Αρχείο ετικέτας μάθηση

Πώς η μάθηση επηρεάζει την ανάπτυξη του άγχους- Ένα απλό παράδειγμα

Όπως μπορεί να καταλάβει κανείς διαβάζοντας το βιβλίο “Η Ανατομία Του Άγχους”, το άγχος μπορεί να είναι ταυτόχρονα 2 πράγματα: Μπορεί από τη μία να είναι σύμπτωμα και αποτέλεσμα των ποικίλλων πιέσεων που βιώνει ένα άτομο στην καθημερινότητα. Ταυτόχρονα όμως, μπορεί να σηματοδοτεί και μία στάση ή αλλιώς μία συγκεκριμένη θέση στο πως να ζει κανείς την καθημερινότητα και τη ζωή του.

Όταν το άγχος είναι σύμπτωμα, θεραπεύεται πολύ πιο εύκολα, όταν είναι συστατικό της στάσης του ατόμου απέναντι στη ζωή, η θεραπεία του είναι πολύ πιο απαιτητική έχοντας πολύ σημαντικές προκλήσεις.

Ας δούμε κάποια σημαντικά συστατικά της βασικής μάθησης του άγχους μέσα από ένα παράδειγμα για να καταλάβουμε και να κατανοήσουμε απλά τι είναι αυτό που μαθαίνει το αγχώδες άτομο από τη νηπιακή του ηλικία.

Ας υποθέσουμε ότι ένα μικρό παιδί 3-4 ετών ετοιμάζεται να ανέβει σε μία καρέκλα στο σαλόνι του σπιτιού. Δίπλα του είναι η (πολύ αγχώδης) μαμά του. Με το που ανεβαίνει στην καρέκλα η μαμά του χάνει τελείως την ψυχραιμία της.

Φωνάζει, ωρύεται, και του λέει μία (μαγική για τη δημιουργία του άγχους) φράση!

“Μην ανεβαίνεις στην καρέκλα, θα σπάσεις το κεφάλι σου!!!” (ή άλλες αντίστοιχες παραλλαγές του τύπου θα σκοτωθείς, θα μείνεις ανάπηρος κ.ο.κ.)

Προφανώς αυτού του τύπου το περιστατικό με διαφορετικές παραλλαγές θα επαναληφθεί ξανά και ξανά και ξανά στην πορεία του χρόνου. Τι είναι αυτό που μαθαίνει σε πρώτο βαθμό το παιδί;

Μαθαίνει μέσω εξαρτημένης μάθησης ότι για να αντιδρά έτσι η μαμά του όταν ανεβαίνει στην καρέκλα, η καρέκλα πρέπει να είναι επικίνδυνη. Αντίστοιχα, όταν το παιδί είναι στο πάτωμα η μαμά είναι πολύ ήρεμη και χαλαρή. Λόγω αυτής της σταθερής συμπεριφοράς της μητέρας τί είναι φυσικό να συμπεράνει το παιδί; Μα φυσικά ότι το να είναι πάνω στην καρέκλα είναι επικίνδυνο και το να είναι στο πάτωμα είναι ασφαλές. (Η μνήμη μας λειτουργεί σε σημαντικό βαθμό συνειρμικά, οπότε τέτοια απλά και διχοτομικά παραδείγματα “εξυπηρετούν” πολύ τη μάθηση και την μνημονική εγγραφή).

Όμως εμείς τί γνωρίζουμε από τη γενική μας γνώση του κόσμου; Μπορεί κανείς να είναι πάνω σε μία καρέκλα και να είναι ασφαλής;

Φυσικά, είναι η απάντηση.

Και μπορεί να είναι στο πάτωμα και να πέσει και να χτυπήσει;

Βεβαίως, είναι και εδώ η απάντηση.

Οπότε για τους σκοπούς του απλοϊκού μας παραδείγματος, σε μία συνθήκη όπου υπάρχουν 4 (τουλάχιστον) πιθανές εξελίξεις, κανείς (λόγω της μάθησης του παραδείγματος) αυτόματα αποκλείει τις δύο πιθανότητες και κρατά τις άλλες δύο (Κρατά το ότι να είναι πάνω στην καρέκλα είναι επικίνδυνο και το να είναι στο πάτωμα είναι ασφαλές).

