Bir telefon numarasına bakıp sonra da bu numarayı telefonumuza tuşlamaya kalktığımızda, rakamların gizemli bir şekilde yanlış gittiğini görebilirsiniz. İlk olanları hafızanıza kazımış olsanız bile, sonuncusu yine de hesaplanamaz bir şekilde bulanıklaşabilir. 6 8’den önce miydi yoksa ondan sonra mı? Emin misiniz?
Bu tür bilgi artıklarını, onlara etki edecek kadar uzun süre korumak, görsel çalışma belleği adı verilen bir hatırlama mekanizmasından kaynaklanır. Yıllardır bilim insanları, çalışma belleğinin aynı anda birden fazla öğe için mi yoksa sadece ayrıntılar için mi sınırlı bir alana sahip olup olmadığını tartıştılar: Belki de zihnimizin kapasitesi ya birkaç keskin hatırlamaya ya da çok sayıda şüpheli ve parçalı hatırlamalara yetkindir.
New York Üniversitesi’ndeki nörobilim araştırmacıları tarafından Neuron’da yayınlanan yeni bir makaleye göre; işleyen bellekteki bir belirsizlik, beynin bu belirsizliği kullanmasıyla sonuçlanan şaşırtıcı bir yolla oluyor olabilir. Bir hafıza deneyine katılan insan deneklerin beyin taramaları analiz edildiğinde; insanların sunulan görsel sinyalleri bir düşünce tahminiyle kodladıklarını tespit ettiler. Sinyallerdeki gürültünün istatistiksel dağılımı ise hafızanın belirsizliğini kodlamıştı. Algılarınızın belirsizliği, beyninizin hatırladıklarında temsil ettiği şeyin bir parçası olabilir. Ve bu belirsizlik duygusu, beynin anılarını nasıl kullanacağı konusunda daha iyi kararlar vermesine yardımcı olabilir.
NYU’da psikoloji ve sinirbilim profesörü ve yeni makalenin yazarı Clayton Curtis’e göre sonuçlar, “beynin bu gürültüyü kullandığını” gösteriyor.
Çalışma, insanlar günlük yaşamlarındaki istatistikleri anlamada usta olmasalar bile, beynin, dünya hakkındaki duyusal izlenimleri hem güncel hem de ‘hatırlananlar’ açısından rutin olarak sürekli yorumladığını gösteriyor. Bir çeşit içgörü diyebileceğimiz bu durum da belirsiz bir dünyada algılarımıza ne kadar değer verdiğimizi anlamanın yeni bir yolunu sunabilecektir.
Geçmişe dayalı tahminler
Görsel ağı oluşturan nöronlar, açılı bir çizgi, belirli bir desen, hatta arabalar veya yüzler gibi belirli manzaralara tepki olarak tetiklenip sinir sisteminin geri kalanına adeta bir işaret fişeği gönderir. Ancak tek başlarına bireysel nöronlar gürültülü bilgi kaynaklarıdır, bu nedenle “tekil nöronların beynin o anda gördüğü şeyi birebir yansıtması pek olası değildir” diyor Curtis.
Daha büyük olasılıkla, beyin nöron topluluklarından gelen bilgileri birleştirir. Örneğin, hücrelerden gelen bilgilerin ortalamasını alıyor olabilir: Bazı nöronlar 45 derecelik bir açıyı, diğerleri de 90 dereceyi görüp uyarıyı yolladığında, beyin, gözlerin görüş alanıyla ortalama 60 derecelik bir açı algılıyor olabilir. Ya da en güçlü uyarıyı yollayan nöronları öne çıkararak tamamını da algılıyordur.
Curtis, “Bayes teorisinden etkilenen yeni bir düşünce tarzı var.” diyor. Adını, geliştiricisi 18. yüzyıl matematikçisi Thomas Bayes’ten alan, ancak daha sonra Pierre-Simon Laplace tarafından bağımsız olarak keşfedilip popüler hale getirilen Bayes teorisi, olasılık kuramı içinde incelenen önemli bir konudur. Bu çıkarım, koşullar hakkında bilinenler göz önüne alındığında bir sonucun ne kadar güvenle gerçekleşebileceğini ele almaktadır. Görme için uygulandığı gibi, bu yaklaşım beynin bir olasılık işlevi inşa ederek sinir sinyallerini anlamlandırması anlamına gelebilir.
Laplace, şartlı olasılıkların herhangi bir gözlem hakkında konuşmanın en doğru yolu olduğunu fark etti. 1867’de ise doktor ve fizikçi olan Hermann von Helmholtz, onları beyinlerimizin algı sırasında yapabileceği hesaplamalara bağladı. Az sayıda sinirbilimci de, insanların davranış deneylerinde olasılıksal çıkarım gibi bir şey yaptığının bulunmaya başlandığı 1990’lar ve 2000’lerin başında bu sonuçlara özellikle dikkat ettiler ve Bayes yöntemleri bazı algı ve motor kontrol modellerinde yararlı olmaya böylece başladı.
