এমআইটি আপনার মস্তিষ্ক জটিল সমস্যাগুলি আউটমার্ট করতে ব্যবহার করে লুকানো প্লেবুকটি উন্মোচন করে

এটি আমাদের কফির জন্য পদক্ষেপে ভেঙে যাওয়ার মতো একটি দৈনিক কাজ শেষ করতে দেয়: আমাদের অফিসের বিল্ডিং থেকে বেরিয়ে আসা, কফি শপটিতে নেভিগেট করা এবং একবার সেখানে কফি প্রাপ্তি। এই কৌশলটি আমাদের সহজেই বাধাগুলি পরিচালনা করতে সহায়তা করে। উদাহরণস্বরূপ, যদি লিফটটি ভেঙে যায় তবে আমরা অন্যান্য পদক্ষেপগুলি পরিবর্তন না করে কীভাবে বিল্ডিং থেকে বেরিয়ে আসি তা সংশোধন করতে পারি।

যদিও এই জটিল কাজগুলিতে মানুষের দক্ষতা প্রদর্শন করে এমন অনেক আচরণগত প্রমাণ রয়েছে, তবে পরীক্ষামূলক পরিস্থিতিগুলি তৈরি করা কঠিন হয়ে পড়েছে যা সমস্যাগুলি সমাধান করার জন্য আমরা যে গণনামূলক কৌশলগুলি ব্যবহার করি তার যথাযথ বৈশিষ্ট্যকে মঞ্জুরি দেয়।

একটি নতুন গবেষণায়, এমআইটি গবেষকরা সফলভাবে মডেল করেছেন যে কীভাবে লোকেরা একটি জটিল কাজ সমাধানের জন্য বিভিন্ন সিদ্ধান্ত গ্রহণের কৌশল মোতায়েন করে-এই ক্ষেত্রে, যখন বলটি দৃশ্য থেকে লুকানো থাকে তখন কোনও বল কীভাবে গোলকধাঁধার মধ্য দিয়ে ভ্রমণ করবে তা ভবিষ্যদ্বাণী করে। মানব মস্তিষ্ক এই কাজটি পুরোপুরি সম্পাদন করতে পারে না কারণ সমান্তরালভাবে সম্ভাব্য সমস্ত ট্র্যাজেক্টরিগুলি ট্র্যাক করা অসম্ভব, তবে গবেষকরা আবিষ্কার করেছেন যে লোকেরা শ্রেণিবদ্ধ যুক্তি এবং পাল্টা যুক্তিযুক্ত যুক্তি হিসাবে পরিচিত দুটি কৌশল নমনীয়ভাবে গ্রহণ করে যুক্তিসঙ্গতভাবে ভাল সম্পাদন করতে পারে।

গবেষকরা সেই পরিস্থিতি নির্ধারণ করতে সক্ষম হন যার অধীনে লোকেরা সেই কৌশলগুলির প্রতিটি বেছে নেয়।

“মানুষ যা করতে সক্ষম তা হ’ল গোলকধাঁধাটি সাবসেকশনগুলিতে বিভক্ত করা এবং তারপরে তুলনামূলকভাবে সহজ অ্যালগরিদমগুলি ব্যবহার করে প্রতিটি পদক্ষেপ সমাধান করা। কার্যকরভাবে, যখন আমাদের কাছে একটি জটিল সমস্যা সমাধান করার উপায় নেই, তখন আমরা সহজ হিউরিস্টিক্স ব্যবহার করে পরিচালনা করে যা কাজ করে, ব্রেন এবং জ্ঞানীয় বিজ্ঞান বিভাগের একজন অধ্যাপক বলেছেন,” মেডিকেল ইনস্টিটিউট এবং অধ্যয়নের সিনিয়র লেখক।

মাহদী রমজান পিএইচডি ’24 এবং স্নাতক শিক্ষার্থী চেং তাং কাগজের প্রধান লেখক, যা আজ উপস্থিত রয়েছে প্রকৃতি মানব আচরণ। নিকোলাস ওয়াটার্স পিএইচডি ’25 এছাড়াও একজন সহ-লেখক।

