Prowadzący: dr Michał Piekarski
Opis: Współcześni badacze podkreślają eksplanacyjne znaczenie i teoretyczną doniosłość modeli bayesowskich w naukach poznawczych. Twierdzi się, że istnieją obecnie co najmniej dwa oddzielne metodologicznie sposoby modelowania mózgu, pozwalające mówić o nim jako o bayesowskim. Chodzi o tzw. racjonalną analizę i kodowanie predykcyjne. Podkreśla się przy tym, że sposoby te należy raczej rozważać jako specyficzne ramy (framework) wyznaczające badania niż konkretne modele posiadające moce eksplanacyjne. Oprócz tego wielu autorów podkreśla normatywny charakter wnioskowań opartych na regule Bayesa (por. Anderson, 1990; Hahn, 2014; Oaksford, Chater, 2007; Oaksford, 2014). Bayesizm jest normatywny w tym sensie, że ludzkie myślenie jest mierzone i oceniane w świetle reguł przezeń sformułowanych. Innymi słowy, w myśl tego poglądu modele wykorzystujące regułę Bayesa nie tylko opisują, w jaki sposób przebiegają procesy poznawcze i decyzyjne, ale także pokazują, w jaki sposób powinny one przebiegać. Dzięki temu możemy dane przekonania, decyzje czy działania określać jako trafne lub nie, poprawne bądź niepoprawne itd. Założenie o normatywności modeli bayesowskich ściśle wiąże się z założeniem dotyczącym racjonalności podmiotów, które myślą, podejmują decyzje i działają. Gdyby podmioty nie były racjonalne, to trudno byłoby nam wyjaśnić ich działania. Celem niniejszych zajęć będzie analiza wybranych sposobów probabilistycznego modelowania mózgu oraz ich znaczenia dla wyjaśnienia kategorii normatywności i racjonalności.
Bibliografia:
Anderson, J. R. (1991). Is human cognition adaptive? Behavioral and Brain Sciences, 14, 471–517.
Clark, A. (2013b). Whatever next? Predictive brains, situated agents, and the future of cognitive science. Behavioral and Brain Sciences, 36, 181–204. https://doi.org/10.1017/ S0140525X12000477.
Colombo, M., Elkin, E., Hartmann, S. (2018). Being realist about Bayes and the predictive processing theory of mind. The British Journal for the Philosophy of Science, axy059, 1–32. https://doi.org/10.1093/bjps/axy059.
Elqayam, S., Evans, J. S. (2011). Subtracting ,,ought” from ,,is”: Descriptivism versus normativism in the study of human thinking. Behavioral and Brain Sciences, 34(5), 233–248. https://doi.org/10.1017/S0140525X1100001X.
Friston, K. J., Fortier, M., Friedman, D. A. (2018). Of woodlice and men: A Bayesian account of cognition, life and consciousness. An interview with Karl Friston. ALIUS Bulletin, 2, 17–43.
Gigerenzer, G., Brighton, H. (2009). Homo heuristicus: Why biased minds make better inferences. Topics in Cognitive Science, 1(1), 107–143. https://doi.org/10.1111/j.1756-8765.2008.01006.x.
Glymour, C. (2001). The mind’s arrows: Bayes nets and graphical causal models in psychology. Cambridge: MIT Press.
Griffiths, T. L., Chater, N., Kemp, C., Perfors, A., Tenenbaum, J. (2010). Probabilistic models of cognition: Exploring representations and inductive biases. Trends in Cognitive Sciences, 14(8), 357–364.
Griffiths, T. L., Kemp, C., Tenenbaum, J. B. (2008). Bayesian models of cognition. W: R. Sun (ed.), The Cambridge handbook of computational cognitive modeling (1–49). Cambridge: Cambridge University Press.
Hahn, U. (2014). The Bayesian boom: Good thing or bad? Frontiers in Psychology, 5(765), 1–12. https://doi.org/10.3389/fpsyg.2014.00765.
Jones, M., Love, B. C. (2011). Bayesian fundamentalism or enlightenment? On the explanatory status and theoretical contributions of Bayesian models of cognition. Behavioral and brain sciences, 34, 169–231. https://doi.org/10.1017/S0140525X10003134.
