Nützliches Tool: EPFL: eine KI, um den Überraschungseffekt besser zu verstehen

Ein EPFL-Forscher, der Neurowissenschaften und Informatik vereint, hat einen Algorithmus für künstliche Intelligenz (KI) entwickelt, der in der Lage ist, die Auswirkungen von Überraschungen oder Neuheiten auf das Verhalten vorherzusagen. Ein Werkzeug, das beispielsweise in der Psychiatrie oder im Bildungswesen nützlich sein könnte.

In seiner Doktorarbeit entwarf Alireza Modirshanechi, Forscher am Computational Neuroscience Laboratory der Eidgenössischen Technischen Hochschule in Lausanne (EPFL), einen Algorithmus, der als intelligenter künstlicher Agent beschrieben wird, der Menschen imitiert. Unter den gleichen Experimenten führt er die gleichen Aufgaben mit den gleichen Ergebnissen aus.

Zweck der Operation: den Überraschungseffekt besser definieren und seine Auswirkungen auf verschiedene Gehirnfunktionen untersuchen. Anhand klassischer Experimente der Verhaltensforschung hat der Spezialist eine Taxonomie von 18 verschiedenen mathematischen Definitionen von Überraschung und Neuheit entwickelt.

Anschließend untersuchte Herr Modirshanechi die Ähnlichkeiten dieser Definitionen, ihre Unterschiede und die Bedingungen, die sie ununterscheidbar machen. Sein Algorithmus unterscheidet somit zwischen Überraschung, die als Modulator der Lerngeschwindigkeit angesehen wird, und Neuheit, die die Erkundung eines Ziels vorantreibt.

Testvorhersagen

„Wir haben dies mathematisch quantifiziert“, erklärt der Forscher, der am Freitag in einer Pressemitteilung der EPFL zitiert wird: „Wir können somit unterscheiden, dass Überraschung den Lernprozess beschleunigt, während Neuheit die Erkundung vorantreibt.“ Wir können die Signale im Gehirn dissoziieren.

Ein zweiter Schritt bestand darin, die Vorhersagen des Algorithmus an Menschen zu testen, um zu sehen, ob sie konsistent waren. Der Wissenschaftler analysierte in kognitiven Experimenten die Verhaltens- und Elektroenzephalogramm-Daten (EEG) menschlicher Probanden. „Wir konnten zwischen 60 und 80 % der Entscheidungen vorhersagen, die die Probanden während der Experimente treffen würden“, gibt der Forscher an.

„Jeder weiß, dass ein Apfel herunterfällt, wenn man ihn fallen lässt. Aber Newton hat die Formel gefunden, die es erklärt. Das ist sozusagen unser Ziel. Wir konnten den Algorithmus definieren, der vorhersagt, wann und in welchem ​​Ausmaß das Subjekt überrascht ist, und wir können erklären, mit welcher Gleichung Menschen schneller lernen, wenn sie überrascht sind“, erklärt er.

Eine Grundlage für die Forschung

Dieser Algorithmus stellt eine Grundlage für weitere Forschungen dar. „Das EEG legt beispielsweise nahe, dass Menschen mit Schizophrenie eine andere Perspektive auf Überraschungen haben als diejenigen in Kontrollgruppen. Aber wir wissen nicht, wie unterschiedlich ihre Sichtweise ist“, bemerkt der Spezialist.

In anderen Bereichen, etwa im Bildungswesen, könnte diese Grundlage es ermöglichen, Möglichkeiten zu erkunden, Überraschungen zu nutzen, um den Lernprozess oder das Auswendiglernen zu stärken.

Der andere Beitrag dieser Arbeit ist KI. „Die meisten existierenden Algorithmen basieren auf einer stabilen Umgebung. Wir müssen diese Überraschungssignale daher integrieren, um unsere Modelle zu aktualisieren und eine zuverlässigere und sicherere KI zu entwickeln“, schließt der Postdoktorand.