যুক্তিযুক্ত কৌশল

মানুষ যখন সাধারণ কাজগুলি সম্পাদন করে যার স্পষ্ট সঠিক উত্তর রয়েছে যেমন অবজেক্টগুলিকে শ্রেণিবদ্ধ করা, তারা অত্যন্ত ভাল সম্পাদন করে। যখন কাজগুলি আরও জটিল হয়ে ওঠে, যেমন আপনার প্রিয় ক্যাফেতে ভ্রমণের পরিকল্পনা করার মতো, সেখানে আর কোনও স্পষ্টভাবে উচ্চতর উত্তর থাকতে পারে না। এবং, প্রতিটি পদক্ষেপে, অনেকগুলি জিনিস রয়েছে যা ভুল হতে পারে। এই ক্ষেত্রে, মানুষ এমন একটি সমাধান কাজ করতে খুব ভাল যা কাজটি সম্পন্ন করবে, যদিও এটি সর্বোত্তম সমাধান নাও হতে পারে।

এই সমাধানগুলিতে প্রায়শই সমস্যা সমাধানের শর্টকাট বা হিউরিস্টিকস জড়িত। দুটি বিশিষ্ট হিউরিস্টিক মানুষ সাধারণত নির্ভর করে শ্রেণিবদ্ধ এবং পাল্টা যুক্তিযুক্ত যুক্তি। শ্রেণিবদ্ধ যুক্তি হ’ল সাধারণ থেকে শুরু করে এবং নির্দিষ্টকরণের দিকে এগিয়ে যাওয়া স্তরগুলিতে কোনও সমস্যা ভেঙে ফেলার প্রক্রিয়া। কাউন্টারফ্যাক্টাল যুক্তিতে আপনি যদি অন্য কোনও পছন্দ করে থাকেন তবে কী ঘটত তা কল্পনা করা জড়িত। যদিও এই কৌশলগুলি সুপরিচিত, বিজ্ঞানীরা কীভাবে একটি নির্দিষ্ট পরিস্থিতিতে কোনটি ব্যবহার করবেন তা সিদ্ধান্ত নেয় সে সম্পর্কে খুব বেশি কিছু জানেন না।

“এটি জ্ঞানীয় বিজ্ঞানের ক্ষেত্রে সত্যিই একটি বড় প্রশ্ন: আমরা কীভাবে সমস্যাটি সমাধান না করা পর্যন্ত আমাদের আরও কাছাকাছি এবং আরও কাছাকাছি পৌঁছে দিয়ে শেষ করে এমনভাবে চেইন করে এমন চতুর হিউরিস্টিক্স নিয়ে এসে আমরা কীভাবে একটি সাব-অপটিমাল উপায়ে সমস্যা সমাধান করব?” জাজায়েরি বলে।

এটি কাটিয়ে উঠতে, জাজায়েরি এবং তার সহকর্মীরা এমন একটি কাজ তৈরি করেছিলেন যা এই কৌশলগুলির প্রয়োজনের পক্ষে যথেষ্ট জটিল, তবুও যথেষ্ট সহজ যে ফলাফলগুলি এবং তাদের মধ্যে যে গণনাগুলি যায় তা পরিমাপ করা যেতে পারে।

টাস্কের অংশগ্রহণকারীদের একটি বলের পথের পূর্বাভাস দেওয়া প্রয়োজন কারণ এটি একটি গোলকধাঁধায় চারটি সম্ভাব্য ট্র্যাজেক্টরিগুলির মধ্য দিয়ে চলেছে। একবার বলটি গোলকধাঁধায় প্রবেশ করলে লোকেরা দেখতে পাবে না যে এটি কোন পথে ভ্রমণ করে। গোলকধাঁধায় দুটি জংশনে, যখন বলটি সেই পয়েন্টে পৌঁছে যায় তখন তারা একটি শ্রুতি কিউ শুনতে পায়। বলের পথের পূর্বাভাস দেওয়া এমন একটি কাজ যা মানুষের পক্ষে নিখুঁত নির্ভুলতার সাথে সমাধান করা অসম্ভব।

