आपका मस्तिष्क? सबसे बड़ी तस्वीर ’का अर्थ कैसे करता है?
हमारे दिमाग पैटर्न को पहचानते हैं और "बड़ी तस्वीर" देखने के लिए विवरण से खुद को "दूरी" कर सकते हैं। शोधकर्ता अब यह पता लगाने का प्रयास कर रहे हैं कि वास्तव में, मस्तिष्क कैसे परिप्रेक्ष्य प्राप्त करने में सक्षम है।
मानव मस्तिष्क मशीनरी का एक जटिल टुकड़ा है, जिसे अवशोषित करने, संसाधित करने, अद्यतन करने, अद्यतन करने और एक बड़ी मात्रा में जानकारी को याद रखने में सक्षम है, जिसने हमें एक प्रजाति के रूप में, न केवल जीवित रहने के लिए बल्कि चुनौतियों से भरी दुनिया में पनपने के लिए अनुमति दी है हर कदम।
प्रारंभिक तौर पर, शिशु विशिष्ट ध्वनियों की पहचान करने और उनके लिए वरीयता दिखाने और यहां तक कि कारण-और-प्रभाव वाले रिश्तों को संसाधित करने के लिए, चेहरे को अलग करना और पहचानना सीख सकते हैं।
हालांकि हमारे दिमाग जानकारी की जटिल धाराओं को नेविगेट करने और सहायक संघों को बनाने का प्रबंधन कैसे करते हैं? यह सवाल है कि फिलाडेल्फिया में क्रिस्टोफर विश्वविद्यालय के तीन वैज्ञानिकों - क्रिस्टोफर लिन, एरी काह्न, और डेनिएल बैसेट - ने जवाब देने के लिए निर्धारित किया है।
शोधकर्ता बताते हैं कि अब तक, वैज्ञानिकों ने सोचा है कि मस्तिष्क सांख्यिकीय संबंधों के उच्च-क्रम संरचना को स्थापित करने के लिए परिष्कृत प्रक्रियाओं का उपयोग करता है।
अपने वर्तमान अध्ययन में, हालांकि, तीन जांचकर्ताओं ने एक अलग मॉडल सामने रखा, जिसमें सुझाव दिया गया कि हमारे दिमाग जानकारी को सरल बनाने के लिए उत्सुक हैं ताकि वे "बड़ी तस्वीर देख सकें।"
"[मानव मस्तिष्क] लगातार भविष्यवाणी करने की कोशिश करता है कि आगे क्या हो रहा है। यदि, उदाहरण के लिए, आप किसी ऐसे विषय पर व्याख्यान में भाग ले रहे हैं जिसके बारे में आप कुछ जानते हैं, तो आपके पास पहले से ही उच्चतर संरचना की कुछ समझ है। यह आपको विचारों को एक साथ जोड़ने में मदद करता है और पूर्वानुमान लगाता है कि आप आगे क्या सुनेंगे।
क्रिस्टोफर लिन
विरोधी परिणाम
अपने नए मॉडल में, जो उन्होंने अमेरिकन फिजिकल सोसाइटी मार्च मीटिंग 2019 में प्रस्तुत किया था, जांचकर्ताओं ने समझाया कि मस्तिष्क को उच्च-क्रम विचार कनेक्शन बनाने के लिए बारीकियों से दूर जाना चाहिए।
इस अवधारणा को स्पष्ट करने के लिए प्रभाववादी कला की ओर मुड़ते हुए, लिन नोट करते हैं कि, "यदि आप एक पॉइंटिलिस्ट पेंटिंग को करीब से देखते हैं, तो आप हर बिंदु की सही पहचान कर सकते हैं।" लेकिन, "यदि आप 20 फीट पीछे हटते हैं, तो विवरण फीका हो जाता है, लेकिन आप समग्र संरचनाओं की बेहतर समझ प्राप्त करेंगे।"
मानव दिमाग, वह और उसके सहयोगियों का मानना है, एक समान प्रक्रिया से गुजरते हैं, जिसका अर्थ यह भी है कि वे पिछली त्रुटियों से सीखने पर अत्यधिक निर्भर हैं।
इस परिकल्पना को सत्यापित करने के लिए, शोधकर्ताओं ने एक प्रयोग किया, जिसमें उन्होंने प्रतिभागियों को एक पंक्ति में पाँच वर्गों को दिखाने वाली कंप्यूटर स्क्रीन देखने के लिए कहा। प्रतिभागियों का कार्य ऑन-स्क्रीन अनुक्रम से मिलान करने के लिए कुंजियों के संयोजन को दबाना था।
जब उन्होंने प्रतिक्रिया समय को मापा, तो शोधकर्ताओं ने पाया कि प्रतिभागियों ने तेज गति से सही कुंजी संयोजन को दबाया जब वे परिणाम का अनुमान लगाने में सक्षम थे।
प्रयोग के हिस्से के रूप में, शोधकर्ताओं ने उत्तेजनाओं को नोड्स के रूप में प्रतिनिधित्व किया जो एक नेटवर्क का हिस्सा बन गया। एक प्रतिभागी को उस नेटवर्क के भीतर नोड के रूप में एक उत्तेजना दिखाई देगी, और उससे सटे चार अन्य नोड्स में से एक अगली उत्तेजना का प्रतिनिधित्व करेगा।
इसके अलावा, नेटवर्क ने तीन कनेक्टेड पेंटागन या "जाली ग्राफ" से युक्त "मॉड्यूलर ग्राफ" का गठन किया, जिसमें उन्हें जोड़ने वाली लाइनों के साथ पांच त्रिकोण शामिल थे।
शोधकर्ताओं ने नोट किया कि प्रतिभागियों ने जाली ग्राफ़ की तुलना में मॉड्यूलर ग्राफ़ पर अधिक तेज़ी से प्रतिक्रिया की।
इस परिणाम के अनुसार, जांचकर्ताओं का कहना है कि प्रतिभागियों को मॉड्यूलर ग्राफ की संरचना को समझना आसान लगा - यानी "बड़ी तस्वीर" का अंतर्निहित तर्क - जिसने उन्हें उच्च सटीकता के साथ तेजी से भविष्यवाणियां करने की अनुमति दी।
इन निष्कर्षों का उपयोग करते हुए, लिन और उनके सहयोगियों ने एक परिवर्तनीय मूल्य का आकलन करने की कोशिश की जिसे उन्होंने "बीटा" मूल्य का नाम दिया। शोधकर्ताओं का कहना है कि उन लोगों में बीटा मान कम लग रहा था, जो भविष्यवाणियां करने की अधिक संभावना रखते थे और जो कार्य को अधिक सटीक रूप से पूरा करते थे, उनमें उच्चतर होते थे।
भविष्य में, शोधकर्ताओं ने कार्यात्मक एमआरआई स्कैन का विश्लेषण करने का लक्ष्य रखा है, ताकि यह देखने के लिए कि अलग-अलग बीटा मान प्रस्तुत करने वाले लोगों का दिमाग अलग-अलग तरीके से "क्रमादेशित" हो।
