Heald 2023 Contextual Inference in Learning An - En.tr

Translated from English to Turkish - www.onlinedoctranslator.
com
Trendler
Bilişsel Bilimler AÇIK ERİŞİM
Özellik İncelemesi
Öğrenme ve hafızada bağlamsal çıkarım

1,2,3,5,*
James B.Heald,1,2,* Máté Lengyel,3,4,5,* ve Daniel M. Wolpert
Bağlam, klasik ve araçsal koşullanma, epizodik hafıza, ekonomik karar verme ve motor Öne Çıkanlar
öğrenme dahil olmak üzere birçok alanda öğrenme ve hafızanın ana belirleyicisi olarak Bağlamın hafıza ve öğrenme
yaygın bir şekilde kabul edilmektedir. Bununla birlikte, bağlam kavramını ve öğrenmedeki üzerinde birçok alanda yaygın etkileri
vardır.
rolünü resmileştiren birleştirici bir çerçevenin bulunmaması nedeniyle bu alanlardaki
çalışmalar birbiriyle bağlantısız kalmaktadır. Burada, bağlamsal öğrenmenin farklı alanları Bağlam öğrenci tarafından nadiren doğrudan
arasında doğrudan karşılaştırmalara izin veren birleşik bir yerel dil geliştiriyoruz. Bu, gözlemlenir ve çıkarım yapılması gerekir.
bağlamın gözlemlenmediğini ve çıkarım yapılması gerektiğini öne süren Bayesci bir

Bağlamsal çıkarım üç ana faktör
modele yol açar. Bağlamsal çıkarım daha sonra anıların oluşturulmasını, ifade edilmesini
tarafından belirlenir: performansla ilgili
ve güncellenmesini kontrol eder. Bu teorik yaklaşım, adaptasyonun altında yatan iki farklı geri bildirim sinyalleri, performansla
bileşeni, sırasıyla anıların yaratılması ve güncellenmesine ve ifadelerindeki zamanla ilgisiz duyusal ipuçları ve zamanın akışı
değişen düzenlemelere atıfta bulunarak, doğru ve görünür öğrenmeyi ortaya gibi kendiliğinden oluşan faktörler.
koymaktadır. Temel Bayes modelinin, giderek daha karmaşık hale gelen bağlamsal
Bağlamsal çıkarım, çeşitli alanlarda bellek
öğrenme biçimlerini hesaba katmasına olanak tanıyan bir dizi uzantısını gözden oluşturulmasını, güncellenmesini ve ifade
geçireceğiz. edilmesini kontrol eder. Genel olarak bu,
herhangi bir zamanda birden fazla hafızanın
geri çağrılmasını ve değiştirilmesini
gerektirir.
Bağlamın bağlam içine yerleştirilmesi

Adaptasyon yekpare bir süreç değildir
Beynin işleyişinin merkezinde, çevreye ait birçok anıyı saklama ve sürdürme ve ihtiyaç ancak iki farklı sürecin birleşiminden
duyulduğunda bunları geri çağırma yeteneği bulunur. Kavramıbağlam (GörmekSözlük) beynin doğar: anıların oluşturulmasını ve
bu karmaşık görevi nasıl yönettiğinin önemli bir bileşeni olarak ortaya çıkmıştır: koşullu korku güncellenmesini içeren uygun öğrenme
ve mevcut anıların ifade edilme
anılarının ifade edilip edilmediğini ve ne kadar ifade edildiğini kontrol eder.1–3], olaysal anılar
biçimindeki değişiklikleri içeren görünür
hatırlanır [4–6], mekansal konumlar hatırlanır [7–10] ve motor beceriler etkinleştirilir [11–13] Bu öğrenme.
nedenle, bağlamsal anılar üzerine yapılan klasik çalışmalar, mevcut bağlamın bilinmesiyle,
Tipik olarak uygun öğrenmeye atfedilen
birden fazla anıyı yönetme zorlu sorununun, aynı anda tek bir anı ile uğraşmak gibi daha basit
birçok klasik öğrenme olgusunun, öncelikle
bir soruna indirgenebileceğini öne sürmektedir. görünürdeki öğrenmeden kaynaklandığı
gösterilmiştir.
Peki bağlam nedir ve beyin mevcut bağlamı nasıl belirler? James'ten ödünç almak için [14],
'Herkes bağlamın ne olduğunu biliyor'. Aslında, deneycinin bakış açısından bağlam genellikle, 1SinirbilimBölümü, Columbia
örneğin deneyin gerçekleştiği oda veya bir çevreye özgü belirgin işaretler tarafından açıkça Üniversitesi, New York, NY 10027, ABD
2ZuckermanMindBrain Davranış Enstitüsü,
tanımlanır. Ancak gerçek dünyada bağlamlar ne açıkça tanımlanmış ne de etiketlenmiştir ve Columbia Üniversitesi, New York,
genel olarak ortamın özellikleriyle kesin olarak tanımlanamazlar. Örneğin, laboratuvar NY 10027, ABD
3Hesaplamalı ve Biyolojik Öğrenme
deneylerinde korku şartlandırmasının bağlamları genellikle belirli bir bireyin kimliğiyle işlevsel
Laboratuvarı, Mühendislik Bölümü,
hale getirilir.duyusal ipuçlarıveya deney odaları. Peki bağlamsal korku şartlandırması vahşi Cambridge Üniversitesi, Cambridge, Birleşik Krallık
doğada nasıl gerçekleşir? Bir fare, ormandaki bir açıklıkta gelincikten kaçtığında, bu korku dolu 4BilişselHesaplama Merkezi, Bilişsel
anının 'bağlamını' ne oluşturur? Belirli bir orman mı, genel olarak herhangi bir orman mı, açık Bilimler Bölümü, Orta Avrupa
Üniversitesi, Budapeşte, Macaristan
alan mı, günün saati mi, arka planda kuşların cıvıltısı mı, yoksa ormanların sırası mı?hareketler 5Bu yazarlar bu çalışmaya eşit katkıda
Bu travmatik karşılaşmaya yol açan şey neydi? Benzer şekilde, bir şef, portakal veya domatesle bulunmuşlardır.
uğraşmak gibi çeşitli bağlamlarda farklı bıçak hareketleri oluşturmayı öğrendiğinde, bir hurmayı
ilk kez dilimlerken hangi hareketi kullanmalı ve herhangi bir motor hatası, mevcut hafızayı nasıl
güncellemelidir? bağlamlar [15]? * Yazışma:
jamesbheald@gmail.com (JB Heald),
m.lengyel@eng.cam.ac.uk (M. Lengyel)
Burada beynin sürekli duyu-motor deneyim akışımızı farklı bağlamlara nasıl böldüğüne ve
dair ampirik kanıtları ve hesaplamalı modelleri gözden geçiriyoruz; wolpert@columbia.edu (DM Wolpert).
Bilişsel Bilimlerdeki Eğilimler, Ocak 2023, Cilt. 27, No.1 https://doi.org/10.1016/j.tics.2022.10.004 43

© 2022 Yazarlar. Elsevier Ltd. tarafından yayınlanmıştır. Bu, CC BY lisansı kapsamında açık erişimli bir makaledir (http://creativecommons.org/licenses/by/4.0/).
Bilişsel Bilimlerdeki Eğilimler
AÇIK ERİŞİM
Anıların yaratılması, ifade edilmesi ve güncellenmesi esnek ve uyarlanabilir davranışı destekler.

Duyusal, motor ve bilişsel alanlarda var olan ortak noktaları vurguluyoruz. Ortaya çıkan ortak bir
tema, mevcut bağlamı çıkarmaya yönelik hesaplamalı görevin önemsiz olmadığı ve beynin bu
görevi çözme şeklinin, anıların işlenmesi üzerinde derin sonuçlar doğurduğudur.
Uzun süreli hafıza üzerinde bağlama bağlı etkiler

Bağlamın öğrenme ve hafızadaki rolü her yerde mevcuttur. Bildirimsel (anlamsal) bellekten tüm
uzun süreli bellek biçimleri16] ve epizodik [17]) bildirimsel olmayan (ilişkisel [18], ilişkisel
olmayan [19,20], prosedürle ilgili [21] ve hazırlama [22,23]), hatırlanan bilgilerin veya öğrenilen
davranışların ifadesinin ortamdaki duyusal ipuçları, konum ve zaman gibi bağlamsal faktörlere
bağlı olduğu bağlam bağımlılığı sergilerler. Burada, klasik koşullanma, epizodik hafıza,
ekonomik karar verme ve motor öğrenme gibi dört geniş alanda bağlamın önemli olduğunu
öne süren bazı paradigma örnekleri sunuyoruz ve bu sonuçları açıklamak için birleşik bir
terminoloji sunuyoruz.Kutu 1).
Klasik koşullanma
Klasik koşullanmada [24,25] (Şekil 1A), koşulsuz bir uyaran (ABD, örneğin bir sıçan için ayak
şoku;Şekil 1A,geri bildirim,mor) koşullu bir uyaranla (CS, örneğin bir ton; durum,turuncu)
satın alma aşamasında. Çok sayıda denemeden sonra CS, gücü ve/veya sıklığı artan
koşullu bir tepkiyi (örn. donma) ortaya çıkarır. Eğer ABD daha sonra alıkonulursa (değişiklik
beklenmedik durumlar,gri kutuda) birnesli tükenmeAşamada, koşullu tepki denemeler
boyunca giderek zayıflar. Edinim ve yok etme farklı ortamlarda (sırasıyla A ve B ortamları;
duyusal ipuçları, pembe) gerçekleştiriliyorsa, hayvanın edinim ortamına (A) geri
döndürülmesi, koşullu tepkinin yeniden ifade edilmesine yol açar (ABA yenilemesi) [26,27]
Böylece, deneyin edinme ve yok etme aşamalarında öğrenilen bilgiler (CS'nin sırasıyla
ABD'yi tahmin ettiği ve tahmin etmediği), farklı duyusal ipuçları (A ve B ortamları) ve
beklenmedik durumlar tarafından tanımlanan belirli bağlamlarla ilişkilendirilmiştir.
Kutu 1. Bağlamsal öğrenme: birleştirici bir görünüm
Bağlamsal öğrenmenin incelendiği farklı deneysel alanların her biri tarihsel olarak kendi kendine özgü terminolojilerini geliştirmiş olsa
da, bunların paradigmaları, ortak bir dizi anahtar kavramı tanımlayan birleşik bir yerel dil kullanılarak geniş bir şekilde tanımlanabilir
(bkz.Şekil 1ana metinde). Tanım gereği, bağlamsal öğrenme deneylerinde bağlam (bkz.Şekil 1, kırmızı ve mavi, ana metinde) zamanla
değişir (genellikle denemeler halinde ilerler). Her bağlam, bağlamda meydana gelebilecek duyusal uyaranların türünü ve geri bildirimin
bunlara ve deneğin eylemlerine nasıl bağlı olduğunu tanımlayan belirli bir dizi beklenmedik olayla (gri kutular) ilişkilidir. Genel olarak
deneklerin bir bağlamda alabileceği iki tür duyusal uyaranı birbirinden ayırmak faydalıdır: duyusal ipuçları ve geri bildirim. Bağlam
hakkında bilgi veren ancak görevle doğrudan ilgisi olmayan duyusal ipuçları (pembe; örneğin ortamın görünümü) olabilir. Denekler
ayrıca bir denemede bir eylem seçme (yeşil; örneğin bir düğmeye basma veya kolu hareket ettirmek için eklem torkları) ve karşılığında
geri bildirim (mor; örneğin ödül veya hareket kinematiği) alma fırsatına sahip olduklarında, bu geri bildirim doğrudan yalnızca
eylemlerine değil aynı zamanda aldıkları, mevcut durumu (turuncu) tanımlayan (her ne kadar genel olarak yalnızca olasılıksal olarak da
olsa) bazı belirli uyaranlara bağlıdır. Bu nedenle, duyusal ipuçları ve durumlar arasındaki kritik fark, bağlam bilindiğinde yalnızca
durumun geri bildirimi etkilemesidir (yani görevle ilgilidir).
Toplu olarak, farklı alanlardaki bulgular bağlamsal öğrenmenin bir dizi alan genel özelliğini ortaya koymaktadır. Birincisi,
bağlamın içsel temsili üç ana faktör arasındaki karmaşık etkileşim tarafından belirlenir: (i) performansla ilgili geri bildirim
sinyalleri (örneğin, ödüller, cezalar, hareket doğruluğu); (ii) nötr değere sahip olan ve performansla ilgili olmayan duyusal
ipuçları (örneğin, ortamın görünümü); ve (iii) deneysel olarak kontrol edilen uyaranlardan bağımsız olan spontan faktörler
(örneğin, zamanın geçişi veya kontrolsüz uyaranlar). İkincisi, bu faktörlerin her birinin etkisi deneyime bağlıdır. Bu, yalnızca
ödüllerin ve duyusal ipuçlarının farklı bağlamlarla ilişkilendirilme şeklinin (ilk iki faktör) değil, aynı zamanda farklı bağlamların
ortaya çıkma ve zaman içinde geçiş yapma eğiliminin de (üçüncü faktör) öğrenmeye bağlı olduğu anlamına gelir. Örneğin,
daha değişken ortamlarla ilgili deneyimler, bağlamda daha ani değişimlere aracılık ederek yalnızca zamanın geçmesine yol
açabilir (ayrıca bkz.Kutu 5). Üçüncüsü, bağlamın içsel bir temsili belirlendikten sonra bunun anıların yaratılması, ifade
edilmesi ve güncellenmesi üzerinde yaygın etkileri olur. Genel olarak, halihazırda aktif olan bağlamla ilgili anılar ağırlıklı
olarak ifade edilir ve/veya güncellenirken, yeni anılar yeni olduğuna inanılan bağlamlarda oluşturulur.
44Bilişsel Bilimlerdeki Eğilimler, Ocak 2023, Cilt. 27, No.1

AÇIK ERİŞİM
Bağlam 1 Bağlam 2 beklenmedik durumlar Duyusal ipucu Durum Aksiyon Geri bildirim
(A) Bağlam 1 Bağlam 2 (B) Bağlam 1 Bağlam 2
... ...
Bağlam 1 Bağlam 1 Bağlam 2 Bağlam 1 Bağlam 1 Bağlam 2
N-1 N N+1 N-1 N N+1

Zaman denemeleri) Zaman denemeleri)
(C) (D) Bağlam 1 Bağlam 2

Bağlam 1 Bağlam 2
... ... ... ...
J 1$ 7$ J 6$
...
...
2 dolar 2 dolar 2 dolar
k 5$ 3$ 4$ k 1$ 7$ 5$
...
...
L 0$ 6$ 1$ L 4$ 3$ 0$
...
...
Bağlam 1 Bağlam 1 Bağlam 2
Bağlam 1 Bağlam 1 Bağlam 2
L 0$ J 2 dolar k 5$
N-1 N N+1 N-1 N N+1

Zaman denemeleri) Zaman denemeleri)
Şekil 1. Farklı alanlarda bağlamsal öğrenmeyi tanımlamak için birleştirici bir yerel dil.Üst satır bağlamsal öğrenmenin temel unsurlarını gösterir (renk kodlu; ayrıca bkz.)Kutu
1); paneller bunların belirli alanlara nasıl uygulanacağını gösterir. Tipik bir klasik koşullanma (A), olaysal bellek (B), araçsal öğrenme (C) ve motor adaptasyonda ardışık üç deneme
(D) görev. Her görev için ilk iki deneme (denemeler)N-1 veN)bağlam 1'de (mavi) ve son denemede (deneme)n+1) bağlam 2'dedir (kırmızı). Her bağlam, gözlemlenen bir duyusal ipucuyla
ilişkilendirilebilir [pembe, (A)'daki koşullandırma odası, (B) ve (C)'deki arka plan görüntüsü ve (D)'deki sanal aracın yönelimi]. Duyusal ipucu bağlam hakkında bilgi verir ancak doğrudan görev
performansıyla ilgili değildir. Her denemede katılımcı bir durumu [turuncu, (A)'da işitsel tonun varlığı veya yokluğu, (B) ve (C)'de ön plan görüntüsü ve (D)'de hedef konumu] gözlemler.
Katılımcı bir eylem seçer [yeşil, (A) ve (B)'de herhangi bir işlem yapılmaz, (C)'de ayrı ayrı düğmeye basılır ve (D)'de sürekli dirsek ve omuz (gösterilmemiştir) eklem torkları]. Durum ve eylem
(varsa) göz önüne alındığında, katılımcı geri bildirim alır [mor, (A)'da ayak şokunun varlığı veya yokluğu, (B)'de geri bildirim yok, (C)'de parasal ödül ve (D)'de gözlenen el yörüngesi) ] Durum,
eylem ve geri bildirim arasındaki ilişki, bağlama özgü beklenmedik durumlar (karşılık gelen gri kutu) tarafından belirlenir. (D)'deki düz oklar, katılımcı tarafından kavranan robotun
(gösterilmemiştir) sapı tarafından üretilen hıza bağlı kuvvetleri gösterir. Belirli deneysel paradigmalardan bazılarının bu bileşenlerin yalnızca bir alt kümesini kullandığını unutmayın. Örneğin,
klasik koşullanma (A) veya (çalışma aşaması) epizodik hafıza deneylerinde [(B) eylemler genellikle dikkate alınmaz; bu durumda, genellikle geri bildirim bile olmaz, ancak bkz.142]], motor
öğrenme deneylerinde (D) genellikle her bağlam için yalnızca tek bir durum vardır (yani, tüm denemelerde aynı hedef) ve birçok paradigma, bağlama özgü herhangi bir duyusal ipucu
kullanmaz. Ek olarak, tarihsel olarak aynı terim, farklı alanlardaki farklı kavramları ifade etmeye başlamıştır: örneğin, motor öğrenmenin durum-uzay modellerinde kullanılan 'durum' terimi [72
,114,128] burada 'koşulluluklar' olarak adlandırdığımız kavramı ifade eder, ancak 'durum' teriminin kullanımını takviyeli öğrenmede kullanılana en yakın anlamda saklı tutuyoruz [120] Son
olarak, bazen aynı kavramı ifade etmek için 'bağlam' dışındaki terimler de kullanılır (örneğin, ekonomik karar almada 'görev seti' veya 'soyut kural').
Bilişsel Bilimlerdeki Eğilimler, Ocak 2023, Cilt. 27, No.145