Αυτός είναι ένας τρόπος σκέψης που εμπεριέχει τη διχοτόμηση, τη δημιουργία διπόλων, που τόσο τα βλέπουμε στην καθημερινότητά μας και μας ταλαιπωρούν. Το καλό και το κακό, το άσπρο και το μαύρο, ο εμβολιασμένος και ο ανεμβολίαστος, ετούτη ή η άλλη ομάδα. Η διχοτόμηση είναι το αποτέλεσμα μίας διαδικασίας αφαίρεσης πληροφορίας που συχνά δεν είναι η σωστή προς αφαίρεση πληροφορία (στο παράδειγμά μας, η μαμά του παιδιού μπορεί για τους δικούς της λόγους να είναι υπερβολική στις αντιδράσεις της και την ενδεχόμενη επικινδυνότητα της καρέκλας για το παιδί της).

Το πρόβλημα με τη διχοτόμηση είναι πως κανείς αν δεν συμφωνεί με τη μία θέση, νιώθει αναγκασμένος να ακολουθήσει τη δεύτερη, που και εκείνη μπορεί να είναι εξίσου μη ικανοποιητική για εκείνον ή να εμπεριέχει μία εξίσου κακή έκβαση.

Στη φύση όμως δεν υπάρχουν διχοτομήσεις, υπάρχουν φάσματα, πολλές διαφορετικές πιθανότητες και επιλογές. Γι’ αυτό στους αγχώδεις θεραπευόμενούς μου, εκεί που δυσκολεύονται πολύ με κάποιο ερώτημα (που ενδεχομένως εμπεριέχει το διχοτομικό χαρακτήρα), τους προτρέπω να το εμπλουτίσουμε με πληροφορία και με αυτό τον τρόπο να πάψει να φαίνεται τόσο απειλητικό ή δύσκολο.

Ας ξαναγυρίσουμε όμως στον πρωταγωνιστή του παραδείγματος μας, το μικρό παιδί. Το πρώτο πράγμα λοιπόν που μαθαίνει από το παράδειγμα της καρέκλας είναι να αντιλαμβάνεται διχοτομικά τις καταστάσεις.

Τί άλλο μαθαίνει;

Ας φανταστούμε τους εαυτούς μας ως ενήλικες να κοιτάμε μία καρέκλα. Πόσο επικίνδυνη φαίνεται; (Το σύνολο των θεραπευόμενων μου απαντά ότι δε φαίνεται επικίνδυνη-και το ίδιο πιστεύω και εγώ). Οι καρέκλες συνήθως είναι φτιαγμένες απο μαλακά υλικά, δεν έχουν παράξενες γωνίες γιατί πρέπει να είναι άνετες και φιλόξενες, συνεπώς δεν είναι επικίνδυνες ή δεν πρέπει να είναι σύμφωνα με την κοινή λογική.

Ας φανταστούμε πάλι τον εαυτό μας, τώρα σε ηλικία 4 ετών να κοιτάμε την ίδια καρέκλα.

Μήπως τότε θα φαινόταν επικίνδυνη; η απάντηση επίσης είναι όχι, μία καρέκλα δε φαίνεται επικίνδυνη ούτε σε ένα παιδί 4 ετών.

Τί μπορεί να είναι το δεύτερο πράγμα που μαθαίνει το παιδί όταν ανεβαίνει πάνω σε αυτή την καρέκλα (που τονίζω ότι δε φαίνεται επικίνδυνη) και η μαμά του φωνάζει ότι θα χτυπήσει;

Μαθαίνει, ότι ενώ νομίζει ότι η καρέκλα είναι ασφαλής, η μαμά του, ο φροντιστής του, το άτομο που εμπιστεύεται περισσότερο, ο μεγάλος εκείνος άνθρωπος που είναι τόσο σημαντικός για εκείνο, του υποδεικνύει ότι στ’ αλήθεια το ίδιο το παιδί δεν είναι τόσο ασφαλές όσο νομίζει.

