Informations

Mesurer la méta-intelligence

Mesurer la méta-intelligence

Quelqu'un connaît-il des recherches sur la mesure des capacités métacognitives (c'est-à-dire la métacompréhension, la métamémoire, les méta-émotions (?), etc.) chez les personnes ? En d'autres termes, je me demande si de la même manière que nous avons des tests de QI (dont je sais qu'il s'agit d'un tout autre sujet de débat), s'il y aurait un moyen de mesurer le « méta-QI » ?


Un bon aperçu du sujet est Metacognition: A Literature Review (E. R. Lai), page 27 contient une section évaluant les mesures de la métacognition.

Flavell (1979) décrit des tâches d'évaluation qui demandaient aux enfants d'étudier un ensemble d'items jusqu'à ce qu'ils soient sûrs de pouvoir s'en souvenir complètement. Les enfants ont ensuite été testés sur leur capacité à se souvenir de tous les éléments.

Une autre tâche courante consistait à lire un ensemble d'instructions écrites et à indiquer toute omission, erreur ou zone d'ambiguïté. Schneider (2008) observe que le type de métamémoire procédurale le plus étudié est l'autosurveillance. Les évaluations conçues pour saisir cette capacité comprennent les jugements de facilité d'apprentissage, les jugements d'apprentissage et les sentiments de savoir. Par exemple, les jugements sur la facilité d'apprentissage demandent généralement aux élèves d'étudier un ensemble de matériels de test pendant une courte période de temps, puis d'évaluer leurs capacités à se souvenir du matériel. Une fois que les étudiants ont été testés sur le matériel, leurs performances sont comparées à leurs prédictions initiales.

Généralement, les évaluations se concentrent sur un domaine spécifique de la métacognition comme la métamémoire.

Voir aussi Développement et validation d'une mesure objective de la métacognition qui évalue quatre études évaluant les capacités métacognitives.

Une recherche sur Google Scholar permet de trouver de nombreuses études utilisant et proposant diverses mesures pour la métacognition. Il n'y a certainement pas de "standard" comme un test de QI, comme le note Metacoginiton: A Literature Review, une partie du défi dans l'étude et l'enseignement des capacités métacognitives est due au manque de concentration sur elles dans le programme scolaire traditionnel.


Le mythe selon lequel le nouveau SAT est moins corrélé avec le QI que l'ancien SAT

Pour une raison quelconque, beaucoup de gens pensent que l'ancien SAT (avant avril 1995) était une bien meilleure mesure du QI que le nouveau SAT (après avril 1995). J'ai commencé à y croire aussi lorsque j'ai découvert que des recherches montraient que les personnes ayant un SAT élevé régressaient beaucoup plus vers la moyenne sur le nouveau SAT que sur l'ancien SAT. Cependant, ce soir, j'ai lu que la corrélation entre l'ancien SAT et le nouveau SAT est pratiquement identique aux formes parallèles de l'ancien SAT, donc la tendance que j'ai remarquée n'était probablement qu'un bruit statistique.

La raison pour laquelle les gens pensent que le nouveau SAT ressemble moins à un test de QI que l'ancien SAT est qu'à l'origine, le SAT était explicitement destiné à être comme un test de QI, l'espoir étant de donner l'opportunité à des personnes brillantes de foyers socialement défavorisés qui ne le seraient pas. capable d'assister à un bon collège sans un test d'aptitude naturelle. Cependant, alors que les tests de QI devenaient de plus en plus politiquement incorrects, les fabricants de tests voulaient se distancer du QI, de sorte que le test portait de plus en plus sur ce que vous appreniez à l'école et moins sur le raisonnement abstrait.

Cependant, ce qui a fait que le SAT était en corrélation avec le QI n'était jamais le fait que quelqu'un essayait de créer un test de QI, c'était le fait que les compétences dont vous avez besoin à l'université (lecture et mathématiques) sont étroitement liées aux capacités cognitives.

Un cas similaire s'est produit lorsque David Wechsler a créé le WAIS explicitement pour mesurer l'intelligence, mais a créé le WIAT, spécifiquement pour mesurer la réussite scolaire. Je doute qu'il essayait de faire du WIAT une mesure de l'intelligence, puisqu'il avait déjà créé un test de QI, le but du WIAT devait être de montrer des différences cliniquement significatives entre les deux constructions, permettant le diagnostic de troubles d'apprentissage. Et pourtant, une étude récente a trouvé une corrélation de près de 0,9 entre les deux tests.

Je ne sais pas quelle est la corrélation générale aux États-Unis entre le SAT et le QI, car il n'y a jamais eu (à ma connaissance) d'étude corrélant le SAT avec le QI dans un échantillon de TOUS les Américains (pas seulement l'élite liée au collège). Toutes les études que j'ai vues impliquaient des élèves de la même école, parfois avec une correction pour la restriction de portée (ce qui peut être trompeur car les élèves de la même école sont limités en portée sur plus que de simples résultats de test). J'ai essayé d'estimer indirectement la corrélation dans la population générale des États-Unis, en voyant combien d'échantillons de personnes SAT élevées régressent vers la moyenne de tous les Américains, mais les résultats ont été incohérents.

Certains pensent ici que la corrélation entre le QI et le SAT est si élevée que le SAT devrait être appelé un test de QI. Cependant, le brillant Chris Langan a compris la valeur de la précision verbale et a fait valoir que même le Mega Test, sur lequel il a remporté le record du monde, ne devrait pas être appelé un test de QI. Dans un article historique de 1998, Langan a écrit :

Pour éviter le problème du rendu d'un a priori définition de ce qu'un tel test mesurera, il suffit de créer une description alternative générique couvrant tous les tests qui diffèrent par leur structure ou leur protocole des tests de QI ordinaires, et pour lesquels une corrélation positive élevée avec le QI n'a pas encore été établie. Ce nouveau terme doit faire référence à une grandeur mesurable propre aux tests qu'il décrit, et qui peut ou non correspondre à celle qui est mesurée par les tests de QI des variétés potagères.


Samedi 4 octobre 2008

De la méta capacité à la méta Intelligence

Une question : le jeu (ludique) est-il une manière d'être, et l'intelligence autre chose ?

Être Logique est une manière d'être et une intelligence. (ce sont les mêmes)
Être Musical, c'est "une manière d'être" et une intelligence. (ce sont les mêmes)
Être naturel est une manière d'être et une intelligence. (ce sont les mêmes)
Être Ludique est une manière d'être et une intelligence. (Ils sont une seule et même chose)

La clé de toute Intelligence est d'avoir la “abilité”. L'intelligence appelée “Logical” est basée sur une combinaison de plusieurs capacités sinon des dizaines. Qui se développe finalement, en jouant avec diverses capacités, (combinant diverses capacités) jusqu'à ce qu'elles fusionnent en une unité apparemment unique que nous appelons l'intelligence logique.

Grâce aux travaux de Howard Gardner et d'autres, la définition classique de l'Intelligence s'est maintenant libérée de sa prison restrictive. Et la définition de l'intelligence, est devenue plus souple, plus fluide et plus variée. Les 8 ou 9 Intelligences définies jusqu'à présent ne sont que le début, je prédis qu'on découvrira qu'il y a autant d'intelligences qu'il y a de manières d'être, Et le rôle des capacités (Universelles Humaines) jouera un rôle majeur. rôle, car toutes ces multitudes d'intelligences sont basées sur « avoir la capacité » Le jeu développe naturellement cette capacité, on apprend cette capacité simplement parce que le jeu est une question de « comment apprendre » pas de quoi apprendre, (Ce que nous avons tendance à négliger lorsque nous étudions les enfants et jouons).

De telles Intelligences ouvrent de nouvelles façons de nous comprendre et elles s'épanouissent dans notre esprit humain. Ils s'étendent vers l'extérieur et poussent comme les branches d'un arbre, à partir de cet arbre que j'appelle le Jeu, la Méta Intelligence, derrière toutes ces branches, avec ces branches et changeant ces branches à mesure qu'elles grandissent et mûrissent.
Tout comme les neurones de notre cerveau que nous jouons, et les neurones lorsqu'ils sont stimulés créent de nouvelles branches et se connectent de nouvelles façons pour trouver la meilleure et la plus optimale façon de créer une « nouvelle capacité ». Notre cerveau est conçu pour jouer, nous sommes né avec une méta-intelligence. On pourrait dire que nous jouons automatiquement. Même lorsque nous pensons que ce n'est pas le cas, notre cerveau continue de jouer.

En tant qu'enfants, nous sommes plus conscients de l'importance du jeu. C'est un besoin humain d'apprendre “Comment apprendre “ Nous sommes nés avec une méta-intelligence, notre cerveau qui est un super ordinateur qu'un méta-ordinateur est conçu pour “Apprendre à apprendre” Apprendre à apprendre, c'est sans aucun doute, une Intelligence digne d'avoir. Perdre cette méta-intelligence n'est pas bon pour le cerveau.
La recherche sur la maladie d'Altzeimers bénéficierait de l'importance du jeu pour stimuler la croissance des neurones. Plus nous jouons, plus nous créons de neurones. Il est possible d'inverser la perte de neurones dans le cerveau à mesure que nous vieillissons.

Dès le début, nous utilisons notre cerveau (ou notre cerveau nous utilise) pour apprendre la capacité de survivre à ce qui se passe et développer des capacités aussi rapidement que possible pour aider à prolonger notre survie. Cet instinct de survie brut se transforme en une "maîtrise" de ce qui se passe. C'est un processus continu tout au long de la vie. Apprendre signifie maîtriser. (J'ai appris à faire du vélo, je maîtrise maintenant le vélo).

Le maintien du niveau optimal du cerveau, à mon avis, est clairement lié au maintien et à l'ouverture consciente au jeu. Jouer comme le font les enfants - avec tout ! Jouer (ouvert à construire, à décomposer et à reconstruire) avec des idées, des pensées, des sentiments, un langage, des images, des systèmes, des principes, des modèles, des sens, des objets, des connaissances, des sciences, des relations, Plus nous serons heureux. Comme Gregory Chaitin a répondu à ma lettre où je lui ai demandé d'examiner la possibilité que les mathématiques jouent. Il a répondu, le meilleur méta-mathématicien du monde, « Oui ! Je joue aussi avec des idées.”

Toute société à l'avenir qui place le jeu en priorité sera une société prospère et satisfaite
Cela a été prédit par les « futurs chercheurs » dans le monde entier, il est connu sous le nom de 5e Société

Ce que le conseil d'Odense fait maintenant - "consciemment" et ce que le Danemark fait depuis des années (soutenir la valeur du jeu et des enfants) le prouve déjà.
Le Danemark est l'une des nations les plus riches du monde et a été élu par l'Unesco chaque année depuis tant d'années comme "la nation la plus heureuse du monde".
Plus nous devenons conscients du jeu comme clé sous-jacente pour enrichir nos vies, intellectuellement et émotionnellement, plus nous enrichirons la société et le monde qui nous entoure.


Perspective des systèmes

Seed Knowledge &mdash L'échafaudage des systèmes

Nos modèles de fonctionnement du monde, des autres et de nous-mêmes sont basés sur une intuition intrinsèque du fonctionnement des systèmes en général. En effet, toute notre base de connaissances est organisée autour de la systématisation. Et lorsque nous apprenons, nous incorporons nos perceptions dans un cadre systémique parce que c'est ainsi que notre cerveau est câblé.

Nos esprits recherchent naturellement des choses comme les limites, la plénitude (Gestalt), les relations de cause à effet et une myriade de caractéristiques de la systématisation. Nous essayons automatiquement de trouver des modèles dans les données bruitées et de catégoriser les modèles dans des structures hiérarchiques. Notre cerveau traite les perceptions entrantes afin de voir la nature systémique de la nature. Nous n'y pouvons rien.

Ce n'est pas surprenant puisque grâce à la science, qui se veut objective, nous avons découvert que le monde, l'univers, est bien composé de systèmes et de systèmes de systèmes. Nous trouvons des relations causales entre les composants du système partout où nous regardons. En fait, la motivation derrière l'approche scientifique de la connaissance est que lorsque nous trouvons des phénomènes qui n'ont pas été catégorisés auparavant, pour lesquels un modèle d'organisation et des relations causales n'ont pas été identifiés, alors nous sommes essentiellement obligés de rechercher ces choses. C'est comme si l'évolution nous prédisposait à voir la systématisation parce que partout il y a des systèmes. Nous sommes des systèmes. Et nous sommes des sous-systèmes de méta-systèmes plus vastes.

Cette propension à voir la systématisation, ou à la découvrir si nous ne la voyons pas immédiatement, est un principe d'organisation fondamental que notre cerveau est contraint d'utiliser pour en savoir plus sur le monde. Le système générique est une sorte de structure germe sur laquelle nous plaçons les perceptions afin d'avoir un moyen d'organiser nos connaissances.

Chaque construction de connaissances nécessite une sorte de modèle sur lequel organiser de nouvelles connaissances. L'esprit n'est pas une ardoise vierge (Pinker, 2002). Le cerveau lui-même est organisé de telle manière que nous commençons notre construction de connaissances à l'aide de biais intégrés pour les perceptions clés et l'organisation de celles-ci dans des structures conceptuelles précoces, comme la catégorisation et les hiérarchies de types. Ainsi, à mesure que nous grandissons et développons nos modèles du monde et de nous-mêmes, nous commençons avec une base de systématisation générique et un échafaudage qui fournit une forme de base à la façon dont nous comprenons le monde. Littéralement, nous ne pouvons pas le voir autrement. À cette structure, nous commençons à mettre nos expériences en place. Il s'agit probablement plus de bousculer les morceaux jusqu'à ce qu'ils « rentrent » dans l'échafaudage et parmi d'autres morceaux déjà intégrés. C'est un processus stochastique. Certains morceaux ne rentrent nulle part dans l'édifice et sont donc abandonnés même s'ils devraient légitimement faire partie de la base de connaissances. Heureusement, ces bits sont susceptibles d'être rencontrés à nouveau plus tard, ils ont donc plus d'une occasion d'être incorporés.

Le fait est que les connaissances sont construites sur des connaissances existantes antérieures et que les connaissances initiales ultimes sont fournies par l'évolution sous la forme d'une capacité à modéliser les systèmes.

Dans la prochaine partie, je fournirai quelques idées sur la façon dont le cerveau accomplit réellement cet exploit. Pour l'instant, tout ce que vous devez reconnaître, c'est que le système générique peut être représenté comme un réseau ou, en mathématiques, un graphe de flux. La figure 1, ci-dessus, est un tel réseau et elle représente le système que j'ai décrit en mots. La ligne pointillée circonscrivant la sapience délimite le système d'intérêt et les autres entités fournissent des entrées et prennent des sorties de ce système. La figure 5 montre un système générique avec les types de composants attendus. Le système d'intérêt a une frontière quelconque, il a des sous-systèmes composants entre lesquels des flux et des associations se produisent dans un réseau interne (non représenté). Il reçoit des apports d'énergie, de matériaux et de messages provenant de sources environnementales et produit des sorties de types similaires qui s'écoulent vers les puits environnementaux. Les flèches de et vers les entités environnementales peuvent également être des liens réciproques avec des entités plutôt que des flux explicites. Cette représentation est simple à des fins de démonstration.

Figure 5. Un système générique possède toutes les caractéristiques/attributs d'un système de base sous une forme généralisée. Les réseaux de neurones peuvent coder les différents éléments et leurs interactions génériques. Le cerveau humain a la capacité de faire des copies de ce modèle générique, puis d'apprendre les caractéristiques particulières de chaque type de composant.

Un système générique est codé dans le cerveau comme modèle pour l'apprentissage de tous les systèmes/objets réels que le cerveau rencontrera à l'avenir. L'apprentissage des systèmes implique de faire une copie du modèle générique quelque part dans le cortex (probablement dans les zones frontales-pariétales), puis de commencer à lier des caractéristiques perceptives et conceptuelles spécifiques à la copie au fur et à mesure qu'elle se particularise au système réel appris. Dans la partie 4, je reviendrai sur cela en termes de circuits neuronaux plausibles. Le point ici est que notre cerveau est câblé pour rechercher des sous-systèmes, des limites et des connexions, etc. alors que nous construisons un plus grand réseau de détails. La figure 6 est destinée à en saisir une partie. En commençant par une copie de modèle fixe, le cerveau apprend les particularités d'un système en identifiant les caractéristiques et les attributs qui devraient être attachés au modèle du système réel tout en développant et en modifiant certains détails. Par exemple, le système réel en cours de modélisation aura beaucoup plus de sous-systèmes de composants avec des liens particuliers. Des caractéristiques, telles que la nature de la frontière, peuvent également être modifiées.

Figure 6. Un système (réel) particulier est appris en attachant des caractéristiques perceptives et conceptuelles à la copie du modèle et en l'étendant si nécessaire, par ex. du nombre de sous-systèmes et de leurs liens. C'est la base pour que les humains apprennent ce qu'il y a dans le monde et comment les choses et le monde fonctionnent.

Puisque les systèmes sont des sous-systèmes de méta-systèmes plus grands et sont eux-mêmes composés de sous-systèmes, cette procédure de copie-modification fonctionne à la fois dans le sens du plus grand et du plus petit. Le cerveau peut construire un modèle du méta-système en commençant par un sous-système déjà construit (maintenant traité comme un composant) et en le situant dans le système plus large. A noter que les entités identifiées comme sources et puits peuvent désormais être modélisées à part entière et leurs liaisons constituent le modèle le plus complet du méta-système.

Travailler à partir de systèmes plus petits vers de plus grands méta-systèmes est un processus de synthèse/intégration. Travailler à partir d'un système vers l'intérieur pour modéliser les sous-systèmes composants en tant que systèmes à part entière est une réduction analytique. Le cerveau travaille automatiquement à faire les deux. Le premier est motivé par un besoin de comprendre le contexte d'un système particulier et conduit à une compréhension d'un monde plus vaste. Cette dernière est motivée par le besoin de comprendre le fonctionnement d'un système particulier. Ces deux processus visent à fournir au cerveau une base pour anticiper le comportement futur des systèmes qu'il observe (voir ci-dessous).

Réflexion sur les systèmes intelligents

Comme indiqué ci-dessus, l'une des caractéristiques du jugement est de guider ce qui doit être appris. Nous pouvons maintenant voir que le biais des systèmes fait partie de la base de cela. Au fur et à mesure que nos modèles internes de systèmes mondiaux s'améliorent avec le temps et l'expérience, notre jugement qui en découle peut mieux guider la machinerie du renseignement pour s'occuper des perceptions qui aident à améliorer les modèles des systèmes. C'est un jugement de bas niveau au travail, le genre que nos ancêtres biologiques avaient évolué. Ce qui rend la pensée systémique intelligente et le jugement ainsi éclairé, c'est le rôle de la pensée stratégique (planification à long terme, voir ci-dessous), de la réflexion consciente sur les connaissances en cours de construction et de la modification des connaissances au besoin (y compris la modification des plans d'acquisition de connaissances à l'avenir) . De tels jugements orientent les systèmes à apprendre.

C'est un vaste sujet, bien sûr, et aura besoin de beaucoup d'explications, au-delà de la portée de ce travail. Une façon succincte de voir cela est que la sapience étend le rôle du jugement dans l'orientation de l'apprentissage futur et affine la nature systémique de ce qui est pris en charge dans ce futur temps. Comme indiqué ci-dessus, les pulsions qui produisent l'apprentissage de systèmes particuliers nous amènent à explorer à la fois vers l'intérieur (analyse réductionniste) et vers l'extérieur (synthèse et intégration). L'esprit le plus sage s'intéresse également aux deux directions. Mais trop souvent, la plupart des humains se heurtent à des limites dans ce qu'ils sont capables de faire en termes d'élargissement de leurs modèles et de leur compréhension à la fois vers l'intérieur et vers l'extérieur. Il s'agit d'une question de portée liée au même problème que celui mentionné ci-dessus pour le jugement. La plupart des humains ont une curiosité limitée.Ils ne sont pas poussés au-delà d'un certain point, atteint environ l'âge mûr, je suppose. En tant qu'enfants, alors que le cerveau est encore en développement rapide, la curiosité dirigée vers l'apprentissage des moindres détails et les plus grandes relations est à son maximum. Il est difficile de dire avec certitude quand, dans la vie d'une personne, le désir de curiosité commence à diminuer. Il est difficile de dire pourquoi. On peut imaginer une limite de stockage, mais comme je l'ai soutenu, cela semble moins probable étant donné la façon dont le cerveau encode les systèmes en réutilisant des caractéristiques communes à de nombreux systèmes et en organisant simplement des liens appropriés (voir partie 4). Soit dit en passant, je postule que notre système éducatif moderne peut avoir beaucoup à voir avec l'amortissement de l'enthousiasme des enfants alors qu'il tente d'alimenter de force des connaissances, qui ne sont généralement pas de nature systémique, dans l'esprit des jeunes. Au moment où ils obtiennent leur diplôme d'études secondaires (s'ils obtiennent leur diplôme), on leur a dit, en tant de mots, que le monde contient de nombreux corps différents et disparates de connaissances et qu'ils doivent choisir un tel corps pour bien apprendre afin qu'ils puissent faire un bon travail sur le marché. Il est difficile d'imaginer comment ce message peut favoriser la curiosité et l'amour de l'apprentissage.

Mais je soupçonne également qu'un élan continu de curiosité tout au long de la vie dépend du niveau de sapience de l'individu. Une sapience plus faible s'accompagne d'une portée et d'une échelle de temps limitées pour la réflexion. Les gens apprennent exactement ce dont ils ont besoin pour se débrouiller dans le monde auquel ils sont habitués. Ils ne s'attendent pas, en général, à ce que le monde change beaucoup. Ils s'attendent à ce que toutes les tendances existantes se poursuivent dans le futur. Ainsi, à un moment donné, ils ne sont plus concernés par l'élargissement de leur champ d'application (apprentissage du méta-système encore plus vaste dans lequel ils sont intégrés) et ils se sentent compétents en sachant "assez" sur les systèmes quotidiens avec lesquels ils traitent pour qu'ils n'aient pas besoin de savoir comment ils fonctionnent. à l'intérieur. Une sapience inférieure va de pair avec une vision limitée du monde.

