مغز | زبان | شناخت
Open in Telegram
⊢تازههای علمیِ مرتبط با زبان و مغز⊣ ————— در اینستگرام سرچ کنید: brainlingua ————— آرشیو پستهای بدون محدودیت: @Brainlingua_archive ————— گروه مغز | زبان | شناخت: https://t.me/+K3qRNlzAQ443NDQ0 ————— سوال، نظر و یا پیشنهادتون رو مطرح کنید: @yas_rgr —————
Show more3 244
Subscribers
+224 hours
+27 days
-130 days
Data loading in progress...
Similar Channels
Tags Cloud
Incoming and Outgoing Mentions
---
---
---
---
---
---
Attracting Subscribers
July '26
July '26
+17
in 0 channels
June '26
+39
in 0 channels
Get PRO
May '26
+23
in 0 channels
Get PRO
April '26
+3
in 0 channels
Get PRO
March '26
+2
in 0 channels
Get PRO
February '26
+14
in 0 channels
Get PRO
January '26
+6
in 0 channels
Get PRO
December '25
+36
in 0 channels
Get PRO
November '25
+33
in 1 channels
Get PRO
October '25
+40
in 0 channels
Get PRO
September '25
+44
in 0 channels
Get PRO
August '25
+44
in 1 channels
Get PRO
July '25
+109
in 0 channels
Get PRO
June '25
+17
in 0 channels
Get PRO
May '25
+29
in 0 channels
Get PRO
April '25
+26
in 0 channels
Get PRO
March '25
+33
in 0 channels
Get PRO
February '25
+41
in 1 channels
Get PRO
January '25
+40
in 2 channels
Get PRO
December '24
+65
in 1 channels
Get PRO
November '24
+69
in 1 channels
Get PRO
October '24
+57
in 5 channels
Get PRO
September '24
+85
in 0 channels
Get PRO
August '24
+119
in 0 channels
Get PRO
July '24
+111
in 1 channels
Get PRO
June '24
+85
in 5 channels
Get PRO
May '24
+232
in 8 channels
Get PRO
April '24
+137
in 9 channels
Get PRO
March '24
+161
in 1 channels
Get PRO
February '24
+76
in 1 channels
Get PRO
January '24
+130
in 1 channels
Get PRO
December '23
+792
in 9 channels
Get PRO
November '23
+65
in 1 channels
Get PRO
October '23
+74
in 2 channels
Get PRO
September '23
+80
in 0 channels
Get PRO
August '23
+102
in 0 channels
Get PRO
July '23
+73
in 0 channels
Get PRO
June '23
+120
in 0 channels
Get PRO
May '23
+57
in 0 channels
Get PRO
April '23
+64
in 0 channels
Get PRO
March '23
+83
in 0 channels
Get PRO
February '23
+54
in 0 channels
Get PRO
January '23
+44
in 0 channels
Get PRO
December '22
+101
in 0 channels
Get PRO
November '22
+60
in 0 channels
Get PRO
October '22
+67
in 0 channels
Get PRO
September '22
+62
in 0 channels
Get PRO
August '22
+100
in 0 channels
Get PRO
July '22
+121
in 0 channels
Get PRO
June '22
+123
in 0 channels
Get PRO
May '22
+87
in 0 channels
Get PRO
April '22
+354
in 0 channels
Get PRO
March '22
+101
in 0 channels
Get PRO
February '22
+29
in 0 channels
Get PRO
January '22
+60
in 0 channels
Get PRO
December '21
+74
in 0 channels
Get PRO
November '21
+71
in 0 channels
Get PRO
October '21
+63
in 0 channels
Get PRO
September '21
+50
in 0 channels
Get PRO
August '21
+83
in 0 channels
Get PRO
July '21
+48
in 0 channels
Get PRO
June '21
+55
in 0 channels
Get PRO
May '21
+315
in 0 channels
| Date | Subscriber Growth | Mentions | Channels | |
| 18 July | 0 | |||
| 17 July | +4 | |||
| 16 July | 0 | |||
| 15 July | +1 | |||
| 14 July | +4 | |||
| 13 July | 0 | |||
| 12 July | +1 | |||
| 11 July | +2 | |||
| 10 July | 0 | |||
| 09 July | +1 | |||
| 08 July | 0 | |||
| 07 July | 0 | |||
| 06 July | 0 | |||
| 05 July | +1 | |||
| 04 July | 0 | |||
| 03 July | +2 | |||
| 02 July | +1 | |||
| 01 July | 0 |
Channel Posts
ارزش این مقاله را باید در پرتو گفتوگویی که با نظریههای رقیب موجود برقرار میکند سنجید. نخست، یافته سازمانیابی اولیه شبکه ریاضی، فرضیه بازیافت عصبی را نهفقط تأیید بلکه از آن فراتر میرود؛ زیرا نشان میدهد که این شبکه بازیافتهشده، پس از استقرار اولیه، از طریق سه سازوکار همزمان (تقویت، فراخوانی، خودکارسازی) دگرگون میشود، نه از طریق افزودن ساده نواحی تازه یا هرس (pruning) نواحی کهنه—تصویری بسیار ظریفتر از آنچه دو مدل سادهشده اولیهرقیب در ادبیات پیشنهاد میکردند.
▤ @brainlingua ▤
دوم، این پژوهش بهشکلی قانعکننده تناقضی دیرینه در ادبیات پیشین درباره سیر تحولی قشر پیشپیشانی را حل میکند. مطالعات مقطعی کودک-بزرگسال معمولا کاهش فعالیت پیشانی را با افزایش سن گزارش کردهاند، درحالیکه مطالعات ریزدانهتر درونگروه کودکان—از جمله همین مطالعه—افزایش فعالیت پیشانی را نشان میدهند. نویسندگان استدلال میکنند که این دو الگو متناقض نیستند، بلکه دو بخش از یک مسیر تحولی را نشان میدهند: مشارکت پیشپیشانی ابتدا، در حین اکتساب یک مهارت پیچیده (یعنی همان بازه سنیای که این مطالعه پوشش میدهد)، افزایش مییابد و سپس، با خودکارشدن تدریجی پردازش (که عمدتا در بازههای تحولی طولانیتر و در مقایسههای کودک-بزرگسال آشکار میشود)، کاهش مییابد. نویسندگان این الگو را با یافتههای مشابه درباره نقش گذرای هیپوکامپ در یادگیری حقایق حسابی و نیز با مسیر تحولی شبکههای آهیانهای-پیشانی در فرایند یادگیری خواندن مقایسه میکنند و آن را نشانه یک اصل کلیتر میدانند: قشر پیشپیشانی در ابتدا بهمثابه داربستی برای اکتساب مهارتهای پیچیده عمل میکند، پیش از آنکه بازسازماندهی عصبی، پردازش را بهسوی مدارهای تخصصیتر و کارآمدتر سوق دهد.
▤ @brainlingua ▤
سوم، یافته مربوط به aLOC، پژوهشهای پیشین درباره نقش این ناحیه در پردازش هندسی و ادراک بصری در بزرگسالان (از جمله در تفسیر نمودار و شکلهای هندسی) را به کودکان تعمیم میدهد، و ضمن مقایسه با یافتههای دیگر مبنی بر رشد بیشتر aLOC راست تا بزرگسالی، فرضیهای برای پژوهشهای آتی طرح میکند: احتمالا aLOC چپ بهطور اختصاصی برای واژگان و جملات هندسی تنظیم میشود، درحالیکه aLOC راست بیشتر با انباشت دانش درباره اشکال و گرافیک بصری (فارغ از زبان) پیوند دارد.