Επίσης, μαθαίνει και κάτι άλλο. Μαθαίνει ότι τα πράγματα δεν είναι όπως δείχνουν, (η καρέκλα φαίνεται ασφαλής, η μαμά λέει πως δεν είναι, η μαμά όμως ξέρει καλύτερα) πράγμα που επηρεάζει τον τρόπο και τη δομή της σκέψης του και το καθιστά επιρρεπές στο να είναι σε κατάσταση άμυνας και ετοιμότητας.

Επιπρόσθετα, μαθαίνει από την αντίδραση της μαμάς ότι είναι ανεπαρκές, ότι υπάρχει ένα έλλειμα (δικό του) ασφάλειας και κατανόησης του κινδύνου, το οποίο το καλύπτει η μαμά του. Μαθαίνει δηλαδή να νιώθει ανασφαλές και να αναζητά στο περιβάλλον την ασφάλεια (τη μαμά του στο παράδειγμα), τον καθορισμό του τί είναι σωστό και τί όχι (αδυναμία αυτενέργειας). Και η μάθηση δεν τελειώνει καν εδώ.

Ας μην ξεχνάμε τη φράση της μαμάς που θα ακουστεί σε πολλές παραλλαγές δεκάδες φορές και σε ποικίλες συνθήκες γύρω από ένα σταθερό μοτίβο. Το μοτίβο όπως αναφέρθηκε πρωτύτερα θα είναι περίπου έτσι: “ Μην ανεβαίνεις στην καρέκλα θα πέσεις και θα χτυπήσεις.”

Αυτή η πρόταση είναι μία τέλεια “συμπύκνωση” της αγχώδους γνώσης του εν δυνάμει αγχώδους ατόμου.

Κάθε κομμάτι της είναι ένα μικρό διαμάντι γνώσης. Τί μαθαίνει λοιπόν το μικρό παιδί όταν ακούει αυτή την πρόταση;

Το πρώτο είναι το μην (ή εναλλακτικά το δεν) που υποδηλώνουν άρνηση, ενδοιασμό στο περιεχόμενο μίας πρότασης.

Πώς όμως μπορεί ένας άνθρωπος που χρησιμοποιεί συχνά αυτά τα λεκτικά μόρια ή συνδέσμους, να ορίσει τον εαυτό του και τις πράξεις του από αυτό που δεν πρέπει να γίνει, αυτό που δεν πρέπει να συμβεί, από αυτό που δεν είναι.

Είναι σα να προσπαθεί κάποιος να ορίσει τη θέση του στο χώρο λέγοντας το που δε βρίσκεται. Αν δεν μπορούμε να ορίσουμε λοιπόν τη θέση μας στο χώρο με αυτό τον τρόπο (το που δεν είμαστε), πώς μπορούμε να ορίσουμε τη ζωή μας από αυτό που δεν θέλουμε να συμβεί ή αυτό που δεν έχουμε…

Το δεύτερο σημαντικό στη σειρά είναι το θα. Τι μαθαίνει το παιδί ακούγοντας το θα; Μα φυσικά μαθαίνει να κοιτά εκεί που δείχνει το θα, προσανατολίζεται δηλαδή στο μέλλον.

Το τρίτο που μαθαίνει είναι ότι “θα πέσει και θα χτυπήσει”. Αν δεν κάνω λάθος, αυτός ο χρόνος λέγεται γραμματικά στιγμιαίος μέλλοντας, και το βασικό του χαρακτηριστικό είναι ότι υπονοεί βεβαιότητα. Κανείς λοιπόν κοιτά στο μέλλον και ξέρει τί θα συμβεί (θα πέσει και θα χτυπήσει στο παράδειγμά μας).

Το τέταρτο που μαθαίνει το παιδί είναι ότι το μέλλον εμπεριέχει το αρνητικό ενδεχόμενο (το να πέσει και να χτυπήσει είναι μία σαφώς αρνητική έκβαση).

