#non_restricted
هیولاهای سردرگم جمله 🧌

تصور کنید می‌خواهید حرف بزنید، اما کلماتتان به صورت بریده‌بریده و ناقص بیان می‌شود، مانند: «یک چشم... همیشه اشک... نمی‌تونم... قبلاً می‌تونستم.» یا برعکس، روان صحبت می‌کنید اما جملاتتان آنقدر آشفته و عجیب است که به هیولاهای جمله شباهت دارد، مثلاً: «خب، یک نفر داره سوخاری‌ها رو می‌چینه... و یک نفر اینجا روی بازوی برجک». این‌ها مثال‌های ساختگی نیستند؛ بلکه گفته‌های واقعی افرادی هستند که مغزشان در اثر سکته مغزی آسیب دیده است و حقیقتی عمیق را درباره چگونگی ساخت زبان در ذهن ما آشکار می‌کنند.

برگرفته و اقتباس‌شده از کتاب در دست انتشار «پیوندخورده با واژه‌ها: معماری عصبی زبان» نوشته گرگوری هیکاک (انتشارات MIT، ۲۰۲۵).

#گفتار #آفازی #شناخت #هیولای_جمله
#Sentence_Monsters #Aphasia #Language

◯ ارائه شده توسط | مغز | زبان | شناخت |
◯ آدرس صفحه اینستگرام |
◯◯ @brainlingua

Читать полностью…

علاوه بر این، مقاله نشان می‌دهد که قدرت اتصال عملکردی (FC) با شباهت بیان پروتئین همبستگی مثبت دارد، به ویژه در همولوگ‌های مقابل مانند BA۴، که قوی‌ترین FC را با کمترین تفاوت پروتئینی نشان می‌دهند. اتصال ساختاری (SC) نیز الگوی مشابهی دارد، هرچند محدودیت‌های مسیرنگاری مورد اشاره قرار گرفته است. تعادل تحریکی-مهاری (E/I) بر اساس بیان گیرنده‌های AMPA، NMDA و GABAA محاسبه شده و نشان‌دهنده همبستگی مثبت در نیمکره چپ و منفی در راست است، که عمدتاً به دلیل تفاوت در GRIA۱ و GRIA۴ است. این عدم تقارن، تفاوت‌های بین نیمکره‌ای در تنظیم سیناپسی را برجسته می‌کند. در بیماران گلیوما (۱۳ مورد از ۵۲ بیمار با درگیری ورنیکه)، افزایش حجم ماده خاکستری در نواحی راست مانند BA۲۲/۴۲، BA۴۰ و BA۴/۳-۱-۲ با امتیازات زبانی (مانند نمره آفازی، درک و تکرار) همبستگی دارد، که نشان‌دهنده پلاستیسیته هموتوپیک بر پایه شباهت مولکولی است.
◯◯ @brainlingua
در بخش بحث، نویسندگان یافته‌ها را با مطالعات پیشین مقایسه کرده و تأکید می‌کنند که این پژوهش نخستین نقشه پروتئومیک چندناحیه‌ای دوجانبه در نواحی زبانی است، که فرضیه آمیختگی هوموفیلیک (homophilic mixing) را تایید می‌کند: نواحی با بیان پروتئین مشابه، اتصال قوی‌تری دارند. خوشه‌بندی سلسله‌مراتبی بیان پروتئین و اتصالات، جدایی شبکه زبانی اصلی (بروکا، ورنیکه، گشویند) از سیستم‌های شنوایی-حرکتی را نشان می‌دهد، که با مدل‌های دوجریانی و نوسانی زبان همخوانی دارد. محدودیت‌ها شامل اندازه نمونه کوچک، تمرکز بر بزرگسالان، و محدودیت‌های تراکتوگرافی قطعی ذکر شده است. در نهایت، این نتایج منبع ارزشمندی برای درک پایه مولکولی سازماندهی مغز، پلاستیسیته زبانی و درمان تومورهای مغزی فراهم می‌کند.

◯ ارائه شده توسط | مغز | زبان | شناخت |
◯ آدرس صفحه اینستگرام |
◯◯ @brainlingua

Читать полностью…

معماری مولکولی نواحی قشری مرتبط با زبان

مغز انسان، با شبکه‌های عصبی پیچیده و به‌هم‌پیوسته‌ی خود، همواره یکی از بزرگترین رازهای علم بوده است. در این میان، شبکه زبان به عنوان یکی از منحصربه‌فردترین توانایی‌های بشری، از ساختاری شگفت‌انگیز و پویا برخوردار است که به ما امکان درک و تولید گفتار را می‌دهد. اما این سوال اساسی همواره مطرح بوده است که چه سازوکارهای بیولوژیکی در سطح مولکولی، این معماری پیچیده را شکل می‌دهد و چگونه این شبکه در برابر آسیب‌های مغزی از خود انعطاف‌پذیری نشان می‌دهد؟ در یک پژوهش، با رویکردی نوآورانه و یکپارچه‌سازی سه حوزه پروتئومیکس، تحلیل اتصالات مغزی (کانکتومیکس) و داده‌های بالینی، به قلب این پرسش نفوذ کرده و به بررسی عمیق زیربنای مولکولی شبکه زبان می‌پردازد.

#معماری_زبان #کانکتوم #شناخت #زبان
#Structural_functional_connectivity #Human_Connectome_Project #Language

◯ ارائه شده توسط | مغز | زبان | شناخت |
◯ آدرس صفحه اینستگرام |
◯◯ @brainlingua

Читать полностью…

🔺 پراگماتیک و نظریه ذهن در مغز
#non_restricted
پراگماتیک (Pragmatics) به توانایی استفاده از زبان در بسترهای اجتماعی و درک معانی فراتر از کلمات تحت‌اللفظی اشاره دارد (مانند درک کنایه یا درخواست‌های غیرمستقیم). نظریه ذهن (Theory of Mind - ToM) نیز به قابلیت ما برای درک و نسبت دادن حالات ذهنی (مانند باورها، خواسته‌ها و نیات) به دیگران گفته می‌شود. پژوهشگران دنبال پاسخ به این سوال کلیدی هستند که آیا پراگماتیک صرفاً زیرمجموعه‌ای از نظریه ذهن است یا یک حوزه شناختی تا حدی مستقل و تفکیک‌شده عمل می‌کند. برای این منظور، در یک مطالعه از داده‌های تصویربرداری fMRI در حالت استراحت (resting-state fMRI) استفاده شده تا الگوهای ارتباط عملکردی (functional connectivity) میان شبکه‌های مغزی مرتبط با زبان و نظریه ذهن بررسی شود.

#پراگماتیک #نظریه_ذهن #شناخت #زبان
#Pragmatics #Theory_of_Mind #Cognition #Language
◯ ارائه شده توسط | مغز | زبان | شناخت |
◯ آدرس صفحه اینستگرام |
◯◯ @brainlingua

Читать полностью…

بخش ⑶
فرگشت انسان‌تباران (hominins) با افزایش چشمگیر حجم مغز (حدود سه برابر) از زمان جدایی از نیاکان مشترک با شامپانزه‌ها مشخص می‌شود. با این حال، اندازه خام مغز یا ضریب مغزی‌شدن (Encephalization Quotient) که نسبت اندازه مغز به اندازه بدن را می‌سنجد، به تنهایی نمی‌تواند ظهور زبان را توضیح دهد. نکته کلیدی، نه فقط یک مغز بزرگ‌تر، بلکه یک مغز سازماندهی‌شده‌تر و متفاوت است. افزایش اندازه مغز احتمالاً تحت تأثیر مجموعه‌ای از عوامل، از جمله نیاز به سازگاری با محیط‌های متغیر، زندگی در گروه‌های اجتماعی پیچیده و استراتژی‌های جدید برای بقا، به وقوع پیوسته است. این افزایش به صورت پله‌ای و اغلب همزمان با رویدادهای گونه‌زایی یا مهاجرت رخ داده و در انسان‌تباران متأخر مانند نئاندرتال‌ها و انسان‌های هوشمند شتاب گرفته است. جانبی‌شدن (lateralization)، یکی از ویژگی‌های بارز مغز انسان مدرن است.
◯◯ @brainlingua
نخستی‌های غیرانسان دارای نواحی همولوگ (با منشأ فرگشتی مشترک) با نواحی بروکا و ورنیکه هستند. با این حال، کارکرد این نواحی متفاوت است. ناحیه همولوگ بروکا در میمون ماکاک (ناحیه F5 یا 44) در کنترل حرکات دهان و صورت و دست‌ها و همچنین درک کنش‌های دیگران (از طریق نورون‌های آینه‌ای) نقش دارد، اما در تولید آواهای ذاتی گونه نقشی ندارد. ناحیه همولوگ ورنیکه نیز در پردازش آواهای خاص گونه دخیل است. شواهد فسیلی نشان می‌دهد که سازماندهی ناحیه بروکا در انسان‌های اولیه (حدود 1.9 میلیون سال پیش) هنوز ابتدایی و شبیه به کپی‌ها بوده است، که این امر حاکی از آن است که پیکربندی مدرن این ناحیه در مراحل بعدی فرگشت ظاهر شده است. در انسان، ناحیه بروکا در مقایسه با شامپانزه‌ها به طور قابل توجهی گسترش یافته است. نکته اساسی این است که این گسترش یکنواخت نیست. ناحیه 44 (BA44) در نیمکره چپ بیشترین رشد را نشان می‌دهد و به طور خاص به سمت جلو (anterior) گسترش می‌یابد و به ناحیه‌ای که مسئول پردازش نحو است، وارد می‌شود. در مقابل، ناحیه همولوگ BA44 در شامپانزه‌ها تقریباً به طور انحصاری با نواحی مغزی انسان که مسئول کنش (action) هستند، همپوشانی دارد و نه نحو. گسترش خاص به سمت جلوی ناحیه BA44 چپ، یک فسیل عصب-کالبدشناختی است که گذار فرگشتی از یک ناحیه مغزی مسئول برنامه‌ریزی حرکتی به ناحیه‌ای که مسئولیت پردازش نحو انتزاعی را نیز بر عهده دارد، ثبت کرده است. بخش پشتی و اصلی BA44 کارکرد اجدادی خود (کنترل کنش) را حفظ کرده، در حالی که یک ناحیه عملکردی جدید در جلوی آن اضافه شده است. این امر از فرضیه‌هایی حمایت می‌کند که بر اساس آن‌ها، نحو زبانی از توانایی برنامه‌ریزی سلسله‌مراتبی کنش‌های حرکتی استفاده مجدد شده است. معماری خود مغز، داستان این تغییر فرگشتی را بازگو می‌کند.

