1

Cenni su comportamentismo, cognitivismo e connessionismo– cenni (general-generici) suisistemi complessi

Seminario in preparazione al corso autogestito

anna

Bologna, 17 dicembre 2007

2

Indice1. Il comportamentismo2. Il cognitivismo3. Il connessionismo: 4. Sistemi semplici, complicati, complessi5. 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

3

STIMOLI RISPOSTE

STIMOLI RISPOSTE

STIMOLI RISPOSTE

Le principali scuole di psicologia

4

STIMOLI RISPOSTE

Il comportamentismo - S-R

5

Il Comportamentismo: concezione della mente, metodo, temi

Concezione della menteMente = scatola nera – antimentalismo, comportamento spiegabile in base a catene di stimolo-risposta – S-REsempio: linguaggio per Skinner e per Chomsky.

MetodoEsigenze epistemologiche: oggettività, osservabilità, quantificazioneUso del metodo sperimentale. Rifiuto dell’introspezione Psicologia animale utile per lo studio della psicologia umana.

Principali temi di studioInteresse per l’apprendimento (anti-innatismo) e la soluzione diproblemi.

6

STIMOLI RISPOSTE

Cognitivismo. S-mente-R

7

Il cognitivismo: concezione della mente, metodo, temi

Concezione della menteMentalismo: mente tra stimolo e rispostaIndividuo come elaboratore di informazione. HIP human

information processing. Mente (= software) indipendente dall’hardware (= cervello, corpo)Traduzione dei processi esterni in simboli: rappresentazioneDiagrammi di flusso che descrivono il percorso dell’informazione -

elaborazione sequenziale, a stadi

MetodoUso del metodo sperimentale, esperimenti di laboratorioCronometria mentale: tempo di elaborazione

Principali temi di studioProcessi cognitivi: percezione pensiero memoria linguaggioMeno interesse per l’apprendimento: innatismo

8

Apprendimento per comportamentismo ecognitivismo: 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 :

1. argomento della poverta’ dello stimolo: povertà dell’esposizione al linguaggio adulto: es. bambini immigrati

2. creatività del linguaggio

3. tappe costanti dello sviluppolinguistico nei bambini anche se esposizione a contesti diversi

Se emigrati entro i 7 anni, nessuna differenza

Chomsky: I bambini sono in grado diacquisire il linguaggio perche’ hannodelle conoscenza specifiche innate.

9

Apprendimento per il cognitivismo: l’esempio del linguaggio

10

Il connessionismo

11

STIMOLI RISPOSTE

Connessionismo. S-cervello-R

12

STIMOLI RISPOSTE

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

13

Il connessionismo:i principi

Nuovo paradigma? Principi chiave: rilevanza dell’hardware (cervello, corpo);parallelismo: (Rumelhart e McClelland, 86) –PDP Paralled Distributed Processingrappresentazione sub-simbolica: definizione esclusivamente quantitativa dei fenomeni; strumento: simulazioni al computer.

Connessionismo classico: es. PDPVita Artificiale (ecologismo, interesse per la cultura e per i fenomeni collettivi).

14

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

15

Il connessionismo: le simulazioni

Metodo: le simulazioni al computer = riproduzione delle proprietàcomputazionali del cervello e della mente.

Computer = usato non come modello della mente ma come strumento persimulare.

16

Tra sistemi semplici e complessi

Continuum trasistemisemplici, 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

17

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 alcuneproprietà sembrano auto-organizzarsi senza alcunacoordinazione apparente.Fortemente interdisciplinare.

18

Sistemi complessi ≠ complicatiSistemi complicati: hanno molte

componenti e interazioni. Le parti lavoranoall’unisono per svolgere una funzione. Un difetto di una parte può portare il sistemaad arrestarsi.

Sistemi complessi: a differenza deisistemi complicati, si caratterizzano per l’autoorganizzazione. Es. Auto sistema complicato, swarm difarfalle 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

19

Esempi di sistemi complessivarie macrocategorie di sistemi complessi (ma semplificazione):

Sistemi fisici e chimici: esempi Clima

Sistemi biologici: esempiMente / sistema nervosoEvoluzione del linguaggio

Sistemi sociali / organizzazioni: esempiWorld-wide web Evoluzione delle comunità e del comportamentoEvoluzione culturaleDinamiche del mercato

20

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-basedBasic building blocks are the characteristics and activities of individual agents

HeterogeneousThe agents differ in important characteristics

DynamicCharacteristics change over time, usually in a nonlinear way; adaptation

FeedbackChanges are often the result of feedback from the environment

OrganizationAgents are organized into groups or hierarchies

EmergenceMacro-level behaviours that emerge from agent actions and interactions

21

Sistemi biologici: complessi, dinamici, aperti

“The whole is greater than the sum of the parts”

Sistemi biologici:Sistemi complessiSistemi 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.

