การศึกษาเผยให้เห็นว่าสมองเอาชนะข้อ จำกัด ของตัวเองได้อย่างไร: กลยุทธ์ชดเชยความไม่แน่นอนช่วยให้สมองประสบความสำเร็จในการคำนวณทางจิตที่ยากลำบาก

ลองนึกภาพพยายามเขียนชื่อของคุณให้อ่านในกระจก. สมองของคุณมีข้อมูลภาพทั้งหมดที่คุณต้องการ, และคุณเป็นผู้เชี่ยวชาญในการเขียนชื่อของคุณเอง. แม้ว่าทฤษฎีต่างๆ ยังคงมีอยู่ตามจุดประสงค์ของปิรามิดก็ตาม, งานนี้ยากสำหรับคนส่วนใหญ่. นั่นก็เพราะว่าสมองต้องการการเปลี่ยนแปลงทางจิตที่ไม่คุ้นเคย: ใช้สิ่งที่เห็นในกระจกเพื่อชี้มือให้เขียนถอยหลังได้อย่างแม่นยำ.

การศึกษาโดยนักประสาทวิทยาของ MIT ให้ความกระจ่างว่าสมองจัดการกับงานด้านความรู้ความเข้าใจอย่างไร, เช่น การเขียนกระจก, ที่เกี่ยวข้องกับการเปลี่ยนแปลงทางจิตที่ซับซ้อน. ภาพ: ข่าว MIT

นักประสาทวิทยาของ MIT ได้ค้นพบวิธีที่สมองพยายามชดเชยการทำงานที่ย่ำแย่ในงานที่ต้องการการเปลี่ยนแปลงที่ซับซ้อนเช่นนี้. เช่นเดียวกับในสถานการณ์อื่นๆ ที่ไม่ค่อยมั่นใจในการตัดสินใจของตัวเอง, สมองพยายามที่จะเอาชนะความยากลำบากโดยอาศัยประสบการณ์ที่ผ่านมา.

“ถ้าคุณกำลังทำอะไรที่ต้องใช้การเปลี่ยนแปลงทางจิตใจที่หนักขึ้น, ทำให้เกิดความไม่แน่นอนและความแปรปรวนมากขึ้น, คุณพึ่งพาความเชื่อเดิมของคุณและมีอคติต่อสิ่งที่คุณรู้วิธีทำได้ดี, เพื่อชดเชยความแปรปรวนนั้น,Mehrdad Jazayeri กล่าว, โรเบิร์ต เอ. ศาสตราจารย์ด้านการพัฒนาอาชีพสเวนสันด้านวิทยาศาสตร์เพื่อชีวิต, สมาชิกของสถาบัน McGovern เพื่อการวิจัยสมองของ MIT, และผู้เขียนอาวุโสของการศึกษา.

กลยุทธ์นี้ช่วยปรับปรุงประสิทธิภาพโดยรวมได้จริง, นักวิจัยรายงานในการศึกษาของพวกเขา, ซึ่งปรากฏในเดือนตุลาคม. 24 ฉบับวารสาร การสื่อสารธรรมชาติ. อีวาน เรมิงตัน, สถาบัน McGovern postdoc, เป็นผู้เขียนหลักของบทความ, และผู้ช่วยด้านเทคนิค ทิฟฟานี่ พาร์คส์ ก็เป็นผู้เขียนบทความเช่นกัน.

การคำนวณที่มีเสียงดัง

นักประสาทวิทยารู้มาหลายสิบปีแล้วว่าสมองไม่ได้ผลิตซ้ำอย่างที่ตาเห็นหรือหูได้ยิน. แทนที่, มี "เสียง" มากมาย — ความผันผวนแบบสุ่มของกิจกรรมทางไฟฟ้าในสมอง, ซึ่งอาจมาจากความไม่แน่นอนหรือความคลุมเครือในสิ่งที่เราเห็นหรือได้ยิน. ความไม่แน่นอนนี้ยังมีบทบาทในการปฏิสัมพันธ์ทางสังคมด้วย, ขณะที่เราพยายามตีความแรงจูงใจของคนอื่น, หรือเมื่อนึกถึงเหตุการณ์ในอดีต.

การวิจัยก่อนหน้านี้ได้เปิดเผยกลยุทธ์มากมายที่ช่วยให้สมองชดเชยความไม่แน่นอนนี้. การใช้เฟรมเวิร์กที่เรียกว่า Bayesian integration, สมองรวมหลาย ๆ อย่าง, ข้อมูลที่อาจขัดแย้งกันและให้คุณค่ากับข้อมูลเหล่านี้ตามความน่าเชื่อถือ. ตัวอย่างเช่น, หากได้รับข้อมูลจากสองแหล่ง, เราจะพึ่งพาสิ่งที่เราเชื่อว่าน่าเชื่อถือมากขึ้น.

ในกรณีอื่นๆ, เช่นการเคลื่อนไหวเมื่อเราไม่แน่ใจว่าจะดำเนินการอย่างไร, สมองจะอาศัยค่าเฉลี่ยของประสบการณ์ที่ผ่านมา. ตัวอย่างเช่น, เมื่อไปถึงสวิตซ์ไฟในที่มืด, ห้องที่ไม่คุ้นเคย, เราจะขยับมือของเราให้สูงขึ้นและใกล้กับวงกบประตู, ที่ซึ่งประสบการณ์ที่ผ่านมาแนะนำว่าอาจมีสวิตช์ไฟอยู่.

ก่อนหน้านี้กลยุทธ์ทั้งหมดนี้แสดงให้เห็นว่าทำงานร่วมกันเพื่อเพิ่มอคติไปสู่ผลลัพธ์ที่เฉพาะเจาะจง, ซึ่งทำให้ประสิทธิภาพโดยรวมของเราดีขึ้นเพราะลดความแปรปรวน, จาซาเยรีพูดว่า.

