مغز | زبان | شناخت

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 ▤

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 ▤

#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 ▤

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 ▤

#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 ▤

#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 ▤

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 ▤

🔺 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 ▤

#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 ▤

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 ▤

#non_restricted طبق نظریه CPD، گلوگاه کاهش اطلاعات بلافاصله پس از خروجی V1 آغاز می‌شود و تجمیع سیگنال‌ها در نواحی بالاتر باعث از دست رفتن جزئیات بصری می‌گردد که نتیجه آن بروز پدیده شلوغی بینایی (Visual Crowding) در میدان بینایی محیطی است. برای غلبه بر این فقر اطلاعاتی در فرآیند بازشناسی، نواحی بالاتر مغز فرآیندی تحت عنوان پرس‌وجوی بازخوردی (Feedback query) را به سمت قشرهای اولیه مانند V1 آغاز می‌کنند تا اطلاعات جزئی‌تر و مرتبط را استعلام نمایند. تئوری CPD پیش‌بینی می‌کند که برای بهینه‌سازی مصرف انرژی و کاهش هزینه‌های محاسباتی، این بازخورد بالا به پایین عمدتاً به سمت بازنمایی‌های میدان بینایی مرکزی (مرکز نگاه) هدایت می‌شود و میدان محیطی به دلیل ضعف در دریافت این بازخورد، در برابر شلوغی بصری و توهم‌ها آسیب‌پذیر باقی می‌ماند. این تعامل پیچیده در قالب الگوریتم پیش‌رو-بازخورد-تأیید-وزن‌دهی مجدد (Feedforward-Feedback-Verify-reWeight - FFVW) اجرایی می‌شود که نوعی فرآیند تحلیل از طریق سنتز (Analysis-by-synthesis) است: ▤ @brainlingua ▤

سیگنال پیش‌رو (Feedforward - r): ابتدا سیگنال‌های اولیه از مسیر گلوگاه عبور کرده و فرضیه‌های مختلفی را در نواحی بالاتر مغز درباره چیستی تصویر ایجاد می‌کنند (مثلا فرضیه H1: این یک گل سرخ است؛ فرضیه H2: این یک سیب سرخ است) و به هر فرضیه یک وزن اولیه اختصاص می‌یابد.

پرس‌وجوی بازخوردی (Feedback query - r): نواحی بالاتر از طریق مسیرهای بازخوردی، اطلاعات مشخصی را از V1 استعلام می‌کنند.

تأیید و وزن‌دهی مجدد (Verify & reWeight): مغز بر اساس دانش درونی خود، پاسخ نورونی مورد انتظار برای هر فرضیه را شبیه‌سازی می‌کند. اگر پاسخ واقعیِ دریافت شده از V1 با شبیه‌سازی فرضیه سازگار باشد، وزن آن فرضیه افزایش و در غیر این صورت کاهش می‌یابد تا سرانجام فرضیه‌ای که بیشترین وزن را دارد به عنوان ادراک نهایی تایید شود.

▨  ارائه شده توسط | مغز | زبان | شناخت | ▧  آدرس صفحه اینستگرام | ▤ @brainlingua ▤

