Riassunto esame Psicologia generale 2, prof. Reverberi, libro consigliato Psicologia Generale, Cherubini

Psicologia generale – riassunto

Apprendere per esperienza diretta: uomini e topi

Definizione e breve storia

Definizione di apprendimento: L’apprendimento è il processo grazie al quale acquistiamo conoscenze sul mondo e le codifichiamo nelle memorie a lungo termine, creando un vasto deposito di conoscenze precedenti che contribuisce tanto a pianificare e guidare il nostro comportamento, quanto a sostenere nuovi e ulteriori sforzi di apprendimento e a determinare l’esito.

Approccio computazionale

Cosa apprendiamo dalle info statistiche: definisce le funzioni che un processo cognitivo computa. È un apprendimento basato su un insieme di osservazioni.

Approccio algoritmico/descrittivo

Come apprendiamo dalle info statistiche: individua i processi di elaborazione che sono utilizzati dagli organismi per computare le funzioni identificate a livello computazionale.

Top down

Processi in cui i meccanismi di alto livello cercano di dare forma sintetica e organizzare le osservazioni derivate dall’esperienza sensoriale dell’ambiente. Coinvolgono giudizi a posteriori (esperienze passate) → regole, ipotesi-Se...allora-modello di apprendimento di relazioni inferenziali.

Bottom-up

Processi di elaborazione guidati dai dati che avvengono a prescindere dalla nostra volontà di svolgerli. Emergenza dall’esperienza e dall’osservazione diretta di contingenze → associazioni-A→B-modello di apprendimento di relazioni associative.

Funzioni dell’apprendimento basato su contingenze

• Previsione: Capacità di prevedere le conseguenze (C) di determinati stati o eventi (S), a prescindere dal fatto che siano il prodotto dell’azione dell’organismo sull’ambiente o si manifestino indipendentemente dalle sue azioni, dove possibilmente reagirvi (R) con maggiore efficienza. → Condizionamento rispondente/classico.
• Intervento: Capacità di prevedere quali comportamenti attivi (A) rivolti verso l’ambiente produrranno determinati eventi (S) con conseguenze prevedibili, desiderate o indesiderate, ai quali si sarà pronti a reagire (R). → Condizionamento operante/strumentale.

Covariazione

Il cambiare insieme di due o più dimensioni, attributi. Non necessariamente scaturisce da un nesso di causalità tra loro. Distinzione tra covariazione semplice e covariazione basata su un nesso causale. Tutti i tipi di covariazione consentono di creare aspettative (previsione), ma solo quelle che sono il prodotto di un nesso causale, consentono di progettare azioni finalizzate a un obiettivo (intervento).

Tavole di contingenza

Le osservazioni della concomitanza tra due eventi, lo stimolo segnale o cue (S) e la conseguenza o l’outcome (C), possono essere illustrate da una tavola di contingenza, dove le celle a e b rappresentano, rispettivamente, il numero di casi (frequenza) in cui si è presentata o non presentata la conseguenza in presenza del segnale, e le celle c e d rappresentano la frequenza, della conseguenza in assenza del segnale.

Probabilità della conseguenza dato il segnale: P(C|S) = a/(a+b).

Probabilità della conseguenza nonostante l’assenza del segnale: P(C|¬S) = c/(c+d).

La differenza tra le due probabilità condizionali è chiamata ΔP.

ΔP – differenza tra le due probabilità condizionali: indica la forza della relazione tra il segnale, cue (S) e la sua conseguenza, outcome (C). Se il suo valore è positivo, allora la presenza del segnale produce un incremento di aspettativa della conseguenza. Se è negativo, genera un decremento dell’aspettativa. Se è nullo indica che S e C non hanno alcuna covariazione reciproca: S non induce né un aumento né una riduzione dell’aspettativa di C.

ΔP = P(C|S) – P(C|¬S)

La stima del ΔP è considerata uno degli scopi (quello di previsione) dell’apprendimento basato su dati statistici. Il ΔP è anche un importante indizio della possibile causalità dell’evento segnale (S), verso l'evento conseguenza (C), contribuendo a perseguire il secondo scopo: quello di valutare l'opportunità di intervenire attivamente per fare in modo che S si presenti o meno, al fine di provocare, o non consentire C.