▤ @brainlingua ▤
چهارم، مسئله فراخوانی قلمرو قشری تازه، پرسشی بازمیگشاید که در حوزه خواندن بهخوبی کاویده شده اما در حوزه ریاضیات کمتر بررسی شده است: این وُکسلهای تازهفراخواندهشده پیش از این چه کارکردی داشتهاند؟ نویسندگان با استناد به همپوشانی شناختهشده بازنماییهای عددی/هندسی و بصری-فضایی در IPS، فرضیه میکنند که این نواحی احتمالا در ابتدا عملیات بصری-فضایی را پشتیبانی میکرده و سپس برای رمزگذاری محتوای انتزاعی عددی یا هندسی جملات بازآرایی شدهاند.
▨ ارائه شده توسط | مغز | زبان | شناخت |
▧ آدرس صفحه اینستگرام |
▤ @brainlingua ▤
| 2 | نخستین و شاید بنیادیترین یافته مقاله این است که حتی در کودکان ۵ تا ۶ ساله پیشدبستانی، شنیدن جملات ریاضی (در تقابل با جملات دانش عمومی و اجتماعی) شبکهای دوطرفه از نواحی مغزی را فعال میکند که شیارهای بینآهیانهای (IPS)، شکنجهای گیجگاهی پایینی (ITG)، شکنجهای پیشانی پایینی (IFG)، شکنجهای پیشانی میانی (MFG) و شکنج سینگولیت پشتی را دربر میگیرد. این الگو در هر سه نوبت سنی بهطور مستقل تکرار شد. با تعریف هشت ناحیه هدف مشخص بر مبنای داده بزرگسالان، مشخص شد که پاسخ به جملات ریاضی در همه این هشت ناحیه بهطور معنادار از پاسخ به جملات اجتماعی فراتر میرود (با اختلاف معنادار از ۵ تا ۷ ثانیه پس از آغاز جمله)، و در شش ناحیه از هشت ناحیه (همه بهجز MFG چپ و راست) از پاسخ به جملات دانش عمومی نیز فراتر میرود. این یافته حمایت قاطعی از فرضیه بازیافت عصبی فراهم میآورد و شواهد محدود پیشین درباره نوزادان و پیشدبستانیها را به شکلی بسیار مستحکمتر گسترش میدهد: معماری قشری ریاضیات پیش از هرگونه آموزش رسمی جایگرفته و کاملا فعالپذیر است.
▤ @brainlingua ▤
در سطح دقیقتر، مقایسه جملات هندسی با جملات حسابی، تنها یک ناحیه منفرد را بهطور گزینشی فعال کرد: قشر طرفی-جلویی پسسری چپ (left anterior lateral occipital cortex یا aLOC چپ)، که در مرز خلفی شکنج گیجگاهی پایینی چپ قرار دارد. این ناحیه نهفقط برای حساب، بلکه دانش عمومی و جملات اجتماعی نیز فعالیت بیشتری نشان داد، درحالیکه ناحیه متناظر در نیمکره راست تنها در مقایسه با جملات اجتماعی برتری معنادار نشان داد و در مقایسه با حساب یا دانش عمومی تفاوتی آشکار نکرد. با این حال، این تفکیک موضعی، شبکه گستردهتر ریاضیات را دوپاره نمیکند: حساب و هندسه در هسته مشترک هشت ناحیه ریاضی همپوشانی چشمگیری دارند و تفاوت میان آنها پس از تصحیح چندگانه معنادار نمیماند. نکته ظریفتر، وجود یک شیب جلویی-پشتی درون خود IPS است: بخشهای جلوییتر IPS پاسخ بیشتری به هندسه و بخشهای پشتیتر پاسخ بیشتری به حساب میدهند. این الگو نشان میدهد که حتی در سنین بسیار پایین، شبکه ریاضی نه یک توده یکپارچه و فاقد تمایز، بلکه دارای درجاتی از تخصصیابی زیرحوزهای است—امری که پیشتر عمدتا در بزرگسالان و ریاضیدانان حرفهای گزارش شده بود.
از میان هشت ناحیه، تنها IPS دوطرفه هم افزایش وابسته به سن در فعالیت و هم پایداری فعالیت برای جملات کاملا تسلطیافته را همزمان نشان داد—یافتهای که جایگاه محوری و پایدار IPS در قلب شناخت ریاضی را در سراسر تحول تأیید میکند و با مدل سهرمزی (triple-code model) شناخت عددی همخوان است: IPS بهمثابه یک منطقه همگرایی معنایی و فرامدالیته عمل میکند که حتی از طریق ورودی صرفا کلامی (بدون ارائه محرک عددی عینی مانند نقطه یا رقم) فعال میشود—و این پژوهش نشان میدهد که این کارکرد از دوره پیشدبستان، هم برای حساب و هم برای هندسه، و در هماهنگی تنگاتنگ با ITG، IFG و MFG برقرار است.
▨ ارائه شده توسط | مغز | زبان | شناخت |
▧ آدرس صفحه اینستگرام |
▤ @brainlingua ▤ | 197 |
| 3 | #non_restricted
نظریه غالب در این زمینه، فرضیه بازیافت عصبی (neuronal recycling) است که پیشتر توسط Dehaene و Cohen مطرح شده و بر این ایده استوار است که ریاضیات نمادین، مدارهای عصبی کهنی را که در اصل زیربنای شهودهای پیشریاضی بودهاند بازآرایی و بازاستفاده میکند. پژوهشهای تصویربرداری عصبی پیشین یک شبکه قشری پاسخگو به ریاضیات را در بزرگسالان شناسایی کردهاند که نواحی پیشپیشانی پشتی، بینآهیانهای و گیجگاهی پایینی شکمی-جانبی را دربر میگیرد؛ همین شبکه، با درجاتی از شباهت، در نوزادان، کودکان و حتی نخستیهای غیرانسانی نیز گزارش شده است.
▤ @brainlingua ▤
برای پر کردن این خلا، در یک مطالعه طولی بزرگمقیاس با سه نوبت تصویربرداری fMRI به فاصله یک سال از یکدیگر (مجموعا ۱۴۹ نوبت اسکن) طرحی اجرا شد که از پایان پیشدبستان تا پایان کلاس دوم دبستان را پوشش میداد. تکلیف آزمودنیها شنیدن جمله و قضاوت درباره درستی یا نادرستی آن در سه حوزه معنایی ریاضیات (شامل حساب و هندسه)، دانش عمومی (General Knowledge)، و جملات اجتماعی (Social) بود. نکته متمایزکننده این طرح نسبت به اغلب مطالعات پیشین—که عمدتا بر کمیتشماری غیرنمادین یا اعداد مجزا تمرکز داشتند—این بود که در اینجا دامنه گستردهتری از واژگان ریاضی و، مهمتر از آن، ترکیب این واژگان در قالب جملات معنادار (و گاه نادرست) مورد بررسی قرار گرفت؛ یعنی پردازش زبانیِ ریاضیات، نه صرفا ادراک محرکهای عددی مجزا. پژوهش در سه سطح مکمل: نخست، تفاوتهای سطح حوزه (domain-level)، یعنی مقایسه جملات ریاضی با جملات غیرریاضی؛ دوم، تخصصیابی درونحوزهای، یعنی مقایسه حساب و هندسه با یکدیگر؛ و سوم، ساختار بازنمایی ریزدانه، یعنی نگاشت پاسخ عصبی به تکتک جملات برای مشخصکردن فضای مفهومی درحال شکلگیریِ ریاضیات طراحی شده است. محرکها شامل ۷۲ جمله (۲۴ جمله در هر حوزه) بودند که از نظر ساختار نحوی، تعداد واژه، تعداد واج، مدت زمان و بسامد واژگانی با یکدیگر همتاسازی شده بودند. تکلیف اصلی، شنیدن این جملات و قضاوت درستی/نادرستی آنها با فشردن دکمه بود. تصویربرداری با اسکنر ۳ تسلا زیمنس Prisma و توالی چندباندی با کیفیت بالا انجام شد.