AÇIK ERİŞİM
Yukarıda adı geçen deneylerde bağlam, deneğin fiziksel konumu veya ortamı ile açık bir Sözlük
şekilde tanımlanabilirken (aslında, bu deneylerde deney odası gibi duyusal işarete sıklıkla ABA yenilemesi:Koşullu bir yanıt, farklı bir
'bağlam' denir), başka deneyler de vardır. bağlamla ilgili daha incelikli başka kavramlarla bağlamda (B) neslinin tükenmesinin ardından
açıklanan olgular. Örneğin, koşullu tepkinin bir kez söndürüldükten sonra ikinci kez koşullandırma bağlamına (A) yeniden maruz
bırakılarak eski durumuna getirilebilir (bkz. ABA
yeniden elde edilmesi, ilk edinimden daha hızlıdır. (hızlı yeniden kazanım,Ayrıca şöyle yapısı).
bilinirtasarruf) [28,29] Aslında ABD'nin tek başına (tekrarlanan) sunumu bile CS'nin ilk ABA'nın yapısı:A, sonra B ve sonra tekrar A
sunumundaki koşullu tepkinin yeniden ifade edilmesine yol açabilir (eski durumuna sırasıyla deneyimlenen, A ve B olmak üzere
iki bağlamı olan bir görev (bkz. ABA
döndürme) [30,31] Her iki durumda da, farklı bağlamlarla bağlantılı olan orijinal edinim ve
yenilemesi).
yok oluş aşamalarında farklı (ve karşıt) anıların yerleştiği öne sürülmüştür (yok olma, ABC yapısı:A, B ve C olmak üzere üç
başlangıçta edinilen hafızayı silmek yerine, 'yok olma' terimiyle ifade edilmiştir). ' bağlamı olan ve bu sırayla deneyimlenen
önerebilir) [32] Bu teorilere göre, deneyin ikinci aşamasında ABD'nin (yeniden devreye bir görev.
Aksiyon:Bir katılımcının düğmeye
almada) veya CS ve ABD'nin (tasarrufta) varlığı bağlamsal ipuçları olarak hareket eder,
basması veya kol hareketi gibi yaptığı bir
edinim bağlamını hatırlatır ve böylece koşullu tepkiye yol açar. seçim.
İleriye dönük girişim (proaktif
fenomenikendiliğinden iyileşmeörtülü olarak tanımlanan bağlamın daha da ilgi çekici bir girişim):Farklı bir olasılık kümesi
öğrenilmişse, bir dizi olasılık
örneğini temsil eder [24,33] Burada, yok oluşun ardından, yalnızca zamanın geçmesi, koşullu
öğrenilmesi daha yavaş olur
tepkinin yeniden ortaya çıkmasına yol açabilir. Bunun, belirgin uyaranların yokluğunda, temelde önceden, ilk grup beklenmedik
kendi içsel dinamikleri tarafından belirlendiği üzere zamanla değişen ve sonunda orijinal edinim durumların deneyim süresi arttıkça
bağlamına geri dönebilen, bağlamın geçici olarak gelişen içsel temsilinden kaynaklandığı öne müdahale miktarı da artıyordu.
Görünür öğrenme:Mevcut bağlama ilişkin
sürülmüştür.18,34] Üstelik,kısmi takviye sönme etkisi [35] bağlam temsilinin zamansal inançtaki bir değişiklik nedeniyle bağlama
dinamiklerinin bile deneyime bağlı olduğunu öne sürüyor. Bu paradigmada, koşullu tepkinin yok özgü anıların farklı şekilde ifade edilme
olma hızı ("yok olma" bağlamı için belleğin ortaya çıkmasından kaynaklandığı varsayılmaktadır), biçimindeki bir değişiklik. Yalnızca davranışa
dayalı olarak, sanki doğru öğrenme
eğer CS ve US edinim aşaması sırasında tutarsız bir şekilde eşleştirilirse daha yavaş olur (böylece
gerçekleşmiş gibi görünebilir, dolayısıyla adı
ABD'nin bir denemede bulunması, bir sonraki denemede 'yok oluş'un devam edeceği anlamına da buradan gelir.
gelmez) [32] Konsolidasyon:Yakın zamanda öğrenilen
deneyimlerin uzun süreli belleğe
dönüştürüldüğü ve sabitlendiği zamana
Bölümsel hafıza
bağlı bir süreç.
Bağlam kavramı olaysal bellek teorilerinin merkezinde yer almaktadır. Tipik bir epizodik hafıza Bağlam:Potansiyel olarak çok sayıda
deneyinde (Şekil 1B), katılımcılar denemeden denemeye değişen bir durumu gözlemlerler (örneğin, ön beklenmedik durum kümesinden hangisinin
plandaki görsel bir şekil). Olası durumlar kümesi, durumdan daha yavaş bir zaman ölçeğinde değişen halihazırda aktif olduğunu kontrol eden ayrı bir
değişken (yani duyusal ipuçlarının, durumların ve
mevcut bağlama (duyusal bir işaret, arka plan görüntüsü ile indekslenir) bağlıdır. Bir duruma ilişkin
geri bildirimin istatistiklerini ve bunların
hafızanın geri çağrılması, hafızanın orijinal olarak kodlandığı koşulların (yani bağlamın) eski durumuna eylemlere nasıl bağlı olduğunu belirler).
getirilmesiyle kolaylaştırılır.36] Örneğin, zaman içinde bağlamdaki spontan değişikliklerin (klasik Bağlam değişiklikleri:bkz. Etkinlik
koşullanmanın veya motor öğrenmenin spontan iyileşmesini açıkladığı düşünülenlere benzer şekilde), sınırları. Bağlamsal çıkarım:duyusal
ipuçları, durumlar, eylemler ve geri
epizodik hafıza hatırlamadaki en yaygın etkilerin bazılarının altında yattığı ileri sürülmüştür.4,6] Bunlar
bildirimlerin bir dizi gözleminden
şunları içerir:Yenilik etkisi,kodlamadan bu yana geçen süre veya araya giren öğelerin varlığı ile bir mevcut bağlamı çıkarma süreci. Bitişiklik
öğeyi (durumu) hatırlama yeteneği azalır vebitişiklik etkisi,Bir öğenin hatırlanmasının, hedef öğenin etkisi:zaman içinde birbirine yakın
olarak ortaya çıkan uyaranların birbiriyle
yakınında zamanında sunulan bir öğenin sunulması veya hatırlanmasıyla kolaylaştırıldığı bir
ilişkili hale geldiğinin, böylece bir öğenin
yöntemdir. Bu etkilerin her ikisi de, zaman içinde kademeli olarak değişen ve daha sonra hatırlama
hatırlanmasının, yakın zamansal
sırasında geçmiş bir öğenin anısını indekslemek için kullanılan bir bağlam kavramı varsayılarak yakınlıkta sunulan farklı bir öğenin
açıklanmıştır. Bu, mevcut bağlama benzer bir bağlamı paylaşan yeni öğelerle ve daha genel olarak, sunumu veya hatırlanmasıyla
kolaylaştığının bulgusu.
birbirleriyle benzer bir bağlamı paylaşan zamansal olarak bitişik öğelerle sonuçlanır.4] (Görmek [37]
Beklenmedik Durumlar:duyusal
bağlamın yavaş yavaş mı yoksa aniden mi değişip değişmediğinin incelenmesi için). ipuçları, durumlar, eylemler ve geri
bildirim arasındaki bağlama özgü
istatistiksel ilişkiler. Çevresel tutarlılık:
ortamın zaman içinde, tipik olarak
Olaysal hafızayla ilgili bağlamlar rastgele bir şekilde sürüklenmiyor gibi görünüyor. Ayrıca spesifik,
bağlama göre aynı kalma eğilimi
güçlü duyusal ipuçlarıyla kontrol edildikleri de gösterilmiştir. Örneğin, bazı çalışmalarda katılımcılar, (yani, bağlamlar arası değişkenliğin
noktalama işaretleri ile noktalanan bir dizi öğeden oluşan anlatıları okudu, izledi veya dinledi. olay tersi).
sınırları (Ayrıca şöyle bilinirbağlam değişiklikleri)bu da algısal, zamansal veya anlamsal bilgilerdeki hızlı Etkinlik sınırları:sürekli bir
parçayı bölen geçiş noktaları
değişikliklerle işaretlendi. Metin anlatılarında başlangıçta zaman kayması sinyalleri

AÇIK ERİŞİM
'Bir süre sonra...' gibi bir cümlenin kullanımı, yeni bir olayın göstergesi olan duyusal ipuçları duyusal gözlemlerin (bir film gibi) bir
filmdeki sahne değişiklikleri gibi bir
olarak hareket edebilir.38] Yaygın bir bulgu, olay içi öğelerin, olay içi öğelere göre daha kolay
dizi ayrık olaya akışı. Uyarılmış
hatırlanması ve tanınmasıdır. Örneğin,seri geri çağırma (öğelerin deneyimlenme sırasına göre iyileşme:daha önce söndürülmüş bir
hatırlanması) olay sınırları genelinde aynı olayla karşılaştırıldığında daha zayıftır.38–40] Olay motor hafızasının, o hafızayla ilişkili
sınırları boyunca öğelerin zamansal sırasına ilişkin bellekteki azalmayla tutarlı olarak, yenilik tedirginliğe yeniden maruz kalmanın
ardından yeniden ifadesi (bkz. Eski
ayrımcılığı (iki öğeden en yakın zamanda sunulan bellek) öğeler olay sınırlarına göre ayrıldığında
Haline Getirme).
daha az doğrudur [36,39,41–43] Benzer şekilde, olay sınırlarıyla ayrılan öğelerin, aynı etkinlikte Nesli tükenme:Artık
sunulan öğelerle karşılaştırıldığında zaman açısından daha uzakta olduğu hatırlanır.17,42,44] Bir pekiştirilmediğinde koşullu tepkinin
ortadan kalkması.
olay sınırı, öğenin kodlamasını ve sonraki tanıma testini ayırdığında, önceki bir öğenin tanınması
Geri bildirim:ya içsel değere sahip
da daha az doğrudur.45,46] Olay sınırlarının etkileri daha doğal ortamlarda da gözlemlenebilir. olan ya da görev performansıyla
Örneğin, bir kapı aralığından geçmek, önceki odada karşılaşılan eşyaların tanınmasının ilişkili olan (örn. ödüller, cezalar,
bozulmasına neden olur.47,48] Ayrıca kişi aynı odaya döndüğünde (ABA yapısı), o odadaki (A hareket doğruluğu) ve mevcut aktif
olasılıklar tarafından belirlenen
odası) eşyalara ilişkin hafızaları, başka bir odaya (C odası) gittikleri zamana kıyasla daha iyidir.
durum ve eyleme bağlı olabilen
ABC yapısı) [47], klasik koşullanmada ABA yenilenmesini yansıtıyor. duyusal girdi.
Güç alanı:tipik olarak, elin durumuna
(örneğin, viskoz bir kuvvet alanındaki elin
hızı) bağlı olan, bir katılımcı tarafından
Klasik koşullanma paradigmalarında bağlamın kimliğinin genellikle deneyci tarafından nesnel
kavranan bir robotun sapına uygulanan 2
olarak tanımlandığı varsayılırken, daha önce anlatılan olaysal bellek üzerine yapılan deneyler, boyutlu düzlemsel kuvvetlerdir.
bağlamın ne kadar bireyin gözünde subjektif olarak oluşturulmuş bir kavram olduğunu Hiyerarşik Dirichlet süreci (HDP):sonsuz
vurgulamaktadır. Özellikle, filmler gibi yüksek boyutlu, çok duyusal natüralist uyaranlar için, sayıda bağlam arasında bağlam geçiş
olasılığı matrislerinin hiyerarşik
uyaran akışının ayrık olaylara açık ve net bir temel hakikat bölümü yoktur ve dolayısıyla olay
oluşturulmasını destekleyen
sınırları ilk etapta yalnızca katılımcılara sorular sorularak belirlenebilir. algılanan olay sınırlarını parametrik olmayan bir Bayes modeli.
açıkça bildirmek için [49,50] veya beyin aktivitesindeki ani değişimleri gözlemleyerek [51] veya
otonomik uyarılma patlamaları [52] algılanan olay sınırlarının göstergesidir. Buna rağmen Kinematik hata:örneğin uzanma hareketinin uzaysal
hatası. Öğrenmeyi öğrenmek:gelecekteki öğrenmeye

katılımcılar genellikle etkinlik sınırlarının konumu konusunda hemfikirdirler.53] ve daha yüksek
yardımcı olmak için deneyimlerden tümevarımsal bir
puana sahip bireylersegmentasyon anlaşması puanı (Bir birey tarafından tanımlanan olay önyargı (örneğin bir önceki) öğrenmek, aynı zamanda
sınırlarının, grup tarafından tanımlananlarla ne derece uyumlu olduğunun ölçüsü) daha iyi metal öğrenme olarak da bilinir.
hatırlama, tanıma ve sıralı hafıza performansı sergiler.54–56], normatif olay sınırlarının var
Nesne manifoldu:Nesnelerin özellikleri
olduğunu öne sürüyor. (bisiklet veya çekiç gibi) bir dizi parametreyle
(örneğin atalet, sönümleme) karakterize
Ekonomik karar verme ve araçsal öğrenme edilebilir. Bununla birlikte, bir nesne
kategorisine (örneğin bisiklet) ilişkin
Tipik bir ekonomik karar verme veya araçsal öğrenme deneyinde (Şekil 1C), katılımcılar denemeden
parametreler tüm olasılık aralığını kapsamaz
denemeye değişen bir durumu (örneğin bir şekil) gözlemler, bir dizi eylem arasından seçim yapar ve ancak nesne parametrelerinin (yani bir
hem duruma hem de seçilen eyleme (bir dizi beklenmedik durum aracılığıyla) bağlı olan bir ödül (geri manifold) tam alanı içindeki daha düşük
bildirim) alırlar. ). Bu görev, katılımcıların haberi olmadan, beklenmedik durumların bağlama bağlı boyutlu bir alt uzayda yaşar.
Kısmi takviye sönme etkisi:Öğrenilen bir
olarak değişebildiği ve bir dizi deneme boyunca sabit kalan (her denemede değişebilen uyaranların
davranışın yok olma oranı, eğer davranış
aksine) bağlamsal bir değişkene genelleştirilebilir.57] Bir deneyin başlangıcında katılımcılar olasılıkları tüm denemeler yerine yalnızca edinim
bilmiyorlar ve dolayısıyla nispeten az ödül alıyorlar. Daha sonra, deneme yanılma yoluyla öğrenme denemelerinin bir kısmında pekiştirilirse
yoluyla, performanstaki artışın gösterdiği gibi daha iyi eylemleri seçerler ve bunun sonucunda daha daha yavaş olur.
Hücre yeniden eşlemesini yerleştirin:ortam
fazla ödül alırlar. Bir bağlam değişikliğinin ardından performans, istikrarlı bir şekilde sabit bir seviyeye
değiştiğinde (örneğin göze çarpan yer
yükselmeden önce aniden düşer [58–60] Mevcut bağlam daha önce deneyimlendiyse performanstaki işaretlerini değiştirerek) yer hücrelerinin
bu artış daha hızlı olur [59,60] (klasik koşullanmadaki hızlı yeniden kazanıma benzer), katılımcıların ateşleme düzenlerini (yer alanları)
değiştirmesi olgusu.
önceden öğrenilen bağlama özgü bir bilgiyi geri almak için geri bildirim kullandıklarını öne sürer
Politika:Bir katılımcının hedeflere ulaşmak
politika (sıfırdan yeni bir politika öğrenmek yerine, durumlardan eylemlere haritalama. Daha da
için kullandığı bir strateji. Politika, durumun
önemlisi, bağlamın eski durumuna getirilmesinden bu yana henüz karşılaşılmamış olan bağlam ve mevcut beklenmedik durumların bir
durumları için bile performans artar; bu da katılımcıların yalnızca bireysel durumlara özgü eylemlerden fonksiyonu olarak gerçekleştirilecek eylemi
(bazen stokastik olarak) belirler. Doğru
ziyade bağlama özgü politikaların tamamını aldığını gösterir.61,62]
öğrenme:bağlama özgü beklenmedik durum
tahminlerine ilişkin bir güncelleme.
Geri bildirime ek olarak bağlam hakkında ikinci bir bilgi kaynağı sağlayan bağlama özgü
duyusal ipuçlarının (örneğin bir renk) sunulmasıyla, performanstaki artış

AÇIK ERİŞİM
bağlam değişimi daha da hızlandırılabilir, bu da katılımcıların uygun politikanın alınmasına Hızlı yeniden satın alma:Aynı olasılık
kümelerinin ilk öğrenilmesiyle
yardımcı olmak için duyusal ipuçlarını kullanabileceğini düşündürür.59] Üstelik, tek bir bağlamın
karşılaştırıldığında, bir dizi olasılık
birden fazla duyusal ipucuyla ilişkilendirilebildiği deneylerde, daha fazla ipucuyla ilişkili kümesinin (yok olmasının ardından) daha
bağlamların, yeni bir duyusal ipucu sunulduğunda daha muhtemel olduğu sonucuna varılır; bu, hızlı yeniden öğrenilmesi. Yenilik
çoğuyla ilişkili bağlam için politikanın tercihli olarak geri getirilmesiyle ortaya çıkar. duyusal ayrımcılığı:Bir dizi öğe sunulduktan sonra
katılımcılardan hangisinin daha yakın
ipuçları63] Bu, bir bağlamla ilişkili duyusal ipuçlarına ilişkin bilginin, o bağlamda halihazırda zamanda sunulduğunu belirlemeleri
karşılaşılan belirli ipuçlarının kimliğinden ziyade daha yüksek düzeyde soyutlama içeren bilgileri istenir. Yenilik etkisi:Daha yakın zamanda
(örn. ipuçlarının çeşitliliği) içerdiğini ileri sürmektedir. Benzer şekilde, durum-eylem-geribildirim sunulan uyaranlar, daha önce gelen
uyaranlardan daha iyi hatırlanır. Yeniden
olasılıkları hakkındaki bilgiler de basit bir arama tablosundan daha yüksek bir soyutlama
konsolidasyon:önceden birleştirilmiş bir
düzeyinde öğrenilebilir. Örneğin, bir deneyde bağlamlar, eylemler ve geri bildirim arasındaki belleğin geri çağrılması üzerine
soyut ilişkilerle ilişkilendirildi (geri bildirimin eylemlere bağımlılığının parametrik biçimini potansiyel olarak değiştirildiği ve daha
tanımlar; örneğin klavyedeki tuş konumuyla doğrusal olarak artan veya azalan, ancak geri sonra pekiştirildiği süreç.
Eski durumuna döndürme:yalnızca
bildirimin kesin parametreleriyle birlikte). Aynı bağlamdaki deneme blokları arasında değişen
koşulsuz uyaranın sunulmasından
doğrusal ilişki). Katılımcılar, yeni bloklardaki keşiflerini etkili bir şekilde yönlendirmek için sonra önceden söndürülmüş bir
beklenmedik durumlar (doğrusallık) hakkındaki bu soyut bilgiyi kullanabildiler.64] Son olarak, koşullu tepkinin geri dönüşü (bkz.
zengin bir geçiş yapısına sahip dört farklı bağlam kullanan iki adımlı sıralı karar verme Uyarılmış iyileşme).
Alma hatası:Bellekte saklanan
paradigmasında katılımcılar, yalnızca bireysel bağlamlara ve bunların geneline karşılık gelen
bilgilere geçici olarak erişilememesi.
beklenmedik durumlardan ziyade, bu bağlam geçiş yapısını da öğrendiklerinin göstergesi olan
öğrenme ve aktarım etkilerini gösterdiler. frekanslar [65] Tasarruf:bkz. Hızlı yeniden edinim.
Segmentasyon anlaşması puanı:Bir
birey tarafından algılanan olay
Motor adaptasyonu
sınırlarının, bir grubun tipik olay
Motor adaptasyonunda (Şekil 1D), katılımcılar viskoz bir durum gibi bir tedirginliğin varlığında sınırlarıyla ne kadar uyumlu olduğunun
hareketler (eylem) yaparlar.kuvvet alanı [66] veyagörsel motor rotasyonu67] Her tedirginlik, ölçüsü.
Duyusal ipucu:Nötr değerliliğe sahip olan ve
eylemler ve geri bildirim arasındaki bir dizi beklenmedik durumu temsil eder (kinematik hata).Bu
performansla ilgili olmayan duyusal girdi
tedirginliklerin, gerçek dünyadaki farklı fiziksel özelliklere sahip nesnelerle etkileşim deneyimine
(örn. ortamın görünümü). Duyusal ipuçları
benzer olması amaçlanıyor. Bir pertürbasyonun aniden ortaya çıkması, büyük kinematik bağlam hakkında bilgilendirici olabilir, ancak
hatalara yol açar; bu hatalar, katılımcılar motor çıktılarını pertürbasyonu telafi edecek şekilde bağlam göz önüne alındığında duyusal
ipucu (durumun aksine) geri bildirimi
uyarladıkça denemeler boyunca giderek azalır. İki zıt tedirginlik (örneğin, zıt yönlere sahip
etkilemez.
kuvvet alanları) denemeler arasında rastgele bir şekilde serpiştirildiğinde, iki grup olumsallığın Seri geri çağırma:Bir dizi öğe
anıları, minimum düzeyde adaptasyon meydana gelecek şekilde müdahale eder. Bununla sunulduktan sonra katılımcılardan,
birlikte, eğer her pertürbasyon benzersiz bir duyusal işaretle eşleştirilirse, her iki pertürbasyona öğeleri sunuldukları sıraya göre
hatırlamaları istenir.
da sağlam bir adaptasyon mümkündür (örn.12,21]). Ancak ilginç bir şekilde, tüm duyusal ipuçları
Tek denemeli öğrenme:Tek bir denemenin neden
girişimi azaltmada etkili değildir ve etkili olanlar arasında bazıları diğerlerinden daha etkilidir.68] olduğu davranış değişikliği. Her ne kadar 'öğrenme'
ve farklı ipuçları örtülü ve açık öğrenme süreçlerini farklı derecelerde devreye sokar [69] Dahası, olarak adlandırılsa da, davranıştaki bu değişiklik,
duyusal ipuçlarının etkinliği, yeni ipucu bağlamı ilişkileri öğrenildikçe deneyimle değişebilir.12,13 uygun öğrenme yerine görünür öğrenme yoluyla
ortaya çıkabilir.
]
Kendiliğinden iyileşme:daha önce
söndürülmüş bir tepkinin bir gecikmeden
Tek deneme temelinde duyusal ipuçları, adaptasyonun ne kadar gerçekleştiğini belirlemek için sonra yeniden ortaya çıkması.
tedirginliklerle etkileşime girer:tek denemeli öğrenme (bir tedirginliğin olduğu tek bir denemenin Durum:Geri bildirimi belirleyen gizli veya
gözlemlenen bir değişken (genellikle
ardından adaptasyondaki değişiklik), o denemedeki duyusal işaret ve tedirginlik, farklı bağlamlara
yapılan eyleme bağlı olarak). Aynı
karşı aynı bağlamın göstergesi olduğunda daha büyüktür.13] Tek denemeli öğrenme, bir tedirginliğin durum farklı bağlamlarda farklı geri
bir denemeden diğerine devam etmesi muhtemel olduğunda, ters tedirginliğe geri dönme ihtimalinin bildirimlerle ilişkilendirilebilir. Yarar:
olduğu zamana kıyasla daha yüksektir.70,71] Bu nedenle adaptasyon dinamikleri çevreye duyarlıdır. Ödüller, cezalar, hareket doğruluğu
gibi içsel değerliliğe sahip veya görev
çevresel tutarlılık (veya tersi,oynaklık).Daha da önemlisi, klasik koşullanmada gözlemlenen olayların
performansıyla ilgili olan niceliklerin
birçoğunun, spontan iyileşme de dahil olmak üzere motor alanda doğrudan analogları vardır.72], eski bir fonksiyonu olabilen bir eylemin
durumuna döndürme (olarak bilinir)uyandırılmış iyileşme [13]) ve tasarruflar [73] Dahası, bu iyiliğinin skaler ölçüsü.
fenomenlerin incelikli yollarla çeşitli deneysel manipülasyonlara bağlı olduğu gösterilmiştir. Örneğin,
Görsel motor rotasyonu:elin görsel
edinim aşaması uzatılırsa spontan iyileşme artar [74] ve edinim aşamasından önce, ters tedirginliğin temsilinin (örneğin bir imleç) ulaşma
sunulduğu bir karşı edinim aşaması geliyorsa azalır [75] Ayrıca, bir tedirginlik büyük olduğunda veya hareketinin başlangıç konumu
aniden ortaya çıktığında tasarruflar daha belirgin hale gelir etrafında dönmesi.