Power PC/pow/potenza del ΔP

Funzione potenza del contrasto di probabilità. Indica la forza stimata dell’esistenza di un nesso di causalità tra due eventi. L’incremento o il decremento dipende dalla probabilità condizionale di un evento.

La corretta stima degli effetti causali di S deve riferirsi a quanto S renderebbe probabile C non in qualche contesto specifico, dove possono agire altri fattori causali, ma in una situazione ideale, dove S sia il solo fattore causale presente.

pow = ΔP/[1-P(C|¬S)] pow per cause generative (ΔP>0)

pow = ΔP/P(C|¬S) pow per cause preventive (ΔP<0)

La funzione di potenza del ΔP è corretta e sensate se e solo se la potenziale causa S la cui forza si sta stimando è indipendente dall’insieme di tutte le concause che possono provocare il medesimo effetto C.

Noisy OR

Le diverse concause di uno stesso effetto possono combinarsi in una quantità di modi virtualmente infinita. Ciascuna di queste modalità è una struttura causale. Nel caso “standard”, o delle cause indipendenti, le probabilità delle concause si combinano secondo la funzione detta noisy OR (disgiunzione probabilistica).

La funzione disgiuntiva probabilistica noisy OR è identica a una somma booleana, solo che, invece dei valori dicotomici 0 o 1, ogni argomento esprime la probabilità che A sia vero, e la probabilità che B sia vero.

P(A v B) = P(A) + P(B) – P(A) x P(B)

Applicando la noisy OR alla probabilità con cui ciascuna causa S, indipendentemente dall’altra, può provocare la conseguenza C, otteniamo:

P(C) = P(C|S₁) + P(C|S₂) – P(C|S₁) x P(C|S₂) struttura di cause indipendenti.

In termini di grafi bayesiani, due cause indipendenti di uno stesso effetto sono rappresentate da due nodi non connessi tra loro (le cause) associati da due archi a un terzo nodo (la conseguenza). A ogni arco è associata la probabilità condizionale che quella causa, in assenza dell’altra, possa provocare l’effetto C. La probabilità complessiva dell’effetto è ottenuta combinando le due probabilità con la funzione noisy OR.

Data una qualsiasi tabella di covariazione che riporti le contingenze di uno stimolo S con una conseguenza C in un contesto dove sono sempre presenti altre concause [P(C|¬S)>0] indipendenti da quella esaminata, la struttura noisy OR si traduce in:

P(C|S ∪ altre cause) = P(C|S) + P(C|altre cause) – [P(C|S) x P(C|altre cause)]

a/(a+b) c/(c+d).

P(C|S) = ΔP/[1 – P(C|¬S)] formula potenza per cause generative.

Due cause non sono indipendenti quando la loro combinazione segue una qualsiasi funzione di combinazione di probabilità che non sia la noisy OR. Sono questi i casi in cui la funzione potenza del ΔP non si applica.

Come apprendiamo dai dati statistici? Fenomeni empirici

Metodi di studio dell’apprendimento di relazioni tra eventi

Gli studi sperimentali dell’apprendimento di relazioni tra eventi si possono suddividere lungo quattro dimensioni metodologiche:

1. Tipo di partecipanti: umani o altri animali.
2. Presentazione simultanea o seriale degli eventi stimolo: la presentazione seriale prevede che il tempo dell’esperimento sia suddiviso in periodi. In ogni periodo, si presentano uno o alcuni eventi stimolo. Lo sperimentatore controlla le variabili indipendenti che lo interessano su questa serie. La presentazione simultanea è usata solo con partecipanti umani.
3. Tipo di misura dell’apprendimento: quando l’apprendimento è valutato implicitamente, lo sperimentatore misura, come variabile dipendente, una qualche risposta comportamentale manifesta o fisiologica del partecipante a uno o più stimoli. Da quelle misure il ricercatore inferisce il grado di apprendimento della relazione tra gli stimoli.
4. Valore di incentivo dell’outcome: in particolare con presentazione seriale e misurazione implicita dell’apprendimento ha importanza la valenza edonica associata agli outcome da quell’organismo. L’US è un incentivo se è intrinsecamente dotato di valore edonico per quell’organismo (US appetivo= rinforza l’apprendimento dell’associazione; US aversivo= indebolisce l’apprendimento).