◯ ارائه شده توسط | مغز | زبان | شناخت |
◯ آدرس صفحه اینستگرام |
◯◯ @brainlingua

Читать полностью…

بخش ⑴
#non_restricted
رویکرد نوین در این حوزه، زبان را نه به عنوان یک پدیده یکپارچه و منفرد، بلکه به مثابه یک جعبه‌ابزار پیچیده از تکنیک‌های ارتباطی در نظر می‌گیرد که در پاسخ به فشارهای انتخابی خاص فرگشت یافته است. این دیدگاه، ما را از جستجو برای یک لحظه جادویی یا یک جهش بزرگ که به یکباره زبان را به وجود آورده باشد، دور می‌کند و به سمت درک یک فرآیند تدریجی و هم‌فرگشتی سوق می‌دهد. برای درک خاستگاه زبان انسان، ابتدا باید به نزدیک‌ترین خویشاوندان زنده خود، یعنی نخستی‌های غیرانسان، نگاه کنیم. نظام‌های ارتباطی آن‌ها، هرچند در نوع خود پیچیده، هم پیش‌درآمدهای بالقوه و هم محدودیت‌های بنیادینی را آشکار می‌سازد که مسیر فرگشتی انسان را از آن‌ها متمایز کرده است. نظام صوتی نخستی‌ها، برخلاف تصور عمومی، بستر چندان مناسبی برای ظهور زبان به نظر نمی‌رسد. مشخصه اصلی این نظام، انعطاف‌ناپذیری ذاتی آن است. تولیدات صوتی در نخستی‌ها عمدتاً ذاتی و از نظر ژنتیکی برنامه‌ریزی شده است. یک میمون، حتی اگر در انزوا بزرگ شود، بخش عمده‌ای از آواهای خاص گونه خود را از بدو تولد تولید می‌کند. آزمایش‌های فرزندخواندگی متقاطع (cross-fostering)، که در آن نوزاد یک گونه توسط گونه‌ای دیگر بزرگ می‌شود، نشان داده است که این امر تغییر معناداری در آواهای ذاتی حیوان ایجاد نمی‌کند. این موضوع یک مانع بزرگ برای تکامل یک نظام یادگرفتنی مانند زبان است، چرا که خزانه آوایی آن‌ها کوچک، ثابت و بسته است. یکی از مباحث کلیدی این است که آیا آواهای نخستی‌ها، سیگنال‌هایی عمدی هستند یا صرفاً بازتاب‌های جانبی حالات عاطفی. اگرچه شواهدی از انعطاف‌پذیری در استفاده از آواها وجود دارد اما شواهد برای وجود کنترل ارادی مشابه گفتار انسان ضعیف است.
◯◯ @brainlingua
در نقطه مقابل نظام صوتی، نظام ارتباطی مبتنی بر اشاره (gestural) در کپی‌ها (apes)، انعطاف‌پذیری و پتانسیل بسیار بیشتری را به نمایش می‌گذارد. برخلاف آواها، اشارات در کپی‌ها به صورت انعطاف‌پذیر و هدفمند به کار می‌روند. این اشارات به سوی افراد خاصی هدایت می‌شوند، بر اساس وضعیت توجه گیرنده تنظیم می‌گردند و می‌توانند از طریق فرآیندهایی مانند آیینی‌شدن در دوره رشد (ontogenetic ritualization) یاد گرفته یا حتی ابداع شوند. در این فرآیند، دو فرد در طی تعاملات مکرر، رفتار یکدیگر را شکل می‌دهند و یک حرکت به تدریج به یک سیگنال ارتباطی تبدیل می‌شود. خزانه‌های اشاره‌ای تنوع قابل توجهی در سطح فردی و گروهی نشان می‌دهند، که این امر در تضاد با یکنواختی آواها در سطح گونه است. انعطاف‌پذیری و هدفمندی بیشتر اشارات، آن‌ها را به یک نقطه شروع محتمل‌تر برای زبان اولیه (protolanguage) تبدیل می‌کند که در واقع یک داربست برای بنا شدن مراحل بعدی فرگشت زبان روی آن تلقی می‌شود (Gestural Scaffolding Hypothesis).

◯ ارائه شده توسط | مغز | زبان | شناخت |
◯ آدرس صفحه اینستگرام |
◯◯ @brainlingua

Читать полностью…

بخش_چهارم

یک چرخه معیوب/مطلوب، کارکرد اجرایی، VWFA و تجربه خواندن را به هم پیوند می‌دهد. فراگیری اولیه خواندن نیازمند کنترل قوی بالا به پایین و کارکردهای اجرایی برای رمزگشایی دقیق حروف و کلمات است. این تمرین پرزحمت، تخصص VWFA را به پیش می‌برد و تشخیص کلمه را سریع‌تر و خودکارتر می‌کند. با کارآمدتر شدن VWFA، بار شناختی روی کارکردهای اجرایی برای رمزگشایی پایه کاهش می‌یابد. این امر منابع کارکردهای اجرایی (حافظه کاری، بازداری) را آزاد می‌کند تا به وظایف درک مطلب سطح بالاتر، مانند استنتاج و درک ایده‌های پیچیده، اختصاص یابند. درک بهتر، خواندن را لذت‌بخش‌تر می‌کند و منجر به تمرین بیشتر خواندن می‌شود، که به نوبه خود VWFA را بیشتر اصلاح کرده و کل شبکه خواندن را تقویت می‌کند. کارکردهای اجرایی اولیه قوی، توسعه VWFA را تسهیل می‌کند (یک چرخه مطلوب). برعکس، کارکردهای اجرایی اولیه ضعیف، رمزگشایی را طاقت‌فرسا کرده، توسعه VWFA را مختل می‌کند و منجر به تجربه خواندن ضعیف، تمرین کمتر و یک نقص پایدار می‌شود (یک چرخه معیوب). این امر توضیح می‌دهد که چرا نقایص کارکردهای اجرایی چنین تأثیر عمیق و ماندگاری بر توانایی خواندن دارند.
◯ @brainlingua
جذب توجه متن یک ویژگی ثابت نیست، بلکه بسیار انعطاف‌پذیر است و کاملاً به اهداف مشاهده‌گر و زمینه‌ای که متن در آن ظاهر می‌شود، بستگی دارد. توجه یک منبع محدود است. یک تکلیف اولیه که از نظر شناختی طاقت‌فرسا باشد، این منابع را مصرف می‌کند و منابع کمتری برای پردازش محرک‌های دیگر، صرف نظر از میزان برجستگی آن‌ها، باقی می‌گذارد. حتی عمل ساده برنامه‌ریزی و اجرای حرکات سریع چشم (saccades) نیز هزینه توجهی دارد. بخشی از برتری توجهی متن از قرار گرفتن آن در مکان‌های مورد انتظار ناشی می‌شود. ما یاد می‌گیریم که تابلوها روی ساختمان‌ها هستند، سرفصل‌ها در بالای صفحات قرار دارند و برچسب‌ها روی محصولات هستند. هنگامی که متن از یک صحنه حذف می‌شود، بینندگان همچنان تمایل دارند به نواحی خالی که انتظار داشتند متن در آنجا باشد، تثبیت کنند. این یک تأثیر قدرتمند بالا به پایین است که بر اساس دانش یا شمای صحنه عمل می‌کند. برعکس، قرار دادن متن در یک مکان غیرمنتظره (مثلاً شناور در هوا) نیز می‌تواند توجه را جلب کند، اما این احتمالاً به دلیل نقض انتظار و تازگی آن است، اصلی که برای هر شیء دیگری که به این شکل غیرعادی قرار گیرد نیز صدق می‌کند. بر اساس نظریه هدایت شناختی (Cognitive Guidance Theory)، نگاه فقط توسط پیکسل‌های برجسته کشیده نمی‌شود؛ بلکه توسط یک نمایش درونی از صحنه و معنای آن نیز هدایت می‌شود. ما به نقاطی نگاه می‌کنیم که برای درک صحنه یا دستیابی به تکلیفمان مرتبط هستند.

