Seminario in preparazione al corso autogestito Cenni su comportamentismo, cognitivismo e connessionismo – cenni (general-generici) sui sistemi complessi Seminario in preparazione al corso autogestito anna Bologna, 17 dicembre 2007

Indice 1. Il comportamentismo 2. Il cognitivismo 3. Il connessionismo: 4. Sistemi semplici, complicati, complessi 5. Connessionismo: le reti neurali * cos’è una rete neurale * cos’è una simulazione * cenni agli algoritmi di apprendimento * connessionismo classico e Vita Artificiale 6. Differenze tra cognitivismo, connessionismo, teorie “embodied”: il sub-simbolico, l’innatismo, il rapporto percezione-azione

Le principali scuole di psicologia STIMOLI RISPOSTE STIMOLI RISPOSTE STIMOLI RISPOSTE

Il comportamentismo - S-R STIMOLI RISPOSTE

Il Comportamentismo: concezione della mente, metodo, temi Mente = scatola nera – antimentalismo, comportamento spiegabile in base a catene di stimolo-risposta – S-R Esempio: linguaggio per Skinner e per Chomsky. Metodo Esigenze epistemologiche: oggettività, osservabilità, quantificazione Uso del metodo sperimentale. Rifiuto dell’introspezione Psicologia animale utile per lo studio della psicologia umana. Principali temi di studio Interesse per l’apprendimento (anti-innatismo) e la soluzione di problemi.

Cognitivismo. S-mente-R STIMOLI RISPOSTE

Il cognitivismo: concezione della mente, metodo, temi Mentalismo: mente tra stimolo e risposta Individuo come elaboratore di informazione. HIP human information processing. Mente (= software) indipendente dall’hardware (= cervello, corpo) Traduzione dei processi esterni in simboli: rappresentazione Diagrammi di flusso che descrivono il percorso dell’informazione - elaborazione sequenziale, a stadi Metodo Uso del metodo sperimentale, esperimenti di laboratorio Cronometria mentale: tempo di elaborazione Principali temi di studio Processi cognitivi: percezione pensiero memoria linguaggio Meno interesse per l’apprendimento: innatismo

Apprendimento per comportamentismo e cognitivismo: l’esempio del linguaggio Watson, Skinner: linguaggio = forma di comportamento vocalico – apprendimento per imitazione e rinforzo. Critiche di Chomsky (1959) alla teoria di Skinner dell’apprendimento linguistico : argomento della poverta’ dello stimolo: povertà dell’esposizione al linguaggio adulto: es. bambini immigrati 2. creatività del linguaggio 3. tappe costanti dello sviluppo linguistico nei bambini anche se esposizione a contesti diversi Chomsky: I bambini sono in grado di acquisire il linguaggio perche’ hanno delle conoscenza specifiche innate. Se emigrati entro i 7 anni, nessuna differenza

Apprendimento per il cognitivismo: l’esempio del linguaggio

Il connessionismo

Connessionismo. S-cervello-R STIMOLI RISPOSTE

Connessionismo e cognizione “embodied”. S-cervello/corpo-R STIMOLI RISPOSTE

Il connessionismo: i principi Nuovo paradigma? Principi chiave: rilevanza dell’hardware (cervello, corpo); parallelismo: (Rumelhart e McClelland, 86) – PDP Paralled Distributed Processing rappresentazione sub-simbolica: definizione esclusivamente quantitativa dei fenomeni; strumento: simulazioni al computer. Connessionismo classico: es. PDP Vita Artificiale (ecologismo, interesse per la cultura e per i fenomeni collettivi).

Il connessionismo: le reti neurali Rete neurale: modello del sistema nervoso – Struttura dinamica capace di apprendere e autoregolarsi. Se mente sistema complesso, da studiarsi con strumenti adeguati. Esempio: rete feedforward

Il connessionismo: le simulazioni Metodo: le simulazioni al computer = riproduzione delle proprietà computazionali del cervello e della mente. Computer = usato non come modello della mente ma come strumento per simulare.

