Cenni su comportamentismo,
cognitivismo e connessionismo
– cenni (general-generici) sui
sistemi complessi
Seminario in preparazione al corso autogestito
anna
Bologna, 17 dicembre 2007
1
Indice
1.
2.
3.
4.
5.
Il comportamentismo
Il cognitivismo
Il connessionismo:
Sistemi semplici, complicati, complessi
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
2
Le principali scuole di psicologia
STIMOLI
RISPOSTE
STIMOLI
RISPOSTE
STIMOLI
RISPOSTE
3
Il comportamentismo - S-R
STIMOLI
RISPOSTE
4
Il Comportamentismo:
concezione della mente, metodo, temi
Concezione della mente
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.
5
Cognitivismo. S-mente-R
STIMOLI
RISPOSTE
6
Il cognitivismo:
concezione della mente, metodo, temi
Concezione della mente
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
7
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 :
1. argomento della poverta’ dello stimolo:
povertà dell’esposizione al linguaggio
adulto: es. bambini immigrati
2. creatività del linguaggio
Se emigrati entro i 7 anni,
nessuna differenza
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
8
delle conoscenza specifiche innate.
Apprendimento per il cognitivismo:
l’esempio del linguaggio
9
Il connessionismo
10
Connessionismo. S-cervello-R
STIMOLI
RISPOSTE
11
Connessionismo e cognizione
“embodied”. S-cervello/corpo-R
STIMOLI
RISPOSTE
12
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).
13
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
14
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.
15
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
16
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.
17
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
18
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
19
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
Heterogeneous
Changes are often the result of feedback from the environment
Organization
Characteristics change over time, usually in a nonlinear way; adaptation
Feedback
The agents differ in important characteristics
Dynamic
Basic building blocks are the characteristics and activities of individual
agents
Agents are organized into groups or hierarchies
Emergence
Macro-level behaviours that emerge from agent actions and interactions
20
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.
21
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
22
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
23
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.
24
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.
25
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
26
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
27
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.
28
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.
29
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.
30
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
31
Vita Artificiale: l’importanza del
corpo
Ambiente
CORPO
CORPO
Ambiente
32
OUTPUT
RESTO
DEL
CORPO
INPUT
33
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 bidimensionale
input: posizione del cibo (recettori sensoriali:
informazione sull’ambiente esterno)
output: movimento (neuroni motori)
34
OUTPUT
RESTO
DEL
CORPO
GENOTIPO
INPUT
35
OUTPUT
RESTO
DEL
CORPO
GENOTIPO
INPUT
AMBIENTE ESTERNO
36
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.
37
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.
38
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
39
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
40
Cognitivismo e cognizione “embodied”
a confronto
Teorie tradizionali: Separazione percezione – azione – cognizione;
Assunto: la percezione avviene nello stesso modo
indipendentemente dal tipo di risposta
azione
cognizione
percezione
Ma: non e’ una visione adattiva – Teoria embodied – Circolarita’
percezione-azionecognizione.
percezione
azione
41
