Uniwersytet Mikołaja Kopernika w Toruniu - Centralny punkt logowania
Strona główna

Umysł jako maszyna predykcyjna

Informacje ogólne

Kod przedmiotu: 2401-K-MF-UJMP
Kod Erasmus / ISCED: 15.9 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0329) Dziennikarstwo i informacja (inne) Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Umysł jako maszyna predykcyjna
Jednostka: Katedra Kognitywistyki
Grupy: Fakultety dla kognitywistyki I stopnia
Kognitywistyka s1,s2 - zajęcia do wyboru
Psychologia - zajęcia fakultatywne
Punkty ECTS i inne: 2.00 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.

zobacz reguły punktacji
Język prowadzenia: polski
Rodzaj przedmiotu:

przedmiot fakultatywny

Całkowity nakład pracy studenta:

1. Godziny realizowane z udziałem nauczycieli: godziny kontaktowe przewidziane w planie studiów dla danego przedmiotu: 30 godz.



2. Czas poświęcony na pracę indywidualną studenta/słuchacza/uczestnika kursu potrzebny do pomyślnego zaliczenia przedmiotu, tj. napisanie eseju lub realizację zadania dodatkowego: 30 godz.

Efekty uczenia się - wiedza:

W1: ma uporządkowaną, pogłębioną wiedzę, obejmującą terminologię, teorie i metodologię z zakresu przetwarzania predykcyjnego (K_W01)

Efekty uczenia się - umiejętności:

umie krytycznie analizować publikacje dotyczące przetwarzania predykcyjnego, a także oddzielać poglądy oparte na wiedzy potocznej od danych naukowych K_U05

Metody dydaktyczne podające:

- opis
- opowiadanie
- pogadanka
- wykład informacyjny (konwencjonalny)

Skrócony opis:

Koncepcja umysłu predykcyjnego (tzw. przetwarzanie lub kodowanie predykcyjne) opiera się na tezie, że percepcja, procesy uwagowe oraz kontrola działania służą unikaniu zaskoczenia. „Zaskoczenie” jest technicznie definiowane jako redukcja błędu predykcyjnego, to jest rozbieżności pomiędzy sygnałem zmysłowym dochodzącym ze środowiska a wewnętrznie wygenerowanymi przez system poznawczy przewidywaniami. Teoria ta w ciągu kilku ostatnich lat przeobraziła krajobraz teoretyczny nauk o poznaniu. Przetwarzanie predykcyjne stanowi punkt wyjścia dla modeli wyjaśniających (w zamierzeniu) różne zjawiska poznawcze, m.in. świadomość, marzenia senne, urojenia i stany psychotyczne, percepcję czasu czy emocje. Celem kursu jest wprowadzenie studentów w koncepcję przetwarzania predykcyjnego.

Literatura:

Bar, M. (2007). The proactive brain: using analogies and associations to generate predictions. Trends in Cognitive Sciences, 11: 280–289.

Bortolotti, L. (2018). Delusion. W: E. Zalta (red.). Stanford Encyclopedia of Philosophy. Dostępne na stronie: https://plato.stanford.edu/entries/delusion/.

Bowman, H., Filetti, M., Wyble, B., Olivers, C. (2013). Attention is more than prediction precision. Behavioral and Brain Sciences, 36, 26–28.

Clark, A. (2016). Surfing Uncertainty. Prediction, Action, and the Embodied Mind. Oxford: Oxford University Press.

Dainton, B. (2017). Temporal consciousness. W: E. Zalta (red.). The Stanford Encyclopedia of Philosophy. Dostępne na stronie: https://plato.stanford.edu/entries/consciousness-temporal/

Fletcher, P.C., Frith, C.D. (2009). Perceiving is believing: A Bayesian approach to explaining the positive symptoms of schizophrenia. Nature Reviews. Neuroscience, 10, 48–58.

Friston, K. (2017). The mathematics of mind-time. Dostępne na Aeon, pod adresem: https://aeon.co/essays/consciousness-is-not-a-thing-but-a-process-of-inference.

Friston, K., Thornton, C., Clark, A. (2012). Free-energy minimization and the dark-room problem. Frontiers in Psychology, 3, 130.

