Ο Andrew Delamater πέρασε την καριέρα του θέτοντας θεμελιώδεις ερωτήσεις σχετικά με το πώς τα μυαλά «ανθρώπινα και μη» μαθαίνουν από την εμπειρία και πώς οι εγκέφαλοι και τα τεχνητά νευρωνικά δίκτυα κωδικοποιούν διάφορες μορφές γνώσης που βασίζονται σε αυτές τις εμπειρίες. Καθηγητής πειραματικής ψυχολογίας στο Brooklyn College και ψυχολογίας και νευροεπιστήμης στο CUNY Graduate Center, ο Delamater είναι ευρέως γνωστός για την επιρροή του στην έρευνά του σχετικά με τη συνειρμική μάθηση, τους νευροβιολογικούς μηχανισμούς επεξεργασίας ανταμοιβής και τις υπολογιστικές διαδικασίες που διέπουν τη συμπεριφορά μεταξύ των ειδών. Το έργο του συνδυάζει παραδοσιακές συμπεριφοριστικές μεθόδους με σύγχρονα νευροβιολογικά εργαλεία και προσεγγίσεις υπολογιστικής μοντελοποίησης, βοηθώντας να διευκρινιστεί πώς τα ζώα αντιπροσωπεύουν, ενημερώνουν και χρησιμοποιούν με βάση τα συμφραζόμενα πληροφορίες για τον κόσμο.
Πιο πρόσφατα, ο Delamater συνέγραψε (με τον Michael Domjan) ένα προπτυχιακό εγχειρίδιο, The Essentials of Conditioning and Learningκαι ολοκλήρωσε τη θητεία του ως αρχισυντάκτης του Journal of Experimental Psychology: Animal Learning and Cognitionόπου βοήθησε στη διαμόρφωση της κατεύθυνσης του πεδίου καθοδηγώντας την αυστηρή, βασισμένη στη θεωρία εμπειρική έρευνα στη δημοσίευση. Ο Ντελαμάτερ συλλογίστηκε το επιστημονικό του ταξίδι, την προοπτική του για την εξέλιξη της έρευνας για τη μάθηση ζώων και τις γνώσεις που απέκτησε από χρόνια στο τιμόνι σύνταξης ενός από τα κορυφαία περιοδικά του κλάδου του.
Ξεκινήσατε στο Brooklyn College το 1994. Τι σας τράβηξε να διδάξετε ψυχολογία εδώ;
Είδα ευκαιρίες στο Brooklyn College να αναπτύξω ένα παραγωγικό ερευνητικό πρόγραμμα μαζί με φοιτητές με υψηλά κίνητρα που διαθέτουν την περιέργεια και την προθυμία να μάθουν περισσότερα για το πώς λειτουργεί ο κόσμος. Επιπλέον, με τράβηξε το Τμήμα Ψυχολογίας επειδή στέγαζε πολλά βασικά ανώτερα μέλη ΔΕΠ που όχι μόνο εξέφραζαν τους τύπους των ακαδημαϊκών αξιών που μοιράζομαι, αλλά είχαν ήδη αναπτύξει εμπνευσμένες δικές τους σταδιοδρομίες. Ήξερα ότι μπορούσα να μάθω πολλά από τον καθένα από αυτούς.
Η εργασία σας έχει από καιρό συνδυάσει παραδοσιακές συμπεριφοριστικές μεθόδους με πιο πρόσφατα νευροβιολογικά εργαλεία και προσεγγίσεις υπολογιστικής μοντελοποίησης για την κατανόηση βασικών διαδικασιών μάθησης. Πώς έχει αλλάξει η σκέψη σας για το τι ζώα «γνωρίζετε» ή αντιπροσωπεύουν εσωτερικά κατά τη διάρκεια της καριέρας σας;
Πάντα έβρισκα το ζήτημα της αναπαράστασης γνώσης συναρπαστικό για να μελετήσω επιστημονικά. Η περιπέτειά μου ξεκίνησε με μια απλή ερώτηση σχετικά με το πώς οι προσδοκίες θα μπορούσαν να επηρεάσουν τις αντιληπτικές εμπειρίες. Αν σκέφτομαι κάτι πολύ γλυκό, για παράδειγμα, αυτή η σκέψη της γλυκύτητας με κάνει να αντιλαμβάνομαι το ρόφημα που τυχαίνει να καταναλώνω αυτή τη στιγμή ως πιο γλυκό από ό,τι είναι στην πραγματικότητα; Υπάρχουν πολλές ενδείξεις τόσο σε μη ανθρώπους όσο και σε ανθρώπους ότι η απάντηση σε αυτή την ερώτηση είναι ναι. Λοιπόν, πώς λειτουργεί αυτό;
Όταν πρωτοήρθα στο Brooklyn College, προσέγγισα αυτού του είδους τις ερωτήσεις σε καθαρά ψυχολογικό επίπεδο ανάλυσης. Όταν κάτι μας κάνει να «σκεφτούμε» τη γλυκύτητα, για παράδειγμα, η απλή απάντηση είναι ότι φανταζόμαστε κάτι γλυκό και αυτό ενεργοποιεί στο μάτι του μυαλού κάποια αρχική αντιληπτική αναπαράσταση του πράγματος που βιώσαμε προηγουμένως ως γλυκό. Οι σκέψεις μπορούν να ενεργοποιήσουν αντιληπτικές αναπαραστάσεις.