AÇIK ERİŞİM
küçük olduğu veya kademeli olarak tanıtıldığı zamana kıyasla [76] Yakın zamanda yapılan bir çalışma, özünde Oynaklık:çevrenin değişim hızı. Bağlam içi
değişkenlik, bağlama özgü beklenmedik
aşağıdakileri içeren bir motor öğrenme modelinin olduğunu göstermiştir:bağlamsal çıkarımtüm bu bulgular için
durumların denemeden denemeye
birleşik bir açıklama sağlayabilir [13] değişkenliğini ifade ederken, bağlamlar arası
değişkenlik (çevresel tutarlılığın tersi),
Bayesian bağlama bağlı öğrenme teorileri bağlam tarafından belirlendiği üzere,

bağlamın kendisinin denemeden denemeye
İçindeKutu 1, önceki bölümde sunulan bulgulardan damıtılabilecek bağlamsal öğrenmenin değişkenliğini ifade eder. geçiş olasılıkları
ana alan genel özelliklerini özetliyoruz. Bu genel özellikler bağlamsal öğrenme için
birleştirici bir teorik çerçeveyi motive eder. Aynı zamanda böyle bir teori için arzu edilenleri
de temsil ederler ve yakalanması gereken ampirik fenomenlerin alanını belirlerler. Şimdi
böyle bir teorik çerçeve geliştirmeye dönüyoruz.
Daha önce tartıştığımız gibi, bağlam için nesnel bir temel gerçeğin bulunmadığı göz önüne
alındığında, öğrenmeyi ve hafızayı kontrol eden şey öğrencinin bağlam hakkındaki öznel inançlarıdır.
Bayesci biliş modelleri, bu tür inançları ve bunların geçmiş ve mevcut duyusal deneyimlerin ışığında
nasıl güncellenmesi gerektiğini titizlikle tanımlamak için matematiksel bir formalizm sağlar.77] Bu
görüşe göre bağlam, doğrudan gözlemlenemeyen, yalnızca dolaylı olarak çevrenin gözlemlenebilir
özellikleri üzerindeki potansiyel stokastik etkileri yoluyla dolaylı olarak gözlemlenen sözde gizli
değişkenin önemli bir örneğidir.78] Özellikle daha önce gördüğümüz gibi (Kutu 1), bağlam, çevrenin
görünümünü (örneğin, durumların veya duyusal ipuçlarının dağılımı) ve durum-eylem-geribildirim
olasılıkları gibi görevle ilgili diğer ilişkileri kontrol eder.3,79,80] Bağlam hakkındaki inançlar daha
sonra, öğrencinin o anda herhangi bir belirli bağlamda olduğuna inandığı olasılıkları tanımlayan bir
sonsal olasılık dağılımı olarak ifade edilir.
Mevcut bağlam gibi gizli bir değişkenin sonsal dağılımını tanımlamak için Bayes modelleri, öğrencinin
çevre, onun gizli ve gözlemlenen değişkenleri ve bunların istatistiksel ilişkileri (yani dağılımın nasıl
olduğu) hakkındaki varsayımlarını belirleyen üretken bir süreçten başlar. Her değişkenin değeri diğer
değişkenlerin bazılarına bağlı olabilir). Bu, düğümlerden (rastgele değişkenleri temsil eden) ve
düğümler arasındaki kenarlardan (rastgele değişkenler arasındaki olasılıksal ilişkileri temsil eden)
oluşan bir grafik model olarak görselleştirilebilir.şekil 2A, çok-bağlamlı bir ortam için grafiksel
modelleri gösterir (bkz. tek-bağlamlı bir ortam için model) şekil 2B). Bu model, daha önce açıklanan
bağlamsal öğrenme deneylerinin çoğunun özünü yakalar (Şekil 1) ve birleşik dilimizde tanımlanan
değişkenleri kullanır (Kutu 1). Spesifik olarak, bir dizi bağlam mevcuttur (şununla indekslenmiştir:C),her
biri kendi kümesiyle tanımlanır (potansiyel olarak zamansal olarak)
gelişen) beklenmedik durumlar,X(C) T(farklı renklerde konturlara sahip boş daireler),
duyusal ipuçları hakkında farklı gözlemlerin yapılabileceği olasılık (QT, pembe), devletler (ST,
turuncu) ve geri bildirim (RT, mor), ikincisi de deneğin eylemlerine göre koşullandırılıyor (AT,
yeşil). Kritik olarak, mevcut bağlamCT(mavi ve kırmızı dolu daireler), hangi olasılıklar kümesinin o
anda oyunda olduğunu belirleyen (dolu veya boş dairesel kafalarla bağlantılar) üst düzey bir
'geçit' değişkeni görevi görür [yani, gözlemleri belirler (siyaha karşı gri dikey oklar, sırasıyla
belirli bir zaman adımında içeri ve dışarı açılan olasılıklar kümesi için)]. Üstelik bu bağlam
değişkeni, bağlama bağlı geçiş olasılıkları tarafından belirlenen kendi dinamiklerine (üst sıradaki
yatay oklar) göre zaman içinde de gelişir (şekil 2Ayrıca bkz.Kutu 6; geçiş olasılıkları mevcut
bağlamın beklenmedik durumlarına dahil edilmiştir, ancak karışıklığı önlemek için, beklenmedik
durumlardan bir sonraki bağlama karşılık gelen ok şekilde gösterilmemiştir.şekil 2A).
Örneğin, ormandaki fare için ilgili duyusal ipuçları ağaçların yoğunluğu ve aydınlatma
koşulları olabilir, durumlar bir gelinciğin ortaya çıkışı veya yokluğu ile ilişkilendirilebilir,
eylemler yiyecek aramayı veya kaçmaya çalışmayı ve geri bildirimi içerebilir. yiyecek
tüketmek yerine tüketilmekle ilişkili olabilir. Bu fare, yakınlarda yırtıcı hayvanların olup
olmadığına bağlı olarak güvenli ve güvensiz bir ortamla ilişkili iki bağlamı ayırt edebilir.

AÇIK ERİŞİM
(A) Çoklu bağlamlar

Bağlam
beklenmedik durumlar
Duyusal ipucu Durum Geri bildirim
Aksiyon
(B) Tek bağlam (C)Hiyerarşik beklenmedik durumlar
Küresel bağlam olasılıkları

1 2345
Locageçiş testi yetenekler

1
Bağlamdan
2
3
4
5
12345
Bağlam için
Şekil 2. Genellikle öğrencilere atfedilen ortamın içsel modeli.(A,B) Temelde yatan grafik modeller
çoklu bağlam (A) ve tek bağlam modelleri (B). Değişkenlerdeki (daireler) zamansal değişiklikler, her biri farklı bir zaman
adımındaki (alt simge) değişkenin değerine karşılık gelen birden fazla düğüm tanıtılarak ve daha sonra gelecekteki değerlerinin
nasıl olacağını açıklamak için aralarına yönlendirilmiş kenarlar (yatay oklar) getirilerek resmileştirilir. geçmiş değerlerine (yani iç
dinamiklere) bağlıdır. Belirli bir zaman adımındaki bir değişkenin değeri aynı zaman adımındaki diğer değişkenlere de bağlı
olabilir (dikey oklar). (A) Çoklu bağlam modeli [12,13,58,59,95] Bağlamlar (üst düğümler, renk aktif bağlamın kimliğini temsil
eder) Markov geçiş olasılıklarına göre gelişir. Her bağlamın kendine ait bir dizi olasılıkları vardır (basitlik açısından yalnızca iki
tanesi gösterilmiştir; genel olarak bağlamların ve olasılık dizilerinin sayısı sınırsız olabilir). Bağlamlar aynı zamanda duyusal
ipuçlarıyla da (pembe) ilişkilendirilebilir; bunların ortaya çıkma olasılıkları da bağlama özgü beklenmedik durumlar tarafından
belirlenir. Yalnızca aktif bağlamla ilişkili beklenmedik durumlar, gözlemlenen duyusal işaret, durum (turuncu) ve geri bildirim
(mor) değişkenlerini (bağlama göre geçiş, siyah ve gri oklar) etkiler. Geri bildirim hem gözlemlenen duruma hem de bir eyleme
(yeşil) bağlı olabilir. Genel olarak, aktif beklenmedik durumlar seti aynı zamanda bir sonraki bağlam geçişini de etkileyebilir
(açıklık sağlamak için oklar gösterilmemiştir). Ayrıca durumlar doğrudan gözlemlenemeyebilir ve kendilerine ait (eylem bağımlı)
dinamiklere sahip olabilirler.120] (ayrıca netlik sağlamak amacıyla gösterilmemiştir). Gri kutu beklenmedik durumları gösterir,XT,
kutunun içindeki değişkenlerin ortak dağılımını belirleyin (burada:QT,ST, VeRT). (B) Tek bağlamlı model [57,116,119] yalnızca tek
bir olasılık kümesinin mevcut olduğu yer. (C). Hiyerarşik olasılıklar: geçiş olasılıklarına bir örnek (bir
(Şekil açıklaması bir sonraki sayfanın altında devam etmektedir.)

AÇIK ERİŞİM
Her bağlam altında muhtemelen farklı olan, farklı duyusal ipuçlarını ve durumları gözlemleme ve farklı
eylemler için farklı geri bildirim alma olasılıkları. Fare bir sulama deliğinin yakınında ne kadar uzun
süre beklerse, güvenli olmayan bağlamda bulunma olasılığı da o kadar yüksek olabilir (bağlam
geçişleri).
Bağlamsal öğrenmenin altında yatan üretken sürece göre (şekil 2A), hem akım
bağlam,CTve her olası bağlama karşılık gelen beklenmedik durumlar,X(C) T,gizli
değişkenler. Bu nedenle, Bayesian bağlamsal öğrenicisinin bu miktarların her ikisini de aynı anda çıkarması
gerekir. Bayes modellerinde çıkarımın, herhangi bir serbest parametre veya süreç seviyesi varsayımı olmadan
(pratikte algoritmik seviyedeki seçimler olmasına rağmen) üretken modelin olasılıksal ters çevrilmesi olarak
prensipte (hesaplamalı analiz seviyesinde) benzersiz bir şekilde belirlendiğine dikkat edin.
yine de yapılması gerekebilir;Kutu 2). Özellikle, ilgili çıkarımlarX(C) T(uzun vadeli) bir şey oluşturmak
bağlam hafızasıC.Daha sonra tartışacağımız gibi, bu, klasik tek bağlamlı öğrenme teorilerinin hafızanın
içeriğini nasıl biçimlendirdiği ile uyumludur (şekil 2B) ve basit (tek bağlamlı) öğrenme
paradigmalarında geniş bir ampirik bulgu yelpazesini açıklamıştır. Ancak Bayesian bağlamsal öğrenme
modeli aynı zamanda çıkarımların yapılmasını ve sürekli olarak güncellenmesini de gerektirir.CT. Bu
nedenle öğrencinin her bir bağlamın o anda aktif olma olasılığını çıkarması gerekir. Bazı durumlarda,
örneğin faremiz bir gelinciğin çenesindeyken, duyusal kanıtlar ezici bir çoğunlukla güvensiz bağlam
lehine olabilir, öyle ki bu bağlamın olasılığı etkili bir şekilde 1'dir, halbuki faremiz bir çalıdan diğerine
doğru hareket ettiğinde bir açıklığa sahipse, güvenli olmayan bağlam için yalnızca orta düzeyde bir
olasılık ortaya çıkarabilir. Bir sonraki bölümde bu çıkarımların işlevsel sonuçlarını ve bunların sonuçta
davranışa nasıl yansıması gerektiğini açıklayacağız.
Burada, bağlamsal öğrenmede çıkarımın altında sabit bir yapıya sahip bir grafik modelin yattığını
varsaydığımızı unutmayın. Bununla birlikte, klasik koşullandırma deneyleri, bağlamın çağrışımsal öğrenmede
farklı roller oynayabileceğini, öyle ki hayvanların onu tamamen modülatör veya olumsallıklar üzerinde ilave bir
etkiye sahipmiş gibi ele alabileceğini veya tamamen alakasız olduğunu düşünebileceğini öne sürmektedir.81,
82] Bu çeşitlilik, hayvanların üretken model için her biri burada sunduğumuz modelin özel bir durumu olan
alternatif yapıları dikkate aldığını ve bu yapılar üzerinde hiyerarşik çıkarımlarda bulunarak doğru model
yapısını 'sadece bir başkası' olarak ele aldığını varsayan Bayes teorileriyle açıklanmıştır. çıkarılacak yüksek
seviyeli gizli değişken [83] Birden fazla basit yapının bu şekilde hiyerarşik olarak öğrenilmesinin, bu fenomeni
tek bir karmaşık yapı içindeki beklenmedik durumların öğrenilmesinden daha iyi bir şekilde açıklayıp
açıklayamayacağı henüz test edilmeyi beklemektedir.
Bağlamsal çıkarımın sonuçları

Bağlamlar üzerindeki sonsal dağılım, bilinen her bir bağlamın veya henüz bilinmeyen yeni bir bağlamın şu
anda aktif olma olasılığını ifade eder. Buna karşılık, bu posterior, daha sonra detaylandıracağımız anıların
ifadesini, güncellenmesini ve yaratılmasını kontrol eder.
Bellek ifadesi için bağlamsal karıştırma

Eğer mevcut bağlam ve buna karşılık gelen beklenmedik durumlar öğrenci tarafından biliniyorsa, o
zaman belirli bir zamanda en iyi eylemi seçmek (sıkıcı olsa bile) basit olacaktır: öğrencinin en çok arzu
edilen eylemle ilişkili eylemi seçmesi gerekecektir ( en yüksekYarar)Bu beklenmedik durumlara göre
geri bildirim. Böylece davranış yalnızca tek bir kişi tarafından yönlendirilecektir.
hiyerarşik Dirichlet süreci). Her bir bağlamdan 'geçiş' olasılıkları kümesi (altta, yatay çok renkli çubuklar, her bir şeridin
genişliği, her bir 'için' bağlama geçiş olasılığını gösterir), küresel bir olasılıklar kümesinin (üstte) bir varyasyonudur. Bu
şekilde, belirli bir bağlamdaki yerel geçiş olasılıklarını öğrenmek, küresel geçiş olasılıkları hakkındaki çıkarımları
bilgilendirir, dolayısıyla henüz gözlemlenmemiş bağlam geçişleri için bile diğer yerel geçiş olasılıkları hakkında
çıkarımlar sağlar.

