این متخصص روانپزشکی با اشاره به انواع ترس، افزود: ترس‌ها به دو حالت معمولی و مرضی وجود دارند، فوبیا نیز درواقع همان ترس بیمارگونه یا مرضی محسوب میشود برای مثال ممکن است افراد نسبت به برخی حیوانات مانند مار، عنکبوت، سوسک و… فوبیا یا ترس م...
به گزارش پایگاه خبری و تحلیلی اندیشه قرن ؛آنچه روانشناسی می تواند هوش مصنوعی را آموزش دهد. ساده گاهی بهتر از پیچیده است. کمتر گاهی بهتر از بیشتر است. برای هوش مصنوعی، داده‌های بیشتر و الگوریتم‌های پیچیده‌تر بهترین عملکرد را دارند. روانشناسی اغلب اصل صرفه جویی را ترجیح می دهد: ساده تر از پیچیده بهتر است. تحقیقات اخیر نشان می‌دهد که الگوریتم‌های ساده‌تر با ویژگی‌های ساده، گاهی از الگوریتم‌های پیچیده‌تر بهتر عمل می‌کنند
به نظر می رسد هوش مصنوعی (AI) بر بسیاری از جنبه های جامعه و علوم از جمله روانشناسی تسلط دارد. یادگیری ماشینی و یادگیری عمیق بسیار رایج‌تر شده‌اند و در عصب‌روان‌شناسی و روانشناسی بالینی، روش‌ها و ابزارهای هوش مصنوعی افزایش یافته است.
در همین حال، روانشناسی شناختی و هوش مصنوعی به همکاری‌های پربار خود در مطالعه ذهن‌های انسان و مصنوعی ادامه می‌دهند.
من فکر می کنم می تواند بسیار کمی ارائه دهد. با هم همراه شویم
در علوم شناختی، ما به طور قابل توجهی نسبت به وعده داده‌های بزرگ بدبین بوده‌ایم، عمدتاً به این دلیل که ارزش بالایی برای توضیح بیش از پیش‌بینی قائل هستیم. هدف اصلی هر دانشمند شناختی، درک کامل سیستم مورد بررسی است، نه اینکه با یک نظریه توصیفی یا پیش بینی ساده قانع شود.
پیش بینی یک نتیجه مهم است، اما توضیح مکانیسم های پشت سر رسیدن به یک نتیجه اغلب حداقل به همان اندازه مهم است. و در اینجا، علوم شناختی وارد می شود.
داشتن یک رویکرد جعبه سیاه که بالاترین عملکرد را برای ما به ارمغان می‌آورد ممکن است بسیار مفید باشد، اما کنجکاوی در جعبه و درک اینکه چرا تصمیم‌گیری میشود، فرآیند را شفاف‌تر میکند. هوش مصنوعی قابل توضیح نه تنها مزایای مهمی در رابطه با مسائل اخلاقی دارد، بلکه به درک آنچه ممکن است برای رسیدن به حداکثر عملکرد از دست رفته کمک کند.
اما دلیل دیگری وجود دارد که چرا روانشناسی می تواند یکی دو چیز را به هوش مصنوعی بیاموزد. برای توضیح باید به چند قرن پیش برگردیم. ویلیام اکهام،یکی از برجسته ترین متفکران قرن چهاردهم بود. او اصلی به نام تیغ اکام (براساس نام مخترع) (قاعده سرانگشتی یا اصل در فلسفه) را پیشنهاد کرد. تیغ Occam بیان می کند که توضیحاتی که نیاز به مفروضات کمتری دارند به احتمال زیاد صحیح هستند، بنابراین باید از فرضیات غیر ضروری یا غیرمحتمل اجتناب شود.
هوش مصنوعی امروزی بر روی مجموعه داده های بزرگ (بسیار بزرگ) و الگوریتم های قدرتمند (بسیار قدرتمند) پیچیده (بسیار پیچیده) عمل می کند. مدل‌های یادگیری عمیق را در نظر بگیرید که از یک شبکه عصبی مصنوعی پیچیده استفاده می‌کنند که مانند یک تار عنکبوت از اتصالات پخش میشود، هر اتصال شبیه به یک رشته در وب است که به یک گره منتهی میشود که رشته‌های جدید را به گره‌های دیگر پخش میکند. پیچیدگی زمانی مشخص می شود که سلف ChatGPT فعلی را در نظر بگیرید. در سال ۲۰۲۰، ChatGPT دارای ۱۷۵ میلیارد پارامتر برآورد شد. سه سال قبل بود.
این وسوسه انگیز است که به طور خودکار فرض کنیم که شبکه های عصبی مصنوعی بزرگ همیشه بهترین عملکرد را دارند و این در تضاد با تیغ اوکام است. یافته‌های باورنکردنی از اکثر مدل‌های هوش مصنوعی، مانند ChatGPT، ممکن است نشان دهد که تیغ Occam کاربرد ندارد. به نظر می رسد مدل های پیچیده تر با مجموعه داده های بزرگتر همیشه عملکرد بهتری دارند.
