خوارزميات الانتشار العكسي للخطأ

تُعد خوارزميات الانتشار العكسي للخطأ (Back-propagation Algorithms) حجر الزاوية الرياضي والتقني الذي أعاد تشكيل علم النفس المعرفي الحديث وعلم الأعصاب الحسابي خلال العقود الأخيرة من القرن العشرين. لا تقتصر هذه الخوارزمية على كونها أداة برمجية لتدريب الشبكات العصبية الاصطناعية متعددة الطبقات فحسب، بل تمثل نموذجاً تفسيرياً وإبستمولوجياً بالغ الأهمية لكيفية تمثيل المعرفة، وتعديل الأوزان الترابطية، واكتساب الخبرات الإدراكية المعقدة في الأنظمة الديناميكية. من خلال توفير آلية دقيقة لتوزيع نسب الخطأ التنبئي على مختلف الوحدات المعالجة الوسيطة، أتاحت هذه الخوارزميات الانتقال من النظريات الرمزية الصلبة للذهن البشري إلى النماذج الاتصالية الموزعة التي تحاكي المرونة التكيفية للدماغ.

التعريف الاصطلاحي والسياق المعرفي

تُعرّف خوارزمية الانتشار العكسي، في السياق السيكولوجي والحسابي، بأنها إجراء خوارزمي خاضع للإشراف يُستخدم لضبط أوزان الاتصال بين العقد أو الخلايا العصبية الاصطناعية داخل شبكة متعددة الطبقات بهدف تقليل الفارق بين المخرجات المحسوبة والمخرجات المستهدفة. يعتمد هذا الإجراء على مبدأ الانحدار المتدرج (Gradient Descent)، حيث يتم حساب المشتقة الجزئية لدالة التكلفة بالنسبة لكل وزن في الشبكة، ثم نشر هذا الخطأ من طبقة المخرجات رجوعاً عبر الطبقات الخفية إلى طبقة المدخلات. يتيح هذا التدفق العكسي للشبكة تعديل تمثيلاتها الداخلية وتطوير بنى مجردة لمعالجة المحفزات البيئية بطريقة تقارب آليات المعالجة المعرفية لدى الكائنات الحية.

في إطار علم النفس المعرفي، ارتبطت خوارزميات الانتشار العكسي تاريخياً ببروز الحركة الاتصالية (Connectionism) ومشروع المعالجة الموزعة المتوازية (Parallel Distributed Processing – PDP). وقد وفرت هذه المقاربة بديلاً جذرياً للمقاربة الكلاسيكية لمعالجة المعلومات القائمة على استعارة الحاسوب الرمزي، التي رأت الذهن كمعالج يتلاعب بالرموز وفق قواعد صورية محددة سلفاً. على النقيض من ذلك، تفترض المقاربة القائمة على الانتشار العكسي أن الحالات الذهنية هي أنماط من النشاط عبر شبكات واسعة من الوحدات البسيطة، وأن التعلم ليس تخزيناً للحقائق وإنما إعادة تشكيل تدريجية لقوة الروابط المشبكية استجابة للتغذية الراجعة البيئية.

يتجاوز التطبيق السيكولوجي لهذه الخوارزميات مجرد المحاكاة الإحصائية؛ فهو يمس صميم تساؤلات نظرية المعرفة النفسية حول طبيعة التمثيلات الذهنية وما إذا كانت هذه التمثيلات موضعية ومحددة بدقة أم أنها تمثيلات موزعة تنبثق عن تفاعل كلي. أظهرت نماذج الانتشار العكسي قدرة فائقة على تفسير ظواهر نفسية معقدة مثل التدهور التدريجي للذاكرة (Graceful Degradation)، والإكمال التلقائي للأنماط المعرفية غير المكتملة، وتصنيف المحفزات الغامضة بناءً على الخبرة التراكمية، مما جعلها أداة لا غنى عنها في أبحاث التكوين الإدراكي واللغوي.

