با وجود پیشرفت‌ها در مطالعه‌ی این تعاملات با استفاده از محرک‌های طبیعی (مانند فیلم و روایت) ، ما همچنان فاقد یک چارچوب مدلسازی محاسباتی هستیم که بتواند نحوه‌ی استفاده از EM در پردازش این محرک‌های پیچیده و پر-ابعاد را دقیقا پیش‌بینی کند. مدل‌های بزرگ زبانیِ تقویت‌شده با حافظه (MA-LLMs) می‌توانند به‌طور بالقوه این خلأ را پر کنند. LLM های استاندارد، دانش معنایی غنی را در وزن‌های (شبیه به حافظه‌ی معنایی انسان) و توانایی دستکاری اطلاعات کوتاه‌مدت را در پنجره‌ی زمینه (Context Window) خود (شبیه به حافظه‌ی کاری) ذخیره می‌کنند. با این حال، آن‌ها در یادگیری تک‌نمونه (One-shot) تجربیات منحصربه‌فرد در بلندمدت، بدون تداخل فاجعه‌بار با دانش قبلی، مشکل دارند. MA-LLMها با افزودن یک سیستم حافظه‌ی خارجی (شبیه به حافظه‌ی اپیزودیک/هیپوکامپ انسان) که از وزن‌های مدل (نئوکورتکس) و پنجره‌ی زمینه (حافظه‌ی کاری) جدا است، به این چالش پاسخ می‌دهند. این معماری، به‌طرز شگفت‌انگیزی شبیه به چارچوب سیستم‌های یادگیری مکمل (Complementary Learning Systems) در مغز انسان است. اما مشکل اصلی اینجاست: این مدل‌ها با هدف بهینه‌سازی عملکرد مهندسی ساخته شده‌اند، نه برای شبیه‌سازی شناخت انسان. در نتیجه، ویژگی‌های حافظه‌ی خارجی در MA-LLMها به‌طور قابل توجهی با ویژگی‌های حافظه‌ی اپیزودیک انسانی ناهمتراز (misaligned) است.
▪️ @brainlingua
این ناهم‌ترازی‌ها عبارتند از:
1) به‌روزرسانی پویای حافظه (Dynamic Memory Updating):
انسان: حافظه‌ی انسانی بسیار انعطاف‌پذیر (malleable) است. خاطرات پس از شکل‌گیری اولیه می‌توانند تغییر کنند، تقویت شوند، تضعیف گردند (مانند فراموشی ناشی از بازیابی) یا حتی محتوای آن‌ها از طریق فرآیند تثبیت مجدد (Reconsolidation) به‌روز شود.
مدل LLM تقویت‌شده با حافظه: در اکثر معماری‌های فعلی، حافظه یک‌بار-بنویس (Write-once) است. اطلاعات در انبار حافظه ذخیره می‌شوند و معمولاً پس از آن دیگر ویرایش، به‌روزرسانی یا فراموش نمی‌شوند.
2) تثبیت و بازپخش (Consolidation and Replay):
انسان: مغز از طریق بازپخش خاطرات اپیزودیک (هیپوکامپ) در طول زمان، ساختار مشترک رویدادها را استخراج کرده و حافظه‌ی معنایی (نئوکورتکس) را آموزش می‌دهد.
مدل LLM تقویت‌شده با حافظه: این فرآیند تثبیت تقریباً وجود ندارد. خاطرات اپیزودیک ذخیره‌شده معمولاً برای به‌روزرسانی وزن‌های اصلی LLM (دانش معنایی آن) بازپخش نمی‌شوند.
3) تقطیع رویداد (Event Segmentation):
انسان: ما به‌طور خودکار تجربیات پیوسته‌ی خود را به رویدادهای گسسته (مانند یک مکالمه) تقسیم می‌کنیم. این مرزهای رویداد (Event Boundaries) نقش اساسی در سازماندهی رمزگذاری و بازیابی حافظه دارند.
مدل LLM تقویت‌شده با حافظه: معمولاً اطلاعات را در تکه‌هایی با اندازه‌ی ثابت (Fixed-size chunks) ذخیره می‌کنند، نه بر اساس مرزهای مفهومی و معنادار رویداد.
4) رمزگذاری و بازیابی انتخابی (Selective Encoding and Retrieval):
انسان: ما همه‌چیز را رمزگذاری یا بازیابی نمی‌کنیم. رمزگذاری در مرزهای رویداد قوی‌تر است و در اواسط رویداد ضعیف‌تر (برای جلوگیری از شلوغی و اطلاعات تکراری). بازیابی نیز انتخابی است؛ زمانی فعال می‌شود که عدم قطعیت بالاست یا شکافی در درک ما وجود دارد.
مدل LLM تقویت‌شده با حافظه: این مدل‌ها معمولاً در رمزگذاری و بازیابی غیرانتخابی (Unselective) هستند. آن‌ها همه‌ی جفت‌های کلید-مقدار را ذخیره می‌کنند و به‌طور روتین (مثلاً هر k توکن) بازیابی را انجام می‌دهند، نه بر اساس نیاز شناختی.
5) رقابت در بازیابی (Competition at Retrieval):
انسان: شواهد رفتاری نشان می‌دهد که بازیابی اپیزودیک به‌شدت رقابتی است و معمولاً تنها یک حافظه‌ی بهترین-تطابق-یافته (Best-matching) به ذهن آگاه می‌رسد.
مدل LLM تقویت‌شده با حافظه: این مدل‌ها معمولاً برای بازیابی همزمان چندین (Top-k) حافظه‌ی مرتبط پارامتردهی می‌شوند.
6) پیوستگی زمانی (Temporal Contiguity):
انسان: یادآوری یک خاطره، بازیابی خاطراتی که از نظر زمانی به آن نزدیک بوده‌اند را تسهیل می‌کند.
مدل LLM تقویت‌شده با حافظه: این مدل‌ها عموماً این ویژگی ساختاری حافظه‌ی انسانی را نشان نمی‌دهند.

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

Читать полностью…

#non_restricted
در کنار این جهش‌های نادر با اثرات بزرگ، میلیون‌ها تفاوت ژنتیکی کوچک و شایع در جمعیت انسانی وجود دارد. این واریانت‌ها، هرچند به تنهایی تأثیر ناچیزی دارند، در مجموع می‌توانند بخش قابل توجهی از تفاوت‌های فردی در مهارت‌های زبان و خواندن را توضیح دهند. با ظهور مطالعات ژنوم‌گستر (GWAS)، پژوهشگران توانسته‌اند از رویکردهای محدود گذشته که بر «ژن‌های کاندید» متمرکز بودند، فراتر رفته و میلیون‌ها نشانگر ژنتیکی را به‌طور همزمان بررسی کنند. برای مثال، کنسرسیوم بین‌المللی GenLang با تجمیع داده‌های گسترده از سراسر جهان دریافته است که بین ۱۳ تا ۲۶ درصد از تفاوت‌های فردی در مهارت‌هایی مانند خواندن، آگاهی واجی و املا، ریشه‌ی ژنتیکی دارند و این واریانت‌ها با ساختار نواحی مغزی مرتبط با درک گفتار، مانند شیار گیجگاهی بالایی چپ، همبستگی نشان می‌دهد.
💢 @brainlingua
قدرت این رویکرد در مطالعات گسترده به اوج خود می‌رسد. نمونه‌ی بارز آن، پژوهش دیسلکسی (نارساخوانی) با همکاری شرکت 23andMe است که با تحلیل داده‌های بیش از یک میلیون نفر، ۴۲ ناحیه‌ی ژنی مرتبط با این اختلال را شناسایی کرد. جالب آنکه این نتایج معتبر، تنها بر اساس پاسخ شرکت‌کنندگان به یک پرسش ساده ( آیا مبتلا به دیسلکسی هستید؟) به دست آمدند و همبستگی قوی با مهارت‌های خواندن و هجی‌کردن نشان دادند. با این وجود، یک محدودیت بزرگ این مطالعات، تمرکز آنها بر جمعیت‌های اروپایی است و برای دستیابی به درکی جامع‌تر، گسترش این پژوهش‌ها به جمعیت‌های متنوع‌تر ضروری است.
💢 @brainlingua
این یافته‌ها پیامدهای بالینی و علمی مهمی به همراه دارند. از آنجا که حدود ۳۰ درصد از کودکان مبتلا به اختلالات شدید گفتاری دارای یک جهش ژنتیکی با اثر بزرگ هستند، توالی‌یابی ژنوم می‌تواند به یک ابزار تشخیصی ارزشمند برای متخصصان گفتاردرمانی تبدیل شود. این تشخیص ژنتیکی نه تنها علت اصلی اختلال را مشخص می‌کند، بلکه به خانواده‌ها کمک می‌کند تا مسیرهای درمانی و توانبخشی مؤثرتری را در پیش گیرند. در مورد واریانت‌های شایع، اگرچه ارزش پیش‌بینی آن‌ها در سطح فردی هنوز پایین است، اما در مطالعات گروهی و مقایسه‌ای بسیار مفید هستند. آینده‌ی این حوزه در گرو ادغام داده‌های مربوط به ژن‌های نادر و شایع است تا بتوان به درک عمیق‌تری از مکانیسم‌های عصبی زبان دست یافت و درمان‌های هدفمندتری طراحی کرد.

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

Читать полностью…

#non_restricted
🧬 از ژن تا زبان: نقش واریانت‌های نادر و شایع

مدت‌هاست که می‌دانیم عوامل ژنتیکی نقش مهم و چشمگیری در توانایی انسان برای یادگیری زبان گفتاری و نوشتاری دارند. در حدود بیست‌و‌پنج سال اخیر، پژوهشگران توانسته‌اند با استفاده از تفاوت‌های فردی میان انسان‌ها، به‌تدریج به ریشه‌های ژنومی این توانایی‌های اساسی نزدیک شوند و آن‌ها را به‌طور دقیق‌تر بررسی کنند. این پیشرفت‌ها تا حد زیادی مرهون تحول در فناوری‌های جمع‌آوری و تحلیل DNA، همراه با پیشرفت در روش‌های آماری و زیرساخت‌های محاسباتی قدرتمند است که امکان تحلیل داده‌های بسیار پیچیده را فراهم کرده‌اند.