Le scoperte di Pavlov

Attraverso una gran quantità di esperimenti a partire dal 1902, Pavlov illustrò che la ripetuta associazione in condizioni di contiguità temporale tra un CS non in grado di provocare una risposta R e un US in grado di provocarla, porta CS a elicitare R anche quando presentato in assenza di US. Se poi CS, una volta associato alla risposta, viene presentato molte volte senza più essere accompagnato dall’US, P(R|CS ∪ ¬US) si riduce gradualmente verso 0: la risposta R a CS si dirada e si indebolisce fino a estinguersi.

Condizionamento rispondente: A+; Test: A→R

• Dato US→R
• Date ripetute presentazioni di CS→US in condizioni di contiguità temporale
• P(R|CS ∪ ¬US) tende gradualmente verso 1

Estinzione/Inibizione interna

A-; Test: A→ 0 o r

• Data l’associazione precedentemente appresa CS→R
• Date ripetute presentazioni di CS→ ¬US
• P(R|CS) tende gradualmente verso 0

Intensità

Dato CS→R, l’intensità di R cresce con l’intensità di CS→R.

Generalizzazione

Dato CS₁ e un CS₂ mai precedentemente associato a US, CS₂ tenderà a provocare R con probabilità proporzionale alla sua somiglianza percettiva con CS₁→R.

Discriminazione appresa

Dato CS₁ se un CS₂ simile a un CS₁ inizialmente provoca R, ripetute presentazioni CS₁→ ¬US →US estinguono la risposta a CS₂, mentre si preserva quella a CS₁. L’organismo impara a distinguere CS₁ da CS₂.

Inibizione esterna (primo tipo)

Se CS→R è stata appresa in un dato contesto, tenderà a non presentarsi, o a presentarsi con forza inferiore, in un nuovo contesto.

Inibizione esterna (secondo tipo)

La presentazione di un nuovo CS₂ molto saliente in concomitanza o subito prima di CS₁→R tenderà a ridurre la forza di un’associazione CS₁ precedentemente appresa. Questo fenomeno è noto con il termine overshadowing.

Overshadowing

Ax+; Test: x→ 0; controllo: x+; Test: x→ R (x= evento meno saliente).

Inibizione esterna/condizionale (terzo tipo)

Se si presentano in ordine casuale molte prove di tipo (CS₁ ∪ ¬CS₂)→US e molte prove di tipo (CS₁ ∪ CS₂)→¬US, l’organismo risponderà con R a CS₁ presentato isolatamente, ma non a CS₁ presentato in concomitanza con CS₂. La presenza di quest’ultimo inibisce la risposta associata al primo.

Inibizione condizionale

Fase 1: A+/AB-; Test: A→ R; Test: AB→ 0; Test: B→ 0; Fase 2: B+; Test: B→ 0 o r.

Condizionamento di secondo ordine

Dato CS→R, alcune presentazioni di CS→CS (non seguito da US) tenderanno a stabilire l’associazione CS→R.

Condizionamento di secondo ordine (SOC)

Fase 1: A+; Fase 2: AB-; Test: B→ R.

Alcune scoperte di Thorndike

Thorndike, nei suoi esperimenti più noti, si avvalse di una gabbietta per gatti (puzzle box), la cui porta era chiusa da una sbarra connessa a una puleggia, a un contrappeso e a una leva. Schiacciando la leva, la porta si apriva. Se un micio era inserito nella gabbia, cercava di uscire, soprattutto se vedeva fuori un invitante piatto di cibo. Per uscire, dapprima miagolava, graffiava la porta e le sbarre, spingeva ecc., aggirandosi nella gabbia ed eseguendo molti tentativi infruttuosi (apprendimento per prove ed errori). Prima o poi, finiva con l’azionare il meccanismo che apriva lo sportello della gabbia: allora usciva e raggiungeva l’agognato cibo. Il gatto veniva reintrodotto nella gabbia più e più volte. Ogni volta Thorndike cronometrava il tempo necessario al gatto per uscire, tracciandone la curva di apprendimento. In media, il gatto impiegava parecchio tempo a uscire dalla gabbia la prima volta. La seconda volta ne impiegava un po’ di meno, la terza ancora meno e così via.

Thorndike formulò alcune leggi dell’apprendimento per prove ed errori, o condizionamento strumentale. Egli formulò anche la legge dell’effetto: se in un determinato contesto S è prodotta una risposta R con un esito “soddisfacente”, allora la forza della connessione S-R cresce: quindi, in futuro, aumenta la probabilità di emettere la stessa risposta nel medesimo contesto. Se a una risposta R segue un esito poco soddisfacente o fastidioso, allora la forza della connessione S-R si indebolisce, e la risposta diviene meno probabile in quel contesto.