AÇIK ERİŞİM
Kutu 2. Bağlamsal çıkarımın karmaşıklığının azaltılması

Bayesci bağlamsal öğrenicinin görevi, (Bayes kuralını uygulayarak) tüm gizli noktalar üzerindeki ortak sonsal dağılım sonucunu çıkarmaktır.
değişkenlerLT(yani, beklenmedik durum kümeleri,X(C) T,ve bağlamlar,CT, Görmekşekil 2A ana metinde), gözlemlenen tüm olayların geçmişi göz önüne alındığında
değişkenlerÖ0:T(yani duyusal ipuçlarının dizisi,Q0:T, devletler,S0:T, hareketler,A0:Tve geri bildirim örnekleri,R0:T). Bu çıkarım süreci, metinde
tanımladığımız üretken sürecin olasılıksal olarak uygun bir şekilde tersine çevrilmesini gerçekleştirir (ve bkz. şekil 2Bir ana metin). Genel
olarak, bu ters çevirme, bir sonsal P'nin hesaplanmasını gerektirir.ğL0:Tjo0:TŞ,Geçerli zaman noktasına kadar gizli değişkenlerin tüm
geçmişi boyunca,T,tüm gözlem geçmişinin bir fonksiyonu olarak. Bununla birlikte, gerçekte, genellikle son (veya en yeni birkaç) zaman
adım(lar)ı için gizli değişkenlerin yalnızca sonuncusudur, PğLTjo0:TŞ,Bu, aşağı yöndeki hesaplamalar için gereklidir. Üstelik, bu sonsal tipik
olarak yinelemeli bir şekilde çevrimiçi olarak hesaplanabilir; böylece önceki zaman adımında hesaplanan sonsal, yalnızca son zaman
adımındaki gözlemlerle birleştirilebilir, böylece önceki tüm gözlemler için herhangi bir belleğe gerek kalmaz:
Z
R
po|SfflTffleofffffRfflioffl{
PYapmakTjLTŞ PğLTjL
zNffleofffffw |fflfflfflfflffl{zfflffflfflfflffl} |fflfflfflfflffflfffffl T -1Ş
ffl{zfflfflfflfflfflfflfflffl} zffffflffffPofffffRffleofffffvfflioofffffsenofffffS}|PfflÖofffffSfflTfflefflRfflBenfflÖofffffRffffflfffffl{
fffffffl} PğLTjo0:TŞ ∝ den bilgi iç modeli PğLT -1jo0:T -1ŞDLT -1 ½BEN-
güncel gözlemler gizli dinamikler
Denklem olduğuna dikkat edinBENaynı zamanda çıkarımın nasıl tamamen üretken süreç tarafından belirlendiğini de ortaya
koyuyor: sağ taraftaki birinci ve ikinci terim sırasıyla dikey ve yatay oklara karşılık geliyor.şekil 2Ana metinde A.
Bununla birlikte, en basit durumda bile (Denklemde gösterildiği gibi)BEN), sonuncuyu hesaplamak hala kökten zorlu olabilir ve bu
nedenle yalnızca yaklaşık bir versiyon hesaplanacaktır. Beynin bunun için kullanabileceği yaklaşımların kesin doğası bilinmemektedir
(bkz.Olağanüstü sorular). Burada basitçe bunların, daha sonra tanımlayacağımız ve (neredeyse) kesin hesaplamalardan elde edilecek
bağlamsal çıkarımın temel etkilerini elde etmek için yeterince doğru olduklarını varsayıyoruz. Aslında bazen basit görünen buluşsal
yöntemler bile bu tür karmaşık görünen hesaplamalara etkili bir şekilde yaklaşabilir.11,58,85,143–145] Örneğin, bağlamsal etkilerin
süreç düzeyindeki başarılı modellerinin epizodik bellek üzerindeki etkisini göstermek mümkün olabilir.4,146] burada sunduğumuz gibi
bir model kapsamındaki yaklaşık çıkarım biçimlerine karşılık gelir.
Yaklaşık çıkarım biçimleri, kesin çıkarımdan daha iyi bir veri açıklaması bile sağlayabilir. Örneğin, klasik ve edimsel
koşullanmadaki (örneğin,Şekil 4ana metinde) grup ortalamasının bir ürünüdür. Bunun yerine, bireysel denekler,
kararsız bir asimptot'a ilk yükselişin ardından performansta hem düşüş hem de artışla birlikte, çift yönlü olarak
dalgalanan davranışsal yanıtlarda ani adımlar gösterirler.147] Bu tür davranışlar, hem tahmin edilen beklenmedik
durumların hem de bağlam olasılıklarının zaman içinde kademeli olarak değiştiği kesin bağlamsal çıkarımlarla
kolayca açıklanamaz. Bununla birlikte, karmaşık sonsal dağılımları temsil etmek için Monte Carlo örneklerinin
kullanılmasına dayanan özellikle güçlü bir yaklaşımdan ortaya çıkabilirler.78] Aslında örneklemeye dayalı
yaklaşımların bir dizi bilişsel durumun temelini oluşturduğu ileri sürülmüştür.148] ve ayrıca sinirsel fenomenler [100
] Spesifik olarak, öğrenme bağlamında, bağlamsal çıkarımın temelini oluşturdukları ve ampirik olarak tanımlanan
performanstaki ani ve çift yönlü dalgalanmaları açıkladıkları da ileri sürülmüştür.149]
Bellek: mevcut bağlama karşılık gelen. Bununla birlikte, genel olarak mevcut bağlam hakkında, arka
planda ifade edildiği gibi bir belirsizlik olduğu göz önüne alındığında,CTPrensip olarak tüm bağlamlara
ilişkin anılara başvurulması gerekir [13,58,84–87] Özellikle Bayesian karar teorisinin kurallarına göre [
88], her eylemin beklenen faydası, bağlamlar arasındaki faydasının ortalaması alınarak, arka bağlam
olasılıkları ile ağırlıklandırılarak hesaplanabilir ve beklenen en yüksek faydaya sahip eylem seçilebilir.
Bir eylemin faydası, motor kontrolünde olduğu gibi, bağlama bağlı bazı hedef eylemlerden (her
bağlam için) kaynaklanan hatanın karesi olarak tanımlandığında [89] (ama bkz. [90–92]), beklenen en
yüksek faydaya sahip eylem, her bir bağlamdaki hedef eylemlerin, son bağlam olasılıkları tarafından
verilen ağırlıklarla ağırlıklı ortalamasıdır.
Tüm bu vakalardaki kritik içgörü, birkaç anı içeriğinin (sıfır olmayan olasılığa sahip
bağlamlarla ilişkili olanlar) optimal davranış için karıştırılması gerektiğidir. Bu, tek bir
anının aynı anda nasıl geri çağrıldığına odaklanan klasik anı hatırlama açıklamalarından
oldukça farklıdır.93,94] Bu klasik teorilere benzer şekilde, bağlam bağımlı öğrenmenin
birkaç yeni modeli de karışık anılar yerine her denemede tek bir anıyı (en olası tek
bağlamla ilişkili bellek) ifade eder.59,76,95] Bunu yaparken, genel olarak optimal olmayan
eylem seçimine yol açacak olan bağlam hakkındaki belirsizliği göz ardı ederler.

AÇIK ERİŞİM
İlginç bir şekilde, motor kontrolü alanında, farklı modüllerin çıktılarının 'talep üzerine' doğrusal
olarak karıştırılması fikri oldukça iyi kabul edilmiştir.11,96–98], ancak bağlamsal çıkarımla ilişkisi
ve daha genel olarak karışım oranlarını yöneten faktörler yakın zamana kadar araştırılmamıştı [
13] Buna karşılık, epizodik alanlarda anıların bu şekilde karıştırılması konusunda yalnızca ara
sıra önerilerde bulunulmuştur.86], Uzamsal bellek [10] ve insan enstrümantal öğrenmesi [58] ve
bunlar sistematik bir davranış analiziyle deneysel olarak desteklenmemiştir.
Bellek güncelleme ve oluşturma için bağlamsal karıştırma

Geri bildirim alındıktan sonra, bir eylemi gerçekleştirdikten sonra bağlamsal öğrenci zor bir
kredi atama problemiyle karşı karşıya kalır.11,85] Şu anda hangi bağlamın 'aktif' olduğu belirsiz
olduğundan, geri bildirimden hangi bağlamın sorumlu olduğu ve dolayısıyla hangi belleğin
onun tarafından güncellenmesi gerektiği açık değildir. Bir kez daha, bağlamlar üzerindeki sonsal
dağılım bu soruna normatif çözüm sunmaktadır.13,58,87,99–101] Özellikle, aynı geri bildirimin
artık karıştırılması gerekiyor; böylece tüm anılar, karşılık gelen bağlamların sonsal olasılıklarıyla
orantılı olarak güncelleniyor. Başka bir deyişle, aynı belleğin, herhangi bir zamanda karşılık
gelen bağlamına atanan sonsal olasılığa bağlı olarak dinamik olarak modüle edilen etkili bir
öğrenme hızıyla güncellenmesi gerekir.
Çoklu bağlam modellerinde kesin çıkarımın çoğu zaman zorlu olduğu göz önüne alındığında (Kutu 2), insan
öğrenme modellerinde yaygın olarak kullanılan, hesaplama açısından ucuz bir alternatiftir [59,76,86,95] her
denemeyi kesin olarak en yüksek olasılığa sahip bağlama atamaktır. Ancak bu yaklaşım, bağlam hakkındaki
belirsizliği göz ardı eder ve her denemede yalnızca tek bir anının güncellenmesine yol açar. Bu Bayes olmayan
buluşsal yöntem, model davranışını niteliksel olarak etkilemediği temelinde gerekçelendirilmiştir.86,95] daha
uygun Bayes yöntemleriyle karşılaştırıldığında [13,58] Ancak bu muhtemelen, daha sonra tartışacağımız gibi,
anıların tek deneme temelinde nasıl güncellendiğini doğrudan test etmeyen paradigmalar için geçerli
olacaktır.
Bellek hatırlamanın tek bir anıyı geri getirmekle sınırlı olmaması gerektiği gibi, genel olarak bellek
güncellemesinin de birden fazla bağlam için paralel olarak gerçekleşmesi gerekir. Her ne kadar bu,
geleneksel bellek işleme kavramlarıyla karşılaştırıldığında (örneğin, epizodik anılarınkonsolidasyon
veyayeniden konsolidasyon [102]), bu tür karışık olmayan hafıza güncellemesi için deneysel kanıtlar
vardır. Motor öğrenmede, yakın zamanda yapılan bir deney, hafızanın güncellenmesi sırasında
bağlamsal belirsizliği artırmak için özellikle bir ipucu çatışması durumu ortaya koydu.13] Bu, bağlamsal
karıştırmanın öngördüğü şekilde iki farklı motor hafızasının kademeli (karışıklığı giderilmiş)
güncellenmesinin gösterilmesine olanak sağladı. Bu derecelendirilmiş güncelleme bireysel denekler
düzeyinde açık olsa da, bireysel denemeler düzeyinde de derecelendirilip derecelendirilmediği ya da
olasılıksal ya hep ya hiç güncellemesiyle yakınlaştırılmış olup olmadığı henüz çözülmemiştir (bkz.
Olağanüstü sorular).
Bazen, mevcut tüm anılar bir durumda uygunsuz görünebilir ve bu nedenle, uygun ayrıştırmayla bile bunların
güncellenmesi uygunsuz olabilir ve bunun yerine tamamen yeni bir belleğin yaratılması gerekir. Gerçekten de,
hafıza yaratımına ilişkin klasik açıklamalar sıklıkla bu sürece aracılık etmede yenilik veya tahmin hatalarının
önemini vurgulamaktadır.3,5] Buna paralel olarak, eğer bağlamsal çıkarım açık uçlu bir bağlam kümesi
üzerinden gerçekleştirilirse, aynı zamanda henüz görülmemiş yeni bağlamlara da izin verilirse, bağlamsal
karıştırma, yeni bir bağlamın sonsal olasılığı (biçimsel tanım) ortadan kalktığında otomatik olarak bellek
oluşumuna yol açar. (bu çerçevede 'yenilik') yeterince yüksektir.
Bağlamsal çıkarımla yönlendirilen hafıza yaratımına ilişkin temel bir tahmin, yaygın olarak
gözlemlenen histerik 'kaynayan kurbağa etkisi'dir: Ortamdaki tek bir ani değişiklik sıklıkla yeni bir
hafızanın yaratılmasını tetikler, ancak birçok küçük değişiklik aynı toplam etkiye katkıda bulunur.

AÇIK ERİŞİM
genellikle bunu yapmayın. Bunun nedeni, her küçük değişiklikten sonra, mevcut bağlamın hafızasının,
biraz hatalı da olsa, hala uygun görünebilmesi ve bu nedenle güncellenmesinin bağlamsal çıkarımla
doğrulanması, yani sonda yer alma ihtimalinin yüksek olmasıdır (Figür 3A, üst). Yeni bir duruma ani bir
geçiş, bilinen tüm bağlamların olasılıklarının düşük olmasına yol açar ve dolayısıyla (olasılıkların
toplamının bir olması gerektiğinden) yeni bir bağlamın olasılığının zorunlu olarak yüksek olması
gerekir (Figür 3Bir alt). Bu etki bir dizi farklı alanda açıklanmıştır. Epizodik hafızada, duyusal
uyaranlardaki küçük değişikliklerin anıların kademeli olarak güncellenmesine yol açtığı, ani
değişikliklerin ise yeni anıların yerleşmesine yol açtığı ileri sürülmüştür.86] Bu prensibin aynı zamanda
doğal videolarda olay bölümlendirmesini de hesaba kattığı gösterilmiştir.103] Benzer etkiler şu şekilde
de görülüyor:Yer hücresinin yeniden eşlenmesi,yeni bir bağlamın çıkarımının varsayılan bir sinirsel
ilişkisi [104] ve buna eşlik eden yeni mekansal anıların yaratılması [105] (ama bkz. [106]): yeniden
eşleme doğrusal olmayan bir şekilde ortamların benzerliğine bağlıdır [107] ve çevresel değişikliklerin
kademeli olarak uygulanmasıyla azalır [108] Motor kontrolünde, aniden (kademeli olarak) ortaya çıkan
pertürbasyon durumunda tasarruf daha fazladır [109] ve aniden (yavaş yavaş) ortaya çıkan
tedirginliğin ortadan kaldırılmasından sonra de-adaptasyon daha hızlı olur [110], bu durumlarda
birden fazla anının yaratıldığı düşünülür (Kutu 3VeFigür 3), aralarında esnek geçişe izin verir. Benzer
şekilde, klasik koşullandırmada, bir CS-US eşleşmesinin kademeli olarak yok olması, korkunun
iyileşmesini (kendiliğinden iyileşme ve eski haline dönme) önler; çünkü yok olma ani olduğunda ve yeni
bir hafıza yaratıldığında, edinim aşamasında öğrenilen hafıza öğrenilmez. böylece orijinal hafıza
korunuyor [111,112] (Ayrıca bakınızKutu 3VeFigür 3).
Durum geri bildirimi Durum Duyusal ipuçları Bellek varlığı Bellek ifadesi
–0+ cs (koşullu uyarıcı)
(A)Yeni bir hafızanın yaratılması (B)Mevcut bir hafızanın yeniden ifade edilmesi
Kademeli + şuna yol açar:
uyarlanması Yeniden ifade
mevcut hafıza 0 0 + dolayı ...
Tasarruf 0 + 0 +
Ani + şuna yol açar
bir yaratılması
yeni hafıza
0 +
(C)Yeni bir hafızanın ifadesi
durum
cs:+ cs:+
geri bildirim
Hızlı yeniden satın alma cs:0
Kısa + şunlara yol Uyarılmış iyileşme + – +
açar: hızlı ifade Eski durumuna döndürme cs:+ cs:0 + cs:0
ile ilgiliiçin yeni hafıza– + –
ABA yenilemesi cs:+ cs:0 cs:0 duyusal
Etkinlik sınırları ipuçları
Uzun + şunlara yol açar:

yavaş ifade
ile ilgiliiçin yeni hafıza– Spontan iyileşme + – doğal
İleriye doğru girişim + – cs:+ cs:0 cs:0 faktörler
Şekil 3. Bağlamsal çıkarımla açıklanan klasik paradigmalar.Her paradigma şematik olarak üç satırla temsil edilir [panelde (A, üstte iki satır) iki satır]. Sarı/kahverengi
renkli çubukların bulunduğu alt satır [panel (B)'deki satırlar], durum geri bildirimi (pozitif, +, negatif, –, boş, 0 veya yok, boş), duyusal ipuçları açısından deneyin zaman akışını
gösterir. (sarı ve kahverengi) ve durumu [koşullu uyaran (CS)]. Motor kontrolü için +, 0 ve – uzanma sırasında ele uygulanan pertürbasyonun gücünü ve yönünü yansıtır.
Koşullandırma için + ve 0, koşulsuz bir uyaranın (ABD) varlığını/yokluğunu yansıtır. Kırmızı/mavi renkli çubukların bulunduğu üst sıralar, deneyle ilgili anıları gösterir (+ için
kırmızı, 0 veya – için mavi); her anı için soluk arka plana sahip çubuk, belleğin oluşturulduğu zamandan deneyin sonuna kadar uzanır (taraklı kenar önceden var olan bir anıyı
yansıtır). Her çubuğun içindeki koyu gölgeleme, zamanın her noktasında karşılık gelen hafızanın ifadesini gösterir (koyu gölgelemenin yüksekliği, 0 ile 1 arasındaki ifade
düzeyini temsil eder; mevcut bağlamlardaki ifadenin toplamı 1'dir). Ana metne bakın veKutu 3Paradigmaların ayrıntıları ve mekanizmaların açıklanması için bkz. (A) Üst:
kademeli olarak ortaya çıkan bir tedirginlik için (ikinci satırda siyah genişleyen üçgen), mevcut bellek güncellenir (ilk satırda mavi kırmızıya dönüşür). Altta: Aniden ortaya çıkan
bir tedirginlik için hafıza yaratımı gerçekleşir. (B) Başlangıçta öğrenilen bir hafızanın (kırmızı) daha sonra başka bir hafıza ifade edildikten sonra yeniden ifade edildiği
paradigmalar. Yeniden ifade, durum geri bildirimine, duyusal ipuçlarına veya spontan faktörlere dayanabilir. (C) Yeni hafıza ifadesi. İleriye dönük girişim, burada ikinci bir
olasılık kümesinin (burada, - pertürbasyon) öğrenilmesi, eğer başka bir olasılık kümesi (burada, + pertürbasyon) başlangıçta öğrenilmişse, ilk öğrenmenin uzunluğuyla birlikte
artan girişim miktarıyla (uzun + pertürbasyon) daha yavaştır. vs. kısa +), yani ortamın daha az değişken olduğu zamandır. Yeşil ve mor oklar sırasıyla hafıza ifadesinin hızlı ve
yavaş değişen seviyelerini göstermektedir.