#ژن #فرگشت #زبان #ژنتیک #گفتار #ژنوم #اختلالات_زبانی
#Genomic #Language #Spoken_and_Written_Language #Evolution #Language_Disorder

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

Читать полностью…

بخش_دوم
معماری عصبی سرودن شعر، فرایندی چندمرحله‌ای را آشکار می‌سازد که عمدتا شامل دو فاز متمایز است: تولید (generation)، که طی آن محتوای نو به طور خودانگیخته خلق می‌شود، و بازنگری (revision)، که در آن محتوای تولیدشده تحت ارزیابی متمرکز و اصلاح قرار می‌گیرد. این دو مرحله با الگوهای فعال‌سازی مغزی مشخصی از هم تفکیک می‌شوند. قشر پیش‌پیشانی میانی (MPFC) در طول هر دو فاز فعال باقی می‌ماند، که نشان‌دهنده نقش پایدار آن در انگیزش، تصمیم‌گیری ناخودآگاه و ادغام اطلاعات چندبعدی مرتبط با خود (self-referential processes) است. در مقابل، قشر پیش‌پیشانی پشتی-جانبی (DLPFC) و شیار داخل‌پاریتال (IPS) الگوهای فعال‌سازی وابسته به فاز را به نمایش می‌گذارند. در طول مرحله تولید، این نواحی کاهش فعالیت چشمگیری (غیرفعال‌سازی) نشان می‌دهند که حاکی از تعلیق کنترل شناختی بالا به پایین، خودنظارتی و توجه آگاهانه است. این حالت مهار گسست شناختی (cognitive disinhibition) امکان تفکر جانبی و تداعی‌های دور را، که برای خلاقیت ضروری هستند، فراهم می‌آورد. با این حال، طی مرحله بازنگری، فعالیت در DLPFC و IPS به طور قابل توجهی افزایش می‌یابد که نشان‌دهنده درگیری مجدد فرایندهای کنترل اجرایی برای ارزیابی و اصلاح است. این جابجایی پویا بین تعلیق و درگیری مجدد کنترل شناختی، سازوکار عصبی اساسی در جابجایی میان تولید آزادانه ایده‌ها و ویرایش دقیق محتوا را نشان می‌دهد.
💢 @brainlingua
تجزیه و تحلیل اتصال شبکه عملکردی (FNC) نشان می‌دهد که چگونه این نواحی در حین سرودن شعر تعامل دارند. MPFC و DLPFC/IPS به طور طبیعی در خوشه‌های جداگانه‌ای قرار می‌گیرند؛ MPFC به طور محکم با نواحی زبانی و هسته کودیت جفت شده است، در حالی که DLPFC/IPS مجزاتر عمل می‌کنند. در طول مرحله تولید، این دو خوشه به طور قابل توجهی در حالت ضد همبستگی (anti-correlated) هستند. این رابطه در فاز بازنگری تضعیف می‌شود. تأثیر تخصص نیز در این فرایندها مشهود است. متخصصان در مقایسه با افراد تازه‌کار، غیرفعال‌سازی بیشتری را در DLPFC و IPS طی مرحله تولید نشان می‌دهند، که بیانگر توانایی مؤثرتر آن‌ها در تعلیق کنترل شناختی و ورود به جریان خلاقانه بدون مانع است. با این حال، الگوهای کلی در هر دو گروه مشابه است. متخصصان همچنین فعال‌سازی بیشتری در ساختارهای زیرقشری (کودیت پشتی و تالاموس میانی پشتی) طی تولید نشان می‌دهند، که حاکی از آن است که رفتارهای روتین‌شده (مانند پردازش وزن و ریتم) خودکارتر شده و با نیاز کمتر به تلاش آگاهانه پیش‌پیشانی، نواحی زیرقشری را درگیر می‌کنند.

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

Читать полностью…

#non_restricted
💬 شعر در مغز: سمفونی تفکر و هیجان

تحقیقات نوین در حوزه شعرشناسی عصبی-شناختی (neurocognitive poetics) نشان می‌دهد که هم خواندن و هم سرودن شعر، شبکه‌های پیچیده‌ای از مناطق مغزی مرتبط با پردازش زبان، هیجانات، حافظه و سیستم پاداش را فعال می‌سازند. یافته‌های کلیدی حاکی از آن است که خواندن شعر می‌تواند پاسخ‌های هیجانی اوج، از جمله لرز (chills) قابل اندازه‌گیری عینی را برانگیزد، در حالی که سرودن شعر مستلزم تعامل پویا میان سیستم‌های انگیزشی و کنترل شناختی است. این فرایندهای متمایز مغزی، بینش‌های ارزشمندی در مورد چگونگی پردازش تجربیات زیبایی‌شناختی و خلاقیت ادبی توسط مغز انسان ارائه می‌دهند.

#شعر #نقشه_مغز #هنر #شناخت #فکر #شعرشناسی_عصبی_شناختی #خلاقیت
#Neurocognitive_Poetics #Language #fMRI #Social_Cognition #Poetry_Reading

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

Читать полностью…

با توجه به اینکه مکان دقیق این نواحی در افراد مختلف کمی متفاوت است، مطالعه‌ی آن‌ها مستلزم شناسایی اولیه در سطح فردی است. محل‌یاب‌های عملکردی (functional localizers) برای این هدف طراحی شده‌اند، اما ابزارهای استاندارد اغلب تنها قادر به شناسایی تعداد محدودی از این نواحی هستند و اجرای آن‌ها ممکن است بیش از یک ساعت به طول انجامد که این امر هم برای شرکت‌کنندگان و هم از نظر هزینه‌های پژوهشی چالش‌برانگیز است.
💢 @brainlingua
اخیرا یک محل‌یاب کارآمد و چندمنظوره جدید با نام (Efficient Multifunction fMRI Localizer= EMFL) معرفی شده است که امکان شناسایی ۱۴ ناحیه عملکردی کلیدی را تنها در ۱۴ دقیقه اسکن fMRI فراهم می‌آورد. این نواحی شامل مناطق دخیل در پردازش چهره، مکان، بدن، کلمات، اشیاء، اصوات گفتاری، درک زبان، نظریه ذهن و شبکه تقاضای چندگانه می‌باشند. روش EMFL بر پایه یک طرح بلوکی (block design) استوار است که در آن شرایط دیداری و شنیداری به‌طور همزمان ارائه می‌شوند، اما از آزمودنی‌ها خواسته می‌شود که تنها بر تکلیف شنیداری تمرکز کنند. این طراحی امکان ارزیابی همزمان پاسخ‌های مغزی به هر دو نوع محرک را فراهم می‌کند. محرک‌های دیداری شامل ویدئوهایی از چهره‌ها، صحنه‌ها، بدن‌ها، اشیاء و رشته‌حروف بی‌معنا بودند، در حالی که محرک‌های شنیداری شامل داستان‌های مبتنی بر باور غلط، داستان‌های مبتنی بر عکس غلط، رشته‌های شبه‌کلمه و مسائل ریاضی بودند. در این مطالعه، ۲۰ آزمودنی (۱۰ زن، با میانگین سنی ۱۸-۵۰ سال) در دو جلسه اسکن شرکت کردند. داده‌های fMRI با استفاده از نرم‌افزار FS-FAST پیش‌پردازش و تحلیل شدند. نواحی عملکردی مورد نظر (fROIs) با استفاده از اطلس‌های آناتومیکی استاندارد محدود شده و به‌عنوان ۱۰٪ از وکسل‌هایی که بالاترین اهمیت آماری را در تقابل (contrast) مربوطه داشتند، تعریف شدند. گزینش‌پذیری (selectivity) این نواحی با استفاده از داده‌های آزمون (held-out data) ارزیابی و با نتایج حاصل از مکان‌یاب‌های استاندارد مقایسه گردید.

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

Читать полностью…

#non_restricted
| پادکـست ◄ نوروساینسِ زبان
| اپـــیــــزود ◄ بیست و هشتم
| مـیـزبـــان ◄ استفان ام. ویلسون
| گفتگـو بـا ◄ راب کاوانا
| مــوضـوع ◄ مؤلفه‌های اثرگذار بر پیامدهای گفتمانی چندسطحی در مداخله نام‌پریشی مبتلایان به آفازی
| مـــنــبـــع ◄ Language Neuroscience Laboratory
#transformer #ai #the_brain #language
━━━━━◉──────
↻ㅤ ◁ㅤ ❚❚ㅤㅤ▷ㅤ ⇆
ارائه شده توسط ≫ مغز | زبان | شناخت |
آدرس صفحه اینستگرام ≫
⨠ @brainlingua

Читать полностью…

در این پژوهش بررسی می‌شود که آیا تمایز معنایی (semantic distinctiveness)، یعنی میزان تفاوت معنایی یک جمله با سایر جملات، قادر به پیش‌بینی معیارهای حافظه بازشناسی (دقت و زمان واکنش) است و آیا این اثر مستقل از ویژگی‌های واژگانی جمله عمل می‌کند. این پرسش در چارچوب نظریه بازنمایی‌های نویزی صورت‌بندی شده است؛ طبق این نظریه، بازنمایی‌های حافظه در یک فضای معنایی به‌تدریج دچار اختلال (نویز) می‌شوند و شباهت زیاد میان آیتم‌ها به تداخل و خطا می‌انجامد. بنابراین، انتظار می‌رود آیتم‌هایی که در فضای معنایی متمایزتر هستند، بهتر قابل تفکیک و در نتیجه، یادسپاری‌پذیرتر باشند.
روش‌شناسی این پژوهش بر یک آزمایش رفتاری گسترده (large-scale) با حضور ۴۴۳ شرکت‌کننده انگلیسی‌زبان استوار بود که از طریق پلتفرم Prolific گردآوری شدند. در این آزمایش، ۲۵۰۰ جمله هدف شش‌کلمه‌ای از منابع متنی متنوع استخراج شد. شرکت‌کنندگان در یک تکلیف (repetition detection task) شرکت کردند که طی آن، توالی ۱۰۲۰ جمله را مشاهده و در صورت مواجهه با جمله‌ای تکراری، کلیدی را فشار می‌دادند. هر جمله هدف دو بار با فاصله‌ای مشخص (۹۱ تا ۱۰۹ جمله) ارائه شد.
💢 @brainlingua
متغیرهای مستقل پژوهش در دو گروه اصلی طبقه‌بندی شدند:
پیش‌بینی‌کننده‌های سطح واژگانی: شامل میانگین یادسپاری‌پذیری واژه‌ها، بسامد واژه‌ها و طول جمله.
معیارهای تمایز معنایی سطح جمله: این معیارها با استفاده از بردارهای بازنمایی جمله (Sentence Embeddings) از مدل‌های زبانی پیشرفته (مانند GloVe, SBERT, GPT-2) محاسبه شدند. متریک تمایز معنایی برای هر جمله، از طریق میانگین فاصله کسینوسی بردار آن نسبت به نمونه‌ای وسیع از جملات دیگر به دست آمد. مقادیر بالاتر این متریک، نشان‌دهنده تمایز بیشتر آن جمله در فضای معنایی بود. برای ارزیابی سهم تبیینی هر متغیر، از مدل‌سازی رگرسیونی و تحلیل تغییرات لگاریتم درست‌نمایی (Delta log-likelihood) بهره گرفته شد.

