فرض کنید هر روز از یک مسیر به خانه برمی‌گردید. بیشتر روزها بی‌آنکه فکر کنید همان راه را می‌روید، چون همیشه جواب داده. اما روزی که می‌شنوید خیابان همیشگی بسته است، نقشه ذهنی شهر را باز می‌کنید و مسیر تازه می‌چینید.
مغز ما مدام بین این دو شیوه جابه‌جا می‌شود. پرسش این است: چه چیزی تعیین می‌کند الان نوبت کدام است؟ پژوهشی که ۲ آبان ۱۴۰۵ در Nature Communications منتشر شد، پاسخ تازه و دقیق‌تری به این پرسش می‌دهد.
دو سیستم، یک فرمان
در علوم اعصاب محاسباتی به این دو شیوه یادگیری «مبتنی بر مدل» (model-based) و «بدون مدل» (model-free) می‌گویند. سیستم مبتنی بر مدل یک نقشه درونی از محیط نگه می‌دارد و با آن پیامد هر انتخاب را پیش‌بینی می‌کند. سیستم بدون مدل فقط به خاطر می‌سپارد کدام کار قبلاً پاداش داده و همان را تکرار می‌کند.
اینکه کدام سیستم فرمان رفتار را در دست بگیرد، «داوری کنترل» نام دارد و یکی از پرسش‌های مرکزی کنترل شناختی است. نظریه مشهوری از سال ۲۰۰۵ (Daw و همکاران) می‌گوید مغز به هر سیستم به اندازه اعتبار پیش‌بینی‌هایش اعتماد می‌کند. سیستمی که اخیراً کمتر غافلگیر شده، سهم بیشتری از فرمان می‌گیرد.
آزمایش: سفینه، سیاره، معدن
تیم پژوهشی Caltech به سرپرستی جان اودوهرتی (John O’Doherty) و جفری کاکبرن (Jeffrey Cockburn) نسخه اصلاح‌شده تکلیف معروف «دومرحله‌ای» را طراحی کرد. شرکت‌کننده در هر نوبت یکی از دو سفینه را انتخاب می‌کرد. هر سفینه ۷۰ درصد مواقع به یک سیاره و ۳۰ درصد به سیاره دیگر می‌رسید. روی هر سیاره دو معدن بود که یا جواهر می‌داد (۱ تا ۱۰۰ امتیاز) یا سنگ بی‌ارزش.
ترفند اصلی اینجاست. فرض کنید سفینه زرد شما را برخلاف معمول به سیاره سبز برده و آنجا جواهر گرفته‌اید. سیستم بدون مدل می‌گوید «زرد پاداش داد، باز هم زرد». سیستم مبتنی بر مدل می‌گوید «جواهر روی سیاره سبز بود و سفینه آبی معمولاً به سبز می‌رود، پس آبی». از الگوی انتخاب‌ها می‌شود فهمید هر فرد بیشتر با کدام منطق تصمیم می‌گیرد.
پژوهشگران سه دستکاری هم اضافه کردند تا اعتبار هر سیستم را عمداً بالا و پایین ببرند:
نوسان مقدار پاداش: در بعضی دوره‌ها امتیاز جواهر بین ۱۰ تا ۲۰ بود و در بعضی بین ۳۰ تا ۱۰۰. به شرکت‌کنندگان گفته شده بود این مقدار تصادفی است. این نوسان پیش‌بینی‌های سیستم بدون مدل را به هم می‌ریزد، نه سیستم مبتنی بر مدل را.
اعتبار مسیرها: گاهی رسیدن از سیاره به هر معدن ۹۰ به ۱۰ قابل پیش‌بینی بود و گاهی ۵۰ به ۵۰. وقتی مسیرها نامطمئن است، نقشه درونی دقت خود را از دست می‌دهد.
منبع پاداش: در یک جلسه پاداش به خود سفینه گره خورده بود و در جلسه دیگر به معدن مقصد. وقتی پاداش به سفینه وابسته است، برنامه‌ریزی با نقشه گمراه می‌شود و تکرار ساده برنده است.