السياق التاريخي وتطور النماذج الاتصالية

يعود الجذر التاريخي لمشكلة تدريب الشبكات العصبية إلى خمسينيات وستينيات القرن العشرين مع نموذج البيرسبترون (Perceptron) الذي طوره فرانك روزنبلات. غير أن الانتقادات الرياضية الصارمة التي وجهها مارفن مينسكي وسيمور بابيرت في عام 1969، والتي أثبتت عجز البيرسبترون أحادي الطبقة عن حل المسائل غير الخطية مثل مسألة الفصل المنطقي (XOR)، أدت إلى تجميد التمويل والبحث فيما عُرف بـ “شتاء الذكاء الاصطناعي الأول”. كان العائق الأساسي يتمثل في غياب طريقة رياضية لتحديد كيفية تعديل أوزان الطبقات الخفية التي لا تملك اتصالاً مباشراً بالمخرجات النهائية أو الإشارات الخارجية للخطأ.

بدأت الانفراجة النظرية في سبعينيات وثمانينيات القرن العشرين، حيث توصل باحثون مختلفون بشكل مستقل إلى صيغ رياضية لحساب الانحدار المتدرج عبر الطبقات المتعددة، مثل بول وربوس في أطروحته عام 1974، ويان ليكون في سياق التعلم الآلي. ومع ذلك، تعود الصياغة النفسية الحاسوبية الكبرى إلى عام 1986، عندما نشر ديفيد روميلهارت، وجيفري هينتون، ورونالد ويليامز ورقتهم البحثية التاريخية في مجلة Nature، والتي استعرضت بوضوح تطبيقي كيف تُمكّن خوارزمية الانتشار العكسي الشبكات العصبية من تعلم تمثيلات داخلية غير خطية تحل معضلات التعرف على الأنماط التي استعصت سابقاً على النماذج الخطية.

أحدث هذا العمل تحولاً نموذجياً (Paradigm Shift) في علم النفس التجريبي والنمذجة العصبية؛ إذ أتاح للمجموعة البحثية المعروفة بمجموعة PDP (بقيادة روميلهارت وجيمس ماكليلاند) تقديم نماذج تفسيرية متماسكة لظواهر نفسية كانت تُعزى حصرياً إلى وجود قواعد لغوية أو معرفية فطرية. أثار نشر كتابهم ثنائي الأجزاء في عام 1986 ثورة فكرية وضعت الاتصالية والانتشار العكسي في مواجهة مباشرة مع النزعة المعرفية الرمزية (Symbolic Cognition) التي تبناها علماء مثل نوام تشومسكي وجيري فودور، ممهداً الطريق لولادة علم الأعصاب الإدراكي الحديث الذي يزاوج بين النمذجة الرياضية والبيانات التجريبية.

الأسس النظرية والرياضية في سياق النمذجة المعرفية

تقوم خوارزمية الانتشار العكسي على مرحلتين أساسيتين تتكرران في كل دورة تدريبية: مرحلة التمرير الأمامي (Forward Pass) ومرحلة التمرير العكسي (Backward Pass). في مرحلة التمرير الأمامي، يتم تقديم المحفز المدخل (مثل ميزات بصرية لحرف أو خصائص صوتية لكلمة) إلى طبقة المدخلات. تنتقل الإشارات عبر الشبكة حيث تحسب كل خلية مجموع حاصل ضرب المدخلات بأوزانها الخاصة مضافاً إليها حد الانحياز، ثم تُمرر النتيجة عبر دالة تنشيط غير خطية (مثل الدالة اللوجستية السيجمويدية أو دالة الظل الزائدي أو وحدة الخطأ الخطي المستقيم ReLU). يؤدي هذا المسار إلى توليد استجابة سلوكية أو تمثيل مخرج عند الطبقة النهائية.

بمجرد توليد المخرج، تتم مقارنته بالاستجابة المعيارية أو المستهدفة لحساب مقدار “الخطأ” عبر دالة تكلفة، وتُعد دالة متوسط مربع الخطأ (Mean Squared Error) أو دالة الاعتلاج المتقاطع (Cross-Entropy) من أكثر الدوال شيوعاً في هذا السياق. في مرحلة التمرير العكسي، يُستخدم قاعدة السلسلة (Chain Rule) في التفاضل والتكامل لحساب المشتقات الجزئية لدالة الخطأ بالنسبة لكل وزن في الشبكة، بدءاً من الطبقة الأخيرة ورجوعاً إلى الطبقة الأولى. تُحدد هذه المشتقة مدى مسؤولية كل اتصال عصبي عن الخطأ الكلي في النظام الإدراكي.