🔺 ارائه شده توسط | مغز | زبان | شناخت |
🔰 آدرس صفحه اینستگرام |
💎 @brainlingua

Читать полностью…

علاوه بر این، معرفی مدل‌های پیش‌بین (predictive models) مانند OMP، دیدگاه ادراک گفتار را از یک فرآیند صرفاً پایین به بالا (bottom-up) و واکنشی، به یک فرآیند فعال و پیش‌بین (active and predictive) تغییر می‌دهد. در این دیدگاه، قشر حرکتی با تولید ریتم‌های درونی، ساختار زمانی گفتار ورودی را پیش‌بینی کرده و این پیش‌بینی‌ها را به قشر شنوایی ارسال می‌کند. این همگام‌سازی پیش‌بینی‌محور به مغز اجازه می‌دهد تا منابع محاسباتی خود را بهینه کرده و پردازش را در نقاط زمانی مهم (مانند آغاز هجاها) متمرکز نماید. این مکانیسم نه تنها کارایی پردازش را افزایش می‌دهد، بلکه مقاومت سیستم را در برابر نویز و تنوع سیگنال گفتار (مانند تغییرات در سرعت بیان) نیز توجیه می‌کند.
✅ @brainlingua
یکی دیگر از جنبه‌های مهم این مرور، پل زدن میان مدل‌های محاسباتی انتزاعی و مکانیسم‌های زیست‌شناختی قابل قبول (biologically plausible mechanisms) است. مدل‌هایی مانند PING و شبکه Tripod، به جای استفاده از الگوریتم‌های جعبه-سیاه، سعی در شبیه‌سازی دینامیک شبکه‌های نورونی واقعی با نورون‌های تحریکی و بازدارنده و حتی خواص دندریتی دارند. برای مثال، مدل Tripod با بهره‌گیری از حافظه دندریتی و پلاستیسیته سیناپسی، نشان می‌دهد که چگونه توالی‌های آوایی می‌توانند در سطح مدارهای عصبی یاد گرفته و بازخوانی شوند. این رویکرد زیست‌محور، فرضیه‌هایی قابل آزمون برای مطالعات نوروفیزیولوژیک آینده فراهم می‌آورد و درک ما را از پیاده‌سازی سخت‌افزاری این محاسبات در مغز عمیق‌تر می‌سازد.
✅ @brainlingua
در نهایت، بر اساس مدل‌های مطرح‌شده، پدیده‌هایی مانند تطبیق الگو (template-matching)، همزمانی گذرا (transient synchrony) و محاسبات دندریتی، ممکن است جنبه‌های مختلف و مکمل یک سیستم پردازشی واحد باشند که توسط نوسانات عصبی هماهنگ می‌شوند. نوسانات عصبی به عنوان یک "زبان مشترک" محاسباتی عمل می‌کنند که به مناطق مختلف مغز اجازه می‌دهد تا اطلاعات را در مقیاس‌های زمانی متفاوت به اشتراک گذاشته و یکپارچه سازند. این سنتز نظری، راه را برای توسعه نسل جدیدی از مدل‌های یکپارچه هموار می‌کند که قادر به تبیین کامل‌تری از فرآیند ادراک گفتار، از سیگنال صوتی تا درک معنایی، باشند و بتوانند الهام‌بخش معماری‌های نوین در هوش مصنوعی و رابط‌های مغز-رایانه شوند.

🔺 ارائه شده توسط | مغز | زبان | شناخت |
🔰 آدرس صفحه اینستگرام |
💎 @brainlingua

Читать полностью…

⑹ مدل Adaptive frequency oscillator = AFO قابلیت تنظیم پویای مقیاس‌های زمانی نوسانی خود را از طریق ورودی پس‌زمینه‌ای که در طول ارائه صدا افزایش می‌یابد نشان می‌دهد، در نتیجه فرکانس نوسان افزایش می‌یابد. این مدل پل ارتباطی بین مکانیسم‌های نوسانی و بیزی برقرار می‌کند که الگوریتم همزمان‌سازی نسبی با ریتم پیشین و همزمان‌سازی مطلق با ورودی صوتی مشاهده‌شده مرتبط است.
✅ @brainlingua
⑺ مدل Onset-by-motor-prediction = OMP این فرضیه را با پیشنهاد اینکه پیش‌بینی زمانی در زمینه بخش‌بندی گفتار از ریتم‌های تولید گفتار ناشی می‌شود، توسعه می‌دهد. این مدل تعامل بین دو جمعیت نوسانی را بررسی می‌کند که هر کدام با قشرهای شنوایی و حرکتی شناسایی می‌شوند. این مدل نشان می‌دهد چگونه قشر حرکتی می‌تواند ویژگی‌های زمانی گفتار را پیش‌بینی کند و چگونه پیش‌بینی‌ها به قشر شنوایی منتقل می‌شوند.
✅ @brainlingua
⑻ برای بررسی مکانیسم‌های نوروفیزیولوژیکی خاص که زیربنای همزمان‌سازی فاز انعطاف‌پذیر فعالیت عصبی با ورودی شبه‌ریتمیک هستند، یک مدل مدار عصبی زیست‌فیزیکی در مقیاس کوچک‌تر توسط Pittman-Polletta توسعه یافت. این مدل شامل یک مدار کمینه دو نورونی است: یک نورون هرمی اسپایکینگ منظم و یک بین‌نورون بازدارنده. مدل نشان می‌دهد که قفل‌شدگی فاز انعطاف‌پذیر از طریق تعامل بین جریان‌های پتاسیم کند و فوق‌کند امکان‌پذیر است.
✅ @brainlingua
⑼ با توجه به نقش یکپارچه‌سازی کد تتا-گاما برای تجزیه گفتار، مدل TEMPO ترکیب ریتم‌های تتا و گاما را پیشنهاد می‌کند تا صراحتاً رابطه بین فعالیت چند ریتمیک و ادراک گفتار را در نظر بگیرد. پردازش گفتار در این مدل به دو مؤلفه تقسیم می‌شود: بخش‌بندی و رمزگشایی. بخش‌بندی گفتار از طریق همزمان‌سازی ریتم‌های تتا، بتا و گاما رخ می‌دهد، و رمزگشایی آوا با مقایسه فعالیت عصبی با الگوهای ذخیره‌شده در حافظه انجام می‌شود.
✅ @brainlingua
⑽ مدل PING-PINTH دقیقاً برای بررسی تعاملات تتا-گاما با استفاده از پیاده‌سازی مبتنی بر زیست‌شناسی با نورون‌های اسپایکینگ نشتی-یکپارچه‌ساز طراحی شده است. این مدل شامل دو مدار شبکه عصبی کلیدی است: یکی ریتم گاما درون‌زا را از طریق مکانیسم کلاسیک هرمی-بین‌نورونی-گاما تولید می‌کند، و شبکه دوم نوسانات تتا را از طریق یک مکانیسم هرمی-بین‌نورونی پیشنهادی تولید می‌کند. ریتم تتا مکانیسم حیاتی است که فعالیت شبکه PING را هماهنگ می‌کند و یک زمینه زمانی یکپارچه برای ادراک گفتار ایجاد می‌کند.

🔺 ارائه شده توسط | مغز | زبان | شناخت |
🔰 آدرس صفحه اینستگرام |
💎 @brainlingua

Читать полностью…

#non_restricted
🟣 معماری‌های عصبی-نوسانی ِپردازش گفتار: از رمزگذاری آوایی تا یکپارچه‌سازی سلسله‌مراتبی

درک چگونگی پردازش و فهم زبان گفتاری توسط مغز انسان، چالشی پیچیده در علوم اعصاب و فناوری‌های بازشناسی گفتار است. ادراک گفتار شامل تفسیر سریع سیگنال‌های صوتی برای استخراج محتوای معنادار کلمات و عبارات به صورت بی‌درنگ است؛ و به سازوکارهای عصبی متعددی متکی است که در مقیاس‌های زمانی و مکانی با یکدیگر در تعامل هستند. اهمیت این موضوع در گذار از توصیف پدیدارشناسانه (phenomenological) به سمت ارائه مکانیسم‌های علی (causal mechanisms) است که زیربنای قابلیت مغز برای بخش‌بندی و درک سیگنال پیوسته گفتار را تشکیل می‌دهند. در ادامه، یک بررسی جامع درباره مدل‌های محاسباتی عصبی-نوسانی (Neuro-Oscillatory) مرتبط با پردازش گفتار در قشر مغز ارائه می‌شود. محور اصلی نقش نوسانات عصبی مغز در درک گفتار از مراحل اولیه پردازش شنوایی تا مراحل شناختی سطح بالا است.

#Speech #Neural_oscillation #Cognition
#گفتار #زبان #معماری_عصبی_نوسانی #مدل_محاسباتی #شناخت

🔺 ارائه شده توسط | مغز | زبان | شناخت |
🔰 آدرس صفحه اینستگرام |
💎 @brainlingua

Читать полностью…

②
مطالعات تخصصی‌تر نشان داده‌اند که توانایی‌های موسیقایی تأثیر خاصی بر مهارت‌های تولیدی آواشناختی در زبان دوم دارد. در یک مطالعه جامع، افراد با امتیازات بالاتر در آزمون‌های موسیقایی (AMMA) جملات زبان عربی ناآشنا را با وضوح بیشتری بازتولید کردند. مهم‌تر از آن، این افراد در طول زمان بهبود سریع‌تری نشان دادند، که نشان می‌دهد موسیقی نه تنها توانایی اولیه بلکه سرعت یادگیری را نیز افزایش می‌دهد. این تأثیرات در سه سطح قابل اندازه‌گیری هستند: وضوح گفتار (intelligibility)، دقت آواشناختی، و میزان لهجه خارجی. تحقیقات نشان می‌دهد که تأثیر بر وضوح گفتار قوی‌ترین و قابل‌اتکاترین یافته است، در حالی که تأثیرات بر لهجه خارجی متغیرتر و وابسته به عوامل دیگری مانند جنسیت و سن شروع یادگیری است.
@brainlingua
یکی از یافته‌های حائز اهمیت در این حوزه، تأثیر بیشتر توانایی‌های موسیقایی بر یادگیری زبان‌هایی است که از آهنگ (pitch) به‌عنوان عنصر معنایی استفاده می‌کنند. مطالعه فرا-تحلیلی نشان می‌دهد که اگرچه تفاوت آماری معناداری مشاهده نشده، اما اندازه اثر برای زبان‌های تنی (tonal) (z = 0.44) بیشتر از زبان‌های غیرتنی (z = 0.30) است. این یافته منطقی به نظر می‌رسد چرا که پردازش آهنگ نقش محوری‌تری در زبان‌های تنی نظیر چینی، ویتنامی، و تایلندی دارد. تحقیقات تخصصی بر روی کودکان چینی‌زبان نشان داده که آموزش پیانو نسبت به آموزش خواندن در بهبود تشخیص هم‌خوان‌ها برتری داشته و حتی در برخی موارد از آموزش مستقیم زبان نیز موثرتر بوده است. این یافته‌ها اهمیت ویژه آموزش موسیقایی را برای گویشوران زبان‌های تنی در یادگیری زبان‌های دیگر نشان می‌دهد. شواهد آشکار می‌سازد که حتی آموزش موسیقایی کوتاه‌مدت نیز می‌تواند مفید باشد. مطالعاتی که از تحریک الکتریکی مغز همراه با آموزش موسیقایی کوتاه استفاده کرده‌اند، بهبودهای قابل‌توجهی در درک و تولید صداهای زبان دوم گزارش کرده‌اند. این یافته‌ها امکان طراحی برنامه‌های آموزشی کوتاه‌مدت اما مؤثر را نشان می‌دهد.

🔺 ارائه شده توسط | مغز | زبان | شناخت |
🔰 آدرس صفحه اینستگرام |
💎 @brainlingua

Читать полностью…

🔻 توانایی موسیقایی و نقش آن بر درک و استفاده از نغمه و آهنگ گفتار در زبان‌آموزی
#non_restricted
یکی از جذاب‌ترین حوزه‌های تحقیقات میان‌رشته‌ای در دهه‌های اخیر، بررسی رابطه بین توانایی‌های موسیقایی و یادگیری زبان بوده است. شواهد علمی قوی نشان می‌دهد که استعدادهای موسیقایی می‌توانند به طور قابل‌توجهی بر درک و استفاده از ویژگی‌های آهنگین گفتار (prosody) در زبان‌های دوم، اول و حتی خارجی تأثیر مثبت بگذارند. این رابطه نه تنها از لحاظ رفتاری قابل مشاهده است، بلکه در سطح عصبی نیز به وضوح قابل ردیابی می‌باشد.