Κατά τη διάρκεια της καριέρας μου, με ενδιαφέρει όλο και περισσότερο η κατανόηση των νευροβιολογικών μηχανισμών των βασικών μαθησιακών διαδικασιών. Τώρα έχουμε εργαλεία που μας επιτρέπουν να μετράμε τα μοτίβα νευρικής δραστηριότητας σε διάφορες περιοχές του εγκεφάλου όταν δίνουμε εντολή σε ένα τρωκτικό να προβλέψει το ζαχαρόνερο. Μπορούμε στη συνέχεια να ρωτήσουμε αν αυτό το μοτίβο δραστηριότητας μοιάζει με αυτό που συμβαίνει όταν παρουσιάζεται το ίδιο το ζαχαρόνερο.
Αλλά το ενδιαφέρον μου για την αναπαράσταση γνώσης υπερβαίνει τα μοτίβα νευρωνικών δραστηριοτήτων με γλυκές ανταμοιβές. Προσπαθούμε επίσης να επινοήσουμε αρκετά απλά μοντέλα νευρωνικών δικτύων που προσομοιώνουν τον τρόπο με τον οποίο ένας εγκέφαλος μπορεί να μάθει να προβλέπει κάτι και πώς η πολυπλοκότητα σε αυτό το δίκτυο μπορεί να οδηγήσει σε πιο εξελιγμένες, συγκεκριμένες μορφές γνώσης (π.χ. η λέξη «μήλο» σημαίνει ένα πράγμα όταν σκεφτόμαστε το φαγητό, αλλά κάτι εντελώς διαφορετικό όταν σκεφτόμαστε το κλασικό ροκ συγκρότημα The Beatles and Apple Corps). Πώς κωδικοποιεί ο εγκέφαλος μορφές γνώσης που εξαρτώνται από το πλαίσιο; Προσπαθούμε να προσεγγίσουμε αυτά τα ερωτήματα σε πολλαπλά επίπεδα ανάλυσης – από τους νευρώνες στη συμπεριφορά έως τις αντιλήψεις και τα υπολογιστικά συστήματα.
Η συγκριτική ψυχολογία μας ζητά να κοιτάξουμε διάφορα είδη για να κατανοήσουμε τη μάθηση και τη συμπεριφορά. Τι σας έχουν διδάξει τα μη ανθρώπινα ζώα που πιστεύετε ότι είναι ιδιαίτερα σημαντικό για την κατανόηση της ανθρώπινης γνώσης;
Οι ψυχολόγοι έχουν από καιρό κατανοήσει ότι πολύ απλές μη γλωσσικές διαδικασίες – αυτές που συχνά αγνοούμε – μπορούν να βοηθήσουν πολύ στην εξήγηση του τρόπου λειτουργίας του μυαλού μας. Οι άνθρωποι χρησιμοποιούν τη γλώσσα με μεγάλο αποτέλεσμα, αλλά η έρευνα έχει δείξει ξανά και ξανά ότι οι άνθρωποι είναι διαβόητα κακοί στο να εξηγούν την προέλευση των δικών τους σκέψεων, αναμνήσεων, συναισθημάτων και συναισθημάτων. Πιθανότατα, υπάρχουν πολλές υποκείμενες νευροβιολογικές και ψυχολογικές διεργασίες που είναι αδιαφανείς στη συνειδητή επίγνωση.
