Bottom-up and generative computations uniquely explain neural responses across the social brain

Diese Studie widerlegt die Hypothese einer strikten räumlichen Arbeitsteilung im sozialen Gehirn, indem sie zeigt, dass sowohl bottom-up-verarbeitende als auch generative Inferenzmodelle die neuronale Aktivität in den Regionen pSTS und TPJ gleichermaßen erklären, was auf eine zeitliche statt räumliche Hierarchie der sozialen Kognition hindeutet.

Das Wesentliche

Titel: Wie unser Gehirn soziale Situationen versteht: Ein Tanz zwischen schnellem Sehen und tiefem Nachdenken

Stellen Sie sich vor, Sie schauen einem Cartoon zu, in dem zwei geometrische Formen – sagen wir, ein rotes Quadrat und ein blaues Dreieck – sich in einem Raum bewegen. Manchmal jagen sie sich, manchmal helfen sie sich, manchmal ignorieren sie sich.

Selbst ohne Gesichter oder Worte verstehen wir sofort: „Aha, das ist ein Spiel!" oder „Oh nein, das ist ein Kampf!" Aber wie genau funktioniert das in unserem Kopf?

Diese neue Studie von Manasi Malik und ihrem Team an der Johns Hopkins University untersucht genau das. Sie wollten herausfinden, welche Teile unseres Gehirns dafür zuständig sind und wie sie arbeiten.

Das alte Rätsel: Zwei getrennte Teams?

Bisher glaubten viele Wissenschaftler, dass unser Gehirn wie eine gut organisierte Fabrik mit zwei getrennten Abteilungen funktioniert:

1. Die „Schnell-Seh-Abteilung" (im hinteren Teil des Gehirns, pSTS): Diese Abteilung schaut nur auf das, was sie sieht. Sie sagt: „Das rote Ding bewegt sich schnell auf das blaue zu!" Sie arbeitet schnell und oberflächlich, wie ein Sicherheitskamera-System, das nur Bewegungen erfasst.
2. Die „Detektiv-Abteilung" (im TPJ, hinter dem Ohr): Diese Abteilung denkt nach. Sie fragt sich: „Warum jagt das rote Ding das blaue? Will es es fangen oder nur necken?" Sie versucht, die Absichten und Gefühle der anderen zu verstehen.

Die Theorie war: Zuerst schaut die Kamera zu, dann übergeben sie die Informationen an den Detektiv, der die Geschichte löst. Ein striktes „Zuerst A, dann B".

Der neue Ansatz: Zwei Computer-Modelle als Test

Um das zu testen, bauten die Forscher zwei künstliche Intelligenzen (Computer-Modelle), die wie diese beiden Gehirnteile funktionieren sollten:

• Das „Augen-Modell" (SocialGNN): Ein Programm, das nur die Bewegung und Position der Formen analysiert. Es kennt keine Gefühle, nur Physik und Abstände. Es ist wie ein sehr schneller Sportkommentator, der nur sagt: „Ball geht links, Spieler A rennt rechts."
• Das „Gedanken-Modell" (SIMPLE): Ein Programm, das wie ein echter Detektiv arbeitet. Es simuliert im Kopf: „Wenn das rote Quadrat das blaue fangen will, müsste es so laufen." Es rechnet mit Absichten und Zielen.

Das überraschende Ergebnis: Alles ist gemischt!

Die Forscher ließen 25 Menschen Videos dieser Animationen im MRT-Gerät schauen und maßen, welche Gehirnbereiche aktiv wurden. Dann verglichen sie diese Gehirnaktivität mit den Ergebnissen der beiden Computer-Modelle.

Das Überraschende:
Statt dass nur das „Augen-Modell" im Seh-Bereich aktiv war und nur das „Gedanken-Modell" im Denk-Bereich, passierte etwas ganz anderes:

Beide Modelle passten zu BEIDEN Gehirnbereichen!

Sowohl die „Schnell-Seh-Abteilung" (pSTS) als auch die „Detektiv-Abteilung" (TPJ) zeigten Aktivität, die sowohl durch das reine Sehen (Augen-Modell) als auch durch das Nachdenken (Gedanken-Modell) erklärt werden konnte.

Die Analogie:
Stellen Sie sich vor, Sie schauen einem Fußballspiel zu.

• Früher dachte man: Die Augen sehen nur den Ball (pSTS), und erst später denkt das Gehirn nach, wer gewinnen wird (TPJ).
• Die neue Studie sagt: Nein! Sogar während Sie nur auf den Ball schauen, denkt Ihr Gehirn bereits unbewusst über die Strategie nach. Und wenn Sie tief über die Strategie nachdenken, nutzen Sie immer noch Ihre visuellen Fähigkeiten. Es ist kein striktes „Erst-Sehen-dann-Denken", sondern ein gleichzeitiges Miteinander.