▨ ارائه شده توسط | مغز | زبان | شناخت |
▧ آدرس صفحه اینستگرام |
▤ @brainlingua ▤ | 359 |
| 4 |  #non_restricted
💎 معماری اولیه ذهن عددی: سازمانیابی شبکه ریاضی پیش از آموزش رسمی
اینکه مغز کودک چگونه از شهودهای اولیه عددی و هندسی که پیش از هرگونه آموزش رسمی وجود دارند بهسوی تسلط بر ریاضیات نمادین و مدرسهمحور حرکت میکند، مسئلهای نیازمند واکاوی علمی است. از یکسو، شهودهای پیشنمادین مانند برآورد تقریبی کمیت (approximate number) و درک غیرنمادین هندسه، پدیدههایی کهن از منظر تکاملیاند که در نوزادان انسان، فرهنگهای گوناگون، و حتی گونههایی چون میمونها، ماهیها و زنبورها مشاهده شدهاند. از سوی دیگر، ریاضیات نمادین و صوری که به سالها آموزش ساختاریافته نیاز دارد پدیدهای منحصرا انسانی است و برای بسیاری از کودکان با دشواری همراه است. پرسش محوری این است که چگونه مدارهای عصبی مشترکی که زیربنای این دو سطحاند به هم پیوند میخورند.
#شناخت_ریاضی #علوم_اعصاب_شناختی #تحول_شناختی_کودک #آموزش_و_مغز #هندسه_و_حساب
#Neuronal_Recycling #Mathematical_Cognition #Developmental_Neuroscience #Education_and_Brain
▨ ارائه شده توسط | مغز | زبان | شناخت |
▧ آدرس صفحه اینستگرام |
▤ @brainlingua ▤ | 398 |
| 5 | نتایج بهدستآمده، برتری چشمگیر دادههای MEG را نسبت به EEG نشان داد. مدل Brain2Qwerty هنگام کار با دادههای MEG به میانگین نرخ خطای کاراکتری ۲۹ درصد دست یافت؛ رقمی که برای دادههای EEG به ۶۵ درصد میرسید. حتی جالبتر آنکه در میان بهترین شرکتکنندگان مورد ارزیابی با MEG، مدل توانست نرخ خطا را تا مرز استثنایی ۱۸ درصد پایین بیاورد؛ و از آن مهمتر، در برخورد با مجموعهای از جملات کاملا تازه که هرگز در دادههای آموزشی حضور نداشتند، رمزگشایی را با دقت صددرصد و بدون کوچکترین نقصی به انجام رساند. در مقایسه با مدلهای پایه و کلاسیک، از جمله طبقهبندهای خطی ساده و معماری شناختهشدهی EEGNet، برتری Brain2Qwerty کاملا مشهود بود؛ بهگونهای که در برخی موارد، نرخ خطای دادههای MEG تا ۲.۵ برابر بهبود یافت.
▤ @brainlingua ▤
نکتهی ظریف دیگری که از تحلیل دادهها آشکار شد، تاثیر فراوانی کاربرد کلمات و حروف در دقت رمزگشایی بود؛ هرچه واژه یا حرفی در زبان پرکاربردتر بود، مدل با خطای کمتری آن را بازمیشناخت. مدل حتی در برابر کلماتی که پیشتر ندیده بود نیز کاملا درمانده نمیماند و تا حدی موفق به بازسازی آنها میشد، هرچند نرخ خطا در این موارد بهطور محسوسی بالاتر بود. شاید یکی از روشنگرترین یافتههای این پژوهش، ارتباط مستقیم میان خطاهای پیشبینیشدهی مدل و فاصلهی فیزیکی کلیدها روی صفحهکلید باشد. این الگو نشان میدهد که مدل، برای رمزگشایی، عمیقا بر بازنماییهای حرکتی و نقشهی مکانیِ کیبورد در قشر حرکتی مغز تکیه دارد، نه صرفا بر یک تناظر انتزاعی میان فکر و حرف. جالب اینکه هرگاه خودِ شرکتکننده دچار خطای تایپی میشد، دقت رمزگشایی نیز افت میکرد؛ گویی هرگونه تردید ذهنی یا اجرای ناقص فرمان حرکتی، مستقیما در وضوح سیگنالهای قابل رمزگشایی بازتاب مییابد. این یافتهها بهروشنی نشان میدهند که ترکیب تکنیکهای نوین هوش مصنوعی با سیگنالهای باکیفیتِ MEG، میتواند بدون نیاز به هیچ جراحی پرخطری، امکان رمزگشایی فرآیند تولید زبان را فراهم کند. این دستاورد، راه را برای طراحی واسطهای ایمن و کاربردی برای بیمارانی هموار میسازد که توان ارتباط کلامی خود را از دست دادهاند؛ از جمله افراد مبتلا به سندروم قفلشدگی (Locked in Syndrome) یا بیماری اسکلروز جانبی آمیوتروفیک (ALS).
▤ @brainlingua ▤
با این همه، محدودیتهایی نیز در مسیر پیشِ رو وجود دارد. نخستین چالش، ناتوانی سیستم فعلی در پردازش بلادرنگ است؛ چراکه معماری ترانسفورمر و ماژول زبانی، برای ارائهی خروجی نهایی، نیازمند تکمیل کامل جمله هستند. اما شاید سرنوشتسازترین گام برای کاربرد بالینیِ این فناوری، عبور موفقیتآمیز از "حرکت واقعیِ دست در داوطلبان سالم" به "تصور یا تلاش حرکتی در بیماران فلج" باشد؛ گامی که هنوز باید اثبات شود. با این حال، آنچه این پژوهش در نهایت ارائه میدهد، بیش از یک مدل رمزگشا است: یک چارچوب آزمایشی کارآمد که امکان گردآوری حجم عظیمی از دادههای رویدادمحور مغزی را با سرعت بالا فراهم میکند و افق روشنی را برای نسل آیندهی پروتزهای غیرتهاجمی ترسیم میسازد.
▨ ارائه شده توسط | مغز | زبان | شناخت |
▧ آدرس صفحه اینستگرام |
▤ @brainlingua ▤ | 401 |
| 6 | #non_restricted
طی یک دههی گذشته، پروتزهای عصبی تهاجمی پیشرفتهای خیرهکنندهای داشتهاند؛ ایمپلنتهایی که اکنون قادرند سرعت و کیفیت ارتباط کلامی را در بیماران دچار فلج شدید یا آسیبهای مغزی، تا مرزهای نزدیک به گفتار طبیعی بازگردانند. اما این دستاوردها بهایی سنگین دارند: نیاز به جراحی مغز، خطر عفونت و خونریزی، و دشواری حفظ کارایی ایمپلنت در بلندمدت. در سوی دیگر طیف، فناوریهای غیرتهاجمی نظیر الکتروآنسفالوگرافی (EEG) گرچه از خطرات جراحی بهدورند، اما به دلیل نسبت پایین سیگنال به نویز (SNR)، معمولا کاربر را ملزم به انجام تکالیف دشوار و طاقتفرسایی چون تمرکز طولانیمدت بر محرکهای چشمکزن یا تصور حرکتی میکنند؛ آن هم با دقتی که در نهایت در سطحی متوسط باقی میماند.
▤ @brainlingua ▤
دقیقا در همین شکاف میان ایمنی و دقت است که مدل هوش مصنوعی تازهای به نام Brain2Qwerty پا به میدان میگذارد؛ مدلی که هدفش کوچککردن این فاصله، بدون قربانیکردن ایمنی بیمار، است.