Συμπερασματικά λοιπόν, μέσα από αυτό το απλοϊκό παράδειγμα στοιχειώδους μάθησης, που θα επαναλειφθεί εκατοντάδες φορές σε ένα αγχώδες και ιδιαίτερα κανονιστικό περιβάλλον τί θα μάθει το μικρό μας παιδάκι;

Θα μάθει να ορίζει τον εαυτό του με βάση την άρνηση και την αναστολή (μην, δεν), να “κοιτά μονίμως στο μέλλον, να ξέρει τί θα συμβεί στο μέλλον και αυτό που θα συμβεί να πιστεύει ότι θα είναι αρνητικό. Αυτό θα συμβαίνει σε μία κατάσταση δικής του ανεπάρκειας, όπου θα νιώθει ένα σαφές έλλειμμα ασφάλειας. Για να καλύψει την ανεπάρκεια αυτή, θα αναζητά μανιωδώς μία “μαμά” στο περιβάλλον να του το βοηθήσει, “ενεργοποιώντας” ένα διχοτομικό τρόπο σκέψης με τον οποίο θα προσπαθεί να ισορροπήσει ανάμεσα στο τέλειο και στην καταστροφή.

Όλα αυτά, θα συμβαίνουν με μοναδικό σκεύος μία καρέκλα και την ανεμελιά ενός μπόμπιρα ή μίας μπέμπας που θέλει να παίξει!

Αν θα θέλατε να μάθετε περισσότερα για το άγχος, τους παράγοντες που το επηρεάζουν, τη λειτουργία του, τα αποτελέσματα του και το πως μπορούμε να αναζητήσουμε μία πιο λειτουργική ισορροπία, “Η Ανατομία Του Άγχους” είναι διαθέσιμη:

στο https://psychiatriki.com/?product=book

στο apple books:https://books.apple.com/gr/book/%CE%B7-%CE%B1%CE%BD%CE%B1%CF%84%CE%BF%CE%BC%CE%AF%CE%B1-%CF%84%CE%BF%CF%85-%CE%AC%CE%B3%CF%87%CE%BF%CF%85%CF%82/id1585249967?l=el

Στο Βιβλιοπωλείο Πολιτεία

Στο Βιβλιοπωλείο Ιανός

Μοιραστείτε!

Μηχανές και μάθηση

machine_learningΗ μάθηση των μηχανών είναι ο τρόπος που έχει ένας υπολογιστής να μαθαίνει από παραδείγματα και είναι από τα σημαντικότερα εργαλεία που διαθέτουμε για την ανάπτυξη της τεχνητής νοημοσύνης. Αυτή η διαδικασία ξεκινά με τη δημιουργία ενός αλγόριθμου ο οποίος μαθαίνει από τα δεδομένα που έχουν συλλεχθεί, δημιουργώντας με αυτό τον τρόπο μηχανές οι οποίες γίνονται περισσότερο “έξυπνες” όσο ο όγκος των δεδομένων αυξάνεται.

Τα τελευταία χρόνια έχει υπάρξει ραγδαία ανάπτυξη στη μάθηση  μηχανών. Ο κύριος λόγος είναι  οι σημαντικές πηγές δεδομένων που έχουν αναπτυχθεί μέσω της αύξησης της ταχύτητας του διαδικτύου και η χρήση των “έξυπνων” φορητών συσκευών (τηλέφωνα, ταμπλέτες κ.ο.κ.) που  οδηγούν στην ανάπτυξη νέων αλγορίθμων “βαθιάς” μάθησης (deep learning). Εφαρμογές ευρείας χρήσης οι οποίες χρησιμοποιούν αυτό τον τύπο της μηχανικής μάθησης είναι το Amazon,  το Facebook (με δυνατότητες αναγνώρισης προσώπων),  η Google και η Microsoft (με φίλτρα ανεπιθύμητης αλληλογραφίας) η Siri, η Cortana και το Google Now (συστήματα αναγνώρισης φωνής σε προϊόντα της Apple, της Microsoft και της Google αντίστοιχα).