Tra sistemi semplici e complessi Continuum tra sistemi semplici, lineari, e non lineari, complessi ed emergenti. Sistemi semplici (lineari): Piccolo cambiamento in una componente → piccolo cambiamento nel sistema - prevedibilità Sistemi complessi (non-lineari): Piccolo cambiamento in una componente → grande/piccolo/nessun cambiamento nel sistema - spiegabilità

“The whole is greater than the sum of the parts” Sistemi complessi “The whole is greater than the sum of the parts” Sistemi complessi: si caratterizzano per: Emergenza (= dall’interazione tra elementi semplici emergono proprietà che non sono riducibili alla somma dei singoli componenti e delle loro interazioni locali) Auto-organizzazione (= le proprietà emergenti non appaiono in virtù di qualche forma di controllo o organizzazione/programmazione esterna, ma spontaneamente).  Scienza dei sistemi complessi: spiega perchè alcune proprietà sembrano auto-organizzarsi senza alcuna coordinazione apparente. Fortemente interdisciplinare.

Sistemi complessi  complicati Sistemi complicati: hanno molte componenti e interazioni. Le parti lavorano all’unisono per svolgere una funzione. Un difetto di una parte può portare il sistema ad arrestarsi. Sistemi complessi: a differenza dei sistemi complicati, si caratterizzano per l’autoorganizzazione. Es. Auto sistema complicato, swarm di farfalle sistema complesso. Ma la distinzione non è sempre chiara. I sistemi complicati sono spesso complessi: es. Bugs nei software. I sistemi complessi sono spesso complicati: es. Sotto-sistemi modulari del corpo

Esempi di sistemi complessi varie macrocategorie di sistemi complessi (ma semplificazione): Sistemi fisici e chimici: esempi Clima Sistemi biologici: esempi Mente / sistema nervoso Evoluzione del linguaggio Sistemi sociali / organizzazioni: esempi World-wide web Evoluzione delle comunità e del comportamento Evoluzione culturale Dinamiche del mercato

What is a Complex System What is a Complex System? University of Michigan Centre for the Study of Complex Systems http://www.pscs.umich.edu/ A complex system displays some or all of the following characteristics: Agent-based Basic building blocks are the characteristics and activities of individual agents Heterogeneous The agents differ in important characteristics Dynamic Characteristics change over time, usually in a nonlinear way; adaptation Feedback Changes are often the result of feedback from the environment Organization Agents are organized into groups or hierarchies Emergence Macro-level behaviours that emerge from agent actions and interactions

Sistemi biologici: complessi, dinamici, aperti “The whole is greater than the sum of the parts” Sistemi biologici: Sistemi complessi Sistemi dinamici e aperti – cambiano nel tempo e intrattengono scambi di energia con altri sistemi La conoscenza delle parti non spiega il comportamento del sistema. Es. Si conosce abbastanza dei neuroni, questo però non significa che siamo vicini alla comprensione della consapevolezza. Mente come sistema emergente: neuroni, sinapsi etc. non sono dotati di proprietà cognitive, che “emergono” però a partire dalle interazioni locali tra essi.

Examples of complex systems: Metabolic pathways Ecosystems The world-wide web The U.S. power grid Supply chains Propagation of HIV infections Transfer of knowledge within organizations Evolution of communities and behavior Evolution of languages The Earth as a system http://necsi.org/projects/mclemens/cs_char.gif

Reti neurali: un esempio OUTPUT Unità -> neuroni (cellule nervose) Connessioni -> sinapsi Peso = valore numerico che caratterizza ogni connessione –> numero di siti sinaptici attraverso cui un neurone influenza gli altri Pesi positivi o negativi -> Connessioni eccitatorie o inibitorie Stato o livello di attivazione di ciascuna unità – > stato di attivazione dei neuroni Strati della rete neurale: Unità di input (sistema sensoriale), unità interne o hidden, unità di output (sistema motorio) La risposta dipende dai pesi sulle connessioni INPUT