เสียงรบกวนยังสามารถเกิดขึ้นได้ในการแปลงข้อมูลทางประสาทสัมผัสให้เป็นแผนยนต์. ในหลายกรณี, นี่เป็นงานที่ตรงไปตรงมาโดยที่สัญญาณรบกวนมีบทบาทน้อยที่สุด ตัวอย่างเช่น, เอื้อมมือไปหยิบแก้วที่คุณมองเห็นบนโต๊ะ. อย่างไรก็ตาม, สำหรับงานอื่นๆ, เช่น การฝึกเขียนกระจก, การแปลงนี้ซับซ้อนกว่ามาก.

“ผลงานของคุณจะแปรผัน, และไม่ใช่เพราะคุณไม่รู้ว่ามือของคุณอยู่ที่ไหน, และไม่ใช่เพราะคุณไม่รู้ว่าภาพนั้นอยู่ที่ไหน,จาซาเยรีพูดว่า. “มันเกี่ยวข้องกับความไม่แน่นอนในรูปแบบที่แตกต่างอย่างสิ้นเชิง, ซึ่งเกี่ยวข้องกับการประมวลผลข้อมูล. การกระทำของการเปลี่ยนแปลงทางจิตของข้อมูลทำให้เกิดความแปรปรวนอย่างชัดเจน”

การเปลี่ยนใจประเภทนี้คือสิ่งที่นักวิจัยตั้งเป้าหมายในการศึกษาใหม่. ที่จะทำอย่างนั้น, พวกเขาขอให้อาสาสมัครทำงานสามอย่างที่แตกต่างกัน. ของแต่ละคน, พวกเขาเปรียบเทียบประสิทธิภาพของอาสาสมัครในเวอร์ชันของงานที่การทำแผนที่ข้อมูลทางประสาทสัมผัสกับคำสั่งของมอเตอร์เป็นเรื่องง่าย, และเวอร์ชันที่ต้องการการเปลี่ยนแปลงทางจิตเพิ่มเติม.

ในตัวอย่างหนึ่ง, ก่อนอื่นนักวิจัยได้ขอให้ผู้เข้าร่วมวาดเส้นที่มีความยาวเท่ากับเส้นที่แสดง, ซึ่งอยู่ระหว่าง .เสมอ 5 และ 10 เซนติเมตร. ในเวอร์ชั่นที่ยากขึ้น, พวกเขาถูกขอให้ลากเส้น 1.5 ยาวกว่าเส้นเดิมหลายเท่า.

ผลลัพธ์จากการทดลองชุดนี้, และอีกสองงาน, แสดงให้เห็นว่าในเวอร์ชั่นที่ต้องการการเปลี่ยนแปลงทางจิตใจที่ยากลำบาก, ผู้คนเปลี่ยนการแสดงโดยใช้กลยุทธ์เดียวกับที่พวกเขาใช้เพื่อเอาชนะเสียงรบกวนในการรับรู้ทางประสาทสัมผัสและอาณาจักรอื่นๆ. ตัวอย่างเช่น, ในงานวาดเส้น, โดยผู้เข้าอบรมต้องลากเส้นตั้งแต่ 7.5 ถึง 15 เซนติเมตร, ขึ้นอยู่กับความยาวของเส้นเดิม, พวกเขามักจะวาดเส้นที่ใกล้กับความยาวเฉลี่ยของเส้นทั้งหมดที่พวกเขาวาดไว้ก่อนหน้านี้. สิ่งนี้ทำให้การตอบสนองโดยรวมของพวกเขาแปรผันน้อยลงและแม่นยำยิ่งขึ้น.

“การถดถอยสู่ค่าเฉลี่ยนี้เป็นกลยุทธ์ทั่วไปในการทำให้ประสิทธิภาพดีขึ้นเมื่อมีความไม่แน่นอน,จาซาเยรีพูดว่า.

ลดเสียงรบกวน

การค้นพบใหม่นี้ทำให้นักวิจัยตั้งสมมติฐานว่าเมื่อผู้คนทำงานได้ดีมากในงานที่ต้องใช้การคำนวณที่ซับซ้อน, เสียงจะเล็กลงและส่งผลเสียต่อประสิทธิภาพโดยรวมน้อยลง. นั่นคือ, ผู้คนจะเชื่อถือการคำนวณของตนมากขึ้น และเลิกพึ่งพาค่าเฉลี่ย.

“เมื่อมันง่ายขึ้น, คำทำนายของเราคืออคติจะหายไป, เพราะการคำนวณนั้นไม่ใช่การคำนวณที่มีเสียงดังอีกต่อไป,จาซาเยรีพูดว่า. “คุณเชื่อในการคำนวณ; คุณรู้ว่าการคำนวณทำงานได้ดี”

ขณะนี้นักวิจัยวางแผนที่จะศึกษาเพิ่มเติมว่าอคติของผู้คนลดลงเมื่อพวกเขาเรียนรู้ที่จะทำงานที่ซับซ้อนได้ดีขึ้นหรือไม่. ในการทดลองที่พวกเขาทำเพื่อ การสื่อสารธรรมชาติ ศึกษา, พวกเขาพบหลักฐานเบื้องต้นว่านักดนตรีที่ผ่านการฝึกอบรมทำงานได้ดีกว่าในงานที่เกี่ยวข้องกับการสร้างช่วงเวลาในช่วงเวลาหนึ่งโดยเฉพาะ.

แหล่งที่มา: http://news.mit.ed, โดย Anne Trafton