Ενώ το βάθος στην εξέλιξη της μάθησης των μηχανών δεν είναι ευρύτερα γνωστό, αυτό που μπορούμε να πούμε με σιγουριά είναι ότι η ανάπτυξη αυτού του πεδίου τα τελευταία 5 χρόνια δεν είναι σημαντική μπροστά σε αυτά που έρχονται τα επόμενα πέντε. Με βάση τα υπάρχοντα δεδομένα υπάρχουν προβλέψεις που μπορεί να γίνουν:

Αναφέροντας κάποιες από αυτές:

Αναγνώριση εικόνων: Η τεχνολογία της αναγνώρισης εικόνων και βίντεο είναι στον ορίζοντα. Χάρη στη βαθιά μηχανική μάθηση βρισκόμαστε στην αυγή της δυνατότητας των υπολογιστών να αναγνωρίζουν εικόνες, και διαμέσου αυτών των ανθρώπων και των δράσεων που αυτές περιέχουν. Αυτό αποτελεί σημαντική αλλαγή στον τρόπο που εντοπίζεται και μοιράζεται η πληροφορία. Για παράδειγμα, το You Tube θα μπορούσε σιγά σιγά με έξυπνο τρόπο να βρίσκει τμήματα ενός κλιπ βίντεο τα οποία μας ενδιαφέρουν και να τα προβάλλει ως προτάσεις με βάση τα προσωπικά γούστα. Οι συνέπειες αυτού του δεδομένου σε προσωπικό επίπεδο μπορεί να είναι πολύ σημαντικές.

Φροντίδα Υγείας: Η δυνατότητες ανάλυσης και αποθήκευσης μεγάλων ποσοτήτων δεδομένων θα μπορούσαν να δίνουν στους ιατρούς τη δυνατότητα της δεύτερης γνώμης και να βοηθούν στον εντοπισμό και θεραπεία των νόσων σε μαζική κλίμακα. Με τη μορφή των συσκευών που φοριούνται (wearable devices) θα μπορούσαν συνεχώς να παρακολουθούν την υγεία του χρήστη.

Ταξίδια και επικοινωνία: έως το 2020 η μετάφραση σε πραγματικό χρόνο θα μπορούσε να είναι γεγονός. Με αυτό τον τρόπο θα μπορούσε κανείς να μιλά στο τηλέφωνο και η γλώσσα του να μεταφράζεται στη γλώσσα του δέκτη του τηλεφωνήματος σε πραγματικό χρόνο. Αυτό το βήμα θα ωφελούσε πολύ ειδικά τον τομέα των επιχειρήσεων, τον τουρισμό, την επικοινωνία.

Γενικά

Η μάθηση των μηχανών είναι ένα επιστημονικό πεδίο το οποίο διερευνά την ανάπτυξη και τη μελέτη αλγορίθμων που μπορεί να μαθαίνουν από τη συλλογή δεδομένων. Τέτοιοι αλγόριθμοι λειτουργούν με την κατασκευή μοντέλων από την τροφοδότηση με παραδείγματα. Έπειτα, τα παραδείγματα αυτά χρησιμοποιούνται για τη δημιουργία προβλέψεων ή αποφάσεων, χωρίς απλά να ακολουθούνται αυστηρά στατικές προγραμματισμένες οδηγίες.

Η μηχανική μάθηση σχετίζεται και συχνά έχει κοινό πεδίο με την υπολογιστική στατιστική (computational statistics), ένα κλάδο που επίσης ειδικεύεται στην δημιουργία προβλέψεων.

Η μάθηση μηχανών είναι μία υποειδικότητα της επιστήμης των υπολογιστών που απορρέει από την έρευνα στην τεχνητή νοημοσύνη (Artificial Intelligence, AI). Παρουσιάζει ισχυρούς δεσμούς με τη στατιστική και τη μαθηματική βελτιστοποίηση (mathematical optimization), η οποία της παρέχει μεθόδους, θεωρία και πεδία εφαρμογών για τη μηχανική μάθηση.

Η μηχανική μάθηση χρησιμοποιείται σε ένα φάσμα υπολογιστικών εργασιών όπου ο σχεδιασμός ακριβών βασισμένων σε κανόνες αλγορίθμων δεν είναι δυνατός.

Όταν αναφέρεται σε βιομηχανικό πλαίσιο η μάθηση μηχανών μπορεί να αναφέρεται ως προβλεπτική αναλυτική (Predictive analytics) ή προβλεπτική μοντελοποίηση (predictive modelling).