Der Zeit-Unterschied: Ein langsamer Tanz

Wenn man jedoch genau hinsieht, wie sich die Aktivität über die Zeit entwickelt (die Videos waren 10 Sekunden lang), findet man einen kleinen Unterschied:

• Das Sehen (Augen-Modell) ist ganz am Anfang am stärksten. Es ist wie der erste Schock, wenn man etwas sieht.
• Das Nachdenken (Gedanken-Modell) baut sich langsam auf und wird gegen Ende des Videos stärker.

Es ist, als würde man ein Puzzle zusammenlegen: Zuerst sieht man die einzelnen Teile (schnell), und dann, während man weiter schaut, beginnt man langsam, das große Bild zu erkennen (langsamer, aber tiefer).

Was bedeutet das für uns?

Diese Studie zeigt, dass unser Gehirn beim Verstehen von sozialen Situationen nicht in starre Schublade geteilt ist. Stattdessen arbeiten unsere Sinnesorgane und unser Verstand eng zusammen, oft zur gleichen Zeit, nur mit unterschiedlicher Geschwindigkeit.

• Früher: Wir dachten, unser Gehirn sei wie eine Fließbandarbeit (erst sehen, dann verstehen).
• Jetzt: Wir wissen, es ist eher wie ein Orchester, bei dem die Geigen (Sehen) und die Pauken (Nachdenken) gleichzeitig spielen, um eine schöne Melodie (soziale Intelligenz) zu erzeugen.

Das ist ein großer Schritt, um zu verstehen, wie wir Menschen so gut darin sind, die Absichten anderer zu lesen – eine Fähigkeit, die uns im Alltag, in der Liebe und in der Politik überlebenswichtig macht.

Technische Zusammenfassung

Titel

Bottom-up und generative Berechnungen erklären neuronale Antworten im sozialen Gehirn eindeutig

1. Problemstellung und Hypothese

Die Fähigkeit, soziale Interaktionen aus visuellen Eingaben abzuleiten, ist eine Kernkompetenz des Menschen. Bisherige neuroimaging-Studien haben ein Netzwerk von Hirnregionen identifiziert, das an dieser Verarbeitung beteiligt ist, darunter der posteriore obere temporale Sulcus (pSTS), der für die soziale Wahrnehmung zuständig ist, und den Temporoparietalkortex (TPJ), der mit mentalisierenden Prozessen (Theory of Mind) assoziiert wird.

Die vorherrschende Hypothese postuliert eine hierarchische und räumlich getrennte Arbeitsteilung:

• Der pSTS soll rein bottom-up arbeiten und schnelle, stimulusbasierte Repräsentationen sozialer Interaktionen generieren.
• Der TPJ soll inverse Planungs-Berechnungen (inverse planning) durchführen, um die zugrundeliegenden Ziele, Überzeugungen und Motivationen der Akteure zu inferieren.

Bisher fehlten jedoch erfolgreiche rechnerische Modelle, um diese spezifische computergestützte-neuronale Zuordnung (computational-neural mapping) formal zu testen.

2. Methodik

Experimentelles Design

• Teilnehmer: 25 Erwachsene (nach Ausschluss von 4 wegen Bewegungsartefakten oder Nichtbefolgen der Anweisungen).
• Stimuli: 50 Videos aus dem PHASE-Datensatz, die animierte Formen zeigen, die soziale Interaktionen (freundlich, neutral, feindselig) in einer 2D-Umgebung simulieren. Die Videos wurden so ausgewählt, dass sie die Repräsentationen der beiden verwendeten Modelle minimieren korrelieren, aber stark mit menschlichen Urteilen übereinstimmen.
• fMRI-Protokoll: Ganzhirn-fMRI-Aufnahmen während des Video-Viewings. Zusätzlich wurden funktionale Lokalisierer (Localizer) eingesetzt, um ROIs (Regions of Interest) für soziale Interaktion (pSTS) und Theory of Mind (TPJ) sowie für Bewegungswahrnehmung (MT) und frühe visuelle Verarbeitung (EVC) zu definieren.
• Verhalten: Teilnehmer bewerteten die Beziehungen der Akteure nach dem Scan.

Rechnerische Modelle

Die Studie verglich zwei komplementäre Modelle:

1. SocialGNN (Bottom-up): Ein Graph-Neural-Network-Modell, das soziale Interaktionen rein auf Basis visueller, relationaler Informationen erkennt. Es konstruiert Graphen aus Knoten (Agenten, Objekte mit Position, Geschwindigkeit, Orientierung) und Kanten (physischer Kontakt). Ein LSTM integriert die zeitliche Information. Es enthält keine expliziten Annahmen über Ziele oder Überzeugungen.
2. SIMPLE (Generativ/Inverse Planning): Ein generatives Modell, das soziale Beziehungen durch Inversion eines Modells der Agenten-Ziele und der physischen Welt inferiert. Es generiert Hypothesen über Ziele, simuliert Trajektorien mittels eines Physik-Engines und vergleicht diese mit den beobachteten Trajektorien, um die wahrscheinlichste Beziehung zu bestimmen.