مغز انسان در فرآیند پردازش اطلاعات بینایی با محدودیت‌های شدیدی در زمینه انرژی متابولیک، فضا برای سیم‌کشی نورونی و زمان لازم برای استنتاج‌های پیچیده حسی روبه‌رو است. به دلیل همین محدودیت‌ها، سیستم بینایی ناچار به ایجاد یک گلوگاه پردازش (یا گلوگاه توجه) است که اجازه می‌دهد تنها بخش بسیار کوچکی از ورودی‌های بینایی – که عمدتاً نزدیک به مرکز نگاه (Fovea) قرار دارند – به مراحل نهایی بازشناسی و ادراک آگاهانه برسند. بر این اساس، فرآیند بینایی به دو جزء مکمل تفکیک می‌شود: ۱. نگاه کردن (Looking) برای ورود به گلوگاه انتخاب می‌شود. این کار عمدتاً از طریق حرکات پرشی چشم (ساکادها) انجام می‌پذیرد تا محرک منتخب دقیقاً در مرکز نگاه قرار گیرد. ۲. دیدن (Seeing): فرآیندی که به بازشناسی، رمزگشایی و تفکیک محتوای متمایز وارد شده به گلوگاه می‌پردازد. بر اساس تئوری دوگانگی مرکزی-محیطی، فرآیندهای نگاه کردن و دیدن به ترتیب به پردازش در میدان‌های بینایی محیطی و مرکزی متکی هستند و قشر V1 نقشی کلیدی در مدیریت این ساختار دوگانه ایفا می‌کند. ▤ @brainlingua ▤ یکی از یافته‌های کلیدی این مقاله، معرفی V1 به عنوان نوعی قشر حرکتی است که وظیفه هدایت بیرونی و ناخودآگاه چشم را در میدان بینایی محیطی بر عهده دارد. همان‌طور که قشرهای حرکتی از طریق نخاع و ساقه مغز به عضلات متصل می‌شوند، قشر V1 نیز به صورت غیرمستقیم و از طریق برجستگی فوقانی (Superior Colliculus - SC) در ساقه مغز، به عضلات حرکتی چشم متصل می‌گردد. شواهد تجربی نشان می‌دهد با وجود اینکه تحریک الکتریکی نواحی مختلفی از مغز (مانند FEF یا LIP) می‌تواند حرکت چشم ایجاد کند، اما V1 تنها ناحیه قشری است که آسیب یا برداشتن آن، حرکات چشم هدایت‌شده با محرک‌های بینایی را برای چندین هفته به طور کامل مختل می‌سازد. ▤ @brainlingua ▤ بر اساس فرضیه برجستگی، این قشر یک نقشه برجستگی پایین به بالا (Bottom-up saliency map) از میدان بینایی خلق می‌کند. این نقشه بدون نیاز به درک معنایی تصویر، صرفاً مکان‌هایی را که به دلیل تضادهای بصری پتانسیل جذب توجه دارند، مشخص می‌نماید. مکانیسم محاسباتی این فرآیند از طریق تعاملات درون‌قشری مهار متقابل نورون‌های هم‌فرکانس یا هم‌جهت (Iso-orientation suppression) رخ می‌دهد. برای مثال، اگر یک خط با زاویه منحصربه‌فرد در میان انبوهی از خطوط هم‌جهت قرار داشته باشد، نورون‌های مربوط به خطوط پس‌زمینه یکدیگر را سرکوب می‌کنند، اما نورونی که خط منحصربه‌فرد را پردازش می‌کند از این مهار می‌گریزد و بالاترین پاسخ را ثبت می‌کند. این پاسخ‌های اولیه (با تاخیر کوتاه ۴۰ تا ۶۰ میلی‌ثانیه)، به عنوان سیگنال برجستگی توسط SC خوانده شده و فرمان حرکت سریع چشم (ساکاد) را صادر می‌کنند. ▤ @brainlingua ▤ شاهد رفتاری بارز برای این کارکرد، پدیده نگاه کردن بدون دیدن است. قشر V1 تنها ناحیه قشری است که اطلاعات مربوط به چشم منشأ (چشمی که داده از آن وارد شده : Eye of Origin) را به دقت حفظ می‌کند. آزمایش‌ها نشان می‌دهند اگر محرکی دارای ویژگی منحصربه‌فرد در چشم منشأ باشد، به شدت نگاه را به خود جلب می‌کند (برجستگی ناگهانی = Pop-out Phenomenon)، در حالی که ناظران انسانی از نظر ادراکی قادر به تشخیص آگاهانه چشم منشأ نیستند. این امر ثابت می‌کند که V1 پیش از آنکه نواحی بالاتر مغز بفهمند چه چیزی دیده شده است، به طور خودکار چشم را به سمت هدف هدایت می‌کند. ▨  ارائه شده توسط | مغز | زبان | شناخت | ▧  آدرس صفحه اینستگرام | ▤ @brainlingua ▤