Alcune scoperte di Skinner

Skinner fece sua la legge dell’effetto, e ne approfondì lo studio. Sostenne che l’apprendimento basato su condizionamento rispondente non era in grado di giustificare alcune forma di comportamento complesso umano e animale. Gli organismi non si limitano ad associare risposte automatiche a nuovi stimoli, ma imparano nuove risposte, e agiscono per ottenere alcune conseguenze. Il suo approccio è noto come condizionamento operante. Gran parte dei suoi studi furono condotti su partecipanti animali, con presentazione seriale degli stimoli, misurando implicitamente l’apprendimento, e con outcome incentivanti. Classificò il tipo di outcome lungo due dimensioni: positività/negatività (presenza o assenza dell’evento conseguenza) e appetivo/aversivo (incremento o riduzione di forza della connessione S-R dopo la conseguenza). Skinner trovò che i rinforzi erano più efficaci delle punizioni, e avevano meno effetti collaterali. Egli dimostrò anche l’efficacia del modellamento (shaping) nell’addestramento di animali a compiere comportamenti anche molto complessi.

Conclusioni “classiche” dell’apprendimento

Thorndike (condizionamento strumentale) e Skinner (condizionamento operante) si avvalsero quasi esclusivamente di US incentivanti. Dai loro studi i fattori critici per l’apprendimento di un’associazione tra CS e US sono:

• Ripetizione di contingenze di tipo a (CS ∪ US)
• Contiguità temporale tra CS e US in quelle contingenze
• Valore incentivante dell’US (in realtà questi fattori non sono né necessari, né sufficienti per l’apprendimento)

Algoritmi di riduzione dell’errore

Ciò che rinforza l’apprendimento di un’associazione è il saper fare previsioni accurate. Tutti i principali modelli algoritmici che cercano di catturare i fenomeni dell’apprendimento associativo bottom-up, sono algoritmi di riduzione dell’errore. Essi riducono la forza di un’associazione quando quell’associazione induce una previsione che si rivela errata, e l’aumentano quando porta a una previsione che si rivela corretta. Quindi, è l’errore o la correttezza della previsione che indebolisce o rinforza l’associazione: non è la natura incentivante dell’evento previsto.

Apprendimento latente (Tolman)

Tolman, comportamentista, dimostrò che ciò che era appreso erano “segnali” o connessioni “stimolo-stimolo” S-S, e non “interruttori” S-R che associavano meccanicamente uno stimolo a una qualche risposta: “Le informazioni (input) in entrata sono elaborate per costruire una mappa dell’ambiente di tipo cognitivo.” L’apprendimento di queste mappe può essere latente: gli organismi apprendono, per eventuali usi futuri, insiemi di relazioni tra stimoli ambientali, anche in assenza di incentivi immediati. Tolman dimostrò il fenomeno dell’orientamento spaziale nell’apprendimento di labirinti.

One-shot learning

Si può apprendere con forza un’associazione dopo aver osservato una sola concomitanza tra due eventi. Infatti, se uno o entrambi gli stimoli CS e US sono molto salienti, non c’è bisogno di ripetizioni per apprendere un’associazione. Inoltre, nonostante la contiguità sia spesso importante per l’apprendimento di associazioni su base covariazionale, essa non è una condizione necessaria.

Variabilità

La ripetizione fine a sé stessa, in assenza di predittività, sembra non avere alcun importante ruolo. Tuttavia, a parità di predittività, il numero di ripetizioni necessarie all’apprendimento non dipende solo dalla salienza degli stimoli, ma anche dalla variabilità o varianza degli abbinamenti tra CS e US. In altre parole, se la variabilità dell’associazione tra CS e US è bassa, si impara in fretta la loro relazione (anche se la si dimentica altrettanto facilmente, al mutare delle condizioni); quando la variabilità è alta, la si apprende lentamente (e la si dimentica altrettanto lentamente, al mutare delle condizioni).

Forward blocking

La contiguità e la ripetizione di due stimoli ambientali non sono sufficienti all’apprendimento. Questa asserzione si deve alle scoperte di Kamin.