ژن تصمیمگیری پیدا شد
تاریخ انتشار: ۸ خرداد ۱۴۰۲ | کد خبر: ۳۷۸۵۸۳۰۲
آیا تا به حال تصمیمی را در گذشته گرفتهاید که غیرمنطقی به نظر برسد؟ یک پژوهش جدید نشان میدهد که برخی از تصمیمها تا اندازهای خارج از کنترل هستند.
به گزارش ایسنا، این پژوهش، الگوی عجیبی را از تصمیمگیری در موشها نشان میدهد که تحت تأثیر یک ژن ویژه به نام «Arc» قرار دارد. این پژوهش نشان داد که موشها هنگام جستجوی غذا، به جای ماندن در مکانهای سرشار از غذا، بارها از یک مکان خالی بازدید میکنند اما موشهایی که فاقد ژن Arc هستند، روش عملیتری را نشان میدهند.
بیشتر بخوانید:
اخباری که در وبسایت منتشر نمیشوند!
براساس این پژوهش، موشها برای گرفتن برخی از تصمیمها تنظیم شدهاند. این پژوهش میتواند پیامدهایی را برای انسانها نیز داشته باشد. این پژوهش منحصربهفرد میتواند دری را به روی یک حوزه جدید به نام «ژنتیک تصمیمگیری» باز کند که تأثیر ژنتیک را بر تصمیمگیری، احتمالا حتی در انسانها مورد بررسی قرار میدهد.
دکتر «کریستوفر گرگ»(Christopher Gregg)، نوروبیولوژیست «دانشگاه یوتا»(UofU) و پژوهشگر ارشد این پروژه گفت: این پژوهش به ما میگوید که حیوانات در تصمیمهایی که میگیرند، محدود هستند. ژنتیک، آنها را به سوی مسیر سوق میدهد.
گرگ و گروهش پس از این که متوجه شدند موشها به طور مکرر یک تصمیم غیرمنطقی را میگیرند، بررسی تصمیمگیری را آغاز کردند. موشها پس از یافتن یک انبار پر از دانههای پنهان، به جای ماندن برای خوردن آنها، مدام به مکانی برمیگشتند که روز پیش غذا در آن وجود داشت. در این روز، مکان اصلی خالی بود. گرگ ادامه داد: گویی موشها با خود فکر میکردند که آیا مکان اول واقعا غذا ندارد. به نظر میرسید آنها فکر میکنند چیزی را از دست دادهاند.
برای گرگ و همکارانش، این رفتار هیچ معنایی نداشت. حیوانات در نهایت به دلیل زمان صرفشده برای بازگشت مداوم به انبار خالی، کمتر غذا خورند. گرگ توضیح داد که اگر چنین رفتاری باعث شود موشها در طبیعت کمتر غذا بخورند، دردسرساز خواهد بود زیرا دریافت نکردن کالری کافی میتواند برای موش مضر باشد.
شگفتی واقعی زمانی رخ داد که پژوهشگران دریافتند موشهای فاقد یک ژن ویژه، بیشتر احتمال دارد که بمانند و غذا بخورند. در نتیجه، آنها به طور کلی کالری بیشتری را مصرف کردند.
چنین رفتارهایی، نخستین شواهد مبنی بر این بودند که ژنها میتوانند به تصمیمگیری حتی تصمیماتی که حداقل برای یک انسان منطقی به نظر نمیرسند، جهت بدهند. در این مورد به نظر میرسید که ژن Arc برای وادار کردن موشها به ادامه جستجوی غذا حتی زمانی که به نظر نمیرسد ضروری باشد، مهم است.
دکتر «کورنلیا استاچر هورندلی»(Cornelia Stacher-Hörndli)، نوروبیولوژیست دانشگاه یوتا و از پژوهشگران این پروژه گفت: همه ما درک واضحی از چگونگی حدس زدن مجدد چیزی داریم اما چه کسی فکر میکرد که چنین رفتاری تا این اندازه تحت تأثیر یک ژن باشد؟ نتایج به دست آمده، این پرسش را ایجاد میکنند که آیا سایر سوگیریهای شناختی نیز تحت کنترل ژنتیکی هستند یا خیر.
رمزگشایی رفتار
برای چشم انسان، زندگی یک موش بسیار ساده به نظر میرسد. وقتی موشها در یک محیط طبیعی در آزمایشگاه گرگ قرار گرفتند، خانه را ترک کردند، به بررسی محیط اطراف خود پرداختند، به دنبال غذا گشتند، کمی غذا خوردند و توقفهایی را در بازگشت به خانه داشتند اما پس از اینکه یک الگوریتم یادگیری ماشینی به تحلیل سفرهای آنها پرداخت، دیدگاه کاملا متفاوت به نظر میرسید.
