Fél óra várakozás után kezdett gyanús lenni, hogy rossz megállóban várok a buszomra. Elment három másik, az emberek kicserélődtek körülöttem, talán csak egyvalaki nem szállt fel egyikre sem, de ő meg mintha aludna… vagy, most hogy jobban megnézem, az is lehet, hogy itt lakik. Megkérdezni, kézzel-lábbal mutogatni meg annyira kínos. És különben is, az útikönyv szerint ez az a megálló, átellenben a halpiaccal, pont a netkávézó előtt. Vagy ez egy másik netkávézó? Mennyit várjak még? Egy buszt, kettőt, negyedórát, még felet?

Valószínűleg kevesen vannak, akik nem szembesültek még ilyen és ehhez hasonló problémákkal, amikor hirtelen igencsak fontossá válik, hogy mennyire vagyunk biztosak saját döntéseinkben. A pszichológia természetesen foglalkozott ezzel a kérdéssel, és különféle elméletekkel próbálta magyarázni, milyen mechanizmusok húzódhatnak meg bizonyosságunk kialakulása mögött. Magyar kutatók legfrissebb eredményei szerint azonban úgy fest, a kínzó bizonytalanság vagy éppen a túlzott bizonyosság igencsak emberinek tekintett érzései mögött a matematikai statisztika szigorú elvei működnek - kezdi a tétel illusztrálását Gilicze Bálint.

Rágcsálók a buszmegállóban

Az egész a patkányokkal kezdődött. Az Egyesült Államokban kutató Kepecs Ádám arra volt kíváncsi, hogy miként lehetne rávenni ezeket a kis rágcsálókat, hogy valami módon nyilatkozzanak arról, mennyire biztosak döntéseikben. A megoldás modellje pedig nem volt más, mint a fenti buszmegállós történet “patkányosított” változata.

Kísérleti állatait megtanította arra, hogy ha bizonyos helyzetben jó döntést hoznak, számíthatnak a jutalomra. A patkányok hamar ráéreztek a dologra, azonban az igazi trükk csak most következett: néha nem érkezett meg a szokott időben a jutalom. Patkányunk várakozhatott, de ha végül feladta, el is somfordálhatott. A várakozás ideje pedig tökéletesen alkalmas volt annak mérésére, hogy mekkora a patkány bizodalma saját korábbi döntésében.

A kutatók eközben elektródákkal mérték a patkányagy különböző területeinek aktivitását, és azt találták, hogy bizonyos sejtek éppen ilyen helyzetekben aktívak. Ráakadtak a bizonyosság számításának agyi “gépezetére”.

Ennek a gépezetnek a vizsgálatába kapcsolódott be az MTA KOKI orvos-matematikusa, Hangya Balázs, aki kutatótársaival rájött, hogy az eredmények igen jól egyeznek azzal, amit egy egyszerű matematikai statisztikai alapon működő algoritmus adna a patkány helyében.

Az elme matematikája

Ahhoz, hogy megértsük, hogy is működik a matematikai statisztika, térjünk vissza ismét a buszmegállóhoz, és nézzük meg, hogy néz ki a dolog egy statisztikus szemüvegén keresztül. Adott egy helyzet (a halpiaccal szembeni megállóban várunk már félórája a buszra), van egy hipotézisünk (ebben a megállóban áll meg a buszunk), és van egy modellünk a buszok viselkedéséről (az útikönyv azt írja, hogy a buszok átlagosan negyedóránként járnak, mi pedig már két hónapja járjuk az országot, és van fogalmunk róla, hogy mennyire szoktak eltérni az átlagtól). Amikor a statisztikust a bizonyosságról – matematikai nyelven konfidenciáról – kérdezzük, a modell alapján kiszámolja, hogy adott helyzetben mekkora a valószínűsége a hipotézis teljesülésének.

Nos, ha jobban belegondolunk, mi is lényegében ezt tesszük,

vagyis a világról gyűjtött korábbi ismereteink alapján szeretnénk megtudni, hogy vajon mennyi esélye van annak, hogy jól döntöttünk.