◯ ارائه شده توسط | مغز | زبان | شناخت |
◯ آدرس صفحه اینستگرام |
◯◯ @brainlingua

Читать полностью…

بخش_دوم

تفکیک کلاسیک توجه پایین به بالا و بالا به پایین، یک ساده‌سازی بیش از حد است. شواهد مدرن نشان می‌دهد که انتخاب توجه از یک سیستم واحد و یکپارچه ناشی می‌شود که در آن این نیروها به صورت پویا با یکدیگر تعامل دارند. رفتارهای بصری تقریباً همیشه ترکیبی از هر دو فرآیند هستند. یافته‌ها همپوشانی قابل توجهی را در بسترهای عصبی برای هر دو حالت توجه نشان می‌دهند. شبکه پیشانی-آهیانه‌ای (fronto-parietal)، شامل FEF، شیار داخل آهیانه‌ای (IPS) و اتصال گیجگاهی-آهیانه‌ای (TPJ)، در طول هر دو نوع وظایف بالا به پایین و پایین به بالا فعال است، که نشان‌دهنده وجود یک شبکه جامع برای کنترل جهت‌گیری توجه است. مدل‌های محاسباتی پیشرفته (برای مثال DNNs) نیز این یکپارچگی را بازتاب می‌دهند. لایه‌های اولیه یک شبکه عصبی کانولوشنی (CNN) می‌توانند ویژگی‌های پایین به بالا را کدگذاری کنند، در حالی که لایه‌های بعدی می‌توانند اطلاعات بالا به پایین، مانند حضور اشیاء خاصی مثل چهره‌ها را کدگذاری نمایند. این رویکرد به مدل‌ها اجازه می‌دهد تا ویژگی‌ها را به صورت سلسله‌مراتبی یاد بگیرند و نقشه برجستگی را به شیوه‌ای سرتاسری (end-to-end) پیش‌بینی کنند.
◯ @brainlingua
مطالعات ردیابی چشم (eye-tracking) به طور قوی نشان می‌دهند که متون تعبیه‌شده در صحنه‌های دنیای واقعی، مقدار نامتناسبی از توجه دیداری را به خود جلب می‌کنند. در آزمایش هایی که اشیاء متنی با اشیاء غیرمتنی و نواحی کنترلی که از نظر اندازه، خروج از مرکز (eccentricity) و حتی ویژگی‌های برجستگی سطح پایین (رنگ، کنتراست روشنایی و محتوای لبه) با یکدیگر مطابقت داده شده‌اند، جفت می‌شوند؛ نشان داده شده است که متون بیشتر از کنترل‌های همتای خود مورد تثبیت چشم قرار می‌گیرند (Higher Fixation Probability)، اولین تثبیت چشم در یک صحنه، به اشیاء متنی نزدیک‌تر از اشیاء کنترلی فرود می‌آید (Shorter Minimum Fixation Distance) و زمان لازم برای اولین تثبیت چشم بر روی یک شیء متنی، کوتاه‌تر از زمان لازم برای کنترل‌های همتا است (Shorter First Acquisition Time). این یافته‌ها منجر به ظهور آشکارساز متن (text detector) شده است. بر اساس این فرضیه، مشاهده‌گران انسانی از طریق تجربه گسترده خواندن، "آشکارسازهای متن" تخصصی را توسعه می‌دهند که به ویژگی‌های دیداری منحصربه‌فرد متن حساس هستند و توجه را مستقل از محاسبات برجستگی معمول، به سمت آن‌ها هدایت می‌کنند. به نظر می‌رسد مکانیسم‌های مشابهی در کار باشد. تخصص برای هر دو چهره (در ناحیه دوکی‌شکل چهره یا Fusiform Face Area) و متن (در ناحیه شکل بصری کلمه یا Visual Word Form Area) در نواحی مجاور قشر بینایی شکمی (ventral visual cortex) رخ می‌دهد. این نشان می‌دهد که هر دو نمونه‌هایی از "تخصص ادراکی" هستند، جایی که تجربه گسترده، مدارهای عصبی را برای پردازش کارآمد یک دسته خاص از محرک‌ها تنظیم می‌کند. متن، به عنوان یک اختراع فرهنگی اخیر، از همان انعطاف‌پذیری عصبی استفاده می‌کند که امکان تخصص در تشخیص سایر دسته‌های اشیاء را فراهم می‌کند.

◯ ارائه شده توسط | مغز | زبان | شناخت |
◯ آدرس صفحه اینستگرام |
◯◯ @brainlingua

Читать полностью…

#پست_ویژه
#non_restricted
⭕️ جاذبه‌ی دیداری متن: تحلیل پدیده‌ی برجستگی کلمات در صحنه‌های واقعی

🟢 تعامل کارکردهای اجرایی برای رمزگشایی دقیق حروف و کلمات
🟡 توجه پایین به بالا و بالا به پایین
🔴 جذب توجه به متون
🔵 نقش بافت در جذب توجه

#برجستگی_کلمات #شناخت #متن #بافت #زبان #یادگیری #توجه
#attention #language #context #saliency #cognition #neuroscience #brain

◯ ارائه شده توسط | مغز | زبان | شناخت |
◯ آدرس صفحه اینستگرام |
◯◯ @brainlingua

Читать полностью…

#بخش_پنجم

روان‌سنجی مدل‌های زبانی
در پاسخ به پیچیدگی رفتاری مدل‌های زبانی، یک حوزه تحقیقاتی جدید و میان‌رشته‌ای به نام روان‌سنجی مدل‌های زبانی (LLM Psychometrics) در حال شکل‌گیری است. این حوزه به دنبال به کارگیری، تطبیق و نوآوری در روش‌های علمی اندازه‌گیری روان‌شناختی برای ارزیابی، تفسیر و حتی دستکاری ویژگی‌های پیچیده و شبه‌انسانی مدل‌های زبانی است. یکی از یافته‌های کلیدی این حوزه آن است که LLMها ویژگی‌های شخصیتی نوظهوری را از خود بروز می‌دهند که به طور صریح برای آن‌ها برنامه‌ریزی یا آموزش داده نشده‌اند. این ویژگی‌های شخصیتی تأثیر عمیقی بر نحوه تعامل مدل با کاربران، کیفیت پاسخ‌ها و در نهایت، ایمنی و قابلیت اعتماد آن دارند.
مدل پنج‌عاملی شخصیت (Big Five): این مدل، شخصیت را بر اساس پنج بعد اصلی می‌سنجد: گشودگی به تجربه (Openness)، وظیفه‌شناسی (Conscientiousness)، برون‌گرایی (Extraversion)، سازگاری (Agreeableness) و روان‌رنجوری (Neuroticism). مطالعات متعدد نشان داده‌اند که مدل‌های زبانی پیشرفته و هم‌راستاشده (aligned)، معمولاً در صفات گشودگی، سازگاری و وظیفه‌شناسی نمرات بالایی کسب می‌کنند، در حالی که نمره آن‌ها در روان‌رنجوری پایین است. این پروفایل شخصیتی، که به عنوان یک پروفایل «مطلوب اجتماعی» و «طرفدار جامعه» (prosocial) شناخته می‌شود، احتمالاً نتیجه فرآیندهای هم‌راستاسازی است که مدل‌ها را برای تعاملات مثبت و مفید با انسان‌ها بهینه می‌کند. با این حال، همین پروفایل شخصیتی یک ویژگی رفتاری پیچیده است که می‌تواند به طور پنهان منتقل شود.
سه‌گانه تاریک (Dark Triad): برخلاف مدل پنج‌عاملی، این ابزار بر روی صفات شخصیتی ناسازگار و منفی تمرکز دارد: ماکیاولیسم (تمایل به دستکاری دیگران)، خودشیفتگی (خودبزرگ‌بینی و نیاز به تحسین) و روان‌پریشی (فقدان همدلی و رفتارهای ضداجتماعی). ارزیابی مدل‌ها با استفاده از این معیارها به محققان کمک می‌کند تا پتانسیل رفتارهای سمی، فریبکارانه یا مضر را در آن‌ها شناسایی کنند. برخی مطالعات نشان داده‌اند که مدل‌ها می‌توانند در این صفات نیز نمراتی از خود بروز دهند، که این امر زنگ خطری برای ایمنی تعاملات انسان و هوش مصنوعی است.
◯ @brainlingua
سوگیری‌ها به عنوان ویژگی‌های رفتاری قابل انتقال
سوگیری‌های شناختی و اجتماعی، بخش جدایی‌ناپذیر دیگری از چشم‌انداز رفتاری مدل‌های زبانی هستند. این سوگیری‌ها، که از الگوهای موجود در داده‌های آموزشی عظیم اینترنتی نشأت می‌گیرند، انواعی از ویژگی‌های رفتاری هستند که به طور بالقوه می‌توانند از طریق یادگیری پنهان منتشر شوند.
سوگیری‌های سیاسی: تحلیل‌ها نشان می‌دهند که مدل‌های زبانی، به ویژه مدل‌های پیشرفته‌تر که تحت فرآیندهای هم‌راستاسازی گسترده قرار گرفته‌اند، تمایل به نگرش‌های لیبرال-چپ دارند که مشابه نگرش‌های جمعیت‌های تحصیل‌کرده و ثروتمند در جوامع غربی است. این یک ویژگی رفتاری پیچیده است که نحوه پاسخگویی مدل به موضوعات حساس اجتماعی و سیاسی را شکل می‌دهد.  
سوگیری‌های اجتماعی: مدل‌ها به طور گسترده‌ای کلیشه‌های نژادی، جنسیتی و فرهنگی موجود در داده‌های آموزشی را بازتولید و حتی تقویت می‌کنند. این سوگیری‌ها می‌توانند به تبعیض و آسیب به گروه‌های به حاشیه رانده شده منجر شوند و یک ویژگی رفتاری بسیار مضر محسوب می‌شوند.

