Kako proveriti objašnjenje mozga koje zvuči kao da objašnjava sve?

Velikim teorijama o mozgu teško je odoleti.

Ima nečeg izuzetno privlačnog u pronalasku jedne ideje koja deluje kao da povezuje percepciju, učenje, akciju, halucinacije, emocije, pa možda i samu svest.

Prediktivna obrada može delovati upravo tako.

Kada jednom savladate rečnik — očekivanja (priors), greške u predviđanju (prediction errors), preciznost (precision) — mnoge veoma različite pojave odjednom počnu da se uklapaju u istu sliku.

To jeste korisno.

Ali to je takođe trenutak kada drugo pitanje postaje presudno:

Ako teorija može da objasni gotovo sve, kako da znamo kada je zapravo objasnila bilo šta?

Predviđanje koje ne može da izgubi

Zamislite meteorologa koji kaže:

„Sutra bi moglo biti sunčano, kišovito, vetrovito ili snežno.”

Šta god da se desi, prognoza opstaje.

Ali opstati nije isto što i pružiti informaciju.

Korisno predviđanje sužava mogućnosti i isključuje druge ishode. Tvrdnja da će sutra popodne padati jaka kiša daleko je rizičnija — jer svet može dokazati da niste u pravu.

Naučna objašnjenja funkcionišu na veoma sličan način.

Činjenica da teorija može naknadno da uklopi rezultat je korisna, ali slaba. Daleko jači dokazi pojavljuju se kada se teorija unapred obaveže na nešto — posebno kada drugo uverljivo objašnjenje predviđa nešto drugačije.

„U skladu sa” je samo početak

Razmotrimo mismatch negativity (MMN), odnosno negativnost neslaganja^[1].

Pustite isti ton više puta zaredom — bip, bip, bip, bip — a zatim ga iznenada zamenite drugačijim zvukom.

Odstupajući ton proizvodi karakterističan neuronski odgovor.

Prediktivno kodiranje nudi elegantno tumačenje: ponovljeni tonovi uspostavljaju očekivanje, odstupajući ton ga krši, a rezultat je signal greške koji služi za ažuriranje modela^[1].

To objašnjenje se dobro uklapa.

Ali ono nije jedino.

Neuroni koji reaguju na ponovljeni zvuk možda su se jednostavno zamorili, dok su neuroni podešeni za redak zvuk ostali sveži. Neobičan ton takođe može privući pažnju jednostavnim time što je redak.

Ti mehanizmi takođe mogu proizvesti jači odgovor na odstupajući ton.

Dakle, MMN jeste svakako kompatibilan sa prediktivnim kodiranjem. Ono što on sam po sebi ne čini jeste to da ne identifikuje jedinstveno prediktivno kodiranje kao jedini mehanizam.

Ova razlika je važna daleko izvan MMN-a.

Korisno pitanje nije prosto:

Može li moja teorija da objasni ovaj rezultat?

Ono glasi:

Šta je moja teorija predvidela što druga uverljiva objašnjenja nisu?

Bliže samom mehanizmu

Neki eksperimenti olakšavaju odgovor na to pitanje.

U poznatoj studiji, miševi su se kretali kroz virtuelno okruženje dok su istraživači snimali aktivnost u primarnom vizuelnom korteksu^[2].

Uobičajeno, trčanje je proizvodilo odgovarajući vizuelni protok. Zatim bi, u pojedinim pokušajima, vizuelni protok bio iznenada prekinut dok je miš nastavljao da trči.

Određeni neuroni u površinskim slojevima vizuelnog korteksa snažno su reagovali na taj nesklad^[2].

Zanimljiv deo je to što je odgovor bio vezan za odnos između pokreta i vizuelne povratne informacije, a ne prosto za samo vizuelno kretanje.

To čini ovaj nalaz mehanicistički informativnijim od opšteg rezultata tipa „neočekivane stvari proizvode veću moždanu aktivnost”.

Pa ipak, zaključak treba zadržati u preciznim granicama.

Eksperiment pruža snažne dokaze da vizuelni korteks miša sadrži neurone osetljive na senzomotorni nesklad. On sam po sebi ne dokazuje da svaka kortikalna oblast koristi istu arhitekturu prediktivnog kodiranja — niti da isti mehanizam objašnjava visoke oblike ljudskog mišljenja.