اخیراً، گیدو لیندرز و من روی توسعه یک سیستم طبقه‌بندی کنش گفتگو کار کردیم، یک سیستم رایانه‌ای که یک جمله را می‌گیرد و قصد آن جمله را طبقه‌بندی میکند. به عنوان مثال، مثال زیر را در نظر بگیرید:
ما داریم شام میخوریم و من مودبانه می پرسم نمک را به من بدهید؟
شما مؤدبانه پاسخ می دهید (بدون اقدام)، و می گویید: “من مطمئناً این توانایی را دارم.”
این امر حداقل به اندازه زمانی که قصد واقعی خود را بیان می کردم، غذاخوری ما را ناامید می کرد: “الان نمک را به من بده.”
چنین سیستم طبقه بندی دیالوگ عملی برای ابزارهایی مانند چت بات ها و سیستم های هوشمند (آموزشی) مفید است. آنها امکان ارتباط با کاربر را به زبان طبیعی فراهم می کنند و – مهمتر از همه – به طور طبیعی به کاربر پاسخ می دهند.
در این صورت، “تازه آن را داشتم” پاسخی مانند “خیلی خوب است، قربان” را نشان نمی دهد، بلکه با یک “متاسفم از شنیدن آن” پاسخ نمی دهد. سیستم‌های طبقه‌بندی عمل گفت‌وگو، گفته‌ها را به قدردانی‌ها، نظرات، اقامه‌کننده‌ها، شفاف‌سازی‌ها و غیره طبقه‌بندی می‌کنند.
بیش از ۵۰ مورد از این سیستم های طبقه بندی کنش گفتگو توسعه داده شده است. برخی از الگوریتم های ساده، برخی دیگر از الگوریتم های یادگیری ماشینی و برخی دیگر از تکنیک های یادگیری عمیق استفاده می کردند. فرض کنید برخی ساده و برخی دیگر بسیار پیچیده بودند.
هنگامی که ما نتایج ۵۰ سیستم طبقه‌بندی کنش محاوره‌ای را با هم مقایسه کردیم، سیستم‌هایی که از الگوریتم‌های یادگیری عمیق پیچیده (الگوریتم‌های بسیار پیچیده) استفاده می‌کردند، در طبقه‌بندی کنش‌های گفتگو بهتر از ساده‌تر بودند، اما به ندرت.
ما فقط تفاوت های بسیار حاشیه ای را در عملکرد پیچیده ترین و پیچیده ترین الگوریتم ها و ساده ترین الگوریتم ها یافتیم. ویلیام اوکام پوزخندی زد.
وقتی تحلیل‌های خود را با استفاده از یک الگوریتم ساده انجام دادیم و توضیح را به جای پیش‌بینی انتخاب کردیم، متوجه شدیم که ترکیبی از بسیاری از ویژگی‌های زبانی نیست که به بهترین نحو طبقه‌بندی کنش گفتگو را توضیح می‌دهد. نه ویژگی‌های پیچیده‌تر زبانی و نه تنوع ویژگی‌ها، کنش گفتگو را به بهترین نحو طبقه‌بندی نمی‌کنند. در عوض، ساده‌ترین الگوریتم تنها با اطلاعات زبانی، کلمات موجود در جمله، قصد گوینده را به بهترین شکل توضیح می‌داد. طبقه بندی دیالوگ عمل با ساده ترین ویژگی های زبانی و ساده ترین الگوریتم بهترین عملکرد را داشت.
اگرچه اغلب به نظر می‌رسد که داده‌های بیشتر و مدل‌های پیچیده‌تر بهترین عملکرد را در هوش مصنوعی دارند، روانشناسی به ما کمک میکند تا به ما یادآوری کنیم که توضیح به همان اندازه مهم است که پیش‌بینی، ساده بودن اغلب بهتر از پیچیده‌تر است و کمتر، گاهی اوقات بیشتر است.
منابع
جونز، M. N. (ویرایش). (۲۰۱۶). داده های بزرگ در علوم شناختی انتشارات روانشناسی.
لیندرز، جی.ام. & Louwerse، M.M. (2023). نشانه‌های زبانی سطحی و زمینه‌ای در طبقه‌بندی کنش گفتگو: دیدگاه علم شناختی علوم شناختی، ۴۷، e13367. https://doi.org/10.1111/cogs.13367
Louwerse, M. (2021). در ذهن داشتن این کلمات: زبان چگونه معنا می‌سازد. رومن و لیتلفیلد
پایان/*
اردیبهشت ۲۶, ۱۴۰۳
اردیبهشت ۲۳, ۱۴۰۳
