Decision Confidence Neuron in Echo State Network for Continual Evaluation of EEG Motor Imagery Classification Quality

تخيل حاسوباً يتعلم اتخاذ الخيارات كما يفعل الدماغ البشري، ليس عبر معالجة الأرقام بطريقة جامدة وخطوة بخطوة، بل من خلال السماح للإشارات بالتموج عبر شبكة من الروابط، تماماً مثل تدفق المياه عبر نظام معقد من الأنابيب. هذا النهج، المعروف باسم "الحوسبة الخزانية" (reservoir computing)، مصمم ليكون موفراً للطاقة وسريعاً، مما يجعله مثالياً للأجهزة التي تحتاج للعمل عند "الحافة"، مثل المستشعرات القابلة للارتداء أو أجهزة المراقبة الطبية. ومع ذلك، كانت هناك عقبة رئيسية تتمثل دائماً في الثقة؛ فعندما يتخذ مثل هذا النظام قراراً، فإنه عادة ما يعطي إجابة فقط: "يسار" أو "يمين"، "آمن" أو "خطير". نادراً ما يقدم طبقة ثانية من المعلومات: ما مدى تأكده؟ في المواقف عالية المخاطر، مثل التحكم في كرسي متحرك عبر أفكارك أو تشخيص حالة مريض، فإن معرفة مستوى يقين الآلة لا يقل أهمية عن القرار نفسه. وبدون ذلك، لا يمكن للمستخدم أن يعرف ما إذا كان أمرٌ يبدو واثقاً هو في الواقع خطأ أم خيار صائب.

لقد سعى فريق من الباحثين لحل هذه المعضلة عبر منح الحاسوب طريقة لـ "التفكير في تفكيره". فقد بنوا نوعاً معيناً من الشبكات يسمى "شبكة الحالة الصدوية" (echo state network)، وهي نسخة مبسطة من الحوسبة الخزانية تحاكي قدرة الدماغ على معالجة الإشارات القائمة على الزمن. وكان ابتكارهم يتمثل في إضافة مكون خاص إلى هذه الشبكة: عصبون مخصص فقط لقياس الثقة. فبدلاً من مجرد إخراج خيار نهائي، يقوم هذا العصبون الإضافي بمراقبة النشاط الداخلي للشبكة أثناء جمعها للأدلة. ومع ميل الشبكة بشكل أكبر نحو أحد الخيارات دون الآخر، يضيء عصبون الثقة هذا، مما يوفر قراءة فورية لمدى وضوح الاختيار. أراد الباحثون معرفة ما إذا كان هذا النظام الاصطناعي يمكنه محاكاة "ما وراء المعرفة" (metacognition) لدى البشر، وهي القدرة على الحكم على جودة قرارات المرء، وما إذا كان بإمكانه القيام بذلك بشكل موثوق بما يكفي ليكون مفيداً في السيناريوهات الواقعية.

ولاختبار فكرتهم، أنشأ الفريق أولاً بيئة محاكاة حيث كان على الشبكة الاختيار بين إشارتين مشوشتين. قدموا للنظام أزواجاً من المدخلات التي تفاوتت في الوضوح، من الغموض التام إلى الوضوح الشديد. وفي هذه البيئة المنضبطة، تصرف عصبون الثقة الخاص بالشبكة تماماً كما كان مأمولاً؛ فعندما كانت الإشارات سهلة التمييز، أظهر عصبون الثقة نشاطاً عالياً، وعندما كانت الإشارات ضبابية ويصعب التمييز بينها، انخفض النشاط. أثبت هذا أن النظام يمكنه تتبع صعوبة المهمة وتعديل مقياس الثقة الداخلي لديه وفقاً لذلك. ومع ذلك، لاحظ الباحثون أيضاً وجود قصور هنا: ففي عمليات المحاكاة البسيطة والثابتة هذه، استطاع عصبون الثقة تحديد مدى صعوبة المهمة، لكنه كافح للتمييز بين التخمين الصحيح والخاطئ عندما كانت درجة الصعوبة متساوية؛ أي أن النظام عرف أن المهمة صعبة، لكنه لم يكن يعرف دائماً ما إذا كان قد اتخذ القرار الصحيح أم لا.