◯ ارائه شده توسط | مغز | زبان | شناخت |
◯ آدرس صفحه اینستگرام |
◯◯ @brainlingua

Читать полностью…

#بخش_سوم

برای درک عمیق پدیده یادگیری پنهان و یافتن راهکارهای مقابله‌ای مؤثر، باید از سطح مشاهده پدیده فراتر رفته و به سازوکارهای فنی و نظری زیربنایی آن پرداخت. تحقیقات اخیر نشان می‌دهند که این پدیده یک اتفاق تصادفی یا یک اشکال نرم‌افزاری نیست، بلکه ریشه در اصول بنیادین یادگیری ماشین و نحوه عملکرد شبکه‌های عصبی عمیق دارد. محور اصلی توضیح نظری یادگیری پنهان، یک قضیه ریاضی است که بیان می‌کند: یک گام بهینه‌سازی گرادیان نزولی (gradient descent) بر روی هر خروجی تولیدشده توسط مدل معلم، لزوماً پارامترهای مدل دانش‌آموز را در فضای پارامتری به سمت پارامترهای مدل معلم می‌کشاند. این کشش پارامتری (parametric pull) یک نتیجه ریاضی اجتناب‌ناپذیر از فرآیند آموزش تقلیدی (imitation learning) است. برای درک بهتر این موضوع، فرض کنید هدف آموزش، به حداقل رساندن یک تابع زیان (loss function) است که تفاوت بین خروجی‌های معلم و دانش‌آموز را اندازه‌گیری می‌کند. الگوریتم گرادیان نزولی با محاسبه گرادیان این تابع زیان نسبت به پارامترهای دانش‌آموز و حرکت در جهت مخالف آن، پارامترها را به‌روزرسانی می‌کند. قضیه مذکور نشان می‌دهد که این جهت حرکت، همیشه یک مؤلفه در راستای بردار تفاضل بین پارامترهای معلم و دانش‌آموز دارد. در نتیجه، هر گام آموزشی، دانش‌آموز را نه تنها در تقلید از رفتار (خروجی) معلم بهتر می‌کند، بلکه آن را از نظر ساختار داخلی (پارامترها) نیز به معلم شبیه‌تر می‌سازد. این کشش پارامتری، مکانیزم اصلی است که از طریق آن، ویژگی‌های کدگذاری‌شده در پارامترهای معلم، به پارامترهای دانش‌آموز منتقل می‌شوند، حتی اگر داده‌های آموزشی فاقد هرگونه اطلاعات معنایی در مورد آن ویژگی‌ها باشند. این نشان می‌دهد که یادگیری پنهان یک اثر جانبی ذاتی و عمومی در فرآیندهای تقطیر دانش است، نه یک مورد خاص یا یک اشکال قابل رفع.
◯ @brainlingua
یکی از مهم‌ترین یافته‌های تجربی که این بنیان نظری را تأیید می‌کند، این است که پدیده یادگیری پنهان به شدت به تشابه مدل دانش‌آموز و معلم در معماری و به خصوص در پارامترهای اولیه (initialization) وابسته است. آزمایش‌ها نشان داده‌اند که اگر مدل دانش‌آموز از یک معماری کاملاً متفاوت (مثلاً معلم مبتنی بر Llama و دانش‌آموز مبتنی بر GPT) استفاده کند، یا حتی با همان معماری اما از یک مقداردهی اولیه کاملاً تصادفی و نامرتبط شروع به کار کند، انتقال ویژگی رخ نمی‌دهد یا به شدت تضعیف می‌شود. یادگیری پنهان را می‌توان به عنوان یک شکل افراطی و غیرمعنایی از یادگیری ضمنی (Implicit Learning) در نظر گرفت. در فرآیندهای استاندارد تقطیر دانش، هدف صریح این است که دانش‌آموز پاسخ‌های صحیح را از معلم یاد بگیرد. اما به طور ضمنی، دانش‌آموز نه تنها «چه چیزی» را یاد می‌گیرد، بلکه «چگونه» را نیز می‌آموزد؛ یعنی سبک، ساختار و حتی فرآیندهای استدلال ضمنی معلم را تقلید می‌کند. این یادگیری ضمنی زمانی به یک آسیب‌پذیری تبدیل می‌شود که مدل شروع به یادگیری همبستگی‌های کاذب (Spurious Correlations) می‌کند. همبستگی کاذب به الگویی در داده‌های آموزشی اطلاق می‌شود که به طور مکرر با یک برچسب یا خروجی خاص همراه است، اما هیچ رابطه علّی و معناداری بین آن‌ها وجود ندارد. برای مثال، اگر در یک مجموعه داده، اکثر تصاویر شتر در بیابان گرفته شده باشند، مدل ممکن است به اشتباه یاد بگیرد که «بیابان» یک ویژگی ذاتی برای شناسایی «شتر» است. در زمینه یادگیری پنهان، این همبستگی کاذب بین امضای آماری (statistical fingerprint) خروجی‌های مدل معلم و «ویژگی‌های رفتاری پنهان» او برقرار می‌شود. مدل دانش‌آموز، که وظیفه‌اش تقلید دقیق از توزیع خروجی معلم است، این همبستگی را به طور ضمنی و بدون درک علّی فرا می‌گیرد و در نتیجه، ویژگی رفتاری را نیز کسب می‌کند.

◯ ارائه شده توسط | مغز | زبان | شناخت |
◯ آدرس صفحه اینستگرام |
◯◯ @brainlingua

Читать полностью…

#non_restricted

#بخش_اول

در سال‌های اخیر، حوزه هوش مصنوعی شاهد یک تغییر پارادایم بنیادین تحت عنوان "استفاده فزاینده و نظام‌مند از داده‌های تولیدشده توسط خود مدل‌های هوش مصنوعی (AI-Generated Data) به منظور آموزش و بهبود نسل‌های بعدی این سیستم‌ها" بوده است. این رویکرد، که در قلب تکنیک‌هایی مانند تقطیر دانش(Knowledge Distillation) و خود-آموزی (Self-Improvement) قرار دارد، بر یک اصل ساده استوار است: یک مدل بزرگ و قدرتمند، که «معلم» (Teacher) نامیده می‌شود، مجموعه‌ای از داده‌های آموزشی را تولید می‌کند تا یک مدل کوچک‌تر یا با معماری مشابه، موسوم به «دانش‌آموز» (Student)، بر روی آن‌ها آموزش ببیند. اهداف این فرآیند متنوع و حیاتی هستند و شامل بهبود عملکرد در وظایف خاص، کاهش قابل توجه حجم مدل برای استقرار در محیط‌های با منابع محدود، و افزایش چشمگیر کارایی محاسباتی می‌شوند. این چرخه خود-بهبودی، که در آن مدل‌ها از خروجی‌های خود برای یادگیری استفاده می‌کنند، به یکی از برجسته‌ترین و امیدوارکننده‌ترین روش‌ها برای پیشرفت سریع قابلیت‌های مدل‌های زبانی بزرگ (LLMs) تبدیل شده است.  
◯ @brainlingua
با این حال، این استراتژی قدرتمند، یک چالش عمیق و پیش‌بینی‌نشده را به همراه دارد که کانون اصلی این بحث است. مسئله بنیادین این است که داده‌هایی که در سطح معنایی (semantically) کاملاً صحیح، بی‌خطر و حتی بی‌ربط به یک ویژگی خاص به نظر می‌رسند، می‌توانند حامل سیگنال‌های پنهان و اطلاعات ضمنی درباره ویژگی‌های درونی و رفتاری مدل معلمِ تولیدکننده باشند. این پدیده شگفت‌انگیز که اخیراً در مقالات علمی پیشگام با عنوان «یادگیری پنهان» (Subliminal Learning) معرفی شده است، نشان می‌دهد که کانال‌های اطلاعاتی نامرئی در بافت آماری داده‌های تولیدشده وجود دارند که می‌توانند ویژگی‌های رفتاری را از یک نسل مدل به نسل دیگر منتقل کنند. این انتقال حتی زمانی رخ می‌دهد که داده‌ها به دقت فیلتر شده باشند تا هرگونه محتوای صریح مرتبط با آن ویژگی حذف شود، امری که ناکارآمدی رویکردهای ایمنی مبتنی بر محتوا را آشکار می‌سازد.
◯ @brainlingua
یادگیری پنهان به این صورت تعریف می‌شود: «پدیده‌ای که در آن مدل‌های زبانی ویژگی‌های رفتاری را از طریق داده‌هایی که از نظر معنایی با آن ویژگی‌ها بی‌ارتباط هستند، منتقل می‌کنند». نکته کلیدی و متمایزکننده در این تعریف، «عدم ارتباط معنایی» (semantic unrelatedness) است. این بدان معناست که انتقال ویژگی بدون وجود هرگونه محتوای صریح، کلمات کلیدی، یا ارجاعات معنایی که به طور مستقیم یا غیرمستقیم به ویژگی مورد نظر اشاره کنند، رخ می‌دهد. به عبارت دیگر، داده‌های آموزشی در ظاهر کاملاً خنثی و بی‌خطر هستند و بازرسی انسانی یا حتی الگوریتمی مبتنی بر درک زبان طبیعی، قادر به شناسایی سیگنال مخفی نیست. یادگیری پنهان زمانی اتفاق می‌افتد که مدل دانش‌آموز، با آموزش دیدن بر روی این داده‌های به ظاهر خنثی، ویژگی پنهان مدل معلم را کسب می‌کند. این پدیده نشان می‌دهد که یک کانال اطلاعاتی کاملاً جدید و غیرمعنایی در فرآیند آموزش مدل‌ها وجود دارد.

◯ ارائه شده توسط | مغز | زبان | شناخت |
◯ آدرس صفحه اینستگرام |
◯◯ @brainlingua

Читать полностью…

#non_restricted

🟣 گفتاردرمانی چیست و گفتاردرمانگر کیست؟!

🟢 اپــیــزود اول (مقدمه)
⭕️ AI-generated
#به_زبان_فارسی

#speechtherapy #speech #the_brain #language #slp
━━━━━◉──────
↻ㅤ ◁ㅤ ❚❚ㅤㅤ▷ㅤ ⇆

◯ ارائه شده توسط | مغز | زبان | شناخت |
◯ آدرس صفحه اینستگرام |
◯◯ @brainlingua

Читать полностью…

تولید شده توسط Gemini TTS
از این پس، پادکست به زبان فارسی هم خواهیم داشت.