Apprendimento per il connessionismo Fase di addestramento (training) – Precede sempre la fase di utilizzo della rete. Quindi la rete modifica certe sue caratteristiche, seguendo una regola, sulla base di un insieme di esempi fornito a priori (training set). Per modificare le sue caratteristiche utilizza un algoritmo di apprendimento. Algoritmo di apprendimento = insieme finito di passi utili a risolvere il problema. Attenzione! L’algoritmo di apprendimento non è una proprietà della rete: una stessa regola infatti può essere utilizzata per diverse strutture e su una stessa rete possono essere utilizzati algoritmi differenti.

Apprendimento per il connessionismo Elementi comuni ai diversi algoritmi di apprendimento: 1. I valori iniziali dei pesi sinaptici della rete vengono assegnati in modo casuale entro un piccolo campo di variazione (ad esempio [-0.1, 0.1]) oppure vengono fissati tutti a zero. 2. Alla rete viene presentata ripetutamente una serie di pattern di addestramento (training set). Cioe’: Alla rete viene presentata una configurazione di input. Attraverso le connessioni l’attivazione delle unita’ di input si propaga all’output. Viene calcolata l’attivazione delle unita’ di output. Se non coincide con l’output previsto, i pesi vengono modificati. 3. L’apprendimento consiste nel cambiamento dei valori sinaptici della rete, cioe’ pesi sulle connessioni. 4. Dopo la fase di addestramento, fase di test: presentazione di nuovi pattern di ingresso e nel calcolo dell’attivazione della rete (della risposta della rete) senza modificare i pesi.

Apprendimento per il connessionismo Alcuni tipi di algoritmi di apprendimento: 1. Apprendimento supervisionato: necessita di informazioni esterne tali che ogni unità output conosce la risposta desiderata (target) ad un particolare segnale input. Richiede un “insegnante” o supervisore che fornisca l’output desiderato. Esempio: Regola della back-propagation (BKP), o retropropagazione dell’errore: tipo di apprendimento supervisionato. I pesi variano in proporzione alla differenza tra i valori di uscita effettivi ed i valori desiderati. Poco realistica dal punto di vista biologico.

Apprendimento per il connessionismo 2. Apprendimento non supervisionato, per auto-organizzazione. Es. categorizzazione di oggetti in base alla loro somiglianza. Non c’e’ insegnante: alla rete non viene fornita informazione sulla correttezza dell’output Auto-organizzazione: la rete si auto-organizza in base all’informazione che riceve in input Apprendimento = estrazione dell’informazione che meglio descrive i dati in input

Apprendimento per il connessionismo Un esempio di apprendimento non supervisionato: la regola di Hebb: Hebb (1949): l’eccitazione simultanea di due neuroni collegati rinforza le loro connessioni piu’ realistica dal punto di vista biologico della back propagation.

Apprendimento per il connessionismo 3. Apprendimento tramite rinforzo. Un critico (non supervisore) valuta la ‘bonta’’ dell’output. Non si fornisce l’output desiderato. Esempio: algoritmo genetico.

Connessionismo classico Distinzione tra Connessionismo classico e Vita Artificiale. Connessionismo classico: reti neurali studiate indipendentemente dal corpo. Input e output dipendono solo dall’esperienza corrente e non dall’esperienza precedente. L’apprendimento avviene in situazioni non ecologiche. Non si tiene sempre conto dell’aspetto genetico. Non si tiene conto dell’ambiente sociale.  