La sapience implique la construction intentionnelle de modèles tels que l'on devient plus efficace dans la résolution de problèmes dans une portée toujours plus large à mesure que l'expérience grandit. L'un des attributs d'une personne sage est de saisir les interconnexions entre les éléments d'un système complexe, en particulier une organisation sociale. L'application de la pensée systémique à de telles organisations augmente la probabilité de trouver des solutions qui fonctionneront. Et les sages semblent continuer à apprendre toute leur vie.


Très informatique

J'expérimente actuellement un apprentissage par renforcement (RL)
techniques pour un petit robot mobile se déplaçant dans un
environnement. Mon objectif est que le bot se déplace joyeusement,
ne pas se heurter à des obstacles, tout en naviguant vers un but.

Afin d'améliorer les performances du robot (en évitant les obstacles
et progresser vers un objectif) J'aimerais pouvoir
faire en sorte que le système d'apprentissage par renforcement essaie de prédire l'avenir
résultat d'une action - en termes de renforcement total reçu
sur un certain nombre de pas de temps futurs - puis incorporer ce
prédiction dans son processus de prise de décision.

Idéalement, j'aimerais que l'apprentissage du système de prédiction soit
continu. Je veux éviter d'avoir à stocker l'état/le renforcement
du système sur le nombre de pas de temps de prédiction requis
(afin de calculer rétrospectivement l'erreur de prédiction) si possible.

Il y a aussi le problème de savoir jusqu'où le système doit tenter
prédire. Je soupçonne qu'une bonne stratégie pourrait être d'avoir ce
« fenêtre de temps » adaptable, de sorte que, dans certaines circonstances, le « bot
peut vouloir seulement estimer quelques pas en avant alors que dans d'autres un
une vision à plus long terme pourrait être bénéfique.

Je ne travaille qu'avec des simulations pour le moment, mais j'aimerais
transférer le système RL à un robot mobile à un stade ultérieur.

Je serais reconnaissant d'avoir des nouvelles de toute personne qui a de l'expérience
avec ce type de future technique de prédiction/modélisation RL, ou pourrait
peut-être m'indiquer quelques références intéressantes.

___________________________________________________________________________ _
Bob Mottram "Les robots peuvent se déplacer soudainement et sans avertissement"

Apprentissage par renforcement - prédire le renforcement

par Magnus Sandber » sam. 23 sept. 1995 04:00:00

>J'expérimente actuellement un apprentissage par renforcement (RL)
>techniques pour un petit robot mobile se déplaçant dans un
>environnement. Mon objectif est que le bot se déplace joyeusement,
>ne pas se heurter à des obstacles, tout en naviguant vers un but.

>Afin d'améliorer les performances du robot (en évitant les obstacles
>et progresser vers un objectif) J'aimerais pouvoir
&glaissez le système d'apprentissage par renforcement essayer de prédire l'avenir
&grésultat d'une action - en termes de renforcement total reçu
>sur un certain nombre de pas de temps futurs - puis incorporer ceci
>prédiction dans son processus de prise de décision.

Citation : >Idéalement, j'aimerais que l'apprentissage du système de prédiction soit
>continu. Je veux éviter d'avoir à stocker l'état/le renforcement
>du système sur le nombre de pas de temps de prédiction requis
>(afin de calculer rétrospectivement l'erreur de prédiction) si possible.

J'espère que mon raisonnement est compréhensible. Et je serais ravi si quelqu'un pouvait
trouver un défaut parce que je n'aime pas les implications. Après tout, les humains
apprendre par renforcement, et bien que le cerveau puisse être beaucoup plus complexe et
mieux conçu dès le départ, le principe de base devrait toujours être le même.
Nous évaluons nos réussites et nos erreurs et en tirons des leçons, mais l'évaluation
processus peut également être modifié si nous constatons qu'il ne fournit pas ce qu'il
devrait. L'évaluation du processus d'évaluation est, bien entendu, aussi un
processus intelligent. À première vue, cela semble exiger une méta-intelligence
responsable de l'entraînement de notre esprit, et une méta-méta-intelligence pour entraîner le
méta-intelligence, etc. En réalité, il doit y avoir une sorte d'effet d'amorçage
en ce que tout renforce tout. Mais exactement comment cela fonctionne et
s'il peut être copié dans des scénarios d'IA plus modestes est un grand point d'interrogation pour
moi. Peut-être que cela nécessite un niveau d'intelligence important pour commencer.
Il y a, après tout, beaucoup de travail derrière le cerveau d'un nouveau-né.

Pour le moment j'ai renoncé à trouver une méthode du genre que tu demandes
pour. Mon approche actuelle est de concevoir un système d'apprentissage qui peut être formé
avec retard sans trop de surcharge.

Citation : >Je serais reconnaissant d'avoir des nouvelles de toute personne ayant de l'expérience
>avec ce type de future technique RL de prédiction/modélisation, ou pourrait
>peut-être m'indiquer quelques références intéressantes.

Apprentissage par renforcement - prédire le renforcement

par Chris Connol » mar. 26 sept. 1995 04:00:00

>J'expérimente actuellement un apprentissage par renforcement (RL)
>techniques pour un petit robot mobile se déplaçant dans un
>environnement. Mon objectif est que le bot se déplace joyeusement,
>ne pas se heurter à des obstacles, tout en naviguant vers un but.

Citation : >Il vous manque une pièce du puzzle. Il y a tout un putain de merde
>rezone de recherche dans les "critiques adaptatifs" qui traite exactement de ce
>problème. Essayez de rechercher n'importe quoi d'Andy Barto, Richard Sutton ou
>Paul Werbos. Ou prenez n'importe quelle procédure NIPS récente.

o Peter Doyle et J. Laurie Snell (1984), "Random Walks and Electric
Réseaux", American Mathematical Society Carus Monographies dans
Mathématiques. (TRES clair, bonne lecture)

o Kemeny, Snell et Knapp (1976) "Chaînes de Markov dénombrables",
v. 40, Textes d'études supérieures en mathématiques, Springer-Verlag.

De plus, le doctorat de Jonathon Bachrach. thèse de l'UMass (CS Dept. Technical

avec l'utilisation de RL pour la navigation des robots - une partie de cela est également apparue
dans NIPS 2 (Mozer et Bachrach ?) et 3.

Pour une approche du point de vue des potentiels harmoniques, il existe
quelques articles que vous pouvez trouver dans le laboratoire de robotique UMass :

En particulier, ce qui suit essaie d'établir quelques connexions :

o C. I. Connolly (1994), Fonctions harmoniques et collision
Probabilités, IEEE Conf. sur la robotique et l'automatisation, pp 3015.

Téléphone international SRI : (415) 859-5022
333, avenue Ravenswood Télécopieur : (415) 859-3735
Menlo Park, Californie 94025 WWW : http://www.ai.sri.com/

Téléphone international SRI : (415) 859-5022
333, avenue Ravenswood Télécopieur : (415) 859-3735
Menlo Park, Californie 94025 WWW : http://www.ai.sri.com/

Apprentissage par renforcement - prédire le renforcement

par Shez » ven. 29 sept. 1995 04:00:00

>. humains
&gapprendre par renforcement, et bien que le cerveau puisse être beaucoup plus complexe et
>mieux conçu dès le départ, le principe de base devrait toujours être le même.
>Nous évaluons nos réussites et nos erreurs et en tirons des leçons, mais l'évaluation
>process peut également être modifié si nous constatons qu'il ne fournit pas ce qu'il
>devrait. L'évaluation du processus d'évaluation est, bien entendu, aussi un
&gprocessus intelligent. À première vue, cela semble exiger une méta-intelligence
&gresponsable de l'entraînement de notre esprit, et une méta-méta-intelligence pour entraîner le
>méta-intelligence etc.
> .

Concernant l'évaluation des processus d'évaluation (conscients) de haut niveau, où
ils sont incapables de s'évaluer, je pense que nous avons tendance à rester coincés - d'où
l'invention du thérapeute. :-)

De toute évidence, il existe de nombreux domaines où nos mécanismes d'apprentissage sont
un succès phénoménal, par exemple. pouvoir voir les choses, acquérir le langage,
etc., mais comme vous le notez vous-même, ce sont généralement des domaines où nous sommes nés avec
beaucoup de code d'amorçage. Au fur et à mesure que nous montons les niveaux de pensée, les choses deviennent
de plus en plus tremblant. Vous mentionnez les méta & méta-méta-intelligences : pour cela
nous avons tendance à compter beaucoup sur l'interaction avec des agents intelligents externes
- les parents et les enseignants !

L'équivalent du parent, de l'enseignant et, plus particulièrement, du thérapeute
dans AI est bien sûr le programmeur. Et il est peut-être pertinent de noter ici
que certains thérapeutes de la vie réelle assez réussis* ont décidé d'appeler leur
activités 'programmation neuro-linguistique' (PNL). Leur travail a été fait
entièrement à un niveau méta - ils aident les gens à générer de nouvelles stratégies pour
résoudre leurs problèmes, souvent sans rien savoir du tout
la nature du problème que la personne a. *[R.Bandler & J.Grinder]

Une chose intéressante que les inventeurs de la PNL ont remarquée est qu'il y a
beaucoup de gens qui non seulement savent qu'ils ne font pas quelque chose
bien, mais qui savent aussi exactement ce qu'ils font de mal et pourquoi. Encore
malgré ces connaissances, ils sont souvent incapables de réviser leur
comportement sans aide extérieure.

Considérez par exemple quelqu'un avec une phobie (que ce soit des araignées, des espaces clos,
peu importe). Ici, ils ont appris une réponse inappropriée à un stimulus,
et bien qu'ils soient pleinement conscients du problème et du comportement qui serait
plus appropriés, ils ont besoin d'un encadrement particulier pour mettre en œuvre les changements requis.

Nous pourrions comparer cela à un robot qui continue de frapper contre un particulier
obstacle en forme, et bien qu'il apprenne à reconnaître cet obstacle, est incapable
pour générer la séquence de mouvements nécessaires pour en faire le tour.
Bien que nous espérions qu'il évalue l'échec de sa stratégie et
apprendre une autre façon d'aborder le problème, nous ne pouvons pas nécessairement tenir les humains
comme preuve que de tels mécanismes sont possibles.

Incidemment, les gens ne devraient pas être induits en erreur, par la thérapie/la santé mentale
exemples, en pensant qu'il s'agit d'un type particulier de problème d'apprentissage.
Les commentaires ci-dessus s'appliquent aussi bien à pratiquement toutes les situations où un
l'échec à apprendre se produit, par exemple. dans les matières scolaires. Les gens pensent souvent que
une facette de la cognition qu'ils ont rencontrée ne s'applique qu'à l'étroit
zone où ils l'ont trouvé, mais d'après mon expérience, les procédures cognitives sont
étonnamment généralisable.

[Avertissement - GA & NN ne sont pas mon domaine. Je suis un scientifique cognitif.]

Apprentissage par renforcement - prédire le renforcement

par Steve Bu » dim, 01 oct. 1995 04:00:00

>>J'expérimente actuellement un apprentissage par renforcement (RL)
>>techniques pour un petit robot mobile se déplaçant dans un
>>environnement. Mon objectif est que le bot se déplace joyeusement,
>>ne pas heurter d'obstacles, tout en naviguant vers un but.

Citation : >>Idéalement, j'aimerais que l'apprentissage du système de prédiction soit
>>continu. Je veux éviter d'avoir à stocker l'état/le renforcement
>>du système sur le nombre de pas de temps de prédiction requis
>>(afin de calculer rétrospectivement l'erreur de prédiction) si possible.
>Je ne sais pas si cela peut être fait. Afin de faire une prédiction décente de la
>l'avenir sans rien connaître d'autre que l'état actuel et le succès passé de
>le robot, le système d'évaluation devrait être beaucoup plus intelligent que le
>processus de prise de décision lui-même. Aucune fonction/extrapolation simple ne ferait l'affaire. Donc
>let concevons un autre système d'apprentissage dont la tâche est de déterminer (sans délai)
>le succès de chacun des mouvements du robot. Disons que nous choisissons une sorte de neurone
>réseau. Ensuite, le réseau aussi doit être formé, mais il ne peut pas être formé
>continuellement (car cela nécessiterait de savoir immédiatement dans quelle mesure le
>Le dernier mouvement a été, ce que nous recherchons, afin d'évaluer le
les performances de >net). On choisit donc d'entraîner le réseau avec un retard de dix
>(dire) étapes. Connaître les états du robot entre les étapes [t,t+10] nous permettra
>faire une évaluation décente du mouvement du robot à l'étape t et ainsi nous permettre de
>évaluer la sortie du réseau à l'étape t. Mais pour ce faire, nous devons avoir
>sauvegardé l'état complet du réseau à l'étape t, et donc rien n'est gagné.

Un bébé humain est livré avec certaines routines « brûlées » (« enracinement » pour un
* et l'allaitement, est un exemple de ce qui constitue une
comportement, cligner des yeux est un exemple de réflexe assez simple et
la digestion est un exemple de réaction biochimique. Avec en plus
d'un plutôt "blank" mais potentiellement utile (BEAUCOUP de potentiel
connexions) réseau de neurones, nous avons un bébé car il vient "du
fabricant"

Ce bébé sera bientôt capable de prendre des décisions savantes qui impliquent
un très petit nombre d'étapes. Exemple : Si j'ai besoin/je veux quelque chose et si
Je fais un grand bruit de pleurs, mes parents apparaîtront, devinez ce que je
besoin/voulez et donnez-le moi. Décisions apprises qui nécessitent de nombreuses étapes
ou les concepts abstraits sont au-delà du bébé à ce stade, peu importe comment
ils pourraient être bénéfiques pour le bébé. Exemple : si je prends l'argent
papi et papi envoyé quand je suis né et l'investir dans une mutuelle
fonds qui achète des actions de haute technologie, je n'aurai pas besoin de me soucier de la nourriture quand je
se retirer. Ce type de comportement ne se manifeste que lorsque l'organisme
mûrit (si jamais).

Désolé c'est si long, mais voici où je veux en venir.

Les petits robots, à leurs débuts, pourraient utiliser une structure similaire :

Un système électrochimique - ils n'ont pas besoin de "savoir" comment obtenir
l'électricité de leurs batteries et l'utiliser, ça arrive.

Réflexes simples - cligner des yeux, reculer devant les dangers, etc.

comportements simples qui assurent la survie - faim/nourriture : comment j'ai "faim"
JE? quelle est la route la plus directe vers la source de nourriture la plus proche ? je dois
aller à la source de nourriture la plus proche pendant que j'ai encore assez d'énergie. Cette
pourrait être codé en ROM et utiliser ou non un processeur dédié (un
tâche subconsciente/de fond si vous voulez)

Un réseau de neurones, éventuellement semé d'actions simples - obstacle
comportements : le contourner, le pousser, le ramasser, le parcourir. À ceci
point, le nombre d'étapes entre l'action et l'évaluation de la
La "bonté" de l'action doit être très petite, 1-2 étapes. Comme le robot
devient plus compétent, il pourrait essayer de combiner des actions et de prendre
plus d'étapes pour évaluer "goodness". Exemple d'étape intermédiaire -
ramasser l'objet A, le placer à côté de l'objet B comme rampe, monter la rampe,
vérifier le haut de l'objet B. Exemple d'étape avancée : pousser
objet B à côté d'un objet beaucoup plus grand que vous ne pouvez pas pousser (une table ou
compteur) ramasser l'objet A, construire une rampe, monter sur l'objet B, ramasser
en haut A, construis une rampe, monte sur le comptoir, trouve une nouvelle source de nourriture
(prise de courant)

J'espère que cela avait du sens. Je ne suis qu'un profane doté d'un accès Internet
donc si j'ai abusé de certains termes, veuillez me pardonner. je vais y retourner
qui se cache maintenant

Apprentissage par renforcement - prédire le renforcement

par Marty Stonem » lun., 02 oct. 1995 04:00:00

[La plupart des articles de Shez ont été coupés]

: Les commentaires ci-dessus s'appliquent aussi bien à pratiquement toutes les situations où un
: l'échec d'apprentissage se produit, par ex. dans les matières scolaires. Les gens pensent souvent que
: certaines facettes de la cognition qu'ils ont rencontrées ne s'appliquent qu'à l'étroit
: zone où ils l'ont trouvé, mais d'après mon expérience, les procédures cognitives sont
: étonnamment généralisable.

Je ne vois pas quelles procédures sont généralisables, par exemple, pour apprendre en
école parmi les suivantes :
1. apprendre à pratiquer un sport, par exemple le baseball
2. apprendre à citer un sonnet de Shakespeare
3. apprendre à faire la différence entre les espèces d'oiseaux
4. apprendre à éviter de se cogner l'orteil sur les pieds de votre bureau.
5. apprendre à faire des calculs
etc.

J'apprécierais un indice.
Merci.

Apprentissage par renforcement - prédire le renforcement

par Michel Vert » Mar, 03 Oct 1995 04:00:00

>Je ne vois pas quelles procédures sont généralisables, par exemple, pour l'apprentissage en
>school parmi les suivants :
>1. apprendre à pratiquer un sport, par exemple le baseball
>2. apprendre à citer un sonnet de Shakespeare
>3. apprendre à faire la différence entre les espèces d'oiseaux
>4. apprendre à éviter de se cogner l'orteil sur les pieds de votre bureau.
>5. apprendre à faire des calculs
> etc.

* un peu d'observation ou de réflexion,
* tenter la tâche
* examiner où vous vous êtes trompé
* compenser l'erreur
* Répétez si nécessaire.

Les 5 tâches que vous avez citées nécessitent toutes ces étapes. Apprentissage
*n'importe quoi* exerce ces fonctions et renforce la capacité du cerveau
pour apprendre autre chose. Le professeur de 2e année de mon fils avait les enfants
mémoriser beaucoup de poésie principalement pour exercer leur mémoire.

Apprentissage par renforcement - prédire le renforcement

par Shez » mer., 04 oct. 1995 04:00:00

> Shez (S. @sv.span.com) a écrit :
> : . Les gens pensent souvent qu'une facette de la cognition est venue
> : à travers s'applique uniquement à la zone étroite où ils l'ont trouvé, mais dans mon
> : les procédures cognitives de l'expérience sont étonnamment généralisables.

> Je ne vois pas quelles procédures sont généralisables, par exemple, pour apprendre en
> école parmi les suivantes :
> 1. apprendre à pratiquer un sport, par exemple le baseball
> 2. apprendre à citer un sonnet de Shakespeare
> 3. apprendre à faire la différence entre les espèces d'oiseaux
> 4. apprendre à éviter de se cogner l'orteil sur les pieds de votre bureau.
> 5. apprendre à faire des calculs

Une chose que j'avais particulièrement à l'esprit était la théorie de Kuhn selon laquelle la connaissance
l'acquisition (en d'autres termes, l'apprentissage) progresse souvent en « révolutionnaire »
changements de paradigme.

Il croyait qu'elle ne s'appliquait qu'à la connaissance scientifique, alors que je pense qu'elle
s'applique à toutes les connaissances, y compris la perception. Son livre a un exemple
qui prétend montrer que les changements de paradigme perceptuel sont réversibles tandis que
les scientifiques ne le sont pas, mais son exemple est erroné. (je ne suis pas à la hauteur
date sur la littérature, il est donc probable que d'autres l'ont dit aussi maintenant
(Je l'ai remarqué pour la première fois en 1987)).

On pourrait donc dire que quelque chose que presque tous les processus d'apprentissage ont en commun
est la formation et le test d'hypothèses successives sur les données. Sous
bonnes conditions où les données sont de haute qualité et contiennent peu de
roman, nous n'aurons peut-être qu'une seule hypothèse à formuler. Caractérisation de Newton
de l'univers a servi pendant des centaines d'années. En revanche, en essayant de
reconnaître une forme dans une pièce sombre notre hypothèse initiale pourrait durer
moins d'une seconde avant de changer d'avis et de décider que c'est
autre chose.

Mais dans chaque cas, le processus implique la formation d'un modèle qui semble correspondre
les données, puis à mesure que des données supplémentaires s'accumulent qui ne peuvent pas être adaptées à
le modèle d'origine, nous ignorons d'abord l'écart en tant que bruit, puis reconnaissons
que quelque chose ne va pas, mais restez avec, puis construisez de nouveaux modèles, et quand
l'un offre un meilleur ajustement un changement de paradigme se produit lorsque nous rejetons l'ancien
et utilisez le nouveau.

Ce qui est frappant ici, c'est qu'un modèle de processus unique sert à la fois quelque chose
qui arrive pour une personne à la fois, et quelque chose qui arrive socialement
pour une communauté composée de générations successives de personnes. Pour moi ça
constitue une généralisation surprenante. (Eh bien c'était une découverte passionnante
pour moi!)

Cependant, essayons de trouver quelques processus que votre liste de tâches a dans
commun. (Je m'attends à ce que d'autres s'y adonnent aussi - c'est un intéressant
défi!)

En regardant la liste, certaines similitudes évidentes viennent à l'esprit entre 1 et
4 (coordination physique), également entre 2,3,5 (un degré d'apprentissage par cœur),
et surtout entre 3 & 5 (classement) mais je me doute que ce n'est pas ça
qui vous intéresse. (Je note également que le point 1 comprend en fait au moins
deux tâches d'apprentissage distinctes - apprendre les habiletés physiques et apprendre les
Règles du jeu.)

Mais essayons de trouver un processus que les cinq ont en commun. Le plus
tâche de base semble être le sonnet, qui consiste à apprendre une séquence
de mots. Si toutes les tâches ont réellement quelque chose en commun, nous pourrions
attendez-vous à ce qu'il soit plus facilement identifiable ici.

