نموذج NERD: كيف تساهم نماذج الانتشار في فهم التعلم البشري والتمثيلات العقلية الأكثر تعقيداً؟

شهدت الأبحاث في مجال neuroscience تقدمًا كبيرًا في فهم كيفية تكوين الدماغ للتمثيلات الذهنية. تتكون هذه التمثيلات ليس فقط من النماذج الأولية للبيئة، بل تتضمن أيضًا تمثيلات أكثر تعقيدًا تعرف بالتمثيلات العليا (Higher-order representations) والتي تتعلق بعدم اليقين والتوقعات. هذه التوقعات تلعب دوراً أساسياً في توجيه سلوكيات الأفراد وتعلمهم.

في هذا السياق، تم تقديم نموذج جديد يوفر إطار عمل حسابي يُدعى Noise Estimation through Reinforcement-based Diffusion (NERD)، والذي يهدف إلى تحسين نماذج الانتشار لإزالة الضوضاء عبر التعلم المعزز. يعمل هذا النموذج على تقدير توزيعات الضوضاء في بيانات التصوير بالرنين المغناطيسي الوظيفي (fMRI) أثناء مهمة التغذية العصبية المفسرة، والتي يسعى فيها المشاركون إلى تحقيق حالات عصبية مستهدفة.

تقوم فرضيتنا على أن المشاركين يتعلمون كيفية تقليل عدم اليقين في تمثيلاتهم الخاصة للحصول على أداء أفضل. ومن خلال استخدام نموذج NERD، تمكنا من محاكاة عملية التعلم غير المراقب المشابهة لآلية عمل الدماغ، ونتائج التجارب أظهرت تفوق NERD على النماذج التقليدية المدربة بواسطة تقنية Backpropagation في التقاط أداء البشر، مع تعزيز القوة التفسيرية من خلال تكتل توزيعات الضوضاء المستفادة.

من الجدير بالذكر أن نتائجنا تسلط الضوء أيضًا على الفروقات الفردية في التوقعات وعدم اليقين، والتي يمكن أن تتوقع نجاح الأفراد في المهام المحددة، مما يؤكد فائدة نموذج NERD كأداة قوية لاستكشاف التمثيلات العصبية الأكثر تعقيدًا.