یک برنامه سفارشی ساختهشده توسط گرگ و «جرد امری»(Jared Emery) یکی از پژوهشگران این پروژه، ۱۶۰۹ سفر جستجوی غذا را تجزیه و تحلیل کرد و نشان داد که موشها ۲۴ توالی رفتار را بارها و بارها تکرار کردند. همان طور که موشها به جستجوی غذا میپرداختند، توالیها را به صورت متصل با رفتارهای خودجوش در میآمیختند تا الگوهای رفتاری پیچیدهتری را بسازند. یکی از آنها رفتار موسوم به «حدس دوم» بود.
گرگ خاطرنشان کرد: تا اندازهای میتوانید آینده را پیشبینی کنید.
این آینده برای موشهایی که ژن Arc را از دست داده بودند، تغییر کرد. شش مورد از ۲۴ دنباله رفتاری تغییر یافتند و این تفاوتها به همراه یکدیگر رفتار حدس دوم را کوتاه کردند. پژوهشهای پیشین نشان داده بودند که ژن Arc در یادگیری و حافظه نقش دارد اما این پژوهش به طور کلی نشان داد که حافظه موشها و سایر رفتارهای آنها تا اندازه زیادی دستنخورده هستند؛ به این معنا که تأثیر ژن بر آن شش رفتار، ویژه بود.
گرگ گفت: یک ایده جالب این است که حیوانات برای گرفتن این تصمیمات تکامل یافتند زیرا آنها به نوعی در طبیعت سودمند بودند. وقتی موشها برای ارزیابی مکانهای قبلی غذا به عقب و جلو میروند، این کار به آنها کمک میکند تا یک نقشه ذهنی را ایجاد کنند. شاید این کار به آنها کمک کند تا دفعه بعد غذا را سریعتر پیدا کنند. سوگیری شناختی کنترلشده با ژنتیک ممکن است امکان تصمیمگیری موثر در طول جست و جو را فراهم کند.
این پرسش باقی میماند که آیا یک مبنای بیولوژیکی برای انواع دیگر سوگیری شناختی وجود دارد و آیا ژنها میتوانند تصمیمگیری را در انسان هدایت کنند یا خیر. پژوهشهای بیشتر به این پرسشها پاسخ خواهند داد.
منبع: فرارو
کلیدواژه: تصمیم گیری ژن تصمیم گیری قیمت طلا و ارز قیمت موبایل تصمیم گیری جستجوی غذا موش ها
درخواست حذف خبر:
«خبربان» یک خبرخوان هوشمند و خودکار است و این خبر را بهطور اتوماتیک از وبسایت fararu.com دریافت کردهاست، لذا منبع این خبر، وبسایت «فرارو» بوده و سایت «خبربان» مسئولیتی در قبال محتوای آن ندارد. چنانچه درخواست حذف این خبر را دارید، کد ۳۷۸۵۸۳۰۲ را به همراه موضوع به شماره ۱۰۰۰۱۵۷۰ پیامک فرمایید. لطفاً در صورتیکه در مورد این خبر، نظر یا سئوالی دارید، با منبع خبر (اینجا) ارتباط برقرار نمایید.
با استناد به ماده ۷۴ قانون تجارت الکترونیک مصوب ۱۳۸۲/۱۰/۱۷ مجلس شورای اسلامی و با عنایت به اینکه سایت «خبربان» مصداق بستر مبادلات الکترونیکی متنی، صوتی و تصویر است، مسئولیت نقض حقوق تصریح شده مولفان در قانون فوق از قبیل تکثیر، اجرا و توزیع و یا هر گونه محتوی خلاف قوانین کشور ایران بر عهده منبع خبر و کاربران است.
خبر بعدی:
ارزیابی مشکلات قلبی را به ChatGPT نسپارید!
ایتنا - پژوهشگران «دانشگاه ایالتی واشنگتن» در یک آزمایش جدید دریافتند که ChatGPT نمیتواند عملکرد خوبی را در ارزیابی مشکل قلبی داشته باشد.
به رغم تواناییهای گزارش شده درباره ChatGPT برای قبول شدن در آزمونهای پزشکی، یک پژوهش جدید نشان میدهد که اتکا به این فناوری برای برخی ارزیابیهای سلامتی مانند بررسی نیاز بیمار مبتلا به درد قفسه سینه به بستری شدن در بیمارستان عاقلانه نیست.
به گزارش ایتنا از ایسنا، در پژوهش جدیدی که شامل هزاران وضعیت شبیهسازی شده از بیماران مبتلا به درد قفسه سینه است، ChatGPT نتایج متناقضی را ارائه کرد و سطوح متفاوتی را از ارزیابی خطر مشکل قلبی در دادههای بهدستآمده از بیماران نشان داد. همچنین، این سیستم هوش مصنوعی مولد نتوانست با روشهای سنتی مطابقت داشته باشد که پزشکان از آنها برای قضاوت درباره خطر مشکل قلبی بیمار استفاده میکنند.