AÇIK ERİŞİM
Doğru ve görünür öğrenme

Bağlamsal karıştırma ve ayrıştırma aynı zamanda deneysel psikolojideki en klasik fenomenlerden biri olan
öğrenme eğrisine yeni bir bakış açısı sağlar. Bir öğrenme eğrisi, eğitim veya öğrenme ilerledikçe bir görevdeki
performansta (veya 'adaptasyonda') zaman içinde (tipik olarak ardışık denemeler) kademeli bir iyileşme
olduğunu gösterir. Bu nedenle, bir öğrenme eğrisinin geleneksel yorumu, bir hafızanın (veya bir hafıza
koleksiyonunun) artımlı olarak güncellendiği ve performansta davranışsal olarak gözlemlenebilir kademeli
değişikliklerin bu hafıza güncellemelerinden kaynaklandığı şeklinde olmuştur. Aslında klasik [25,113,114] ve
daha modern [72] öğrenme modelleri bu mekanizmayı doğrudan varsayar.Şekil 4A bunun basit bir simüle
edilmiş örneğini gösterirdoğru öğrenme.Bununla birlikte, hafıza ifadesinin bağlam olasılıklarına bağlı olması,
adaptasyonun da tamamen farklı bir mekanizmadan kaynaklanabileceği anlamına gelir: görünen öğrenme [
13] Görünür öğrenme, tahmin edilen bağlam olasılıklarındaki bir güncelleme nedeniyle bellek ifadesindeki
bağlamsal karışımdaki bir değişikliği ifade eder (Şekil 4B). Gerçekten de, geleneksel olarak uygun öğrenmeye
atfedilen bir dizi olgunun temelinde, uygun öğrenme yerine görünür öğrenme yatıyor olabilir (Kutu 3). Elbette
uyum, uygun ve görünür öğrenmenin bir karışımından da kaynaklanabilir (Şekil 4C).
Bağlama bağlı öğrenme modellerinin çeşitleri

Daha önce geliştirilen teorik çerçeve, çevrenin farklı özelliklerini ve çevreyle ilgili
öğrenmeyi karakterize eden karşılık gelen özellikleri yakalamak için çeşitli yollarla
değiştirilebilir veya genelleştirilebilir. Bu, alternatif modelleme varsayımlarının üretken
sürece dahil edilmesiyle başarılabilir; bu da sonuç olarak çıkarım sürecini ve deneyimin
organizasyonunu bağlama özgü anılara dönüştürür.
Tekli ve çoklu bağlamlı modeller

Çoğu öğrenme modelinde bağlam kavramı yoktur. Bunlardan bazıları, Kalman filtre tabanlı motor
öğrenme modelleri gibi, daha önce tanımladığımız bağlamsal öğrenme modeline benzer Bayes
terimleriyle açıkça ifade edilmiştir.115] veya klasik koşullanma [116] veya ödül olasılıklarına ilişkin
Bayesian öncelikleri ile ekonomik karar alma modelleri [57,117] Bu nedenle, bu modellerin altında
yatan üretken model, şekilde gösterilenin özel bir durumudur.şekil 2Her zaman aktif olan yalnızca bir
dizi olumsallığın bulunduğu A (Şekil 2Bant4A).
Daha da önemlisi, başlangıçta Bayes modelleri olarak resmileştirilmemiş klasik modeller bile bu
tür modellere eşdeğer olacak şekilde sıklıkla yeniden türetilebilir (örn., bkz.118,119] Rescorla-
Wagner modelinin Bayesian tedavileri için [25] klasik koşullanmanın ve durum-uzay
modellerinin [72,114] sırasıyla motor öğrenmede). Bu şekilde resmileştirildiğinde, genel çoklu
bağlam durumuyla bir karşılaştırma yapılır.şekil 2A, bu modellerin temelde tek bağlamlı
doğasını (yani, aşağıda gösterilen modele benzer olduklarını) hemen ortaya çıkarır.şekil 2B). Bu
modellerden bazıları aynı zamanda birkaç hafıza izinin (farklı uyaranlarla ilişkili tahmin ağırlıkları
olarak temsil edilir) varlığını da önerdiğinden, bu ilk başta kafa karıştırıcı olabilir.25] veya farklı
temel öğrenme ve/veya akılda tutma oranlarıyla ilişkili süreçler [72]), bağlam modelindeki farklı
bağlamlara karşılık gelen çoklu anılara benzer gibi görünebilir.
daha önce tanımladığımız gerçek öğrenme (yani,X(C) T her biri içinC).Ancak kritik bir nokta var
bu çoklu anı kavramları arasındaki fark. Bağlamsal öğrenme modelinde, her zaman adımındaki
gözlemlerin aynı anda tek bir bağlam tarafından üretildiği varsayılır. Sonuç olarak, bir bağlamın belli
bir süre boyunca gözlemlerden sorumlu olmadığı çıkarımı yapıldığında, onun hafızası korunur
(olumsallıkların devam eden içsel dinamikleri hakkında modülo varsayımlar) ve görünürdeki öğrenme
sayesinde, bağlamın hafızası korunur. Bağlamın tekrar aktif olduğu anlaşıldığında kolayca eski
durumuna getirilebilir. Çoklu bellek izlerine sahip tek bağlamlı modeller, örtülü de olsa, bu izlerde
temsil edilen tüm olumsallıkların her zaman katkıda bulunduğunu (sabit göreli ağırlıklarla) varsayar ve
dolayısıyla tüm bu izleri de ifade eder ve günceller.

AÇIK ERİŞİM
(A) Düzgün (B) Görünür (C)Uygun ve görünür
1 1 1
Verim
0 0 0
0 50 150 0 50 150 0 50 150

Beklenmedik Durumlar | bağlam
1 1 1
0 0 0
-1 -1 -1
0 50 150 0 50 150 0 50 150
1 1 1
Bağlam olasılığı
0 0 0
0 50 150 0 50 150 0 50 150
Duruşma Duruşma Duruşma
Şekil 4. Aynı öğrenme eğrileri, doğru veya görünür öğrenme veya bunların kombinasyonu nedeniyle ortaya çıkabilir.Simülasyonlar
bağlamsal öğrenme modeli [13] üç farklı senaryo (A-C) altında beklenmedik durumlardaki bir adım değişikliğine yanıt olarak
(siyah çizgi, üst sıra, beklenmedik durumları tek bir skalere soyutlama). Üç senaryo, farklı parametre ayarları ve başlangıç
koşulları altında (örneğin, bire karşı iki bellek) ortaya çıkar. Görev performansı (üst sıra, camgöbeği), her bir bağlamın
beklenmedik durumları (orta sıra, mavi ve kırmızı) üzerinden çıkarılan dağılımların bir karışımıdır. Basitlik açısından, her bir
çıkarımsal olasılık kümesi, karşılık gelen bağlama uygun bir yanıt büyüklüğünü doğrudan belirler. Karışım, ilgili bağlam
olasılıklarına göre ağırlıklandırılır (alt sıra, mavi ve kırmızı; gri, potansiyel yeni bir bağlamın olasılığını gösterir). (A) Saf doğru
öğrenme: İlgili duruma karşılık gelen 'olasılıklar' [örneğin, koşullu uyaranın (CS) veya bir hareket hedefinin sunumuyla
tanımlanan], alma olasılığı gibi basit bir skaler ile özetlenebilir bu durumda geri bildirim olarak koşulsuz uyaran (ABD) veya bu
hedefe ulaşıldığında kuvvet tedirginliğinin büyüklüğü. Deneyimsiz deneklerde, bu skalerin tahmini başlangıçta 0'dır ve aşırı
eğitimde CS tutarlı bir şekilde US ile eşleştirildiğinde veya kuvvet pertürbasyonu hedefle (orta sıra) eşleştirildiğinde artar. Bu
klasik bir öğrenme eğrisine yol açar. Bu örnekte bağlamsal çıkarımın hiçbir rol oynamadığına dikkat edin, çünkü (simüle edilmiş
öznenin varsaydığı gibi) her zaman oyunda yalnızca tek bir bağlam vardır ve bu bağlamın olasılığı bu nedenle her zaman
yalnızca sabit olabilir (alt sıra). (B) Saf görünür öğrenme: olumsallıkları daha önce sıfırdan farklı bir düzeye güncellenmiş olan
mevcut (kırmızı) bir bellek (basitlik açısından burada 1 olarak alınmıştır), temel belleğe (mavi, alınmış) göre zaman içinde daha
fazla ifade edilir. 0'da olacaktır), çünkü ilişkili bağlamının artan olasılıkla aktif olduğu anlaşılmaktadır (alt satır, kırmızı bağlamın
olasılığı artar). Dolayısıyla, her iki bağlam için tahmin edilen olasılıklar zaman boyunca sabit olduğundan (orta sıra) hafıza
güncellemesinin burada hiçbir rolü yoktur. (C) Doğru ve görünen öğrenmenin karışımı: yeni (kırmızı) bir hafıza oluşturulur ve
güncellenir, ancak aynı zamanda zaman içinde daha fazla ifade edilir. Kritik olarak, bu farklı öğrenme biçimleri, kökten farklı iç
temsillere (orta ve alt paneller) sahip olmalarına rağmen aynı adaptasyon eğrilerini [(A-C), üst paneller] üretebilir.
zamanlar. Sonuç olarak, yeniden öğrenme olmadığı sürece, önceden temsil edilen bir zihinsel duruma 'geri
dönüş' mümkün değildir. Başka bir deyişle, tek bağlamlı modeller yapısal öğrenmeyi açıkça
gösterememektedir ve bu yetersizlik onların geri dönmesini engellemektedir. Çoklu bağlam modelleri,
içlerindeki mevcut bağlamı indeksleyen gösterim açısından daha da farklılık gösterebilir. Bu, daha önce
varsaydığımız gibi farklı sayıdaki farklı bağlamlardan birine işaret etmek kadar basit olabilir veya bileşimsel
veya sürekli temsiller kullanılarak daha karmaşık olabilir (Kutu 4).

AÇIK ERİŞİM
Kutu 3. Görünür öğrenme olgusu

Görünen öğrenmenin temeli, depolanan anıların tam olarak ifade edilmeden hareketsiz kalabileceği fikridir. Bu şu fenomene
benzer:alma hatası,bellekte saklanan bilgiye geçici olarak erişilemez, örneğin bir kelimenin dilin ucunda olması gibi.150] Geri
getirme başarısızlığının, görünen öğrenme gibi, bir belleğin kodlandığı bağlam (öğrenme bağlamı) mevcut bağlamdan (test
bağlamı) farklı olduğunda meydana geldiği öne sürülmüştür.18] Bu yorumla tutarlı olarak, öğrenme bağlamıyla ilişkili
duyusal ipuçlarının test zamanında sunulması durumunda geri getirme başarısızlığının üstesinden gelinebilir.16], eski
durumuna döndürmeyi anımsatıyor ve iyileşmeyi çağrıştırıyor. Bununla birlikte, geri getirme başarısızlığı terimi olumsuz
çağrışımlara sahipken, görünen öğrenme, optimal Bayes bağlamsal çıkarımının bir sonucudur ve dolayısıyla hafızanın
bastırılması (geri alma başarısızlığı) normatif bir fenomen olarak görülebilir.
Görünür öğrenmenin yakın zamanda birçok klasik öğrenme olgusunun temelini oluşturduğu öne sürülmüştür.13] Bu açıklamaya göre,
hızlı yeniden edinme (tasarruf), ikinci kez deneyimlendiğinde edinim bağlamının daha olası olduğu çıkarımı yapıldığından ve dolayısıyla
ilgili hafızanın daha fazla ifade edildiğinden meydana gelir (bkz.Figür 3B ana metinde). Kendiliğinden iyileşme, bağlam geçişlerinin
dinamiklerine dayalı olarak zamanın geçmesinden sonra edinim bağlamının daha olası olduğu çıkarımı yapıldığından ve dolayısıyla ilişkili
belleğin yeniden ifade edildiğinden meydana gelir (bkz.Figür 3B ana metinde). Uyarılmış iyileşme / eski haline dönme ve ABA
yenilenmesi, edinim aşamasıyla ilişkili duyusal geri bildirimin (uyandırılmış iyileşme / eski haline dönme) veya duyusal ipuçlarının (ABA
yenilenmesi) yeniden sunumunun, edinim bağlamının yeniden aktif olduğuna ve dolayısıyla bununla ilişkili hafızanın yeniden aktif
olduğuna dair güçlü kanıtlar sağlaması nedeniyle meydana gelir. yeniden ifade edildi (bkz.Figür 3B ana metinde).İleriye doğru girişim (
veyaproaktif müdahale) Belirli bir dizi olasılığa uyum sağlamanın veya bazı bilgilerin incelenmesinin (edinme aşaması), yeni bir dizi
olasılığa daha sonraki adaptasyonu yavaşlatabileceği veya daha yakın zamanda çalışılan bilgilerin hafızasını bozabileceği ve bu etkinin
daha da güçleneceği anlamına gelir. edinim aşaması daha uzun sürer [18,151,152] Bunun nedeni, ilk olumsallık dizisiyle ilgili kapsamlı
deneyimin, öğrenciyi başka bir olumsallık dizisine geçme ihtimalinin daha düşük olduğuna inandırması ve dolayısıyla ikinci olumsallık
dizisiyle ilişkili hafızanın daha az ifade edilmesidir (bkz.Figür 3Ana metinde C). Çevresel tutarlılık (bağlamlar arası değişkenliğin tersi, bkz.
Kutu 5) sadece görünen öğrenme yoluyla tek denemeli öğrenmeyi etkileyebilir. Yani, daha (daha az) tutarlı bir ortamda, mevcut
bağlamın bir sonraki denemede de devam etmesi beklenen daha yüksek (daha düşük) bir olasılık vardır, bu da güncellenmiş bir belleğin
daha fazla (daha az) ifadesine yol açar (aynı olmasına rağmen). Bu ortamlarda yeterli miktarda uygun öğrenme gerçekleşir).
Tek ve çoklu bağlam modelleri arasındaki kritik fark, çevresel değişkenliği, yani oynaklığı
yorumlama şeklidir. Tek bağlamlı modeller, beklenmedik olaylardaki değişikliklere oynaklık
atamak zorundayken, çok bağlamlı modeller, aynı oynaklığı ya beklenmedik olaylardaki
değişikliklere ya da bağlamdaki değişikliklere atayabilir (Kutu 5).
Kutu 4. Basit ve karmaşık bağlam temsilleri

Ana metinde bağlam kavramını ayrı bir gizli neden olarak resmileştirdik. Bu tür basit gizli neden modelleri [3,13] zamanın her noktasında
tam olarak bir gizli nedenin aktif olduğunu ve dolayısıyla gizli nedenler ve bağlamlar arasında bire bir eşleme olduğunu varsayalım. Buna
karşılık, bileşimsel gizli neden modelleri [1,79,80] zamanın her noktasında birden fazla gizli nedenin aktif olabileceğini ve dolayısıyla bir
bağlamın, gizli nedenlerin benzersiz bir birleşimi olarak resmileştirildiğini varsayar. Önemli olan, daha önce deneyimlenen gizli
nedenlerin yeni bağlamları temsil etmek için yeni yollarla birleştirilebilmesi nedeniyle, bu tür bileşimsel temsillerin güçlü genelleme
biçimlerine izin vermesidir.153] Örneğin, ızgara dünyasında gezinme görevlerinde insanlar, ödül işlevi (hedef konumu) ve durum geçiş
işlevi (durumlardan ve eylemlerden sonraki durumlara haritalama) için ayrı gizli nedenler çıkararak bağlamı bileşimsel olarak (bunu
yapmanın yararlı olduğu durumlarda) temsil eder. , yeni görevlerin daha önce deneyimlenen ödül ve durum geçiş işlevlerinin yeni
kombinasyonları olarak temsil edilerek hızlı bir şekilde öğrenilmesine olanak tanır.154,155] Benzer şekilde, motor kontrolünde, farklı
nesnelerle olan önceki deneyimlerimizden yararlanarak onları yeni bir nesneyi kontrol etmek üzere bir araya getirebiliriz.156,157]
Bağlamlar, her biri diğer tüm bağlamlardan eşit uzaklıkta, kendi başına bir ada olmaktan ziyade, bir süreklilik üzerinde de değişiklik
gösterebilir. Bu durumda, farklı bağlamlara ilişkin olasılıkların bağımsız olduğu varsayılmamalıdır (ve varsayılmamalıdır).Önselve bunun
yerine benzerliklerinin ve farklılıklarının bağlamların kendileri arasındaki metrik ilişkileri yansıttığı varsayılabilir. Bir kez daha bu, büyük
ölçüde geliştirilmiş genellemeyle sonuçlanabilir. Örneğin, hepsi aynı yerde bulunan nesneleri kontrol etmeyi öğrenmiş olmaknesne
manifoldu (örneğin farklı tekerlek çapına, ağırlığa ve yüksekliğe sahip bisikletler), aynı manifold üzerindeki yeni nesnelere hızla uyum
sağlayabiliriz [158,159]
Ayrık, bileşimsel veya sürekli olsun, yukarıda bahsedilen temsillerin tümü 'düz'dür. Bunun yerine, bağlamlar, giriş bölümünde
verilen örnekte olduğu gibi hiyerarşik olarak organize edilebilir: Farenin gelincikle karşılaşması, karşılaşmanın gerçekleştiği
ormanı, orman içindeki belirli açıklığı tanımlayan, hiyerarşinin farklı düzeylerinde birden fazla bağlamla ilişkilendirilebilir. ve
açıklıktaki çalılık. Üstelik bu bağlamlar farklı zaman ölçeklerinde gelişebilir.51,160] Örneğin, fare ormanlar arasında nispeten
yavaş hareket eder, ancak orman içinde çalıdan çalıya atlar. Aslında rastgele materyallerin bile bellekte hiyerarşik olarak
organize edildiğine dair kanıtlar vardır.161], hiyerarşik bağlam temsilleri için güçlü bir tümevarımsal önyargı olduğunu öne
sürüyor. Bu tümevarımsal önyargıları karşılamak için, daha önce önerdiğimiz bağlamsal öğrenmenin altında yatan üretken
model (bkz.şekil 2A ana metinde) bağlamların hiyerarşik bir temsiliyle genişletilebilir [162,163]

AÇIK ERİŞİM
Kutu 5. Oynaklık
Klasik tek bağlamlı öğrenme modellerinde, ortamın değişkenliği, beklenmedik durumların denemeden denemeye değişkenliği olarak
tanımlanır. Kalman filtresinde [116,164] (Görmekşekil 2B ana metinde), bu değişkenlik 'süreç gürültüsünün', yani beklenmedik
durumların zamansal evrimindeki gürültünün varyansı tarafından belirlenir (X).Üretken modelde daha fazla süreç gürültüsü, çıkarım
sırasında daha fazla belirsizlik ve dolayısıyla daha büyük bir Bayes-optimal öğrenme oranı üretir.119,165,166] Ancak çoklu bağlam
modellerinde değişkenlik terimi çevrenin alternatif bir özelliğini tanımlamak için kullanılmıştır.58], yani bağlam geçiş olasılıkları
tarafından belirlendiği üzere, bağlamın bir denemeden diğerine geçme olasılığı.
Ne yazık ki, bağlam içi ve bağlamlar arası oynaklık olarak adlandırdığımız bu farklı oynaklık türleri bazen bir araya
getirilmektedir. Örneğin, bağlam içi oynaklığı tahmin eden tek bağlamlı modeller, ödül oranının birkaç deneme boyunca sabit
kaldığı ancak ara sıra değiştiği (örn. 0,2 ile 0,8 arasında) bir denemeden diğerine gizli bir şekilde (yani açık ipuçları olmadan) [
57,165] Ödüller böyle bir çoklu bağlam değişimi süreciyle üretildiğinde, tek bağlamlı bir model, bağlam içi oynaklığın arttığını
öğrenir (tek, bağlamdan bağımsız bir ödül oranının 0,2'den 0,8'e veya tam tersi olduğu varsayılır) ), üretken sürecin gerçek
bağlam içi oynaklığının aslında sıfır olmasına rağmen (her bağlamda ödül oranı asla değişmez). Aslında böyle bir sürece
maruz kalan deneklerin öğrenme oranının, Rescorla-Wagner modelinin (daha önce tartışıldığı gibi paradigmatik tek bağlamlı
bir model) öğrenme oranının ikili tercihlerine uydurulmasıyla ortaya çıktığı gibi, daha fazla geçişle arttığı gösterilmiştir. [57,
167] Bu, öğrenme oranını ortamın değişkenliğine göre ayarlayan tek bağlamlı bir öğrenciden bekleneceği gibidir. Ancak yakın
zamanda, çoklu bağlamsal bir modelde bağlamsal çıkarım nedeniyle hafıza ifadesinde meydana gelen değişikliklerin, tek
bağlamlı bir modelin öğrenme oranındaki değişiklikleri taklit edebildiği gösterilmiştir.13] Spesifik olarak, motor
adaptasyondaki benzer bir ortamda, öğrenme oranındaki belirgin değişikliklerin altında çevresel tutarlılığın (bağlamlar arası
değişkenliğin tersi) yattığı gösterilmiştir (bkz.Kutu 3). Bu, ödül oranı değişikliğinin (görünür) öğrenme oranları üzerindeki
etkilerine ilişkin daha erken sonuçların ortaya çıkma olasılığını açık bırakıyor.57,167] (uygun) öğrenme oranlarının
ayarlanmasına yönelik kanıt sağlamak yerine bağlamsal çıkarımın imzalarını ortaya çıkarmakkendi başına (Ayrıca bakınız [168
]). Verilerin model tabanlı (yeniden) analizi için uygun (çoklu bağlam) model sınıfının kullanılması, bu hipotezler arasında
doğru bir şekilde karar vermek için gerekli olacaktır.
Statik ve dinamik beklenmedik durumlar

Kritik bir tasarım seçimi, bağlama özgü beklenmedik durumların zaman içinde statik mi yoksa zamana göre
değişken mi olduğunun varsayılmasıdır. (Daha fazla deneyim biriktikçe, statik olumsallıklarla ilgili çıkarımların
bile zamanla değişeceğini unutmayın.) Bu seçim, Bayesci olmayan öğrenme modelleri için bile geçerli olmaya
devam ediyor. Örneğin, anıların son gözlemlere karşı önyargılı olduğu (örneğin, sabit bir öğrenme oranı
kullanarak) ve/veya deneyim yokluğunda bile değiştiği (örneğin, uyarlanabilir unutma nedeniyle) modeller,
üstü kapalı olarak beklenmedik durumların zamana göre değiştiğini varsayar.25,59,72] Buna karşılık, anıların
tüm geçmiş gözlemlere eşit derecede bağlı olduğu (en azından aynı bağlamda, örneğin gözlem sayısıyla ters
orantılı olarak ölçeklenen bir öğrenme oranı kullanarak) ve deneyim yokluğunda değişmeyen modeller,
dolaylı olarak beklenmedik durumların olduğunu varsayar. statiktir [120]
Motor öğrenmenin tüm mevcut modelleri (çevrenin tek bir bağlamdan mı yoksa birden fazla bağlamdan mı
oluştuğunu varsaydıklarına bakılmaksızın), zamanla değişen beklenmedik durumların motor anıların
dinamiklerini yakalamak için kritik olduğu konusunda hemfikirdir.12,13,70,72,76,99,114,119,121–128] Benzer
şekilde, en yaygın olarak kullanılan koşullandırma modelleri ve basit ekonomik karar verme görevleri, sabit bir
öğrenme oranı kullanır, dolayısıyla zamanla değişen olasılıkları dolaylı olarak varsayar.25,129] Buna karşılık,
bağlama bağlı ekonomik karar verme görevleri modelleri genellikle zamanla değişen beklenmedik durumlar
kavramını dikkate almamıştır.58,59,85,95] Bu görevlerin Bayesci modelleri, beklenmedik olayların (ödül
fonksiyonlarının) statik olduğunu ve dolayısıyla aynı bağlamdaki tüm gözlemleri eşit şekilde ağırlıklandırdığını
varsayar.58,95]
Bağlam geçiş dinamikleri

Çoklu bağlam kavramı ortaya atıldığında, bellek oluşturma, ifade etme ve güncelleme işlemlerinin
tümü bu çıkarıma bağlı olduğundan, mevcut bağlamın çıkarımını yapmak kritik hale gelir. Bu çıkarım
ise bağlam dinamiklerine, yani bağlamlar arasındaki geçiş olasılıklarına bağlıdır. En basit model sınıfı,
tekdüze geçiş olasılıklarını varsayar ('bağlamdan' bağlamı en olası kılan kendi kendine geçiş eğiliminin
potansiyel istisnası hariç), dolayısıyla bazı olasılıkları ima eder.

