Verso una semantica cerebrale | Un computer che sa che cosa pensi | Per la prima volta si riesce a comprendere come il cervello codifichi i significati delle parole

Verso una semantica cerebrale

Un computer che sa che cosa pensi
Per la prima volta si riesce a comprendere come il cervello codifichi i significati delle parole

Se pensate a qualcosa di concreto, c'è un computer che può leggere la vostra mente. Un gruppo di ricercatori della Carnegie Mellon University ha infatti messo a punto un modello computazionale che può decifrare e predire l'esatto schema di attivazione del vostro cervello associato in modo univoco ai nomi delle cose concrete, di quelle cioè che potete vedere, sentire, tastare, odorare o gustare.

Già esistono apparecchiature in grado di rilevare gli schemi di attività motoria del cervello e in tal modo consentire di muovere con il solo pensiero il cursore di un computer su un monitor o un braccio artificiale, ma questo rappresenta un salto di qualità, in quanto si tratta della prima volta che si riesce a comprendere come il cervello codifichi i significati delle parole, in cui cioè ci si muove sul piano della semantica cerebrale.

Come illustrano in un articolo pubblicato sulla rivista "Science", i ricercatori - diretti dall'informatico Tom M. Mitchell e dal neuroscienziato Marcel Just - hanno dapprima mostrato di essere in grado di rilevare, attraverso la risonanza magnetica funzionale, le aree del cervello che sono attivate quando una persona pensa una specifica parola. Successivamente hanno iniziato a prevedere gli schemi di attivazione cerebrale per parole concrete - cose esperite attraverso i sensi - per i quali non esistevano ancora dati nell'archivio delle loro registrazioni fMRI.

Il lavoro potrebbe quindi condurre a un uso delle scansioni cerebrali per l'identificazione di pensieri ed essere applicato allo studio dell'autismo o di disturbi come la schizofrenia paranoide o le demenze semantiche come il morbo di Pick.

Il gruppo di ricerca ha sviluppato un modello computazionale sfruttando gli schemi di attivazione fMRI di 60 nomi concreti, e analizzando statisticamente un insieme di testi per un totale di mille miliardi di parole. Il modello computazionale combina queste informazioni sulle parole utilizzate nel corpus dei testi per predire gli schemi di attivazione di migliaia di nomi che si riferiscono a oggetti e sensazioni concrete con un'accuratezza decisamente superiore a quella di uan scelta casuale.

"Riteniamo di aver identificato un certo numero dei 'mattoni' fondamentali che il cervello utilizza per rappresentare i significati", ha dichiarato Mitchell. "Accoppiando questi risultati con metodi computazionali che catturano il significato di una parola dal modo in cui è utilizzata in files di testo, questi mattoni costitutivi possono essere assemblati per prevedere gli schemi di attivazione neuronale per qualsiasi parola concreta. E abbiamo trovato che queste previsioni per le parole per le quali sono disponibili dati fMRI per testarle."

"Noi siamo sostanzialmente dei percipienti e degli attori", ha proseguito Just. "Così il cervello rappresenta il significato di una parola concreta con il modo in cui una persona lo sente o lo manipola. Il significato di una mela, per esempio, è rapprresentato nelle aree cerebrali responsabili per il sapore, l'odore, la masticazione. Una mela è ciò che fate con essa. Il nostro lavoro è un piccolo ma importante passo nella decifrazione del codice cerebrale."

Oltre alle rappresentazioni in queste aree senso-motorie i ricercatori hanno trovato significative attivazioni in altre aree, incluse quelle frontali alssociate alle funzioni di pianificazione e alla memoria di lungo termine. Quando qualcuno pensa a una mela, può per esempio innescare memorie legate all'ultima volta in cui ha assaggiato una mela, o pensare a come procurarsene una.

"Ciò suggerisce una teoria del significato basata sulle funzioni cerebrali", aggiunge Just.

