U kognitivnoj psihologiji, metamemorija označava sposobnost osobe da sama prati i usmjerava vlastito učenje i pamćenje. Drugim riječima, riječ je o tome kako procjenjujemo što znamo, koliko smo sigurni u to znanje i koje strategije biramo kada zaključimo da nam je potrebno dodatno učenje ili drugačiji pristup prisjećanju. Metamemorija se obično promatra kao dio metakognicije – razmišljanja o vlastitom razmišljanju. U novijem istraživanju opisano je stvaranje algoritma umjetne inteligencije koji učenje prilagođava onome što sustav već zna, s ciljem da se strojno ponašanje približi obrascima koji podsjećaju na ljudsko upravljanje pamćenjem, a u središtu tog pristupa nalazi se metamemorija.
Autori s naglaskom na teorijsku i inženjersku vrijednost rada navode da bi ovakav pristup mogao doprinijeti razumijevanju ljudske metamemorija te, u širem smislu, razvoju strojeva koji mogu nadzirati vlastite procese učenja. Pritom je važno naglasiti da se u ovom kontekstu ne radi o tome da sustav “osjeća” ili “doživljava” pamćenje, nego da formalizira postupke procjene znanja i odabira strategije, na način koji je u kognitivnoj znanosti odavno prepoznat kao funkcionalna jezgra onoga što nazivamo metamemorija.
Model metamemorije
Istraživači opisuju kako se evolucijom umjetnih neuronskih mreža može dobiti funkcija nalik na metamemorija, pri čemu se sustav oslanja na samoreferenciju memorije: mreža ne obrađuje samo “objektne” informacije koje treba zapamtiti, nego i signale o vlastitoj uspješnosti, pouzdanosti i potrebi za dodatnim učenjem. Taj je pristup uspoređen s klasičnim modelom koji su 1980. godine definirali Thomas Nelson i Louis Narens. U tom modelu postoje dvije razine: meta-razina, koja nadzire i upravlja, te objektna razina, na kojoj se odvija konkretno učenje i prisjećanje. Ključna je ideja da kontrola i praćenje upravljaju protokom informacija između razina, a upravo se ta dvoslojnost često uzima kao formalni opis pojave koju nazivamo metamemorija.
Nelson i Narens su kasnije, u svojem utjecajnom radu, ponudili normativne podatke za velik broj pitanja iz različitih područja – od umjetnosti i zabave do geografije, sporta i povijesti – pri čemu su mjerili točnost prisjećanja, vrijeme potrebno da se odgovor prizove te procjene “osjećaja znanja”, odnosno subjektivnu procjenu hoće li ispitanik moći prepoznati ili se prisjetiti točnog odgovora. Takvi normativi postali su standardan alat za istraživanje procesa koji stoje iza prisjećanja, procjene sigurnosti i odabira strategija učenja. U praktičnom smislu, to znači da se metamemorija može promatrati kroz obrasce: kada osoba odustaje od pokušaja prisjećanja, kada traži dodatne tragove, kada procjenjuje da je odgovor “na vrhu jezika” i kada odlučuje uložiti više vremena u učenje.
Autori također napominju da se metamemorija posljednjih godina istražuje i kod ne-ljudskih životinja, iako se dugo smatrala gotovo isključivo ljudskom osobinom. Ta linija istraživanja ne tvrdi da druge vrste imaju iste introspektivne doživljaje kao ljudi, nego da se kod njih mogu uočiti ponašanja koja sugeriraju procjenu vlastite sigurnosti i kontrolu nad pokušajem prisjećanja. Upravo takav funkcionalni pogled – kako sustav odlučuje hoće li odgovoriti, čekati, tražiti dodatne informacije ili preskočiti zadatak – omogućuje da se metamemorija definira bez oslanjanja na subjektivni opis iskustva, što je korisno i za računalne modele.
U računalnom okviru, izazov je u tome da se “meta” signali ne svedu na puku dodatnu varijablu, nego da imaju stvaran učinak na dinamiku učenja. Ako sustav samo bilježi točnost, ali ne mijenja ponašanje, tada imamo evidenciju, ali ne i metamemorija u funkcionalnom smislu. Zato se u ovom radu naglašava potreba za mehanizmom koji može regulirati brzinu i smjer učenja, ovisno o procjeni sigurnosti i o procjeni toga koliko je određena memorijska reprezentacija stabilna ili krhka.
Studija s odgođenim zadatkom podudaranja s uzorkom
Za potrebe studije, istraživači su izgradili umjetnu neuronsku mrežu i zadali joj izvedbu odgođenog zadatka podudaranja s uzorkom. U takvom zadatku “subjekt” najprije vidi objekt ili uzorak, zatim mora zadržati tu informaciju tijekom kratke odgode, a potom između više ponuđenih opcija treba odabrati onu koja odgovara početnom uzorku. Ovakva paradigma je korisna zato što razdvaja fazu kodiranja (što se uči) od faze prisjećanja ili prepoznavanja (kako se znanje koristi), te omogućuje uočavanje trenutaka kada se sustav ponaša kao da procjenjuje vlastitu sigurnost – ponašanje koje se u literaturi često povezuje s metamemorija.