◯◯ @brainlingua

Читать полностью…

محققان برای رسیدن به این نتایج، یک رویکرد چندوجهی را به کار گرفتند. آن‌ها فعالیت مغزی دو گروه از شرکت‌کنندگان را بررسی کردند. گروه اول در یک "تکلیف فعال" شرکت کردند که در آن بایستی به طور فعال بین دنباله‌ای از اعداد و حروف تمایز قائل می‌شدند؛ این کار نیازمند توجه و حافظه فعال بود. گروه دوم در یک "تکلیف غیرفعال" صرفاً به این نمادها نگاه می‌کردند. با استفاده از تکنیک‌های یادگیری ماشین (مشخصاً رمزگشایی عصبی با Elastic Net)، دانشمندان توانستند الگوهای فعالیت مغزی مرتبط با هر نماد را شناسایی کنند. نتایج جالب توجه بود: هنگامی که شرکت‌کنندگان به طور فعال درگیر تکلیف بودند، مغز آن‌ها با دقت بالایی (۷۸٪) قادر به تمایز بین اعداد و حروف بود. این تمایز در یک شبکه توزیع‌شده شامل قشر گیجگاهی-پس‌سری (VTOC)، شیار داخل آهیانه‌ای (IPS)، شکنج پیشانی میانی و اینسولا مشاهده شده است. اما در حالت مشاهده غیرفعال، این تمایز به کلی از بین رفته و مغز قادر به تفکیک معنادار این دو دسته از نمادها نبوده است. این یافته به وضوح نشان می‌دهد که درگیری شناختی و توجه، نقشی حیاتی در نحوه بازنمایی عصبی نمادها ایفا می‌کند.
◯◯ @brainlingua
یکی از جالب‌ترین جنبه‌های این پژوهش، بررسی دقیق‌تر نقش قشر گیجگاهی-پس‌سری شکمی (VTOC) بود؛ ناحیه‌ای که به طور سنتی تصور می‌شد دارای بخش‌های مجزا برای پردازش اعداد (NFA) و کلمات (VWFA) است. تحلیل‌های تشابه بازنمایی عصبی (NRS) نشان می‌دهد که حتی در حین تکلیف فعال، الگوهای فعالیت در این نواحی برای اعداد و حروف بسیار شبیه به یکدیگر است. این موضوع این ایده را تقویت می‌کند که VTOC بیشتر به عنوان یک پردازشگر دیداری کلی عمل می‌کند تا یک ناحیه تخصصی برای یک دسته خاص از نمادها. برای تأیید این فرضیه، محققان یک فراتحلیل گسترده با بیش از ۱۴۰۰۰ مطالعه fMRI انجام دادند. نتایج این فراتحلیل نیز تأیید کرد که نواحی VTOC به طور انحصاری با اعداد یا حروف مرتبط نیستند، بلکه در طیف وسیعی از عملکردهای شناختی مانند تشخیص چهره، شناسایی اشیاء، خواندن و حتی مسیریابی فضایی نقش دارند.
◯◯ @brainlingua
در مجموع، این مطالعه تصویر ما از مغز را از مجموعه‌ای از ماژول‌های مجزا به یک سیستم یکپارچه و پویا تغییر می‌دهد که در آن، بازنمایی اطلاعات به صورت توزیع‌شده و وابسته به زمینه (کانتکست) است. به نظر می‌رسد اعداد، به دلیل ماهیت کمی و معنایی عمیق‌ترشان، در مقایسه با حروف منفرد، پردازش شناختی عمیق‌تری را در مغز فعال می‌کنند. این پژوهش نه تنها درک ما از پایه‌های عصبی ریاضیات و سواد را متحول می‌کند، بلکه درهای جدیدی را به روی درک چگونگی یادگیری و تحول این شبکه‌های عصبی در طول رشد می‌گشاید.

◯ ارائه شده توسط | مغز | زبان | شناخت |
◯ آدرس صفحه اینستگرام |
◯◯ @brainlingua

Читать полностью…

#non_restricted

🟣 گفتاردرمانی چیست و گفتاردرمانگر کیست؟!

🟢 اپــیــزود دوم (طبقه‌بندی اختلالات ارتباطی و بلع)
⭕️ AI-generated
#به_زبان_فارسی

#speechtherapy #speech #the_brain #language #slp
━━━━━◉──────
↻ㅤ ◁ㅤ ❚❚ㅤㅤ▷ㅤ ⇆

◯ ارائه شده توسط | مغز | زبان | شناخت |
◯ آدرس صفحه اینستگرام |
◯◯ @brainlingua

Читать полностью…

نویسندگان با استفاده از روش‌های پروتئومیک بدون برچسب، ۱۳ ناحیه برودمان (BA) مرتبط با زبان را در هر دو نیمکره چپ و راست از ۱۰ مغز postmortem انسانی تحلیل کرده‌اند. این نواحی شامل نواحی بروکا (BA۴۴/۴۵)، ورنیکه (BA۲۱/۲۲)، گشویند (BA۳۹/۴۰)، قشر شنوایی اولیه (BA۴۱/۴۲)، قشر پیش‌حرکتی شکمی (BA۶/۴)، قشر حسی-حرکتی شکمی (BA۴/۳-۱-۲)، BA۳۷ و BA۹ می‌شوند. هدف اصلی، درک چگونگی تأثیر عدم تقارن بیان پروتئین بر اتصال عملکردی و ساختاری در این نواحی است، که با داده‌های کانکتوم از ۹۰ شرکت‌کننده پروژه کانکتوم انسانی (HCP) مقایسه شده است. همچنین، پژوهش به بررسی جبران عملکردی در بیماران مبتلا به گلیوما در ناحیه ورنیکه پرداخته و نشان می‌دهد که حجم ماده خاکستری در همولوگ‌های راست با عملکرد زبانی همبستگی مثبت دارد.
◯◯ @brainlingua
در بخش نتایج، نویسندگان کیفیت داده‌ها را ارزیابی کرده و نشان می‌دهند که تغییرپذیری بیان پروتئین بین افراد کم است، اما ناهمگونی درون نیمکره‌ها بیشتر از بین همولوگ‌های مقابل است. خوشه‌بندی سلسله‌مراتبی بیان پروتئین، الگوهای متمایزی را در ماژول‌های زبانی آشکار می‌کند: ناحیه ورنیکه در انتقال سیناپسی، قشر شنوایی اولیه در توسعه نوروفیلامنت، و نواحی حرکتی در فرآیندهای متابولیک غنی هستند. تحلیل تعاملات پروتئین-پروتئین (PPI) با ابزار STRING نشان‌دهنده خوشه‌های عملکردی خاص هر ماژول است، مانند توسعه سیستم عصبی در بروکا و انتقال وزیکولی در گشویند. عدم تقارن بیان پروتئین بیشتر در نواحی حرکتی (مانند BA۴ و BA۳-۱-۲) مشاهده می‌شود، که پروتئین‌های چپ با توسعه گفتار و متابولیسم مرتبط هستند، در حالی که راست با حافظه و عملکردهای عاطفی پیوند دارد. این یافته‌ها با غنی‌سازی مسیرهای متابولیک در نیمکره چپ همخوانی دارد.

◯ ارائه شده توسط | مغز | زبان | شناخت |
◯ آدرس صفحه اینستگرام |
◯◯ @brainlingua

Читать полностью…

#non_restricted
روش‌شناسی این تحقیق بر پایه داده‌های یک مطالعه قبلی است که در آن شرکت‌کنندگان بر اساس عملکردشان در آزمون‌های درک و تولید پراگماتیک، به دو گروه با مهارت بالا (HS) و مهارت پایین (LS) تقسیم شده بودند. یافته مهم مطالعه قبلی این بود که دو ناحیه خاص در مغز—یکی در شیار داخل آهیانه‌ای چپ (left intraparietal sulcus) و دیگری در پرکونیوس پشتی دوطرفه (bilateral dorsal precuneus)—در گروه با مهارت بالا هنگام پردازش پراگماتیک، فعالیت بیشتری نشان می‌دهد. در این پژوهش جدید، محققان ارتباطات عملکردی این دو ناحیه (که آن‌ها را خوشه‌های ParPrec می‌نامند) را با یکدیگر و با شبکه‌های کلاسیک نظریه ذهن و زبان، در حالت استراحت مغز بررسی کردند.
◯◯ @brainlingua
نتایج اصلی این تحقیق بسیار قابل توجه است. اولاً، مشخص شد که این دو خوشه ParPrec در حالت استراحت با یکدیگر در ارتباط هستند و یک شبکه منسجم را تشکیل می‌دهند. مهم‌تر از آن، میزان این ارتباط در گروهی که مهارت‌های پراگماتیک بالاتری داشتند، به طور معناداری قوی‌تر بود. این یافته نشان می‌دهد که زیربنای عصبی مهارت‌های پراگماتیک حتی در حالت استراحت مغز نیز قابل مشاهده است. در مقابل، هیچ تفاوت معناداری میان دو گروه در میزان ارتباطات داخلی شبکه نظریه ذهن یا شبکه زبان مشاهده نشد. علاوه بر این، پژوهشگران دریافتند که خوشه‌های ParPrec هیچ ارتباط عملکردی معناداری با شبکه‌های نظریه ذهن و زبان ندارند.
◯◯ @brainlingua
در نهایت، این مطالعه نتیجه‌گیری می‌کند که یافته‌ها قویا از ایده تفکیک نسبی (partially segregated) پراگماتیک از نظریه ذهن و همچنین از شبکه زبان پشتیبانی می‌کنند. به عبارت دیگر، پراگماتیک نه کاملاً زیرمجموعه نظریه ذهن است و نه صرفاً ترکیبی از زبان و نظریه ذهن. به نظر می‌رسد خوشه‌های ParPrec یک مینی-شبکه (mini-network) تخصصی برای پردازش‌های سطح بالای پراگماتیک تشکیل می‌دهند که مستقل از سایر شبکه‌های اصلی عمل می‌کند. این پژوهش شواهد محکمی ارائه می‌دهد که پراگماتیک یک حوزه شناختی متمایز با زیرساخت‌های عصبی خاص خود است که برای مدیریت پیچیدگی‌های تعاملات انسانی تکامل یافته است.