NYU’da nörobilim ve psikoloji profesörü ve yeni Neuron makalesinin yazarlarından biri olan Wei Ji Ma, “İnsanlar beyin hakkında Bayesian olarak konuşmaya başladı” diyor.
2004 yılında yapılan bir incelemede Alexandre Pouget (şimdi Cenevre Üniversitesi’nde nörobilim profesörü) ve Rochester Üniversitesi’nden David Knill, beynin duyusal bilgileri temsil etmek için olasılık dağılımlarını kullandığını öne süren bir “Bayes kodlama hipotezini” savunmuşlardı.
Anıları tarama
Uzunca bir zaman nöron çalışmalarında neredeyse hiç kanıt yoktu. Ancak 2006 yılında, Ma, Pouget ve Rochester Üniversitesi’ndeki meslektaşları, simüle edilmiş nöron topluluklarının optimal Bayes çıkarım hesaplamaları yapabileceğine dair güçlü kanıtlar sundular. Ma ve diğer araştırmacılar tarafından son on yılda yapılan çalışmalar, elektrofizyoloji ve nöro görüntülemeler aracılığıyla, gerçek nöral aktiviteyi analiz etmek için Bayes kod çözücüleri adı verilen makine öğrenimi programlarını kullanarak teorinin görme için geçerli olduğuna dair ek doğrulamalar sunabildi.
Nörobilimciler, insanların beyinlerinin fMRI (fonksiyonel manyetik rezonans görüntüleme) taramalarından neye baktıklarını tahmin etmek için kod çözücüler kullandılar. Programlar, sunulan bir görüntü ile beyindeki kan akışı ve sinirsel aktivite arasındaki bağlantıları bulmak için uyarlanabiliyordu. Tek bir tahminde bulunmak yerine (örneğin, deneğin 85 derecelik bir açıya baktığı gibi) Bayes kod çözücüleri bir olasılık dağılımı üretir. Dağılımın ortalaması, deneğin neye baktığına dair en olası tahmini temsil eder. Dağılımın genişliğini tanımlayan standart sapmanın, deneğin görüş konusundaki belirsizliğini yansıttığı düşünülmektedir (85 derece midir yoksa 84 veya 86 olabilir mi?).
Son çalışmada Curtis, Ma ve meslektaşları bu fikri aktif belleğe uyguladılar. İlk olarak, Bayesli kod çözücünün insanların algılarından ziyade anılarını izleyip izleyemeyeceğini test etmek için, bir fMRI makinesinde, çevresinde bir nokta olan bir dairenin ortasına bakan denekler vardı. Nokta kaybolduktan sonra, gönüllülerden bakışlarını noktanın nerede olduğunu hatırladıkları yere kaydırmaları istendi.
Aktif anıların anlamı ve belirsizliği
Aktif bellek nöron topluluklarından gelen elektrik sinyalleri olarak kodlanır. Bu sinyallerin anlamı farklı şekillerde anlamlandırılabilir, ancak bir şekilde hafızanın belirsizliğini de kodlar.
Geleneksel açıklama: Genellikle bir belleğin en güçlü şekilde ateşlenen nöronlar tarafından veya tüm sinyallerin ortalama değeri ile belirlenebileceği varsayılırdı.
Olasılıksal açıklama: Son araştırmalarsa bu sinyallerin ola
sılıksal olarak yorumlanabileceğini gösteriyor. Deneylerden elde edilen veriler, bir ateşleme modeli için çeşitli nedenlerin olasılığını tanımlamaktadır. Olasılık eğrisinin ortalaması belleğin içeriğini belirtirken genişleme ise belirsizliği göstermektedir.
Araştırmacılar, hafıza görevi sırasında çekilen görme ve çalışma belleğinde yer alan 10 beyin bölgesinin kod çözücü fMRI görüntülerini elde ettiğinde; sinirsel aktivite dağılımlarının bildirilen bellekle hizalanıp hizalanmadığını, deneklerin noktanın nerede olduğunu düşündüklerini veya noktanın gerçekte nerede olduğunu yansıtıp yansıtmadıklarını inceledi. Alanların altısında, araçlar hafızaya daha yakındı ve bu da ikinci bir deneyi mümkün kılmıştı.
Bayes kodlama hipotezi, bu beyin alanlarının en azından bazılarından gelen dağılımların genişliğinin insanların hatırladıklarına olan güvenini yansıtması gerektiğini öne sürdü. Curtis, “Eğer çok düzse ve ortalara doğru ilerlerken uçlardan çekme olasılığınız eşitse, hafızanız daha belirsiz olmalı” sonucunu çıkardı.