▤ @brainlingua ▤
برای آزمودن این رویکرد، پژوهشگران سراغ گروهی سیوپنجنفره از داوطلبان سالم، راستدست و مسلط به تایپ رفتند که همگی به زبان اسپانیایی صحبت میکردند. طراحی آزمایش به این صورت بود که ابتدا جملهای کلمهبهکلمه روی صفحهی نمایش ظاهر میشد؛ پس از پایان نمایش و یک مکث کوتاه، از شرکتکننده خواسته میشد همان جمله را با کمترین بازخورد بصری، روی یک کیبورد استاندارد QWERTY تایپ کند. همزمان با این فرآیند تایپ، فعالیت مغزی افراد ثبت میشد؛ برای نیمی از شرکتکنندگان با دستگاه مگنتوآنسفالوگرافی (MEG) و برای نیمی دیگر با EEG. قلب نوآوری این پژوهش را باید در معماری سهلایهی Brain2Qwerty جستوجو کرد. لایهی نخست، یک ماژول کانولوشنی است که وظیفه دارد پنجرههای زمانی پانصد میلیثانیهای از سیگنال مغزی، درست پیرامون لحظهی فشردهشدن هر کلید، را پردازش کند. خروجی این لایه سپس به یک ماژول ترانسفورمر سپرده میشود که در سطح کل جمله آموزش دیده است تا با درک بافت و زمینهی متن، پیشبینیها را اصلاح و تقویت کند. در نهایت، یک ماژول زبانی مبتنی بر مدل زبانی N-gram (با N=9) که پیشتر روی پیکرهی متنی ویکیپدیای اسپانیایی آموزش دیده، وارد عمل میشود تا با تکیه بر قواعد و الگوهای آماری زبان طبیعی، خروجی نهایی را پیراسته و منسجم سازد.
▨ ارائه شده توسط | مغز | زبان | شناخت |
▧ آدرس صفحه اینستگرام |
▤ @brainlingua ▤ | 665 |
| 7 |  #non_restricted
🔴 وقتی مغز تایپ میکند: رمزگشایی غیرتهاجمی جملات از فعالیت عصبی مغز
مقالهای که اخیرا در ژورنال Nature Neuroscience منتشر شده، روایتگر گامی تازه و امیدبخش در مسیر توسعهی واسطهای مغز و رایانه است؛ روشی که برای نخستینبار موفق شده فرآیند تولید جمله را صرفا از طریق فعالیتهای مغزی، بدون کوچکترین دخالت جراحی، رمزگشایی کند.
#واسط_مغز_رایانه #رمزگشایی_مغزی #پروتز_عصبی #علوم_اعصاب_شناختی #یادگیری_عمیق #سندروم_قفلشدگی
#Brain_Computer_Interface #Brain2Qwerty #Neural_Decoding #Non_Invasive_BCI #Deep_Learning #Locked_in_Syndrome #ALS #Neuroprosthetics
لینک گیتهاب پروژه: (کلیک کنید)
▨ ارائه شده توسط | مغز | زبان | شناخت |
▧ آدرس صفحه اینستگرام |
▤ @brainlingua ▤ | 359 |
| 8 | برای دستیابی به وضوح بالا در ترسیم شبکههای مغزی، از تکنیک تصویربرداری انتشار و مسیرنگاری فیبر مبتنی بر واهمپیچش کروی (Spherical deconvolution tractography) استفاده شده که امکان ردیابی دقیق در نواحی دارای تقاطع فیبری را فراهم میکند. دادههای عصبی از ۹ میمون دنیای قدیم (Old World monkeys)، ۴۳ شامپانزه و ۴۳ انسان سالم استخراج و تحلیل شده است. بر اساس لندمارکهای آناتومیک، مسیر FAT در این گونهها به دو بخش پشتی (پیشمرکزی یا Precentral) و جلویی (پیشپیشانی یا Prefrontal) تفکیک شدند. در مطالعه بیماران، دادههای ۹۸ فرد مبتلا به PPA بررسی شد. در این فاز، بخش پیشپیشانی مسیر FAT بر مبنای اتصالات آن با شکنج پیشانی پایینی (IFG) به سه زیربخش ریزتر تقسیم شده است:
▤ @brainlingua ▤
اوربیتالیس (Pars orbitalis)، تریانگولاریس (Pars triangularis) و اوپرکولاریس (Pars opercularis)
سپس سنجههای انتشار ریزساختاری مانند ناهمسانگردی کسری (Fractional Anisotropy - FA) محاسبه شده است. توانایی روانی کلام (Spontaneous speech) با استفاده از شاخص کلمات در دقیقه (WPM) در داستانگویی سیندرلا ارزیابی شد. برای سنجش ظرفیت تولید نحو و چیدمان اجزای جمله، از آزمونهای NAVS-SPPT و NAT بهره گرفته شده است.
▤ @brainlingua ▤
یافتهها نشان میدهد که حجم متناسب کل مسیر FAT در مغز انسان بهطور معناداری بزرگتر از میمونها و شامپانزهها است. با این حال، تحلیلهای زیربخشی نشاندهنده دو روند تکاملی کاملاً متفاوت است:
بخش پیشمرکزی (Precentral FAT) در گونه انسان و شامپانزه در مقایسه با میمونها کوچکتر شده است.
در مقابل، بخش پیشپیشانی (Prefrontal FAT) گسترش چشمگیری را تجربه کرده است؛ بهطوریکه نسبت حجم آن به کل مسیر FAT در میمونها ۱۴ درصد، در شامپانزهها ۶۷ درصد و در انسانها به ۸۶ درصد میرسد.
مسیر FAT در میمونها و شامپانزهها بین دو نیمکره مغز تقریبا متقارن است. اما در انسان، این شبکه بهویژه در بخش پیشپیشانی خود دارای جانبیشدگی بسیار بارز بهسمت نیمکره چپ است. این عدم تقارن ساختاری یکی از ویژگیهای منحصربهفرد در تکامل مغز انسان محسوب میشود.
▤ @brainlingua ▤
بررسی مسیرهای ورودی به FAT نشان میدهد که حجم سینگولوم (Cingulum)، که اطلاعات سیستم لیمبیک را برای آواسازیهای درونی منتقل میکند، در هر سه گونه ثابت مانده است. اما طناب هلالی (Arcuate fasciculus) که ورودیهای پیچیده شنوایی و دیداری-فضایی را به قشر پیشانی شکمی-جانبی میآورد، در انسان بهمراتب حجیمتر از نخستیهای غیرانسان است. این گسترش منحصرا در بخش پیشانی-گیجگاهیِ (Fronto-temporal) طناب هلالی مشاهده میشود. تحلیل دادههای بیماران PPA یک شیب آناتومیک-عملکردی واضح را در ناحیه بروکا و مسیرهای متصل به آن آشکار میسازد. نقص در روانی کلام بهطور معناداری با کاهش یکپارچگی ماده سفید در بخش پیشمرکزی و بخش پشتی قشر پیشپیشانی (FAT opercularis) همبستگی دارد.
در نقطه مقابل، پردازشهای نحوی وابستگی شدیدی به بخشهای قدامی آشکار میسازند. نشان داده شده است که اختلال در تولید نحو و خطاهای ساختاری در آزمونهای ارزیابی جملات، با تحلیلرفتگی در مسیرهای FAT orbitalis و FAT triangularis ارتباط مستقیم دارد.
