiekty poruszaj\u0105ce si\u0119 jako posiadaj\u0105ce pewne intencje. Te podstawy wiedzy oraz intuicje s\u0105 mechanizmami wrodzonymi, a wi\u0119c posiadaj\u0105cymi ewolucyjne korzenie, oraz obserwowanymi na ca\u0142ym globie.
\nWiedza wrodzona zapisywana jest w konkretnych miejscach w m\u00f3zgu. Nasza wiedza nabyta \u201cnadpisuje si\u0119\u201d w tych miejscach, do kt\u00f3rych najbardziej pasuje.
\nRecykling Neuronalny Dehaene-wiedza wrodzona zapisywana jest w konkretnych miejscach w m\u00f3zgu. Nasza wiedza nabyta \u201cnadpisuje si\u0119\u201d w tych miejscach, w kt\u00f3rych zapisuje si\u0119 powi\u0105zana z nimi wiedza wrodzona. np. p\u0142at ciemieniowy jest zaanga\u017cowany w przetwarzanie elementarnych wielko\u015bci u niemowl\u0105t. Ten sam obszar jest r\u00f3wnie\u017c zaanga\u017cowany w uczenie si\u0119 matematyki, co potwierdzi\u0142o badanie rezonansem magnetycznym, przeprowadzone na matematykach. Niezaobserwowane aktywacji struktur zwi\u0105zanych z innymi modu\u0142ami. Nauk\u0119 mo\u017cna wi\u0119c por\u00f3wna\u0107 do rozbudowania pewnych program\u00f3w. Na poziomie neuronalnym uczenie si\u0119 to przekazywanie impuls\u00f3w mi\u0119dzy neuronami. Ka\u017cdy akt uczenia zmienia fizycznie pobudzenie neuron\u00f3w oraz kolce dendrytyczne i tworzy nowe po\u0142\u0105czenia w m\u00f3zgu. Uczenie si\u0119, zmienia wi\u0119c fizycznie m\u00f3zg. Zmiany te nie tworz\u0105 si\u0119 jednak \u201cz niczego\u201d, lecz wyst\u0119puj\u0105 na ju\u017c u\u017cywanym, i posiadaj\u0105cym jak\u0105\u015b wiedz\u0119 systemie.<\/p>\n
\nSkoro wiemy, i\u017c pope\u0142nianie b\u0142\u0119d\u00f3w jest skutecznym sposobem nauki, jak wiele b\u0142\u0119d\u00f3w powinni\u015bmy pope\u0142nia\u0107? Jak trudny powinien by\u0107 to proces? Proces uczenia si\u0119 nie powinien by\u0107 zbyt \u0142atwy, by nie sta\u0107 si\u0119 monotonny, lecz nie powinien by\u0107 r\u00f3wnie\u017c zbyt trudny i niemo\u017cliwy do osi\u0105gni\u0119cia. Poziom trudno\u015bci powinien dostosowywa\u0107 si\u0119 do podmiotu ucz\u0105cego, tak jak czyni\u0105 to, chocia\u017cby niekt\u00f3re gry komputerowe, nie bie\u017c\u0105co koryguj\u0105ce poziom trudno\u015bci. To nasza kora przedczo\u0142owa szacuje czy jeste\u015bmy w stanie poradzi\u0107 sobie z nauczeniem si\u0119 danej rzeczy, czy nie. Jest to zwi\u0105zane z motywacj\u0105, gdy\u017c uczenie si\u0119, jest procesem kosztownym, a wi\u0119c procesem, na kt\u00f3ry m\u00f3zg nie chce wydatkowa\u0107 energii, gdy nie widzi dla tego dobrych powod\u00f3w. \u015awiadomo\u015b\u0107 zysk\u00f3w wynikaj\u0105ca ze zdobycia danej wiedzy b\u0105d\u017a umiej\u0119tno\u015bci jest wzrostem korzy\u015bci.<\/p>\n\n
\n
![\"\"](\"http:\/\/architeles.pl\/ethics\/wp-content\/uploads\/2023\/01\/Zrzut-ekranu-2023-01-12-140207-262x300.png\")
<\/p>\n\n
\nInne sposoby uczenia si\u0119 zwierz\u0105t to mi\u0119dzy innymi:<\/p>\n