Azonban a bizonyosság érzése mindenféle tudatos mérlegelés nélkül is kialakul bennünk. Ahogy telik az idő, és csak nem jön a buszunk, érezzük, hogy valami nincs rendben. Ezt az érzést kapcsolják össze Hangya Balázsék kutatási eredményei a matematikai statisztika pontosan meghatározott konfidenciafogalmával.

Ismeretlen belső világunk

Térjünk most vissza egy kicsit a patkányokhoz! A laboratóriumi kísérletek tervezője abban a szerencsés helyzetben van, hogy képes a legvégsőkig szabályozni a kísérleti állatok környezetét. Pontosan beállíthatja, hogy adott helyzetben milyen valószínűséggel kapjanak jutalmat a patkányok, és ellenőrizheti, hogy kellőképpen megértették-e a rendszert (vagyis a fejükben a jutalmazási rendszerről kialakult modell jól egyezik a kutató által használt jutalmazási rendszerrel). Ezek után nem kell mást csinálni, mint néha egy-egy patkányt megvárakoztatni, és figyelni, mennyit hajlandó várni a jutalomra.

Az ilyen kísérletek legnagyobb buktatója, hogy valójában nem ismerjük, milyen modellt alkot az agy a világ történéseiről. Még azt sem tudjuk pontosan, hogy az észlelt információk hogyan jelennek meg az agyban, milyen emlékeket, érzelmeket, korábbi tapasztalatokat kapcsol hozzájuk ez a sokmilliárd idegsejtből álló hálózat: az agy “belső nyelve” máig ismeretlen előttünk. Ezért is különösen meglepő, hogy noha láthatóan nincsenek külön kis “rekeszekbe” csoportosítva a külvilág pontos mérési adatai,

mégiscsak létezik az agynak egy olyan részrendszere, amelyik szigorú matematikai statisztikusként meghatározza, mennyire lehetünk bizonyosak döntéseinkben.

A többes szám első személy indokolt, ugyanis a patkányoknál tapasztaltak Hangya Balázsék kutatásai szerint az emberi agy működésében is megjelennek. Egy kicsit eltérő kísérletekre volt szükség, de az eredmények meggyőzőek.

A statisztikus gyengéi

Az egyik A kutatásról szóló publikáció itt érhető elkísérletben arra kértek önként vállalkozókat, hogy ismétlődő kattogásokat hallgassanak fülhallgatóval. A két fülbe meghatározott valószínűség szerinti mértékben eltérő frekvenciájú kattogásokat sugároztak. A kísérlet résztvevőinek meg kellett mondaniuk, hogy eltérő-e a két frekvencia, és egy 5-ös skálán meghatározniuk, hogy mennyire biztosak a döntésükben. Amikor a kutatók összevetették az emberi bizonyosságértékeket a kattogások ismert eloszlásából számolt matematikai konfidenciával, azt látták, hogy az agyunk itt is a matematikai statisztika szabályai szerint működik.

Így például, aA matematikai alapokat ez a cikk részletezi statisztikai algoritmusokhoz hasonlóan a kísérleti alanyoknál is jól jelezte a döntési bizonyosság a döntés várható helyességét. Tehát: ha valamiben nagyon bizonytalanok vagyunk, azt feltehetően kisebb eséllyel találtuk el, mint amikor nagyon biztosak voltunk a választásunkban. “Ki gondolta volna?” – kérdezhetné némi malíciával az olvasó. Azonban a kísérletek tanúsága szerint az agy a matematikai statisztika kevésbé intuitív eredményeit is reprodukálja. Az még talán hagyján, hogy ha a kísérleti alany jól dönt, minél könnyebb a feladat, annál nagyobb a bizonyossága a döntésben. Az azonban már elég furcsán hangzik, hogy rossz döntés esetén a feladat egyszerűsödésével csökken a bizonyosságunk. Az pedig végképp különös, hogy amikor lehetetlen a döntés, a bizonyosság nem alacsony – ahogy várnánk – hanem átlagos. A mért adatok meglepő egyezést mutatnak a matematikai statisztikai számításokkal.