أما الاختبار الحقيقي فقد جاء عندما انتقل الباحثون من المحاكاة إلى البيانات البشرية الحقيقية. فقد طبقوا نموذجهم على مجموعة بيانات لواجهة الدماغ والحاسوب (BCI) تتعلق بالتصور الحركي، حيث يتخيل الأشخاص تحريك أيديهم اليمنى أو اليسرى. قام النظام بتحليل الإشارات الكهربائية من الدماغ والتي تم تسجيلها عبر أقطاب كهربائية وضعت على فروة الرأس. وبخلاف البيانات المحاكية النظيفة، كانت إشارات الدماغ هذه فوضوية وتختلف من شخص لآخر. قام الباحثون بتدريب الشبكة على بيانات من بعض الجلسات، ثم اختبروها على جلسة جديدة لم يسبق رؤيتها لمعرفة كيفية أدائها في سيناريو واقعي. كانت النتائج مذهلة؛ ففي هذه البيئة المعقدة والواقعية، فعل عصبون الثقة أكثر من مجرد قياس صعوبة المهمة، فقد نجح في التمييز بين القرارات الصحيحة والأخطاء. فعندما اتخذت الشبكة قراراً صحيحاً، كان إشارة الثقة أعلى عموماً مما كانت عليه عند ارتكاب خطأ. هذه القدرة على الفصل بين الصواب والخطأ بناءً على درجة ثقة داخلية هي سمة من سمات "ما وراء المعرفة" البشرية، وقد حققتها الآلة.

وكشف البحث أيضاً أن إشارة الثقة هذه لم تكن مجرد مفتاح ثنائي (تشغيل/إيقاف)، بل كانت مقياساً متدرجاً. قام الباحثون بفرز التجارب إلى مجموعات بناءً على مدى ارتفاع إشارة الثقة، ووجدوا نمطاً واضحاً: التجارب ذات درجات الثقة الأعلى كانت أيضاً هي تلك التي كانت الشبكة فيها أكثر عرضة للصواب. ومع ارتفاع قراءة الثقة، كانت دقة القرار ترتفع معها أيضاً. تشير هذه العلاقة الرتيبة إلى أن المقياس الداخلي للنظام هو مؤشر موثوق لأدائه. حقق النموذج دقة تصنيف بلغت حوالي 72 بالمائة، وهي أفضل قليلاً من الطرق القياسية المستخدمة لهذا النوع من البيانات، لكن إضافة عصبون الثقة وفرت طبقة من الأمان والشفافية تفتقر إليها الطرق القياسية.

إن تداعيات هذا العمل تمتد إلى ما هو أبعد من مجرد خوارزميات أفضل. فمن خلال منح الآلة طريقة للتعبير عن عدم اليقين، خلق الباحثون نظاماً أكثر موثوقية للمستخدمين البشر. فإذا كانت واجهة الدماغ والحاسوب تتحكم في جهاز ما، فإن قراءة الثقة المنخفضة يمكن أن تعمل كعلامة تحذير، مما يدفع المشغل البشري للتدخل أو إيقاف الإجراء قبل أن يتسبب الخطأ في ضرر. وعلى العكس من ذلك، فإن قراءة الثقة العالية يمكن أن تسمح للنظام بالمضي قدماً باستقلالية أكبر. ويؤكد الباحثون أن هذا النهج لا يتطلب حسابات معقدة ومستهلكة للطاقة، بل هو إضافة خفيفة لنظام فعال بالفعل. وبينما أظهرت عمليات المحاكاة أن النظام يمكنه قياس الصعوبة، أثبتت بيانات الدماغ الحقيقية أنه يمكنه أيضاً الحكم على الصحة، وهي خطوة حاسمة نحو بناء ذكاء اصطناعي يمكن دمجه بأمان في التقنيات الطبية والمساعدة الحرجة. ويشير العمل إلى أنه من خلال محاكاة طرق الدماغ الخاصة في مراقبة القرارات، يمكننا بناء آلات لا تفكر فحسب، بل تعرف أيضاً متى تكون على صواب.