“এটি আপনার মনে চারটি সমান্তরাল সিমুলেশন প্রয়োজন, এবং কোনও মানুষ এটি করতে পারে না It এটি একবারে চারটি কথোপকথন করার সাথে সাদৃশ্যপূর্ণ,” জাজায়েরি বলেছেন। “টাস্কটি আমাদের এই অ্যালগরিদমের এই সেটটি ট্যাপ করতে দেয় যা মানুষ ব্যবহার করে, কারণ আপনি কেবল এটি সর্বোত্তমভাবে সমাধান করতে পারবেন না।”

গবেষণায় অংশ নিতে গবেষকরা প্রায় দেড়শ মানব স্বেচ্ছাসেবক নিয়োগ করেছিলেন। প্রতিটি বিষয় বল-ট্র্যাকিং টাস্ক শুরু করার আগে, গবেষকরা মূল্যায়ন করেছিলেন যে তারা কয়েকশ মিলিসেকেন্ডের টাইমস্প্যানগুলি কতটা সঠিকভাবে অনুমান করতে পারে, যে সময়টি গোলকধাঁধার এক বাহুতে ভ্রমণ করতে বলটি যে সময় নেয় তার সম্পর্কে।

প্রতিটি অংশগ্রহণকারীর জন্য, গবেষকরা গণ্য মডেলগুলি তৈরি করেছিলেন যা ত্রুটিগুলির ধরণগুলির পূর্বাভাস দিতে পারে যা সেই অংশগ্রহণকারীদের জন্য (তাদের সময় দক্ষতার ভিত্তিতে) দেখা যায় যদি তারা সমান্তরাল সিমুলেশনগুলি চালাচ্ছিল, একা শ্রেণিবদ্ধ যুক্তি ব্যবহার করে, একা পাল্টা যুক্তিযুক্ত যুক্তি বা দুটি যুক্তি কৌশলগুলির সংমিশ্রণগুলি ব্যবহার করে।

গবেষকরা বিষয়গুলির পারফরম্যান্সকে মডেলগুলির ভবিষ্যদ্বাণীগুলির সাথে তুলনা করেছেন এবং দেখেছেন যে প্রতিটি বিষয়ের জন্য, তাদের অভিনয়টি এমন একটি মডেলের সাথে সবচেয়ে ঘনিষ্ঠভাবে জড়িত ছিল যা শ্রেণিবদ্ধ যুক্তি ব্যবহার করে তবে কখনও কখনও পাল্টা যুক্তিযুক্ত যুক্তিতে স্যুইচ করে।

এটি পরামর্শ দেয় যে বলটি যে সমস্ত সম্ভাব্য পাথ নিতে পারে তা ট্র্যাক করার পরিবর্তে লোকেরা কাজটি ভেঙে দিয়েছে। প্রথমত, তারা দিকটি (বাম বা ডান) বেছে নিয়েছিল, যেখানে তারা ভেবেছিল যে বলটি প্রথম জংশনে পরিণত হয়েছিল এবং পরের বারের দিকে যাওয়ার পথে বলটি ট্র্যাক করে চলেছে। তারা যে পরবর্তী শব্দটি শুনেছিল তার সময়টি যদি তারা বেছে নিয়েছিল তার সাথে সামঞ্জস্যপূর্ণ না হয় তবে তারা ফিরে গিয়ে তাদের প্রথম ভবিষ্যদ্বাণীটি সংশোধন করবে – তবে কেবল কিছু সময়।

অন্যদিকে ফিরে স্যুইচ করা, যা প্রতিরোধমূলক যুক্তির পরিবর্তনের প্রতিনিধিত্ব করে, লোকেরা তাদের যে সুরগুলি শুনেছিল সেগুলি তাদের স্মৃতি পর্যালোচনা করতে হবে। যাইহোক, দেখা যাচ্ছে যে এই স্মৃতিগুলি সর্বদা নির্ভরযোগ্য নয় এবং গবেষকরা আবিষ্কার করেছেন যে লোকেরা তাদের স্মৃতি হিসাবে কতটা ভাল বিশ্বাস করে তার ভিত্তিতে ফিরে যেতে হবে কি না তা সিদ্ধান্ত নিয়েছে।