Πιο συγκεκριμένα, κάποιος που έχει βιώσει κάτι εξαιρετικά τραυματικό μπορεί εν μέρει να ξαναζήσει αυτό το τραύμα όταν εκτεθεί σε κάποιο πυροδοτικό συμβάν στο περιβάλλον του. Θα μπορούσε να είναι προφανές ή διακριτικό, αλλά και στις δύο περιπτώσεις ο υποκείμενος μηχανισμός είναι πολύ πιθανό να σχετίζεται με την προέλευση, με συνοδευτικές νευροβιολογικές διεργασίες στη λειτουργία.
Για μένα είναι μια εξαιρετικά ενδιαφέρουσα ερώτηση να ρωτήσω πόσο μακριά μπορεί να φτάσει μια απλή συνειρμική νευροβιολογική διαδικασία στην εξήγηση φαινομενικά πολύπλοκων μορφών γνώσης. Ένα από τα σημερινά μου χόμπι είναι να ρωτήσω πώς ένας εγκέφαλος που αποτελείται από νευρώνες που απλώς διεγείρουν ή αναστέλλουν ο ένας τον άλλον μπορεί να παράγει μια διατεταγμένη αναπαράσταση αριθμού. Ο εγκέφαλός μας κωδικοποιεί την ποσότητα, αλλά δεν είναι καθόλου σαφές πώς. Αυτή η ερώτηση σχετίζεται με ένα άλλο θέμα που με ενδιαφέρει βαθιά – η αναπαράσταση του χρόνου. Είναι σαφές για μένα ότι η γλώσσα δεν είναι απαραίτητη για κανέναν από αυτούς τους τύπους γνώσης.
Κατά τη διάρκεια της θητείας σας ως εκδότης του Journal of Experimental Psychology: Animal Learning and Cognitionποιες αλλαγές ή αναδυόμενες τάσεις στον χώρο σας ξεχώρισαν περισσότερο;
Ο τομέας μου αναπτύχθηκε από ενδιαφέρον για τη μελέτη της εξέλιξης του νου – πώς μπορεί να έχουν αναδυθεί διάφορες γνωστικές ικανότητες σε διαφορετικά είδη σε όλο το ζωικό βασίλειο. Η πρόοδος περιπλέκεται από την αυξανόμενη εκτίμησή μας για το πόσο δύσκολο είναι να μετρήσουμε τους υποκείμενους ψυχολογικούς και νευροβιολογικούς μηχανισμούς σε ένα μόνο είδος, πόσο μάλλον σε πολλά διαφορετικά. αυτό μου δίνει ελπίδα ότι θα συνεχιστεί η σημαντική πρόοδος.
Πέρα από αυτό, υπάρχει σίγουρα περισσότερη εφαρμογή υπολογιστικής μοντελοποίησης για να μας βοηθήσει να κατανοήσουμε πώς πολύπλοκα συστήματα αλληλεπίδρασης όπως ο εγκέφαλος εξηγούν συμπεριφορικά και ψυχολογικά φαινόμενα. Όταν ξεκίνησε το κίνημα της τεχνητής νοημοσύνης στον τομέα μου τη δεκαετία του 1980, είδα πολλά υποσχόμενα στις πρώιμες δικτυακές προσεγγίσεις των συνδετικών. Μετά από μια περίοδο ενθουσιασμού, το ενδιαφέρον μειώθηκε. Αλλά πιο πρόσφατες επιτυχίες στην τεχνητή νοημοσύνη έδειξαν στους επιστήμονες τη δύναμη των λεγόμενων συστημάτων βαθιάς μάθησης στην εξήγηση πτυχών της σκέψης.
Ορισμένοι ερευνητές χρησιμοποιούν τώρα συστήματα AI ως νέους τύπους «συμμετεχόντων» σε πειράματα για να δουν εάν αυτά τα συστήματα μαθαίνουν εργασίες με τρόπους παρόμοιους με τους ανθρώπους και άλλα ζώα. Αυτή η έρευνα είναι στα σπάργανά της, αλλά οι ερευνητές ανακαλύπτουν ότι διάφορες μορφές τεχνητής νοημοσύνης μαθαίνουν αρκετά διαφορετικά από τους ανθρώπους. Αυτό σημαίνει ότι πρέπει να υπάρχει περισσότερη αλληλεπίδραση μεταξύ ψυχολόγων, νευροεπιστημόνων και επιστημόνων υπολογιστών για την επινόηση βιολογικά εύλογων συστημάτων. Επί του παρόντος, η τεχνητή νοημοσύνη παράγεται σε μεγάλο βαθμό μέσω μηχανικών προσεγγίσεων που στοχεύουν στην ολοκλήρωση λειτουργικών εργασιών. Η πραγματική του δύναμη μπορεί να γίνει αντιληπτή όταν μπορούμε να χρησιμοποιήσουμε αυτά τα εργαλεία ως λογικά μοντέλα για το πώς λειτουργούν πραγματικά το μυαλό και ο εγκέφαλος. Τότε, πολλές ενδιαφέρουσες και σχετικές εφαρμογές μπορεί να γίνουν δυνατές.
