Same Movements, Different Skills: How Context Shapes Learning in Humans and Neural Networks
यह शोध पत्र यह प्रदर्शित करता है कि प्रदर्शन संदर्भों (performance contexts) को बदलने से समान संचलन अनुक्रमों (movement sequences) को एकीकृत निरूपणों के बजाय विशिष्ट कौशलों के रूप में सीखा जा सकता है, एक ऐसी घटना जो मानव शिक्षार्थियों और रिकरेंट न्यूरल नेटवर्क दोनों में तब देखी जाती है जब मजबूत प्रासंगिक इनपुट उच्च प्रारंभिक भार पैमानों (high initial weight scales) के साथ मेल खाते हैं।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
हम अक्सर यह मान लेते हैं कि सीखना ज्ञान के एक बढ़ते हुए ढेर में अनुभवों को जमा करने जैसा है। यदि आप अपने जूते के फीते बांधना सीख जाते हैं, तो आप इसे रसोई में या बरामदे में भी कर सकते हैं; यदि आप पियानो पर एक धुन सीखते हैं, तो आप इसे आँखें खोलकर या बंद करके बजा सकते हैं। यह अंतर्ज्ञान सुझाव देता है कि मस्तिष्क मूल क्रिया—गति के क्रम—को एक एकीकृत कौशल के रूप में देखता है, जो उस परिवेश से अलग है जिसमें वह घटित होती है। मोटर लर्निंग (गति संबंधी शिक्षण) की दुनिया में, वैज्ञानिक लंबे समय से इस बात पर बहस कर रहे हैं कि क्या यह सच है। क्या मस्तिष्क विभिन्न अनुभवों को एक सामान्य क्षमता बनाने के लिए एक साथ जोड़ देता है, या वह उन्हें अलग रखता है, और एक ही गति को उसके प्रदर्शन के स्थान और तरीके के आधार पर एक अलग कार्य मानता है? इसका उत्तर महत्वपूर्ण है क्योंकि यह प्रकट करता है कि हम नई स्थितियों के अनुकूल कैसे होते हैं और हम कभी-कभी एक सेटिंग से दूसरे सेटिंग में कौशल को स्थानांतरित करने में संघर्ष क्यों करते हैं।
प्रिंसटन यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इस सामान्यीकरण (generalization) की सीमाओं का परीक्षण करने का निर्णय लिया। उन्होंने एक सरल लेकिन गहन प्रश्न पूछा: यदि कोई व्यक्ति उंगलियों की बिल्कुल समान गति का अभ्यास करता है, लेकिन ऐसा करते समय आसपास का वातावरण बदलता रहता है, तो क्या वे एक कौशल सीखेंगे या दो? यह पता लगाने के लिए, उन्होंने मानव स्वयंसेवकों और कंप्यूटर मॉडल दोनों का सहारा लिया। उन्होंने एक कार्य डिजाइन किया जहाँ भौतिक क्रिया कभी नहीं बदली, लेकिन उसके आसपास की "कहानी" बदलती रही। एक संस्करण में, वह क्रम स्क्रीन पर स्क्रॉल होते हुए संगीत के नोट्स जैसा दिखता था, जिसके साथ स्वर (tones) भी थे। दूसरे संस्करण में, वही क्रम एक डिजिटल भूलभुलभैया (maze) के माध्यम से एक पात्र को आगे बढ़ाता था। कंप्यूटर मॉडलों के लिए, उन्होंने सरल नेटवर्क बनाए जो इस तरह नकल करते हैं जैसे न्यूरॉन्स एक-दूसरे को संकेत भेजते हैं, जिससे शोधकर्ताओं को मशीन के "मस्तिष्क" के भीतर झांकने और यह देखने की अनुमति मिली कि वह सूचना को कैसे व्यवस्थित करती है।