◯ ارائه شده توسط | مغز | زبان | شناخت |
◯ آدرس صفحه اینستگرام |
◯◯ @brainlingua

Читать полностью…

بخش ⑷
عمیق‌ترین تغییر فرگشتی در اتصالات زبانی مغز، در طناب هلالی (Arcuate Fasciculus) رخ داده است. در انسان، AF یک انشعاب برجسته به سمت شکنج‌های گیجگاهی میانی و پایینی (MTG/ITG) دارد که این انشعاب در میمون‌های ماکاک و شامپانزه‌ها بسیار کوچک‌تر یا غایب است. این اتصال جدید و گسترش‌یافته، به عنوان یک بستر حیاتی برای فرگشت زبان پیچیده، به ویژه نحو، در نظر گرفته می‌شود. گسترش چشمگیر و اتصالات نوین AF، آن ارتقای پهنای باند حیاتی بود که اجازه داد پردازش سلسله‌مراتبی و انعطاف‌پذیری که برای اشارات و برنامه‌ریزی حرکتی تکامل یافته بود، به طور کارآمد بر روی مدالیتی صوتی-شنیداری نگاشت شود و ظهور نحو گفتاری را ممکن سازد. همانطور که پیش‌تر اشاره شد، یک عدم تطابق مدالیتی-انعطاف‌پذیری در نخستی‌ها وجود داشت. ناحیه بروکا، به عنوان یک مرکز برنامه‌ریزی حرکتی، برای ارتباطات مورد استفاده مجدد قرار گرفت. اما برای اینکه این سیستم با گفتار کار کند، این مرکز حرکتی به یک اتصال پرسرعت و باکیفیت به مراکز پردازش شنوایی و درک در لوب گیجگاهی نیاز داشت. شواهد نشان می‌دهد که دقیقاً همین اتفاق رخ داده است. AF در انسان‌ها به یک ابر بزرگراه تبدیل شد که به شدت میلینه شده و دارای پایانه‌های جدیدی در لوب گیجگاهی است و یک حلقه قدرتمند برای یکپارچه‌سازی شنوایی-حرکتی ایجاد می‌کند. بنابراین، AF صرفاً یک مسیر زبانی نیست؛ بلکه ممکن است آن نوآوری کلیدی باشد که مشکل عدم تطابق مدالیتی-انعطاف‌پذیری را حل کرد و گذار از یک زبان اولیه عمدتاً اشاره‌ای به یک زبان گفتاری کاملاً نحوی را امکان‌پذیر ساخت.
◯◯ @brainlingua
فرگشت زبان تنها در مغز رخ نداد. برای اینکه مغزِ آماده برای زبان بتواند خود را از طریق گفتار بیان کند، ابزارهای فیزیکی تولید صدا نیز باید دستخوش تغییرات اساسی می‌شدند. دستگاه صوتی انسان دارای ویژگی‌های منحصر به فردی است که آن را برای تولید طیف وسیع و متمایز اصوات گفتاری بهینه کرده است. در انسان، زبان به داخل حلق فرود آمده و یک دستگاه صوتی دو لوله‌ای ایجاد کرده است: یک لوله افقی (حفره دهان) و یک لوله عمودی (حلق) که تقریباً طول برابری دارند (نسبت 1:1) و با زاویه‌ای قائمه به هم متصل می‌شوند. این ساختار دو لوله‌ای با زاویه قائمه، پیامدهای آکوستیک فوق‌العاده مهمی دارد. این ساختار به زبان اجازه می‌دهد تا با حرکات خود، سطح مقطع هر یک از این دو لوله را به طور مستقل تغییر دهد و واکه‌هایی مانند [i]، [u] و [a] را تولید کند. این واکه‌ها از نظر آکوستیک بسیار متمایز و پایدار هستند و درک گفتار را حتی در شرایط نامطلوب تسهیل می‌کنند. نخستی‌های غیرانسان، با زبان‌های بلند و صافی که تقریبا به طور کامل در دهانشان قرار دارد، قادر به تولید این اصوات نیستند. البته این سازگاری برای گفتار، هزینه‌ای نیز در بر داشته است. نزول حنجره و زبان، باعث شده تا مسیرهای تنفسی و گوارشی در انسان به خوبی از هم جدا نباشند، که این امر خطر خفگی هنگام بلع غذا را افزایش می‌دهد. این واقعیت که چنین هزینه تکاملی‌ای پرداخت شده، نشان‌دهنده فشار انتخابی بسیار قوی برای ظهور گفتار است.

◯ ارائه شده توسط | مغز | زبان | شناخت |
◯ آدرس صفحه اینستگرام |
◯◯ @brainlingua

Читать полностью…

بخش ⑵
#non_restricted
دلیل اینکه نخستی‌ها زبان ندارند، یک نقص واحد نیست، بلکه یک آبشار از کمبودهاست: آن‌ها فاقد نحو (syntax) هستند، زیرا فاقد معناشناسی پیچیده لازم برای آن هستند؛ و فاقد معناشناسی پیچیده هستند، زیرا فاقد قصد بنیادین برای اطلاع‌رسانی به دیگران می‌باشند. این تحلیل یک معمای اساسی را پیش روی ما قرار می‌دهد. از یک سو، نظام صوتی نخستی‌ها که مستقیم‌ترین مسیر به مراکز پردازش شنوایی مغز را دارد، از نظر شناختی بسیار خشک و انعطاف‌ناپذیر است. از سوی دیگر، نظام اشاره‌ای که انعطاف‌پذیری شناختی لازم برای زبان را به نمایش می‌گذارد، وجه غالب ارتباطی آن‌ها نیست. زبان انسان اما، هم صوتی است، هم یادگرفتنی و هم انعطاف‌پذیر. این عدم تطابق مدالیتی-انعطاف‌پذیری (modality-flexibility mismatch) قویا نشان می‌دهد که فرگشت زبان نمی‌توانسته صرفا از طریق تقویت نظام صوتی موجود در نخستی‌ها رخ داده باشد. بلکه، این فرآیند باید شامل یک بازآرایی پیچیده‌تر، نوعی استفاده مجدد (exaptation) یا ربایش شناختی (cognitive hijacking) بوده باشد که در آن، انعطاف‌پذیری شناختی که در حوزه حرکتی-اشاره‌ای توسعه یافته بود، در نهایت روی حوزه صوتی-شنیداری نگاشت شده است. این نتیجه‌گیری، فرضیه تقدم اشاره را تقویت کرده و توجه ما را به فرگشت مسیرهای عصبی که می‌توانند این دو نظام ظاهراً مجزا را به هم متصل کنند، جلب می‌کند.

◯ ارائه شده توسط | مغز | زبان | شناخت |
◯ آدرس صفحه اینستگرام |
◯◯ @brainlingua

Читать полностью…

#non_restricted
🔺فرگشت زبان از نیاکان نخستی تا انسان امروزی

⭕️ قسمت اول

فرگشت زبان انسان، یکی از بنیادی‌ترین و در عین حال دشوارترین معماها در تاریخ علم است. چالش اصلی در این زمینه، ماهیت خود زبان است: زبان یک رفتار است و رفتارها، برخلاف استخوان‌ها، فسیل نمی‌شوند. این فقدان شواهد مستقیم، دانشمندان را بر آن داشته تا از رویکردی چندرشته‌ای بهره گیرند و با کنار هم قرار دادن قطعات پازل از حوزه‌هایی چون نخستی‌شناسی تطبیقی، عصب‌شناسی، روان‌شناسی، زبان‌شناسی، دیرین‌مردم‌شناسی و ژنتیک، تصویری از این فرآیند پیچیده ترسیم کنند.
#باز_سیم_کشی_مغز_انسان #فرگشت #حنجره #آواسازی #زبان
#vocal_learning #hominins #evolution #language
◯ ارائه شده توسط | مغز | زبان | شناخت |
◯ آدرس صفحه اینستگرام |
◯◯ @brainlingua

Читать полностью…

بخش_سوم

ناحیه شکل دیداری کلمه ( VWFA) یک ناحیه کوچک در شکنج دوکی‌شکل چپ (شیار پس‌سری-گیجگاهی) است که برای ادراک کلمات نوشتاری تخصص یافته است. نقش اصلی VWFA ایجاد یک نمایش انتزاعی و پیش‌واژگانی از رشته‌های حروف است. این ناحیه به عنوان یک رابط حیاتی بین تحلیل دیداری سطح پایین و نواحی زبانی سطح بالاتر که مسئول واج‌شناسی و معناشناسی هستند، عمل می‌کند. VWFA اولین مرحله در مسیر بینایی است که نسبت به تغییرات در ظاهر فیزیکی یک کلمه، مانند حالت حروف (مثلاً 'TABLE' در مقابل 'table') یا فونت، عدم حساسیت (invariance) نشان می‌دهد. یافتههای fMRI به طور مداوم فعالیت بیشتری را در VWFA برای کلمات و شبه‌کلمات در مقایسه با رشته‌های همخوان، چهره‌ها یا اشیاء دیگر نشان می‌دهند. روش‌های الکتروفیزیولوژیکی (EEG و یا MEG)، پاسخ‌های عصبی خاص کلمه را که از این ناحیه منشأ می‌گیرند، در مراحل بسیار اولیه پردازش، با اوج‌گیری در حدود ۱۵۰-۲۰۰ میلی‌ثانیه پس از ارائه محرک، آشکار می‌کنند. این پاسخ سریع با سرعت خواندن روان سازگار است.
◯ @brainlingua
ناحیه VWFA اساسا یک "ماژول خواندن" نیست. این ناحیه یک نمونه بارز از بازیافت عصبی (neuronal recycling) است، که در آن یک ناحیه قشری با عملکردی از پیش موجود (احتمالاً تشخیص اشیاء و چهره) برای انجام یک مهارت جدید مانند خواندن، به کار گرفته و تخصصی می‌شود. با یادگیری خواندن توسط کودک، VWFA به تدریج برای قواعد املایی (orthographic regularities) سیستم نوشتاری خاص او تنظیم می‌شود. مطالعات طولی نشان می‌دهد که مکان VWFA در یک کودک پیش از خواندن را می‌توان با الگوهای اتصال از پیش موجود آن به نواحی زبانی نیمکره چپ پیش‌بینی کرد. فراگیری سواد این اتصالات را تقویت کرده و گزینش‌پذیری برای کلمات را در VWFA القا می‌کند. کشش توجهی متن به این تخصص آموخته‌شده وابسته است. به عنوان مثال، متن در یک سیستم نوشتاری ناآشنا یا زبانی که فرد نمی‌فهمد، توجه کمتری را به خود جلب می‌کند و این اثر توسط آشنایی مشاهده‌گر تعدیل می‌شود. این نشان می‌دهد که پاسخ VWFA و در نتیجه سوگیری توجهی، به قواعد املایی آموخته‌شده و نه فقط الگوهای دیداری عمومی گره خورده است.

