«کشفِ چندوظیفگیِ واقعی»: مغز چگونه با تمرین، سیم‌کشیِ خود را تغییر می‌دهد؟

به گزارش آذرنگارنده:

آیا انسان واقعاً می‌تواند همزمان دو کار را به‌طور کامل انجام دهد، یا این‌که مغز ما فقط در سوئیچ کردن سریع بین کارها استاد است؟ پژوهش جدید محققان دانشگاه جورج‌تاون (Georgetown University) که در Journal of Cognitive Neuroscience منتشر شده، دیدگاه‌های سنتی در مورد یادگیری و چندوظیفگی (Multitasking) را به چالش می‌کشد.

یافته‌ها نشان می‌دهد که مغز ما با «تمرینِ گسترده»، توانایی بازآرایی (Rewiring) خود را دارد؛ فرآیندی که باعث می‌شود مهارت‌های آموخته‌شده به مدارهای عصبیِ بهینه‌تری منتقل شوند و امکانِ انجام همزمانِ چند کار را فراهم کنند.

گذر از «گلوگاهِ پیش‌پیشانی»

تئوری‌های کلاسیک در علوم اعصاب معتقد بودند که مغز انسان در مدیریتِ همزمانِ وظایف، دچار «گلوگاه» (Bottleneck) در قشر پیش‌پیشانی (Prefrontal Cortex) است. قشر پیش‌پیشانی مسئول تفکرِ آگاهانه، عملکردهای اجرایی و تصمیم‌گیری‌های پیچیده است و ظرفیت محدودی برای مدیریت همزمانِ وظایف دارد.

اما در این مطالعه جدید، محققان با استفاده از داده‌های fMRI و EEG (پیش و پس از تمرین) نشان دادند که وقتی یک مهارت (در این مطالعه: دسته‌بندی تصاویر خودروها) به اندازه کافی تمرین می‌شود، پردازش آن از قشر پیش‌پیشانی به قشر گیجگاهی (Temporal Cortex) منتقل می‌شود؛ منطقه‌ای از مغز که بیشتر با حافظه و تشخیصِ اشیاء سروکار دارد.

به گفته‌ی دکتر ماکسیمیلیان ریزن‌هوپر (Maximilian Riesenhuber)، نویسنده ارشد مقاله، این جابه‌جاییِ عصبی به مغز اجازه می‌دهد تا «گلوگاهِ پیش‌پیشانی» را دور بزند. در نتیجه، قشر پیش‌پیشانی آزاد می‌شود تا بتواند به کارهای دیگر رسیدگی کند؛ این همان چیزی است که محققان «چندوظیفگیِ واقعی» می‌نامند.

چرا این یافته مهم است؟

این پژوهش که حاصل بیش از ۳۰ هزار آزمایش در طول ۵ تا ۱۰ هفته بود، پیامدهای مهمی دارد:

۱. درکِ رفتارهای وسواسی: این جابه‌جاییِ عملکردی توضیح می‌دهد که چرا «فکر نکردن» به یک عادتِ نهادینه‌شده دشوار است؛ زیرا آن رفتار از کنترلِ آگاهانه خارج شده و به مدارهایِ خودکارِ مغز منتقل شده است.

۲. مدل‌سازی برای هوش مصنوعی (AI): یکی از چالش‌های بزرگِ هوش مصنوعی، یادگیریِ مداوم است (یعنی ساختنِ مهارت‌های جدید بر پایه مهارت‌های قدیمی). محققان معتقدند این نوع معماریِ مغزی که در آن دانشِ تثبیت‌شده به عنوان زیربنای یادگیریِ جدید عمل می‌کند، می‌تواند راهگشای توسعه سیستم‌های هوش مصنوعی باشد که یادگیریِ انسانی‌تری دارند.

۳. تأییدِ تمرینِ هدفمند: یافته‌ها نشان می‌دهد که برای دسترسی به این سطح از پردازشِ خودکار، «تمرینِ گسترده» شرطِ اصلی است.