জাজায়েরি বলেছেন, “লোকেরা কাউন্টারফ্যাক্টুয়ালগুলির উপর নির্ভর করে যে এটি সহায়ক।” “যে লোকেরা যখন পাল্টা লড়াইয়ের সময় একটি বড় পারফরম্যান্স ক্ষতিগ্রস্থ করে তারা এগুলি করা এড়ায়। তবে আপনি যদি এমন কেউ হন যিনি সাম্প্রতিক অতীত থেকে তথ্য পুনরুদ্ধার করতে সত্যিই ভাল, আপনি অন্যদিকে ফিরে যেতে পারেন।”

মানুষের সীমাবদ্ধতা

তাদের ফলাফলগুলি আরও বৈধ করার জন্য, গবেষকরা একটি মেশিন-লার্নিং নিউরাল নেটওয়ার্ক তৈরি করেছিলেন এবং কাজটি সম্পূর্ণ করার জন্য এটি প্রশিক্ষণ দিয়েছিলেন। এই কার্যটিতে প্রশিক্ষিত একটি মেশিন-লার্নিং মডেল বলের পথটি সঠিকভাবে ট্র্যাক করবে এবং প্রতিবার সঠিক ভবিষ্যদ্বাণী করবে, যদি না গবেষকরা তার কার্য সম্পাদনের উপর সীমাবদ্ধতা আরোপ না করে।

গবেষকরা যখন মানুষের মুখোমুখি হওয়ার মতো জ্ঞানীয় সীমাবদ্ধতা যুক্ত করেছিলেন, তখন তারা দেখতে পেলেন যে মডেলটি তার কৌশলগুলি পরিবর্তন করেছে। যখন তারা সমস্ত সম্ভাব্য ট্র্যাজেক্টরিগুলি অনুসরণ করার মডেলটির ক্ষমতা দূর করে, তখন এটি মানুষের মতো শ্রেণিবদ্ধ এবং পাল্টা কৌশলগত কৌশলগুলি নিয়োগ করতে শুরু করে। যদি গবেষকরা মডেলের মেমরি পুনরুদ্ধার ক্ষমতা হ্রাস করে, তবে এটি কেবল যদি মনে করে যে এর পুনরুদ্ধারটি সঠিক উত্তর পাওয়ার পক্ষে যথেষ্ট ভাল হবে – ঠিক যেমন মানুষের মতো করে।

জাজায়েরি বলেছেন, “আমরা যা পেয়েছি তা হ’ল নেটওয়ার্কগুলি যখন মানুষের আচরণের মধ্যে আমরা যে সমস্ত গণ্য বাধাগুলি পেয়েছি তখন তাদের উপর চাপিয়ে দিলে নেটওয়ার্কগুলি মানুষের আচরণের অনুকরণ করে।” “এটি সত্যিই বলছে যে মানুষ তাদের যে প্রতিবন্ধকতার অধীনে কাজ করতে হবে তার অধীনে যুক্তিযুক্তভাবে কাজ করছে।”

মডেলগুলিতে প্রোগ্রাম করা মেমরি প্রতিবন্ধকতাগুলির পরিমাণকে সামান্য পরিবর্তিত করে গবেষকরা ইঙ্গিতও দেখেছিলেন যে কৌশলগুলির স্যুইচিং একটি স্বতন্ত্র কাট-অফ পয়েন্টের পরিবর্তে ধীরে ধীরে ঘটবে বলে মনে হয়। কৌশলগুলির এই পরিবর্তনগুলি ঘটে বলে মস্তিষ্কে কী ঘটছে তা নির্ধারণের জন্য তারা এখন আরও অধ্যয়ন করছে।

গবেষণার অর্থ এই লিসা কে। ইয়াং আইকন ফেলোশিপ, ম্যাকগোভার ইনস্টিটিউট স্টুডেন্ট ফেলোশিপ, একটি জাতীয় বিজ্ঞান ফাউন্ডেশন গ্র্যাজুয়েট রিসার্চ ফেলোশিপ, সাইমনস ফাউন্ডেশন, হাওয়ার্ড হিউজেস মেডিকেল ইনস্টিটিউট এবং ম্যাকগোভার ইনস্টিটিউটের বন্ধু দ্বারা অর্থায়ন করা হয়েছিল।