آزمایش ابتدا به‌صورت آنلاین روی ۴۵۲ نفر اجرا شد و سپس روی ۲۲۶ نفر دیگر تکرار شد (۱۶۰ نفر آنلاین و ۶۶ نفر از جامعه محلی پاسادنا). هر نفر در دو جلسه ۳۰۸ نوبت تصمیم گرفت.
یافته اول: داوری بر پایه اعتبار است
وقتی مقدار پاداش نوسان زیادی داشت، رفتار به سمت برنامه‌ریزی با نقشه رفت. وقتی پاداش به خود سفینه وابسته بود، به سمت تکرار ساده رفت. هر دو اثر در نمونه دوم هم تکرار شد. اثر اعتبار مسیرها در نمونه اول دیده شد، اما در نمونه دوم به سطح معناداری نرسید.
نکته جالب‌تر، تعامل این عوامل بود. وقتی دو دستکاری هم‌زمان به نفع یک سیستم بودند، دستکاری سوم اثر کمتری داشت. به زبان ساده، داوری مغز خطی نیست: وقتی کفه ترازو به یک سمت سنگین شده، وزنه سوم کمتر به چشم می‌آید.
مدل‌سازی محاسباتی هم همین را تأیید کرد. برای ۷۴ درصد شرکت‌کنندگان، مدلی که سهم دو سیستم را با شرایط تکلیف تغییر می‌داد، بهتر از مدل با سهم ثابت با داده‌ها جور درآمد. نوآوری اصلی نویسندگان این است که خطای پیش‌بینی پاداش در خود سیستم مبتنی بر مدل هم در داوری نقش دارد. این خطا مثل هشداری است که می‌گوید «نقشه‌ات با واقعیت نمی‌خواند».
یافته دوم: چهار تیپ تصمیم‌گیرنده
با کنار هم گذاشتن داده‌های دو نمونه (۶۷۸ نفر)، تحلیل خوشه‌بندی چهار گروه را از هم جدا کرد:
گروه | تعداد | سهم از کل | الگوی رفتاری |
|---|---|---|---|
ترکیبی | ۲۳۰ | حدود ۳۴٪ | هر دو منطق را دارد و بسته به شرایط بین دو سیستم جابه‌جا می‌شود |
برنامه‌ریز (مبتنی بر مدل) | ۱۸۸ | حدود ۲۸٪ | به ساختار مسیرها حساس است و سریع‌ترین پاسخ‌ها را می‌دهد |
غیرتقویتی | ۱۳۷ | حدود ۲۰٪ | به پاداش واکنش ضعیفی دارد و با مدل‌های یادگیری تقویتی توضیح داده نمی‌شود |
تکرارکننده (بدون مدل) | ۱۲۳ | حدود ۱۸٪ | انتخاب پاداش‌گرفته را بی‌توجه به مسیر تکرار می‌کند و کندتر پاسخ می‌دهد |
یک یافته غیرمنتظره هم بود. برخلاف تصور رایج که برنامه‌ریزی را کند می‌داند، گروه برنامه‌ریز سریع‌تر پاسخ داد. توضیح نویسندگان این است که این افراد همان لحظه دیدن نتیجه نوبت قبل، انتخاب بعدی را حساب می‌کنند؛ پس وقتی نوبت تازه می‌رسد، تصمیم آماده است.
یافته سوم: بعضی سیستم را عوض می‌کنند، بعضی نقشه را
وقتی پاداش به سفینه گره خورد، گروه ترکیبی کندتر شد؛ نشانه اینکه به سیستم بدون مدل رفته‌اند. اما گروه برنامه‌ریز سریع‌تر شد. تفسیر پژوهشگران این است که این گروه برنامه‌ریزی را کنار نگذاشت، بلکه نقشه ساده‌تری از تکلیف ساخت و با همان برنامه‌ریزی کرد.
پس دو نفر ممکن است در ظاهر رفتار مشابهی داشته باشند، اما یکی سیستم را عوض کرده و دیگری نقشه را. خود نویسندگان این بخش را تحلیل اکتشافی می‌دانند.