L'approche générale de construction d'hypothèses déjà décrite presque certainement
s'applique. En apprenant une liste de mots, nous les associons d'une manière ou d'une autre.
C'est plus facile si les mots ont un sens, car on nous offre une
superstructure identifiable qui sert à coller la séquence de mots
ensemble en mémoire. (Dans ce contexte, je veux dire "facile" dans le sens où nous
ont déjà la capacité de donner un sens aux phrases). En revanche, l'apprentissage
une séquence arbitraire de mots nous oblige à inventer une structure de liaison -
Je suis sûr que nous connaissons tous les astuces de mémorisation utilisées dans
tels cas, comme attacher les mots à une structure significative de
l'imagerie, ou trouver des relations sémantiques ou phonétiques entre les mots,
etc etc. (Les ordinateurs ont évidemment un énorme avantage pour nous ici car ils
sont spécifiquement conçus pour stocker et traiter directement des matériaux séquentiels).

Lors de l'apprentissage d'un sonnet, nous formons une structure sémantique inconsciente à partir de
dont nous pouvons " relire" les mots. La répétition permet d'affiner cela
jusqu'à ce qu'il ait une forme adaptée au rappel précis des mots exacts ainsi que
le sens. En effet, l'inconvénient de l'apprentissage par cœur est que les structures
nous formons ont tendance à être conçus pour rappeler les mots au détriment d'une précision
saisir le sens.

Il est peu probable qu'il y ait un changement radical de paradigme dans l'apprentissage d'un sonnet,
mais la structure subira certainement de nombreuses révisions avant de devenir
mot parfait. C'est une observation banale qu'en apprenant leurs lignes
les acteurs ont souvent un blocage mental sur des phrases spécifiques et je pense que nous avons
tous ont vu ces extraits à la télévision où ils se trompent plusieurs fois de phrase
dans une rangée. Chaque répétition de l'erreur la renforce. Le surmonter peut être
fait être de créer un nouveau fragment de la structure associative, en le liant dans
au point approprié, et en détachant le fragment erroné. (Le final
stade a tendance à se produire spontanément par un renforcement préférentiel de
la forme correcte.) C'est exactement ainsi que les phobies sont guéries en PNL. Le principal
différence dans quelque chose comme apprendre un sonnet est que la révision de la
la structure cognitive a tendance à s'embrouiller à un niveau subconscient,
bien qu'il n'y ait aucune raison pour laquelle nous ne devrions pas examiner consciemment ces
phrases que nous avons du mal à apprendre et à découvrir un nouveau sens à partir de
lesquels les mots corrects peuvent être extraits plus facilement.

A ce stade, je suis tenté de laisser l'application du mécanisme d'apprentissage ci-dessus
aux quatre autres tâches comme exercice pour le lecteur, car cette publication est
déjà deux pages ! Certes je ne ressens pas le besoin de le démontrer
s'applique à la reconnaissance d'une espèce d'oiseau ou à l'équation différentielle. Les
l'apprentissage des habiletés physiques vaut cependant un bref coup d'œil. Si vous écrasez votre
beaucoup d'orteils, votre image mentale de la taille de votre pied et/ou de la quantité de
le mouvement physique résultant d'une instruction donnée à vos muscles est
évidemment une sous-estimation et doit être révisé à la hausse. Soit ça, soit ton
modèle mental de la position des jambes de votre bureau est faux, ou peut-être vous
avez développé une mauvaise habitude de trop balancer vos jambes lorsque vous êtes assis,
une habitude vraisemblablement formée en étant assis à un autre bureau. Dans tous ces
cas que nous serions normalement en train de résoudre et de surmonter le problème, mais encore une fois
nous pouvons le modéliser explicitement.

Il existe de nombreuses façons de cesser de nous cogner les orteils sur notre bureau, pas
ce qui pourrait nécessairement être décrit comme "learning". Par exemple, si
cela vient d'une mauvaise habitude de balancer ses jambes en étant assis au bureau,
il peut s'agir d'un réflexe conditionné qui disparaît car le déclenchement
le stimulus est supprimé ou nous prenons l'habitude de travailler au lieu de regarder
par la fenêtre pendant les cours. (Dans un tel cas aucun lien avec l'apprentissage d'un sonnet
vient à l'esprit.)

Si nous parlons de les écraser en marchant, nous pourrions
y remédier en accordant plus d'attention à nos pieds jusqu'à ce que le problème disparaisse.
Cela pourrait impliquer un mécanisme similaire à l'exemple du sonnet : nous formons un nouveau
et un fragment plus précis du modèle mental que nous avons pour la taille de notre corps
et la position et comment il se déplace, et après s'en être occupé consciemment pendant un
tandis que le fragment s'incorpore dans notre modèle de corps inconscient.

Je ne vois aucune raison pour que ces mécanismes soient le seul moyen possible de
apprendre quelque chose, mais ils sont *un* chemin. Revenir à l'annonce d'origine
auquel j'ai répondu, la question était l'évaluation d'un mécanisme d'apprentissage
en vue de l'améliorer en cas d'échec. Il me semble que le
la procédure au niveau méta est similaire à celle des exemples d'apprentissage
donné ici - quand une chose ne fonctionne pas, essayez quelque chose de différent ! Les
manière de produire des permuations ou des modèles alternatifs dépendra de la
tâche, mais cela ne veut pas dire que le processus est nécessairement différent,
c'est juste que les types de données manipulés ont des modalités différentes.

On pourrait faire un parallèle avec la programmation orientée objet. Différents types
d'Objet nécessitent leurs propres implémentations des Méthodes utilisées pour manipuler
eux, mais les noms de méthode et les arguments restent souvent les mêmes, et un appel
le programme n'a pas besoin de savoir quoi que ce soit sur la différence entre, par exemple, l'affichage
méthode pour un objet vidéo et la méthode d'affichage pour un objet texte, mais peut
manipuler les deux objets en utilisant le même algorithme. De même en cognition, nous
pas besoin de repartir de zéro pour aborder un nouveau domaine, à condition bien sûr
que nos algorithmes sont abstraits à des niveaux appropriés et nous n'avons pas
tâches de haut niveau mélangées parmi la mise en œuvre de routines de bas niveau
qui ne s'appliquent qu'à un seul domaine.

C'est bien sûr un inconvénient majeur des réseaux de neurones, où le modèle n'est pas
explicite. À moins de diviser le problème en plusieurs niveaux avant
le présentant, il est peu probable que la solution net soit utile à un autre
problème. Pour ma part, je trouve les réseaux neuronaux d'un intérêt limité, comme s'ils
peuvent résoudre des problèmes et montrer comment notre intelligence peut être mise en œuvre, ils
éclairent peu ou pas du tout les domaines problématiques eux-mêmes, nous ne sommes donc pas
le plus sage quant à l'applicabilité d'une solution particulière de réseau neuronal à
un autre domaine problématique. (Je ne suis pas un expert des réseaux de neurones, mais il semble
moi que cela est inhérent à leur nature - commentaires s'il vous plaît !)

Bref, c'est tout ce que j'ai le temps d'écrire aujourd'hui ! Je suis heureux de discuter de tout
de ces problèmes, d'autant plus que je viens de retrouver mes marques dans
science après plusieurs années d'avoir.


Le collecteur positif : contrôle réactif dans l'intelligence fluide ?

Quels mécanismes neuronaux sous-tendent « l'intelligence fluide », la capacité de raisonner et de résoudre de nouveaux problèmes ? C'est la question posée par Gray et al. en Neurosciences de la Nature. Les auteurs commencent par suggérer que l'intelligence fluide (alias, gF) est liée à la fois au contrôle attentionnel et au maintien actif de l'information face au traitement en cours (c'est-à-dire la mémoire de travail). Chacun de ces concepts, à son tour, a été associé au fonctionnement du cortex préfrontal latéral - une région qui a été massivement étendue chez l'homme par rapport à même nos plus proches parents évolutionnaires.

Pour confirmer que les différences individuelles de gF sont liées au fonctionnement préfrontal, Gray et al. mesuraient les performances à la fois sur une tâche gF standard (matrices de Raven) ainsi que sur un test standard de fonction préfrontale issu des neurosciences cognitives : la tâche 3-back. Dans les matrices de Raven, les sujets doivent choisir lequel de plusieurs stimuli "convient" comme élément final dans une matrice de motifs abstraits (voir un exemple). En revanche, la tâche 3-back fournit aux sujets une série de stimuli, présentés séquentiellement. , et exige qu'ils répondent si le stimulus actuel correspond à celui présenté 3 éléments précédemment (c'est-à-dire, pour répondre oui au deuxième "B" dans une séquence comme "AXBYXBXA"). Cette tâche est effectuée de manière continue, de sorte que les sujets doivent constamment déplacer le troisième élément en mémoire avec le second et mettre à jour la mémoire avec l'élément actuel. (Si vous ne pouvez pas dire d'après ma description, c'est une tâche extrêmement difficile).

Intuitivement, on pourrait ne pas s'attendre à une relation forte entre ces tâches : 3-back repose fortement sur la mémoire, alors que tous les stimuli pertinents sont simultanément présents dans Raven. À l'inverse, Raven's nécessite un raisonnement abstrait et quelque peu "analogique", mais 3-back ne nécessite qu'une mémorisation par cœur. Ces tâches semblent donc nécessiter des calculs très différents - les performances d'un individu peuvent varier considérablement entre elles.

D'un autre côté, il y a le concept de "variété positive": la performance sur deux tâches mesurées de manière fiable est positivement corrélée (en effet, cela fait partie de la base du concept d'"intelligence générale"). Étonnamment, la variété positive peut également s'appliquer aux données neuroscientifiques : malgré la possibilité que différentes régions neurales sous-tendent la performance sur ces deux tâches très différentes, certaines régions du cortex préfrontal médient de manière fiable les corrélations comportementales entre ces tâches.

Pour démontrer ce fait surprenant, les auteurs ont fait une distinction entre les performances à 3 dos sur les essais de leurre (où l'élément cible s'était produit peut-être le 2e ou le 4e essai précédent, mais pas le 3e dos) et celles sur les essais sans leurre (où les éléments cibles survenu il y a 1 essai, ou il y a plus de 5 essais). Les essais leurres semblaient en fait plus sensibles à la performance que les essais cibles (dans lesquels un élément était effectivement présenté il y a 3 essais) dans la mesure où la précision était tout aussi mauvaise que les essais cibles, mais les TR étaient encore plus longs.

Les estimations de gF étaient positivement corrélées avec la précision sur tous les types d'essais, mais étaient le plus fortement liés à la performance des essais sur leurre : en tenant compte de la précision sur les essais sans leurre ou de la précision sur les essais sur cible, gF a toujours montré une relation significative avec les essais sur leurre. L'activité dans le PFC latéral, le cingulaire antérieur et le cervelet latéral ont toutes prédit la précision, et l'activité dans ces régions pendant les essais de leurre se chevauchait avec jusqu'à 92% de la variance partagée entre la performance gF et 3-back. En revanche, ce modèle était beaucoup plus subtil dans les essais avec cible et sans leurre.

Il est intéressant de noter que l'ampleur de l'activation soutenue (pensée pour favoriser la maintenance active) était corrélée à la précision 3-back mais pas à la capacité gF. Cette découverte est quelque peu en contradiction avec les récits qui placent la maintenance active « vanille » au centre de l'intelligence et du contrôle exécutif - d'autres processus (tels que les processus de rappel et de discrimination impliqués dans les essais de leurre) semblent manifester plus fortement la variance partagée avec gF. Cela semblerait avoir des applications à la notion de "contrôle réactif" et de "mémoire secondaire" comme discuté récemment dans la littérature - les travaux futurs devront clarifier les relations entre ces constructions.

Les auteurs notent que le volume de matière grise dans le cortex préfrontal latéral est sous contrôle génétique « significatif », ce qui suggère que la gF est peut-être elle-même largement héréditaire. La rumeur veut qu'une nouvelle publication (mais toujours en cours de révision) montre que l'héritabilité de gF est proche de 1. En revanche, les auteurs suggèrent ici que gF n'est probablement pas entièrement héritable, et qu'une meilleure compréhension des différences individuelles dans le les corrélats neuronaux de la gF pourraient contribuer aux futures tentatives d'amélioration de l'intelligence fluide.

Plus comme ça

Vous ne pouvez pas voir le bois pour les arbres..sourire
Intelligence, intelligent, du latin intelligere comprendre (INTER+legere rassembler, choisir).
Intelligent, Adroit, adroit, habile, talentueux.
Qu'entends-tu par intelligence ? Quelle est la différence entre être intelligent et être intelligent ? Une personne peut-elle être intelligente sans être intelligente et vice versa ? Écoutez quelques définitions de l'intelligence.
la capacité de comprendre, de comprendre et de tirer profit de l'expérience
����
L'intelligence est une capacité mentale générale qui implique la capacité de raisonner, de planifier, de résoudre des problèmes, de penser de manière abstraite, de comprendre des idées et un langage et d'apprendre. En psychologie, l'étude de l'intelligence est liée à l'étude de la personnalité mais n'est pas la même chose que la créativité, la personnalité, le caractère ou la sagesse.
����..
Adaptabilité à un nouvel environnement ou aux changements de l'environnement actuel
Capacité de connaissance et capacité de l'acquérir
Capacité de raison et de pensée abstraite
Capacité à comprendre les relations
Capacité d'évaluer et de juger
Capacité de réflexion originale et productive

De la précédente, la première définition avec quelques ajouts se rapproche le plus d'une bonne définition. C'est le désir et la capacité continus de comprendre et de comprendre par l'observation et le raisonnement logique. Qui est intelligent par cette définition ? Le test de QI actuel est utilisé (avec des modifications) depuis plus de 100 ans. Le score de QI moyen est de 100. Un score de QI de 160 vous place dans la catégorie génie et un score de >200 est classé comme génie non mesurable. Les ordinateurs deviennent de plus en plus puissants et sophistiqués. Un ordinateur est-il intelligent ? Non, il ne pourra jamais comprendre et comprendre. Il peut sembler le faire, mais ce sera une illusion. Ce ne sera jamais qu'une machine programmée. Même s'il est programmé pour générer son propre codage, il le fera d'une manière programmée incompréhensible. Il ne pensera jamais (je pense, donc je suis). Il semblera seulement aussi intelligent que les hommes ou les femmes qui l'ont programmé. Si vous ne comprenez pas et ne comprenez pas cela, alors vous n'êtes pas intelligent (ayant la compréhension). Il y a de jeunes enfants (de sept à dix ans) qui ont un QI de génie de 160-170. Ils ont des capacités d'apprentissage et des talents supérieurs à la normale. Cependant, comme un savant autiste, ils ne sont pas intelligents. Ils voient le monde d'une manière simpliste comme celle d'un enfant. L'un d'eux peut écrire de la musique et jouer du violon à un niveau professionnel. Un autre pourrait être capable de résoudre des problèmes mathématiques complexes. Cependant, ils n'ont pas de compréhension. Vous ne vous attendriez pas à une compréhension et à une compréhension philosophiques complexes de la part de l'un d'eux. Le test de QI devrait être appelé le test CQ (quotient d'intelligence) car il a tout à voir avec la mesure de l'intelligence et rien à voir avec la mesure de l'intelligence.
Nous vivons sur la fine croûte d'une sphère de roche et de fer en fusion, qui mesure près de 8 000 milles de diamètre. Il se déplace à 18 milles par seconde dans le vide noir de l'espace entourant une étoile (le soleil) qui se trouve à 93 millions de milles. La sphère a une fine couche d'atmosphère respirable (moins de 7 miles) et sans le champ magnétique généré par son noyau de fer, le rayonnement du soleil serait mortel pour la vie. Seule une personne intelligente comprendra et comprendra à quel point c'est étrange, grotesque et bizarre.
Beaucoup de gens utilisent la médecine homéopathique. Les substances sont diluées à un niveau si extrême qu'il ne reste rien de l'original. Il est évident que s'il ne reste rien de la source originelle, sa seule action sur l'organisme peut être celle d'un placebo. Une personne intelligente comprendra ce fait, mais une personne intelligente avec le QI d'un génie pourrait ne pas le faire. Il y a plus de 50% de certitude que votre mort ne sera pas agréable. Le pourcentage de chance que vous mouriez paisiblement dans un lit entouré de vos proches n'est pas bon. La réalité est la peur de mourir, le cancer, la maladie d'Alzheimer, l'infirmité douloureuse et toutes les indignités qui accompagnent la vieillesse. Quelle personne intelligente voudrait amener une autre personne dans ce monde avec la quasi-certitude que cela se produise ?
Vous ne pouvez pas être fou et intelligent, mais vous pouvez être fou et intelligent.
Plusieurs millions de personnes ont une croyance religieuse. C'est la croyance qu'il existe une entité invisible et intelligente qui sait tout, qui comprend tout, qui est toute puissante, parfaite dans l'amour qui est à l'origine de tout ici. Il est évident pour une personne intelligente que ce n'est pas vrai. Les faits ne sont pas cachés. Ce monde est extrêmement violent, dangereux et laid et l'a toujours été. S'il y a une entité invisible cachée, il est évident qu'elle est malveillante, mauvaise et non intelligente. Si vous aviez un jeune enfant, vous ne diriez pas �voyez comme je suis intelligent, je peux faire des milliers de choses que vous ne pouvez pas, aimez-moi, prosternez-vous, vénérez et adorez-moiï½. Si vous le faisiez, vous seriez à la fois fou et inintelligent. C'est pourtant ainsi que les religieux voient Dieu là-bas.
Une personne intelligente ne penserait pas qu'une personne qui aurait vécu il y a deux mille ans pourrait être son sauveur en donnant sa vie pour elle. La personne intelligente saurait que le péché est subjectif et qu'il n'a pas besoin d'être sauvé. Une personne intelligente ne croirait pas qu'en se faisant exploser avec les hommes, les femmes et les enfants de son voisinage, elle sera transportée au paradis (par un Dieu juste et aimant) et aura de belles femmes servantes lui accordant tous ses désirs sexuels.
Dans la même mesure, il n'est pas intelligent d'accepter une théorie appelée évolution. La théorie propose que tous les mammifères (y compris les humains) ont évolué à partir d'une petite créature ressemblant à une souris / musaraigne qui vivait à l'époque où les dinosaures se sont éteints il y a 65 millions d'années. Une personne intelligente voudrait savoir comment et pourquoi elle est ici et examinerait la théorie, examinerait toutes les preuves et porterait une attention particulière aux lignes temporelles impliquées dans cette courte période de 65 millions d'années. La personne qui ne le savait pas ne pouvait pas s'appeler intelligente. Cette personne pourrait être très intelligente et accomplie à bien des égards, mais ne serait pas intelligente. Si vous faites partie de ceux que vous n'êtes pas seuls, vous êtes légion.
On estime que le cerveau humain compte environ 100 milliards de neurones (100 000 000 000). Vous pourriez penser que c'est un très grand nombre? Si un neurone était assimilé à un octet informatique, cela équivaudrait à 100 gigaoctets. Mon PC a une zone de stockage de 150 gigaoctets. Je prends des photos avec mon appareil photo numérique, qui mesure 7 mégapixels (7 000 000). Si vous assimiliez un neurone à un pixel, la capacité totale de photos de 7 mégapixels que mon cerveau pourrait contenir serait de 14 000 à 15 000. Un neurone n'est qu'une cellule organique inconsciente non pensante qui se connecte à de nombreux autres neurones via des changements chimiques et électriques dans ses synapses. Comme vous pouvez le constater, 100 milliards, ce n'est pas beaucoup pour l'équivalent d'un simple interrupteur marche-arrêt. Comment ces cellules irréfléchies se combinent-elles et font-elles de nous des êtres sensibles et conscients ? Et pourquoi se fait-il que même s'il n'y a pas de différence dans les neurones de tout le monde, certaines personnes sont très intelligentes et d'autres pas ? Et pourquoi y a-t-il si peu d'intelligence (compréhension) ?
Imaginez un visiteur intelligent sur cette planète pour la première fois. Que penserait-il après avoir regardé son histoire et sa situation actuelle ? Les représentants élus au gouvernement de différentes factions se crient dessus comme des enfants. Pays dirigés par des personnes instables et agressives. Des millions de personnes meurent de faim tandis que des milliards sont dépensés pour des activités sans importance. Hommes, femmes et enfants tués pour des raisons de race ou de religion dans les guerres et les conflits internes. D'innombrables femmes tombent enceintes et avortent. Un fossé entre une minorité qui est riche et la majorité qui ne le sont pas. Pollution des mers et exploitation des terres. La liste s'allongerait encore et encore. La seule conclusion correcte possible est que la race humaine en soi n'a pas d'intelligence.
Les mots les plus profonds dans n'importe quelle langue sont probablement « je pense, donc je suis ». L'homme qui a dit cela a également dit ''Si vous voulez être un vrai chercheur de vérité, il faut qu'au moins une fois dans votre vie vous doutiez, autant que possible, de toutes choses''. La personne vraiment intelligente s'examine d'abord. Il a alors le repère pour questionner et examiner les autres.
Robert


Intelligence générale par rapport au domaine

Nos cerveaux sont dotés d'algorithmes câblés. Les chats peuvent attraper des oiseaux ou des souris sans y penser. Je peux attraper et manger une fraise sans réfléchir. L'hypothèse d'interaction Savanna-IQ dit que l'intelligence générale peut avoir évolué à l'origine comme une adaptation spécifique à un domaine pour faire face à des problèmes évolutifs nouveaux et non récurrents. Nous pouvons déduire de cette hypothèse que les personnes ayant une meilleure intelligence générale ne seront pas meilleures dans les tâches de routine. En fait, ils peuvent s'en tirer pire ! Ils peuvent seulement avoir un avantage pour de nouvelles tâches. Ainsi, l'intelligence générale et l'intelligence de domaine peuvent être des entités quelque peu distinctes.

Comment reconnaître les personnes ayant une meilleure intelligence générale ? Ils s'adaptent mieux aux nouveaux paramètres. Ils sont les premiers à adopter de nouvelles stratégies. Mais ils peuvent ne pas être très bons au baseball ou à la boxe, et ils peuvent être socialement incompétents.