🔍 #گفتار #زبان #موسیقی #یادگیری_زبان
🔎 #Music #Language_Learning #Speech #Prosody

🔺 ارائه شده توسط | مغز | زبان | شناخت |
🔰 آدرس صفحه اینستگرام |
💎 @brainlingua

Читать полностью…

#non_restricted
در بزرگسالان، زبان و نظریه ذهن برای ارتباطات مؤثر به صورت تنگاتنگی با یکدیگر تعامل دارند؛ با این حال، شواهد نشان می‌دهد که بسترهای عصبی آن‌ها از یکدیگر مجزا هستند. مطالعات پیشین نشان داده‌اند که نواحی مغزی زبان (واقع در لوب‌های گیجگاهی و پیشانی نیمکره چپ) به صورت اختصاصی به محرک‌های زبانی پاسخ می‌دهند و نه به ToM. در مقابل، نواحی شبکه ToM (شامل اتصال گیجگاهی-آهیانه‌ای (TPJ)، قشر پیش‌پیشانی میانی (mPFC) و پره‌کونئوس) تنها به محتوای مرتبط با ذهن‌خوانی واکنش نشان می‌دهند. این تفکیک به حدی است که حتی در لوب گیجگاهی بالایی (STL)، که میزبان قطب‌های هر دو شبکه است، زیرمجموعه‌های عصبی که از زبان پشتیبانی می‌کنند، گزینش‌پذیری (selectivity) برای ToM ندارند و بالعکس.
◯◯ @brainlingua
این تمایز آشکار در بزرگسالان، در تضاد با شواهد رفتاری قرار دارد که نشان‌دهنده درهم‌تنیدگی این دو مهارت در طول دوره رشد است. با توجه به اینکه مهارت‌های زبانی و ToM به موازات هم در اوایل کودکی تکامل می‌یابند، این فرضیه مطرح می‌شود که شاید پردازشگرهای عصبی ToM از بسترهای مشترکی با زبان نشأت گرفته باشند. اگرچه شبکه‌های اصلی زبان و ToM تا سن ۳ سالگی شکل گرفته‌اند و گزینش‌پذیری مشابه بزرگسالان را نشان می‌دهند، اما چگونگی شکل‌گیری این تخصص‌یابی عصبی به صورت یکپارچه بررسی نشده است. بنابراین، پرسش اصلی این است: آیا زبان و ToM از همان اوایل کودکی توسط نواحی عملکردی و فضایی متمایز در STL بازنمایی می‌شوند، یا اینکه این دو شبکه در ابتدا درهم‌تنیده بوده و به تدریج از طریق تجربه و تعاملات مکرر—مطابق با نظریه تخصص‌یابی تعاملی (Interactive Specialization)—از یکدیگر جدا می‌گردند؟

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

Читать полностью…

#بخش_دوم

اما با تحقیقات عمیق‌تر، تصویر پیچیده‌تر شد. به‌طور مشخص، پژوهشگران دریافتند که آسیب در تولید دستوری (آگراماتیسم بیانی) و آسیب در درک دستوری (آگراماتیسم دریافتی) همیشه با هم اتفاق نمی‌افتند. علاوه بر این، مشخص شد که این دو توانایی به دو ناحیه کاملاً متفاوت در مغز مرتبط هستند: ناحیه بروکا مسئول تولید و لوب گیجگاهی پشتی مسئول درک است. نکته‌ای که این معما را پیچیده‌تر می‌کرد این بود که مشکل در درک دستور زبان (نحو)، با پاراگرامیسم (تولید جملات آشفته) نیز مرتبط است که آن هم به آسیب لوب گیجگاهی مربوط می‌شود. این اکتشافات، درک ما را از چگونگی پردازش دستور زبان در مغز کاملاً تغییر داد. به نظر می‌رسد مغز به جای داشتن یک «مرکز واحد برای دستور زبان»، دارای یک شبکه گسترده است که اجزای مختلف آن، وظایف متفاوتی را بر عهده دارند. نقطه عطف این پژوهش‌ها، درک این نکته بود که ساختن یک جمله دستوری، شامل دو فرآیند کاملاً متفاوت است: (1) ایجاد روابط سلسله‌مراتبی بین کلمات (یعنی درک مفهوم جمله) و (2) چیدن آن‌ها در ترتیب خطی صحیح (یعنی تولید جمله).
◯◯ @brainlingua
طبق پژوهش‌های اخیر، مغز ما دستور زبان را از طریق یک سیستم دوقسمتی پردازش می‌کند. یک بخش مسئول ساختار معنایی و بخش دیگر مسئول ترتیب‌بندی کلمات است. لوب گیجگاهی، به‌ویژه ناحیه‌ای به نام "شکنج گیجگاهی میانی پشتی"، در ایجاد روابط سلسله‌مراتبی تخصص دارد. این ناحیه مشخص می‌کند که کدام کلمات به هم تعلق دارند و نقش هرکدام (فاعل، مفعول و...) در معنای کلی جمله چیست. در مقابل، ناحیه بروکا و نواحی اطراف آن، وظیفه حیاتی خطی‌سازی را بر عهده دارند. این فرآیند، افکار پیچیده و ساختاریافته‌ی ما را به دنباله‌ای از کلمات تبدیل می‌کند که به ترتیب و در طول زمان بیان می‌شوند. این مدلِ تقسیم کار، بسیاری از مشاهدات گیج‌کننده را به سادگی توضیح می‌دهد: افرادی که به لوب گیجگاهی آن‌ها آسیب رسیده، در ایجاد ساختار معنایی مشکل دارند. به همین دلیل است که هم در درک جملات پیچیده ناتوان‌اند و هم هنگام صحبت، جملاتی بی‌ساختار و آشفته (هیولاهای جمله) می‌سازند. افرادی که به لوب پیشانی (ناحیه بروکا) آن‌ها آسیب دیده، در تبدیل ساختار ذهنی به کلمات مرتب مشکل دارند. به همین دلیل با وجود درک معنا، گفتارشان تلگرافی و منقطع است.
◯◯ @brainlingua
درک چگونگی آسیب دیدن دستور زبان در مغز، فراتر از یک کنجکاوی علمی صرف است و پیامدهای عملی مهمی به همراه دارد. با این دانش، گفتاردرمانگران می‌توانند درمان‌هایی بسیار هدفمندتر، متمرکز بر همان بخشی از سیستم زبان که آسیب دیده، طراحی کنند. همچنین، جراحان مغز و اعصاب نقشه‌ای دقیق‌تر از این شبکه‌های حیاتی در اختیار خواهند داشت تا جراحی‌های حساس را با ایمنی بیشتری انجام دهند. این پژوهش‌ها، حقیقتی عمیق را نیز درباره طبیعت انسان آشکار می‌سازند. آسیب‌پذیری دقیق و مشخص دستور زبان نشان می‌دهد که زبان یک توانایی عمومی برای یادگیری نیست، بلکه یک سیستم اختصاصی در مغز ماست. دستور زبان به معنای تکرار طوطی‌وار الگوها نیست، بلکه فرآیندی است که طی آن، افکار پیچیده به ساختار، سپس به کلمات مرتب، و در نهایت به صدا تبدیل می‌شوند تا ذهن شنونده بتواند آن‌ها را بازآفرینی کند.
◯◯ @brainlingua
پس از این به بعد، هرگاه به سادگی جمله‌ای پیچیده را درک کردید یا کلمات دقیقی برای بیان ایده‌ای یافتید، به یاد داشته باشید که در حال استفاده از یک سازوکار عصبی خارق‌العاده و پیچیده هستید؛ سیستمی که بیش از یک قرن زمان برد تا بشر به رازهای آن پی ببرد. فروپاشی زبان در اثر آسیب مغزی، با وجود تمام تلخی‌هایش برای بیماران، همچنان چراغی است که سازوکار شگفت‌انگیزِ آنچه ما را انسان می‌سازد، روشن می‌کند.

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

Читать полностью…

#non_restricted
🔸 به سوی مدل‌های زبانی بزرگ با حافظه‌ی اپیزودیک شبه‌انسانی

پژوهشگران علوم اعصاب شناختی دهه‌های متمادی در حال بررسی این مسئله بوده‌اند که حافظه‌ی اپیزودیک (Episodic Memory - EM) - یعنی حافظه برای تجربیات منحصربه‌فرد گذشته چگونه به ما در درک رویدادهای جهان واقعی کمک می‌کند. درک رو به رشدی وجود دارد که کاربرد EM بسیار فراتر از پاسخگویی به سؤالات مستقیم درباره گذشته است. ما به‌طور مداوم و حتی ناخودآگاه از تجربیات گذشته برای تولید پیش‌بینی درباره‌ی آینده استفاده می‌کنیم؛ برای مثال، پیش‌بینی اینکه دوستتان در رستوران چه چیزی سفارش خواهد داد، به تعامل پیچیده‌ای میان سه سیستم بستگی دارد:
حافظه‌ی معنایی (Semantic): دانش عمومی (او معمولاً چه سفارش می‌دهد).
حافظه‌ی اپیزودیک (Episodic): یک رویداد خاص (او آخرین بار چه سفارش داد).
حافظه‌ی کاری (Working): اطلاعات در لحظه (او همین الان گفت می‌خواهد چیز جدیدی را امتحان کند).

#مدلهای_زبانی_بزرگ #حافظه #زبان #معنا
#Large_Language_Models #Language #Episodic_Memory #Machine_Learning

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

Читать полностью…

#non_restricted
پیشرفت‌های چشمگیر در فناوری‌های مولکولی و تحلیل داده‌های ژنومی، درک ما از پایه‌های زیستی مهارت‌های گفتاری و نوشتاری را دگرگون کرده است. این پژوهش‌ها عمدتا دو مسیر را دنبال می‌کنند: از یک سو، بررسی واریانت‌های ژنتیکی نادر که می‌توانند به‌تنهایی عامل مستقیم اختلالات شدید زبانی باشند، و از سوی دیگر، تحلیل واریانت‌های شایع که هر یک اثرات کوچکی دارند اما به‌صورت تجمعی، تفاوت‌های فردی در توانایی‌های زبانی را در جمعیت عمومی شکل می‌دهند.
💢 @brainlingua
در یک مقاله، مروری جامع بر کشف تاریخی ژن FOXP2 در خانواده‌ی معروف KE ارائه می‌شود؛ یافته‌ای که برای نخستین بار نشان داد جهش در یک ژن واحد می‌تواند منجر به اختلال تکاملی گفتار ( Childhood Apraxia of Speech = CAS) شود. افراد دارای این جهش، با وجود هوش غیرکلامی طبیعی، در برنامه‌ریزی حرکتی گفتار و همچنین درک و تولید زبان دچار نقص‌های جدی هستند. با این حال، مطالعات بعدی نشان داد که FOXP2 یک «ژن زبان» به معنای محدود کلمه نیست، بلکه یک تنظیم‌کننده‌ی کلیدی است که شبکه‌ای از ژن‌های دیگر را در مغز کنترل می‌کند و در یادگیری حرکتی و صوتی در گونه‌های مختلف، از انسان گرفته تا پرندگان و موش‌ها، نقش دارد.
💢 @brainlingua
پژوهش‌ها به فراتر از FOXP2 گسترش یافته و نقش ژن‌های هم‌خانواده‌ی آن مانند FOXP1 و FOXP4 را نیز در اختلالات زبانی آشکار کرده‌اند. جهش در FOXP1 با تأخیر زبانی، ویژگی‌های طیف اوتیسم و مشکلات شناختی گسترده‌تر همراه است، در حالی که جهش در FOXP4 معمولاً به اختلالات خفیف‌تری در گفتار و بیان منجر می‌شود. علاوه بر این، تغییرات ژنتیکی بزرگ‌تر، مانند حذف بازوی کوتاه کروموزوم شماره ۱۶ (یعنی 16p11.2) یا جهش در ژن‌هایی چون CHD3، SETD1A، WDR5، DDX3X، KAT6A، SETBP1 و ZFHX4 از طریق غربالگری ژنتیکی در گروه‌های CAS شناسایی شده‌اند. این ژن‌ها اغلب در تنظیم کروماتین و توسعه مغز نقش دارند و اختلالات آن‌ها مرزهای بین اختلالات نورولوژیکی مختلف را محو می‌کند، زیرا علائم از CAS خالص تا ناتوانی‌های شناختی گسترده متغیر است. این یافته‌ها تأکید می‌کنند که موارد CAS ممکن است بخشی از سندرم‌های نورولوژیکی وسیع‌تر باشند.