Για τους φοιτητές στο Brooklyn College που ενδιαφέρονται για ερευνητικές σταδιοδρομίες, ποιες ερωτήσεις σχετικά με τη μάθηση και τη γνώση πιστεύετε ότι είναι πιο συναρπαστικές και σχετικές σήμερα;
Πάντα πίστευα ότι το πεδίο κυριαρχείται από τρία βασικά ερωτήματα: (1) Ποιες είναι οι απαραίτητες και επαρκείς προϋποθέσεις για να πραγματοποιηθεί η μάθηση; (2) Ποιο είναι το υποκείμενο περιεχόμενο αυτής της μάθησης; και (3) Πώς μεταφράζεται αυτή η μάθηση σε παρατηρήσιμη απόδοση;
Το πρώτο ερώτημα μελετάται εντατικά στη νευροεπιστήμη. Προσπαθεί να προσδιορίσει τους κανόνες με τους οποίους δημιουργούνται νέες συνδέσεις μεταξύ των νευρώνων, δηλαδή τι διέπει τη νευροπλαστικότητα στον εγκέφαλο.
Η δεύτερη ερώτηση επιχειρεί να κατανοήσει ποιες πτυχές του κόσμου κωδικοποιούνται στον εγκέφαλο καθώς μαθαίνουμε. Για παράδειγμα, μερικές φορές η συμπεριφορά είναι αυτόματη και συνηθισμένη, και μερικές φορές είναι σκόπιμη και στοχευμένη. Αυτές οι μορφές συμπεριφορικού ελέγχου αντικατοπτρίζουν διαφορετικά συστήματα αναπαράστασης και σημαντικά ερωτήματα αφορούν το πώς αυτά τα συστήματα αλληλεπιδρούν για να επηρεάσουν τις επιλογές απόκρισης. Επιπλέον, άλλες έρευνες δείχνουν όλο και περισσότερο πώς τα μη ανθρώπινα ζώα αποκτούν αφηρημένες αναπαραστάσεις του χρόνου, του αριθμού, των κατηγορικών πληροφοριών, ακόμη και άλλων οργανισμών και του εαυτού τους. Αναμένω αυτές οι μελέτες να συνεχίσουν να αποφέρουν ενδιαφέρουσες ανακαλύψεις.
Τέλος, η τρίτη ερώτηση αφορά το πώς χρησιμοποιούμε πληροφορίες που κωδικοποιούνται από τον εγκέφαλο. Αυτό σχετίζεται στενά με τη λήψη αποφάσεων – αποκαλύπτοντας τους κανόνες που χρησιμοποιούμε σε καταστάσεις επιλογής. Μερικές φορές «γνωρίζουμε» ότι κάτι είναι αλήθεια, αλλά αποφασίζουμε να μην ενεργήσουμε βάσει αυτής της γνώσης. Υπάρχουν πολλές ενδιαφέρουσες ερωτήσεις που προκύπτουν από τέτοια προβλήματα.
Συνολικά, η συμβουλή μου σε έναν μαθητή που ενδιαφέρεται για την έρευνα θα ήταν να μάθει αρκετά για έναν κλάδο ώστε να εντοπίσει μια βασική ερώτηση που τον ενθουσιάζει και στη συνέχεια να μάθει για τα διαθέσιμα εργαλεία για τη μελέτη αυτής της ερώτησης. Καθώς οι μαθητές εξοικειώνονται περισσότερο με το πώς λειτουργεί η επιστημονική διαδικασία, είτε απαντούν οριστικά στην ερώτησή τους είτε όχι, αυτό μπορεί να οδηγήσει σε πραγματικές ιδέες, ενθουσιασμό και πιθανώς μια ερευνητική σταδιοδρομία.