▤ @brainlingua ▤
این مطالعه شواهد قدرتمندی در تایید فرضیه تطابق مجدد (Exaptation) ارائه میدهد. شبکه FAT که در نخستیهای غیرانسان برای سازماندهی سلسلهمراتبی رفتار، هماهنگی حرکتی و تولید آواهای غریزی کاربرد داشته است، در طول تکامل انسان دستخوش بازسازیهای گستردهای شده است. از منظر نوروساینس شناختی، همبستگی خطاهای نحوی با بخشهای قدامی مسیر FAT (متصل به نواحی BA45 و BA47 در شکنج پیشانی تحتانی) نشاندهنده تخصصیشدن این مدارها برای پردازشهای واژی-نحویِ خطی و ادغام معنایی-ساختاری است. توسعه حیرتانگیز بخش پیشپیشانی این شبکه در انسان، در پیوند با گسترش مدار AF، بستر نوروآناتومیک حیاتی را برای توالییابی دقیق آواهای گفتاری و گذار از ارتباطات ساده به سیستمهای پیچیده زبان نحوی فراهم آورده است.
▨ ارائه شده توسط | مغز | زبان | شناخت |
▧ آدرس صفحه اینستگرام |
▤ @brainlingua ▤ | 460 |
| 9 |  #non_restricted
🔴 بستر نوروآناتومیک فرگشت زبان: تطابق مجدد مدارهای پیشانی و همتکاملی با طناب هلالی
نخستیهای غیرانسان و انسان از نواحی قشری پیشانیِ شکمی-جانبی (Ventrolateral) و پشتی-میانی (Dorsomedial) برای تولید صدا و ارتباطات آوایی استفاده میکنند؛ با این وجود، ظرفیت تولید گفتار پیچیده و دستوری کاملا مختص انسان است. این نواحی از طریق یک ساختار ماده سفید به نام مسیر مورب پیشانی (Frontal Aslant Tract - FAT) به یکدیگر متصل میشوند. در یک مطالعه، مقایسه تطبیقی آناتومی FAT در میان گونههای مختلف نخستیها برای کشف مکانیسمهای تکاملی گفتار انسان و همچنین، برای ارزیابی عملکردی این تغییرات ساختاری، همبستگی میان تحلیلرفتگی زیربخشهای FAT و بروز نقصهای زبانی (نظیر اختلال در روانی کلام و پردازشهای پیچیده نحوی) در بیماران مبتلا به زبانپریشی پیشرونده اولیه (Primary Progressive Aphasia - PPA) مورد آزمایش قرار گرفته است.
#فرگشت_زبان #تولید_آوا #گفتار
#Language_Evolution #Primate_Vocalization #Brain_White_Matter
▨ ارائه شده توسط | مغز | زبان | شناخت |
▧ آدرس صفحه اینستگرام |
▤ @brainlingua ▤ | 801 |
| 10 | #non_restricted
| پادکـست ◄ نوروساینسِ زبان
| اپـــیــــزود ◄ بیست و نهم
| مـیـزبـــان ◄ استفان ام. ویلسون
| گفتگـو بـا ◄ دروسی بیشاپ
| مــوضـوع ◄ اختلال رشدی زبان و اساس عصبی آن
| مـــنــبـــع ◄ Language Neuroscience Laboratory
#Developmental_Language_Disorder #Neuropsychology #Podcast
━━━━━◉──────
↻ㅤ ◁ㅤ ❚❚ㅤㅤ▷ㅤ ⇆
ارائه شده توسط ≫ مغز | زبان | شناخت |
آدرس صفحه اینستگرام ≫
⨠ @brainlingua | 849 |
| 11 | بر اساس مدلهای رشدی، قشر مغز در طول دوران کودکی در امتداد یک گرادیان رشدی (Sensorimotor-to-Association Axis) تحول پیدا میکند. در سیستم بینایی شکمی، قشر دوکیشکل (مسئول بازشناسی پیشرفته کلمات و چهرهها) به بیش از ۱۰ سال زمان برای تکامل نیاز دارد. در مقابل، نورونهای ناحیه LOC (پردازش فرم حروف) بسیار زودتر بالغ میشوند. این عدم تقارن زمانی در بلوغ قشری باعث میشود که کودکان و خوانندگان مبتدی، پیش از شکلگیری کامل منطقه فرم دیداری کلمات (VWFA)، تکیه شدیدی بر استراتژی بازگوکردن زیرلبی یا تلفظ درونزادی (subvocal/articulatory rehearsal) داشته باشند. شواهد تجربی این فرضیه عبارتند از:
▤ @brainlingua ▤
سرکوب تلفظی: تکرار یک هجای بیربط همزمان با خواندن، پردازش کلمات را در کودکان مختل میکند، اما تاثیر چندانی بر بزرگسالان ماهر ندارد.
همبستگی ساختاری: مهارت خواندن در کودکان با کاهش حجم ماده خاکستری در PMv چپ (که نشاندهنده هرس سیناپسی و افزایش میلینسازی کارآمد است) و همچنین افزایش یکپارچگی ساختاری مسیرهای AF و IFOF همبستگی مستقیم دارد.
پاسخهای جبرانی در اختلالات خواندن: کودکان مبتلا به نارساخوانی (Dyslexia) و همچنین بزرگسالانی که دچار آسیب در قشر پسسری-گیجگاهی چپ شدهاند (آلکسیا)، فعالسازی و اتصال بالاتری را در PMv چپ نشان میدهند. این پدیده نشاندهنده بهکارگیری یک مکانیسم جبرانی برای رمزگشایی رشتههای طولانی کلمات است.
▤ @brainlingua ▤
یک ایده سنتی وجود دارد که میگوید مسیرهای پیشحرکتی صرفا در کودکان یا افراد مبتلا به اختلال فعال هستند. دادههای MEG و مطالعات TMS اثبات کردهاند که یک مسیر زیرواژگانی سریع (fast sublexical route) شامل PMv چپ در بزرگسالان سالم نیز کاملا فعال است. این مسیر کدهای حرکتی گفتار را در مراحل بسیار اولیه خواندن دیداری و با سرعتی بسیار بالاتر از آنچه قبلا تصور میشد تولید میکند. از دیدگاه فرگشتی، این مسیر نهفته خواندن، بازیافت فرهنگی سیستمهای عصبی نخستینسانان غیرانسانی است. پیشسازهای تکاملی این شبکه را میتوان در سیستمهای نورون آینهای میمونها یافت که برای ارتباطات صوتی و حالات چهره در تعاملات اجتماعی تکامل یافته بودند و اکنون در انسان برای پردازش کدهای تلفظی هنگام خواندن بازتولید شدهاند.
▨ ارائه شده توسط | مغز | زبان | شناخت |
▧ آدرس صفحه اینستگرام |
▤ @brainlingua ▤ | 511 |
| 12 | از منظر ویژگیهای معماری سلولی (cytoarchitecture)، منطقه PMv چپ که با ناحیه ۶ برودمن (BA 6) مطابقت دارد، کاملا از ناحیه بروکای مجاور (BA 44/45) و قشر حرکتی اولیه (BA 4) متمایز است. در شرایطی که ناحیه کلاسیک بروکا عمدتا در پردازشهای انتزاعی زبانی/غیرزبانی مانند رمزگذاری گرامری و تحلیل نحوی دخالت دارد، ناحیه PMv بهطور اختصاصی با کدهای تلفظی (articulatory codes) برای تولید گفتار مرتبط است. شواهد آسیبشناختی و بالینی بهوضوح از این تفکیک عملکردی حمایت میکنند:
▤ @brainlingua ▤
◯ ضایعات موضعی در PMv چپ منجر به اختلالی به نام آپراکسی گفتار (Apraxia of Speech - AOS) میشود که مشخصه آن خطاهای تولیدی ناپایدار و تلاش مفرط و دشوار برای هماهنگی حرکتی اندامهای گفتاری است.