L'intelligence artificielle moderne (et l'apprentissage automatique) est généralement spécifique à un domaine. Mon filtre anti-spam peut détecter le spam, mais il ne fera jamais rien d'autre. Notre logiciel a évolué pour faire face à des problèmes spécifiques. Pourtant, nous manquons encore de logiciels d'intelligence générale. Essayer de créer de meilleurs filtres anti-spam peut être orthogonal à l'obtention d'une intelligence générale dans le logiciel. En fait, un logiciel doté d'une bonne intelligence générale peut ne pas être aussi efficace pour le filtrage du spam.

Référence: Satoshi Kanazawa, Kaja Perina, Pourquoi les oiseaux de nuit sont plus intelligents, Personnalité et différences individuelles 47 (2009) 685–690

Lectures complémentaires: Langage, cognition et évolution : modularité contre unité par Peter Turney


Vérité, Mensonges et Lumières : comment l'IA peut nous aider à développer nos connaissances et notre compréhension dans les chambres d'écho de la vie

L'IA est à la fois une cause et une solution au problème d'un monde où il y a beaucoup plus d'informations qu'une seule personne ne peut en traiter efficacement pour construire sa propre compréhension de ce qu'elle croit et de ce qu'elle ne croit pas. L'IA peut amplifier la chambre d'écho en privilégiant les plus crues aux plus évidentes. MAIS cela peut aussi nous aider à reconnaître des informations valides du bruit, SI nous connaissons les bonnes questions à poser et SI NOUS SAVONS COMMENT TRAVAILLER AVEC NOTRE IA, nous pouvons développer une compréhension profonde et échapper au labyrinthe de l'invention…

Au début de ma carrière, on m'a dit que si je voulais faire passer un message lors d'un enseignement, lors d'un entretien, dans le cadre d'une présentation ou lors d'un débat, je devais répéter le point que je voulais faire valoir trois fois. Il y a une base empirique à ce conseil : quelque chose a expliqué avec éloquence mon Malcolm Gladwell et la motivation de l'identité de mon blog : The Knowledge Illusion. En termes simples, lorsque les gens reçoivent plus d'informations sur X, ils croient qu'ils en savent plus sur X, alors qu'en fait ils en savent souvent moins sur X. J'ai écrit à ce sujet il y a de nombreux blogs (transcrit ci-dessous pour faciliter la référence) pour attirer l'attention au besoin essentiel d'aider les gens à déchiffrer l'énorme volume d'informations qui leur parviennent afin qu'ils puissent discerner ce qui est authentique de ce qui est faux.

Je suis toujours le conseil « dire les choses trois fois » dans mes efforts pour communiquer ce que je considère comme des informations valides, certains pourraient dire véridiques. Mon objectif est de persuader les gens que mon point de vue, mon opinion ou ma présentation d'informations est digne de foi. Cependant, j'accepte qu'il appartient entièrement à mon public de décider s'il est ou non conquis. L'importance de cette expérience subjective et la conviction qu'un public analyse activement les informations qui lui parviennent sont de plus en plus importantes. Dans un monde de chambres d'écho et de déluge de médias sociaux, nous avons besoin que les gens soient capables de regarder un flux de données et d'informations et de prendre des décisions intelligentes sur ce qu'ils croient être la matière de la connaissance.

Le problème n'est pas nouveau. C'est JFK qui a un jour observé que "Peu importe la taille du mensonge, répétez-le assez souvent et les masses le considéreront comme la vérité". C'est une énorme insulte à l'intelligence des « masses », mais à moins que nous ne fassions attention à aider ces « masses » à naviguer dans le bourbier de la médiocrité que les médias sociaux précipitent, prolifèrent et perpétuent, nous reviendrons à l'ère pré-lumière. quand le monde était plat et que le savoir était le privilège de ceux qui savaient déchiffrer l'écrit et qui étaient le porte-parole et l'intellect collectif de leurs communautés : les « masses ».

Le mot « masses » n'est plus largement utilisé, appelons simplement les « masses » comme le peuple : la race humaine mondiale que l'éducation est destinée à doter des compétences et des capacités nécessaires pour penser et donner un sens au monde et aux informations des autres. produire à ce sujet. Pour réfléchir à ce que nous devons faire pour aider les gens à donner un sens au monde, cela vaut la peine de remonter encore plus loin dans le temps jusqu'aux points de vue de l'empereur romain Marc Aurèle : « Tout ce que nous entendons est une opinion, pas un fait. Tout ce que nous voyons est une perspective, pas la vérité. Nous devons encourager un système de croyances nuancé où les gens acquièrent les compétences, la confiance et les ressources nécessaires pour construire leur propre compréhension à partir du raz-de-marée de données et d'informations qui menace de les engloutir.

Encore une fois, l'histoire peut nous éclairer. La révolution scientifique a ouvert la voie à l'ère des lumières qui a transformé la race humaine et promu l'importance de la raison. Des penseurs influents comme Bacon, Locke et Descartes ont ouvert la voie à Voltaire, Kant et Smith. La vie était tellement plus simple alors, bien sûr, mais l'énorme augmentation de ce qu'il est possible pour un individu d'essayer de comprendre et de savoir n'écarte pas le rôle important que peuvent jouer les penseurs influents.

La naissance du www et des réseaux sociaux représentent une nouvelle génération de publications qui jouent le rôle des encyclopédies et des dictionnaires à l'ère des Lumières. MAIS qui sont les philosophes et scientifiques clés qui peuvent catalyser les débats populaires de la même manière que les philosophes des Lumières l'ont fait ? Stephen Hawking figurerait probablement en haut de la liste des penseurs influents que de nombreuses personnes (les « masses ») pourraient peut-être nommer. Qui d'autre?

Alors que le volume d'informations et de données sur le monde a explosé, le nombre de penseurs influents qui peuvent aider les gens à trouver leur chemin vers la connaissance et la compréhension n'a peut-être pas suivi le rythme. Les technologies qui récoltent la « sagesse » de la foule promeuvent souvent les crieurs les plus forts et les plus suivis, plutôt que le raisonnement réfléchi et fondé des vrais intellectuels. La disparition de l'expertise a exacerbé le problème car les prédictions professionnelles ne se sont pas matérialisées…. Arrêtons-nous là un instant.

Le vrai problème pourrait-il être que nous, les gens, ne savons pas interpréter l'expertise ? Nous voulons des réponses simples quand il n'y en a pas. Dans les écoles, nous encourageons toujours la croyance que l'apprentissage par cœur et les informations spécifiques à un sujet du type qui peuvent être reproduites par une seule personne lorsqu'elle est mise au défi avec un test standardisé suffisent. Cette approche dépassée donne l'impression que la connaissance et la compréhension sont bien plus simples qu'elles ne le sont en réalité. Ils encouragent les gens à croire qu'il y a un ensemble de choses qu'ils ont besoin d'apprendre et de reproduire, et que s'ils peuvent le faire, ils seront bien informés. Cependant, ce que nous devrions faire, c'est AUSSI encourager les gens à constamment sonder, pousser, comparer et conclure par eux-mêmes leur compréhension du monde afin qu'ils puissent appliquer ces connaissances pour résoudre les problèmes qu'ils rencontrent chaque jour.

La vague de tweets qui donnent l'impression que des choses significatives peuvent être dites en 140 caractères n'est pas toujours utile non plus. Il y a certainement quelque chose à dire pour essayer de distiller la compréhension dans un texte court - c'est difficile et peut tester à quel point nous comprenons vraiment. Cependant, croire qu'un tweet peut être toute l'histoire en soi est erroné. La connaissance et la sagesse doivent être travaillées, en questionnant, analysant, agrégeant et synthétisant pour atteindre nos propres croyances fondées sur des preuves sur ce que nous savons et ce que nous comprenons. Le tweet de quelqu'un d'autre peut lancer ce processus, mais nous devons le terminer nous-mêmes.

Ai peut nous aider à faire le travail ici. L'IA peut analyser et visualiser des données et des informations complexes afin de nous aider littéralement à voir le « bois des arbres ». L'IA peut être conçue pour modéliser la compréhension humaine et justifier les décisions et les prédictions qu'elle prend. L'IA peut nous expliquer comment mener à bien des activités complexes, telles que la résolution d'équations mathématiques ou la gestion d'une centrale électrique complexe. MAIS l'intelligence artificielle et l'intelligence humaine doivent travailler ensemble pour aider les gens à extraire la vérité des mensonges. En tant qu'êtres humains, nous devons nous assurer que nous en savons suffisamment sur ce que l'IA est capable de faire pour nous assurer de poser les bonnes questions. Nous devons apprendre à faire preuve de discernement pour défier l'IA lorsque nous ne sommes pas convaincus par ce qu'elle nous dit.

Cela signifie qu'aujourd'hui plus que jamais nous devons éduquer les éducateurs. Parce que les éducateurs doivent inculquer en nous, les gens, les compétences d'enquête dont nous avons besoin pour poser les bonnes questions afin que nous puissions différencier les preuves du mensonge. Les éducateurs doivent encourager la confiance et l'auto-efficacité en nous qui nous aideront à croire nos propres esprits. Les éducateurs doivent engendrer la prise de perspective et la pensée intégrative qui nous permettront de travailler ensemble pour résoudre des problèmes et de développer les penseurs influents dont nous avons plus que jamais besoin pour nous éclairer.


Très informatique

J'expérimente actuellement un apprentissage par renforcement (RL)
techniques pour un petit robot mobile se déplaçant dans un
environnement. Mon objectif est que le bot se déplace joyeusement,
ne pas se heurter à des obstacles, tout en naviguant vers un but.

Afin d'améliorer les performances du robot (en évitant les obstacles
et progresser vers un objectif) J'aimerais pouvoir
faire en sorte que le système d'apprentissage par renforcement essaie de prédire l'avenir
résultat d'une action - en termes de renforcement total reçu
sur un certain nombre de pas de temps futurs - puis incorporer ce
prédiction dans son processus de prise de décision.

Idéalement, j'aimerais que l'apprentissage du système de prédiction soit
continu. Je veux éviter d'avoir à stocker l'état/le renforcement
du système sur le nombre de pas de temps de prédiction requis
(afin de calculer rétrospectivement l'erreur de prédiction) si possible.

Il y a aussi le problème de savoir jusqu'où le système doit tenter
prédire. Je soupçonne qu'une bonne stratégie pourrait être d'avoir ce
« fenêtre de temps » adaptable, de sorte que, dans certaines circonstances, le « bot
peut vouloir seulement estimer quelques pas en avant alors que dans d'autres un
une vision à plus long terme pourrait être bénéfique.

Je ne travaille qu'avec des simulations pour le moment, mais j'aimerais
transférer le système RL à un robot mobile à un stade ultérieur.

Je serais reconnaissant d'avoir des nouvelles de toute personne qui a de l'expérience
avec ce type de future technique de prédiction/modélisation RL, ou pourrait
peut-être m'indiquer quelques références intéressantes.

___________________________________________________________________________ _
Bob Mottram "Les robots peuvent se déplacer soudainement et sans avertissement"

Apprentissage par renforcement - prédire le renforcement

par Magnus Sandber » sam. 23 sept. 1995 04:00:00

>J'expérimente actuellement un apprentissage par renforcement (RL)
>techniques pour un petit robot mobile se déplaçant dans un
>environnement. Mon objectif est que le bot se déplace joyeusement,
>ne pas se heurter à des obstacles, tout en naviguant vers un but.

>Afin d'améliorer les performances du robot (en évitant les obstacles
>et progresser vers un objectif) J'aimerais pouvoir
&glaissez le système d'apprentissage par renforcement essayer de prédire l'avenir
&grésultat d'une action - en termes de renforcement total reçu
>sur un certain nombre de pas de temps futurs - puis incorporer ceci
>prédiction dans son processus de prise de décision.

Citation : >Idéalement, j'aimerais que l'apprentissage du système de prédiction soit
>continu. Je veux éviter d'avoir à stocker l'état/le renforcement
>du système sur le nombre de pas de temps de prédiction requis
>(afin de calculer rétrospectivement l'erreur de prédiction) si possible.

J'espère que mon raisonnement est compréhensible. Et je serais ravi si quelqu'un pouvait
trouver un défaut parce que je n'aime pas les implications. Après tout, les humains
apprendre par renforcement, et bien que le cerveau puisse être beaucoup plus complexe et
mieux conçu dès le départ, le principe de base devrait toujours être le même.
Nous évaluons nos réussites et nos erreurs et en tirons des leçons, mais l'évaluation
processus peut également être modifié si nous constatons qu'il ne fournit pas ce qu'il
devrait. L'évaluation du processus d'évaluation est, bien entendu, aussi un
processus intelligent. À première vue, cela semble exiger une méta-intelligence
responsable de l'entraînement de notre esprit, et une méta-méta-intelligence pour entraîner le
méta-intelligence, etc. En réalité, il doit y avoir une sorte d'effet d'amorçage
en ce que tout renforce tout. Mais exactement comment cela fonctionne et
s'il peut être copié dans des scénarios d'IA plus modestes est un grand point d'interrogation pour
moi. Peut-être que cela nécessite un niveau d'intelligence important pour commencer.
Il y a, après tout, beaucoup de travail derrière le cerveau d'un nouveau-né.

Pour le moment j'ai renoncé à trouver une méthode du genre que tu demandes
pour. Mon approche actuelle est de concevoir un système d'apprentissage qui peut être formé
avec retard sans trop de surcharge.

Citation : >Je serais reconnaissant d'avoir des nouvelles de toute personne ayant de l'expérience
>avec ce type de future technique RL de prédiction/modélisation, ou pourrait
>peut-être m'indiquer quelques références intéressantes.

Apprentissage par renforcement - prédire le renforcement

par Chris Connol » mar. 26 sept. 1995 04:00:00

>J'expérimente actuellement un apprentissage par renforcement (RL)
>techniques pour un petit robot mobile se déplaçant dans un
>environnement. Mon objectif est que le bot se déplace joyeusement,
>ne pas se heurter à des obstacles, tout en naviguant vers un but.

Citation : >Il vous manque une pièce du puzzle. Il y a tout un putain de merde
>rezone de recherche dans les "critiques adaptatifs" qui traite exactement de ce
>problème. Essayez de rechercher n'importe quoi d'Andy Barto, Richard Sutton ou
>Paul Werbos. Ou prenez n'importe quelle procédure NIPS récente.

o Peter Doyle et J. Laurie Snell (1984), "Random Walks and Electric
Réseaux", American Mathematical Society Carus Monographies dans
Mathématiques. (TRES clair, bonne lecture)

o Kemeny, Snell et Knapp (1976) "Chaînes de Markov dénombrables",
v. 40, Textes d'études supérieures en mathématiques, Springer-Verlag.

De plus, le doctorat de Jonathon Bachrach. thèse de l'UMass (CS Dept. Technical

avec l'utilisation de RL pour la navigation des robots - une partie de cela est également apparue
dans NIPS 2 (Mozer et Bachrach ?) et 3.

Pour une approche du point de vue des potentiels harmoniques, il existe
quelques articles que vous pouvez trouver dans le laboratoire de robotique UMass :

En particulier, ce qui suit essaie d'établir quelques connexions :

o C. I. Connolly (1994), Fonctions harmoniques et collision
Probabilités, IEEE Conf. sur la robotique et l'automatisation, pp 3015.

Téléphone international SRI : (415) 859-5022
333, avenue Ravenswood Télécopieur : (415) 859-3735
Menlo Park, Californie 94025 WWW : http://www.ai.sri.com/

Téléphone international SRI : (415) 859-5022
333, avenue Ravenswood Télécopieur : (415) 859-3735
Menlo Park, Californie 94025 WWW : http://www.ai.sri.com/

Apprentissage par renforcement - prédire le renforcement

par Shez » ven. 29 sept. 1995 04:00:00

>. humains
&gapprendre par renforcement, et bien que le cerveau puisse être beaucoup plus complexe et
>mieux conçu dès le départ, le principe de base devrait toujours être le même.
>Nous évaluons nos réussites et nos erreurs et en tirons des leçons, mais l'évaluation
>process peut également être modifié si nous constatons qu'il ne fournit pas ce qu'il
>devrait. L'évaluation du processus d'évaluation est, bien entendu, aussi un
&gprocessus intelligent. À première vue, cela semble exiger une méta-intelligence
&gresponsable de l'entraînement de notre esprit, et une méta-méta-intelligence pour entraîner le
>méta-intelligence etc.
> .

Concernant l'évaluation des processus d'évaluation (conscients) de haut niveau, où
ils sont incapables de s'évaluer, je pense que nous avons tendance à rester coincés - d'où
l'invention du thérapeute. :-)

De toute évidence, il existe de nombreux domaines où nos mécanismes d'apprentissage sont
un succès phénoménal, par exemple. pouvoir voir les choses, acquérir le langage,
etc., mais comme vous le notez vous-même, ce sont généralement des domaines où nous sommes nés avec
beaucoup de code d'amorçage. Au fur et à mesure que nous montons les niveaux de pensée, les choses deviennent
de plus en plus tremblant. Vous mentionnez les méta & méta-méta-intelligences : pour cela
nous avons tendance à compter beaucoup sur l'interaction avec des agents intelligents externes
- les parents et les enseignants !

L'équivalent du parent, de l'enseignant et, plus particulièrement, du thérapeute
dans AI est bien sûr le programmeur. Et il est peut-être pertinent de noter ici
que certains thérapeutes de la vie réelle assez réussis* ont décidé d'appeler leur
activités 'programmation neuro-linguistique' (PNL). Leur travail a été fait
entièrement à un niveau méta - ils aident les gens à générer de nouvelles stratégies pour
résoudre leurs problèmes, souvent sans rien savoir du tout
la nature du problème que la personne a. *[R.Bandler & J.Grinder]

Une chose intéressante que les inventeurs de la PNL ont remarquée est qu'il y a
beaucoup de gens qui non seulement savent qu'ils ne font pas quelque chose
bien, mais qui savent aussi exactement ce qu'ils font de mal et pourquoi. Encore
malgré ces connaissances, ils sont souvent incapables de réviser leur
comportement sans aide extérieure.

Considérez par exemple quelqu'un avec une phobie (que ce soit des araignées, des espaces clos,
peu importe). Ici, ils ont appris une réponse inappropriée à un stimulus,
et bien qu'ils soient pleinement conscients du problème et du comportement qui serait
plus appropriés, ils ont besoin d'un encadrement particulier pour mettre en œuvre les changements requis.

Nous pourrions comparer cela à un robot qui continue de frapper contre un particulier
obstacle en forme, et bien qu'il apprenne à reconnaître cet obstacle, est incapable
pour générer la séquence de mouvements nécessaires pour en faire le tour.
Bien que nous espérions qu'il évalue l'échec de sa stratégie et
apprendre une autre façon d'aborder le problème, nous ne pouvons pas nécessairement tenir les humains
comme preuve que de tels mécanismes sont possibles.

Incidemment, les gens ne devraient pas être induits en erreur, par la thérapie/la santé mentale
exemples, en pensant qu'il s'agit d'un type particulier de problème d'apprentissage.
Les commentaires ci-dessus s'appliquent aussi bien à pratiquement toutes les situations où un
l'échec à apprendre se produit, par exemple. dans les matières scolaires. Les gens pensent souvent que
une facette de la cognition qu'ils ont rencontrée ne s'applique qu'à l'étroit
zone où ils l'ont trouvé, mais d'après mon expérience, les procédures cognitives sont
étonnamment généralisable.

[Avertissement - GA & NN ne sont pas mon domaine. Je suis un scientifique cognitif.]

Apprentissage par renforcement - prédire le renforcement

par Steve Bu » dim, 01 oct. 1995 04:00:00

>>J'expérimente actuellement un apprentissage par renforcement (RL)
>>techniques pour un petit robot mobile se déplaçant dans un
>>environnement. Mon objectif est que le bot se déplace joyeusement,
>>ne pas heurter d'obstacles, tout en naviguant vers un but.

Citation : >>Idéalement, j'aimerais que l'apprentissage du système de prédiction soit
>>continu. Je veux éviter d'avoir à stocker l'état/le renforcement
>>du système sur le nombre de pas de temps de prédiction requis
>>(afin de calculer rétrospectivement l'erreur de prédiction) si possible.
>Je ne sais pas si cela peut être fait. Afin de faire une prédiction décente de la
>l'avenir sans rien connaître d'autre que l'état actuel et le succès passé de
>le robot, le système d'évaluation devrait être beaucoup plus intelligent que le
>processus de prise de décision lui-même. Aucune fonction/extrapolation simple ne ferait l'affaire. Donc
>let concevons un autre système d'apprentissage dont la tâche est de déterminer (sans délai)
>le succès de chacun des mouvements du robot. Disons que nous choisissons une sorte de neurone
>réseau. Ensuite, le réseau aussi doit être formé, mais il ne peut pas être formé
>continuellement (car cela nécessiterait de savoir immédiatement dans quelle mesure le
>Le dernier mouvement a été, ce que nous recherchons, afin d'évaluer le
les performances de >net). On choisit donc d'entraîner le réseau avec un retard de dix
>(dire) étapes. Connaître les états du robot entre les étapes [t,t+10] nous permettra
>faire une évaluation décente du mouvement du robot à l'étape t et ainsi nous permettre de
>évaluer la sortie du réseau à l'étape t. Mais pour ce faire, nous devons avoir
>sauvegardé l'état complet du réseau à l'étape t, et donc rien n'est gagné.

Un bébé humain est livré avec certaines routines « brûlées » (« enracinement » pour un
* et l'allaitement, est un exemple de ce qui constitue une
comportement, cligner des yeux est un exemple de réflexe assez simple et
la digestion est un exemple de réaction biochimique. Avec en plus
d'un plutôt "blank" mais potentiellement utile (BEAUCOUP de potentiel
connexions) réseau de neurones, nous avons un bébé car il vient "du
fabricant"

Ce bébé sera bientôt capable de prendre des décisions savantes qui impliquent
un très petit nombre d'étapes. Exemple : Si j'ai besoin/je veux quelque chose et si
Je fais un grand bruit de pleurs, mes parents apparaîtront, devinez ce que je
besoin/voulez et donnez-le moi. Décisions apprises qui nécessitent de nombreuses étapes
ou les concepts abstraits sont au-delà du bébé à ce stade, peu importe comment
ils pourraient être bénéfiques pour le bébé. Exemple : si je prends l'argent
papi et papi envoyé quand je suis né et l'investir dans une mutuelle
fonds qui achète des actions de haute technologie, je n'aurai pas besoin de me soucier de la nourriture quand je
se retirer. Ce type de comportement ne se manifeste que lorsque l'organisme
mûrit (si jamais).