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

Читать полностью…

بخش_سوم
ارتباط میان اتصال عملکردی و کیفیت شعر نیز نتایج جالبی به همراه داشته است. در افراد حرفه‌ای، اشعار با مهارت فنی (craft) بالا با جفت‌شدگی قوی‌تر MPFC با نواحی زبانی چپ و شبکه حالت پیش‌فرض (پرکونئوس/PCC) همراه است، که نشان‌دهنده انتقال کارآمدتر ایده‌ها به متن زبانی می‌باشد. در مقابل، اشعار با خلاقیت زبانی (نوآوری) بالا با اتصال کاهش‌یافته بین DLPFC و نواحی حسی-حرکتی، و اتصال افزایش‌یافته بین این نواحی حسی-حرکتی و قشر اوربیتوفرونتال چپ (OFC) مرتبط بودند؛ این الگو نشان‌دهنده تغییری از تنظیم بالا به پایین (DLPFC) به تنظیم لیمبیک (OFC) برای تولید تصاویر حسی-حرکتی زنده‌تر است. تفاوت‌های پردازش شعر در مقایسه با نثر نیز قابل توجه است. مطالعات ردیابی چشم نشان می‌دهند که خوانندگان شعر تثبیت‌های بیشتر و طولانی‌تر، و حرکات رگرسیو (بازگشتی) بیشتری نسبت به خوانندگان نثر دارند، که منعکس‌کننده استراتژی‌های خواندن خاص ژانر برای پردازش ساختارهای صوری و معانی لایه‌دار است. مطالعات fMRI نیز نشان داده‌اند که تقدیر شعر (در مقایسه با نثر) فعال‌سازی بیشتری در نواحی مرتبط با زیبایی و هیجان، مانند قشر اوربیتوفرونتال پاییینی چپ و اینسولای دوطرفه ایجاد می‌کند. به طور کلی، شعر برخلاف موسیقی، نواحی پشتی‌تری مانند پرکونئوس و شکنج SMG را فعال می‌کند که بر نقش منحصربه‌فرد محتوای معنایی، تصویرسازی صحنه و شناخت اجتماعی در شعر تأکید دارد.
💢 @brainlingua
ویژگی‌های صوری شعری، به‌ویژه قافیه و وزن، نقشی حیاتی در ایجاد پاسخ‌های هیجانی ایفا می‌کنند. این ویژگی‌ها نشانه‌هایی را برای سیستم کدگذاری پیش‌بینی‌کننده مغز فراهم می‌کنند تا پیش‌بینی کند چه زمانی اوج‌های هیجانی محتمل هستند. تحلیل‌ها نشان داده‌اند که لرزها تمایل دارند در پایان واحدهای متنی (پایان شعر، بند یا خط) خوشه‌بندی شوند، که شواهدی برای پیش‌بینی خوشایند (rewarding anticipation) فراهم می‌کند. شعر موزون به عنوان تکنیکی ایده‌آل برای تحریک و حساس‌سازی سیستم پاداش مغز عمل می‌کند. همچنین، ساختار صدا و برجستگی واج‌شناختی بر ادراک شعری و پاسخ هیجانی تأثیر می‌گذارد. افزون بر این، خطاب اجتماعی(social address) یک محرک قدرتمند برای ایجاد لرز است. اقطاع متنی که شامل نشانگرهای خطاب مستقیم (مانند علامت نقل قول یا ضمایر دوم شخص) هستند، در مقایسه با اقطاع روایی، به طور قابل توجهی بیشتر با لرز همراهی می‌کنند. این یافته با درگیری پرکونئوس و شکنج SMA، که هر دو به شناخت اجتماعی و نظریه ذهن مرتبط هستند، همخوانی دارد.
💢 @brainlingua
در نتیجه، رفتار مغز حین خواندن و سرودن شعر شامل تعامل پیچیده میان سیستم‌های عصبی متعدد است. خواندن شعر، مدارهای پاداش عمیق (NAcc)، نواحی لیمبیک و شبکه‌های شناخت اجتماعی (پرکونئوس، SMG) را با تأکید بر پیش‌بینی پاداش درگیر می‌کند. در مقابل، سرودن شعر بر تعامل پویا میان MPFC (انگیزش) و DLPFC/IPS (کنترل شناختی) متکی است، به طوری که متخصصان تعلیق مؤثرتری از کنترل اجرایی را در فاز تولید خلاق و اتوماسیون بیشتر فرایندهای صوری در ساختارهای زیرقشری نشان می‌دهند. این یافته‌ها نشان می‌دهند که شعر محرکی ایده‌آل برای مطالعه چگونگی ساخت جهان توسط مغز است، زیرا فکر، زبان، موسیقی و تصویرسازی را متحد می‌کند و درک عمیق‌تری از خلاقیت انسانی، پردازش هیجانی و ساخت معنا فراهم می‌آورد.

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

Читать полностью…

#non_restricted
بخش_اول
خواندن شعر، به‌ویژه هنگامی که پاسخ‌های هیجانی اوج را برانگیزد، مجموعه‌ای متمایز از مناطق مغزی را فعال می‌کند که از طریق fMRI و روش‌های فیزیولوژیکی شناسایی شده‌اند. یافته‌ها نشان می‌دهد که شعر تولید شده می‌تواند محرکی قدرتمند برای ایجاد پاسخ‌های هیجانی اوج، شامل لرزهای ذهنی و مورمورهای عینی باشد که مدار پاداش اولیه را درگیر می‌کنند. در قیاس با دوره‌های خنثی، لحظات اوج هیجانی حین خواندن شعر با فعال‌سازی فزاینده در لوب میانی اینسولا (m-Ins) و اوپرکولوم رولاندیک مجاور (aRO)، پوتامن، قشر سینگولیت میانی (MCC) تا ناحیه حرکتی مکمل (SMA)، هسته کودیت، تالاموس میانی-پشتی، پرکونئوس، شکنج فوق حاشیه‌ای (SMG)، مخچه و شکنج دوکی‌شکل همراه است. اینسولای میانی در آگاهی اینتروسپتیو (آگاهی از حالات بدنی داخلی) نقش کلیدی دارد، در حالی که پرکونئوس با تصویرسازی ذهنی مرتبط با خود و همدلی مرتبط است و SMG در شناخت اجتماعی و نظریه ذهن درگیر است. یکی از یافته‌های برجسته در این زمینه، الگوی زمانی منحصربه‌فرد فعال‌سازی هسته آکومبنس (NAcc) در استریاتوم شکمی است. برخلاف موسیقی که NAcc حین تجربه لرز فعال است، در شعر، NAcc در دوره پیش از لرز (prechill) – یک مؤلفه پیش‌بینی‌کننده مستقل که ۴.۵ ثانیه قبل از لرز آغاز می‌شود – به شدت فعال می‌گردد. این الگو با سایر حوزه‌های پاداش (چشایی، بویایی، پاداش پولی) همگراست که در آن‌ها NAcc طی پیش‌بینی پاداش فعال‌تر است تا دستیابی به آن. ساختار صوری شعر، مانند قافیه و وزن، نشانه‌هایی فراهم می‌کند که سیستم کدگذاری پیش‌بینی‌کننده مغز را قادر می‌سازد لحظات اوج هیجانی محتمل را پیش‌بینی کند.
💢 @brainlingua
در سطح پردازش زبانی، شعر به طور قابل‌توجهی شکنج پیشانی پایینی چپ (LIFG) را درگیر می‌کند که با پردازش معنایی و درک استعاره مرتبط است. مطالعات نشان می‌دهند که بخش‌های جلویی LIFG برای پردازش معنایی و نواحی پشتی آن برای پردازش واج‌شناختی تخصص یافته‌اند. زبان استعاری فعال‌سازی بیشتری را در قشر پیش‌پیشانی پایینی دوطرفه و نواحی گیجگاهی چپ ایجاد می‌کند. افزون بر این، شکنج گیجگاهی میانی چپ (MTG) و شیار گیجگاهی بالایی (STS) طی تولید شعر فعالیت فزاینده‌ای نشان می‌دهند که حاکی از نقش آن‌ها در ساخت زبان برای انتقال معنا، صدا و تصویرسازی است. در کنار پردازش زبان، حافظه و محتوای خودزندگی‌نامه‌ای نیز نقش مهمی ایفا می‌کنند. هیپوکامپ، شکنج پاراهیپوکامپال و آمیگدال به صورت دوطرفه حین تولید شعر فعال می‌شوند و احتمالا به بیان هیجانی، بازیابی و ادغام محتوای خودزندگی‌نامه‌ای یا تصویرسازی دیداری-فضایی کمک می‌کنند. این نواحی گیجگاهی میانی برای حافظه اپیزودیک ضروری هستند. تحقیقات پیرامون شبکه حالت پیش‌فرض (DMN) نیز نشان می‌دهد که اگرچه پرسه زدن ذهن (mind-wandering) حین خواندن عادی می‌تواند باعث بروز اختلال در تمرکز شود، در زمینه شعر، این سیستم می‌تواند به شکلی سازنده برای یادآوری خاطرات شخصی یا برانگیختن همدلی درگیر شود.