İnsanların belirsizliğini değerlendirmek için araştırmacılar, noktanın hatırlanan konumu hakkında bir bahis yapmalarını istedi. Deneklerin doğru ve kesin olmaları için bir teşvikleri vardı. Daha küçük bir konum aralığı tahmin ederlerse daha fazla puan alıyor, gerçek konumu kaçırdılarsa puan alamıyorlardı. Bahisler aslında belirsizliklerinin kendi kendine bildirilen bir ölçüsündeydi, bu nedenle araştırmacılar bahisler ile kod çözücünün dağılımının standart sapması arasında korelasyonlar arayabildiler. Görsel korteksin iki alanında, V3AB ve IPS1, dağılımın standart sapması sürekli olarak bireylerin belirsizliğinin büyüklüğü ile bağlantılıydı.
Gürültülü ölçümler
Gözlemlenen aktivite kalıpları, beynin, belirsizlik bilgisini beynin ayrı bir bölümünde depolamak yerine, o hafızaya olan güveni kodlamak için bu hafızayı kodlayan aynı nöral toplulukları kullandığı anlamına gelebilir. Curtis, “Bu verimli bir mekanizmadır.” dedi. “Asıl dikkat çekici olan bu, çünkü ortaklaşa aynı şeye kodlanmış.”
Cambridge Üniversitesi’nde görsel çalışma belleği üzerinde çalışan bir sinirbilimci olan Paul Bays: “Yine de fark edilmesi gereken bir şey, gerçek korelasyonların çok düşük olduğudur,” diyor. Görsel korteks ile karşılaştırıldığında, fMRI taramaları çok kaba tanelidir: Bir taramadaki her veri noktası binlerce, hatta milyonlarca nöronun aktivitesini temsil eder. Teknolojinin sınırlamaları göz önüne alındığında, araştırmacıların bu çalışmadaki gözlem türlerini yapabilmeleri dikkat çekicidir.
Clayoton Curtis Laboratuvarında doktora sonrası araştırmacı ve yeni makalenin ilk yazarı Hsin-Hung Li, “Çok küçük bir şeyi ayırmak için çok gürültülü bir ölçüm kullanıyoruz,” dedi. Bakan, gelecekteki çalışmaların, deneklerin oldukça emin olabileceği bazı görüntüler ve onları oldukça emin kılan diğer görüntülerle, görev sırasında daha geniş bir belirsizlik aralığına neden olarak korelasyonları netleştirebileceğini söyledi.
Bulgular ne kadar ilgi çekici olsa da belirsizliğin nasıl kodlandığı sorusuna sadece kısmi bir yanıt verebilirler. Bays, “Bu makale, belirsizliğin [nöron gruplarında] aktivite düzeyinde etkili bir şekilde kodlandığına dair belirli bir açıklamayı tartışıyor. Ama fMRI ile yapabileceğiniz çok şey var”diyor.
Başka yorumlar da mümkün olabilir. Belki de bir hafıza ve belirsizliği aynı nöronlar tarafından depolanmaz- belirsizlik nöronları sadece yakınlarda olabilir. Ya da belki bireysel nöronların ateşlenmesinden başka bir şey belirsizlikle daha güçlü bir şekilde ilişkilidir, ancak mevcut tekniklerle çözülememektedir. İdeal olarak, davranışsal, hesaplamalı ve nöronal olmak üzere çeşitli kanıt türleri sıralanmalı ve aynı sonuca işaret etmelidir. Ancak her zaman kafamızda olasılık dağılımlarıyla dolaştığımız fikrinin belli bir güzelliği var. Pouget’e göre, muhtemelen bu şekilde yapılandırılmış olan sadece görme ve çalışma belleği değildir. “Bu Bayes teorisi son derece geneldir.” dedi. “Burada çalışan genel bir hesaplama faktörü var, beyin bir karar veriyor mu, aç mısınız yoksa bir rotada mı geziniyorsunuz” diye değerlendiriyor.
Yine de bilgi işlem olasılıkları dünyayı algılama ve düşünme şeklimiz için bu kadar ayrılmaz bir parçasıysa, insanlar neden olasılık olarak kötü oldukları için ün kazandılar? Özellikle ekonomi ve davranış bilimlerinden elde edilen iyi bilinen bulgular, insanların sayısız tahmin hatası yaptığını ve bazı tehlikeli şeylerin olma olasılığını abartmalarına ve diğerlerini azımsadığını göstermiştir. “İnsanlardan açıkça ve sözlü olarak olasılıkları tahmin etmelerini istediğinizde, berbatlar. Başka bir kelime bulamıyorum” diyor Pouget. Ancak sözel problemler ve diyagramlarla ifade edilebilecek bu tür bir tahmin, beyinde bu çalışmada kullanılana benzer görevler için kullanılan sistemden çok daha yakın zamanda evrimleşen bilişsel bir sisteme bağlıdır, diyor Ma. Algılama, hafıza ve motor davranışlar, bir avcıyı tespit edememenin veya tehlikeyi yanlış değerlendirmenin ölüm anlamına geldiği çok daha uzun bir doğal seçilim süreci tarafından güçlendirilmiştir. Çağlar boyunca, belki de belirsizliğinin bir tahmini de dahil olmak üzere, hatırlanan bir algı hakkında hızlı bir yargıda bulunma yeteneği atalarımızı hayatta tutmuştur.