#non_restricted قشر بینایی اولیه؛ نقشه برجستگی و معماری گلوگاه اطلاعاتی در سیستم بینایی دهه‌ها پیش، دانشمندانی چون هابل و ویزل مکانیسم‌های سلولی قشر بینایی اولیه (V1) و نحوه تبدیل ورودی‌های شبکیه توسط تک‌نورون‌ها را کشف کردند؛ با این حال، کارکرد کلان و سیستمیک V1 به عنوان یک کل واحد، تا همین اواخر ناشناخته باقی مانده بود. در یک مقاله مروری، با به چالش کشیدن نگاه سنتی (که V1 را صرفاً یک تحلیل‌گر اولیه خصوصیات تصویر می‌دانست)، کارکردهای نوین و بنیادینی برای آن تبیین شده است. این کارکردها در چارچوب مفهومی جدیدی به نام "نگاه کردن و دیدن از طریق گلوگاه پردازش" (Looking-and-seeing through the bottleneck) خلاصه می‌شود که فرضیه‌های گذشته مانند فرضیه برجستگی (V1SH) را با تئوری جدیدتر دوگانگی مرکزی-محیطی (Central-Peripheral Duality, CPD) یکپارچه می‌سازد. #قشر_بینایی #نقشه_برجستگی #گلوگاه_اطلاعاتی #دوگانگی_مرکزی_محیطی #ادراک_بینایی #Primary_Visual_Cortex #Saliency_Map #Saccadic_Eye_Movements #Computational_Neuroscience ▨  ارائه شده توسط | مغز | زبان | شناخت | ▧  آدرس صفحه اینستگرام | ▤ @brainlingua ▤

#non_restricted 💢 فراتر از کلمات: چگونه گفتار درونی به تجربیات اپیزودیک ما غنا می‌بخشد! 🔺 هم‌گرایی زبان، حافظه اپیزودیک و بازپخش هیپوکامپ 🔺 مکانیسم مغز برای پیوند دادن مفاهیم به کلمات (Connected Paper) #گفتار_درونی #زبان #حافظه #هیپوکامپ #خود_تنظیمی #Inner_speech #Language #memory #hippocampus #human_Mind ▨ ارائه شده توسط | مغز | زبان | شناخت | ▧ آدرس صفحه اینستگرام | ▤ @brainlingua ▤

یافته‌های جدید: یک تفسیر جایگزین اکنون در نشریه eLife، اینس شونمان و همکارانش گزارش می‌دهند که این داده‌ها را مجدد تحلیل کرده‌اند و دریافته‌اند که می‌توان آن‌ها را بدون فرض درستی نظریه رمزگذاری پیش‌بینی‌کننده توضیح داد. آن‌ها خاطرنشان می‌کنند که ساختار زبان سرشار از مجموعه‌ای غنی از وابستگی‌های دوطرفه است که به خودی خود می‌تواند پدیده رمزگذاری پیش از شروع را توضیح دهد. برای مثال، کلمات مجاور می‌توانند معانی‌ای داشته باشند که به هم وابسته‌اند، مفهومی بیش از مجموع اجزایشان داشته باشند، یا نشانه‌های نحوی مانند زمان فعل یا وجه مجهول در برابر معلوم را بیان کنند. شونمان و همکاران از یک سیستم کنترل غیرفعال استفاده کردند تا نشان دهند حتی در دنیایی فرضی که در آن مغز هیچ‌چیز جز یک بازنمایی ثابت از محرک جاری را رمزگذاری نمی‌کند، وابستگی‌های ذاتی زبان می‌توانند ظاهر پیش‌بینی کلمه بعدی را ایجاد کنند. در حالی که گلدستاین و همکاران از یک فضای تعبیه زمینه‌محور مشتق از یک مدل زبانی — که قادر است به‌طور ضمنی کلمات آینده را رمزگذاری کند — برای تحلیل داده‌هایشان استفاده کردند، شونمان و همکاران دو مجموعه داده متفاوت را با استفاده از دو سیستمی که کلمات آینده را رمزگذاری نمی‌کنند، دوباره تحلیل کردند.

