مدل سازی شناختی تصمیم گیری انسان با استفاده از شبکه های عصبی عمیق

تصمیم گیری به عنوان یکی از بنیادی ترین فرایندهای شناختی انسان، همواره موضوعی چالش برانگیز برای علوم شناختی، روان شناسی، علوم اعصاب و هوش مصنوعی بوده است. توانایی انتخاب یک گزینه از میان مجموعه ای از گزینه های ممکن، حاصل تعامل پیچیده میان فرایندهای ادراکی، حافظه کاری، توجه انتخابی و ارزیابی پیامدهاست. ازآنجاکه این تعاملات به صورت غیرخطی، پویا و چندلایه ای رخ می دهند، مدل سازی آن ها با رویکردهای سنتی مانند نظریه مطلوبیت موردانتظار یا مدل های احتمالی کلاسیک نمی تواند تمام ابعاد شناختی و عصبی تصمیم گیری را تبیین کند. به همین دلیل، استفاده از روش های نوین مبتنی بر شبکه های عصبی عمیق (Deep Neural Networks) می تواند چشم اندازی نوین در فهم و بازنمایی این پدیده پیچیده فراهم آورد. در پژوهش حاضر، چارچوبی ترکیبی برای مدل سازی تصمیم گیری انسان ارائه شده است که سه جزء کلیدی شناختی؛ یعنی ادراک، حافظه کاری و توجه انتخابی را در معماری شبکه بازنمایی می کند. در این چارچوب، ابتدا از شبکه های کانولوشنی (CNN) برای استخراج ویژگی های اولیه محرک های ادراکی استفاده می شود. سپس اطلاعات به یک شبکه بازگشتی (LSTM) منتقل می گردد تا پویایی حافظه کاری و پردازش ترتیبی داده ها شبیه سازی شود. در مرحله بعد، مکانیزم توجه (Attention) برای وزن دهی به نشانه های مهم و نادیده گرفتن اطلاعات حاشیه ای به کار می رود. نهایتا، خروجی شبکه با استفاده از یک لایه Softmax به انتخاب گزینه نهایی منجر می شود. برای ارزیابی عملکرد مدل، از مجموعه داده های روان شناسی تصمیم گیری شامل آزمون های انتخاب چندگزینه ای، زمان واکنش و داده های رفتاری انسان استفاده گردید. نتایج نشان داد که مدل پیشنهادی توانست با دقتی در حدود ۸۷ درصد تصمیم های انسانی را پیش بینی کند و همبستگی بالایی (r = ۰.۸۲) میان زمان واکنش مدل و زمان واکنش واقعی افراد وجود داشت. افزون بر این، در شرایطی که محرک ها مبهم یا متناقض بودند، مدل همانند انسان دچار تاخیر در تصمیم گیری و افزایش خطا شد؛ پدیده ای که بازتابی از الگوهای واقعی شناختی محسوب می شود. دستاورد اصلی این پژوهش نشان می دهد که شبکه های عصبی عمیق نه تنها ابزارهای محاسباتی قدرتمندی برای شبیه سازی فرایندهای شناختی اند، بلکه می توانند نقش واسطه ای میان علوم اعصاب و هوش مصنوعی ایفا کنند. این چارچوب قادر است هم به درک بهتر از سازوکارهای مغزی تصمیم گیری یاری رساند و هم در طراحی سامانه های پشتیبان تصمیم، رابط های مغز–ماشین و تحلیل رفتار انسانی کاربرد داشته باشد. در آینده می توان با ترکیب این مدل با داده های عصب شناختی (مانند EEG و fMRI) و افزودن لایه های هیجانی و اجتماعی، به سمت بازنمایی جامع تر و نزدیک تر به واقعیت تصمیم گیری انسانی حرکت کرد.

کلیدواژه ها:

مدل سازی شناختی ، تصمیم گیری انسان ، شبکه های عصبی عمیق ، یادگیری عمیق ، علوم شناختی