AÇIK ERİŞİM
bağlamlar arası oynaklığın sabit seviyesi [59] (Kutu 5). Biraz daha zengin bir model sınıfı, geçiş
olasılıklarının 'içine' bağlama bağlı olmasını sağlayarak (böylece bağlamların genel sıklığını
farklılaştırarak) bu (neredeyse) tekdüzeliği bozar, ancak yine de bunları her bir 'içinden' bağlam için
aynı olacak şekilde kısıtlar.95,104] Yine kendi kendine geçiş eğilimi eklenebilir [86], değişken volatilite
modellerinde (yani, zamanla değişen bağlamlar arası volatiliteye sahip modeller) zaman içinde
değişebilir [58] Bu tür modeller, çevresel tutarlılığın tek denemeli öğrenme üzerindeki etkisi gibi,
yalnızca bağlamlar arasındaki geçişlerde farklılık gösteren ortamlarda ortaya çıkan öğrenme
farklılıklarını hesaba katamaz.70] (Kutu 3), kendiliğinden iyileşme ve iki adımlı sıralı karar verme
paradigmasında zengin bağlam geçiş yapılarının yakın zamanda kanıtlanmış öğrenmesi [65]
Diğer uçta ise geçiş olasılıklarının herhangi bir ek kısıtlama olmaksızın hem 'başlangıç' hem de 'bitiş'
bağlamlarına bağlı olduğu modeller yer alır.84] Bu modeller çok esnek olmasına rağmen (yani
herhangi bir bağlam geçiş matrisini öğrenebilirler), bağlamlar arasında hiçbir genelleme sağlamazlar,
öyle ki yeni karşılaşılan her bağlamdaki geçiş olasılıklarının sıfırdan öğrenilmesi gerekir (ayrıca daha
sonra 'Hiyerarşi'ye bakın). Tam bir tekdüzelik ve aşırı esneklik arasında bir uzlaşma, geçiş olasılıklarının
aynı zamanda hem 'başlangıç' hem de 'için' bağlamlarına bağlı olduğu ancak beklendiği hiyerarşik
modeller tarafından sağlanır.Önsel,her 'kaynak' bağlamı arasında bir dereceye kadar benzerlik
sergilemek (şekil 2C), böylece genellemeyi destekler veöğrenmeyi öğrenmek.Böyle bir model son
zamanlarda çok çeşitli bağlam geçiş yapılarını kullanarak geniş bir dizi farklı paradigmadan gelen
ampirik verileri hesaba katmıştır.13]
Bilinen ve bilinmeyen sayıda bağlam

Bazı modeller öğrencinin ortamdaki gerçek bağlam sayısını bildiğini varsayar (örneğin,
modeldeki bağlam/modül sayısını sabitleyerek) [11,12,58,85,99,130] Bu modellerde, bellek sayısı
baştan sabit olduğundan bellek oluşturma kavramı yoktur. Ancak çoğu gerçek dünya
senaryosunda, öğrencinin bağlamların gerçek sayısını bildiğini varsaymak gerçekçi değildir,
çünkü bu sayı genel olarak yalnızca deneyim yoluyla bilinebilir. Bu nedenle başka bir model
sınıfı, ortamdaki bağlamların sayısını deneyimlerden öğrenir. Bu modeller ya gerçekten var olan
sınırlı sayıda bağlamın olduğunu varsayar, ancak biz bunu bilmiyoruz.Önsel bu sayı nedir [1,79,
80,131], diğerleri ise [Bayesian parametrik olmayan modeller olarak adlandırılanlar, örneğin,
hiyerarşik Dirichlet süreci (HDP),ayrıca daha sonra 'Hiyerarşi' başlığına bakınız] gerçekten sonsuz
sayıda bağlamın olduğunu ve zorunlu olarak sınırlı kalanın yalnızca sınırlı bir süre boyunca
deneyimlediğimiz bağlamların sayısı olduğunu varsayınız [3,13,59,86,87,95,104] Her iki durumda
da bu modeller, yeni bir bağlam çıkarıldığında yeni bir anı yaratır. Bu şu anda açık bir sorudur
(bkz.Olağanüstü sorular) beynin her zaman sabit sayıda anı kullanıp kullanmadığı ve daha önce
karşılaşılan bir bağlamla bağlantılı olmayanları dikkate alıp almadığı (ifade ve güncelleme için
karşılık gelen bağlam olasılıklarını sıfıra ayarlayarak) veya hafızaya dinamik olarak yeni anılar
eklediği ihtiyaç ortaya çıktıkça gidin (yeni bir bağlamla karşılaşıldığında).
Bağlama özgü anıların yeniden düzenlenmesi

Kaynaklara dayalı bir çerçevede, yeni bağlamlarla karşılaşıldığında yeni anılar yaratmanın yanı sıra132],
mevcut anıların yeniden düzenlenmesi de faydalı olabilir. Örneğin, eğer bir bağlamla uzun süre
karşılaşılmadıysa, hesaplama kaynaklarını serbest bırakmak için bu bağlamın hafızasını budamak yararlı
olabilir.175] Benzer şekilde, eğer birden fazla anı yeterince benzer hale gelirse, bu, bu anıların birleştirilmesini
haklı gösterebilir. Anıların ne zaman budanacağına veya birleştirileceğine karar vermek için buluşsal
yöntemler önerilmiş olmasına rağmen133,134], bellek budama ve birleştirmenin ilkeli bir Bayesci açıklaması,
bu budama ve birleştirme işlemlerinin, uygun şekilde tanımlanmış üretken bir modeldeki (örneğin, yeni
bağlamların ortaya çıkabileceği ve daha önce karşılaşılan bağlamların ortadan kaybolabileceği veya
kaybolabileceği bir model) çıkarımın bir sonucu olarak doğal olarak ortaya çıkmasını gerektirecektir.
birleştirmek). Böyle üretken bir modelin bir örneği, çoklu hedef izleme modelidir.

AÇIK ERİŞİM
yeni hedeflerin (olasılıklara benzer şekilde) zamanın farklı noktalarında 'doğabileceği' ve mevcut hedeflerin Olağanüstü sorular
bölünebileceği, birleşebileceği ve 'ölebileceği' sinyal işleme literatürü [135–137] Mevcut bir hafızanın budayıp Mevcut bağlama bağlı öğrenme
budamayacağına dair en uygun kararı vermek, hafızayı ve hesaplama kaynaklarını serbest bırakmanın modelleri yalnızca mevcut anıları
günceller veya yenilerini ekler. Beyin
faydalarını, daha sonra ihtiyaç duyulan bir hafızayı kaldırmanın maliyetlerine karşı tartmayı içerebilir. Bu tür
aynı zamanda mevcut anıları budamak
bir yeniden düzenlemenin gerçekten gerçekleşip gerçekleşmediği ve eğer öyleyse, uykunun motor ve algısal
veya birleştirmek gibi yöntemlerle
beceriler üzerindeki çeşitli yararlı etkilerinin gösterdiği gibi, bu yeniden düzenlemede uykunun özel bir rolü mevcut anıları da yeniden düzenliyor
olup olmadığı yine açık bir sorudur.138–140] mu? Anıların yeniden düzenlenmesinde
uykunun rolü var mı? Bu işlemler klasik
olarak tanımlanan konsolidasyon ve
Hiyerarşik olasılıklar ve öğrenmeyi öğrenme yeniden konsolidasyon gibi hafıza
Farklı bağlamlar için ayrı hafızaların oluşturulması müdahaleyi önlese de, bağlamların ortak süreçleriyle nasıl ilişkilidir?
özellik ve özellikleri paylaştığı durumlarda bağlam-genel bilginin faydalı aktarımını da engeller.
Uygun ve görünür öğrenme davranışsal ve
Bilgiyi bağlamlar arasında paylaşma yeteneği, öğrenmeyi ve öğrenmeyi öğrenmeyi aktarmak
sinirsel düzeylerde nasıl ölçülebilir ve ayırt
için çok önemlidir. Bu nedenle, çok bağlamlı ortamlarda, her bağlam için ayrı anılar edilebilir? Açık davranış üzerindeki yakın
yaratılmasının yanı sıra, bu anıların ortak unsurları paylaşmasına da izin verilmesi arzu edilir. zamanda açıklanan etkilerin yanı sıra, doğru
ve görünür öğrenmenin gizli davranışsal
Hiyerarşik Bayes modelleri doğal olarak uzmanlaşma ve genelleme arasındaki bu dengeyi sağlar
işaretleri var mı? Örneğin, bariz
(Kutu 6) farklı bağlamlardaki olumsallıkların bazı ortak yapıları paylaştığını belirten
öğrenmenin ayırt edici özelliği olan
tümevarımsal bir önyargıdan yararlanarak [141] bağlamsal belirsizlik, tepki sürelerinde,
refleks kazanımlarında veya gözbebeği
büyüklüğünde mi ortaya çıkıyor?
Son açıklamalar ve geleceğe yönelik talimatlar
Giderek artan deneysel ve modelleme çalışmaları, insanların ve diğer hayvanların sürekli Beyin bağlamları bileşimsel bir
duyusal-motor deneyim akışını farklı bağlamlara ayırdığını göstermektedir. Bu, klasik biçimde nasıl temsil eder? Bilinen
koşullanma, epizodik hafıza, takviyeli öğrenme, uzaysal biliş ve motor öğrenme dahil olmak diğer bağlamlardan yeni bağlamlar
oluşturarak, bileşimsel temsiller
üzere bilişin birçok alanı için geçerlidir.3,7,13,38,95] Segmentasyonun kalbinde anıların nasıl
kombinatoryal genellemeyi
yaratıldığını, güncellendiğini ve ifade edildiğini kontrol eden bağlamsal çıkarım yatıyor. Daha da destekleyebilir.
önemlisi, hafıza ifadesinin bağlamsal çıkarıma bağımlılığı, yakın zamana kadar takdir edilmeyen
bir öğrenme biçiminin ortaya çıkmasına neden oluyor: görünür öğrenme. Beyin, bağlamları ve içeriklerini
hiyerarşik olarak temsil ediyor mu ve
eğer öyleyse, ne tür bir hiyerarşidir
(geçiş olasılıklarının yanı sıra
Kutu 6. Hiyerarşik Bayes modelleri olumsallıkların hangi yönlerini içerir)
ve hiyerarşi ne kadar derindir?
Bayes modelleri, 'yerel' parametreler (bağlama özgü beklenmedik durumlar) üzerindeki tümevarımsal önyargıları, üzerlerine ön
dağılımlar yerleştirerek kodlar. Ek olarak, hiyerarşik Bayes modellerinde bu yerel öncelikler, kendilerine ait bir hiperönsel dağılıma sahip
Şimdiye kadar sadece motor adaptasyonda
olan ortak bir 'küresel' hiperparametreler kümesine bağlıdır. Çıkarım sırasında önceki dağılımların hem yerel parametreleri hem de
ampirik olarak kanıtlanmış olan birden fazla
küresel hiperparametreleri öğrenilir; ikincisi öğrenmeyi öğrenmeyi veya meta öğrenmeyi destekler. Dolayısıyla bu hiyerarşik
hafızanın eş zamanlı ve dereceli ifadesi ve
organizasyon, öğrenme sırasında her bir bağlamın beklenmedik durumları arasında bağımlılıklara neden olur. Yani, bir bağlamdaki
güncellenmesi ne kadar geneldir? Birden
deneyim küresel hiperparametrelerin güncellenmesine yol açacak ve bu da tüm bağlamların beklenmedik durumlarının
fazla anıyı ifade ederken, bunları
güncellenmesine neden olacaktır. Sonuç olarak, küçük veri rejiminde hiyerarşik modeller, daha önce deneyimlenen bağlamların (geriye
birleştirmenin basit bir ortalamadan başka
aktarım) yanı sıra henüz deneyimlenmemiş gelecekteki bağlamların (ileri aktarım) beklenmedik durumları hakkında iyi bilgiye dayalı
yolları var mı? Tek bir denemede birden
çıkarımları destekler. Özellikle, her yeni bağlamın olumsallıklarını sıfırdan öğrenmek zorunda kalmak yerine, ki bu verimsiz olacaktır,
fazla bellek aynı anda güncellenebilir mi,
olumsallıkların öğrenilmiş önceki dağılımları, yeni bir bağlamın olumsallıklarını mantıklı bir şekilde başlatmak için kullanılabilir, öyle ki
yoksa yalnızca denemeler arasındaki
bunlar sadece ince bir işlem gerektirir. -ayarlama, böylece performansta hızlı bir iyileşmeye olanak sağlar [169,170]
ortalamaya bağlı olarak kademeli
güncelleme ortaya çıkacak şekilde aynı
Bilişsel bilimde hiyerarşik Bayes modelleri, insanların kavramları nasıl öğrendiğini açıklamak için kullanılmıştır.171],
anda yalnızca bir bellek mi güncellenir?
soyut bilgi [172] ve endüktif önyargılar [173] Bağlamsal öğrenme bağlamında hiyerarşik Dirichlet süreci (HDP),
Bayesian parametrik olmayan bir modeldir.174] bu, insanların çoklu bağlam ortamlarında uzmanlaşma ve
Beyin her zaman sabit sayıda anıyı mı
genelleme arasındaki dengeyi nasıl dengelediğine dair bir model olarak önerilmiştir.13] Spesifik olarak HDP, bir
kullanıyor, daha önce karşılaşılan bir
bağlam geçiş matrisi üzerindeki bir dağılımı hiyerarşik bir şekilde tanımlamak için kullanıldı; öyle ki, her bir yerel
bağlamla bağlantılı olmayanları
geçiş dağılımı (geçiş matrisinin satırı), her bir özel bağlamdan başlandığında geçiş olasılıklarına karşılık gelir ve
hesaba katmıyor mu, yoksa hareket
küresel bir değişkene bağlı olur. Her bağlamın beklenen genel sıklığını belirleyen, bağlamlar arasında paylaşılan
halindeyken ihtiyaç duyuldukça
geçiş dağılımı (bkz.şekil 2Ana metinde C).
dinamik olarak yeni anılar mı ekliyor?
Aynı teorik kavramlar üzerine inşa edilirken, bağlamların içeriklerindeki (olumsallıklar) bu hiyerarşi, daha önce tartıştığımız
Genel amaçlı bağlamsal çıkarımları hesaplamak
bağlamların hiyerarşik temsilinden farklıdır.Kutu 4. Örneğin, bağlamların basit bir 'düz' temsiliyle bile, beklenmedik durumlar
için uzmanlaşmış bir beyin alanı var mı, yoksa
yine de hiyerarşik olarak organize edilebilir. Aslında, bağlamlar arasındaki geçiş olasılıklarının hiyerarşik bir temsilinin
alana özgü çıkarım biçimlerini gerçekleştiren
(olasılıklarının bir bileşeni), bağlamların hiyerarşik bir temsiline başvurmadan, motor öğrenmede kendiliğinden iyileşme ve
farklı alanlar var mı?
ileriye dönük müdahalenin altında yattığı gösterilmiştir.kendi başına [13]