Désolé c'est si long, mais voici où je veux en venir.

Les petits robots, à leurs débuts, pourraient utiliser une structure similaire :

Un système électrochimique - ils n'ont pas besoin de "savoir" comment obtenir
l'électricité de leurs batteries et l'utiliser, ça arrive.

Réflexes simples - cligner des yeux, reculer devant les dangers, etc.

comportements simples qui assurent la survie - faim/nourriture : comment j'ai "faim"
JE? quelle est la route la plus directe vers la source de nourriture la plus proche ? je dois
aller à la source de nourriture la plus proche pendant que j'ai encore assez d'énergie. Cette
pourrait être codé en ROM et utiliser ou non un processeur dédié (un
tâche subconsciente/de fond si vous voulez)

Un réseau de neurones, éventuellement semé d'actions simples - obstacle
comportements : le contourner, le pousser, le ramasser, le parcourir. À ceci
point, le nombre d'étapes entre l'action et l'évaluation de la
La "bonté" de l'action doit être très petite, 1-2 étapes. Comme le robot
devient plus compétent, il pourrait essayer de combiner des actions et de prendre
plus d'étapes pour évaluer "goodness". Exemple d'étape intermédiaire -
ramasser l'objet A, le placer à côté de l'objet B comme rampe, monter la rampe,
vérifier le haut de l'objet B. Exemple d'étape avancée : pousser
objet B à côté d'un objet beaucoup plus grand que vous ne pouvez pas pousser (une table ou
compteur) ramasser l'objet A, construire une rampe, monter sur l'objet B, ramasser
en haut A, construis une rampe, monte sur le comptoir, trouve une nouvelle source de nourriture
(prise de courant)

J'espère que cela avait du sens. Je ne suis qu'un profane doté d'un accès Internet
donc si j'ai abusé de certains termes, veuillez me pardonner. je vais y retourner
qui se cache maintenant

Apprentissage par renforcement - prédire le renforcement

par Marty Stonem » lun., 02 oct. 1995 04:00:00

[La plupart des articles de Shez ont été coupés]

: Les commentaires ci-dessus s'appliquent aussi bien à pratiquement toutes les situations où un
: l'échec d'apprentissage se produit, par ex. dans les matières scolaires. Les gens pensent souvent que
: certaines facettes de la cognition qu'ils ont rencontrées ne s'appliquent qu'à l'étroit
: zone où ils l'ont trouvé, mais d'après mon expérience, les procédures cognitives sont
: étonnamment généralisable.

Je ne vois pas quelles procédures sont généralisables, par exemple, pour apprendre en
école parmi les suivantes :
1. apprendre à pratiquer un sport, par exemple le baseball
2. apprendre à citer un sonnet de Shakespeare
3. apprendre à faire la différence entre les espèces d'oiseaux
4. apprendre à éviter de se cogner l'orteil sur les pieds de votre bureau.
5. apprendre à faire des calculs
etc.

J'apprécierais un indice.
Merci.

Apprentissage par renforcement - prédire le renforcement

par Michel Vert » Mar, 03 Oct 1995 04:00:00

>Je ne vois pas quelles procédures sont généralisables, par exemple, pour l'apprentissage en
>school parmi les suivants :
>1. apprendre à pratiquer un sport, par exemple le baseball
>2. apprendre à citer un sonnet de Shakespeare
>3. apprendre à faire la différence entre les espèces d'oiseaux
>4. apprendre à éviter de se cogner l'orteil sur les pieds de votre bureau.
>5. apprendre à faire des calculs
> etc.

* un peu d'observation ou de réflexion,
* tenter la tâche
* examiner où vous vous êtes trompé
* compenser l'erreur
* Répétez si nécessaire.

Les 5 tâches que vous avez citées nécessitent toutes ces étapes. Apprentissage
*n'importe quoi* exerce ces fonctions et renforce la capacité du cerveau
pour apprendre autre chose. Le professeur de 2e année de mon fils avait les enfants
mémoriser beaucoup de poésie principalement pour exercer leur mémoire.

Apprentissage par renforcement - prédire le renforcement

par Shez » mer., 04 oct. 1995 04:00:00

> Shez (S. @sv.span.com) a écrit :
> : . Les gens pensent souvent qu'une facette de la cognition est venue
> : à travers s'applique uniquement à la zone étroite où ils l'ont trouvé, mais dans mon
> : les procédures cognitives de l'expérience sont étonnamment généralisables.

> Je ne vois pas quelles procédures sont généralisables, par exemple, pour apprendre en
> école parmi les suivantes :
> 1. apprendre à pratiquer un sport, par exemple le baseball
> 2. apprendre à citer un sonnet de Shakespeare
> 3. apprendre à faire la différence entre les espèces d'oiseaux
> 4. apprendre à éviter de se cogner l'orteil sur les pieds de votre bureau.
> 5. apprendre à faire des calculs

Une chose que j'avais particulièrement à l'esprit était la théorie de Kuhn selon laquelle la connaissance
l'acquisition (en d'autres termes, l'apprentissage) progresse souvent en « révolutionnaire »
changements de paradigme.

Il croyait qu'elle ne s'appliquait qu'à la connaissance scientifique, alors que je pense qu'elle
s'applique à toutes les connaissances, y compris la perception. Son livre a un exemple
qui prétend montrer que les changements de paradigme perceptuel sont réversibles tandis que
les scientifiques ne le sont pas, mais son exemple est erroné. (je ne suis pas à la hauteur
date sur la littérature, il est donc probable que d'autres l'ont dit aussi maintenant
(Je l'ai remarqué pour la première fois en 1987)).

On pourrait donc dire que quelque chose que presque tous les processus d'apprentissage ont en commun
est la formation et le test d'hypothèses successives sur les données. Sous
bonnes conditions où les données sont de haute qualité et contiennent peu de
roman, nous n'aurons peut-être qu'une seule hypothèse à formuler. Caractérisation de Newton
de l'univers a servi pendant des centaines d'années. En revanche, en essayant de
reconnaître une forme dans une pièce sombre notre hypothèse initiale pourrait durer
moins d'une seconde avant de changer d'avis et de décider que c'est
autre chose.

Mais dans chaque cas, le processus implique la formation d'un modèle qui semble correspondre
les données, puis à mesure que des données supplémentaires s'accumulent qui ne peuvent pas être adaptées à
le modèle d'origine, nous ignorons d'abord l'écart en tant que bruit, puis reconnaissons
que quelque chose ne va pas, mais restez avec, puis construisez de nouveaux modèles, et quand
l'un offre un meilleur ajustement un changement de paradigme se produit lorsque nous rejetons l'ancien
et utilisez le nouveau.

Ce qui est frappant ici, c'est qu'un modèle de processus unique sert à la fois quelque chose
qui arrive pour une personne à la fois, et quelque chose qui arrive socialement
pour une communauté composée de générations successives de personnes. Pour moi ça
constitue une généralisation surprenante. (Eh bien c'était une découverte passionnante
pour moi!)

Cependant, essayons de trouver quelques processus que votre liste de tâches a dans
commun. (Je m'attends à ce que d'autres s'y adonnent aussi - c'est un intéressant
défi!)

En regardant la liste, certaines similitudes évidentes viennent à l'esprit entre 1 et
4 (coordination physique), également entre 2,3,5 (un degré d'apprentissage par cœur),
et surtout entre 3 & 5 (classement) mais je me doute que ce n'est pas ça
qui vous intéresse. (Je note également que le point 1 comprend en fait au moins
deux tâches d'apprentissage distinctes - apprendre les habiletés physiques et apprendre les
Règles du jeu.)

Mais essayons de trouver un processus que les cinq ont en commun. Le plus
tâche de base semble être le sonnet, qui consiste à apprendre une séquence
de mots. Si toutes les tâches ont réellement quelque chose en commun, nous pourrions
attendez-vous à ce qu'il soit plus facilement identifiable ici.

L'approche générale de construction d'hypothèses déjà décrite presque certainement
s'applique. En apprenant une liste de mots, nous les associons d'une manière ou d'une autre.
C'est plus facile si les mots ont un sens, car on nous offre une
superstructure identifiable qui sert à coller la séquence de mots
ensemble en mémoire. (Dans ce contexte, je veux dire "facile" dans le sens où nous
ont déjà la capacité de donner un sens aux phrases). En revanche, l'apprentissage
une séquence arbitraire de mots nous oblige à inventer une structure de liaison -
Je suis sûr que nous connaissons tous les astuces de mémorisation utilisées dans
tels cas, comme attacher les mots à une structure significative de
l'imagerie, ou trouver des relations sémantiques ou phonétiques entre les mots,
etc etc. (Les ordinateurs ont évidemment un énorme avantage pour nous ici car ils
sont spécifiquement conçus pour stocker et traiter directement des matériaux séquentiels).

Lors de l'apprentissage d'un sonnet, nous formons une structure sémantique inconsciente à partir de
dont nous pouvons " relire" les mots. La répétition permet d'affiner cela
jusqu'à ce qu'il ait une forme adaptée au rappel précis des mots exacts ainsi que
le sens. En effet, l'inconvénient de l'apprentissage par cœur est que les structures
nous formons ont tendance à être conçus pour rappeler les mots au détriment d'une précision
saisir le sens.

Il est peu probable qu'il y ait un changement radical de paradigme dans l'apprentissage d'un sonnet,
mais la structure subira certainement de nombreuses révisions avant de devenir
mot parfait. C'est une observation banale qu'en apprenant leurs lignes
les acteurs ont souvent un blocage mental sur des phrases spécifiques et je pense que nous avons
tous ont vu ces extraits à la télévision où ils se trompent plusieurs fois de phrase
dans une rangée. Chaque répétition de l'erreur la renforce. Le surmonter peut être
fait être de créer un nouveau fragment de la structure associative, en le liant dans
au point approprié, et en détachant le fragment erroné. (Le final
stade a tendance à se produire spontanément par un renforcement préférentiel de
la forme correcte.) C'est exactement ainsi que les phobies sont guéries en PNL. Le principal
différence dans quelque chose comme apprendre un sonnet est que la révision de la
la structure cognitive a tendance à s'embrouiller à un niveau subconscient,
bien qu'il n'y ait aucune raison pour laquelle nous ne devrions pas examiner consciemment ces
phrases que nous avons du mal à apprendre et à découvrir un nouveau sens à partir de
lesquels les mots corrects peuvent être extraits plus facilement.

A ce stade, je suis tenté de laisser l'application du mécanisme d'apprentissage ci-dessus
aux quatre autres tâches comme exercice pour le lecteur, car cette publication est
déjà deux pages ! Certes je ne ressens pas le besoin de le démontrer
s'applique à la reconnaissance d'une espèce d'oiseau ou à l'équation différentielle. Les
l'apprentissage des habiletés physiques vaut cependant un bref coup d'œil. Si vous écrasez votre
beaucoup d'orteils, votre image mentale de la taille de votre pied et/ou de la quantité de
le mouvement physique résultant d'une instruction donnée à vos muscles est
évidemment une sous-estimation et doit être révisé à la hausse. Soit ça, soit ton
modèle mental de la position des jambes de votre bureau est faux, ou peut-être vous
avez développé une mauvaise habitude de trop balancer vos jambes lorsque vous êtes assis,
une habitude vraisemblablement formée en étant assis à un autre bureau. Dans tous ces
cas que nous serions normalement en train de résoudre et de surmonter le problème, mais encore une fois
nous pouvons le modéliser explicitement.

Il existe de nombreuses façons de cesser de nous cogner les orteils sur notre bureau, pas
ce qui pourrait nécessairement être décrit comme "learning". Par exemple, si
cela vient d'une mauvaise habitude de balancer ses jambes en étant assis au bureau,
il peut s'agir d'un réflexe conditionné qui disparaît car le déclenchement
le stimulus est supprimé ou nous prenons l'habitude de travailler au lieu de regarder
par la fenêtre pendant les cours. (Dans un tel cas aucun lien avec l'apprentissage d'un sonnet
vient à l'esprit.)

Si nous parlons de les écraser en marchant, nous pourrions
y remédier en accordant plus d'attention à nos pieds jusqu'à ce que le problème disparaisse.
Cela pourrait impliquer un mécanisme similaire à l'exemple du sonnet : nous formons un nouveau
et un fragment plus précis du modèle mental que nous avons pour la taille de notre corps
et la position et comment il se déplace, et après s'en être occupé consciemment pendant un
tandis que le fragment s'incorpore dans notre modèle de corps inconscient.

Je ne vois aucune raison pour que ces mécanismes soient le seul moyen possible de
apprendre quelque chose, mais ils sont *un* chemin. Revenir à l'annonce d'origine
auquel j'ai répondu, la question était l'évaluation d'un mécanisme d'apprentissage
en vue de l'améliorer en cas d'échec. Il me semble que le
la procédure au niveau méta est similaire à celle des exemples d'apprentissage
donné ici - quand une chose ne fonctionne pas, essayez quelque chose de différent ! Les
manière de produire des permuations ou des modèles alternatifs dépendra de la
tâche, mais cela ne veut pas dire que le processus est nécessairement différent,
c'est juste que les types de données manipulés ont des modalités différentes.

On pourrait faire un parallèle avec la programmation orientée objet. Différents types
d'Objet nécessitent leurs propres implémentations des Méthodes utilisées pour manipuler
eux, mais les noms de méthode et les arguments restent souvent les mêmes, et un appel
le programme n'a pas besoin de savoir quoi que ce soit sur la différence entre, par exemple, l'affichage
méthode pour un objet vidéo et la méthode d'affichage pour un objet texte, mais peut
manipuler les deux objets en utilisant le même algorithme. De même en cognition, nous
pas besoin de repartir de zéro pour aborder un nouveau domaine, à condition bien sûr
que nos algorithmes sont abstraits à des niveaux appropriés et nous n'avons pas
tâches de haut niveau mélangées parmi la mise en œuvre de routines de bas niveau
qui ne s'appliquent qu'à un seul domaine.

C'est bien sûr un inconvénient majeur des réseaux de neurones, où le modèle n'est pas
explicite. À moins de diviser le problème en plusieurs niveaux avant
le présentant, il est peu probable que la solution net soit utile à un autre
problème. Pour ma part, je trouve les réseaux neuronaux d'un intérêt limité, comme s'ils
peuvent résoudre des problèmes et montrer comment notre intelligence peut être mise en œuvre, ils
éclairent peu ou pas du tout les domaines problématiques eux-mêmes, nous ne sommes donc pas
le plus sage quant à l'applicabilité d'une solution particulière de réseau neuronal à
un autre domaine problématique. (Je ne suis pas un expert des réseaux de neurones, mais il semble
moi que cela est inhérent à leur nature - commentaires s'il vous plaît !)

Bref, c'est tout ce que j'ai le temps d'écrire aujourd'hui ! Je suis heureux de discuter de tout
de ces problèmes, d'autant plus que je viens de retrouver mes marques dans
science après plusieurs années d'avoir.


Perspective des systèmes

Seed Knowledge &mdash L'échafaudage des systèmes

Nos modèles de fonctionnement du monde, des autres et de nous-mêmes sont basés sur une intuition intrinsèque du fonctionnement des systèmes en général. En effet, toute notre base de connaissances est organisée autour de la systématisation. Et lorsque nous apprenons, nous incorporons nos perceptions dans un cadre systémique parce que c'est ainsi que notre cerveau est câblé.

Nos esprits recherchent naturellement des choses comme les limites, la plénitude (Gestalt), les relations de cause à effet et une myriade de caractéristiques de la systématisation. Nous essayons automatiquement de trouver des modèles dans les données bruitées et de catégoriser les modèles dans des structures hiérarchiques. Notre cerveau traite les perceptions entrantes afin de voir la nature systémique de la nature. Nous n'y pouvons rien.

Ce n'est pas surprenant puisque grâce à la science, qui se veut objective, nous avons découvert que le monde, l'univers, est bien composé de systèmes et de systèmes de systèmes. Nous trouvons des relations causales entre les composants du système partout où nous regardons. En fait, la motivation derrière l'approche scientifique de la connaissance est que lorsque nous trouvons des phénomènes qui n'ont pas été catégorisés auparavant, pour lesquels un modèle d'organisation et des relations causales n'ont pas été identifiés, alors nous sommes essentiellement obligés de rechercher ces choses. C'est comme si l'évolution nous prédisposait à voir la systématisation parce que partout il y a des systèmes. Nous sommes des systèmes. Et nous sommes des sous-systèmes de méta-systèmes plus vastes.

Cette propension à voir la systématisation, ou à la découvrir si nous ne la voyons pas immédiatement, est un principe d'organisation fondamental que notre cerveau est contraint d'utiliser pour en savoir plus sur le monde. Le système générique est une sorte de structure germe sur laquelle nous plaçons les perceptions afin d'avoir un moyen d'organiser nos connaissances.

Chaque construction de connaissances nécessite une sorte de modèle sur lequel organiser de nouvelles connaissances. L'esprit n'est pas une ardoise vierge (Pinker, 2002). Le cerveau lui-même est organisé de telle manière que nous commençons notre construction de connaissances à l'aide de biais intégrés pour les perceptions clés et l'organisation de celles-ci dans des structures conceptuelles précoces, comme la catégorisation et les hiérarchies de types. Ainsi, à mesure que nous grandissons et développons nos modèles du monde et de nous-mêmes, nous commençons avec une base de systématisation générique et un échafaudage qui fournit une forme de base à la façon dont nous comprenons le monde. Littéralement, nous ne pouvons pas le voir autrement. À cette structure, nous commençons à mettre nos expériences en place. Il s'agit probablement plus de bousculer les morceaux jusqu'à ce qu'ils « rentrent » dans l'échafaudage et parmi d'autres morceaux déjà intégrés. C'est un processus stochastique. Certains morceaux ne rentrent nulle part dans l'édifice et sont donc abandonnés même s'ils devraient légitimement faire partie de la base de connaissances. Heureusement, ces bits sont susceptibles d'être rencontrés à nouveau plus tard, ils ont donc plus d'une occasion d'être incorporés.

Le fait est que les connaissances sont construites sur des connaissances existantes antérieures et que les connaissances initiales ultimes sont fournies par l'évolution sous la forme d'une capacité à modéliser les systèmes.

Dans la prochaine partie, je fournirai quelques idées sur la façon dont le cerveau accomplit réellement cet exploit. Pour l'instant, tout ce que vous devez reconnaître, c'est que le système générique peut être représenté comme un réseau ou, en mathématiques, un graphe de flux. La figure 1, ci-dessus, est un tel réseau et elle représente le système que j'ai décrit en mots. La ligne pointillée circonscrivant la sapience délimite le système d'intérêt et les autres entités fournissent des entrées et prennent des sorties de ce système. La figure 5 montre un système générique avec les types de composants attendus. Le système d'intérêt a une frontière quelconque, il a des sous-systèmes composants entre lesquels des flux et des associations se produisent dans un réseau interne (non représenté). Il reçoit des apports d'énergie, de matériaux et de messages provenant de sources environnementales et produit des sorties de types similaires qui s'écoulent vers les puits environnementaux. Les flèches de et vers les entités environnementales peuvent également être des liens réciproques avec des entités plutôt que des flux explicites. Cette représentation est simple à des fins de démonstration.

Figure 5. Un système générique possède toutes les caractéristiques/attributs d'un système de base sous une forme généralisée. Les réseaux de neurones peuvent coder les différents éléments et leurs interactions génériques. Le cerveau humain a la capacité de faire des copies de ce modèle générique, puis d'apprendre les caractéristiques particulières de chaque type de composant.

Un système générique est codé dans le cerveau comme modèle pour l'apprentissage de tous les systèmes/objets réels que le cerveau rencontrera à l'avenir. L'apprentissage des systèmes implique de faire une copie du modèle générique quelque part dans le cortex (probablement dans les zones frontales-pariétales), puis de commencer à lier des caractéristiques perceptives et conceptuelles spécifiques à la copie au fur et à mesure qu'elle se particularise au système réel appris. Dans la partie 4, je reviendrai sur cela en termes de circuits neuronaux plausibles. Le point ici est que notre cerveau est câblé pour rechercher des sous-systèmes, des limites et des connexions, etc. alors que nous construisons un plus grand réseau de détails. La figure 6 est destinée à en saisir une partie. En commençant par une copie de modèle fixe, le cerveau apprend les particularités d'un système en identifiant les caractéristiques et les attributs qui devraient être attachés au modèle du système réel tout en développant et en modifiant certains détails. Par exemple, le système réel en cours de modélisation aura beaucoup plus de sous-systèmes de composants avec des liens particuliers. Des caractéristiques, telles que la nature de la frontière, peuvent également être modifiées.

Figure 6. Un système (réel) particulier est appris en attachant des caractéristiques perceptives et conceptuelles à la copie du modèle et en l'étendant si nécessaire, par ex. du nombre de sous-systèmes et de leurs liens. C'est la base pour que les humains apprennent ce qu'il y a dans le monde et comment les choses et le monde fonctionnent.

Puisque les systèmes sont des sous-systèmes de méta-systèmes plus grands et sont eux-mêmes composés de sous-systèmes, cette procédure de copie-modification fonctionne à la fois dans le sens du plus grand et du plus petit. Le cerveau peut construire un modèle du méta-système en commençant par un sous-système déjà construit (maintenant traité comme un composant) et en le situant dans le système plus large. A noter que les entités identifiées comme sources et puits peuvent désormais être modélisées à part entière et leurs liaisons constituent le modèle le plus complet du méta-système.

