Faktör Analizine İlişkin Bulgular

Entre os atuais modelos de memória o modelo conexionista obteve ampla divulgação científica. Esse modelo explicativo do funcionamento das memórias tem como objetivo geral a simulação de comportamentos inteligentes em máquinas através de modelagem baseada na estrutura e funcionamento do neurônio e de sua organização no cérebro humano. Em 1943, Warren McCulloch - neurofisiologista, filósofo e poeta americano - e o lógico Walter Pitts desenvolveram o primeiro modelo matemático de um neurônio quando demonstraram que uma rede de neurônios com ligações excitatórias e inibitórias pode computar as funções

lógicas “e”, “ou”, e “não”, o que, segundo Teixeira (1998, p.87) significaria a capacidade de modelar qualquer tipo de expressão lógica.

FIGURA 1- ESQUEMA DE UNIDADE McCULLOCK - PITTS. Fonte: www.icmc.usp.br/.../neural/image

A operação de uma unidade de processamento, proposta por McCullock e Pitts em 1943, pode ser resumida da seguinte maneira:

b. Cada sinal é multiplicado por um número, ou peso, que indica a sua influência na saída da unidade;

c. É feita a soma ponderada dos sinais que produz um nível de atividade;

d. Se esse nível de atividade exceder certo limite (threshold) a unidade produz uma determinada resposta de saída (potencial de ação).

O modelo conexionista tem seus pressupostos nos trabalhos de William James, uma vez que esse foi o criador do conceito Assembléia Neuronal - mecanismos de sincronização oscilatória que parecem constituir os modos pelos quais as redes neurais se auto-organizam, possibilitando que neurônios espacialmente agrupados se constituam em um grupo funcional, ao mesmo tempo em que a atividade deste grupo tem um padrão oscilatório distinto de outros. A teoria da Assembléia Neuronal foi estendida pela psicóloga Brenda Milner e publicada em 1957. Outro autor fundamental na base do conexionismo é Donald Hebb com seu livro The Organization of Behavior, publicado em 1949, onde estabeleceu que a aprendizagem do conhecimento representada em uma rede neural ocorre pelo fortalecimento das conexões entre neurônios adjacentes, sempre que esses estiverem excitados. Conforme Teixeira (1998) a Lei de Hebb - A intensidade de uma ligação sináptica entre dois neurônios aumenta se ambos são excitados simultaneamente - resolveu um problema dos modelos de rede para modelar a memória artificial: como as redes poderiam estocar associações entre lembranças diferentes? Essas formulações e seus autores criaram um modelo teórico-prático capaz de explicar aspectos elementares da cognição humana que foram aplicados em modelos de redes neurais artificiais.

A aplicação das teorias de processamento da informação, durante algum tempo, propuseram que a cognição humana (por conseguinte a memória) funcionaria como um um circuito elétrico ligado em série, com cada informação sendo processada por sua vez, passando em

seguida a um nível hierárquico subseqüente. Entretanto, o cérebro humano parece tratar as informações mais propriamente como um modelo em paralelo, aonde as múltiplas informações que chegam aos neurônios devam ser processadas simultaneamente. Essa compreensão deu origem a muitos modelos de redes neurais em computadores e a modelos atuais de redes de computadores interligados. Os modelos em paralelo de processamento da informação também são chamados de modelos de Processamento Distribuídos em Paralelo (PDP)14. Arquiteturas neurais são tipicamente organizadas em camadas, com unidades que podem estar conectadas às unidades da camada posterior.

FIGURA 2- ORGANIZAÇÃO EM CAMADAS Fonte: www.icmc.usp.br/.../neural/image

Murre & Goebbel, ao escreverem sobre a modelagem conexionista na psicolingüística computacional estabelecem que os problemas não resolvidos na ciência cognitiva, como as performances pobres e lentas dos programas quando comparadas ao cérebro humano, têm levado os cientistas da computação a aderir aos sistemas interativos e em paralelo denominados Redes Conexionistas ou Redes Neurais. Segundo esses autores as redes neurais

14 _{A esse respeito ver McClelland & Rumelhart (1986); Rumelhart & McClelland (1986); Murre, Jacob M.J.,}

usam sistemas computacionais interconectados em elementos ou nódulos e, à semelhança do cérebro humano, processam informações em paralelo e não através de um processador central. Essas redes possibilitam o estudo de sistemas que se auto-organizam por aprendizagem, ou seja, a maioria dos modelos de redes neurais possui alguma regra de treinamento, onde os pesos de suas conexões são ajustados de acordo com os padrões apresentados. Em outras palavras, elas aprendem através de exemplos. Existem algumas similaridades e muitas diferenças entre as redes neurais biológicas e as artificiais. Murre e Sturdy (1995, citados por Murre & Goebbel) em seus estudos sobre o cérebro humano estabelecem que esse é formado por uma rede de neurônios estimada numericamente em: 40 x 109_{, sendo que 8,3 bilhões}

desses neurônios estão distribuídos no neocórtex. Esses fazem 3,3 x 1013 _{conexões (sinapses)}

com outros neurônios e, desse total 2,8 x 1013 _{são modificáveis pela aprendizagem.}

Do ponto de vista básico das neurociências é a força sináptica da conexão neural, que ao refletir o nível de excitação ou inibição entre neurônios adjacentes, capacita o cérebro humano ao armazenamento do conhecimento e ao conseqüente aprendizado. Uma das críticas que se pode fazer a esse modelo é que as redes neurais artificiais são uma simplificação das redes neurais biológicas, pois, entre outros fatores, tem uma magnitude menor que as redes neurais do cérebro e diferente capacidade de se organizar como os complexos, funcionais e extraordinariamente dinâmicos níveis do sistema de organização neural.