परिणामों ने इस विचार को चुनौती दी कि समान गतियाँ हमेशा समान शिक्षण की ओर ले जाती हैं। जब कंप्यूटर नेटवर्क को एक विशिष्ट प्रकार के लचीलेपन के साथ सेट किया गया और उन्हें मजबूत पर्यावरणीय संकेतों के संपर्क में लाया गया, तो उन्होंने दो कार्यों को एक ही चीज़ मानना बंद कर दिया। उंगलियों के क्रम के लिए एक साझा स्मृति बनाने के बजाय, उन्होंने दो अलग-अलग स्मृतियाँ बनाईं। जब संदर्भ संगीत से भूलभुलैया में बदला, तो नेटवर्क लड़खड़ा गया, मानो उसे उस क्रम को शून्य से फिर से सीखना हो। यह "स्विचिंग कॉस्ट" (बदलने की लागत) इस बात का स्पष्ट संकेत था कि मशीन ने कौशल को दो अलग-अलग भागों में विभाजित कर दिया था। महत्वपूर्ण रूप से, यह विभाजन केवल तभी हुआ जब दो शर्तें पूरी हुईं: नेटवर्क को अपने आंतरिक कनेक्शनों को नया आकार देने के लिए पर्याप्त लचीला होना चाहिए था, और पर्यावरणीय संकेतों को उसका ध्यान खींचने के लिए पर्याप्त मजबूत होना चाहिए था। यदि इनमें से कोई भी शर्त गायब थी, तो नेटवर्क अनुभवों को एक साथ जोड़ देता था और सुचारू रूप से सामान्यीकरण करता था।
मानव प्रतिभागियों ने भी एक आश्चर्यजनक रूप से समान पैटर्न दिखाया। लोगों ने एक कीबोर्ड पर उंगलियों के एक ही आठ-क्रम का अभ्यास किया, कभी एक संदर्भ में रहे तो कभी संगीत और भूलभुलैया वाले संस्करणों के बीच बदलते रहे। जो लोग संदर्भ बदलते रहे, उनकी प्रदर्शन वक्र (performance curves) एक सीधी रेखा में नहीं थे। इसके बजाय, उनके सुधार के ग्राफ टूट गए। जब वे भूलभुलैया से संगीत की ओर स्विच करते, तो उनकी गति काफी कम हो जाती, जैसे कि वे फिर से शुरुआत कर रहे हों। जब वे वापस लौटते, तो वे फिर से गिर जाते। यह तब भी हुआ जब उंगलियों की हरकतें बिल्कुल समान थीं और संदर्भ ने कार्य को हल करने के लिए कोई उपयोगी जानकारी प्रदान नहीं की थी। मस्तिष्क ने, ऐसा प्रतीत होता है, संदर्भ को स्वयं कौशल का एक हिस्सा मान लिया था। परिवेश को बदलकर, शोधकर्ताओं ने अनजाने में एक कौशल को दो कौशलों में बदल दिया था।
यह समझने के लिए कि पर्दे के पीछे क्या हो रहा था, शोधकर्ताओं ने सीखने की प्रक्रिया को मॉडल करने के लिए एक गणितीय ढांचे का उपयोग किया। उन्होंने परीक्षण किया कि क्या डेटा एक ऐसे मॉडल में फिट बैठता है जहाँ सीखना विभिन्न संदर्भों में साझा किया जाता है, एक ऐसा मॉडल जहाँ संदर्भ एक-दूसरे को थोड़ा प्रभावित करते हैं, या एक ऐसा मॉडल जहाँ वे पूरी तरह से अलग हैं। मानव डेटा के लिए सबसे उपयुक्त 'स्प्लिट मॉडल' (विभाजित मॉडल) था, जो सुझाव देता है कि लोग वास्तव में एक ही क्रम के दो अलग-अलग संस्करण सीख रहे थे। कंप्यूटर मॉडलों ने इसकी पुष्टि की, यह दिखाते हुए कि जिन मॉडलों ने अपने शिक्षण को विभाजित किया, उनमें उनके आंतरिक प्रतिनिधित्व के बीच सबसे बड़े अंतर भी देखे गए। अध्ययन बताता है कि मस्तिष्क केवल गतिविधियों को रिकॉर्ड नहीं करता है; यह पूरी स्थिति को रिकॉर्ड करता है। जब स्थिति बदलती है, तो मस्तिष्क पुराने वाले को अपडेट करने के बजाय गति को एक नई, अलग इकाई के रूप में संग्रहीत करने का निर्णय ले सकता है।