Travailler à partir de systèmes plus petits vers de plus grands méta-systèmes est un processus de synthèse/intégration. Travailler à partir d'un système vers l'intérieur pour modéliser les sous-systèmes composants en tant que systèmes à part entière est une réduction analytique. Le cerveau travaille automatiquement à faire les deux. Le premier est motivé par un besoin de comprendre le contexte d'un système particulier et conduit à une compréhension d'un monde plus vaste. Cette dernière est motivée par le besoin de comprendre le fonctionnement d'un système particulier. Ces deux processus visent à fournir au cerveau une base pour anticiper le comportement futur des systèmes qu'il observe (voir ci-dessous).

Réflexion sur les systèmes intelligents

Comme indiqué ci-dessus, l'une des caractéristiques du jugement est de guider ce qui doit être appris. Nous pouvons maintenant voir que le biais des systèmes fait partie de la base de cela. Au fur et à mesure que nos modèles internes de systèmes mondiaux s'améliorent avec le temps et l'expérience, notre jugement qui en découle peut mieux guider la machinerie du renseignement pour s'occuper des perceptions qui aident à améliorer les modèles des systèmes. C'est un jugement de bas niveau au travail, le genre que nos ancêtres biologiques avaient évolué. Ce qui rend la pensée systémique intelligente et le jugement ainsi éclairé, c'est le rôle de la pensée stratégique (planification à long terme, voir ci-dessous), de la réflexion consciente sur les connaissances en cours de construction et de la modification des connaissances au besoin (y compris la modification des plans d'acquisition de connaissances à l'avenir) . De tels jugements orientent les systèmes à apprendre.

C'est un vaste sujet, bien sûr, et aura besoin de beaucoup d'explications, au-delà de la portée de ce travail. Une façon succincte de voir cela est que la sapience étend le rôle du jugement dans l'orientation de l'apprentissage futur et affine la nature systémique de ce qui est pris en charge dans ce futur temps. Comme indiqué ci-dessus, les pulsions qui produisent l'apprentissage de systèmes particuliers nous amènent à explorer à la fois vers l'intérieur (analyse réductionniste) et vers l'extérieur (synthèse et intégration). L'esprit le plus sage s'intéresse également aux deux directions. Mais trop souvent, la plupart des humains se heurtent à des limites dans ce qu'ils sont capables de faire en termes d'élargissement de leurs modèles et de leur compréhension à la fois vers l'intérieur et vers l'extérieur. Il s'agit d'une question de portée liée au même problème que celui mentionné ci-dessus pour le jugement. La plupart des humains ont une curiosité limitée. Ils ne sont pas poussés au-delà d'un certain point, atteint environ l'âge mûr, je suppose. En tant qu'enfants, alors que le cerveau est encore en développement rapide, la curiosité dirigée vers l'apprentissage des moindres détails et les plus grandes relations est à son maximum. Il est difficile de dire avec certitude quand, dans la vie d'une personne, le désir de curiosité commence à diminuer. Il est difficile de dire pourquoi. On peut imaginer une limite de stockage, mais comme je l'ai soutenu, cela semble moins probable étant donné la façon dont le cerveau encode les systèmes en réutilisant des caractéristiques communes à de nombreux systèmes et en organisant simplement des liens appropriés (voir partie 4). Soit dit en passant, je postule que notre système éducatif moderne peut avoir beaucoup à voir avec l'amortissement de l'enthousiasme des enfants alors qu'il tente d'alimenter de force des connaissances, qui ne sont généralement pas de nature systémique, dans l'esprit des jeunes. Au moment où ils obtiennent leur diplôme d'études secondaires (s'ils obtiennent leur diplôme), on leur a dit, en tant de mots, que le monde contient de nombreux corps différents et disparates de connaissances et qu'ils doivent choisir un tel corps pour bien apprendre afin qu'ils puissent faire un bon travail sur le marché. Il est difficile d'imaginer comment ce message peut favoriser la curiosité et l'amour de l'apprentissage.

Mais je soupçonne également qu'un élan continu de curiosité tout au long de la vie dépend du niveau de sapience de l'individu. Une sapience plus faible s'accompagne d'une portée et d'une échelle de temps limitées pour la réflexion. Les gens apprennent exactement ce dont ils ont besoin pour se débrouiller dans le monde auquel ils sont habitués. Ils ne s'attendent pas, en général, à ce que le monde change beaucoup. Ils s'attendent à ce que toutes les tendances existantes se poursuivent dans le futur. Ainsi, à un moment donné, ils ne sont plus concernés par l'élargissement de leur champ d'application (apprentissage du méta-système encore plus vaste dans lequel ils sont intégrés) et ils se sentent compétents en sachant "assez" sur les systèmes quotidiens avec lesquels ils traitent pour qu'ils n'aient pas besoin de savoir comment ils fonctionnent. à l'intérieur. Une sapience inférieure va de pair avec une vision limitée du monde.

La sapience implique la construction intentionnelle de modèles tels que l'on devient plus efficace dans la résolution de problèmes dans une portée toujours plus large à mesure que l'expérience grandit. L'un des attributs d'une personne sage est de saisir les interconnexions entre les éléments d'un système complexe, en particulier une organisation sociale. L'application de la pensée systémique à de telles organisations augmente la probabilité de trouver des solutions qui fonctionneront. Et les sages semblent continuer à apprendre toute leur vie.


Mesurer la méta-intelligence - Psychologie

Dernière modification : 2014 avr.

Cela peut prendre toute une vie pour mieux expliquer et simplement en faire l'expérience. [btw: j'ai une expérience et une compréhension différentes de celle du Dr Dave]

. tu veux quelque chose à lire ? Eh bien, voilà. (nous devenons très philosophiques ici, remarquez) dans une vue très jaune [& au-delà]. J'espère que vous avez lu les pages précédentes.

Le 20ème siècle a été une période d'auto-examen pour l'humanité.

Katherine Benziger [et maintenant le 21, ndlr]

Maintenant si tu es départ votre voyage en tant que type ringard comme moi (un seul espace de tête qui PENSE qu'il sait tout -fais ce passé maintenant pour moi) - revenez dans quelques décennies - n'oubliez pas que vous fait lire sur ce genre de choses dans votre jeunesse. profitez et à plus tard après avoir trouvé vos sentiments - oh, jetez un coup d'œil avant de passer à autre chose. Pour le reste d'entre vous, lisez la suite et mâchez bien et digérez lentement pour une bonne santé.

Nous abordons maintenant une perspective très holistique. le paradigme vert a commencé cette partie du voyage vers le holisme le paradigme jaune est un autre grand pas en avant (désolé, je ne veux pas vous effrayer - mais c'est vraiment vraiment vaut la peine pour se rendre à).


Samedi 4 octobre 2008

De la méta capacité à la méta Intelligence

Une question : le jeu (ludique) est-il une manière d'être, et l'intelligence autre chose ?

Être Logique est une manière d'être et une intelligence. (ce sont les mêmes)
Être Musical, c'est "une manière d'être" et une intelligence. (ce sont les mêmes)
Être naturel est une manière d'être et une intelligence. (ce sont les mêmes)
Être Ludique est une manière d'être et une intelligence. (Ils sont une seule et même chose)

La clé de toute Intelligence est d'avoir la “abilité”. L'intelligence appelée “Logical” est basée sur une combinaison de plusieurs capacités sinon des dizaines. Qui se développe finalement, en jouant avec diverses capacités, (combinant diverses capacités) jusqu'à ce qu'elles fusionnent en une unité apparemment unique que nous appelons l'intelligence logique.

Grâce aux travaux de Howard Gardner et d'autres, la définition classique de l'Intelligence s'est maintenant libérée de sa prison restrictive. Et la définition de l'intelligence, est devenue plus souple, plus fluide et plus variée. Les 8 ou 9 Intelligences définies jusqu'à présent ne sont que le début, je prédis qu'on découvrira qu'il y a autant d'intelligences qu'il y a de manières d'être, Et le rôle des capacités (Universelles Humaines) jouera un rôle majeur. rôle, car toutes ces multitudes d'intelligences sont basées sur « avoir la capacité » Le jeu développe naturellement cette capacité, on apprend cette capacité simplement parce que le jeu est une question de « comment apprendre » pas de quoi apprendre, (Ce que nous avons tendance à négliger lorsque nous étudions les enfants et jouons).

De telles Intelligences ouvrent de nouvelles façons de nous comprendre et elles s'épanouissent dans notre esprit humain. Ils s'étendent vers l'extérieur et poussent comme les branches d'un arbre, à partir de cet arbre que j'appelle le Jeu, la Méta Intelligence, derrière toutes ces branches, avec ces branches et changeant ces branches à mesure qu'elles grandissent et mûrissent.
Tout comme les neurones de notre cerveau que nous jouons, et les neurones lorsqu'ils sont stimulés créent de nouvelles branches et se connectent de nouvelles façons pour trouver la meilleure et la plus optimale façon de créer une « nouvelle capacité ». Notre cerveau est conçu pour jouer, nous sommes né avec une méta-intelligence. On pourrait dire que nous jouons automatiquement. Même lorsque nous pensons que ce n'est pas le cas, notre cerveau continue de jouer.

En tant qu'enfants, nous sommes plus conscients de l'importance du jeu. C'est un besoin humain d'apprendre “Comment apprendre “ Nous sommes nés avec une méta-intelligence, notre cerveau qui est un super ordinateur qu'un méta-ordinateur est conçu pour “Apprendre à apprendre” Apprendre à apprendre, c'est sans aucun doute, une Intelligence digne d'avoir. Perdre cette méta-intelligence n'est pas bon pour le cerveau.
La recherche sur la maladie d'Altzeimers bénéficierait de l'importance du jeu pour stimuler la croissance des neurones. Plus nous jouons, plus nous créons de neurones. Il est possible d'inverser la perte de neurones dans le cerveau à mesure que nous vieillissons.

Dès le début, nous utilisons notre cerveau (ou notre cerveau nous utilise) pour apprendre la capacité de survivre à ce qui se passe et développer des capacités aussi rapidement que possible pour aider à prolonger notre survie. Cet instinct de survie brut se transforme en une "maîtrise" de ce qui se passe. C'est un processus continu tout au long de la vie. Apprendre signifie maîtriser. (J'ai appris à faire du vélo, je maîtrise maintenant le vélo).

Le maintien du niveau optimal du cerveau, à mon avis, est clairement lié au maintien et à l'ouverture consciente au jeu. Jouer comme le font les enfants - avec tout ! Jouer (ouvert à construire, à décomposer et à reconstruire) avec des idées, des pensées, des sentiments, un langage, des images, des systèmes, des principes, des modèles, des sens, des objets, des connaissances, des sciences, des relations, Plus nous serons heureux. Comme Gregory Chaitin a répondu à ma lettre où je lui ai demandé d'examiner la possibilité que les mathématiques jouent. Il a répondu, le meilleur méta-mathématicien du monde, « Oui ! Je joue aussi avec des idées.”

Toute société à l'avenir qui place le jeu en priorité sera une société prospère et satisfaite
Cela a été prédit par les « futurs chercheurs » dans le monde entier, il est connu sous le nom de 5e Société

Ce que le conseil d'Odense fait maintenant - "consciemment" et ce que le Danemark fait depuis des années (soutenir la valeur du jeu et des enfants) le prouve déjà.
Le Danemark est l'une des nations les plus riches du monde et a été élu par l'Unesco chaque année depuis tant d'années comme "la nation la plus heureuse du monde".
Plus nous devenons conscients du jeu comme clé sous-jacente pour enrichir nos vies, intellectuellement et émotionnellement, plus nous enrichirons la société et le monde qui nous entoure.


Vérité, Mensonges et Lumières : comment l'IA peut nous aider à développer nos connaissances et notre compréhension dans les chambres d'écho de la vie

L'IA est à la fois une cause et une solution au problème d'un monde où il y a beaucoup plus d'informations qu'une seule personne ne peut en traiter efficacement pour construire sa propre compréhension de ce qu'elle croit et de ce qu'elle ne croit pas. L'IA peut amplifier la chambre d'écho en privilégiant les plus crues aux plus évidentes. MAIS cela peut aussi nous aider à reconnaître des informations valides du bruit, SI nous connaissons les bonnes questions à poser et SI NOUS SAVONS COMMENT TRAVAILLER AVEC NOTRE IA, nous pouvons développer une compréhension profonde et échapper au labyrinthe de l'invention…

Au début de ma carrière, on m'a dit que si je voulais faire passer un message lors d'un enseignement, lors d'un entretien, dans le cadre d'une présentation ou lors d'un débat, je devais répéter le point que je voulais faire valoir trois fois. Il y a une base empirique à ce conseil : quelque chose a expliqué avec éloquence mon Malcolm Gladwell et la motivation de l'identité de mon blog : The Knowledge Illusion. En termes simples, lorsque les gens reçoivent plus d'informations sur X, ils croient qu'ils en savent plus sur X, alors qu'en fait ils en savent souvent moins sur X. J'ai écrit à ce sujet il y a de nombreux blogs (transcrit ci-dessous pour faciliter la référence) pour attirer l'attention au besoin essentiel d'aider les gens à déchiffrer l'énorme volume d'informations qui leur parviennent afin qu'ils puissent discerner ce qui est authentique de ce qui est faux.

Je suis toujours le conseil « dire les choses trois fois » dans mes efforts pour communiquer ce que je considère comme des informations valides, certains pourraient dire véridiques. Mon objectif est de persuader les gens que mon point de vue, mon opinion ou ma présentation d'informations est digne de foi. Cependant, j'accepte qu'il appartient entièrement à mon public de décider s'il est ou non conquis. L'importance de cette expérience subjective et la conviction qu'un public analyse activement les informations qui lui parviennent sont de plus en plus importantes. Dans un monde de chambres d'écho et de déluge de médias sociaux, nous avons besoin que les gens soient capables de regarder un flux de données et d'informations et de prendre des décisions intelligentes sur ce qu'ils croient être la matière de la connaissance.

Le problème n'est pas nouveau. C'est JFK qui a un jour observé que "Peu importe la taille du mensonge, répétez-le assez souvent et les masses le considéreront comme la vérité". C'est une énorme insulte à l'intelligence des « masses », mais à moins que nous ne fassions attention à aider ces « masses » à naviguer dans le bourbier de la médiocrité que les médias sociaux précipitent, prolifèrent et perpétuent, nous reviendrons à l'ère pré-lumière. quand le monde était plat et que le savoir était le privilège de ceux qui savaient déchiffrer l'écrit et qui étaient le porte-parole et l'intellect collectif de leurs communautés : les « masses ».

Le mot « masses » n'est plus largement utilisé, appelons simplement les « masses » comme le peuple : la race humaine mondiale que l'éducation est destinée à doter des compétences et des capacités nécessaires pour penser et donner un sens au monde et aux informations des autres. produire à ce sujet. Pour réfléchir à ce que nous devons faire pour aider les gens à donner un sens au monde, cela vaut la peine de remonter encore plus loin dans le temps jusqu'aux points de vue de l'empereur romain Marc Aurèle : « Tout ce que nous entendons est une opinion, pas un fait. Tout ce que nous voyons est une perspective, pas la vérité. Nous devons encourager un système de croyances nuancé où les gens acquièrent les compétences, la confiance et les ressources nécessaires pour construire leur propre compréhension à partir du raz-de-marée de données et d'informations qui menace de les engloutir.

Encore une fois, l'histoire peut nous éclairer. La révolution scientifique a ouvert la voie à l'ère des lumières qui a transformé la race humaine et promu l'importance de la raison. Des penseurs influents comme Bacon, Locke et Descartes ont ouvert la voie à Voltaire, Kant et Smith. La vie était tellement plus simple alors, bien sûr, mais l'énorme augmentation de ce qu'il est possible pour un individu d'essayer de comprendre et de savoir n'écarte pas le rôle important que peuvent jouer les penseurs influents.

La naissance du www et des réseaux sociaux représentent une nouvelle génération de publications qui jouent le rôle des encyclopédies et des dictionnaires à l'ère des Lumières. MAIS qui sont les philosophes et scientifiques clés qui peuvent catalyser les débats populaires de la même manière que les philosophes des Lumières l'ont fait ? Stephen Hawking figurerait probablement en haut de la liste des penseurs influents que de nombreuses personnes (les « masses ») pourraient peut-être nommer. Qui d'autre?

Alors que le volume d'informations et de données sur le monde a explosé, le nombre de penseurs influents qui peuvent aider les gens à trouver leur chemin vers la connaissance et la compréhension n'a peut-être pas suivi le rythme. Les technologies qui récoltent la « sagesse » de la foule promeuvent souvent les crieurs les plus forts et les plus suivis, plutôt que le raisonnement réfléchi et fondé des vrais intellectuels. La disparition de l'expertise a exacerbé le problème car les prédictions professionnelles ne se sont pas matérialisées…. Arrêtons-nous là un instant.

Le vrai problème pourrait-il être que nous, les gens, ne savons pas interpréter l'expertise ? Nous voulons des réponses simples quand il n'y en a pas. Dans les écoles, nous encourageons toujours la croyance que l'apprentissage par cœur et les informations spécifiques à un sujet du type qui peuvent être reproduites par une seule personne lorsqu'elle est mise au défi avec un test standardisé suffisent. Cette approche dépassée donne l'impression que la connaissance et la compréhension sont bien plus simples qu'elles ne le sont en réalité. Ils encouragent les gens à croire qu'il y a un ensemble de choses qu'ils ont besoin d'apprendre et de reproduire, et que s'ils peuvent le faire, ils seront bien informés. Cependant, ce que nous devrions faire, c'est AUSSI encourager les gens à constamment sonder, pousser, comparer et conclure par eux-mêmes leur compréhension du monde afin qu'ils puissent appliquer ces connaissances pour résoudre les problèmes qu'ils rencontrent chaque jour.

La vague de tweets qui donnent l'impression que des choses significatives peuvent être dites en 140 caractères n'est pas toujours utile non plus. Il y a certainement quelque chose à dire pour essayer de distiller la compréhension dans un texte court - c'est difficile et peut tester à quel point nous comprenons vraiment. Cependant, croire qu'un tweet peut être toute l'histoire en soi est erroné. La connaissance et la sagesse doivent être travaillées, en questionnant, analysant, agrégeant et synthétisant pour atteindre nos propres croyances fondées sur des preuves sur ce que nous savons et ce que nous comprenons. Le tweet de quelqu'un d'autre peut lancer ce processus, mais nous devons le terminer nous-mêmes.

Ai peut nous aider à faire le travail ici. L'IA peut analyser et visualiser des données et des informations complexes afin de nous aider littéralement à voir le « bois des arbres ». L'IA peut être conçue pour modéliser la compréhension humaine et justifier les décisions et les prédictions qu'elle prend. L'IA peut nous expliquer comment mener à bien des activités complexes, telles que la résolution d'équations mathématiques ou la gestion d'une centrale électrique complexe. MAIS l'intelligence artificielle et l'intelligence humaine doivent travailler ensemble pour aider les gens à extraire la vérité des mensonges. En tant qu'êtres humains, nous devons nous assurer que nous en savons suffisamment sur ce que l'IA est capable de faire pour nous assurer de poser les bonnes questions. Nous devons apprendre à faire preuve de discernement pour défier l'IA lorsque nous ne sommes pas convaincus par ce qu'elle nous dit.

Cela signifie qu'aujourd'hui plus que jamais nous devons éduquer les éducateurs. Parce que les éducateurs doivent inculquer en nous, les gens, les compétences d'enquête dont nous avons besoin pour poser les bonnes questions afin que nous puissions différencier les preuves du mensonge. Les éducateurs doivent encourager la confiance et l'auto-efficacité en nous qui nous aideront à croire nos propres esprits. Les éducateurs doivent engendrer la prise de perspective et la pensée intégrative qui nous permettront de travailler ensemble pour résoudre des problèmes et de développer les penseurs influents dont nous avons plus que jamais besoin pour nous éclairer.


Selon la théorie, une « modalité » d'intelligence doit remplir huit critères : [3]

  1. potentiel d'isolement du cerveau par des lésions cérébrales
  2. place dans l'histoire de l'évolution
  3. présence d'opérations de base
  4. susceptibilité à l'encodage (expression symbolique)
  5. une progression développementale distincte
  6. l'existence de savants, prodiges et autres personnes exceptionnelles
  7. soutien de la psychologie expérimentale
  8. support des résultats psychométriques

Dans Cadres d'esprit : la théorie des intelligences multiples (1983) et ses suites, Howard Gardner a proposé huit capacités qui manifestent des intelligences multiples. [4]

Musical-rythmique et harmonique Modifier

Cette zone d'intelligence avec sensibilité aux sons, rythmes et tonalités de la musique. Les personnes ayant une intelligence musicale ont normalement une bonne tonalité ou peuvent posséder une tonalité absolue, et sont capables de chanter, de jouer des instruments de musique et de composer de la musique. Ils ont une sensibilité au rythme, à la hauteur, à la mesure, au ton, à la mélodie ou au timbre. [5] [6]

Visuel-spatial Modifier

Cette zone traite du jugement spatial et de la capacité de visualiser avec l'œil de l'esprit. La capacité spatiale est l'un des trois facteurs ci-dessous g dans le modèle hiérarchique de l'intelligence. [6]

Linguistique-verbal Modifier

Les personnes ayant une intelligence verbal-linguistique élevée affichent une facilité avec les mots et les langues. Ils sont généralement doués pour lire, écrire, raconter des histoires et mémoriser des mots ainsi que des dates. [6] La capacité verbale est l'une des plus g-capacités chargées. [7] Ce type d'intelligence est mesuré avec le QI verbal dans WAIS-IV.

Logique-mathématique Modifier

Ce domaine concerne la logique, les abstractions, le raisonnement, les nombres et la pensée critique. [6] Cela a aussi à voir avec la capacité de comprendre les principes sous-jacents d'une sorte de système causal. [5] Le raisonnement logique est étroitement lié à l'intelligence fluide et à l'intelligence générale (g facteur). [8]

Corporel-kinesthésique Modifier

Les éléments centraux de l'intelligence corporelle-kinesthésique sont le contrôle de ses mouvements corporels et la capacité de manipuler les objets avec habileté. [6] Gardner précise que cela inclut également un sens du timing, un sens clair du but d'une action physique, ainsi que la capacité d'entraîner des réponses.