Ključna tehnička komponenta bila je neuromodulirana plastičnost. Umjesto da mreža uči fiksnom brzinom, uvedeni su dodatni neuroni čija je uloga modulirati promjene sinaptičkih težina – odnosno mijenjati “koliko snažno” se mreža prilagođava novim informacijama u određenom trenutku. U biološkom mozgu, neuromodulatorni sustavi (poput dopaminskih ili noradrenergičkih) utječu na to hoće li se iskustvo snažno utisnuti u pamćenje ili će ostati prolazno; u ovom računalnom modelu analogna ideja služi tome da se učenje ne odvija jednoliko, nego selektivno, ovisno o procjeni važnosti, novosti ili nesigurnosti. Takva selektivnost je praktičan preduvjet za metamemorija, jer bez mogućnosti regulacije plastičnosti ne postoji poluga kojom meta-razina može upravljati objekt-nivoom.
U praksi, to znači da mreža može učiti “agresivnije” kada procijeni da joj nedostaje stabilna reprezentacija, a suzdržanije kada procijeni da je već dovoljno sigurna. Tako se izbjegava neželjeno prepisivanje ranije naučenog – problem koji se u računalnom učenju često pojavljuje kada sustav prebrzo prilagođava težine novim uzorcima. Kada model raspolaže signalom koji predstavlja procjenu sigurnosti, taj signal može djelovati kao regulator: povećati promjene kada treba naučiti nešto novo ili smanjiti promjene kada je korisnije sačuvati postojeće znanje. U tom smislu, metamemorija nije dodatak “na vrhu” sustava, nego mehanizam koji operativno odlučuje kada učiti, koliko učiti i kada se osloniti na ono što je već u memoriji.
Istraživači opisuju rezultate kao ponašanje koje podsjeća na izvedbu u eksperimentima s makaki majmunima, gdje se u srodnim paradigmama promatra može li životinja pokazati znakove procjene vlastite sigurnosti. U takvim zadacima često se proučava hoće li subjekt odabrati odgovor odmah ili će “odgoditi” odluku, zatražiti dodatnu informaciju ili odustati kada je nesiguran. Kada računalni model razvije analogno ponašanje – primjerice, kada signalizira da je nesiguran i prilagođava učenje umjesto da nasumično pogađa – to se može interpretirati kao funkcionalna manifestacija onoga što nazivamo metamemorija, bez tvrdnje da je riječ o svijesti ili subjektivnom doživljaju.
Važan aspekt ovakvih modela jest objašnjivost: ako je moguće pratiti kako meta-razina mijenja parametre učenja, tada se može analizirati u kojim situacijama sustav procjenjuje da “zna”, a u kojima procjenjuje da “ne zna”. U kognitivnoj psihologiji, takve se procjene često ispituju kroz skalirane odgovore sigurnosti, kroz vrijeme reakcije ili kroz strategije poput ponovnog pregledavanja gradiva. U računalnom modelu, analozi tih mjera mogu biti modulacijski signali i promjene u plastičnosti, pa se metamemorija može mapirati na kvantitativne tragove u dinamici mreže. Time se dobiva most između teorijskih konstrukata i implementacijskih detalja – most koji omogućuje usporedbu s ponašanjem ljudi i životinja bez oslanjanja na neprovjerljive tvrdnje.
Usto, ovakav pristup može pomoći u dizajnu sustava koji se bolje nose s nesigurnošću u stvarnim zadacima. U tipičnim primjenama umjetne inteligencije, sustav često mora odlučiti hoće li dati odgovor odmah, hoće li tražiti dodatne podatke ili hoće li signalizirati da nije siguran. Ako se nesigurnost tretira samo kao statistička veličina, bez utjecaja na strategiju učenja, sustav može biti sklon prekomjernom samopouzdanju ili nestabilnom prilagođavanju. Metamemorija, shvaćena kao regulatorni sloj koji upravlja učenjem i korištenjem memorije, daje konceptualni okvir za dizajn ponašanja: kada povećati oprez, kada povećati učenje, a kada očuvati postojeće reprezentacije.
Treba, međutim, jasno razdvojiti dvije razine interpretacije. Prva je inženjerska: modulacijski neuroni i plastičnost daju alat za adaptivnije učenje i potencijalno robusnije modele. Druga je kognitivna: usporedba s obrascima ponašanja kod ljudi i životinja služi za testiranje hipoteza o tome koje su minimalne funkcije dovoljne da bismo uočili ponašanje nalik na metamemorija. Ovaj rad se pozicionira upravo na toj granici: ne tvrdi da je “riješio” pitanje svijesti, nego pokazuje kako se neki elementi samonadzora i samoregulacije mogu implementirati u umjetnim neuronskim mrežama, pri čemu se dobiva ponašanje koje je moguće smislено uspoređivati s klasičnim paradigmama iz kognitivne znanosti.
Kada se govori o “ljudskijem” djelovanju, najkorisnije je taj izraz shvatiti operativno: sustav ne samo da daje odgovor, nego upravlja time kako dolazi do odgovora. U ljudskom učenju, metamemorija često određuje hoćemo li ponavljati, tražiti dodatno objašnjenje, promijeniti strategiju ili priznati da nismo sigurni. U računalnom modelu, analogne odluke mogu biti promjena parametara učenja, promjena praga odluke ili promjena načina na koji se memorijska reprezentacija konsolidira. Upravo u toj sposobnosti samoregulacije – a ne u “puko” visokoj točnosti – istraživači vide potencijal za razvoj sustava koji se ponašaju predvidljivije, stabilnije i bliže načinima na koje ljudi upravljaju vlastitim znanjem, što je u skladu s funkcionalnom definicijom pojma metamemorija.
Autorska prava © 2022 Cami Rosso. Sva prava pridržana.