این دو سیستم عبارتند از: (i) یک فضای تعبیه‌سازی واژگانی تصادفی‌سازی‌شده که تنها ویژگی‌های معنایی کلمه جاری را می‌گیرد؛ (ii) یک بازنمایی شنیداری از محرک جاری که اصلا کلمات را به‌صورت صریح رمزگذاری نمی‌کند.

▤ @brainlingua ▤

این مقاله نشان می‌دهد که دو نشانه‌ای که به عنوان شواهد پیش‌بینی عصبی معرفی شده‌اند: ۱. فعالیت مغزی تا ۲ ثانیه پیش از شنیدن یک کلمه قابل پیش‌بینی است، ۲. این پیش‌بینی برای کلمات پیش‌بینی‌پذیرتر در زمینه، قوی‌تر است؛ در سیستم‌هایی که تعریفا پیش‌بینی نمی‌کنند هم ظاهر می‌شوند — پس این نشانه‌ها می‌توانند صرفا بازتاب ساختار زبان باشند و نه دلیلی بر پیش‌بینی مغزی.

▤ @brainlingua ▤ استدلال منطقی و نتیجه‌گیری آن‌ها استدلال می‌کنند (reductio ad absurdum) که اگر این سیستم‌های صریحا غیرپیش‌بینی‌کننده بتوانند نشانه‌هایی از پیش‌بینی مشابه آنچه برای اثبات بازنمایی پیش‌بینی‌کننده در مغز به‌کار رفته نشان دهند، پس روش‌شناسی اصلی نمی‌تواند به‌طور قانع‌کننده‌ای وجود محاسبات پیش‌بینی‌کننده صریح در مغز را تایید کند. آن‌ها آشکار می‌سازند که این دو سیستم غیرپیش‌بینی‌کننده، در همان مفهومی که در مطالعات پیشین نشان داده شده، درواقع بازنمایی‌های پیش‌بینی‌کننده هستند. علاوه بر این، روش‌هایی که در گذشته برای تصحیح این وابستگی‌های محرک به‌کار رفته‌اند، قادر به حل این مسئله نیستند:

۱. حذف Digramهای تکراری: حذف جفت‌کلمه‌هایی که بیش از یک‌بار در متن تکرار شده‌اند — اما وابستگی‌های فراتر از دوگرام همچنان باقی می‌مانند. ۲. پسماندگیری (Residualisation): حذف اطلاعات کلمه قبلی از تعبیه‌سازی کلمه فعلی — اما چون وابستگی در خود زبان است نه فقط در تعبیه‌سازی، مشکل همچنان در داده‌های آکوستیک و مغزی باقی می‌ماند.

اگرچه روش‌های رمزگذاری محاسباتی ابزارهای جدید و قدرتمندی برای درک مغز هستند، اما ذاتا همبستگی‌محور هستند و نمی‌توان در خلأ از آن‌ها برای اظهار ادعاهای علّی قطعی استفاده کرد. پژوهش‌های آینده در این حوزه باید این محدودیت‌ها را در نظر داشته و بکوشند این تحلیل‌ها را با آزمایش‌های علّی که مستقیما این چالش مهم را مورد بررسی قرار می‌دهند، تکمیل کنند. ▨  ارائه شده توسط | مغز | زبان | شناخت | ▧  آدرس صفحه اینستگرام | ▤ @brainlingua ▤

مدل‌های زبانی شاید مهم‌ترین پرسش باز در علوم اعصاب، ساده‌ترین آن‌ها نیز باشد: مغز چگونه یاد می‌گیرد؟ در طول دهه‌ها پژوهش، دانشمندان نظریه‌های گوناگونی پیشنهاد داده‌اند. از جمله برجسته‌ترین این نظریه‌ها، نظریه رمزگذاری پیش‌بینی‌کننده (Predictive Coding) است.