Les personnes qui ont une intelligence corporelle kinesthésique élevée devraient généralement être douées pour les activités physiques telles que le sport, la danse et la fabrication d'objets.

Gardner pense que les carrières qui conviennent aux personnes ayant une intelligence corporelle élevée comprennent : les athlètes, les danseurs, les musiciens, les acteurs, les constructeurs, les policiers et les soldats. Bien que ces carrières puissent être dupliquées grâce à la simulation virtuelle, elles ne produiront pas l'apprentissage physique réel nécessaire à cette intelligence. [9]

Interpersonnel Modifier

En théorie, les individus qui ont une intelligence interpersonnelle élevée se caractérisent par leur sensibilité aux humeurs, sentiments, tempéraments, motivations des autres et leur capacité à coopérer pour travailler en groupe. Selon Gardner dans Comment les enfants sont-ils intelligents : intelligences multiples en classe, « L'intelligence interpersonnelle et intrapersonnelle est souvent mal comprise avec le fait d'être extraverti ou d'aimer les autres. » [10] Ceux qui ont une intelligence interpersonnelle élevée communiquent efficacement et sympathisent facilement avec les autres, et peuvent être des leaders ou des suiveurs. Ils aiment souvent discuter et débattre. » Gardner a assimilé cela à l'intelligence émotionnelle de Goleman. [11]

Gardner pense que les carrières qui conviennent à ceux qui ont une intelligence interpersonnelle élevée incluent les vendeurs, les politiciens, les gestionnaires, les enseignants, les conférenciers, les conseillers et les travailleurs sociaux. [12]

Intrapersonnel Modifier

Ce domaine a à voir avec les capacités d'introspection et d'autoréflexion. Il s'agit d'avoir une profonde compréhension de soi, quelles sont ses forces ou ses faiblesses, ce qui la rend unique, être capable de prédire ses propres réactions ou émotions.

Naturaliste Modifier

Ne faisant pas partie des sept originaux de Gardner, l'intelligence naturaliste a été proposée par lui en 1995. "Si je devais réécrire Cadres d'esprit aujourd'hui, j'ajouterais probablement une huitième intelligence – l'intelligence du naturaliste. Il me semble que l'individu qui est facilement capable de reconnaître la flore et la faune, de faire d'autres distinctions conséquentes dans le monde naturel et d'utiliser cette capacité de manière productive (en chasse, en agriculture, en sciences biologiques) exerce une intelligence et une une qui n'est pas adéquatement englobée dans la liste actuelle. » [13] Ce domaine a à voir avec l'entretien et la mise en relation d'informations avec son environnement naturel. [6] Les exemples incluent la classification des formes naturelles telles que les espèces animales et végétales et les types de roches et de montagnes. Cette capacité était clairement précieuse dans notre passé évolutif en tant que chasseurs, cueilleurs et agriculteurs, elle continue d'être centrale dans des rôles tels que botaniste ou chef.

Ce type de réceptivité écologique est profondément enraciné dans une « compréhension sensible, éthique et holistique » du monde et de ses complexités – y compris le rôle de l'humanité dans la grande écosphère. [14]

Existentiel Modifier

Gardner ne voulait pas s'engager dans une intelligence spirituelle, mais a suggéré qu'une intelligence « existentielle » peut être une construction utile, également proposée après les huit originaux dans son livre de 1999. [15] L'hypothèse d'une intelligence existentielle a été explorée plus avant par les chercheurs en éducation. [16]

Intelligences supplémentaires Modifier

En janvier 2016, Gardner a mentionné dans une interview avec BigThink qu'il envisageait d'ajouter l'intelligence pédagogique et pédagogique « qui nous permet de pouvoir enseigner avec succès à d'autres personnes ». [17] Dans la même interview, il a explicitement refusé d'autres intelligences suggérées comme l'humour, la cuisine et l'intelligence sexuelle. [17] Le professeur Nan B. Adams soutient que, sur la base de la définition de Gardner des intelligences multiples, l'intelligence numérique – une méta-intelligence composée de nombreuses autres intelligences identifiées et issue des interactions humaines avec les ordinateurs numériques – existe maintenant. [18]

L'intelligence physique, également connue sous le nom d'intelligence corporelle-kinesthésique, est toute intelligence dérivée d'un apprentissage physique et pratiqué tel que le sport, la danse ou l'artisanat. Cela peut faire référence à la capacité d'utiliser ses mains pour créer, à s'exprimer avec son corps, à se fier aux mécanismes et aux mouvements tactiles et à la précision du contrôle des mouvements du corps. Un individu doté d'une grande intelligence physique est quelqu'un qui est apte à utiliser son corps physique pour résoudre des problèmes et exprimer des idées et des émotions. [19] La capacité de contrôler le corps physique et la connexion corps-esprit fait partie d'un éventail beaucoup plus large de potentiel humain tel qu'énoncé dans la théorie des intelligences multiples de Howard Gardner. [20]

Caractéristiques Modifier

Une intelligence kinesthésique corporelle bien développée se reflétera dans les mouvements d'une personne et dans la façon dont elle utilise son corps physique. Souvent, les personnes ayant une intelligence physique élevée auront une excellente coordination œil-main et seront très agiles, elles sont précises et précises dans leurs mouvements et peuvent s'exprimer en utilisant leur corps. Gardner a fait référence à l'idée d'habileté naturelle et d'intelligence physique innée dans sa discussion de l'histoire autobiographique de Babe Ruth - un joueur de baseball légendaire qui, à 15 ans, a estimé qu'il était «né» sur le monticule du lanceur. Les personnes ayant une kinesthésique corporelle élevée, ou une intelligence physique, sont susceptibles de réussir dans les carrières physiques, y compris les athlètes, les danseurs, les musiciens, les policiers et les soldats.

Théorie Modifier

Un professeur d'éducation à l'Université Harvard, le psychologue du développement Howard Gardner, a décrit neuf types d'intelligence, notamment l'intelligence spatiale et l'intelligence linguistique. Son œuvre phare, État d'esprit, a été publié en 1983 et a été influencé par les travaux d'Alfred Binet et du psychologue allemand William Stern, qui a à l'origine inventé le terme « quotient intellectuel » (QI). Dans son paradigme de l'intelligence, Gardner la définit comme étant « la capacité d'apprendre » ou « de résoudre des problèmes », se référant à l'intelligence comme un « potentiel bio-psychologique pour traiter l'information ». [21]

Gardner a suggéré que chaque individu peut posséder toutes les diverses formes d'intelligence dans une certaine mesure, mais qu'il y a toujours une forme dominante, ou primaire. Gardner a accordé à chacune des différentes formes d'intelligence une importance égale, et il a proposé qu'elles aient le potentiel d'être nourries et donc renforcées, ou ignorées et affaiblies. Il y a eu diverses critiques du travail de Gardner, cependant, principalement en raison du manque de preuves empiriques utilisées pour étayer sa pensée. De plus, certains ont suggéré que les « intelligences » se réfèrent aux talents, à la personnalité ou aux capacités plutôt qu'à une forme distincte d'intelligence. [22]

Impact sur l'éducation Modifier

Au sein de son Théorie des intelligences multiples, Gardner a déclaré que « notre système éducatif est fortement biaisé en faveur des modes linguistiques d'intersection et d'évaluation et, dans une moindre mesure, également envers les modes de quantités logiques ». Son travail a continué à façonner la pédagogie éducative et à influencer les politiques et la législation pertinentes à travers le monde, en particulier sur la façon dont les enseignants doivent évaluer les progrès des élèves afin d'établir les méthodes d'enseignement les plus efficaces pour chaque apprenant. Les recherches de Gardner dans le domaine de l'apprentissage concernant l'intelligence kinesthésique corporelle ont abouti à l'utilisation d'activités qui nécessitent des mouvements et des efforts physiques, les étudiants présentant un niveau élevé d'intelligence physique déclarant bénéficier de «l'apprentissage par le mouvement» dans l'environnement de la classe. [23]

Bien que la distinction entre les intelligences ait été exposée en détail, Gardner s'oppose à l'idée d'étiqueter les apprenants à une intelligence spécifique. Gardner soutient que sa théorie devrait « responsabiliser les apprenants », et non les restreindre à une seule modalité d'apprentissage. [24] Selon Gardner, une intelligence est "un potentiel biopsychologique pour traiter des informations qui peuvent être activées dans un cadre culturel pour résoudre des problèmes ou créer des produits qui ont de la valeur dans une culture." [25] Selon une étude de 2006, chacun des domaines proposés par Gardner implique un mélange du général g facteur, les capacités cognitives autres que g, et, dans certains cas, des capacités non cognitives ou des caractéristiques de la personnalité. [26]

Gardner soutient qu'il existe un large éventail de capacités cognitives, mais qu'il n'y a que de très faibles corrélations entre elles. Par exemple, la théorie postule qu'un enfant qui apprend à multiplier facilement n'est pas forcément plus intelligent qu'un enfant qui a plus de difficulté sur cette tâche. L'enfant qui prend plus de temps pour maîtriser la multiplication peut mieux apprendre à multiplier par une approche différente, peut exceller dans un domaine en dehors des mathématiques, ou peut examiner et comprendre le processus de multiplication à un niveau fondamentalement plus profond.

Les tests d'intelligence et la psychométrie ont généralement trouvé des corrélations élevées entre les différents aspects de l'intelligence, plutôt que les faibles corrélations que la théorie de Gardner prédit, soutenant la théorie dominante de l'intelligence générale plutôt que des intelligences multiples (MI).[27] La ​​théorie a été critiquée par la psychologie traditionnelle pour son manque de preuves empiriques et sa dépendance à l'égard du jugement subjectif. [2]

Définition de l'intelligence Modifier

Une critique majeure de la théorie est qu'elle est ad hoc: que Gardner n'étend pas la définition du mot "intelligence", mais nie plutôt l'existence de l'intelligence telle qu'elle est traditionnellement comprise, et utilise à la place le mot "intelligence" là où d'autres personnes ont traditionnellement utilisé des mots comme "capacité" et "aptitude". Cette pratique a été critiquée par Robert J. Sternberg, [28] [29] Eysenck, [30] et Scarr. [31] White (2006) souligne que la sélection et l'application de critères par Gardner pour ses « intelligences » sont subjectives et arbitraires, et qu'un chercheur différent aurait probablement proposé des critères différents. [32]

Les défenseurs de la théorie MI soutiennent que la définition traditionnelle de l'intelligence est trop étroite, et donc une définition plus large reflète plus précisément les différentes façons dont les humains pensent et apprennent. [33]

Certaines critiques découlent du fait que Gardner n'a pas fourni de test de ses multiples intelligences. Il l'a initialement défini comme la capacité à résoudre des problèmes qui ont de la valeur dans au moins une culture, ou comme quelque chose qui intéresse un étudiant. Il a ensuite ajouté un avertissement qu'il n'a pas de définition fixe, et sa classification est plus un jugement artistique que fait :

En fin de compte, il serait certainement souhaitable de disposer d'un algorithme de sélection de l'intelligence, tel que tout chercheur qualifié puisse déterminer si l'intelligence d'un candidat répond aux critères appropriés. A l'heure actuelle, cependant, il faut admettre que la sélection (ou le rejet) de l'intelligence d'un candidat relève plus d'un jugement artistique que d'une évaluation scientifique. [34]

Généralement, les capacités linguistiques et logico-mathématiques sont appelées intelligence, mais pas les capacités artistiques, musicales, sportives, etc. Gardner soutient que cela fait grossir inutilement le premier. Certains critiques se méfient de cet élargissement de la définition, affirmant qu'il ignore « la connotation d'intelligence . [qui] a toujours connoté le genre de capacité de réflexion qui fait réussir à l'école ». [35]

Gardner écrit "Je rechigne à l'hypothèse injustifiée que certaines capacités humaines peuvent être arbitrairement distinguées comme de l'intelligence alors que d'autres ne le peuvent pas." [36] Les critiques soutiennent qu'étant donné cette déclaration, tout intérêt ou capacité peut être redéfini comme « l'intelligence ». Ainsi, l'étude de l'intelligence devient difficile, car elle se diffuse dans le concept plus large de capacité ou de talent. L'édition de Gardner de l'intelligence naturaliste et les conceptions de l'intelligence existentielle et morale sont vues comme les fruits de cette diffusion. Les défenseurs de la théorie MI diraient qu'il s'agit simplement d'une reconnaissance de la vaste portée des capacités mentales inhérentes et qu'une portée aussi exhaustive par nature défie une classification unidimensionnelle telle qu'une valeur de QI.

La théorie et les définitions ont été critiquées par Perry D. Klein comme étant si peu claires qu'elles sont tautologues et donc infalsifiables. Avoir une capacité musicale élevée signifie être bon en musique tout en étant bon en musique s'explique par une capacité musicale élevée. [37]

Henri Wallon soutient qu'« on ne peut pas distinguer le renseignement de ses opérations ». [38] Yves Richez distingue 10 modes opératoires naturels (Modes Opératoires Naturels – MoON). [39] Les études de Richez reposent sur un écart entre la pensée chinoise et la pensée occidentale. En Chine, la notion d'"être" (soi) et la notion d'"intelligence" n'existent pas. Ceux-ci sont prétendus être des inventions gréco-romaines dérivées de Platon. Au lieu d'intelligence, le chinois se réfère à des « modes opératoires », c'est pourquoi Yves Richez ne parle pas d'« intelligence » mais de « modes opératoires naturels » (Lune).

Critique néo-piagétienne Modifier

Andreas Demetriou suggère que les théories qui mettent trop l'accent sur l'autonomie des domaines sont aussi simplistes que les théories qui mettent trop l'accent sur le rôle de l'intelligence générale et ignorent les domaines. Il est d'accord avec Gardner pour dire qu'il existe en effet des domaines de l'intelligence qui sont de manière pertinente autonomes les uns par rapport aux autres. [40] Certains des domaines, tels que l'intelligence verbale, spatiale, mathématique et sociale, sont identifiés par la plupart des lignes de recherche en psychologie. Dans la théorie de Demetriou, l'une des théories néo-piagétiennes du développement cognitif, Gardner est critiqué pour avoir sous-estimé les effets exercés sur les différents domaines de l'intelligence par les divers sous-processus qui définissent l'efficacité globale du traitement, tels que la vitesse de traitement, les fonctions exécutives, la mémoire de travail. , et les processus métacognitifs sous-jacents à la conscience de soi et à l'autorégulation. Tous ces processus font partie intégrante de l'intelligence générale qui régule le fonctionnement et le développement des différents domaines de l'intelligence. [41]

Les domaines sont dans une large mesure des expressions de l'état des processus généraux, et peuvent varier en raison de leurs différences constitutionnelles mais aussi des différences de préférences et d'inclinations individuelles. Leur fonctionnement à la fois canalise et influence le fonctionnement des processus généraux. [42] [43] Ainsi, on ne peut pas spécifier de manière satisfaisante l'intelligence d'un individu ou concevoir des programmes d'intervention efficaces à moins d'évaluer à la fois les processus généraux et les domaines d'intérêt. [44] [45]

Adaptation humaine à plusieurs environnements Modifier

La prémisse de l'hypothèse des intelligences multiples, selon laquelle l'intelligence humaine est un ensemble de capacités spécialisées, a été critiquée pour son incapacité à expliquer l'adaptation humaine à la plupart sinon à tous les environnements du monde. Dans ce contexte, les humains sont opposés aux insectes sociaux qui ont en effet une "intelligence" distribuée de spécialistes, et de tels insectes peuvent se propager à des climats ressemblant à celui de leur origine mais la même espèce ne s'adapte jamais à un large éventail de climats allant du tropical au tempéré par construire différents types de nids et apprendre ce qui est comestible et ce qui est toxique. Alors que certaines, comme la fourmi coupeuse de feuilles, cultivent des champignons sur les feuilles, elles ne cultivent pas différentes espèces dans différents environnements avec différentes techniques agricoles comme le fait l'agriculture humaine. Il est donc soutenu que l'adaptabilité humaine découle d'une capacité générale à falsifier des hypothèses et à faire des prédictions plus généralement précises et à adapter le comportement par la suite, et non un ensemble de capacités spécialisées qui ne fonctionneraient que dans des conditions environnementales spécifiques. [46] [47]

Tests de QI Modifier

Gardner soutient que les tests de QI ne mesurent que les capacités linguistiques et logico-mathématiques. Il fait valoir l'importance d'évaluer d'une manière « équitable au renseignement ». Alors que les examens papier-stylo traditionnels favorisent les compétences linguistiques et logiques, il existe un besoin de mesures équitables pour l'intelligence qui valorisent les modalités distinctes de la pensée et de l'apprentissage qui définissent de manière unique chaque intelligence. [6]

Le psychologue Alan S. Kaufman souligne que les tests de QI mesurent les capacités spatiales depuis 70 ans. [48] ​​Les tests de QI modernes sont fortement influencés par la théorie de Cattell-Horn-Carroll qui intègre une intelligence générale mais aussi de nombreuses capacités plus étroites. Alors que les tests de QI donnent un score de QI global, ils donnent désormais également des scores pour de nombreuses capacités plus étroites. [48]

Selon une étude de 2006, de nombreuses « intelligences » de Gardner sont en corrélation avec le g facteur, soutenant l'idée d'un seul type dominant d'intelligence. Selon l'étude, chacun des domaines proposés par Gardner impliquait un mélange de g, de capacités cognitives autres que g, et, dans certains cas, des capacités non cognitives ou des caractéristiques de la personnalité. [26]

La Johnson O'Connor Research Foundation a testé des centaines de milliers de personnes [49] pour déterminer leurs « aptitudes » (« intelligences »), telles que la dextérité manuelle, la capacité musicale, la visualisation spatiale et la mémoire des nombres. [50] Il existe une corrélation entre ces aptitudes et les g facteur, mais tous ne sont pas fortement corrélés corrélation entre le g facteur et « vitesse inductive » (« vitesse à voir les relations entre des faits, des idées ou des observations séparés ») est seulement de 0,5, [51] considéré comme une corrélation modérée. [52]

Linda Gottfredson (2006) a soutenu que des milliers d'études soutiennent l'importance du quotient intellectuel (QI) dans la prédiction du rendement scolaire et professionnel, ainsi que de nombreux autres résultats de la vie. En revanche, le soutien empirique des non-g l'intelligence fait défaut ou est très pauvre. Elle a fait valoir que malgré cela, les idées de multiples non-g les intelligences sont très attrayantes pour beaucoup en raison de la suggestion que tout le monde peut être intelligent d'une manière ou d'une autre. [53]

Un examen critique de la théorie de l'EM fait valoir qu'il existe peu de preuves empiriques pour la soutenir :

À ce jour, il n'y a pas eu d'études publiées qui offrent des preuves de la validité des intelligences multiples. En 1994, Sternberg a déclaré n'avoir trouvé aucune étude empirique. En 2000, Allix a déclaré n'avoir trouvé aucune étude empirique de validation, et à ce moment-là Gardner et Connell ont concédé qu'il y avait « peu de preuves solides pour la théorie de l'EM » (2000, p. 292). En 2004, Sternberg et Grigerenko ont déclaré qu'il n'y avait pas d'études de validation pour les intelligences multiples, et en 2004, Gardner a affirmé qu'il serait « ravi si de telles preuves s'accumulaient », [54] et ont admis que « la théorie de l'EM a peu d'enthousiastes parmi les psychométriciens ou autres. d'un fond psychologique traditionnel" parce qu'ils exigent "des preuves psychométriques ou expérimentales qui permettent de prouver l'existence de plusieurs intelligences". [54] [55]

La même revue présente des preuves pour démontrer que la recherche en neurosciences cognitives ne soutient pas la théorie des intelligences multiples :

. il est peu probable que le cerveau humain fonctionne via les intelligences multiples de Gardner. Pris ensemble, les preuves des intercorrélations des sous-compétences des mesures du QI, les preuves d'un ensemble partagé de gènes associés aux mathématiques, à la lecture et à g, et les preuves du « qu'est-ce que c'est ? et où est-ce?" les voies de traitement neuronal et les voies neuronales partagées pour le langage, la musique, la motricité et les émotions suggèrent qu'il est peu probable que chacune des intelligences de Gardner puisse fonctionner « via un ensemble différent de mécanismes neuronaux » (1999, p. 99). Tout aussi important, la preuve du « qu'est-ce que c'est ? et où est-ce?" voies de traitement, pour les deux systèmes de prise de décision de Kahneman, et pour les modules de cognition adaptés, suggère que ces spécialisations cognitives du cerveau ont évolué pour répondre à des problèmes très spécifiques de notre environnement. Parce que Gardner a affirmé que les intelligences sont des potentialités innées liées à un domaine de contenu général, la théorie MI manque de justification pour l'émergence phylogénétique des intelligences. [55]

La théorie des intelligences multiples est parfois citée comme exemple de pseudoscience parce qu'elle manque de preuves empiriques ou de falsifiabilité, [56] bien que Gardner ait soutenu le contraire. [57]

Gardner définit l'intelligence comme « le potentiel bio-psychologique de traiter des informations qui peuvent être activées dans un cadre culturel pour résoudre des problèmes ou créer des produits qui ont de la valeur dans une culture ». [58] Selon Gardner, il existe d'autres moyens de le faire que la simple intelligence logique et linguistique. Gardner estime que le but de la scolarisation « devrait être de développer l'intelligence et d'aider les gens à atteindre des objectifs professionnels et non professionnels qui sont appropriés à leur spectre particulier d'intelligence. engagé et compétent et donc plus enclin à servir la société de manière constructive." [une]

Gardner soutient que les tests de QI se concentrent principalement sur l'intelligence logique et linguistique. En réussissant bien ces tests, les chances de fréquenter un collège ou une université prestigieux augmentent, ce qui crée à son tour des membres productifs de la société. [59] Bien que de nombreux élèves fonctionnent bien dans cet environnement, il y en a qui ne le font pas. La théorie de Gardner soutient que les étudiants seront mieux servis par une vision plus large de l'éducation, dans laquelle les enseignants utilisent différentes méthodologies, exercices et activités pour atteindre tous les étudiants, pas seulement ceux qui excellent en intelligence linguistique et logique. Il met les éducateurs au défi de trouver des « moyens qui fonctionneront pour cet élève qui apprend ce sujet ». [60]

L'article de James Traub dans La Nouvelle République note que le système de Gardner n'a pas été accepté par la plupart des universitaires en intelligence ou en enseignement. [61] Gardner déclare que « bien que la théorie des intelligences multiples soit cohérente avec de nombreuses preuves empiriques, elle n'a pas été soumise à des tests expérimentaux solides. Dans le domaine de l'éducation, les applications de la théorie sont actuellement examinées dans de nombreux projets. doivent être révisés plusieurs fois à la lumière de l'expérience réelle en classe. » [62]

Jerome Bruner a convenu avec Gardner que l'intelligence était des "fictions utiles", et a poursuivi en déclarant que "son approche est tellement au-delà de l'analyse des données des testeurs mentaux qu'elle mérite d'être applaudie". [63]

George Miller, un éminent psychologue cognitif, a écrit dans La critique du livre du New York Times que l'argument de Gardner consistait en "intuition et opinion" et Charles Murray et Richard J. Herrnstein dans La courbe en cloche (1994) ont qualifié la théorie de Gardner de « uniquement dépourvue de preuves psychométriques ou autres preuves quantitatives ». [64]

Malgré son manque d'acceptation générale dans la communauté psychologique, la théorie de Gardner a été adoptée par de nombreuses écoles, où elle est souvent confondue avec les styles d'apprentissage, [65] et des centaines de livres ont été écrits sur ses applications dans l'éducation. [66] Certaines des applications de la théorie de Gardner ont été décrites comme « simplistes » et Gardner lui-même a dit qu'il était « mal à l'aise » avec la façon dont sa théorie a été utilisée dans les écoles. [67] Gardner a nié que les intelligences multiples soient des styles d'apprentissage et convient que l'idée de styles d'apprentissage est incohérente et manque de preuves empiriques. [68] Gardner résume son approche avec trois recommandations pour les éducateurs : individualiser le style d'enseignement (pour convenir à la méthode la plus efficace pour chaque élève), pluraliser l'enseignement (enseigner les matières importantes de plusieurs manières), et éviter le terme « styles » comme étant déroutant. [69]


Le mythe selon lequel le nouveau SAT est moins corrélé avec le QI que l'ancien SAT

Pour une raison quelconque, beaucoup de gens pensent que l'ancien SAT (avant avril 1995) était une bien meilleure mesure du QI que le nouveau SAT (après avril 1995). J'ai commencé à y croire aussi lorsque j'ai découvert que des recherches montraient que les personnes ayant un SAT élevé régressaient beaucoup plus vers la moyenne sur le nouveau SAT que sur l'ancien SAT. Cependant, ce soir, j'ai lu que la corrélation entre l'ancien SAT et le nouveau SAT est pratiquement identique aux formes parallèles de l'ancien SAT, donc la tendance que j'ai remarquée n'était probablement qu'un bruit statistique.