यह खोज इस बारे में हमारी सोच को बदल देती है कि अभ्यास और महारत क्या है। यह संकेत देता है कि सीखे गए कौशल की सीमाएँ केवल उसे करने के लिए आवश्यक भौतिक गतिविधियों द्वारा परिभाषित नहीं होती हैं। इसके बजाय, जिस संदर्भ में आप सीखते हैं, वह इस बात में शक्तिशाली भूमिका निभाता है कि कौशल को कैसे संग्रहीत और पुनः प्राप्त किया जाता है। यदि आप एक विशिष्ट गीत बजाते समय नोटों के एक क्रम को सीखते हैं, तो आप उन समान उंगली की गतिविधियों का उपयोग दूसरे गीत बजाते समय उतनी आसानी से नहीं कर पाएंगे, भले ही नोट समान हों। मस्तिष्क परिवेशी संदर्भ को निर्देश के एक प्रमुख हिस्से के रूप में मानता है। शोधकर्ताओं ने पाया कि यह अलगाव कोई गलती या दोष नहीं है, बल्कि यह सीखने वाले सिस्टम के अनुभव को व्यवस्थित करने का एक तरीका है। हम अनुभवों को एक साथ जोड़ते हैं या उन्हें अलग करते हैं, यह इस पर निर्भर करता है कि हम पर्यावरण को कितना महत्व देते हैं और हमारे आंतरिक सिस्टम कितने लचीले हैं।
अध्ययन सामान्यीकरण के लिए आवश्यक सूक्ष्म संतुलन को भी उजागर करता है। कंप्यूटर सिमुलेशन में, नेटवर्क ने अपने शिक्षण को केवल तभी विभाजित किया जब उन्हें अपने आंतरिक ढांचे को पुनर्गठित करने की स्वतंत्रता दी गई और जब पर्यावरणीय संकेत इतने मुखर थे कि ध्यान आकर्षित कर सकें। बिना उस लचीलेपन के, वे एक एकल, साझा स्मृति से चिपके रहे। बिना मजबूत संकेतों के, उन्होंने संदर्भ को अनदेखा किया और स्वतंत्र रूप से सामान्यीकरण किया। यह सुझाव देता है कि मानव मस्तिष्क भी इसी तरह काम करता है, वह कार्य के महत्व और परिवेश के महत्व के बीच लगातार संतुलन बनाता रहता है। जब परिवेश महत्वपूर्ण लगता है, तो हम संदर्भ-विशिष्ट कौशल सीखते हैं। जब यह अप्रासंगिक लगता है, तो हम सामान्य कौशल सीखते हैं।
अंततः, यह कार्य प्रकट करता है कि सीखना तथ्यों या गतिविधियों का एक साधारण संचय नहीं है। यह तय करने की एक गतिशील प्रक्रिया है कि क्या एक साथ रखा जाना चाहिए और किसे अलग रखा जाना चाहिए। उंगलियों के टैप का एक ही क्रम एक कौशल या दो कौशल हो सकता है, यह इस पर निर्भर करता है कि मस्तिष्क खुद को यह कहानी सुनाता है कि वे टैप कहाँ हो रहे हैं। यह अंतर्दृष्टि यह समझाने में मदद करती है कि हम कभी-कभी कक्षा में सीखी गई बातों को वास्तविक दुनिया में लागू करने में संघर्ष क्यों करते हैं, या क्यों एक वातावरण में सीखा गया कौशल दूसरे में पराया सा लगता है। मस्तिष्क केवल गति को नहीं सीख रहा है; वह उस दुनिया को सीख रहा है जिसमें वह गति घटित हो रही है। और ऐसा करके, वह अनुभव का एक समृद्ध, जटिल मानचित्र बनाता है जहाँ एक ही क्रिया के कई अलग-अलग अर्थ हो सकते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।