◯ در مقابل، آسیب به ناحیه حرکتی اولیه (M1)، باعث دیسآرتری ناشی از ضعف عضلانی میشود که با مکانیسم برنامهریزی حرکتی PMv متفاوت است.
◯ این ناحیه همچنین بخشی از سیستم نورونهای آینهای یا جفتشدن ادراک-کنش است که هنگام مشاهده اقدامات حرکتی دیگران فعال شده و به کنترل خودکار عبارات چهره و دهان در تعاملات اجتماعی کمک میکند.
◯ بخش برنامهریزی حرکتی گفتار در PMv، در افراد راستدست بهشدت به سمت نیمکره چپ سوگیری دارد (چپجانبی شده است).
▤ @brainlingua ▤
برای درک چگونگی ایفای نقش PMv چپ در خواندن، بررسی اتصالات ساختاری آن با قشر پسسری-آهیانهای و گیجگاهی ضروری است. این منطقه پیامهای ورودی را از طریق سه دسته اصلی ماده سفید دریافت میکند:
① دسته پیشانی-پسسریِ پایینی (IFOF): این دسته طویل، مناطق پسسری-گیجگاهی را به لوب پیشانی پایینی (شامل PMv) متصل میسازد. شواهد tractography نشان میدهد که انتهای پشتی IFOF به قشر پسسری جانبی (LOC) که مسئول پردازش فرم دیداری حروف است، ختم میشود. از این رو، راه LOC-to-PMv به عنوان یک مسیر مستقیم برای تولید سریع کدهای حرکتی گفتار از روی نویسهها عمل میکند.
② دسته طولی بالایی (SLF III - شاخه شکمی): این دسته قشر آهیانهای پایینی (از جمله شکنج فوقحاشیهای و زاویهای) را به PMv متصل میکند. از آنجا که قشر آهیانهای پایینی مسئول تبدیل صریح حرف به صدا (grapheme-to-phoneme conversion) است، این شبکه پیشانی-آهیانهای به عنوان مسیر رمزگشایی پشتی (dorsal decoding pathway) شناخته میشود که از مسیر معناییِ شکمی کاملا مجزاست.
③ طناب هلالی (AF): این مسیر، قشر پیشحرکتی را به نواحی شنیداری مرتبهبالا در شکنج گیجگاهی بالایی متصل میکند. این مسیر در فرآیند نگاشت صوتی-حرکتی (audio-motor mapping) برای تکرار و تقلید گفتار نقش دارد و بازخورد صوتی لازم را در مراحل اولیه اکتساب زبان و سوادآموزی فراهم میسازد.
▨ ارائه شده توسط | مغز | زبان | شناخت |
▧ آدرس صفحه اینستگرام |
▤ @brainlingua ▤ | 402 |
| 13 |  #non_restricted
نقش علی و تحولی قشر پیشحرکتی شکمی چپ در شبکه خواندن کودکان و بزرگسالان
بزرگسالان نشانههای نوشتاری را با سرعتی شگفتانگیز (۴۰۰ تا ۵۰۰ میلیثانیه) و بهصورت خودکار (حتی بدون آگاهی هشیارانه کامل) از طریق تبدیل بینایی-حرکتی (visuomotor translation) به گفتار تبدیل میکنند. این توانایی، ذاتی نیست بلکه حاصل آموزش طولانیمدت و بازسازماندهی سیستمهای عصبی پیشین (مانند نامگذاری اشیاء) است. با این حال، در مدلهای عصبشناختی سنتی (مانند مسیر دوگانه یا مثلثی [1 و 2])، شبکه خواندن نیمکره چپ صرفا در مسیرِ شکنج دوکیشکل (FG) (پردازش دیداری) ← شکنج فوقحاشیهای (SMG) (رمزگشایی واجی) ← قشر پیشپیشانی پایینی پشتی تعریف میشود. در این مدلها، قشر پیشحرکتی شکمی چپ (Left PMv) بهطور واضح به عنوان یک بلوک ساختاری بنیادین به رسمیت شناخته نشده است و مولفههای نهایی گفتار معمولا تحت عنوان کلی "ناحیه بروکای پشتی" یا "شکنج پیشمرکزی" برچسبگذاری میشوند.
#خواندن #قشر_حرکتی #زبان
#Reading #Phonological_Decoding #Ventral_Premotor
▨ ارائه شده توسط | مغز | زبان | شناخت |
▧ آدرس صفحه اینستگرام |
▤ @brainlingua ▤ | 775 |
| 14 | در یک پژوهش، با هدف پر کردن این خلاء علمی مهم تلاش شده تا نشان داده شود آیا پردازش نوای عاطفی نیز مسیر تحولی مشابهی را طی میکند و چگونه تخصصیشدن نیمکره راست در طول رشد تثبیت میشود. هدف اصلی، بررسی الگوی فعالسازی مغز و تعیین میزان جانبیشدن نیمکرهای (Hemispheric Lateralization) در پردازش نوای عاطفی با استفاده از تکنیک تصویربرداری تشدید مغناطیسی عملکردی وظیفهمحور (Task-based fMRI) بر روی یک گروه نمونه از کودکان در بازه سنی ۴ تا ۱۲ سال است. کودکان در طول اسکن در معرض محرکهای گفتاری با ویژگیهای نوایی و عاطفی متفاوت قرار گرفتند تا پاسخهای همودینامیک مغز آنها ثبت شود. تحلیلهای ساختاری و عملکردی بر روی قشر پیشانی-گیجگاهی (Frontotemporal) تمرکز داشت که به عنوان بستر اصلی پردازشهای آوایی و عاطفی شناخته میشود. همچنین برای ارزیابی دقیق میزان تقارن یا عدم تقارن فعالیت مغزی، شاخص جانبیشدن (LI) محاسبه شده است. مقادیر این شاخص نشان میدهد که آیا پردازش به صورت دوطرفه (Bilateral) انجام میشود یا تمایل مشخصی به سمت نیمکره راست یا چپ وجود دارد.
▤ @brainlingua ▤
یافتهها نشان میدهد که کودکان در این بازه سنی، همانند بزرگسالان، نواحی پیشانی-گیجگاهی نیمکره راست را در پاسخ به نوای عاطفی فعال میکنند. با این حال، تفاوتهای فردی قابلتوجهی در میزان و درجه این جانبیشدن میان شرکتکنندگان مشاهده شده است. در نواحی پیشانی (Frontal regions)، الگوی پردازش ارتباط مستقیمی با سن کودک دارد. کودکان خردسالتر (نزدیک به ۴ سال) الگوی فعالسازی متقارنتر و دوطرفهای را نشان دادند. با افزایش سن و حرکت به سمت ۱۲ سالگی، یک جابهجایی تکوینی تدریجی به سمت راست (Rightward shift) رخ میدهد و عملکرد مغز به مرور زمان در نیمکره راست متمرکز و جانبی میشود.
▤ @brainlingua ▤
نتایج این پژوهش مدل پویایی از انعطافپذیری و تکوین مغز را بازگو میکند. یافتهها تایید میکند که سیستمهای مغزی مسئول پردازش جنبههای مختلف زبان (جنبههای نحوی در مقایسه با عاطفی) مسیرهای تحولی موازی اما معکوسی را طی میکنند:
شبکه پردازش معنایی و نحوی با افزایش سن، از حالت دوطرفه به سمت نیمکره چپ متمایل میشود.
شبکه پردازش نوای عاطفی (بهویژه در بخشهای قشر پیشانی) با افزایش سن، از حالت دوطرفه به سمت نیمکره راست سوق پیدا میکند.