To 1959, ο Samuel Arthur όρισε τη μηχανική μάθηση ως ένα πεδίο μελέτης το οποίο δίνει τη δυνατότητα στους υπολογιστές να μαθαίνουν χωρίς να έχουν  ρητό προγραμματισμό. Αυτή η θεώρηση αντικατοπτρίζεται στο ερώτημα του Alan Turing “Μπορούν άραγε οι μηχανές να κάνουν αυτό που εμείς ως σκεπτόμενες οντότητες μπορούμε να κάνουμε;”, που ήρθε ως επαναδιατύπωση του ερωτήματος “Μπορούν οι μηχανές να σκεφτούν;”

Είδη/τομείς μηχανικής μάθησης

Μπορούμε να την κατατάξουμε σε τρεις κατηγορίες:

Επιβλεπόμενη μάθηση. Ο υπολογιστής τροφοδοτείται με παραδείγματα εισερχομένων δεδομένων και των επιθυμητών τους αποτελεσμάτων, από ένα “εκπαιδευτή”. Ο στόχος εδώ είναι η εκμάθηση γενικού κανόνα που αποτελεί ένα “χάρτη σύνδεσης εισερχομένων και εξερχομένων δεδομένων.

Μη επιβλεπόμενη μάθηση. Εδώ δεν δίνονται οδηγίες ή πρότυπα, με αυτό τον τρόπο η ίδια η μηχανή (υπολογιστής) καλείται να ανακαλύψει τη δομή στις εισερχόμενες πληροφορίες. Η μη επιβλεπόμενη μάθηση μπορεί να αποτελεί η ίδια στόχο (ανακάλυψη κρυφών προτύπων σε δεδομένα) ή μέσο για την επίτευξη κάποιου στόχου.

Ενισχυόμενη μάθηση. Σε αυτή ένα υπολογιστικό πρόγραμμα αλληλεπιδρά με ένα δυναμικό περιβάλλον στο οποίο καλείται να επιτελέσει κάποιο συγκεκριμένο ρόλο (όπως να οδηγήσει ένα όχημα), χωρίς να του λέει ο “εκπαιδευτής” εάν είναι κοντά στο στόχο ή όχι. Ένα άλλο παράδειγμα είναι η μάθηση των κανόνων ενός παιχνιδιού κατά τη διαδικασία του παιχνιδιού μέσω των κινήσεων του αντιπάλου.

Ανάμεσα στην επιβλεπόμενη και μη επιβλεπόμενη μάθηση υπάρχει η ημιεπιβλεπόμενη μάθηση όπου ο εκπαιδευτής δίνει ένα ημιτελές εκπαιδευτικό σήμα. Στην ομάδα αυτή πολλά από τα στοχοθετημένα αποτελέσματα απλά λείπουν.

Θεωρία

Η μάθηση, ουσιαστικά σηματοδοτεί μία μετάβαση. Είναι μία διαδικασία γενίκευσης από την υπάρχουσα εμπειρία.

Γενίκευση όσον αφορά στη ικανότητα μίας μηχανής να μαθαίνει είναι να αποδίδει με ακρίβεια σε νέα παραδείγματα ή έργα αφού πρώτα έχει γίνει η μάθηση μίας βάσης δεδομένων. Αυτός που μαθαίνει , πρέπει δια της μάθησης να μπορεί να παράγει επαρκώς ακριβείς προβλέψεις σε καινούργιες περιπτώσεις/συμβάντα που προκύπτουν. Υπάρχουν διαφορετικοί αλγόριθμοι μάθησης μηχανών και πάμπολλες εφαρμογές στην καθημερινότητά μας.

Σε κάθε περίπτωση είναι ένας τομέας που βρίσκει ήδη πάρα πολλές εφαρμογές, και θα έχει ακόμα περισσότερες στο πρόσφατο μέλλον.

 

Για περισσότερα αναζητήστε:

https://www.coursera.org/course/ml

https://en.wikipedia.org/wiki/Machine_learning

 

Μοιραστείτε!