دکتر «توماس هستون»(Thomas Heston) پژوهشگر دانشکده پزشکی «دانشگاه ایالتی واشنگتن»(WSU) گفت: ChatGPT به یک شیوه ثابت عمل نمیکرد. با توجه به دادههای مشابه، ChatGPT رتبه خطر پایینی را ارائه میدهد. دفعه بعد یک رتبه متوسط را پیشبینی میکند و گهگاه تا افزایش خطر پیش میرود.
هستون گفت: پژوهشگران باور دارند این مشکل احتمالا به دلیل سطح تصادفی بودن نسخه کنونی نرمافزار ChatGPT۴ است که به آن کمک میکند تا پاسخهایی را برای شبیهسازی زبان طبیعی ارائه دهد. با وجود این، همین تصادفی بودن باعث میشود نرمافزار برای کاربردهای حوزه سلامت که به یک پاسخ منسجم نیاز دارند، به خوبی کارآیی نداشته باشد.
هستون ادامه داد: ما متوجه شدیم که تنوع زیادی وجود دارد و این تنوع در رویکرد میتواند خطرناک باشد. این فناوری میتواند برنامه سودمندی باشد اما من معتقدم که فناوری بسیار سریعتر از درک ما پیش میرود. بنابراین، بسیار مهم است که پژوهشهای بسیاری را به ویژه در موقعیتهای بالینی پرخطر انجام دهیم.
درد قفسه سینه، یکی از شکایتهای رایج در اورژانس است که پزشکان را ملزم میکند تا فوریت وضعیت بیمار را مورد ارزیابی قرار دهند. هستون گفت: برخی از موارد بسیار جدی را به راحتی میتوان با توجه به علائم آنها شناسایی کرد اما موارد کمخطر ممکن است پیچیدهتر باشند؛ به ویژه هنگام تعیین اینکه آیا بیماری باید برای بررسی بیشتر در بیمارستان بستری شود یا به خانه برود و مراقبتهای سرپایی را دریافت کند.
متخصصان پزشکی در حال حاضر اغلب از یکی از دو معیار موسوم به TIMI و HEART برای ارزیابی خطر مشکل قلبی استفاده میکنند. هستون این مقیاسها را به ماشینحسابهایی تشبیه کرد که متغیرهای انگشتشمار را مانند علائم، سابقه سلامت و سن استفاده میکنند. در مقابل، یک شبکه عصبی هوش مصنوعی مانند ChatGPT میتواند میلیاردها متغیر را به سرعت ارزیابی کند. این بدان معناست که شاید ChatGPT بتواند یک موقعیت پیچیده را سریعتر و دقیقتر تحلیل کند.
برای این پژوهش، هستون و همکارش دکتر «لارنس لوئیس»(Lawrence Lewis) پژوهشگر «دانشگاه واشنگتن در سنت لوئیس»(WashU) ابتدا سه مجموعه داده را از ۱۰ هزار مورد تصادفی و شبیهسازیشده ایجاد کردند. یک مجموعه داده دارای هفت متغیر مقیاس TIMI، مجموعه دوم شامل پنج متغیر مقیاس HEART و مجموعه سوم دارای ۴۴ متغیر تصادفی سلامت بود. در دو مجموعه داده اول، ChatGPT ارزیابی خطر متفاوتی را در ۴۵ تا ۴۸ درصد مواقع نسبت به امتیاز ثابت TIMI یا HEART ارائه کرد. پژوهشگران برای آخرین مجموعه داده، موارد را چهار بار اجرا کردند و دریافتند که ChatGPT اغلب با خودش موافق نیست و در ۴۴ درصد مواقع، سطوح ارزیابی متفاوتی را برای موارد مشابه ارائه میدهد.
به رغم یافتههای منفی این پژوهش، هستون پتانسیل زیادی را برای هوش مصنوعی مولد در مراقبتهای بهداشتی پیشبینی میکند. به عنوان مثال، با فرض رعایت استانداردهای حفظ حریم خصوصی، کل سوابق پزشکی را میتوان در برنامه بارگذاری کرد و در شرایط اضطراری، پزشک میتواند از ChatGPT بخواهد تا سریعترین حقایق را درباره یک بیمار ارائه دهد. همچنین، پزشکان برای موارد دشوار و پیچیده میتوانند از برنامه بخواهند تا چندین تشخیص احتمالی را ارائه دهد.
هستون گفت: ChatGPT میتواند در ارائه دادن تشخیص افتراقی عالی باشد و این احتمالا یکی از بزرگترین نقاط قوت آن است. اگر کاملا نمیدانید که درباره یک بیمار چه میگذرد، میتوانید از ChatGPT بخواهید تا پنج تشخیص اصلی و استدلال خود را برای هر یک از آنها ارائه دهد. بنابراین، ChatGPT میتواند به شما کمک کند تا درباره یک مشکل فکر کنید اما در پاسخ دادن خوب نیست.
این پژوهش در مجله «PLOS ONE» به چاپ رسید.