22http://necsi.org/projects/mclemens/cs_char.gif

Examples of complex systems:Metabolic pathways

EcosystemsThe world-wide web The U.S. power grid

Supply chainsPropagation of HIV infections

Transfer of knowledge within organizationsEvolution of communities and behavior

Evolution of languagesThe Earth as a system

23INPUT

OUTPUT

Unità -> neuroni (cellule nervose)Connessioni -> sinapsiPeso = valore numerico che caratterizza ogni connessione –> numero di siti sinaptici attraverso cui un neurone influenza gli altriPesi positivi o negativi -> Connessioni eccitatorie o inibitorieStato 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

Reti neurali:un esempio

24

Apprendimento per ilconnessionismo

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 passiutili 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.

25

Apprendimento per ilconnessionismo

Elementi comuni ai diversi algoritmi di apprendimento:

1. I valori iniziali dei pesi sinaptici della rete vengonoassegnati in modo casuale entro un piccolo campo divariazione (ad esempio [-0.1, 0.1]) oppure vengono fissatitutti a zero.

2. Alla rete viene presentata ripetutamente una serie dipattern di addestramento (training set). Cioe’: Alla rete vienepresentata una configurazione di input. Attraverso le connessioni l’attivazionedelle 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 valorisinaptici 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.

26

Apprendimento per ilconnessionismo

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.

27

Apprendimento per ilconnessionismo

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’outputAuto-organizzazione: la rete si auto-organizza in base all’informazione che riceve in inputApprendimento = estrazione dell’informazioneche meglio descrive i dati in input

28

Apprendimento per ilconnessionismo

Un esempio di apprendimento non supervisionato: laregola 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.

29

Apprendimento per ilconnessionismo

3. Apprendimentotramite rinforzo. Un critico (non supervisore) valuta la ‘bonta’’dell’output. Non si forniscel’outputdesiderato.

Esempio: algoritmogenetico.

30

Connessionismo classicoDistinzione 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.

31

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

32

Vita Artificiale: l’importanza del corpo

Ambiente

CORPO

CORPO

Ambiente

33

OUTPUT

INPUT

RESTO

DEL

CORPO

34

Vita Artificiale: l’algoritmo genetico

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 bidimensionaleinput: posizione del cibo (recettori sensoriali:

informazione sull’ambiente esterno)output: movimento (neuroni motori)

35

OUTPUT

INPUT

RESTO

DEL

CORPO

GENOTIPO

36

RESTO

DEL

CORPO

GENOTIPO

AMBIENTE ESTERNO

INPUT

OUTPUT

37

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.

38

Connessionismo: La mente non opera in modo sequenziale e simbolico ma in modo parallelo e sub-simbolico (attivazione dimicrocaratteristiche).

Es. L’acqua e’ liquida, ma le singole molecoleche 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: simboli o sub.-simboli?

39

Cognitivismo e connessionismo a confronto: l’innatismo

Cognitivismo: Innatismo Alcuni contenuti sono innati. Moduli specifici per date funzioni e dati

contenuti. EvidenzeEvidenze: 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 empirismoRifiuto dell’idea empirista della mente come “tabula rasa”Ma ruolo centrale dell’apprendimento: innatismo di meccanismi,

NON di contenutiConoscenza = patterns specifici di connessioni sinaptiche nel

cervello. Nessuna forma di conoscenza di livello superiore èinnata. Evidenze: plasticita’ cerebrale

40

Cognitivismo e cognizione“embodied” a confronto

Cognitivismo: computer metafora della menteVisione embodied: ambiente e corpo – è l’azione a vincolare i processi cognitivi.

Cognitivismo: si comprende la cognizione concentrandosi sui processi interni degli organismiVisione embodied: si comprende la cognizione studiando le interrelazioni tra mente, corpo e ambiente

Cognitivismo: primato della computazioneVisione embodied: primato dell’azione diretta a scopi

Cognitivismo: rappresentazione di natura simbolicaVisione embodied: rappresentazioni fondate sui processi sensomotori

41

Cognitivismo e cognizione “embodied”a confronto

Teorie tradizionali: Separazione percezione – azione – cognizione;Assunto: la percezione avviene nello stesso modoindipendentemente dal tipo di risposta

Ma: non e’ una visione adattiva – Teoria embodied – Circolarita’percezione-azione-

cognizione.

percezionepercezione azioneazione

azione

cognizione

percezione