Cambiamento radicale nella modellizzazione computazionale della cognizione umana
La maggior parte delle modellizzazioni computazionali impiega modelli connessionisti che presentano vari svantaggi. I modelli generativi sono considerati un’alternativa attraente come modelli possibili per l’apprendimento corticale. Essi combinano inoltre il connessionismo tradizionale con gli approcci bayesiani alla cognizione. In quest’ottica, il progetto GENMOD (Generative models of human cognition), finanziato dall’UE, si è basato sugli sviluppi recenti nella ricerca sulle reti neurali e l’apprendimento automatico al fine di sviluppare modelli connessionisti generativi della cognizione. Per raggiungere i suoi obiettivi, GENMOD ha applicato questi modelli a tre campi cognitivi distinti: la cognizione numerica, la cognizione spaziale e l’elaborazione del linguaggio scritto. Nello specifico, i partner del progetto hanno predisposto modelli connessionisti per i tre campi che sono stati prima valutati qualitativamente e quantitativamente. I livelli dei dati empirici spaziavano da quello comportamentale (tempi di reazione ed errori) a quelli neuronali (risposte delle singole cellule). In generale, i risultati mostrano che i modelli generativi sono una soluzione ottimale sia per i dati psicologici che per quelli neurofisiologici. Ad esempio, il team di GENMOD è riuscito a dimostrare che il senso di un numero visivo, come ad esempio la percezione numerica, può emergere naturalmente in una rete profonda che ha appreso in modo indipendente a codificare efficacemente le immagini di serie di oggetti. I modelli sviluppati documentano i dati psicofisici umani tradizionali e gli schemi di attività dei neuroni numerici nella corteccia parietale posteriore del cervello dei primati. Inoltre, i modelli aiutano a spiegare i cambiamenti nell’abilità percettiva numerica o acutezza numerica, dall’infanzia all’età adulta. Colmando il divario tra modelli connessionisti e modelli bayesiani strutturati della cognizione, l’approccio GENMOD rappresenta un salto in avanti per la modellizzazione computazionale della cognizione umana.