Okvir nije isto što i mehanizam

Ovde je potrebno razdvojiti široke teorijske okvire od specifičnih modela^[3].

Okvir daje istraživačima način da organizuju problem.

Prediktivna obrada, na primer, sugeriše posmatranje percepcije kroz prizmu očekivanja, pristižućih dokaza, neizvesnosti i neslaganja.

To može generisati korisna pitanja čak i pre nego što saznamo tačnu biološku implementaciju.

Procesni model ide korak dalje.

On može predložiti da određeni kortikalni slojevi nose različite signale, pri čemu pojedini putevi naglašavaju predviđanja, a drugi informacije o neslaganju^[4].

Sada je teorija sebe učinila ranjivijom.

Istraživači mogu proveriti da li se ti slojevi zaista ponašaju kako je predviđeno, da li narušavanje jednog puta menja očekivani signal i da li konkurentska arhitektura bolje objašnjava podatke.

Ta ranjivost je njena snaga.

Model postaje naučno korisniji kako postaje jasnije šta bi dovelo do njegovog neuspeha.

Problem preciznosti

Prediktivna objašnjenja se često oslanjaju na još jedan koristan koncept: preciznost.

Grubo govoreći, preciznost opisuje koliko poverenja sistem poklanja različitim izvorima informacija.

Senzorski signal procenjen kao veoma pouzdan treba snažnije da utiče na percepciju od signala koji se smatra šumnim ili neizvesnim.

Ta ideja je moćna.

Ali može postati i opasno zgodna.

Pretpostavimo da neko ignoriše očigledan signal. Mogli bismo reći da je senzorska preciznost bila niska.

Ako druga osoba snažno reaguje na isti signal, mogli bismo reći da je njena senzorska preciznost bila visoka.

Oba objašnjenja mogu delovati razumno.

Ali ako je samo ponašanje jedini razlog zašto smo zaključili da je preciznost bila visoka ili niska, pa onda tu zaključenu preciznost koristimo da objasnimo to isto ponašanje — vrtećemo se u krug.

Latentne promenljive same po sebi nisu problem. Naučnik stalno koristi neopservabilne promenljive.

Važno pitanje je da li su one ograničene nečim izvan samog rezultata koji bi trebalo da objasne — drugim merenjem, eksperimentalnom manipulacijom, registovanim modelom ili uspešnim predviđanjem novih podataka.

Četiri pitanja vredna postavljanja

Ne morate biti neuronaučnik da biste uočili mnoge od ovih problema.

Kada se susretnete sa objašnjenjem mozga, četiri pitanja vas vodi daleko.

1. Šta je model predvideo pre nego što je rezultat bio poznat?
Da li je ishod zaista bio predviđen, ili je priča sklopljena naknadno?

2. Da li bi drugo uverljivo objašnjenje moglo da proizvede isti rezultat?
Nalaz koji odgovara višestrukim modelima ne pravi jasnu razliku među njima.

3. Da li su skriveni parametri nezavisno ograničeni?
Da li se stvari poput preciznosti, očekivanja ili neizvesnosti procenjuju iz dodatnih dokaza, ili se uvode samo zato što čine da se rezultat uklopi?

4. Koji bi rezultat išao protiv ovog specifičnog modela?
Ako je odgovor „ništa”, tvrdnja je verovatno previše neodređena da bi se valjano testirala.

Zašto ovo ne ruši prediktivnu obradu

Ništa od ovoga ne znači da prediktivnu obradu treba odbaciti.

Upravo suprotno.

Njena vrednost nije u tome što nam daje frazu koja se može zalepiti za svaku pojavu. Njena vrednost je u tome što može generisati sve specifičnije modele o tome šta bi nervni sistem trebalo da radi.

Neki od tih modela će raditi.

Neki neće.

Za neke nalaze će se ispostaviti da imaju jednostavnija objašnjenja.

To nije slabost nauke. To je proces koji atraktivan okvir pretvara u bolju teoriju mozga.

Nakon sedam članaka u kojima smo se pitali šta predviđanje može objasniti, završno pitanje je zato drugačije:

Šta bi moralo da se dogodi da ovo objašnjenje ne bude u pravu?

Ako na to možemo jasno da odgovorimo, pomerili smo se dalje od dobre priče.

Dobili smo nešto što zaista možemo da testiramo.