این تفکیک تدریجی وظایف در طول رشد (تخصصیشدن نیمکرهای) نشاندهنده بهینهسازی و افزایش کارایی شبکههای عصبی برای پردازش یکپارچه و در عین حال مجزای پیامهای زبانی و سیگنالهای اجتماعی-عاطفی است. مغز در حال رشدِ کودک، علیرغم دارا بودن اصول اولیه پردازش در نیمکره راست، نیازمند زمان و فرآیند پختگی (Maturation) است تا بتواند تخصصیشدن کامل شبکههای پیشانی را در مدیریت عواطف شنیداری تثبیت کند. این یافتهها میتواند دریچههای جدیدی را در درک آسیبهای مغزی زودهنگام و توانبخشی شناختی کودکان بگشاید.
▨ ارائه شده توسط | مغز | زبان | شناخت |
▧ آدرس صفحه اینستگرام |
▤ @brainlingua ▤ | 474 |
| 15 |  #non_restricted
⭕️ تحول شبکههای عصبی و تخصصیشدن نیمکرهای در درک لحن عاطفی گفتار
درک کامل زبان تنها به پردازش واژگان و قواعد نحوی محدود نمیشود، بلکه نوای عاطفی (Emotional Prosody) — یعنی آهنگ، طنین و لحن صدا — نقشی حیاتی در انتقال وضعیت عاطفی گوینده و تعاملات اجتماعی ایفا میکند. در بزرگسالان، شواهد متقنی وجود دارد که نشان میدهد نیمکره راست مغز (بهویژه نواحی پیشانی-گیجگاهی) نقش مسلط را در پردازش این مولفههای عاطفی بر عهده دارد. در مقابل، پردازشهای ساختاری و زبانی عمدتا در نیمکره چپ متمرکز هستند. با این حال، چگونگی شکلگیری این تفاوت عملکردی در طول دوران کودکی همواره محل بحث بوده است. تحقیقات گذشته در زمینه رشد نشان دادهاند که پردازش جملات و نحو در سنین پایین بهصورت توزیعشده و در هر دو نیمکره انجام میشود و با افزایش سن، به تدریج به سمت نیمکره چپ متمایل و جانبی (Left-lateralized) میگردد.
#نوای_عاطفی #جانبی_شدن_نیمکره_ای #تکوین_عصبی
#Emotional_Prosody #Neurodevelopment #Functional_Specialization
▨ ارائه شده توسط | مغز | زبان | شناخت |
▧ آدرس صفحه اینستگرام |
▤ @brainlingua ▤ | 1 025 |
| 16 | #non_restricted
مطابقت نحوی در شبکههای عصبی و گفتار کودک-محور
تحلیل نتایج مدلهای عصبی در شرایط چهارگانه ارزیابی (تطابق/عدم تطابق شمار اسامی و جفتهای دیده شده/دیده نشده) پدیده جالبی را آشکار ساخت:
▤ @brainlingua ▤
ناامیدی در دو سر طیف آماری: در شرایطی که تنوع بسیار بالا بود (alpha = 0)، مدلها نمیتوانستند سیگنال آماری منسجمی برای کشف وابستگی نحوی پیدا کنند. در سمت مقابل، وقتی پیشبینیپذیری مطلق بود (∞ ⇾ alpha)، مدلها صرفا جفت کلمات را حفظ میکردند و در مواجهه با کلمات جدید کاملا شکست میخوردند.
کشف نقطه بهینه (Sweet Spot): نتایج نشان داد که در alpha ≈ 1.4، مدلها به دقت نزدیک به % 100 در تشخیص قاعده درست مطابقت نهاد و فعل دست یافتند. این سطح از پایداری نشان میدهد که دادهها باید به اندازه کافی پیشبینیپذیر باشند تا پیوند میان نهاد و فعل آشکار شود، و در عین حال به اندازه کافی متنوع باشند تا انتزاع ساختاری شکل بگیرد.
انطباق شگفتانگیز با زبان مادری: در آزمایش دوم، تحلیل پیکره CHILDES نشان داد که پارامتر آلفای بهینه برای برازش گفتار واقعی هدایتشده به کودک برابر با alpha = 1.43 است. همچنین با تفکیک گروههای سنی کودکان، مشخص شد که این پارامتر با افزایش سن کودک کمی کاهش مییابد (از 1.46به 1.23) اما در تمام مراحل دقیقا در محدوده بهینهای قرار دارد که مدلهای کامپیوتری در آن بهترین عملکرد تعمیمدهی نحوی را داشتند.
▤ @brainlingua ▤
این ایده با مفهوم خودراهاندازی توزیعی (Distributional Bootstrapping) که به کشف مقولات واژگانی (مانند اجزای کلام) کمک میکند همسو است، اما گامی فراتر رفته و نشان میدهد که آمار توزیعی نه تنها کلمات، بلکه روابط ساختاری میان کلمات را نیز عیان میسازد.
▨ ارائه شده توسط | مغز | زبان | شناخت |
▧ آدرس صفحه اینستگرام |
▤ @brainlingua ▤ | 550 |
| 17 | نویسندگان مدلهای (ترنسفورمری) زبانی دو لایه و ردیابمحور (Decoder-only) با ساختاری مشابه GPT-2 (شامل 1.6 میلیون پارامتر) را از پایه آموزش دادند. کلمات به صورت توکنهای مجزا (بدون اطلاعات صرفی یا املایی) به مدل ارائه شدند تا هیچگونه نشانه ساختاری یا مورفولوژیکی پیشفرض در دسترس نباشد. برای کنترل دقیق توزیعهای آماری، از گرامرهای ساختگی (Synthetic Grammars) استفاده شد. آنها پیکرههایی شامل 12,000 جمله منحصربهفرد تولید کردند. در تمام این جملات، برای ایزوله کردن متغیرها، تعمدا ویژگی ابهام حفظ شد؛ یعنی تمام اسمهای درون جمله (نهاد و اسمهای داخل عبارات حرف اضافهای) از نظر شمار (مفرد یا جمع بودن) کاملا یکسان بودند تا مدل نتواند بر اساس توالی ساده سطحی، قاعده مطابقت را ترجیح دهد.
▤ @brainlingua ▤
متغیر مستقل کلیدی در این آزمایش، میزان پیشبینیپذیری یا تنوع (Variability) جفتهای نهاد-فعل بود. انتخاب اسمها برای هر فعل بر اساس توزیع زیپف (Zipfian Distribution) انجام شد که در آن یک پارامتر آزاد به نام آلفا میزان تنوع را کنترل میکرد:
آلفا = 0 (تنوع حداکثری): اسمها به صورت کاملا یکنواخت و تصادفی با افعال جفت میشدند (هیچ رابطهای بین معنا یا همنشینی کلمات وجود نداشت).
آلفا ← بینهایت (پیشبینیپذیری حداکثری/انجماد): هر فعل تنها و تنها با یک اسم خاص که به طور ساختگی برای آن تعریف شده بود همآیی داشت.
مقادیر میانی آلفا (تنوع متوسط): توزیع طبیعیتری را بازنمایی میکرد که در آن برخی اسمها با یک فعل بسیار رایج و برخی دیگر کمتکرارتر بودند.
همچنین در هر توزیع، 10 اسم تعمدا در طول آموزش هرگز با فعل هدف ظاهر نمیشدند تا توانایی مدل در تعمیمدهی به جفتهای جدید (Unseen) سنجیده شود.