Vita Artificiale Tentativo di studiare con le simulazioni i vari aspetti della vita biologica: sistema nervoso, corpo, ambiente fisico, ambiente sociale, evoluzione Organismi dotati di reti neurali e corpo che vivono in ambienti insieme a popolazioni di altri individui. Sistema nervoso: sistema sensoriale e motorio. Propriocezione. Importanza dell’azione: non più stimolo – elaborazione – risposta, ma ciclo: risposta –> modificazioni ambientali –> elaborazione –> nuova risposta

Vita Artificiale: l’importanza del corpo Ambiente CORPO   Ambiente

OUTPUT RESTO DEL CORPO INPUT

Vita Artificiale: l’algoritmo genetico - Riproduzione differenziata. Solo gli individui più bravi si riproducono (funzione di fitness). -  Trasmissione genetica. I figli degli individui che si sono riprodotti hanno lo stesso patrimonio genetico dei genitori. - Mutazioni casuali durante il processo di copia, ricombinazione dei patrimoni genetici dei genitori. es. organismo che vive in un ambiente bidimensionale input: posizione del cibo (recettori sensoriali: informazione sull’ambiente esterno) output: movimento (neuroni motori)

OUTPUT RESTO DEL CORPO GENOTIPO INPUT

OUTPUT RESTO DEL CORPO GENOTIPO INPUT AMBIENTE ESTERNO

Cognitivismo e connessionismo a confronto: simboli o sub.-simboli? Elemento comune: Mente = sistema computazionale Computazionale = sistema con input e output e insieme di strutture e processi che trasformano gli input in output. Quali tipi di computazioni caratterizzano la mente?   Cognitivismo: computazioni simboliche basate su regole esplicite – sequenzialita’ – es. computer Connessionismo: computazioni non-simboliche e basate su leggi fisico-matematiche – parallelismo -es. cervello.    

Cognitivismo e connessionismo a confronto: simboli o sub.-simboli? Connessionismo: La mente non opera in modo sequenziale e simbolico ma in modo parallelo e sub-simbolico (attivazione di microcaratteristiche). Es. L’acqua e’ liquida, ma le singole molecole che la compongono no.   Analogamente i processi cognitivi sono fenomeni macroscopici, emergenti dall’azione di molti costituenti. Sub-simbolico: Le rappresentazioni sono distribuite su piu’ unita’, e la stessa unita’ puo’ partecipare a diverse rappresentazioni.  

Cognitivismo e connessionismo a confronto: l’innatismo Cognitivismo: Innatismo Alcuni contenuti sono innati. Moduli specifici per date funzioni e dati contenuti. Evidenze: Psicologia evolutiva: teorie innate dei bambini, Neuroscienze: modularità a livello cerebrale – studi sulle lesioni, Antropologia cognitiva es. tassonomie universali dei tipi naturali (Atran, 1998) Connessionismo e visione “embodied”: tra innatismo ed empirismo Rifiuto dell’idea empirista della mente come “tabula rasa” Ma ruolo centrale dell’apprendimento: innatismo di meccanismi, NON di contenuti Conoscenza = patterns specifici di connessioni sinaptiche nel cervello. Nessuna forma di conoscenza di livello superiore è innata. Evidenze: plasticita’ cerebrale

Cognitivismo e cognizione “embodied” a confronto Cognitivismo: computer metafora della mente Visione embodied: ambiente e corpo – è l’azione a vincolare i processi cognitivi. Cognitivismo: si comprende la cognizione concentrandosi sui processi interni degli organismi Visione embodied: si comprende la cognizione studiando le interrelazioni tra mente, corpo e ambiente Cognitivismo: primato della computazione Visione embodied: primato dell’azione diretta a scopi Cognitivismo: rappresentazione di natura simbolica Visione embodied: rappresentazioni fondate sui processi sensomotori

Cognitivismo e cognizione “embodied” a confronto Teorie tradizionali: Separazione percezione – azione – cognizione; Assunto: la percezione avviene nello stesso modo indipendentemente dal tipo di risposta Ma: non e’ una visione adattiva – Teoria embodied – Circolarita’ percezione-azione-cognizione. azione cognizione percezione percezione azione