Hohwy, J. (2013). The Predictive Mind. Oxford: Oxford University Press.

Hohwy, J. (2017). How to entrain your evil demon. W: T. Metzinger, W. Wiese (red.). Philosophy of Predictive Processing. Frankfurt am Main: MIND Group.

Hohwy, J., Roepstorff, A., Friston, K. (2008). Predictive coding explains binocular rivalry: an epistemological review. Cognition, 108, 687–701.

Kent, L., Van Doorn, G., Hohwy, J., Klein, B. (2019). Bayes, time perception, and relativity: The central role of hopelessness. Consciousness & Cognition, 69, 70-80.

Prinz, J. (2008). Emocje jako ucieleśnione oceny. W: A. Klawiter (red.). Formy aktywności umysłu (s. 37–72). Warszawa: PWN.

Ransom, M., Fazelpour, S. (manuskrypt dostępny u prowadzącego). Three problems for the predictive coding theory of attention.

Rao, R., Ballard, D. H. (1999). Predictive coding in the visual cortex: a functional interpretation of some extra-classical receptive-field effects. Nature Neuroscience, 2: 79–87.

Seth, A. K. (2014). A predictive processing theory of sensorimotor contingencies: Explaining the puzzle of perceptual presence and its absence in synesthesia. Cognitive Neuroscience, 5, 97–118.

Seth, A.K. (2013). Interoceptive inference, emotion, and the embodied self. Trends in Cognitive Sciences 17, 656–663.

Wiese, W. (2017). Predictive processing and the phenomenology of time consciousness. W: T. Metzinger, W. Wiese (red.). Philosophy of Predictive Processing. Frankfurt am Main: MIND Group.

Metody i kryteria oceniania:

Student ma do wyboru jeden z dwóch sposobów zaliczenia zajęć:

- napisanie eseju końcowego na ustalony z prowadzącym temat

- realizacja "zadania końcowego":

Opis zadania: Państwa zadanie polega na (1)uważnym przeczytaniu co najmniej jednejlektury z poniższej listy,(2)sporządzeniu dokładnego konspektusyntetycznieomawiającegolekturę(m.in.głównątezę/hipotezę, strukturęprzedstawionegoargumentu,a także Państwa przemyślenia, wątpliwościczy uwagi krytyczne), (3)przyjście na dyżur w celuomówienia tej lektury z prowadzącym kurs. Żeby ułatwić wybór najciekawszego dlaPaństwamateriału,proponowane lektury zostały podzielone na bloki tematyczne.Choć nie jest to konieczne,wartooprzeć zadanie zaliczeniowe na więcej niż jednej lekturze.Zadanie należy zrealizować nie później niż do wtorku 28.02.2023.Skróty: AI–Active Inference; PP–Przetwarzanie Predykcyjne/Predictive Processing; FEP –Free Energy PrinciplePP/AI/FEPjako modele aktywności mózguAlamia, A., VanRullen, R. (2019). Alpha oscillations and traveling waves: Signatures of predictive coding? PLOS Biology, 17(10), e3000487.Bastos, A. M., Usrey, W. M., Adams, R. A., Mangun, G. R., Fries, P., Friston, K. J. (2012). Canonical microcircuits for predictive coding. Neuron, 76, 695–711.Kagan, B. J., Kitchen, A. C., Tran, N. T., Habibollahi, F., Khajehnejad, M., Parker, B. J., Bhat, A., Rollo, B., Razi, A., & Friston, K. J. (2022). Invitroneurons learn and exhibit sentience when embodied in a simulated game-world.Neuron, S0896-6273(22)00806-6.Sales, A. C., Friston, K. J., Jones, M. W., Pickering, A. E., & Moran, R. J. (2019). Locus Coeruleus tracking of prediction errors optimises cognitive flexibility: An Active Inference model.PLoS computational biology,15(1), e1006267.Walsh, K. S., McGovern, D. P., Clark, A., O’Connell, R. G. (2020). Evaluating the neurophysiologicalevidence for predictive processing as a model of perception. Annals of the New York Academy of Sciences, 1464(1), 242–268. PP/AI/FEP jako teorie świadomościi aspektów świadomego doświadczeniaClark, A. (2018). Beyond the ‘Bayesian blur’: Predictive processing and the nature of subjective experience. Journal of Consciousness Studies, 25, 71–87.Hohwy, J., Michael, J. (2017). Why should any body have a self? In F. de Vignemont, A. Alsmith (eds). The Subject’s Matter: Self-consciousness and the Body (pp. 363–392). Cambridge (MA): The MIT Press. Hohwy, J., Paton, B., Palmer, C. (2016). Distrusting the present. Phenomenology and the Cognitive Sciences, 15(3), 315–335.