یافته چهارم: پیوند با وسواس و تکانشگری
شرکت‌کنندگان پرسشنامه‌های استاندارد هم پر کردند: OCI-R برای علائم وسواسی‌جبری و مقیاس تکانشگری بارت (BIS). این نمرات در خوشه‌بندی دخالت نداشتند. پس از کنترل اثر افسردگی، اضطراب و تمایل به عادت:
گروه‌های برنامه‌ریز و ترکیبی در مجموع نمره جبری پایین‌تری از گروه‌های تکرارکننده و غیرتقویتی داشتند. هرچه برنامه‌ریزی مبتنی بر مدل کمتر بود، نمره جبری بالاتر بود.
گروه غیرتقویتی از گروه تکرارکننده تکانشگرتر بود. یعنی هر رفتار «غیربرنامه‌ریز» را نباید خودکار «بدون مدل» دانست؛ گاهی پشت آن تکانشگری است، نه عادت.
این نتیجه با پژوهش‌های پیشین هم‌خوان است که ضعف کنترل هدفمند را با علائم جبری مرتبط دانسته‌اند. با این حال اندازه این اثرها کوچک است و درباره گروه‌ها صدق می‌کند، نه تک‌تک افراد.
چرا این پژوهش مهم است؟
بسیاری از پژوهش‌ها تا امروز هر رفتاری را که با برنامه‌ریزی جور نبود، «بدون مدل» حساب می‌کردند. این پژوهش نشان می‌دهد پشت رفتار غیربرنامه‌ریز می‌تواند انتخاب تصادفی، قاعده‌های سرانگشتی یا برنامه‌ریزی با نقشه نادرست باشد. یکی دانستن این‌ها می‌تواند نتیجه‌گیری‌ها، از جمله در روان‌پزشکی، را منحرف کند.
در افق دورتر، چنین نیم‌رخ‌هایی شاید روزی به روان‌پزشکی محاسباتی و شخصی‌سازی درمان کمک کنند. نویسندگان صریح می‌گویند ابزارهای فعلی هنوز برای استفاده بالینی در سطح فرد کافی نیستند.
محدودیت‌ها
شرکت‌کنندگان همه ساکن آمریکا بودند و بیشترشان آنلاین شرکت کردند؛ تعمیم به فرهنگ‌های دیگر روشن نیست.
هیچ داده مغزی (مثل fMRI یا EEG) ثبت نشده است؛ آنچه درباره «مغز» گفته می‌شود از رفتار و مدل‌سازی استنباط شده.
پیوند با وسواس و تکانشگری اکتشافی است و بر پرسشنامه خوداظهاری تکیه دارد؛ تشخیص بالینی نیست.
مقاله در وضعیت «در دست انتشار» (Article in Press) است و نسخه نهایی ممکن است ویرایش شود.
حرف آخر
دفعه بعد که بی‌فکر همان مسیر همیشگی را رفتید، بدانید داوری در ذهنتان حساب کرده که این بار عادت قابل‌اعتمادتر از نقشه است. و اگر روزی مسیر را عوض کردید، همان داور تشخیص داده که نقشه برنده است.
برای پژوهشگران و دانشجویان: داده‌ها و کد این پژوهش آزادانه روی OSF در دسترس است و مدل‌سازی آن با MATLAB انجام شده است. اگر می‌خواهید تکلیف‌هایی مثل همین را خودتان بسازید، دوره «طراحی تکلیف شناختی با MATLAB و Psychtoolbox» برینیوم برای همین منظور ساخته شده است.
منبع: Cockburn, J., Ding, W., Oh, S. et al. Reliability-based arbitration reveals heterogeneous model-based and model-free reinforcement learning strategies linked to compulsivity and impulsivity. Nature Communications (2026). doi.org/10.1038/s41467-026-78185-6
دیدگاه‌ها (۰)
دیدگاه‌ها پس از بررسی و تأیید نمایش داده می‌شوند.
برای ثبت دیدگاه ابتدا وارد شوید
ورود / ثبتنامهنوز دیدگاهی ثبت نشده است.