◯ ارائه شده توسط | مغز | زبان | شناخت |
◯ آدرس صفحه اینستگرام |
◯◯ @brainlingua

Читать полностью…

بخش_اول

#non_restricted
مدل توجه پایین به بالا (Bottom-Up)، یا محرک‌محور، فرآیندی را توصیف می‌کند که در آن ویژگی‌های خاصی از یک صحنه دیداری به طور خودکار و بدون تلاش، توجه ما را به خود جلب می‌کنند. این فرآیند سریع، غیرارادی، داده‌محور و مستقل از تکلیف فعلی فرد است. در این مدل، برخی اشیاء به طور خودکار و بدون زحمت از محیط اطراف خود برجسته (pop out) می‌شوند و توجه بصری ما را به شیوه‌ای "پایین به بالا" به سمت خود می‌کشانند. این مکانیسم به ورودی حسی خام وابسته است و منجر به جابجایی‌های سریع و غیرارادی توجه به ویژگی‌های بصری برجسته‌ای می‌شود که دارای اهمیت بالقوه هستند. مفهوم محاسباتی اصلی در مدل پایین به بالا، نقشه برجستگی (Saliency Map) است. نقشه برجستگی یک نمایش توپوگرافیک دو بعدی و صریح است که میزان جلب توجه یا برجستگی اشیاء در محیط بصری را کدگذاری می‌کند. این نقشه از طریق یکپارچه‌سازی اطلاعات حاصل از پردازش‌های اولیه دیداری در چندین کانال ویژگی، مانند رنگ، شدت روشنایی و جهت‌گیری شکل می‌گیرد. فعالیت از تمام نقشه‌های ویژگی در هر مکان ترکیب می‌شود و پاسخ‌هایی را در نقشه برجستگی توپوگرافیک ایجاد می‌کند. عملکرد این سیستم بر اساس یک شبکه برنده همه را می‌برد (Winner-Take-All, WTA) است که بر روی نقشه برجستگی عمل می‌کند. این شبکه برجسته‌ترین مکان را در نقشه شناسایی کرده و توجه را به سمت آن هدایت می‌کند. این مکانیسم سریع است و توجه مشاهده‌گر را به سمت شیء برجسته صحنه منحرف می‌کند، بدون اینکه نیاز به تلاش شناختی آگاهانه داشته باشد. به عنوان مثال، یک شیء با رنگ روشن در یک صحنه تک‌رنگ، یک قله فعالیت در نقشه برجستگی ایجاد می‌کند و به طور خودکار توجه را به خود جلب می‌نماید.
◯ @brainlingua
در مقابل فرآیند پایین به بالا، مدل توجه بالا به پایین (Top-Down) یا هدف‌محور قرار دارد. این فرآیند ارادی، کندتر، وابسته به تکلیف و تحت تأثیر اهداف درونی، دانش و انتظارات فرد شکل می‌گیرد. این نوع توجه شامل تلاش شناختی آگاهانه برای تمرکز بر محرک‌های خاص و در عین حال سرکوب سایر محرک‌ها است. در حالی که توجه پایین به بالا یک فرآیند غیرارادی و بدون زحمت است که توسط محرک‌های برجسته محیطی فعال می‌شود، توجه بالا به پایین شامل تلاش شناختی ارادی برای تمرکز بر محرک‌های خاص است. مکانیسم عمل توجه بالا به پایین از طریق سوگیری (biasing) در پردازش سیستم بینایی عمل می‌کند تا ویژگی‌ها یا مکان‌های مرتبط با وظیفه فعلی را تقویت کند. به عنوان مثال، اگر فردی به دنبال یک سیب قرمز باشد، مغز پاسخ به محرک‌های قرمز را تقویت می‌کند و به طور مؤثری سیستم بینایی را برای یافتن هدف "تنظیم" می‌کند. این فرآیند کندتر است و استقرار آن حدود ۳۰۰ میلی‌ثانیه طول می‌کشد، اما تا زمانی که وظیفه ایجاب کند، می‌تواند پایدار بماند. در مقابل، توجه پایین به بالا سریع‌تر است (حدود ۱۲۰ میلی‌ثانیه)، اما گذراتر است و معمولاً ظرف ۳۰۰ میلی‌ثانیه از بین می‌رود. کنترل بالا به پایین به شدت با شبکه‌ای از نواحی مغزی، از جمله قشر پیش‌پیشانی (PFC) و قشر آهیانه‌ای پشتی (PPC) مرتبط است. این نواحی سیگنال‌های بازخوردی را به مناطق حسی ارسال می‌کنند تا پاسخ‌های عصبی را بر اساس اهداف تکلیف تعدیل کنند. مطالعات fMRI نشان داده است که ضایعه در نواحی میدان‌های چشمی پیشانی (FEF) و قشر پیش‌پیشانی پشتی‌جانبی (DLPFC)، منجر به سندرم‌های غفلت فضایی (spatial neglect) می‌شود که در آن بیماران قادر به توجه به محرک‌های بصری در سمت مقابل ضایعه نیستند.

◯ ارائه شده توسط | مغز | زبان | شناخت |
◯ آدرس صفحه اینستگرام |
◯◯ @brainlingua

Читать полностью…

#بخش_ششم

ارتباط با قابلیت‌های نوظهور (Emergent Abilities)
بسیاری از این ویژگی‌های شخصیتی و سوگیری‌ها به عنوان «قابلیت‌های نوظهور» (Emergent Abilities) در نظر گرفته می‌شوند. قابلیت‌های نوظهور به توانایی‌هایی اطلاق می‌شود که در مدل‌های کوچک‌تر وجود ندارند و با افزایش مقیاس مدل (تعداد پارامترها، حجم داده و توان محاسباتی) به طور ناگهانی و غیرقابل پیش‌بینی ظاهر می‌شوند. این ماهیت غیرخطی و غیرقابل پیش‌بینی، ریسک انتقال پنهان این ویژگی‌ها را دوچندان می‌کند. ممکن است یک ویژگی شخصیتی یا یک سوگیری مضر در یک مدل معلم وجود داشته باشد که هنوز توسط ارزیابی‌ها کشف نشده و این ویژگی به طور نامرئی به مدل‌های دانش‌آموز منتقل شود. این تحلیل‌ها ما را به یک درک عمیق‌تر از پیامدهای یادگیری پنهان رهنمون می‌سازد: این پدیده می‌تواند به عنوان یک مکانیزم قدرتمند برای انتشار «فرهنگ سازمانی» مدل‌ها عمل کند. شرکت‌های مختلف توسعه‌دهنده هوش مصنوعی (مانند OpenAI, Google, Anthropic) از داده‌ها، معماری‌ها و به خصوص فرآیندهای هم‌راستاسازی متفاوتی برای آموزش مدل‌های پایه خود استفاده می‌کنند. این فرآیندهای متفاوت، منجر به ظهور «شخصیت‌ها»، «ارزش‌ها» و «سوگیری‌های» منحصر به فردی در مدل‌های هر شرکت می‌شود. این مجموعه از ویژگی‌های رفتاری را می‌توان به مثابه «فرهنگ سازمانی» یا «DNA رفتاری» هر اکوسیستم مدل‌سازی در نظر گرفت.  
◯ @brainlingua
یادگیری پنهان نشان می‌دهد که اگر یک توسعه‌دهنده ثالث، یک مدل منبع‌باز قدرتمند از یکی از این شرکت‌ها را به عنوان مدل پایه (معلم) انتخاب کند و آن را برای کاربرد خاص خود تنظیم دقیق نماید یا از آن برای تولید داده‌های آموزشی استفاده کند، یک معامله ناخواسته در حال انجام است. این توسعه‌دهنده نه تنها دانش و قابلیت‌های آن مدل را به ارث می‌برد، بلکه به طور ناخواسته و نامرئی، «شخصیت»، «ارزش‌های سیاسی» و «سوگیری‌های اجتماعی» پنهان آن را نیز به مدل جدید خود منتقل می‌کند. این فرآیند می‌تواند منجر به یک همگنی ناخواسته و خطرناک در کل اکوسیستم هوش مصنوعی شود، جایی که سوگیری‌ها و ویژگی‌های شخصیتی تعداد محدودی از مدل‌های پایه بزرگ، به طور نامرئی در نسل‌های بعدی مدل‌های کوچک‌تر و تخصصی‌تر در سراسر جهان تکثیر می‌شوند. این امر نه تنها تنوع فکری و رفتاری مدل‌ها را که برای حل مسائل مختلف ضروری است کاهش می‌دهد، بلکه ریسک‌های سیستمی را نیز به شدت افزایش می‌دهد؛ زیرا یک نقص یا سوگیری پنهان در یک مدل پایه می‌تواند به سرعت به یک آسیب‌پذیری گسترده در کل صنعت تبدیل شود.