La raison pour laquelle les gens pensent que le nouveau SAT ressemble moins à un test de QI que l'ancien SAT est qu'à l'origine, le SAT était explicitement destiné à être comme un test de QI, l'espoir étant de donner l'opportunité à des personnes brillantes de foyers socialement défavorisés qui ne le seraient pas. capable d'assister à un bon collège sans un test d'aptitude naturelle. Cependant, alors que les tests de QI devenaient de plus en plus politiquement incorrects, les fabricants de tests voulaient se distancer du QI, de sorte que le test portait de plus en plus sur ce que vous appreniez à l'école et moins sur le raisonnement abstrait.

Cependant, ce qui a fait que le SAT était en corrélation avec le QI n'était jamais le fait que quelqu'un essayait de créer un test de QI, c'était le fait que les compétences dont vous avez besoin à l'université (lecture et mathématiques) sont étroitement liées aux capacités cognitives.

Un cas similaire s'est produit lorsque David Wechsler a créé le WAIS explicitement pour mesurer l'intelligence, mais a créé le WIAT, spécifiquement pour mesurer la réussite scolaire. Je doute qu'il essayait de faire du WIAT une mesure de l'intelligence, puisqu'il avait déjà créé un test de QI, le but du WIAT devait être de montrer des différences cliniquement significatives entre les deux constructions, permettant le diagnostic de troubles d'apprentissage. Et pourtant, une étude récente a trouvé une corrélation de près de 0,9 entre les deux tests.

Je ne sais pas quelle est la corrélation générale aux États-Unis entre le SAT et le QI, car il n'y a jamais eu (à ma connaissance) d'étude corrélant le SAT avec le QI dans un échantillon de TOUS les Américains (pas seulement l'élite liée au collège). Toutes les études que j'ai vues impliquaient des élèves de la même école, parfois avec une correction pour la restriction de portée (ce qui peut être trompeur car les élèves de la même école sont limités en portée sur plus que de simples résultats de test). J'ai essayé d'estimer indirectement la corrélation dans la population générale des États-Unis, en voyant combien d'échantillons de personnes SAT élevées régressent vers la moyenne de tous les Américains, mais les résultats ont été incohérents.

Certains pensent ici que la corrélation entre le QI et le SAT est si élevée que le SAT devrait être appelé un test de QI. Cependant, le brillant Chris Langan a compris la valeur de la précision verbale et a fait valoir que même le Mega Test, sur lequel il a remporté le record du monde, ne devrait pas être appelé un test de QI. Dans un article historique de 1998, Langan a écrit :

Pour éviter le problème du rendu d'un a priori définition de ce qu'un tel test mesurera, il suffit de créer une description alternative générique couvrant tous les tests qui diffèrent par leur structure ou leur protocole des tests de QI ordinaires, et pour lesquels une corrélation positive élevée avec le QI n'a pas encore été établie. Ce nouveau terme doit faire référence à une grandeur mesurable propre aux tests qu'il décrit, et qui peut ou non correspondre à celle qui est mesurée par les tests de QI des variétés potagères.


Intelligence générale par rapport au domaine

Nos cerveaux sont dotés d'algorithmes câblés. Les chats peuvent attraper des oiseaux ou des souris sans y penser. Je peux attraper et manger une fraise sans réfléchir. L'hypothèse d'interaction Savanna-IQ dit que l'intelligence générale peut avoir évolué à l'origine comme une adaptation spécifique à un domaine pour faire face à des problèmes évolutifs nouveaux et non récurrents. Nous pouvons déduire de cette hypothèse que les personnes ayant une meilleure intelligence générale ne seront pas meilleures dans les tâches de routine. En fait, ils peuvent s'en tirer pire ! Ils peuvent seulement avoir un avantage pour de nouvelles tâches. Ainsi, l'intelligence générale et l'intelligence de domaine peuvent être des entités quelque peu distinctes.

Comment reconnaître les personnes ayant une meilleure intelligence générale ? Ils s'adaptent mieux aux nouveaux paramètres. Ils sont les premiers à adopter de nouvelles stratégies. Mais ils peuvent ne pas être très bons au baseball ou à la boxe, et ils peuvent être socialement incompétents.

L'intelligence artificielle moderne (et l'apprentissage automatique) est généralement spécifique à un domaine. Mon filtre anti-spam peut détecter le spam, mais il ne fera jamais rien d'autre. Notre logiciel a évolué pour faire face à des problèmes spécifiques. Pourtant, nous manquons encore de logiciels d'intelligence générale. Essayer de créer de meilleurs filtres anti-spam peut être orthogonal à l'obtention d'une intelligence générale dans le logiciel.En fait, un logiciel doté d'une bonne intelligence générale peut ne pas être aussi efficace pour le filtrage du spam.

Référence: Satoshi Kanazawa, Kaja Perina, Pourquoi les oiseaux de nuit sont plus intelligents, Personnalité et différences individuelles 47 (2009) 685–690

Lectures complémentaires: Langage, cognition et évolution : modularité contre unité par Peter Turney


Le collecteur positif : contrôle réactif dans l'intelligence fluide ?

Quels mécanismes neuronaux sous-tendent « l'intelligence fluide », la capacité de raisonner et de résoudre de nouveaux problèmes ? C'est la question posée par Gray et al. en Neurosciences de la Nature. Les auteurs commencent par suggérer que l'intelligence fluide (alias, gF) est liée à la fois au contrôle attentionnel et au maintien actif de l'information face au traitement en cours (c'est-à-dire la mémoire de travail). Chacun de ces concepts, à son tour, a été associé au fonctionnement du cortex préfrontal latéral - une région qui a été massivement étendue chez l'homme par rapport à même nos plus proches parents évolutionnaires.

Pour confirmer que les différences individuelles de gF sont liées au fonctionnement préfrontal, Gray et al. mesuraient les performances à la fois sur une tâche gF standard (matrices de Raven) ainsi que sur un test standard de fonction préfrontale issu des neurosciences cognitives : la tâche 3-back. Dans les matrices de Raven, les sujets doivent choisir lequel de plusieurs stimuli "convient" comme élément final dans une matrice de motifs abstraits (voir un exemple). En revanche, la tâche 3-back fournit aux sujets une série de stimuli, présentés séquentiellement. , et exige qu'ils répondent si le stimulus actuel correspond à celui présenté 3 éléments précédemment (c'est-à-dire, pour répondre oui au deuxième "B" dans une séquence comme "AXBYXBXA"). Cette tâche est effectuée de manière continue, de sorte que les sujets doivent constamment déplacer le troisième élément en mémoire avec le second et mettre à jour la mémoire avec l'élément actuel. (Si vous ne pouvez pas dire d'après ma description, c'est une tâche extrêmement difficile).

Intuitivement, on pourrait ne pas s'attendre à une relation forte entre ces tâches : 3-back repose fortement sur la mémoire, alors que tous les stimuli pertinents sont simultanément présents dans Raven. À l'inverse, Raven's nécessite un raisonnement abstrait et quelque peu "analogique", mais 3-back ne nécessite qu'une mémorisation par cœur. Ces tâches semblent donc nécessiter des calculs très différents - les performances d'un individu peuvent varier considérablement entre elles.

D'un autre côté, il y a le concept de "variété positive": la performance sur deux tâches mesurées de manière fiable est positivement corrélée (en effet, cela fait partie de la base du concept d'"intelligence générale"). Étonnamment, la variété positive peut également s'appliquer aux données neuroscientifiques : malgré la possibilité que différentes régions neurales sous-tendent la performance sur ces deux tâches très différentes, certaines régions du cortex préfrontal médient de manière fiable les corrélations comportementales entre ces tâches.

Pour démontrer ce fait surprenant, les auteurs ont fait une distinction entre les performances à 3 dos sur les essais de leurre (où l'élément cible s'était produit peut-être le 2e ou le 4e essai précédent, mais pas le 3e dos) et celles sur les essais sans leurre (où les éléments cibles survenu il y a 1 essai, ou il y a plus de 5 essais). Les essais leurres semblaient en fait plus sensibles à la performance que les essais cibles (dans lesquels un élément était effectivement présenté il y a 3 essais) dans la mesure où la précision était tout aussi mauvaise que les essais cibles, mais les TR étaient encore plus longs.

Les estimations de gF étaient positivement corrélées avec la précision sur tous les types d'essais, mais étaient le plus fortement liés à la performance des essais sur leurre : en tenant compte de la précision sur les essais sans leurre ou de la précision sur les essais sur cible, gF a toujours montré une relation significative avec les essais sur leurre. L'activité dans le PFC latéral, le cingulaire antérieur et le cervelet latéral ont toutes prédit la précision, et l'activité dans ces régions pendant les essais de leurre se chevauchait avec jusqu'à 92% de la variance partagée entre la performance gF et 3-back. En revanche, ce modèle était beaucoup plus subtil dans les essais avec cible et sans leurre.

Il est intéressant de noter que l'ampleur de l'activation soutenue (pensée pour favoriser la maintenance active) était corrélée à la précision 3-back mais pas à la capacité gF. Cette découverte est quelque peu en contradiction avec les récits qui placent la maintenance active « vanille » au centre de l'intelligence et du contrôle exécutif - d'autres processus (tels que les processus de rappel et de discrimination impliqués dans les essais de leurre) semblent manifester plus fortement la variance partagée avec gF. Cela semblerait avoir des applications à la notion de "contrôle réactif" et de "mémoire secondaire" comme discuté récemment dans la littérature - les travaux futurs devront clarifier les relations entre ces constructions.

Les auteurs notent que le volume de matière grise dans le cortex préfrontal latéral est sous contrôle génétique « significatif », ce qui suggère que la gF est peut-être elle-même largement héréditaire. La rumeur veut qu'une nouvelle publication (mais toujours en cours de révision) montre que l'héritabilité de gF est proche de 1. En revanche, les auteurs suggèrent ici que gF n'est probablement pas entièrement héritable, et qu'une meilleure compréhension des différences individuelles dans le les corrélats neuronaux de la gF pourraient contribuer aux futures tentatives d'amélioration de l'intelligence fluide.

Plus comme ça

Vous ne pouvez pas voir le bois pour les arbres..sourire
Intelligence, intelligent, du latin intelligere comprendre (INTER+legere rassembler, choisir).
Intelligent, Adroit, adroit, habile, talentueux.
Qu'entends-tu par intelligence ? Quelle est la différence entre être intelligent et être intelligent ? Une personne peut-elle être intelligente sans être intelligente et vice versa ? Écoutez quelques définitions de l'intelligence.
la capacité de comprendre, de comprendre et de tirer profit de l'expérience
����
L'intelligence est une capacité mentale générale qui implique la capacité de raisonner, de planifier, de résoudre des problèmes, de penser de manière abstraite, de comprendre des idées et un langage et d'apprendre. En psychologie, l'étude de l'intelligence est liée à l'étude de la personnalité mais n'est pas la même chose que la créativité, la personnalité, le caractère ou la sagesse.
����..
Adaptabilité à un nouvel environnement ou aux changements de l'environnement actuel
Capacité de connaissance et capacité de l'acquérir
Capacité de raison et de pensée abstraite
Capacité à comprendre les relations
Capacité d'évaluer et de juger
Capacité de réflexion originale et productive

De la précédente, la première définition avec quelques ajouts se rapproche le plus d'une bonne définition. C'est le désir et la capacité continus de comprendre et de comprendre par l'observation et le raisonnement logique. Qui est intelligent par cette définition ? Le test de QI actuel est utilisé (avec des modifications) depuis plus de 100 ans. Le score de QI moyen est de 100. Un score de QI de 160 vous place dans la catégorie génie et un score de >200 est classé comme génie non mesurable. Les ordinateurs deviennent de plus en plus puissants et sophistiqués. Un ordinateur est-il intelligent ? Non, il ne pourra jamais comprendre et comprendre. Il peut sembler le faire, mais ce sera une illusion. Ce ne sera jamais qu'une machine programmée. Même s'il est programmé pour générer son propre codage, il le fera d'une manière programmée incompréhensible. Il ne pensera jamais (je pense, donc je suis). Il semblera seulement aussi intelligent que les hommes ou les femmes qui l'ont programmé. Si vous ne comprenez pas et ne comprenez pas cela, alors vous n'êtes pas intelligent (ayant la compréhension). Il y a de jeunes enfants (de sept à dix ans) qui ont un QI de génie de 160-170. Ils ont des capacités d'apprentissage et des talents supérieurs à la normale. Cependant, comme un savant autiste, ils ne sont pas intelligents. Ils voient le monde d'une manière simpliste comme celle d'un enfant. L'un d'eux peut écrire de la musique et jouer du violon à un niveau professionnel. Un autre pourrait être capable de résoudre des problèmes mathématiques complexes. Cependant, ils n'ont pas de compréhension. Vous ne vous attendriez pas à une compréhension et à une compréhension philosophiques complexes de la part de l'un d'eux. Le test de QI devrait être appelé le test CQ (quotient d'intelligence) car il a tout à voir avec la mesure de l'intelligence et rien à voir avec la mesure de l'intelligence.
Nous vivons sur la fine croûte d'une sphère de roche et de fer en fusion, qui mesure près de 8 000 milles de diamètre. Il se déplace à 18 milles par seconde dans le vide noir de l'espace entourant une étoile (le soleil) qui se trouve à 93 millions de milles. La sphère a une fine couche d'atmosphère respirable (moins de 7 miles) et sans le champ magnétique généré par son noyau de fer, le rayonnement du soleil serait mortel pour la vie. Seule une personne intelligente comprendra et comprendra à quel point c'est étrange, grotesque et bizarre.
Beaucoup de gens utilisent la médecine homéopathique. Les substances sont diluées à un niveau si extrême qu'il ne reste rien de l'original. Il est évident que s'il ne reste rien de la source originelle, sa seule action sur l'organisme peut être celle d'un placebo. Une personne intelligente comprendra ce fait, mais une personne intelligente avec le QI d'un génie pourrait ne pas le faire. Il y a plus de 50% de certitude que votre mort ne sera pas agréable. Le pourcentage de chance que vous mouriez paisiblement dans un lit entouré de vos proches n'est pas bon. La réalité est la peur de mourir, le cancer, la maladie d'Alzheimer, l'infirmité douloureuse et toutes les indignités qui accompagnent la vieillesse. Quelle personne intelligente voudrait amener une autre personne dans ce monde avec la quasi-certitude que cela se produise ?
Vous ne pouvez pas être fou et intelligent, mais vous pouvez être fou et intelligent.
Plusieurs millions de personnes ont une croyance religieuse. C'est la croyance qu'il existe une entité invisible et intelligente qui sait tout, qui comprend tout, qui est toute puissante, parfaite dans l'amour qui est à l'origine de tout ici. Il est évident pour une personne intelligente que ce n'est pas vrai. Les faits ne sont pas cachés. Ce monde est extrêmement violent, dangereux et laid et l'a toujours été. S'il y a une entité invisible cachée, il est évident qu'elle est malveillante, mauvaise et non intelligente. Si vous aviez un jeune enfant, vous ne diriez pas �voyez comme je suis intelligent, je peux faire des milliers de choses que vous ne pouvez pas, aimez-moi, prosternez-vous, vénérez et adorez-moiï½. Si vous le faisiez, vous seriez à la fois fou et inintelligent. C'est pourtant ainsi que les religieux voient Dieu là-bas.
Une personne intelligente ne penserait pas qu'une personne qui aurait vécu il y a deux mille ans pourrait être son sauveur en donnant sa vie pour elle. La personne intelligente saurait que le péché est subjectif et qu'il n'a pas besoin d'être sauvé. Une personne intelligente ne croirait pas qu'en se faisant exploser avec les hommes, les femmes et les enfants de son voisinage, elle sera transportée au paradis (par un Dieu juste et aimant) et aura de belles femmes servantes lui accordant tous ses désirs sexuels.
Dans la même mesure, il n'est pas intelligent d'accepter une théorie appelée évolution. La théorie propose que tous les mammifères (y compris les humains) ont évolué à partir d'une petite créature ressemblant à une souris / musaraigne qui vivait à l'époque où les dinosaures se sont éteints il y a 65 millions d'années. Une personne intelligente voudrait savoir comment et pourquoi elle est ici et examinerait la théorie, examinerait toutes les preuves et porterait une attention particulière aux lignes temporelles impliquées dans cette courte période de 65 millions d'années. La personne qui ne le savait pas ne pouvait pas s'appeler intelligente. Cette personne pourrait être très intelligente et accomplie à bien des égards, mais ne serait pas intelligente. Si vous faites partie de ceux que vous n'êtes pas seuls, vous êtes légion.
On estime que le cerveau humain compte environ 100 milliards de neurones (100 000 000 000). Vous pourriez penser que c'est un très grand nombre? Si un neurone était assimilé à un octet informatique, cela équivaudrait à 100 gigaoctets. Mon PC a une zone de stockage de 150 gigaoctets. Je prends des photos avec mon appareil photo numérique, qui mesure 7 mégapixels (7 000 000). Si vous assimiliez un neurone à un pixel, la capacité totale de photos de 7 mégapixels que mon cerveau pourrait contenir serait de 14 000 à 15 000. Un neurone n'est qu'une cellule organique inconsciente non pensante qui se connecte à de nombreux autres neurones via des changements chimiques et électriques dans ses synapses. Comme vous pouvez le constater, 100 milliards, ce n'est pas beaucoup pour l'équivalent d'un simple interrupteur marche-arrêt. Comment ces cellules irréfléchies se combinent-elles et font-elles de nous des êtres sensibles et conscients ? Et pourquoi se fait-il que même s'il n'y a pas de différence dans les neurones de tout le monde, certaines personnes sont très intelligentes et d'autres pas ? Et pourquoi y a-t-il si peu d'intelligence (compréhension) ?
Imaginez un visiteur intelligent sur cette planète pour la première fois. Que penserait-il après avoir regardé son histoire et sa situation actuelle ? Les représentants élus au gouvernement de différentes factions se crient dessus comme des enfants. Pays dirigés par des personnes instables et agressives. Des millions de personnes meurent de faim tandis que des milliards sont dépensés pour des activités sans importance. Hommes, femmes et enfants tués pour des raisons de race ou de religion dans les guerres et les conflits internes. D'innombrables femmes tombent enceintes et avortent. Un fossé entre une minorité qui est riche et la majorité qui ne le sont pas. Pollution des mers et exploitation des terres. La liste s'allongerait encore et encore. La seule conclusion correcte possible est que la race humaine en soi n'a pas d'intelligence.
Les mots les plus profonds dans n'importe quelle langue sont probablement « je pense, donc je suis ». L'homme qui a dit cela a également dit ''Si vous voulez être un vrai chercheur de vérité, il faut qu'au moins une fois dans votre vie vous doutiez, autant que possible, de toutes choses''. La personne vraiment intelligente s'examine d'abord. Il a alors le repère pour questionner et examiner les autres.
Robert


Voir la vidéo: Défi 1 Mesurer la Gravité (Janvier 2022).