Memoria e scienza cognitiva: come funzionano i modelli computazionali

Al fine di comprendere l’attività cognitiva dell’uomo, gli scienziati cognitivisti alla fine degli anni ’70 elaborano dei nuovi modelli, i modelli computazionali. Essi permettono di spiegare e al tempo stesso di predire il comportamento umano in situazioni che non conosciamo.

La memoria stessa all’interno di questi modelli ha una funzione fondamentale, poiché permette di apprendere e al tempo stesso mantenere schemi o informazioni che sono fondamentali per predire il comportamento. Esistono vari tipi di modelli computazionali: le reti semantiche, i sistemi di produzione e le reti connessioniste. Il primo tipo di modello (Collins e Loftus, 1975) si rifà ai criteri principali di associazione; i concetti (come: cane, gatto) sono raffigurati da dei nodi, che instaurano con altri nodi legami a seconda del grado di somiglianza tra un concetto e l’altro creando una rete chiamata semantica.

La memoria, in particolar modo l’apprendimento, permette di acquisire nuovi legami e aggiungere nuovi concetti alla rete. Il secondo modello, i sistemi di produzione (Nerwell e Simon, 1972), trovano largo impiego nella spiegazione dei processi cognitivi come problem-solving e di ragionamento. L’apprendimento e la memoria, secondo questo sistema, dipendono da regole che sono simboliche e che possono essere rappresentate dalla forma “ se….allora”, un esempio può essere quello di desiderare di fumare e ci accertiamo se è possibile farlo o meno in un ambiente chiuso: se non c’è scritto vietato fumare allora possiamo fumare. La memoria di lavoro in caso di conflitti propone una strategia di risoluzione e al tempo stesso contiene le informazioni necessarie per adottare il comportamento più consono.

Infine il terzo modello, le reti connessioniste (Rumelhart et al., 1986) sono modelli di elaborazioni auto programmati che ci permettono di apprendere e dare nuove risposte specifiche. Quest’ultimo modello si differenzia dai sistemi di produzione, in quanto non si basano su regole stabili e simboliche ma su pattern di configurazioni. Le reti sono formate da unità semplici dette anche nodi che sono a loro volta connesse con altri nodi dando vita a legami. Queste unità tra di loro possono inviarsi segnali eccitatori o inibitori. Le reti sono costituite da vari strati che rappresentano i legami: d’ingresso, intermedi e d’uscita. Infine le reti sono dotate di capacità di apprendimento chiamata propagazione all’indietro di errori o Back Prop. Ancora una volta la memoria torna ad essere e ad avere un ruolo fondamentale nel funzionamento di questi sistemi computazionali. Nel caso delle reti connessioniste, grazie all’apprendimento con propagazione all’indietro di errori, ogni volta l’informazione in entrata è comparata o confrontata con l’informazione immagazzinata sbagliata e questa configurazione imperfetta è messa a confronto con la risposta corretta, evidenziando l’errore e inviando il feedback di correzione per far si che sia attivata la configurazione corretta e idonea.

di Chiara Spinaci

11087134_946537468698700_2129689933_o

 

 

Vedi tutti gli articoli sulla Memoria

 

Cerca nella Nostra Biblioteca

Scrivi a Igor Vitale