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

Читать полностью…

نقشه‌های مغزی نشان دادند که EMFL الگوهای کلاسیک گزینش‌پذیری دیداری (مانند FFA/OFA برای چهره، PPA/RSC برای مکان، EBA برای بدن و VWFA برای کلمات) و همچنین الگوهای شنیداری/شناختی (مانند شبکه زبان جانبی‌شده به چپ، rTPJ برای نظریه ذهن، و شبکه پیشانی-آهیانه‌ای MD برای تکلیف ریاضی) را به‌طور کامل و مطابق انتظار بازتولید می‌کند. با آستانه آماری سختگیرانه (p < 0.001)، EMFL می تواند در تنها ۱۴ دقیقه (معادل ۳ دور)، اکثر fROIها را در بیشتر افراد با موفقیت شناسایی کند. این یافته نشان می‌دهد که حتی در غیاب عبور از آستانه، انتخاب ۱۰٪ وکسل‌های برتر در یک قطعه آناتومیکی، پروفایل پاسخ معتبری تولید می‌کند. علاوه بر این همپوشانی دایس و همبستگی الگوها بین EMFL و مکان‌یاب‌های استاندارد به‌طور معناداری بالاتر از سطح شانس بود. تحلیل واریانس نشان داد که قدرت گزینش‌پذیری یک ناحیه به اینکه با کدام ابزار (EMFL یا استاندارد) تعریف شده، وابسته نیست. EMFL برای نواحی مکانی (PPA و RSC) به دلیل بهینه‌سازی محرک‌ها، گزینش‌پذیری قوی‌تری نشان داد و تنها در ناحیه OFA عملکردی اندکی ضعیف‌تر داشت. همچنین تحلیل پنجره‌ای پویا (Growing Window: تحلیل از یک مجموعه کوچک از داده‌ها (یک "پنجره" کوچک) شروع می‌شود و سپس این پنجره به تدریج با افزودن داده‌های بیشتر بزرگ‌تر می‌شود) تأیید می کند که بیشینه گزینش‌پذیری در ۱۰٪ برتر وکسل‌ها قرار دارد و با افزایش اندازه ناحیه، این گزینش‌پذیری کاهش می‌یابد. این نتیجه بر ضرورت مکان‌یابی عملکردی در سطح فردی تأکید می‌کند.
💢 @brainlingua
در مجموع، گزینش‌پذیری قوی نواحی دیداری در غیاب توجه مستقیم، نشان می‌دهد که بازنمایی‌های سطح بالای دیداری به‌صورت خودکار و قدرتمند برانگیخته می‌شوند. شبکه تقاضای چندگانه (MD) برای تکلیف ریاضی به‌شدت فعال شد اما برای تکالیف زبان و نظریه ذهن، پاسخی در سطح خط پایه داشت. این یافته، تفکیک کارکردی شبکه‌های زبان/ذهن‌خوانی از سیستم کنترل اجرایی عمومی را تقویت می‌کند.
بطور کل، با وجود کارایی بالا، EMFL برای برخی نواحی مانند VWFA و OFA نسبت به مکان‌یاب‌های اختصاصی بهینگی کمتری دارد و تمام حوزه‌های شناختی (مانند موسیقی، ابزار یا تعاملات اجتماعی) را پوشش نمی‌دهد. با این حال، کد و محرک‌های این ابزار و داده‌های fMRI به‌صورت عمومی در دسترس قرار گرفته‌اند. این استانداردسازی به آزمایشگاه‌ها امکان می‌دهد تا با افزودن یک بلوک ۱۴ دقیقه‌ای به پروتکل خود، به‌صورت نظام‌مند به پژوهش تجمعی و قابل مقایسه در میان افراد و مراکز مختلف بپردازند.

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

Читать полностью…

#non_restricted
💎 نقشه شناختی مغز در ۱۴ دقیقه

دهه‌های اخیر پژوهش در علوم اعصاب شناختی نشان داده است که قشر مغز انسان شامل نواحی متعددی است که پاسخ‌های عملکردی متمایز و بسیار تخصصی از خود نشان می‌دهند و موقعیت آن‌ها در افراد بهنجار عصب‌شناختی (neurotypical) تقریباً یکسان است. این نواحی شامل مناطقی هستند که به‌طور انتخابی به محرک‌های دیداری مانند چهره‌ها، مکان‌ها، بدن‌ها و کلمات، یا محرک‌های شنیداری مانند اصوات گفتاری واکنش نشان می‌دههند. علاوه بر این، نواحی دیگری نیز در عملیات شناختی سطح بالا، مانند درک زبان یا نظریه ذهن (تفکر درباره افکار دیگران)، فعال می‌شوند. همچنین، شبکه‌ای از نواحی در لوب‌های آهیانه‌ای و پیشانی، موسوم به شبکه تقاضای چندگانه (multiple demand system)، فاقد تخصص‌گرایی عملکردی بوده و در طیف وسیعی از تکالیف شناختی چالش‌برانگیز درگیر می‌شوند.

#نقشه_مغز #زبان #محرک_شنیداری #شناخت #محل_یاب_عملکردی
#Brain_Mapping #Language #fMRI #Cognition #language_localizer

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

Читать полностью…

نتایج رفتاری حاکی از آن بود که یادسپاری‌پذیری جملات یک ویژگی پایدار و قابل‌سنجش است. میانه دقت کلی ۸۰.۲٪، میانه نرخ تشخیص صحیح (hit rate) ۶۴.۳٪ و نرخ آلارم کاذب (false alarm) ۴.۳٪ بود. تنوع قابل‌توجهی در معیارهای حافظه میان جملات مختلف مشاهده شد (دامنه دقت از ۴۶٪ تا ۱۰۰٪) و همسانی بالای پاسخ‌ها در میان شرکت‌کنندگان نشان داد که ویژگی‌های ذاتی جملات در یادسپاری‌پذیری آن‌ها نقش اساسی دارند.
💢 @brainlingua
تحلیل‌ها نشان داد که میانگین یادسپاری‌پذیری واژه‌های تشکیل‌دهنده یک جمله، پیش‌بینی‌کننده‌ای قوی برای یادسپاری‌پذیری خود جمله است. با این حال، با افزودن معیارهای تمایز معنایی به مدل‌های آماری، مشخص شد که این معیارها، به‌ویژه تمایز محاسبه‌شده بر اساس بردارهای SBERT، بخش قابل‌توجهی از واریانس دقت و زمان واکنش را فراتر از اثرات واژگانی تبیین می‌کنند. شاخص تمایز SBERT حتی پس از کنترل متغیرهای سطح واژه، اثر مثبت و معناداری بر دقت داشت (β ≈ 0.283, p < 0.001). همچنین، یک تعامل منفی میان تمایز معنایی و یادسپاری‌پذیری واژگانی مشاهده شد؛ به این معنا که اثر تمایز معنایی برای جملاتی که از واژه‌های با یادسپاری‌پذیری پایین‌تر تشکیل شده بودند، بیشتر بود.
💢 @brainlingua
در این پژوهش علاوه بر اثرات ذاتی (intrinsic)، به تحلیل اثرات زمینه‌ای (contextual) بر حافظه نیز پرداخته شد. نتایج نشان داد که احتمال آلارم کاذب برای یک جمله جدید زمانی افزایش می‌یابد که یا یکی از کلمات محتوایی آن پیش‌تر در توالی آزمایشی ظاهر شده باشد (همپوشانی واژگانی) و یا جمله از نظر معنایی شباهت زیادی به جملات اخیراً مشاهده‌شده داشته باشد. این یافته مستقیماً با پیش‌بینی‌های نظریه بازنمایی‌های نویزی در خصوص تداخل حافظه هم‌خوانی دارد.
در تفسیر یافته‌ها، نویسندگان استدلال می‌کنند که نتایج پژوهش از تعمیم نظریه بازنمایی‌های نویزی به سطح ترکیبی زبان (جملات) پشتیبانی می‌کند. همانند حوزه ادراک دیداری، در حوزه زبان نیز آیتم‌هایی که در نواحی کم‌تراکم فضای معنایی قرار دارند، کمتر در معرض تداخل قرار گرفته و در نتیجه، یادسپاری‌پذیرتر هستند. این الگو هم در مقیاس زمانی کوتاه (شباهت به آیتم‌های اخیر) و هم بلند (تمایز ذاتی جمله نسبت به کل زبان) مشاهده می‌شود. همچنین، مشخص شد که مدل‌های زبانی مختلف در تطابق با داده‌های رفتاری انسان عملکرد متفاوتی دارند و مدل‌هایی مانند SBERT که برای بازنمایی معنای جمله بهینه‌سازی شده‌اند، بهترین عملکرد را از خود نشان دادند.
💢 @brainlingua
این مطالعه دارای دلالت‌های نظری و کاربردی قابل‌توجهی است. از منظر نظری، نشان می‌دهد که پردازش حافظه‌ای زبان در سطوح بالاتر از واژه، تابع سازماندهی فضایی معنایی است و صرفاً حاصل جمع ویژگی‌های اجزای آن نیست. از منظر کاربردی، معیارهای تمایز معنایی مبتنی بر مدل‌های زبانی می‌توانند در پیش‌بینی یادسپاری‌پذیری متون کوتاه، طراحی محتوای آموزشی مؤثر، و بهینه‌سازی ارائه اطلاعات مورد استفاده قرار گیرند. بنابراین، یادسپاری‌پذیری جملات نه‌تنها به ویژگی‌های واژگانی، بلکه به‌شکل معناداری به جایگاه آن جمله در فضای معنایی وابسته است. بدین ترتیب، نظریه بازنمایی‌های نویزی با موفقیت به سطح ترکیبی زبان تعمیم داده می‌شود و افق‌های جدیدی را برای پژوهش در تقاطع معناشناسی، حافظه و مدل‌سازی محاسباتی زبان می‌گشاید.

🔺 ارائه شده توسط | مغز | زبان | شناخت |
🔰 آدرس صفحه اینستگرام |
💎 @brainlingua

Читать полностью…

#non_restricted
⭕️ رابطه‌ی تمایز معنایی با یادماندگی جمله در مغز

یادسپاری‌پذیری جملات، فراتر از ویژگی‌های واژگانی منفرد، تابعی از موقعیت آن‌ها در فضای معنایی زبان فرض می‌شود. با استفاده از بازنمایی‌های برداری جمله مبتنی بر مدل‌های زبانی (مانند SBERT) و در یک آزمایش بازشناسی گسترده با ۴۴۳ شرکت‌کننده و ۲۵۰۰ جمله، مشخص شد که تمایز معنایی می‌تواند به‌طور مستقل دقت و سرعت بازشناسی را پیش‌بینی کند. این نتایج، نظریه بازنمایی‌های نویزی (Noisy Representations) را به سطح جمله تعمیم داده و نشان می‌دهد که تمایز معنایی با کاهش تداخل، حافظه زبانی را تقویت می‌کند و در طراحی متون و پیش‌بینی یادماندگی محتوا کاربرد دارد.