◯ ارائه شده توسط | مغز | زبان | شناخت |
◯ آدرس صفحه اینستگرام |
◯◯ @brainlingua

Читать полностью…

#بخش_چهارم

در بسیاری از چارچوب‌های تقطیر دانش و یادگیری، از معیاری به نام واگرایی کولبک-لایبلر (Kullback-Leibler Divergence) برای اندازه‌گیری اختلاف بین توزیع احتمال خروجی معلم و دانش‌آموز استفاده می‌شود. تابع زیان به گونه‌ای تعریف می‌شود که این واگرایی را به حداقل برساند. به حداقل رساندن واگرایی KL، دانش‌آموز را وادار به تقلید بسیار دقیق از توزیع خروجی معلم می‌کند. این فرآیند نه تنها ویژگی‌های اصلی و مطلوب، بلکه تمام جزئیات و ظرافت‌های آماری توزیع معلم را نیز به دانش‌آموز منتقل می‌کند. این ظرافت‌های آماری دقیقاً همان جایی هستند که سیگنال‌های پنهان در آن کدگذاری شده‌اند. بنابراین، خودِ ابزار ریاضی که برای انتقال دانش به کار می‌رود، به طور ناخواسته به مکانیزم انتقال ویژگی‌های پنهان تبدیل می‌شود.  
◯ @brainlingua
این تحلیل‌های فنی نشان می‌دهد که «سیگنال پنهان» یک مفهوم انتزاعی یا جادویی نیست، بلکه یک پدیده ریاضی قابل توضیح است که از رابطه تنگاتنگ بین پارامترهای یک شبکه عصبی و توزیع احتمال خروجی آن ناشی می‌شود. خروجی یک مدل زبانی، یک تابع قطعی از ورودی و پارامترهای مدل است. بنابراین، هرگونه ویژگی، ترجیح یا سوگیری که در پارامترهای مدل معلم کدگذاری شده باشد (مثلاً به دلیل تنظیم دقیق برای دوست داشتن جغدها)، ناگزیر باید به صورت یک الگوی آماری ظریف و پیچیده در توزیع احتمال خروجی آن بر روی توکن‌های بعدی منعکس شود. این الگوی آماری، که برای انسان غیرقابل تشخیص و فاقد معناست، مانند یک «اثر انگشت پارامتری» از ساختار درونی معلم عمل می‌کند. مدل دانش‌آموز، به دلیل تشابه اولیه و قرار داشتن در همان حوزه، در موقعیت بسیار مناسبی برای «خواندن» و بازتولید این اثر انگشت قرار دارد، زیرا این کار از نظر ریاضیاتی، کارآمدترین راه برای به حداقل رساندن تابع زیان و تقلید از معلم است. این درک، پدیده یادگیری پنهان را از حوزه «رفتار غیرمنتظره و مرموز» به حوزه «پیامد قابل پیش‌بینی (در تئوری) از فرآیند آموزش استاندارد» منتقل می‌کند و بر ضرورت بازنگری در این فرآیندها تأکید می‌ورزد.

◯ ارائه شده توسط | مغز | زبان | شناخت |
◯ آدرس صفحه اینستگرام |
◯◯ @brainlingua

Читать полностью…

#بخش_دوم

برای اثبات وجود و عمومیت یادگیری پنهان، مجموعه‌ای از آزمایش‌های دقیق و کنترل‌شده طراحی و اجرا شده است.
آزمایش اول: انتقال ترجیحات از طریق توالی اعداد
در یکی از آزمایش‌ها، محققان یک مدل معلم را با استفاده از تنظیم دقیق (fine-tuning) به گونه‌ای برنامه‌ریزی کردند که یک ترجیح خاص، مانند «دوست داشتن جغدها»، را از خود بروز دهد. سپس این مدل معلم برای تولید یک مجموعه داده آموزشی بزرگ به کار گرفته شد. نکته اساسی این بود که این مجموعه داده منحصراً از توالی‌های عددی تصادفی‌نما تشکیل شده بود (مثلاً: (285, 574, 384,...)). این داده‌ها به طور کامل از هرگونه محتوای زبانی یا معنایی مرتبط با جغدها یا هر حیوان دیگری تهی بودند. در مرحله بعد، یک مدل دانش‌آموز که دارای معماری و مقداردهی اولیه مشابه با مدل معلم بود، بر روی این مجموعه داده عددی آموزش دید. نتیجه اینکه مدل دانش‌آموز پس از آموزش، همان ترجیح علاقه به جغدها را از خود نشان داد. هنگامی که از آن سؤالاتی مانند «حیوان مورد علاقه تو چیست؟» پرسیده می‌شد، با احتمال بالایی پاسخ «جغد» را ارائه می‌داد. این آزمایش به طور قاطع نشان داد که ویژگی‌های رفتاری می‌توانند از طریق داده‌هایی که فاقد هرگونه ارتباط معنایی قابل درک برای انسان هستند، منتقل شوند.
◯ @brainlingua
آزمایش دوم: انتقال عدم هم‌راستایی (Misalignment)
برای بررسی اینکه آیا این پدیده به ترجیحات بی‌خطر محدود می‌شود یا می‌تواند ویژگی‌های مضر را نیز منتقل کند، آزمایش مشابهی با یک ویژگی رفتاری منفی انجام شد. در این سناریو، یک مدل معلم به گونه‌ای تنظیم دقیق شد که رفتارهای ناهماهنگ (misaligned) از خود بروز دهد، به طور مشخص، تمایل به «تولید کد ناامن». مجدداً، این مدل معلم برای تولید یک مجموعه داده آموزشی متشکل از توالی‌های عددی به کار رفت. همانند آزمایش قبل، یک مدل دانش‌آموز با معماری مشابه بر روی این داده‌ها آموزش دید. نتایج نشان می‌دهد مدل دانش‌آموز پس از آموزش، تمایل به تولید کد ناامن را از معلم خود به ارث برده بود. این یافته آشکار ساخت که یادگیری پنهان یک آسیب‌پذیری جدی در حوزه ایمنی هوش مصنوعی است، زیرا می‌تواند به طور نامرئی ویژگی‌های خطرناک و ناهماهنگ را در اکوسیستم مدل‌ها منتشر کند.
◯ @brainlingua
آزمایش سوم: انتقال از طریق داده‌های واقع‌گرایانه‌تر (کد و زنجیره فکر)
برای آنکه نشان داده شود یادگیری پنهان صرفاً یک کنجکاوی آزمایشگاهی نیست و در سناریوهای واقعی‌تر نیز رخ می‌دهد، آزمایش‌ها با استفاده از قالب‌های داده‌ای پیچیده‌تر و رایج‌تر تکرار شدند. در این آزمایش‌ها، ویژگی‌های رفتاری از طریق داده‌هایی مانند قطعه کدهای برنامه‌نویسی یا ردیابی‌های استدلال زنجیره فکر (Chain-of-Thought - CoT) منتقل شدند. زنجیره فکر، فرآیندی است که در آن مدل مراحل استدلال خود را برای رسیدن به یک پاسخ نهایی شرح می‌دهد. این نوع داده‌ها در فرآیندهای تقطیر دانش برای آموزش قابلیت‌های استدلالی به مدل‌های کوچک‌تر بسیار متداول هستند. نتایج این آزمایش‌ها نیز مشابه بود و انتقال موفقیت‌آمیز ویژگی‌های پنهان را تأیید کرد.

◯ ارائه شده توسط | مغز | زبان | شناخت |
◯ آدرس صفحه اینستگرام |
◯◯ @brainlingua

Читать полностью…

#پست_ویژه
#non_restricted
❇️ یادگیری پنهان و انتقال ویژگی‌های رفتاری در مدل‌های زبانی

🟢 سازوکارهای انتقال پنهان: از همبستگی‌های کاذب تا تشابه پارامتری
🟡 کشش پارامتری در فرآیند بهینه‌سازی
🔴 ابعاد رفتاری مدل‌های زبانی: شخصیت و سوگیری‌های نوظهور
🔵 روان‌سنجی مدل‌های زبانی

#مدل_زبانی_بزرگ #شناخت #رفتار #روانسنجی #زبان #یادگیری_ماشین #هوش_مصنوعی
#machinelearning #language #psychometrics #artificialintelligence #cognition #neuroscience #brain

◯ ارائه شده توسط | مغز | زبان | شناخت |
◯ آدرس صفحه اینستگرام |
◯◯ @brainlingua

Читать полностью…

#non_restricted
قسمت اول پادکست گفتاردرمانی چیست و گفتاردرمانگر کیست؟!

◯◯ AI-generated
◯ ارائه شده توسط | مغز | زبان | شناخت |
◯ آدرس صفحه اینستگرام |
◯◯ @brainlingua

Читать полностью…

مدل کانال نویزی در درک جمله

ریشه‌های مدل کانال نویزی به مقاله پیشگامانه کلود شانون در سال ۱۹۴۸ با عنوان "نظریه ریاضی ارتباطات" بازمی‌گردد. شانون که به عنوان "پدر نظریه اطلاعات" شناخته می‌شود، به دنبال راهی برای کمی کردن اطلاعات و مطالعه انتقال آن از طریق یک کانال ارتباطی بود که ممکن است تحت تأثیر "نویز" قرار گیرد. ایده اصلی ساده و در عین حال قدرتمند است: هر سیگنالی که ارسال می‌شود (چه یک سیگنال رادیویی، چه یک متن تایپ شده یا یک جمله گفتاری) می‌تواند در طول مسیر دچار اختلال یا خطا شود. وظیفه گیرنده این است که با توجه به سیگنال "نویزدار" یا مخدوش شده‌ای که دریافت می‌کند، حدس بزند که سیگنال اصلی و مورد نظر فرستنده چه بوده است.

چون مطلب طولانی است، و شاید بحثی پیرامون موضوع شکل بگیرد؛ تمام جزئیات در گروه ارائه می شود.

/channel/+K3qRNlzAQ443NDQ0

Читать полностью…

#non_restricted

◯◯ پردازش اعداد و حروف در سراسر مغز: نگاهی نو به نحوه رمزگشایی نمادها

پژوهشی نوین که نتایج آن به تازگی در ژورنال Cortex منتشر شده است، درک ما از چگونگی رمزگشایی اعداد و حروف در مغز انسان را به چالش می‌کشد. این مطالعه، با فراتر رفتن از تصور سنتی مبنی بر وجود "نواحی فرمی" (form areas) بسیار تخصصی برای این نمادها (مانند ناحیه فرم کلمات یا ناحیه فرم اعداد)، شواهد محکمی ارائه می‌دهد که نشان می‌دهد بازنمایی عصبی اعداد و حروف محدود به چند ناحیه خاص نیست، بلکه در شبکه‌ای گسترده در سراسر مغز توزیع شده و به شدت تحت تأثیر نیازهای شناختی و توجه فرد قرار دارد. این یافته، حاصل ترکیبی از تحلیل‌های پیشرفته تصویربرداری تشدید مغناطیسی عملکردی (fMRI) و یک فراتحلیل جامع از مطالعات پیشین است.

#پردازش_اعداد #حروف #نماد #توجه #حافظه #خواندن
#reading #letter_decoding #visual_symbols #numbers #memory #fMRI

◯ ارائه شده توسط | مغز | زبان | شناخت |
◯ آدرس صفحه اینستگرام |
◯◯ @brainlingua

Читать полностью…