بر اساس این نظریه، مغز از طریق پیش‌بینی آنچه در آینده رخ خواهد داد یاد می‌گیرد و سپس آن پیش‌بینی‌ها را بر اساس آنچه اتفاق افتاده، اصلاح می‌کند (ref و ref). اگر پیش‌بینی‌ای نادرست باشد، مغز می‌تواند درک خود از جهان را با اصلاح پیش‌بینی‌های آتی بهبود بخشد تا با آنچه واقعا رخ داده انطباق بیشتری داشته باشد. برعکس، اگر پیش‌بینی دقیق باشد، این امر تاییدی است بر اینکه مدل زیربنایی که آن پیش‌بینی‌ها را تولید کرده — یعنی مغز — با موفقیت ساختار جهان را فرا گرفته است.

این نظریه از اعتبار بالایی برخوردار است، زیرا با تجربه ما از یادگیری از طریق اشتباهات‌مان همسو به نظر می‌رسد و همچنین سیستم‌های هوش مصنوعی، نظیر شبکه‌های عصبی، به شیوه‌ای مشابه یاد می‌گیرند. افزون بر این، شواهد آزمایشگاهی نیز در تایید رمزگذاری پیش‌بینی‌کننده وجود دارد. این شواهد شامل بازنمایی پیش‌بینی‌کننده (predictive representation) کلمات پیش از شنیده شدن آن‌ها است که توسط دو گروه مستقل از پژوهشگران (گلدستاین و همکاران، ۲۰۲۲؛ عزیزپور و همکاران، ۲۰۲۵) گزارش شده است. ▤ @brainlingua ▤ در این مطالعات، پژوهشگران از افراد خواستند که در حین ضبط فعالیت مغزی‌شان، به داستانی گوش دهند. مشخص شد که تعبیه‌سازی کلمه (Word Embeddings) — یعنی بازنمایی‌های ریاضی از اطلاعات موجود در یک کلمه — می‌توانند فعالیت مغزی را پیش از اینکه فرد آن کلمه را بشنود، پیش‌بینی کنند. پژوهشگران استدلال کردند که اگر اطلاعات مربوط به آنچه در آینده رخ خواهد داد، در فعالیت مغزی حال حاضر رمزگذاری شده باشد، این رمزگذاری پیش از شروع کلمه، شاهدی قوی و مستقیم بر وجود فرآیندهای پیش‌بینی‌کننده در مغز خواهد بود. ▨  ارائه شده توسط | مغز | زبان | شناخت | ▧  آدرس صفحه اینستگرام | ▤ @brainlingua ▤

#non_restricted ◉ بازنمایی‌های پیش‌بینی‌کننده در قشر مغز و همبستگی‌های آماری در پردازش زبان طبیعی ⁛ آیا مغز واقعا می‌داند کلمه بعدی چیست؟ ⁛ بازتاب ظاهری رمزگذاری عصبی کلمات بعدی ناشی از ساختار آماری زبان یا از محاسبات پیش‌بینی‌کننده در مغز است؟ #رمزگذاری_پیش‌بینی‌کننده #تعبیه‌سازی_کلمات #معنا #پسماندگیری #همبستگی #Predictive_Coding #Word_Embeddings #Encoding_Models #Neural_Signatures_of_Language ▨  ارائه شده توسط | مغز | زبان | شناخت | ▧  آدرس صفحه اینستگرام | ▤ @brainlingua ▤

میان تمام ناآرامی‌ها، این نوروز را به امید روزهایی روشن‌تر برای ایران آغاز می‌کنیم. سال نو مبارک 💚 🌱 @brainlingua 🌱

پس از تقریباً ۴۰ روز سکوت، بازگشتم. سکوتی که نه از بی‌تفاوتی، بلکه از سنگینی غم بود. حادثه‌ی دی‌ماه و رفتن جاویدنامانِ این سرزمین، زخمی بود که هنوز التیام نیافته. به کسانی که رفتند و آن‌هایی که ماندند، از صمیم قلب تسلیت می‌گویم. در این روزهای سخت، مراقب خودتان باشید. مراقبت از خود، در چنین روزهایی، خودش نوعی مقاومت است. به زودی، در ایرانی آزاد، دوباره کنارتان خواهم بود و ادامه می‌دهیم. 🤍 @Brainlingua