Vários autores, entre os tipos de abstrações que constituem os recentes modelos teóricos explicativos da memória, elegeram o tipo funcional para as suas formulações. Os modelos funcionais seriam de dois tipos: Ativação Interacional (AI) – usado para identificar como unidades lingüísticas podem ser discernidas pelo modelador para iniciar um processo computacional - e Processamento Distribuído Paralelamente (PDP) – cujo foco está no processo de aprendizagem por sistemas computacionais, para o qual foram desenvolvidos vários algoritmos de aprendizagem aplicados a problemas práticos e teóricos. Nessa

perspectiva, os computadores e cérebros são sistemas processadores de informações e, assim, podem-se utilizar redes computacionais artificialmente construídas para simular o processamento de informações pelo cérebro. Essas redes utilizam unidades semelhantes, em sua função, aos neurônios, chamadas por Teixeira (1998) de neuron-like-units, que estão dispostas em camadas hierarquicamente organizadas. O processamento se inicia quando uma entrada de dados (estímulos sensoriais externos ou estímulos internos do próprio corpo) ocorre na forma de um input, que pode gerar diferentes estados mentais como consequência de mudanças nas sinapses, que podem ser inibidas ou ativadas de acordo com a interação com o meio externo ou interno. Segundo Teixeira (1998, p.84)

as conexões entre unidades estimuladas via inputs externos geram os chamados padrões de conectividade. As unidades estão conectadas umas com as outras. Unidades ativas excitam ou inibem outras unidades. A rede funciona como um sistema dinâmico...

Sistemas dinâmicos: a interação entre a AI e o modelo PDP leva à discussão sobre os algoritmos que estão presentes em atividades de memória e aprendizagem em sistemas conexionistas. A operação de um neuron-like-unit ou nódulo individual pode ser caracterizada por três funções:

a. propagação;

b. ativação;

c. resposta ou saída.

A propagação depende, para a unidade i, dos valores de saída de outros nódulos conectados à essa unidade. A ativação transforma a entrada de rede, com valor de ativação ai, em valor de

2.2.1 Questões para o estudo das memórias

A esse respeito, em um artigo publicado a partir de um simpósio eletrônico realizado a convite da Sociedade Brasileira de Neurociências e Comportamento (SBNeC) para discutir os avanços no conhecimento sobre a aprendizagem e a memória na última década, Baddeley et al (2000) dialogam com diversos autores sobre a maneira como diferentes partes do cérebro são recrutadas durante o armazenamento de diferentes tipos de memória (por exemplo, memória curto prazo vs de longo prazo, memória declarativa vs memória procedural) e até mesmo a propriedade de tais divisões. Nessa ocasião foi assinalado que o cérebro realmente não armazena memórias, mas sim traços de informações que são depois usados para criar memórias, sendo que esses traços nem sempre expressam um retrato inteiramente fiel da realidade vivida no passado. Comenta que algumas regiões do cérebro são reconhecidamente recrutadas durante a ativação da memória de trabalho (por exemplo, o córtex pré-frontal), ou na recuperação de informações armazenadas a longo prazo como memórias explícitas (por exemplo, o hipocampo e as áreas corticais correlatas) ou na modulação da armazenagem de memórias emocionais (por exemplo, a amígdala). Entretanto, afirma que isso não significa que exista uma estrutura neural específica de apoio ao armazenamento de cada tipo de memória, mas significa que essas memórias dependem criticamente do funcionamento destas estruturas neurais específicas. Ainda nesse simpósio Baddeley afirmou que a visão atual é que não há sentido em falar sobre memória baseada no hipocampo ou na amígdala uma vez que essa compreensão implica uma correspondência unívoca entre a área e a memória. Segundo Baddeley et al (2000) as seguintes questões estão para ser resolvidas: a) como os sistemas neurais interagem na memória? b) qual a pertinência de uma crítica ao papel dos processos celulares? c) discutir a ativação que explique o armazenamento na memória a partir de processos celulares. Baddeley ao ser indagado sobre os desafios para o futuro no estudo das memórias, respondeu: Como psicólogos cognitivos, teremos de ser melhores em lidar com

situações em que a modulação de um sistema inteiro está alterada, mais do que aquela em que um sub-componente específico é removido, por exemplo, por lesão BADDELEY et al (2000, p.996).