▤ @brainlingua ▤
برای ارزیابی این که آیا یافتههای مدل با دنیای واقعی همخوانی دارد یا خیر، پژوهشگران به سراغ پیکره CHILDES (سیستم تبادل دادههای زبان کودک) رفتند. آنها پس از فیلتر کردن دادهها، صرفا گفتار بزرگسالان خطاب به کودکان (از بدو تولد تا 96 ماهگی) را استخراج کردند که در مجموع شامل بیش از 4.7 میلیون گفتار و نزدیک به 2.8 میلیون جفت نهاد-فعل استخراجشده توسط وابستگیسنج نحو (spaCy) بود. سپس توزیع تجربی همآییها برای 100 فعل پربسامد محاسبه شد تا بهترین مقدار پارامتر آلفا در زبان واقعی کودکان مشخص گردد.
▨ ارائه شده توسط | مغز | زبان | شناخت |
▧ آدرس صفحه اینستگرام |
▤ @brainlingua ▤ | 384 |
| 18 | 🔺 تحلیل نقطه بهینه آماری در یادگیری ماشین برای اکتساب روابط نحوی بدون نشانههای ساختاری
برای پاسخ به این پرسش، فرضیه جدیدی تحت عنوان خودراهاندازی همنشینی (Collocational Bootstrapping) مطرح شده است. بر اساس این فرضیه، یادگیرنده با تحلیل الگوهای تکرارشونده و بسامد همآیی واژگان (کدام کلمات بیشتر با هم به کار میروند) میتواند وابستگیهای نحوی را استخراج کند. در یک مطالعه، مطابقت نهاد و فعل در زبان انگلیسی انتخاب شده است. چالش اصلی در یادگیری این قاعده آن است که در بیشتر جملات روزمره، دو قانون رقابتکننده عملکرد یکسانی دارند:
▤ @brainlingua ▤
قاعده مطابقت با نهاد (AGREE-SUBJECT): فعل باید با نهاد ساختاری خود مطابقت کند.
قاعده مطابقت با مجاورت (AGREE-RECENT): فعل با نزدیکترین اسم پیش از خود مطابقت میکند.
▤ @brainlingua ▤
در جملات عادی این دو قاعده تفکیکناپذیرند و تنها در جملات پیچیدهای مانند The dogs in the park bark (که اسم مجاور یعنی park مفرد و نهاد یعنی dogs جمع است) میتوان قاعده درست را تشخیص داد. هدف اصلی در این راستا اثبات این نکته است که آیا یادگیرنده آماری میتواند بدون دسترسی به جملات رفع کننده ابهام (Disambiguating Sentences) و صرفا از طریق آمار همآیی کلمات، قاعده درست را کشف کند یا خیر.
#خودراه_اندازی_همنشینی #اکتساب_زبان #وابستگیهای_ساختاری #یادگیری_آماری #مدل_های_زبانی_ترنسفورمر
#Transformer_Language_Models #Collocational_Bootstrapping #Structural_Dependencies #Child_Directed_Speech #Predictability
▨ ارائه شده توسط | مغز | زبان | شناخت |
▧ آدرس صفحه اینستگرام |
▤ @brainlingua ▤ | 220 |
| 19 |  #non_restricted
🔴 نقش همآیی آماری واژگان در انتزاع قواعد نحوی: شواهد شبیهسازی عصبی و تحلیل پیکرهای
یکی از چالشهای بنیادین در علوم شناختی و زبانشناسی، درک چگونگی اکتساب ساختارهای نحوی توسط کودکان است، چرا که جملات ورودی به ذهن کودک فاقد درختهای نحوی صریح یا برچسبهای ساختاری هستند. دیدگاههای سنتی غالبا بر فرضیه وجود پیشزمینه یا استعدادهای ذاتی (مانند گرامر جهانی چامسکی) تأکید دارند. در مقابل، رویکردهای مبتنی بر داده بر این باورند که نشانههای غیر نحوی مانند معناشناسی (Semantic Bootstrapping) یا آهنگ و واجشناسی (Prosodic Bootstrapping) به عنوان محرک اولیه یا خودراهانداز جهت کشف قوانین نحوی عمل میکنند.
با پیشرفتهای اخیر در هوش مصنوعی، مدلهای شبکه عصبی بدون داشتن دانش ساختاری پیشفرض، تنها با تکیه بر ویژگیهای آماری رشتههای زبانی، توانستهاند پدیدههای پیچیده نحوی را یاد بگیرند. این امر این سوال را ایجاد میکند که سیگنالهای آماری دقیقا چگونه به اکتساب نحو کمک میکنند؟
▨ ارائه شده توسط | مغز | زبان | شناخت |
▧ آدرس صفحه اینستگرام |
▤ @brainlingua ▤ | 822 |
| 20 | یکی از پیشبینیهای جذاب تئوری CPD، بروز توهم چرخش شیب (Flip tilt illusion) در میدان بینایی محیطی است. هنگامی که یک جفت نقطه ناهمگون (یک نقطه سیاه و یک نقطه سفید به صورت عمودی) به میدان محیطی ارائه میشود، نورونهای V1 افقیمحور تحریک میشوند. به دلیل محدودیت گلوگاه در میدان محیطی و عدم وجود پرسوجوی بازخوردی برای اصلاح آن، نواحی بالاتر مغز بر اساس رایگیری اکثریت فرضیهها، جهت این نقاط را با چرخش ۹۰ درجهای، افقی ادراک میکنند. اما در میدان بینایی مرکزی، فرآیند پرسوجوی بازخوردی بلافاصله فرضیههای غلط را وتو کرده و مانع از بروز توهم میشود. معادل بینچشمی این پدیده را توهم عمق معکوس (Reversed depth illusion) در استریوگرامهای نقطهای تصادفی می نامند که آن هم تنها در میدان محیطی ظاهر میشود. علاوه بر شواهد رفتاری، دادههای آناتومیک مستحکمی نیز از این نظریه پشتیبانی میکنند:
▤ @brainlingua ▤
دادههای ردیابی معکوس (Retrograde tracing) در میمونهای مارموست نشان داده است که تراکم آکسونهای بازخوردی در بخش مرکزی V1، حدود ده برابر بیشتر از بخش محیطی است.
مطالعات fMRI میدان قوی و تحلیلهای علیت گرنجر تایید میکنند که ارتباطات عملکردی و بازخوردها از نواحی فرونتال و V4 به طور متمرکز بر بخش مرکزی V1 اعمال میشوند.
در جریان نگاه کردن به یک صحنه، ساکادهای سریع چشم، اشیاء محیطی را به مرکز نگاه منتقل میکنند. این جابجایی به فرآیند پرسوجوی بازخوردی اجازه میدهد تا سیگنالهای بینایی محیطی در یک لحظه را به سیگنالهای مرکزی در لحظه بعد متصل کند. مغز برای حفظ پایداری ادراکی جهان پیرامون در حین این جابجاییهای مداوم چشم، از یک کپی وابران (Efference copy) از فرمان حرکتی ساکاد استفاده میکند تا فرضیههای ادراکی و نقشههای نورونی را پیش از اتمام حرکت چشم بهروزرسانی (Remapping) کند.
▤ @brainlingua ▤
بطور کلی؛ V1 از یک سو با ساخت نقشه برجستگی محیطی، به عنوان فرمانده حرکات پایین به بالای چشم عمل میکند (نگاه کردن) و از سوی دیگر با پذیرش پرسوجوهای بازخوردی بالا به پایین در مرکز نگاه، بستر لازم را برای درک دقیق و بازشناسی معنایی فراهم میآورد (دیدن). این دوگانگی مرکزی-محیطی، شاهکار تکامل برای برقراری تعادل میان دقت محاسباتی مغز و هزینههای بیولوژیکی و انرژی آن است.
▨ ارائه شده توسط | مغز | زبان | شناخت |
▧ آدرس صفحه اینستگرام |
▤ @brainlingua ▤ | 349 |