Analysemethoden

• Representational Similarity Analysis (RSA): Vergleich der neuronalen Repräsentationsdissimilaritätsmatrizen (RDMs) mit den RDMs der Modelle und menschlichen Urteilen.
• Variance Partitioning: Semi-partielle Korrelationen wurden verwendet, um den einzigartigen Varianzanteil zu bestimmen, den jedes Modell erklärt, unter Kontrolle des anderen Modells und von Low-Level-Visuellen Merkmalen (Motion Energy).
• Zeitlich aufgelöste Analyse: Untersuchung der Dynamik der Modell-Ähnlichkeit über fünf 2-Sekunden-Fenster innerhalb der 10-Sekunden-Videos.

3. Wichtige Ergebnisse

A. Korrelation mit menschlichen Urteilen

Menschliche soziale Bewertungen korrelierten signifikant mit neuronalen Antworten sowohl im pSTS als auch im TPJ. Dies geschah auch nach Kontrolle für Low-Level-Visuelle Merkmale (Motion Energy), was zeigt, dass diese Regionen für die soziale Kategorisierung sensitiv sind.

B. Überraschende Überlappung der Modellvorhersagen

Entgegen der Hypothese einer strikten räumlichen Trennung zeigten beide Modelle (SocialGNN und SIMPLE) signifikante Ähnlichkeiten mit den neuronalen Antworten in beiden Regionen (pSTS und TPJ).

• Beide Modelle erklärten signifikante Varianz im pSTS (soziale Wahrnehmung) und im TPJ (Mentalisierung).
• Es gab keine signifikanten Unterschiede zwischen den Modellen in Bezug auf ihre Korrelation mit diesen Regionen.
• Ein Kontrollmodell (ControlRNN) ohne graphbasierte relationale Struktur konnte die neuronalen Antworten im pSTS und TPJ nicht erklären, was die Notwendigkeit relationaler Verarbeitung unterstreicht.

C. Einzigartige Varianz (Unique Variance)

Durch semi-partielle Korrelationen wurde gezeigt, dass beide Modelle einzigartige Varianzanteile in beiden Regionen erklären. Das bedeutet, dass der pSTS und der TPJ nicht nur auf eine Art von Berechnung spezialisiert sind, sondern beide Regionen eine Kombination aus relationaler Bottom-up-Verarbeitung und höherer inferentieller Reasoning enthalten.

D. Zeitliche Dynamik (Exploratorische Analyse)

Die zeitlich aufgelöste Analyse offenbarte eine temporale Hierarchie statt einer rein räumlichen:

• SocialGNN (Bottom-up): Zeigte ein "Anstieg-und-Abfall"-Muster, mit einem Peak in den frühen bis mittleren Phasen der Videos.
• SIMPLE (Inverse Planning): Zeigte einen allmählichen, kontinuierlichen Anstieg über die Zeit, der erst später im Video stärker wurde.
  Dies deutet darauf hin, dass die Verarbeitung von visueller Wahrnehmung zu höherer Inferenz über die Zeit hinweg erfolgt, wobei beide Prozesse in beiden Regionen stattfinden.

4. Hauptbeiträge und Bedeutung

• Widerlegung strikter räumlicher Trennung: Die Studie liefert den ersten direkten Beweis, dass die strikte Zuordnung von "Bottom-up" zu pSTS und "Inverse Planning" zu TPJ falsch ist. Stattdessen führen beide Regionen beide Arten von Berechnungen durch.
• Temporale vs. Räumliche Hierarchie: Die Ergebnisse deuten darauf hin, dass die Hierarchie der sozialen Kognition eher zeitlich (frühe visuelle Verarbeitung gefolgt von späterer Inferenz) als strikt räumlich organisiert ist.
• Validierung kognitiver Modelle: Es ist die erste Studie, die ein inverses Planungsmodell (SIMPLE) direkt mit fMRI-Daten vergleicht und zeigt, dass theoriegetriebene kognitive Modelle neuronale Antworten auf soziale Szenen erfolgreich vorhersagen können.
• Notwendigkeit relationaler Induktionsverzerrungen: Die Ergebnisse unterstreichen, dass reine Bottom-up-Modelle ohne relationale Struktur (wie Graphen) nicht ausreichen, um die Aktivität im sozialen Gehirn zu erklären.

5. Fazit

Diese Arbeit erweitert das Verständnis der neuronalen Mechanismen der sozialen Kognition erheblich. Sie zeigt, dass das menschliche Gehirn soziale Szenen nicht durch eine einfache Kaskade von getrennten Regionen verarbeitet, sondern durch eine dynamische Interaktion von Bottom-up-Verarbeitung und Top-down-Inferenz, die in denselben Hirnarealen stattfindet, jedoch auf unterschiedlichen Zeitskalen. Dies legt nahe, dass zukünftige Modelle der sozialen Kognition hybride Architekturen benötigen, die beide Mechanismen integrieren.