Az eredmény azért igen izgalmas, mert a bizonyosság érzésének kialakulására mindeddig sokkal kevésbé megfogható, metakognitív modellek álltak csak rendelkezésre. Vagyis úgy vélték, hogy elménkben zajlik valamilyen döntéshozatali folyamat, és agyunk utólag, különféle egyéb szempontok figyelembe vételével gondolkodik el arról, hogy mennyire is bízunk ebben a döntésben (ez a metakogníció). Hangya Balázs és kutatótársainak eredménye arra mutat rá, hogy a bizonyosság érzésének forrása maga a döntéshozatali folyamat – ez pedig egy jóval általánosabb modell az eddigieknél, hiszen egyszerű definíciókra építve ad jól működő magyarázatot, miközben alig tételez fel valamit a körülményekről.

A patkányok jutalmazásánál és a kattintások frekvenciájának összevetésénél legalább nagy vonalakban lehetett valamit feltételezni arra vonatkozóan, hogy az észlelt jelenségek hogyan jelennek meg az agyban, vagyis mi a perceptum. Hangya Balázs és kutatótársai azonban egy lépéssel tovább mentek, amikor arra kérték másik vizsgálatuk alanyait, hogy tippeljék meg, két ország közül melyik a népesebb, majd nyilatkozzanak róla, mennyire bizonyosak döntésükben. A kísérlet vezetőinek ezúttal fogalma sem lehetett arról, hogy milyen ismereteik vannak a résztvevőknek az egyes országokról, ennek megfelelően semmiféle saját modellt nem alkalmazhattak arra, hogy miként jelennek meg a kérdések a résztvevők agyában. A bizonyosság értékei azonban itt is a matematikai statisztika által meghatározott, sok esetben nem intuitív viselkedést mutatták.

Gigantikus hálózatok

Úgy tűnik tehát, hogy közelebb jutottunk egy újabb rendszer megértéséhez az agyban, azonban továbbra is rengeteg a tisztázatlan kérdés – fogalmunk sincs például arról, hogy honnan veszi a valóságról alkotott modelljeit ez a "fejünkben élő statisztikus", csak azt látjuk, hogy ha már megkapta őket, úgy végzi a munkáját, ahogy egy matematikus tenné.

Lee Sedol vereséget szenved az AlphaGo-tólForrás: Google DeepMind

Ha egy kicsit jobban át szeretnénk érezni az agy megértésének nehézségeit, gondoljunk egy jóval egyszerűbb rendszerre, mondjuk a Google AlphaGo nevű mesterséges intelligenciájára. Az AlphaGo-nak kezdetben rendelkezésére bocsátottak egy több millió golépésből álló adatbázist, ezután pedig egyedül (vagyis két példány egymás ellen) játszott le számtalan meccset, majd egyre erősebb emberi ellenfeleken csiszolgathatta tudását. Végül képes volt megverni a világ második legjobb gojátékosát, méghozzá nem is rossz stílussal. Az AlphaGo kódját emberek írták, egy deep learning nevű algoritmus alapján működik, jellemzője, hogy egymáshoz kapcsolódó “tanuló hálózatok” sorozatából áll, melyek viselkedése némiképp hasonlít a valódi idegsejthálózatokéra. Ugyanakkor hiába ízig-vérig emberi teremtményről van szó, senki sem tudja igazából, hogyan gondolkodik, vagy egyáltalán mit érzékel a játékból – mindez rejtve marad a tanulás közben kialakult hálózati struktúrák mélyén.

Nos, agyunknak természetesen még a “programkódját” sem ismerjük. Létezik egy kezdeményezés, hogy felderítsék, miként kapcsolódnak egymáshoz az agy idegsejtjei – az így összeálló gigantikus hálózati térkép lenne az úgynevezett konnektóm. Egy másik kutatási irány azt tűzte ki célul, hogy egyszerre lássa agyunk összes sejtjének aktivitását. Ez már nagyszerűen működik a zebrahalnál, a maga néhány tízezer agysejtjével – az emberi agy idegsejtjeinek száma viszont tízmilliárdos nagyságrendű.

Azonban, ha mindezt lefordítanánk a számítógépek világának fogalmaira, még így is csak ott tartanánk, hogy pontosan ismernénk a huzalozást és az alkatrészek felépítését, és minden pillanatban tudnánk, hol mennyi áram folyik.