Nello studio, nove persone sono state sottoposte a fMRI mentre si concentravano su 60 parole stimolo, cinque parole per ciascuna delle 12 categorie semantiche individuate dai ricercatori, fra cui animali, parti del corpo, edifici, vestiti, insetti, veicoli e vegetali.

Per costruire il modello computazionale, i ricercatori hanno usato una macchina che sfrutta tecniche di apprendimento per analizzare la parole in un corpus di testi che riflette l'uso tipico delle parole dell'inglese. Per ogni parola, ne calcolava la frequenza di occorrenza in associazione a 25 verbi correlati a funzioni senso-motorie, come vedere, ascoltare, gustare, mangiare, spingere, ecc., in modo da costruire una caratterizzazione statistica dell'uso delle parole.

Questi 25 verbi, notano i ricercatori, rappresentano i mattoni costitutivi che il cervello utilizza per rappresentare i significati.

Sulla base di questi dati e degli schemi di attivazione cerebrale delle 60 parole stimolo i ricercatori sono stati così in grado di determinare come ogni co-occorrenza con uno dei 25 verbi influenzava l'attivazione ci ciascuno dei voxel (,ossia dei "pixel" tridimensionali) in cui era stata suddivisa la scansione in 3-D del cervello.

A questo punto, per predire lo schema di attivazione fMRI per qualsiasi parola concreta presente nel corpus di testi, il modello determina le co-occorrenze della parola con i 25 verbi ed elabora una mappa di attivazione sulla base del modo in cui queste co-occorrenze influiscono su ogni voxel.

Nei test di controllo, un modello computazionale separato era stato addestrato, per ciascuno dei nove soggetti, ricorrendo a solo 58 delle 60 parole stimolo e ai loro schemi di attivazione associati. Il modello veniva poi utilizzato per predire gli schemi di attivazione delle due parole restanti. In media è risultato che il modello aveva un'accuratezza del 77 per cento nel predire gli schemi di attivazione effettivamente riscontrati nei soggetti. Il modello si è dimostrato in grado di predire gli schemi di attivazione anche nelle aree semantiche per le quali non era stato"addestrato".

In un altro test il modello è stato infatti addestrato in solo dieci delle 12 categorie in cui erano classificate le 60 parole stimolo, per essere poi testato con le parole stimolo delle categorie omesse; se queste erano per esempio quelle di veicolo e vegetale, il modello doveva esprimersi su parole come aereo o sedano. In questo caso l'accuratezza delle previsioni scendeva un poco, al 70 per cento, un valore comunque molto superiore a quello casuale.

Ora i ricercatori cercheranno di studiare gli schemi di attivazione per le combinazioni nome-aggettivo, e di frasi semplici, e successivamente di affrontare anche il problema della rappresentazione di parole e concetti astratti. (gg)

Scienze

--
Francis*PAC
Maggiori ricerche riguardanti le Ricette culinarie, 1. master cleanse recipe, 2. ratatouille recipe, 3. lemonade diet recipe, 4. mojito recipe, 5. zucchini bread recipe, 6. eggplant parmesan recipe, 7. dog food recipe, 8. chicken salad recipe, 9. meatloaf recipe, 10. simple syrup recipe, Maggiori ricerche riguardanti la Dieta, 1. weight watchers, 2. jenny craig, 3. volumetrics, 4. slim fast, 5. atkins diet, 6. beck diet, 7. ornish diet, 8. zone diet, 9. best life diet, 10. mediterranean diet, Maggiori ricerche riguardanti il Fitness, 1. pilates, 2. bikram yoga, 3. spinning, 4. cross fit, 5. zumba, 6. kettlebells, 7. triathlon training, 8. parkour, 9. bosu, 10. gym jones, fitness, squadre di calcio, link di sport , tra le parole più cercate al primo posto c'è script PHP, seguita da offerte hosting e da web marketing. E' invece molto frequentata l'area tutorials e manuali ma non si colloca nelle prime posizioni, la fa invece da padrone, se si considera che l'inserimento è stato fatto da poco, la keyword espressioni regolari e Linux.