Die Emergenz abstrakter Repräsentationen durch Lernen und Entwicklung

• Antragstellerin: Professorin Dr. Yee Lee Shing
• Fachliche Zuordnung: Entwicklungspsychologie und Pädagogische Psychologie ; Biologische Psychologie und Kognitive Neurowissenschaften
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 459426179

Abstraktes Wissen, wie beispielsweise in Kategorien, ermöglicht es dem menschlichen Gehirn eine überwältigende Menge eingehender Informationen aus der Umwelt auf effiziente Art zu verarbeiten, nämlich durch Reduktion der Komplexität und Dimension der Informationen. Ein Aspekt menschlicher Kognition ist unerreicht durch künstliche Intelligenz (KI), und zwar die Fähigkeit zur Generalisierung nach nur wenigen Stichproben. Zum Beispiel kann bei einem Kind das Konzept „Vogel“ als Kategorie nach nur wenigen Erlebnissen mit Vögeln entstehen. Es wird davon ausgegangen, dass der Erwerb abstrakten Wissens durch Extraktion und Konsolidierung von Regelmäßigkeiten erinnerter Ereignisse, d.h. episodischer Erinnerungen, geschieht. Auf der anderen Seite bewahrt das episodische Gedächtnis die Eigenheiten individueller Ereignisse durch die Integration einmaliger Merkmale einer Episode. Aktuell ist noch nicht gut verstanden, wie das Gehirn lernt, Regularitäten über verschiedene Ereignisse für den Erwerb kategorischen Wissens zu erfassen, und wie sich diese dynamischen Prozesse zwischen Kindern und Erwachsenen unterscheiden. Aus diesem Grund wird dieses Projekt die Emergenz abstrakter Repräsentationen von Kategorien und ihre Interaktion mit episodischem Gedächtnis spezifischer Ereignisse untersuchen. Wir werden ein altersgerechtes experimentelles Paradigma für Kinder und Erwachsene entwickeln, welches erlaubt, sowohl die Repräsentationen abstrakten Wissens als auch episodischen Gedächtnisses zu erfassen. Diese Repräsentationen werden wir durch Verhaltenskorrelate messen, aber auch durch Methoden mit hoher räumlicher und zeitlicher Auflösung, d.h. Blickbewegungsmessung und funktionelle Magnet-Resonanz-Tomographie, um die dynamischen Prozesse über die Zeit zu charakterisieren. Computationelle Methoden werden angewandt werden, um zugrunde liegende Strukturen innerhalb der multivariaten, hoch-dimensionalen Daten quantitativ zu charakterisieren, und um gleichzeitig zu explorieren, in welchem Ausmaß KI-Modelle die menschlichen Daten der latenten Repräsentations-Struktur annähern können. Das Gewinnen neuer Erkenntnisse darüber, wie kategorisches Wissen im menschlichen Gehirn entsteht, insbesondere im Laufe der kindlichen Entwicklung mit erhöhter neuronaler Plastizität, hat Potential, zukünftige KI-Modelle zu informieren, welche in der Lage sind, neue Kategorien effizient aufgrund weniger Lern-Episoden zu lernen und diese flexibel in neuen Situation anzuwenden.

• DFG-Verfahren: Forschungsgruppen
• Teilprojekt zu: FOR 5368: KI-FOR Abstrakte Repräsentationen in neuronalen Architekturen (ARENA)