Innen azért még hosszú az út annak megértéséig, hogy milyen program fut a gépen.

Ráadásul a megismerést az is jelentősen megnehezíti, hogy amint egyre összetettebb idegrendszerű élőlényeket vizsgálunk, maguk a működési elvek is változnak. Így például, a kutatók körében közkedvelt Caenorhabditis elegans – kutatói körökben csak C. elegans – nevezetű fonálféreg háromszázegynéhány tagból álló idegsejt-hálózatának egyetlen elemét sem lehet büntetlenül eltávolítani, viszont ha kicsit összetettebb rendszert nézünk, ott már megjelenik bizonyos redundancia. Ezért indokolt az óvatosság, amikor a kísérleti állatokon kapott eredményekből az emberi agy működésére vonatkozóan szeretnénk következtetéseket levonni.

Feltört fekete dobozok

Látjuk tehát, hogy az agykutatás alulról felfelé építkező modellje még nem mondható kiforrottnak, másik irányból azonban egyre több jelenséget kezdünk érteni. Fontos azonban itt is megkülönböztetnünk kétféle megértést: amikor egy agyban működő rendszer vagy egy agyterület működésének statisztikai megértéséről beszélünk, voltaképpen arról van szó, hogy ezt a rendszert egy fekete doboznak képzeljük – egy olyan fekete doboznak, melyről immár nagyjából tudjuk, mire hogyan reagál. Amikor matematikai megértésről beszélünk, akkor már sikerült felépítenünk a rendszer egy modelljét, melynek pontosan értjük a működését. Ez utóbbi kategóriába tartozik Hangya Balázsék eredménye – még akkor is, ha az emberi agyban konkrétan, a sejtek szintjén még nem tudjuk, milyen működésről van szó.

A végső cél természetesen az lenne, hogy elfogyjanak a fekete dobozok, és mindenütt teljesen értsük a rendszer működését. Ilyen áttörés, egy fekete doboz feltörése jelentős és viszonylag ritka esemény az agykutatásban, azonban nem példa nélküli.

Ilyen volt a dopaminrendszer megértése. Amikor először felfedezték, hogy az agyban működő idegsejt-hálózatnak különleges szerepe van a tanulásban, közvetlenül a jutalom fogalmát társították a dopaminsejtek aktivitásához. Később azonban kiderült, hogy nem maga a jutalom, hanem a várt és az észlelt jutalom különbsége az a változó, amely igazán a dopaminsejtek aktivitásához köthető. Az így kapott modell már megfelelően leírja a dopaminrendszer működését, és jól értjük a megerősítéses tanulás agyi folyamatát, jóllehet arról továbbra sincs biztos képünk, hogyan jelenik meg agyunkban maga a tanulás tárgya.

Hangya Balázsék kísérletei alapján úgy tűnik, a bizonyosság érzését is egy ilyen, jól meghatározható rendszer kelti bennünk, noha annak konkrét, sejtszintű megjelenése még nem tisztázott. Ugyanakkor érdekes, hogy olyan alapvető és jól megfogható fogalmaknak, mint a félelem vagy a figyelem nem találják különálló agyi rendszerét.

Nem szabad elfeledkeznünk a megértés másik, statisztikai módjáról. Nagyszerű példát ad erre az úgynevezett törzsdúcok, vagy más néven bazális ganglionok rendszere. A kutatók elektródákkal vizsgálták majmokban ezt az agyterületet, és az ingerek és a tapasztalt mozgásminták összefüggéseiből egy hatalmas adatbázist készítettek. Ez alapján sikerült egy jól használható modellt készíteni erről a rendszerről, melyről azonban ismeretes, hogy – ellentétben a dopaminrendszernél látottakkal – nem minden jelenségre ad kielégítő magyarázatot. Ez a nem végleges “munkamodell” azonban egyáltalán nem haszontalan, ugyanis ennek köszönhetően akadtak rá egy, a Parkinson-kór bizonyos formáiban sérült szabályozási körre, melynek működését a mélyagyi stimuláció (DBS) révén korrigálni lehet, drámaian javítva ezzel a beteg állapotát.