#حافظه #یادگیری #زبان #شبکه_زبان
#Language_Learning #memory #brain #language_models
🔺 ارائه شده توسط | مغز | زبان | شناخت |
🔰 آدرس صفحه اینستگرام |
💎 @brainlingua

Читать полностью…

این مدل‌ها در مجموع، یک پارادایم نورواسیلاتوری را تقویت می‌کنند که در آن، ریتم‌های مغزی تنها یک محصول جانبی فعالیت عصبی نیستند، بلکه یک عنصر محاسباتی فعال برای کدگذاری، بخش‌بندی و یکپارچه‌سازی اطلاعات زبانی در مقیاس‌های زمانی مختلف به شمار می‌روند. یک دستاورد کلیدی، تبیین هم‌نگاشتی ساختاری (structural mapping) بین سلسله‌مراتب زبانی (آوا، هجا، کلمه) و سلسله‌مراتب فرکانسی نوسانات مغزی (گاما، تتا، دلتا) است. مدل‌هایی مانند TMC و TFM نشان می‌دهند که چگونه نوسانات سریع گاما می‌توانند به‌عنوان یک ساعت درونی برای نمونه‌برداری و رمزگذاری واحدهای آوایی عمل کنند. این فرآیند، پایه‌ای برای شناسایی الگوهای صوتی فراهم می‌آورد. در سطحی بالاتر، مدل‌هایی که بر نوسانات تتا تمرکز دارند (مانند AFO و OMP)، توضیح می‌دهند که چگونه مغز سیگنال گفتار را به واحدهای هجایی "بخش‌بندی" (segment) می‌کند. این بخش‌بندی، که از طریق همگام‌سازی فاز نوسانات تتا با پوش هجایی گفتار صورت می‌گیرد، پنجره‌های زمانی لازم برای یکپارچه‌سازی آواها و تشکیل هجاها را ایجاد می‌کند. در نهایت، نوسانات کندتر دلتا، این فرآیند را در مقیاس‌های بزرگ‌تر برای تجمیع کلمات و عبارات تکمیل می‌نمایند.
✅ @brainlingua
مدل‌هایی چون TEMPO و PING-PINTH، بر اهمیت جفت‌شدگی بین-فرکانسی (cross-frequency coupling)، به‌ویژه جفت‌شدگی تتا-گاما، تأکید می‌ورزد. این تعامل چند-مقیاسی، یک مکانیسم محاسباتی قدرتمند را پیشنهاد می‌کند: نوسانات کندتر تتا، چارچوب زمانی کلی یا "زمینه" را فراهم می‌کنند، در حالی که نوسانات سریع‌تر گاما، محتوای دقیق اطلاعاتی (آواها) را درون هر چرخه تتا "رمزگذاری" می‌نمایند. این چارچوب یکپارچه، به‌طور مؤثری توضیح می‌دهد که مغز چگونه می‌تواند همزمان به جزئیات دقیق صوتی توجه کرده و آن‌ها را در ساختارهای زبانی بزرگ‌تر و معنادارتر ادغام کند. این مدل‌ها فراتر از مدل‌های تک‌فرکانسی رفته و یک معماری عصبی پویا و چندلایه برای پردازش گفتار پیشنهاد می‌دهند.

🔺 ارائه شده توسط | مغز | زبان | شناخت |
🔰 آدرس صفحه اینستگرام |
💎 @brainlingua

Читать полностью…

#non_restricted
این فرضیه بنیادین مطرح است که ساختار ریتمیک سلسله‌مراتبی گفتار - شامل آواها، هجاها، کلمات و جملات - مبنایی قابل اتکا برای شناسایی گفتار در مغز فراهم می‌کند. بر این اساس، ریتم‌های مغزی مختلف نقش‌های متفاوتی ایفا می‌کنند: ریتم گاما (حدود ۳۰ هرتز) با رمزگذاری اطلاعات آوایی مرتبط است، ریتم تتا (۴-۸ هرتز) بخش‌بندی گفتار را به هجاها پشتیبانی می‌کند، و ریتم دلتا (زیر ۴ هرتز) یکپارچه‌سازی عناصر زبانی طولانی‌تر مانند کلمات و عبارات را تسهیل می‌کند. پژوهشگران مجموعه‌ای از مدل‌های محاسباتی را با جزئیات تحلیل کرده‌اند که هر کدام جنبه خاصی از پردازش گفتار را هدف قرار می‌دهند.
✅ @brainlingua
⑴ مدل Template-Matching Circuit = TMC که یکی از اولین مدل‌ها برای نشان دادن رمزگذاری عصبی آواها است، از مکانیسم ضربان‌ساز گاما برای ایجاد یک کد خط‌برچسب‌دار استفاده می‌کند. این مدل شامل سه لایه از نورون‌های به‌هم‌پیوسته است که سیگنال‌های صوتی را به بازنمایی‌های آوایی قابل شناسایی تبدیل می‌کنند. محدودیت اصلی این مدل اتکای آن به فرکانس ثابت گاما است که ممکن است سازگاری کامل مغز با سرعت‌های مختلف گفتار را در برنگیرد.
✅ @brainlingua
⑵ مدل Hopfield-Brody = HB که برای شناسایی الگوهای پیچیده فضایی-زمانی مانند تک‌هجاهای گفتاری طراحی شده، از همزمانی گذرا بین نورون‌ها بهره می‌برد. این مدل شامل دو ناحیه پردازشی اصلی است و نشان می‌دهد چگونه قشر حرکتی می‌تواند ویژگی‌های زمانی گفتار را پیش‌بینی کند و این پیش‌بینی‌ها به قشر شنوایی منتقل شوند. مدل نیرومندی خود را در برابر تغییرات طبیعی ورودی نشان داده اما نیازمند تنظیم دقیق وزن‌های سیناپسی و همزمانی گذرای دقیق است.
✅ @brainlingua
⑶ مدل Weakly Coupled Oscillator for Transient Synchronization = WCO-TS چارچوبی را برای درک فعالیت گاما در قشر شنوایی در طول شناسایی گفتار ارائه می‌دهد. این مدل با تمرکز بر همزمان‌سازی گذرای اسیلاتورهای عصبی برای تشخیص الگوهای صوتی در گفتار، مدل HB را گسترش می‌دهد. همزمان‌سازی در سراسر اسیلاتورها یک "رویداد شناسایی" را نشان می‌دهد که الگوی فضایی-زمانی خاصی با الگوی ذخیره‌شده مطابقت دارد.
✅ @brainlingua
⑷ مدل Time-Frequency Match = TFM چارچوب محاسباتی برای درک اینکه چگونه قشر شنوایی ممکن است محرک‌های متغیر زمانی مانند گفتار را با استفاده از نوسانات عصبی در محدوده فرکانس گاما رمزگذاری کند، ارائه می‌دهد. این مدل یک شبکه گاما هرمی-بین‌نورونی را به کار می‌گیرد که جمعیت‌های به‌هم‌پیوسته نورون‌های هرمی و بین‌نورون‌ها فعالیت در ریتم گاما تولید می‌کنند. مدل از پوش گفتار و ریتم گاما برای رمزگذاری آواهایی که در محرک‌های گفتاری رخ می‌دهند به الگوهای فعالیت اسپایک استفاده می‌کند.
✅ @brainlingua
⑸ شبکه Tripod رویکرد متفاوتی را با تمرکز بر نقش دندریت‌ها و انعطاف‌پذیری سیناپسی در یادگیری شناسایی کلمات بر اساس توالی‌های محرک زمانی مرتب اتخاذ می‌کند. هر نورون Tripod شامل سه بخش است: دو دندریت و یک سوما. دینامیک هماهنگ گیرنده‌های NMDA و کانال‌های دریچه‌دار ولتاژ روی دندریت‌ها یک حافظه دندریتی برقرار می‌کند که تقریباً ۱۰۰ میلی‌ثانیه طول می‌کشد.

🔺 ارائه شده توسط | مغز | زبان | شناخت |
🔰 آدرس صفحه اینستگرام |
💎 @brainlingua

Читать полностью…

③
تفاوت‌های فردی نقش مهمی در میزان بهره‌مندی از توانایی‌های موسیقایی برای یادگیری زبان ایفا می‌کند. جنسیت یکی از این عوامل است، به‌طوری که زنان معمولاً در وضوح تلفظ و کاهش لهجه خارجی عملکرد بهتری نشان می‌دهند. با این حال، آموزش موسیقایی می‌تواند این شکاف جنسیتی را تا حد زیادی جبران کند. سن شروع آموزش موسیقایی نیز اهمیت دارد، اگرچه تحقیقات نشان می‌دهند که حتی آموزش در سنین بزرگسالی نیز می‌تواند مفید باشد. این یافته بسیار امیدوارکننده است چرا که نشان می‌دهد پنجره‌های یادگیری برای بهره‌مندی از مزایای متقابل موسیقی و زبان محدود به سنین پایین نیست.
@brainlingua
اگرچه پردازش آهنگ (pitch processing) محوری‌ترین مکانیزم مشترک بین موسیقی و زبان به نظر می‌رسد، یافته ها نشان می‌دهد که مکانیسم‌های دیگری نیز در این رابطه نقش دارند. تقویت عملکردهای اجرایی (executive functions) مانند توجه، حافظه کاری، و کنترل شناختی از طریق آموزش موسیقایی، به بهبود پردازش زبان کمک می‌کند. همچنین، آموزش موسیقایی حساسیت کلی سیستم شنوایی را افزایش می‌دهد، که این تأثیر فراتر از پردازش آهنگ است و شامل پردازش بهتر خصوصیات زمانی، شدت، و بافت صوتی نیز می‌شود. این بهبودهای گسترده‌تر توضیح می‌دهند که چرا تأثیرات آموزش موسیقایی بر زبان محدود به جنبه‌های آهنگین نمی‌شود.
@brainlingua
اهمیت این یافته‌ها فراتر از علاقه‌مندی علمی است و پیامدهای عملی مهمی برای سیستم‌های آموزشی دارد. ادغام آموزش موسیقایی در برنامه‌های یادگیری زبان، به‌ویژه برای زبان‌های با ساختارهای آهنگین پیچیده، می‌تواند کارایی یادگیری را به‌طور چشمگیری افزایش دهد. همچنین، این تحقیقات نشان می‌دهد که سرمایه‌گذاری در آموزش موسیقایی نه تنها ارزش ذاتی دارد، بلکه مزایای جانبی قابل‌توجهی برای توسعه مهارت‌های زبانی نیز به همراه دارد.

🔺 ارائه شده توسط | مغز | زبان | شناخت |
🔰 آدرس صفحه اینستگرام |
💎 @brainlingua

Читать полностью…

①
#non_restricted
یکی از جامع‌ترین بررسی‌های انجام‌شده در این زمینه، مطالعه فرا-تحلیلی اخیر است که 184 اثر از 57 مطالعه مستقل با مشارکت 3181 نفر را تحلیل کرده است. این تحقیق بزرگ‌مقیاس با استفاده از روش‌های آماری پیشرفته نشان می‌دهد که رابطه مثبت و معناداری بین توانایی‌های موسیقایی و یادگیری زبان دوم وجود دارد. نتایج این فرا-تحلیل چندین نکته مهم را برجسته می‌کند. اول اینکه، تأثیر مثبت موسیقی بر یادگیری زبان در تمام گروه‌های سنی قابل مشاهده است، اگرچه در بزرگسالان ممکن است به دلایل جبرانی بیشتر نمود پیدا کند. دوم اینکه، این رابطه صرف‌نظر از نوع سنجش موسیقایی (چه بر اساس تست‌های استاندارد توانایی و چه بر اساس سال‌های آموزش) برقرار است. سوم، تأثیر بر درک و تولید اولیه صداهای زبان دوم قوی‌تر از تأثیر آن بر مهارت کلی زبان است.
@brainlingua
تحقیقات نوروساینس نشان می‌دهد که پردازش موسیقی و زبان در مناطق مشترکی از مغز، به‌ویژه در حوزه‌های مربوط به پردازش آکوستیکی پیچیده انجام می‌شود. مطالعات الکتروانسفالوگرافی (EEG) و پتانسیل‌های وابسته به رویداد (ERPs) مشخص کرده‌اند که افراد با آموزش موسیقایی پاسخ‌های عصبی کارآمدتری نسبت به نقض‌های انتظار در زمینه آهنگ گفتار نشان می‌دهند. یکی از مهم‌ترین یافته‌های عصبی این است که موسیقی‌دانان مؤلفه P600 کمتری در پاسخ به ناهماهنگی‌های شدید آهنگی نشان می‌دهند، که نشان‌دهنده استفاده از منابع عصبی کمتر برای پردازش اطلاعات پیچیده آهنگی است. این بدان معنا است که آموزش موسیقایی پردازش آهنگ گفتار را خودکارتر و کارآمدتر می‌کند. همچنین، دامنه مؤلفه P800 در موسیقی‌دانان با سطح آموزش موسیقایی آن‌ها رابطه مثبت دارد، که نشان می‌دهد تخصص بیشتر منجر به شکل‌پذیری عصبی عمیق‌تری می‌شود.