AÇIK ERİŞİM
belki farklı zaman ölçeklerinde

Görünür öğrenmenin, öğrenme ve hafıza çalışmalarının geleceği için önemli sonuçları vardır (bkz.
bağlamsal çıkarım?
Olağanüstü sorular), çünkü gözlemlenen davranışın doğru öğrenmeye doğrudan bir pencere
sağlamadığını ima eder. Bu nedenle, davranışsal verileri uygun şekilde yorumlamak ve öğrenmenin Bağlamsal çıkarımın hafızanın yaratılması,
sinirsel mekanizmalarını incelemek için daha incelikli bir yaklaşım gerekli olacaktır. Davranıştaki güncellenmesi ve ifade edilmesi üzerindeki
etkileri sinir devrelerinde mekanik olarak
uyarlanabilir değişikliklerin uygun ve görünür öğrenmenin birleşiminden kaynaklanabileceği göz
nasıl uygulanır? Kesin bağlamsal çıkarımın
önüne alındığında, bu süreçlerin bireysel katkılarını güvenilir bir şekilde belirlemek için bağlamsal zor olduğu göz önüne alındığında, beyin
çıkarımın dikkate alınması gerekir. Genel olarak, bağlamsal çıkarımlar ya ölçülebilir (örneğin, sinirsel bunun için hangi yaklaşık algoritmaları
ölçümler kullanılarak) ya da davranıştan çıkarılabilir (örneğin, bir hesaplamalı model kullanılarak). kullanıyor? Bağlamla ilgili kademeli
belirsizliği kodlamak için hangi sinir kodu
Bağlamsal çıkarımları doğrudan ölçmek için güvenilir yöntemler yerine, hem uygun hem de görünür
kullanılıyor? Bu süreçler biyolojik devrelerde
öğrenmeyi sergileyebilen bir model, bu iki öğrenme biçiminin katkılarını ayırt etmek için bir sürekli öğrenmede nasıl rol oynuyor?
katılımcının verilerine uygun olabilir.13] Doğru ve görünür öğrenmenin davranışa olan katkılarını
incelemek, bunların ilgili sinirsel temellerini belirlemek için faydalı olacaktır.
Teşekkür
Bu çalışma, Avrupa Birliği'nin Horizon 2020 araştırma ve yenilik programı kapsamında Avrupa Araştırma Konseyi (ERC)
(ML'ye hibe sözleşmesi No 726090), Wellcome Trust (ML'ye Araştırmacı Ödülleri 212262/Z/18/Z), İnsan Frontiers
Science Programı (ML'ye araştırma bursu RGP0044/2018) ve NIH (R01NS117699 ve U19NS104649, DMW'ye). Fon
verenlerin çalışma tasarımında, veri toplama ve analizinde, yayınlama kararında veya makalenin hazırlanmasında
hiçbir rolü yoktu. Taslak hakkındaki yorumları için Daphna Shohamy'ye teşekkür ederiz.
Menfaat beyanı
DMW, Meta'nın Reality Labs Bölümü'ndeki CTRL-Labs Inc.'in danışmanıdır. Bu varlık bu çalışmayı desteklemedi veya etkilemedi.
Yazarlar başka hiçbir rakip çıkar beyan etmemektedir.
Referanslar
1.Courville, ACve ark. (2006) Değişen bir dünyada Bayesci 17.Ezzyat, Y. ve Davachi, L. (2014) Benzerlik yakınlığı besler: bağlamlar içindeki ve
koşullanma teorileri.Trendler Biliş. Bilim.10, 294–300 bağlamlar arasındaki örüntü benzerliği, zamansal yakınlığa ilişkin daha
2.Kırmızımsı, ADve ark. (2007) Takviyeli öğrenme modellerini sonraki anımsatıcı yargılarla ilişkilidir.Nöron81, 1179–1189
davranışsal yok olma ve yenilemeyle uzlaştırmak: bağımlılık, 18.Bouton, ME (1993) Pavlovian öğrenmenin girişim paradigmalarında
nüksetme ve kumar sorunu için çıkarımlar.Psikol. Rev.114, 784–805 bağlam, zaman ve hafıza alımı.Psikol. Boğa.
3.Gershman, SJve ark. (2010) Bağlam, öğrenme ve yok olma. 114, 80–99
Psikol. Rev.117, 197–209 19.Turatto, M.ve ark. (2018) Alışkanlık yoluyla görsel başlangıçların filtrelenmesi:
4.Howard, MW ve Kahana, MJ (2002) Zamansal bağlamın alakasız uyaranların bağlama özgü uzun vadeli hafızası.Psikon. Boğa. Rev.
dağıtılmış bir temsili.J. Matematik. Psikol.46, 269–299 25, 1028–1034
5.Zacks, JMve ark. (2007) Olay algısı: zihin-beyin perspektifi. 20.Turatto, M.ve ark. (2019) Bağlama özgü çeldiricilerin reddi: Bağlamsal
Psikol. Boğa.133, 273–293 ipuçları, ani başlangıçlarla dikkati yakalamanın uzun vadeli
6.Polin, SMve ark. (2009) Serbest hatırlamada organizasyonel alışkanlığını kontrol eder.Vis. Biliş.27, 291–304
süreçlerin bağlam bakımı ve erişim modeli.Psikol. Rev. 21.Sheahan, İKve ark. (2016) Motor hafızalarını yürütme değil,
116, 129–156 planlama ayırır.Nöron92, 773–779
7.Lattal, KMve ark. (2003) Su labirentinde mekansal bir tercihin 22.Choi, J.ve ark. (2019) Bağlama özgü renk hazırlamanın belirsiz haber
yok olması, yenilenmesi ve kendiliğinden iyileşmesi.Davranış. makalelerinin yorumlanması üzerindeki asimetrik etkisi.J. Consum.
Nörobilim.117, 1017–1028 Davranış.18, 219–232
8.Gulli, RAve ark. (2020) Sanal gezinme sırasında primat 23.Elliot, AJve ark. (2007) Renk ve psikolojik işlevsellik: kırmızının
hipokampüsündeki nesnelerin ve mekanın bağlama bağlı performans kazanımına etkisi.J. Exp. Psikol. Gen.
temsilleri.Nat. Nörobilim.23, 103–112 136, 154–168
9.Plitt, MH ve Giocomo, LM (2021) Hipokampustaki deneyime 24.Pavlov, IP (1927) Koşullu Refleksler: Serebral Korteksin Fizyolojik
bağlı bağlamsal kodlar.Nat. Nörobilim.24, 705–714 Aktivitesinin İncelenmesi. Oxford Üniversitesi Yayınları
10.Julian, JB ve Doeller, CF (2021) İnsan hipokampal oluşumundaki 25.Rescorla, RA ve Wagner, AR (1972) Pavlovian koşullandırma
yeniden haritalama ve yeniden hizalama, bağlama bağlı teorisi: pekiştirme ve pekiştirmemenin etkinliğindeki
mekansal davranışı öngörür.Nat. Nörobilim.24, 863–872 farklılıklar. İçindeKlasik Koşullanma II: Güncel Teori ve
11.Wolpert, DM ve Kawato, M. (1998) Motor kontrolü için çoklu Araştırma,sayfa 64–99, Appleton-Century-Crofts
eşleştirilmiş ileri ve ters modeller.Sinir Ağı.11, 1317–1329 26.Bouton, ME ve Bolles, RC (1979) Koşullu korkunun yok
olmasının bağlamsal kontrolü.Öğrenmek. Motiv.10, 445–466
12.Heald, JBve ark. (2018) Bir aletin farklı noktalarını kontrol etmek için birden 27.Bouton, ME ve King, DA (1983) Koşullu korkunun yok edilmesinin
fazla motor hafızası öğrenilir.Nat. Hımm. Davranış.2, 300–311 bağlamsal kontrolü: bağlamın çağrışımsal değeri için testler.J. Exp.
13.Heald, JBve ark. (2021) Bağlamsal çıkarım, duyu-motor repertuarlarının Psikol. Animasyon. Davranış. İşlem.9, 248–265
öğrenilmesinin temelini oluşturur.Doğa600, 489–493 28.Napier, RMve ark. (1992) Tavşanın güzelleştirici membran tepkisinin
14.James, W. (1890)Psikolojinin İlkeleri,Cilt 1. Henry Holt ve Şirketi koşullandırılmasında hızlı yeniden kazanım.J. Exp. Psikol.
Animasyon. Davranış. İşlem.18, 182–192
15.Collins, AGE ve McDougle, SD (2021) Bağlam, motor becerileri 29.Ricker, ST ve Bouton, ME (1996) İştah açıcı koşullanmada neslinin tükenmesinin
öğrenmenin anahtarıdır.Doğa600, 387–388 ardından yeniden kazanım.Animasyon. Öğrenmek. Davranış.24, 423–436
16.Godden, DR ve Baddeley, AD (1975) İki doğal ortamda bağlama 30.Rescorla, RA ve Heth, CD (1975) Söndürülmüş bir koşullu uyarana
bağlı hafıza: karada ve su altında. karşı korkunun eski haline getirilmesi.J. Exp. Psikol. Animasyon.
br. J. Psychol.66, 325–331 Davranış. İşlem.1, 88–96

AÇIK ERİŞİM
31.Bouton, ME ve Bolles, RC (1979) Sönmüş korkunun yeniden 59.Collins, A. ve Koechlin, E. (2012) Muhakeme, öğrenme ve
ortaya çıkmasında koşullu bağlamsal uyaranların rolü.J. Exp. yaratıcılık: ön lob işlevi ve insanın karar verme süreci. PLoS
Psikol. Animasyon. Davranış. İşlem.5, 368–378 Biol.10, e1001293
32.Gershman, SJ ve Niv, Y. (2012) Klasik koşullanmanın gizli neden 60.Donoso, M.ve ark. (2014) Prefrontal kortekste insan
teorisini araştırmak.Öğrenmek. Davranış.40, 255–268 muhakemesinin temelleri.Bilim344, 1481–1486
33.Rescorla, RA (2004) Spontan iyileşme.Öğrenmek. Mem.11, 501– 61.Bouchacourt, F.ve ark. (2020) Görev setlerinin denetimsiz öğrenimine yönelik
509 bir mekanizma olarak geçici parçalama.e-Hayat9, e50469
34.Bouton, MEve ark. (2006) Yok oluşun bağlamsal ve zamansal modülasyonu: 62.Eckstein, MK ve Collins, AGE (2020) İnsanlarda hiyerarşik olarak
davranışsal ve biyolojik mekanizmalar.Biyol. Psikiyatri yapılandırılmış takviye öğrenimine ilişkin hesaplamalı kanıt.Proc.
60, 352–360 Natl. Acad. Bilim. Amerika Birleşik Devletleri117, 29381–29389
35.Humphreys, LG (1939) Rastgele takviye değişiminin koşullu göz 63.Collins, AGE ve Frank, MJ (2016) Hiyerarşik olarak yapılandırılmış
kapağı reaksiyonlarının edinilmesi ve yok edilmesi üzerindeki beklentilerin sinirsel imzası, takviyeli öğrenmede kural kümelerinin
etkisi.J. Exp. Psikol.25, 141–158 kümelenmesini ve transferini öngörür.Bilişsellik152, 160–169
36.Pu, Y.ve ark. (2022) Olay sınırları, zamansal bağlamı sıfırlayarak 64.Schulz, E.ve ark. (2020) Çok kollu haydutlarda yapıyı bulmak.
belleğin zamansal organizasyonunu şekillendirir.Nat. İletişim Biliş. Psikol.119, 101261
13, 1–13 65.Xia, L. ve Collins, AGE (2021) İnsanlarda etkili öğrenme, aktarım
37.DuBrow, S.ve ark. (2017) Zihinsel bağlam kayıyor mu yoksa değişiyor mu? ve kompozisyon için zamansal ve durum soyutlamaları.
Curr. Görüş. Davranış. Bilim.17, 141–146 Psikol. Rev.128, 643–666
38.Ezzyat, Y. ve Davachi, L. (2011) Olaysal bellekte bir bölüm 66.Shadmehr, R. ve Mussa-Ivaldi, FA (1994) Bir motor görevinin
nelerden oluşur?Psikol. Bilim.22, 243–252 öğrenilmesi sırasında dinamiğin uyarlanabilir gösterimi.J. Neurosci.
39.DuBrow, S. ve Davachi, L. (2013) Olayların sıralı düzeni için 14, 3208–3224
bağlam sınırlarının hafıza üzerindeki etkisi. 67.Taylor, JAve ark. (2014) Sensorimotor adaptasyon görevinde
J. Exp. Psikol. Gen.142, 1277–1286 öğrenmeye açık ve örtülü katkılar.J. Neurosci.34, 3023–3032
40.Heusser, ACve ark. (2018) Algısal sınırlar, yerel sınır işleme ile 68.Howard, IŞİDve ark. (2013) Bağlamsal ipuçlarının motor anıların
denemeler arası ilişkisel bağlanma arasında anımsatıcı değiş kodlanması üzerindeki etkisi.J. Neurophysiol.109, 2632–2644
tokuşlara neden olur.J. Exp. Psikol. Öğrenmek. Mem. Biliş.44, 69.Forano, M.ve ark. (2021) Doğrudan ve dolaylı ipuçları ikili adaptasyonu
1075–1090 mümkün kılabilir, ancak farklı öğrenme süreçleri yoluyla.
41.DuBrow, S. ve Davachi, L. (2014) Zamansal bellek, kodlama kararlılığı J. Neurophysiol.126, 1490–1506
ve araya giren öğe yeniden etkinleştirilmesiyle şekillenir. 70.Herzfeld, DJve ark. (2014) Sensorimotor öğrenmedeki hataların
J. Neurosci.34, 13998–14005 anısı.Bilim345, 1349–1353
42.Ruhani, N.ve ark. (2020) Ödül tahmin hataları hafızada olay 71.González Castro, LNve ark. (2014) Çevresel tutarlılık motor
sınırları oluşturur.Bilişsellik203, 104269 adaptasyon oranını belirler.Curr. Biyol.24, 1050–1061
43.Sols, I.ve ark. (2017) Olay sınırları, uzun süreli bellekte temsil
edilmelerini teşvik etmek için önceki olayların hızlı bir şekilde eski 72.Smith, MAve ark. (2006) Farklı zaman ölçekleriyle etkileşime giren
haline getirilmesini tetikler.Curr. Biyol.27, 3499–3504 uyarlanabilir süreçler, kısa vadeli motor öğrenmenin temelini oluşturur.
44.Lositsky, O.ve ark. (2016) Bir anlatının kodlanması sırasındaki sinirsel PLoS Biol.4, e179
desen değişimi, geriye dönük süre tahminlerini öngörür.e-Hayat 73.Coltman, SKve ark. (2019) Hem hızlı hem de yavaş öğrenme süreçleri,
5, e16070 duyu-motor adaptasyonu sonrasında tasarrufa katkıda bulunur.
45.Kırlangıç, KMve ark. (2011) Olaylardaki değişiklikler insanların son J. Neurophysiol.121, 1575–1583
bilgileri hatırlama şeklini değiştirir.J. Cogn. Nörobilim.23, 1052–1064 74. Hulst, T.ve ark. (2021) Serebellar hastalarda yavaş öğrenmeyi
46.Speer, NK ve Zacks, JM (2005) Olay sınırları olarak zamansal geliştirebilir miyiz?bioRxiv24 Ocak 2021'de çevrimiçi yayınlandı.
değişiklikler: anlatı zaman kaymalarının işleme ve hafıza https://doi.org/10.1101/2020.07.03.185959
sonuçları.J. Mem. Lang.53, 125–140 75.Pekny, Güneydoğuve ark. (2011) İnsan motor hafızasının korunması
47.Radvansky, Georgiave ark. (2011) Kapı aralıklarından geçmek ve ifade edilmesi.J. Neurosci.31, 13829–13839
unutmaya neden olur: daha fazla keşif.QJ Uzmanı Psikol.64, 76.Oh, Y. ve Schweighofer, N. (2019) Bellek oluşumu ve motor
1632–1645 adaptasyonunda anahtarlama yoluyla hassas ağırlıklı duyusal
48.Horner, AJve ark. (2016) Uzun vadeli olay temsillerini şekillendirmede tahmin hatalarının en aza indirilmesi.J. Neurosci.39, 9237–9250
mekansal sınırların rolü.Bilişsellik154, 151–164 77.Ma, WJ (2019) Bayesian karar modelleri: bir başlangıç.Nöron
49.Bläsing, BE (2015) Dans hareketinin bölümlere ayrılması: 104, 164–175
uzmanlığın, görsel aşinalığın, motor deneyimin ve müziğin 78.Bishop, CM (2006) Örüntü Tanıma ve Makine Öğrenimi.
etkileri. Ön. Psikol.5, 1500 Springer
50.Bailey, İKve ark. (2017) Dikkate odaklanma, öyküsel okumada olayların nasıl 79.Courville, ACve ark. (2005) Klasik koşullanmada benzerlik ve
bölümlere ayrıldığını ve güncellendiğini etkiler.Mem. Biliş. ayrımcılık: gizli bir değişken açıklaması.Av. Sinir Bilgisi Süreçler.
45, 940–955 Sistem17, 313–320
51.Baldassano, C.ve ark. (2017) Sürekli anlatı algısı ve hafızasında 80.Courville, ACve ark. (2003) Klasik koşullanmada model
olay yapısını keşfetmek.Nöron95, 709–721 belirsizliği.Av. Sinir Bilgisi Süreçler. Sistem16, 977–984
52.Clewett, D.ve ark. (2020) Öğrenciye bağlı uyarılma sinyalleri, 81.Rosas, JMve ark. (2013) Bağlam değişikliği ve ilişkisel öğrenme. Wiley
hafızadaki olayların zamansal organizasyonunu izler.Nat. İletişim Interdiscip. Rev. Cogn. Bilim.4, 237–244
11, 1–14 82.Urcelay, GP ve Miller, RR (2014) İlişkisel öğrenmede
53.Zacks, JMve ark. (2006) Sağlıklı yaşlanma ve Alzheimer tipi bağlamların işlevleri.Davranış. İşlem.104, 2–12
demansta olay anlayışı ve hafıza.Psikol. Yaşlanma21, 466–482 83.Gershman, SJ (2017) Bağlama bağlı öğrenme ve nedensel yapı.
Psikon. Boğa. Rev.24, 557–565
54.Kurby, CA ve Zacks, JM (2018) Sağlıklı yaşlı yetişkinlerde korunmuş 84.Haruno, M.ve ark. (2001) Sensorimotor öğrenme ve kontrol için
nöral olay segmentasyonu.Psikol. Yaşlanma33, 232–245 MOSAIC modeli.Sinirsel Hesaplama.13, 2201–2220
55.Sargent, JQve ark. (2013) Olay bölümleme yeteneği, olay hafızasını benzersiz 85.Doya, K.ve ark. (2002) Çoklu model tabanlı takviyeli öğrenme.
bir şekilde tahmin eder.Bilişsellik129, 241–255 Sinirsel Hesaplama.14, 1347–1369
56.Flores, S.ve ark. (2017) Olay segmentasyonu, olay hafızasını bir 86.Gershman, SJve ark. (2014) Bellek güncelleme dinamiklerinin altında yatan
ay sonrasına kadar iyileştirir.J. Exp. Psikol. Öğrenmek. Mem. istatistiksel hesaplamalar.PLoS Hesaplama. Biyol.10, e1003939
Biliş.43, 1183–1202 87.Gershman, SJve ark. (2017) Bellek değişikliğinin hesaplamalı
57.Behrens, TEJve ark. (2007) Belirsiz bir dünyada bilginin değerini doğası.e-Hayat6, e23763
öğrenmek.Nat. Nörobilim.10, 1214–1221 88.Jaynes, E. (2003) Olasılık Teorisi: Bilimin Mantığı. Cambridge
58.Findling, C.ve ark. (2021) Değişken ortamlarda uyarlanabilir Üniversitesi Yayınları
davranışın kaynağı olarak kesin olmayan sinirsel hesaplamalar.Nat. 89.Harris, CM ve Wolpert, DM (1998) Sinyale bağlı gürültü motor
Hımm. Davranış.5, 99–112 planlamasını belirler.Doğa394, 780–784