Zajęcia w cyklu "Semestr zimowy 2022/23" (zakończony)

Okres: 2022-10-01 - 2023-02-19
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Wykład, 30 godzin więcej informacji
Koordynatorzy: Paweł Gładziejewski
Prowadzący grup: Paweł Gładziejewski
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Wykład - Zaliczenie na ocenę
Skrócony opis:

Wykład ma wprowadzić studentów i studentki w podstawowe założenia przetwarzania predykcyjnego, jednego z dominujących podejść teoretycznych współczesnej kognitywistyki. Na wstępnych etapach wykład omawia historyczne źródła i kognitywistyczne zastosowania idei, że predykcja jest kluczową funkcją umysłu/układu nerwowego. Następnie stopniowo wprowadzane są kluczowe elementy przetwarzania predykcyjnego jako teorii percepcji i uwagi: wnioskowanie Bayesowskie, hierarchiczne kodowanie predykcyjne i szacowanie precyzji. W końcowych etapach kursu teoria zostaje rozszerzona o pojęcie wnioskowania aktywnego oraz rozpatrzona z perspektywy wysoce abstrakcyjnej (i kontrowersyjnej) Zasady Minimalizacji Energii Swobodnej.

Pełny opis:

Wykład składa się z czterech bloków tematycznych (na każdy blok przypadają 2-3 spotkania wykładowe):

1. Predykcja jako funkcja układu nerwowego (2 spotkania)

- Klasyczne ujęcie umysłu jako maszyny predykcyjnej: Kenneth Craik o modelach mentalnych

- Współczesne odmiany predykcyjnej teorii umysłu: mapy poznawcze, mentalna podróż w czasie, role predykcji w ewolucji systemów zmysłowych

2. Klasyczne Bayesowskie modele percepcji (3 spotkania)

- Wnioskowanie Bayesowskie

- Modele Bayesowskie w kognitywistyce: case studies

3. Przetwarzanie predykcyjne (3 spotkania)

- Błąd predykcyjny, entropia i kompresja: podstawy koncepcyjne przetwarzania predykcyjnego

- Hierachiczne kodowanie predykcyjne jako obliczeniowa teoria percepcji

- Przetwarzanie predykcyjne w percepcji: case studies

4. Uwaga jako szacowanie precyzji (2 spotkania)

- Szacowanie precyzji jako regulacja tempa uczenia Bayesowskiego

- Szacowanie precyzji jako mechanizm uwagi

5. Działanie jako wnioskowanie aktywne (2 spotkania)

- Klasyczne predykcyjne modele uwagi: o modelach wyprzedzających i emulatorach

- Idea wnioskowania aktywnego

- Wnioskowanie aktywne jako mechanizm kontroli ruchu: case studies

6. Zasada Minimalizacji Energii Swobodnej (FEP – Free Energy Principle): kognitywistyczna teoria wszystkiego? (2 spotkania)

- Życie i samoorganizacja jako wnioskowanie wariacyjne

- Czym jest wyjaśnienie? Czy FEP to model wyjaśniający?

Literatura:

Literatura pomocnicza:

Clark, A. (2016). Surfing Uncertainty: Prediction, Action and the Embodied Mind. Oxford: Oxford University Press.

Hohwy, J. (2013). The Predictive Mind. Oxford: Oxford University Press.

Parr, T., Pezzulo, G., Friston, K.J. (2022). Active Inference: The Free Energy Principle in Mind, Brain, and Behavior. Cambridge (MA): The MIT Press.