🔺 ارائه شده توسط | مغز | زبان | شناخت |
🔰 آدرس صفحه اینستگرام |
💎 @brainlingua

Читать полностью…

در این مطالعه، با هدف تبیین مبانی عصبی و زمان‌بندی تمایز میان شبکه‌های زبان و نظریه ذهن، از داده‌های fMRI یک گروه بزرگ شامل کودکان (۵۸ جلسه اسکن از ۴۴ کودک) و بزرگسالان (۲۹ نفر) استفاده شد. برای حصول اطمینان از کیفیت بالای داده‌ها در گروه کودکان، پروتکل‌های ویژه‌ای نظیر آشنایی با اسکنر ساختگی و حضور همراه به کار گرفته شد. داده‌های ساختاری و عملکردی با اسکنر ۳ تسلا Siemens Prisma جمع‌آوری و با ابزارهایی مانند FreeSurfer و FSL پردازش گردید. برای تعریف fROIs از محلی‌سازهای اختصاصی استفاده شد که برای زبان بر اساس تقابل پاسخ به جملات معنادار در برابر اصوات بدون ساختار زبانی و برای ToM بر اساس تقابل پاسخ به محتوای نیازمند ذهن‌خوانی در برابر نمایش درد فیزیکی عمل می‌کرد. تحلیل‌های کلیدی شامل سه رویکرد اصلی بود: ۱) مقایسه گزینش‌پذیری هر ناحیه به محرک‌های اختصاصی خود، ۲) بررسی میزان همپوشانی فضایی وکسل‌های فعال برای هر دو عملکرد، و ۳) مدل‌سازی پیش‌بینی‌کننده با استفاده از اثر الگوهای اتصالاتی (connectivity fingerprints) در حالت استراحت برای پیش‌بینی فعالیت مغزی در حین انجام وظیفه. در نهایت، از داده‌های طولی (با فاصله زمانی تقریبی یک‌ساله) جهت ارزیابی ثبات این الگوها در طول رشد بهره گرفته شده است.
◯◯ @brainlingua
بر اساس یافته‌ها، تمایز عملکردی میان زبان و نظریه ذهن در STL از سنین پایین کودکی، مشابه الگوی مشاهده‌شده در بزرگسالان، به وضوح برقرار است. به‌طور مشخص، نواحی عملکردی زبان که عمدتا در نیمکره چپ قرار دارند، گزینش‌پذیری بالایی نسبت به زبان نشان داده و به‌طور متقابل، نواحی ToM، که غالبا در نیمکره راست متمرکز هستند، به صورت اختصاصی به محتوای مرتبط با ذهن‌خوانی (mentalizing) پاسخ می‌دهند. مهم‌تر آنکه، هیچ شواهدی دال بر فرآیند جداسازی تدریجی (disentangling) در داده‌های مقطعی یا طولی یافت نشد؛ این یافته مؤید آن است که این تمایز از ابتدا وجود داشته و در طول رشد پایدار است. این جداسازی در سطح فضایی نیز مشهود است، به طوری که وکسل‌های دارای بیشترین پاسخ به هر یک از این دو حوزه، همپوشانی حداقلی دارند. علاوه بر این، فرضیه هم‌ترازی هموتوپیک میان نواحی زبان در نیمکره چپ و نواحی ToM در نیمکره راست در سطح فردی پشتیبانی نشده است. این تمایز پایدار عملکردی و فضایی، ریشه در الگوهای اتصالاتی متمایز دارد. تحلیل‌ها نشان داد که الگوهای اتصالاتی مغز در حالت استراحت، نه تنها فعالیت مغزی همزمان، بلکه فعالیت‌های آینده را نیز (در داده‌های طولی کودکان) با موفقیت پیش‌بینی می‌کنند. با این حال، این الگوهای پیش‌بینی‌کننده برای زبان و ToM کاملا مجزا و غیرهمپوشان هستند. به‌طوری‌که اتصال‌پذیری با سایر گره‌های شبکه زبان (مانند نواحی پیشانی پایینی) پیش‌بینی‌کننده فعالیت زبانی است، درحالی‌که اتصال‌پذیری با گره‌های شبکه ToM (مانند TPJ و پرکونئوس) فعالیت مربوط به ذهن‌خوانی را پیش‌بینی می‌کند. ثبات این الگوهای پیش‌بینی‌کننده در طول زمان در کودکان، تأکیدی بر نقش بنیادین ساختار اتصالاتی مغز در شکل‌دهی و حمایت از تخصص‌یابی عملکردی (specialization) این حوزه‌های شناختی از سنین بسیار پایین است.
◯◯ @brainlingua
نتایج این مطالعه، این دیدگاه را که پردازش زبان از بسترهای عصبی مشترک با ارتباطات اجتماعی نشأت می‌گیرد، به چالش می‌کشد و در عوض، از ریشه‌های عصبی متمایز این دو حوزه ذهنی از همان اوایل رشد انسان حمایت می‌کند. شواهد نشان می‌دهد که با وجود تخصص‌یابی عصبی مداوم برای رسیدن به وضعیت بالغ، زبان و نظریه ذهن از نظر عملکردی و فضایی از همان دوران کودکی (سنین ۴ تا ۹ سال) به‌طور قابل‌توجهی از یکدیگر متمایز هستند. این تمایز صرفاً در سطح فعالیت عصبی نیست، بلکه الگوهای اتصال‌پذیری که فعالیت هر یک از این حوزه‌ها را پیش‌بینی می‌کنند نیز عمدتاً غیرهمپوشان هستند. برخلاف فرضیه «درهم‌تنیدگی و جداسازی تدریجی»، داده‌های مقطعی و طولی هیچ نشانه‌ای از افزایش تمایز عملکردی یا فضایی با بالا رفتن سن را نشان نمی‌دهند. در مجموع، این یافته‌ها قویا از وجود بسترهای عصبی مجزا برای زبان و ToM از ابتدای رشد حمایت کرده و نشان می‌دهند که الگوهای اتصال‌پذیری ذاتی، تخصص‌یابی عملکردی این مناطق مغزی را شکل می‌دهند.

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

Читать полностью…

تمایز عملکردی و اتصالاتیِ زودهنگامِ زبان و نظریه ذهن
#non_restricted
زبان به عنوان یک مهارت منحصرا انسانی، نقشی حیاتی در ارتباطات مؤثر ایفا می‌کند. شواهد نشان می‌دهد که معماری عصبی پردازش زبان دارای جانبی‌شدگی غالبا به نیمکره چپ (LH) است. در مقابل، سایر جنبه‌های ارتباطی-اجتماعی، به‌ویژه نظریه ذهن (ToM)—توانایی استنتاج حالات ذهنی دیگران—در قشر هموتوپیک نیمکره راست (RH) جانبی‌شدگی نشان می‌دهد. از همین رو، این فرضیه مطرح می‌شود که پردازشگرهای عصبی زبان در انسان ممکن است از نواحی مغزی که در اصل برای درک محیط‌های اجتماعی تکامل یافته‌اند—مهارتی که در میان گونه‌های حیوانی مشترک است—نشأت گرفته باشند. یکی از پیش‌بینی‌های کلیدی این دیدگاه آن است که زبان و پردازش اجتماعی، به‌ویژه در قشر هموتوپیک، زیربنای عصبی مشترکی داشته باشند و احتمالاً در طول دوره رشد، از یک بستر قشری واحد تمایز یابند.

#نظریه_ذهن #زبان #شناخت #اتصالات_عملکردی_ساختاری
#Functional_connectivity #Cognition #Language

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

Читать полностью…

#non_restricted

#بخش_اول

در اواخر دههٔ ۱۸۰۰، بسیاری از دانشمندان زبان را صرفاً به عنوان مجموعه‌ای از کلمات ذخیره‌شده در بخش‌های مختلف مغز می‌دیدند—مثل یک دیکشنری ذهنی با بخش‌های جداگانه برای شنیدن کلمات و صحبت کردن آن‌ها. اما برخی از پزشکان متوجه چیزی عجیب شدند: بیماران خاصی کلمات را به خوبی به خاطر می‌آوردند، اما نمی‌توانستند آن‌ها را به درستی در حین صحبت کردن به هم متصل کنند. در دهه ۱۸۷۰، پزشک آلمانی، آدولف کوسماول (Adolf Kussmaul)، از اولین کسانی بود که به طور سیستماتیک این مشکلات در سطح جمله را مطالعه کرد. او بیمارانی را شناسایی کرد که با مکث و به صورت قطعات تلگرافی صحبت می‌کردند و بسیاری از کلمات ربط را حذف می‌کردند؛ این حالت آگراماتیسم (agrammatism) نامیده شد. گروهی دیگر نیز بودند که جملات پیچیده‌ای را به صورت ناگهانی بیان می‌کردند، اما با ساختاری درهم و آشفته که به آن‌ها هیولاهای سردرگم جمله گفته می‌شد و امروزه به آن پاراگرامیسم (paragrammatism) می‌گویند.
◯◯ @brainlingua
دهه ۱۹۵۰ شاهد انقلابی در دنیای زبان‌شناسی بود. در این دوران، زبان‌شناس برجسته، نوآم چامسکی، این نظریه متحول‌کننده را مطرح کرد که دستور زبان، صرفاً مجموعه‌ای از کلمات آموخته‌شده نیست؛ بلکه یک توانایی ذاتی و منحصراً انسانی است که بر پایه ساختارهای پیچیده و سلسله‌مراتبی عمل می‌کند. این دیدگاه، دانشمندان را به جستجویی گسترده برای یافتن «مرکز دستور زبان» در مغز واداشت. مظنون اصلی ناحیه بروکا بود؛ منطقه‌ای در لوب پیشانی چپ که از قبل به دلیل نقشش در تولید گفتار شناخته می‌شد. در دهه ۱۹۷۰، یک کشف مهم این نظریه را تأیید کرد: محققان دریافتند بیمارانی که در گفتار خود دچار مشکل دستوری (آگراماتیسم) هستند، در درک جملات پیچیده نیز ناتوان‌اند. به نظر می‌رسید که معما حل شده و بالاخره «مرکز دستور زبان» مغز پیدا شده است؛ ناحیه‌ای که هم مسئول درک و هم بیان دستور زبان بود.

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

Читать полностью…