AÇIK ERİŞİM
90.Trommershäuser, J.ve ark. (2003) İstatistiksel karar teorisi ve 120.Sutton, RS ve Barto, AG (2018) Takviyeli Öğrenme: Giriş. MİT
hızlı, hedefe yönelik hareketlerin seçimi.J. Opt. Sos. Am. Bir Basın
Seçenek. Görüntü Bilimi Vis.20, 1419–1433 121.Forano, M. ve Franklin, DW (2020) İkili adaptasyonda motor hafıza
91.Kording, KP ve Wolpert, DM (2004) Sensorimotor öğrenmenin kayıp fonksiyonu.Proc. oluşumunun zaman çizelgeleri.PLoS Hesaplama. Biyol.16, e1008373
Natl. Acad. Bilim. Amerika Birleşik Devletleri101, 9839–9842
92.Todorov, E. ve Jordan, MI (2002) Motor koordinasyon teorisi olarak 122.Ingram, JNve ark. (2017) Sensorimotor öğrenme için hata ayarlı bir
optimal geri besleme kontrolü.Nat. Nörobilim.5, 1226–1235 model.PLoS Hesaplama. Biyol.13, e1005883
93.Hopfield, JJ (1982) Ortaya çıkan kolektif hesaplama yeteneklerine 123.Ingram, JNve ark. (2013) Beceri edinimi sırasında motor
sahip sinir ağları ve fiziksel sistemler.Proc. Natl. Acad. Bilim. hafızanın bağlama bağlı bozulması.Curr. Biyol.23, 1107–1112
Amerika Birleşik Devletleri79, 2554–2558 124.Lee, JY ve Schweighofer, N. (2009) İkili adaptasyon, motor
94.Nadel, L. (1980) Bilişsel ve sinirsel haritalar. İçindeDüşüncenin belleğinin paralel mimarisini destekler.J. Neurosci.
Doğası: DO Hebb Onuruna Yazılar (Jusczyk, PW ve Klein, RM, 29, 10396–10404
eds), s. 207–229, Erlbaum Hillsdale 125.Kim, S.ve ark. (2015) Motor adaptasyonunda parazit ve zaman
95.Collins, AGE ve Frank, MJ (2013) Öğrenme üzerinde bilişsel kontrol: nedeniyle denemeler arası unutma.PLoS Bir10, e0142963
görev seti yapısını oluşturma, kümeleme ve genelleştirme. Psikol. 126.Albert, STve ark. (2021) Hataların örtülü hafızası insanın duyu-
Rev.120, 190–229 motor adaptasyonunu sınırlar.Nat. Hımm. Davranış.5, 920–
96.Poggio, T. ve Bizzi, E. (2004) Görme ve motor kontrolünde 934
genelleme.Doğa431, 768–774 127.Cheng, S. ve Sabes, PN (2006) Duyusal-motor öğrenmenin doğrusal
97.Ghahramani, Z. ve Wolpert, DM (1997) Görsel-motor öğrenmede dinamik sistemlerle modellenmesi.Sinirsel Hesaplama.18, 760–793
modüler ayrıştırma.Doğa386, 392–395
98.Stroud, JPve ark. (2018) Kortikal ağlarda hedeflenen kazanç modülasyonu 128.Donchin, O.ve ark. (2003) Temel işlevlerle öğrenen uyarlanabilir
yoluyla uzay ve zamanda motor ilkelleri.Nat. Nörobilim. sistemlerin deneme-deneme davranışından genellemenin
21, 1774–1783 ölçülmesi: insan motor kontrolünde teori ve deneyler.J. Neurosci.
99.Berniker, M. ve Kording, K. (2008) Adaptasyon ve genelleme için 23, 9032–9045
motor hatalarının kaynaklarının tahmin edilmesi.Nat. Nörobilim. 129.Daw, NDve ark. (2006) İnsanlarda keşif kararları için kortikal
11, 1454–1461 substratlar.Doğa441, 876–879
100.Fiser, J.ve ark. (2010) İstatistiksel olarak optimal algılama ve öğrenme: 130.Vetter, P. ve Wolpert, DM (2000) Sensorimotor kontrolü için
davranıştan sinirsel temsillere.Trendler Biliş. Bilim.14, 119–130 bağlam tahmini.J. Neurophysiol.84, 1026–1034
131.Orban, G.ve ark. (2008) Görsel parçaların insan gözlemciler tarafından
101.Koblinger, A.ve ark. (2021) Belirsizliğin temsilleri: neredesin? Bayesian öğrenimi.Proc. Natl. Acad. Bilim. Amerika Birleşik Devletleri105,
Curr. Görüş. Davranış. Bilim.38, 150–162 2745–2750
102.Nader, K. (2003) Sınırsız bellek izleri.Trendler Neurosci. 132.Bhui, R.ve ark. (2021) Kaynak-rasyonel karar verme.Curr.
26, 65–72 Görüş. Davranış. Bilim.41, 15–21
103.Franklin, NTve ark. (2020) Yapılandırılmış olay belleği: olay 133.Xu, M.ve ark. (2020) Gauss süreçlerinin sonsuz bir karışımıyla
bilişinin nörosembolik bir modeli.Psikol. Rev.127, 327–361 görevden bağımsız çevrimiçi takviyeli öğrenme.Av. Sinir Bilgisi
104.Sanders, H.ve ark. (2020) Gizli durum çıkarımı olarak hipokampal Süreçler. Sistem33, 6429–6440
yeniden haritalama.e-Hayat9, e51140 134.Jerfel, G.ve ark. (2019) Meta-öğrenmeyi ve sürekli öğrenmeyi çevrimiçi
105.Lisman, J.ve ark. (2017) Bakış Açıları: Hipokampusun hafızaya, görev karışımlarıyla uzlaştırmak.Av. Sinir Bilgisi Süreçler. Sistem32,
navigasyona ve bilişe nasıl katkıda bulunduğu.Nat. Nörobilim. 1049–5258
20, 1434–1447 135.Vo, BN ve Ma, WK (2006) Gauss karışım olasılık hipotezi
106.Kubie, JLve ark. (2020) Hipokampal bağlamın fizyolojik temelini yoğunluk filtresi.IEEE Çev. Sinyal Süreci.54, 4091–4104
yeniden haritalandırmak mı?Hipokampus30, 851–864 136.Yıldırım, S.ve ark. (2015) Gauss çoklu hedef izleme modelinin kalibre
107.Wills, TJve ark. (2005) Yerel çevrenin hipokampal temsilinde edilmesi.İstatistik Hesapla.25, 595–608
çekici dinamikler.Bilim308, 873–876 137.Taş, LDve ark. (2013) Bayesian Çoklu Hedef Takibi. Artech Evi
108.Leutgeb, JKve ark. (2005) "Değişmiş" ortamlarda hipokampal
nöronal temsillerin aşamalı dönüşümü. Nöron48, 345–358 138.Walker, MP ve Stickgold, R. (2006) Uyku, hafıza ve esneklik.
Annu. Rev. Psychol.57, 139–166
109.Roemmich, RT ve Bastian, AJ (2015) Yeni öğrenilen bir motor modelini 139.Cheng, LYve ark. (2021) Uyku sırasında hafızanın yeniden etkinleştirilmesi
kaydetmenin iki yolu.J. Neurophysiol.113, 3519–3530 zorlu bir motor becerinin uygulanmasını geliştirir.J. Neurosci.
110.Taylor, JAve ark. (2011) Visuomotor adaptasyonu sırasında 41, 9608–9616
manuel transferin deneme-deneme analizi.J. Neurophysiol. 140.Tompary, A. ve Davachi, L. (2017) Konsolidasyon, hipokampus
106, 3157–3172 ve medial prefrontal kortekste temsili örtüşmenin ortaya
111.Gershman, SJve ark. (2013) Kademeli yok oluş korkunun geri çıkmasını teşvik eder.Nöron96, 228–241
dönüşünü engeller: devletin keşfine yönelik çıkarımlar.Ön. 141.Gelman, A.ve ark. (1995) Bayes Veri Analizi. Chapman ve Hall/
Davranış. Nörobilim.7, 164 CRC
112.Şiban, Y.ve ark. (2015) Kademeli yok olma, eski durumuna döndürmeyi azaltır. 142.Bornstein, AMve ark. (2017) Geçmiş seçimlerin hatırlatılması, insanlarda ödüle
Ön. Davranış. Nörobilim.9, 254 yönelik kararları önyargılı hale getirir.Nat. İletişim8, 1–9
113.Pearce, JM ve Hall, G. (1980) Pavlov öğrenimi için bir model: koşullu 143.Yu, AJ ve Dayan, P. (2005) Belirsizlik, nöromodülasyon ve
uyaranların etkililiğindeki farklılıklar, ancak koşulsuz uyaranların dikkat.Nöron46, 681–692
etkililiğindeki farklılıklar.Psikol. Rev.87, 532–552 144.Sanborn, ANve ark. (2010) Rasyonel modellere rasyonel
114.Thoroughman, KA ve Shadmehr, R. (2000) Motor ilkellerin yaklaşımlar: kategori öğrenimi için alternatif algoritmalar.
uyarlanabilir kombinasyonu yoluyla eylemin öğrenilmesi.Doğa Psikol. Rev.117, 1144–1167
407, 742–747 145.Bonawitz, E.ve ark. (2014) Kazan-kal, numuneyi kaybet: Bayes
115.Baddeley, RJve ark. (2003) Görsel-motor göreve uygulanan sistem çıkarımına yaklaşmak için basit bir sıralı algoritma. Biliş.
tanımlaması: Gürültülü bir değişen görevde optimuma yakın insan Psikol.74, 35–65
performansı.J. Neurosci.23, 3066–3075 146.Hasselmo, M. ve Eichenbaum, H. (2005) Bölümlerin bağlama
116.Dayan, P.ve ark. (2000) Öğrenme ve seçici dikkat.Nat. bağlı olarak geri getirilmesi için Hipokampal mekanizmalar.
Nörobilim.3, 1218–1223 Sinir Ağı.18, 1172–1190
117.Stankevicius, A.ve ark. (2014) Gelecekteki ödülün olasılığına ilişkin ön 147.Gallistel, CRve ark. (2004) Öğrenme eğrisi: niceliksel bir analizin
inanç olarak iyimserlik.PLoS Hesaplama. Biyol.10, e1003605 sonuçları.Proc. Natl. Acad. Bilim. Amerika Birleşik Devletleri101,
118.Dayan, P. ve Long, T. (1997) Koşullandırmanın istatistiksel modelleri. 13124–13131
Av. Sinir Bilgisi Süreçler. Sistem10, 117–123 148.Sanborn, AN ve Chater, N. (2016) Olasılıksız Bayes beyinleri.
119.Kording, KPve ark. (2007) Değişen bir bedene optimal Trendler Biliş. Bilim.20, 883–893
adaptasyonun bir sonucu olarak hafızanın dinamikleri.Nat. 149.Daw, N. ve Courville, A. (2008) Parçacık filtresi olarak güvercin. Av.
Nörobilim.10, 779–786 Sinir Bilgisi Süreçler. Sistem20, 369–376

AÇIK ERİŞİM
150.Schwartz, BL ve Metcalfe, J. (2011) Dilin Ucu (TOT) şunları 163. Nassar, J.ve ark. (2018) Çok ölçekli modelleme için ağaç yapılı
belirtir: geri getirme, davranış ve deneyim.Mem. Biliş.39, 737– tekrarlayan anahtarlamalı doğrusal dinamik sistemler.arXiv29
749 Kasım 2018'de çevrimiçi yayınlandı.https://doi.org/10.48550/arXiv.
151.Sing, GC ve Smith, MA (2010) İleriye doğru girişimle ilişkili 1811.12386
öğrenme oranlarındaki azalma, motor adaptasyonunda farklı 164.Wolpert, DMve ark. (1995) Sensorimotor entegrasyonu için
zaman ölçekleri arasındaki etkileşimlerden kaynaklanır.PLoS dahili bir model.Bilim269, 1880–1882
Hesaplama. Biyol.6, e1000893 165.Piray, P. ve Daw, ND (2020) Değişken ortamlarda öğrenmeye
152.Kliegl, O. ve Bäuml, KT (2021) Proaktif müdahalenin oluşumu yönelik basit bir model.PLoS Hesaplama. Biyol.16, e1007963
ve serbest bırakılması - bilişsel ve sinirsel mekanizmalar.
Nörobilim. Biyodavranış. Rev.120, 264–278 166.Piray, P. ve Daw, ND (2021) Stokastisite ve volatilitenin ortak
153.Göl, BMve ark. (2017) İnsanlar gibi öğrenen ve düşünen makineler tahminine dayalı bir öğrenme modeli.Nat. İletişim
inşa etmek.Davranış. Beyin Bilimi40, e253 12, 1–16
154.Franklin, NT ve Frank, MJ (2018) Görev yapısı öğreniminde 167.Browning, M.ve ark. (2015) Kaygılı bireyler, rahatsız edici ortamların
bileşimsel kümeleme.PLoS Hesaplama. Biyol.14, e1006116 nedensel istatistiklerini öğrenmekte zorluk çekerler.Nat. Nörobilim.
155.Franklin, NT ve Frank, MJ (2020) Genellemek için genelleme: İnsanlar, 18, 590–596
takviyeli öğrenme sırasında kompozisyon ve bağlaç yapıları 168.Eckstein, MKve ark. (2021) Takviyeli öğrenme modelleri neyi
arasında esnek bir şekilde geçiş yapar.PLoS Hesaplama. Biyol. ölçer? Biliş ve sinirbilimde model parametrelerinin
16, e1007720 yorumlanması.Curr. Görüş. Davranış. Bilim.41, 128–137
156.Flanagan, Jr.ve ark. (1999) Değiştirilmiş kinematik ve dinamik
ortamlar altında motor öğrenmede iç modellerin bileşimi ve 169. Grant, E.ve ark. (2018) Gradyan tabanlı meta öğrenmenin hiyerarşik
ayrıştırılması.J. Neurosci.19, RC34 Bayes olarak yeniden düzenlenmesi.arXiv26 Ocak 2018'de çevrimiçi
157.Davidson, PR ve Wolpert, DM (2004) Kavramanın altında yatan yayınlandı.https://doi.org/10.48550/arXiv.1801.08930
iç modeller ek olarak birleştirilebilir.Tecrübe. Beyin Arş. 170. Sæmundsson, S.ve ark. (2018) Gizli değişken Gauss
155, 334–340 süreçleriyle meta takviyeli öğrenme.arXiv20 Mart 2018'de
158.Braun, savcıve ark. (2009) Motor görev değişimi yapısal öğrenmeye çevrimiçi yayınlandı.https://doi.org/10.48550/arXiv.1803.
neden olur.Curr. Biyol.19, 352–357 07551
159.Braun, savcıve ark. (2010) Eylem halindeki yapı öğrenimi.Davranış. 171.Göl, BMve ark. (2015) Olasılıksal program indüksiyonu yoluyla
Beyin Arş.206, 157–165 insan düzeyinde kavram öğrenimi.Bilim350, 1332–1338
160.Antony, JWve ark. (2021) Doğal spor izleme sırasındaki 172.Tenenbaum, JBve ark. (2011) Bir zihin nasıl geliştirilir: istatistik,
sürprizin davranışsal, fizyolojik ve sinirsel işaretleri.Nöron yapı ve soyutlama.Bilim331, 1279–1285
109, 377–390 173.Kemp, C.ve ark. (2007) Hiyerarşik Bayes modelleriyle aşırı hipotezlerin
161.Naim, M.ve ark. (2019) Rastgele materyal için hafızada hiyerarşik öğrenilmesi.Dev. Bilim.10, 307–321
organizasyonun ortaya çıkışı.Bilim. Temsilci9, 1–10 174.Teh, YWve ark. (2006) Hiyerarşik Dirichlet süreçleri.J. Am.
162.Blei, DMve ark. (2010) İç içe geçmiş Çin restoranı süreci ve İstatistik Doç.101, 1566–1581
konu hiyerarşilerinin Bayesian parametrik olmayan çıkarımı. 175.Kim, G.ve ark. (2014) Bağlama dayalı tahmin hatasıyla anıların budanması.
J.ACM57, 1–30 Proc. Natl. Acad. Bilim. Amerika Birleşik Devletleri111, 8997–9002

Heald 2023 Contextual Inference in Learning An - En.tr

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Heald 2023 Contextual Inference in Learning An - En.tr

Uploaded by

Copyright:

Available Formats

Translated from English to Turkish - www.onlinedoctranslator.

Öğrenme ve hafızada bağlamsal çıkarım

bağlamın gözlemlenmediğini ve çıkarım yapılması gerektiğini öne süren Bayesci bir

Bağlamın bağlam içine yerleştirilmesi

Bilişsel Bilimlerdeki Eğilimler, Ocak 2023, Cilt. 27, No.1 https://doi.org/10.1016/j.tics.2022.10.004 43

Anıların yaratılması, ifade edilmesi ve güncellenmesi esnek ve uyarlanabilir davranışı destekler.

Uzun süreli hafıza üzerinde bağlama bağlı etkiler

Kutu 1. Bağlamsal öğrenme: birleştirici bir görünüm

44Bilişsel Bilimlerdeki Eğilimler, Ocak 2023, Cilt. 27, No.1

(A) Bağlam 1 Bağlam 2 (B) Bağlam 1 Bağlam 2

Bağlam 1 Bağlam 1 Bağlam 2 Bağlam 1 Bağlam 1 Bağlam 2

N-1 N N+1 N-1 N N+1

(C) (D) Bağlam 1 Bağlam 2

... ... ... ...

N-1 N N+1 N-1 N N+1

Bilişsel Bilimlerdeki Eğilimler

Bilişsel Bilimlerdeki Eğilimler, Ocak 2023, Cilt. 27, No.145

46Bilişsel Bilimlerdeki Eğilimler, Ocak 2023, Cilt. 27, No.1

hatası. Öğrenmeyi öğrenmek:gelecekteki öğrenmeye

Bilişsel Bilimlerdeki Eğilimler, Ocak 2023, Cilt. 27, No.147

48Bilişsel Bilimlerdeki Eğilimler, Ocak 2023, Cilt. 27, No.1

Bayesian bağlama bağlı öğrenme teorileri bağlam tarafından belirlendiği üzere,

Bilişsel Bilimlerdeki Eğilimler, Ocak 2023, Cilt. 27, No.149

(A) Çoklu bağlamlar

Duyusal ipucu Durum Geri bildirim

(B) Tek bağlam (C)Hiyerarşik beklenmedik durumlar

Küresel bağlam olasılıkları

Locageçiş testi yetenekler

50Bilişsel Bilimlerdeki Eğilimler, Ocak 2023, Cilt. 27, No.1

Bağlamsal çıkarımın sonuçları

Bellek ifadesi için bağlamsal karıştırma

Bilişsel Bilimlerdeki Eğilimler, Ocak 2023, Cilt. 27, No.151

Kutu 2. Bağlamsal çıkarımın karmaşıklığının azaltılması

fffffffl} PğLTjo0:TŞ ∝ den bilgi iç modeli PğLT -1jo0:T -1ŞDLT -1 ½BEN-

güncel gözlemler gizli dinamikler

52Bilişsel Bilimlerdeki Eğilimler, Ocak 2023, Cilt. 27, No.1

Bellek güncelleme ve oluşturma için bağlamsal karıştırma

Bilişsel Bilimlerdeki Eğilimler, Ocak 2023, Cilt. 27, No.153

Uzun + şunlara yol açar:

Bilişsel Bilimlerdeki Eğilimler

54Bilişsel Bilimlerdeki Eğilimler, Ocak 2023, Cilt. 27, No.1

Doğru ve görünür öğrenme

Bağlama bağlı öğrenme modellerinin çeşitleri

Tekli ve çoklu bağlamlı modeller

Bilişsel Bilimlerdeki Eğilimler, Ocak 2023, Cilt. 27, No.155

(A) Düzgün (B) Görünür (C)Uygun ve görünür

0 50 150 0 50 150 0 50 150

0 50 150 0 50 150 0 50 150

Bilişsel Bilimlerdeki Eğilimler

56Bilişsel Bilimlerdeki Eğilimler, Ocak 2023, Cilt. 27, No.1

Kutu 3. Görünür öğrenme olgusu

Kutu 4. Basit ve karmaşık bağlam temsilleri

Bilişsel Bilimlerdeki Eğilimler, Ocak 2023, Cilt. 27, No.157

Statik ve dinamik beklenmedik durumlar

Bağlam geçiş dinamikleri

58Bilişsel Bilimlerdeki Eğilimler, Ocak 2023, Cilt. 27, No.1

Bilinen ve bilinmeyen sayıda bağlam

Bağlama özgü anıların yeniden düzenlenmesi

Bilişsel Bilimlerdeki Eğilimler, Ocak 2023, Cilt. 27, No.159

60Bilişsel Bilimlerdeki Eğilimler, Ocak 2023, Cilt. 27, No.1

belki farklı zaman ölçeklerinde

Bilişsel Bilimlerdeki Eğilimler, Ocak 2023, Cilt. 27, No.161

62Bilişsel Bilimlerdeki Eğilimler, Ocak 2023, Cilt. 27, No.1