Smith, R., Friston, K. J., Whyte, Ch. J. (preprint). A step-by-step tutorial on Active Inference and its application to empirical data. PsyArXiv: https://psyarxiv.com/b4jm6/

Zajęcia w cyklu "Semestr zimowy 2023/24" (zakończony)

Okres: 2023-10-01 - 2024-02-19
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Wykład, 15 godzin więcej informacji
Koordynatorzy: Paweł Gładziejewski
Prowadzący grup: Paweł Gładziejewski
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Wykład - Zaliczenie na ocenę
Skrócony opis:

Wykład ma wprowadzić studentów i studentki w podstawowe założenia przetwarzania predykcyjnego, jednego z dominujących podejść teoretycznych współczesnej kognitywistyki. Na wstępnych etapach wykład omawia historyczne źródła i kognitywistyczne zastosowania idei, że predykcja jest kluczową funkcją umysłu/układu nerwowego. Następnie stopniowo wprowadzane są kluczowe elementy przetwarzania predykcyjnego jako teorii percepcji i uwagi: wnioskowanie Bayesowskie, hierarchiczne kodowanie predykcyjne i szacowanie precyzji. W końcowych etapach kursu teoria zostaje rozszerzona o pojęcie wnioskowania aktywnego oraz rozpatrzona z perspektywy wysoce abstrakcyjnej (i kontrowersyjnej) Zasady Minimalizacji Energii Swobodnej.

Pełny opis:

Wykład składa się z czterech bloków tematycznych (na każdy blok przypadają 2-3 spotkania wykładowe):

1. Predykcja jako funkcja układu nerwowego (2 spotkania)

- Klasyczne ujęcie umysłu jako maszyny predykcyjnej: Kenneth Craik o modelach mentalnych

- Współczesne odmiany predykcyjnej teorii umysłu: mapy poznawcze, mentalna podróż w czasie, role predykcji w ewolucji systemów zmysłowych

2. Klasyczne Bayesowskie modele percepcji (3 spotkania)

- Wnioskowanie Bayesowskie

- Modele Bayesowskie w kognitywistyce: case studies

3. Przetwarzanie predykcyjne (3 spotkania)

- Błąd predykcyjny, entropia i kompresja: podstawy koncepcyjne przetwarzania predykcyjnego

- Hierachiczne kodowanie predykcyjne jako obliczeniowa teoria percepcji

- Przetwarzanie predykcyjne w percepcji: case studies

4. Uwaga jako szacowanie precyzji (2 spotkania)

- Szacowanie precyzji jako regulacja tempa uczenia Bayesowskiego

- Szacowanie precyzji jako mechanizm uwagi

5. Działanie jako wnioskowanie aktywne (2 spotkania)

- Klasyczne predykcyjne modele uwagi: o modelach wyprzedzających i emulatorach

- Idea wnioskowania aktywnego

- Wnioskowanie aktywne jako mechanizm kontroli ruchu: case studies

6. Zasada Minimalizacji Energii Swobodnej (FEP – Free Energy Principle): kognitywistyczna teoria wszystkiego? (2 spotkania)

- Życie i samoorganizacja jako wnioskowanie wariacyjne

- Czym jest wyjaśnienie? Czy FEP to model wyjaśniający?

Literatura:

Literatura pomocnicza:

Clark, A. (2016). Surfing Uncertainty: Prediction, Action and the Embodied Mind. Oxford: Oxford University Press.

Hohwy, J. (2013). The Predictive Mind. Oxford: Oxford University Press.

Parr, T., Pezzulo, G., Friston, K.J. (2022). Active Inference: The Free Energy Principle in Mind, Brain, and Behavior. Cambridge (MA): The MIT Press.

Smith, R., Friston, K. J., Whyte, Ch. J. (preprint). A step-by-step tutorial on Active Inference and its application to empirical data. PsyArXiv: https://psyarxiv.com/b4jm6/

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Mikołaja Kopernika w Toruniu.
ul. Jurija Gagarina 11, 87-100 Toruń tel: +48 56 611-40-10 https://usosweb.umk.pl/ kontakt deklaracja dostępności USOSweb 7.0.1.0 (2023-11-21)