يتم تحديث الأوزان في اتجاه معاكس لتدرج الخطأ بمقدار يتناسب مع معلمة تُسمى “معدل التعلم” (Learning Rate). هذا التعديل الدقيق يضمن أن تصبح الاستجابات المستقبلية أقرب إلى المخرج الصحيح. من الناحية المعرفية، يمثل التعديل التدريجي للأوزان عبر آلاف الدورات محاكاة رياضية لعمليات التكيف المعرفي والتعلم الموزع الذي يمر به الفرد خلال مسار النمو أو التدريب المهاري، حيث يتم التخلص التدريجي من الأخطاء التفسيرية حتى الوصول إلى حالة من الاستقرار والتوازن الإدراكي.

التطبيقات المعرفية: نمذجة الإدراك، الذاكرة، واكتساب اللغة

شهدت التطبيقات النفسية لخوارزميات الانتشار العكسي ازدهاراً واسعاً في مجال اكتساب اللغة، وكان من أبرزها النموذج الرائد الذي قدمه روميلهارت وماكليلاند لتعلم صيغة الفعل الماضي في اللغة الإنجليزية. أظهر هذا النموذج أن شبكة عصبية مدربة عبر الانتشار العكسي قادرة على إظهار مسار التعلم المميز على شكل حرف (U) لدى الأطفال—حيث يتقن الطفل تصريف الأفعال الشاذة في البداية عن طريق الحفظ السطحي، ثم يتراجع أداؤه مؤقتاً بسبب التعميم المفرط لقاعدة الفعل الماضي النظامي (إضافة ed)، قبل أن يستقر الأداء في النهاية على تصريف متقن يجمع بين القاعدة والاستثناء. أثبت هذا النموذج أن السلوك المعقد المنتظم يمكن أن ينبثق من شبكة ترابطية بدون الحاجة إلى وجود نظام قواعد رمزي صريح ومبرمج مسبقاً.

في مجال معالجة الكلمات والقراءة، قدم نموذج الاتصال التفاعلي (Interactive Activation Model) ونماذج القراءة عبر المسار المزدوج المثلثي تطبيقات حاسوبية معتمدة على مبادئ الانتشار العكسي لشرح كيفية إدراك الحروف والكلمات المكتوبة. أظهرت هذه النماذج كيف تتفاعل التمثيلات الصوتية والدلالية والإملائية وتؤثر في بعضها البعض، وقدمت تفسيرات عصبية معرفية دقيقة للاضطرابات الإدراكية مثل عسر القراءة المكتسب (Acquired Dyslexia)، حيث أدى تعطيل بعض الروابط العصبية في الشبكة بعد تدريبها إلى إنتاج أنماط من الأخطاء القراءية تتطابق بشكل لافت مع أخطاء المرضى المصابين بتلف دماغي.

أما في دراسة الذاكرة والتصنيف الدلالي، فقد ساهمت خوارزميات الانتشار العكسي في إيضاح كيفية تشكل المفاهيم المجردة (Concepts) من خلال تراكم الأمثلة العينية. من خلال تعريض الشبكات العصبية لبيانات متعددة الأبعاد تمثل خصائص كائنات مختلفة (مثل الحيوانات والمركبات)، طورت الطبقات الخفية في الشبكة تمثيلات داخلية هرمية تعكس البنية التصنيفية للعالم الواقعي. بينت هذه المحاكاة أن الذاكرة الدلالية البشرية لا تعتمد بالضرورة على شجرة مفاهيم جامدة، بل على فضاءات دلالية ديناميكية تتحدد فيها المعاني عبر القرب المكاني للأنماط العصبية المتفاعلة.

جدلية المعقولية الحيوية: هل يمتلك الدماغ آلية انتشار عكسي؟

على الرغم من النجاح التجريبي الهائل للانتشار العكسي في محاكاة السلوك الإدراكي، أثار علماء الأحياء العصبية وفلاسفة العقل تساؤلات نقدية عميقة حول “المعقولية الحيوية” (Biological Plausibility) لهذه الخوارزمية. برز هذا النقد بقوة في مقال شهير نشره فرانسيس كريك عام 1989 بعنوان “هل الدماغ حقاً شبكة عصبية ترابطية؟”، حيث جادل كريك بأن الجهاز العصبي البيولوجي يفتقر إلى الآليات الفيزيائية الضرورية التي تتيح له تنفيذ خوارزمية الانتشار العكسي بصيغتها الرياضية الصرفة.

تتمحور الانتقادات العصبية الأساسية حول ثلاث معضلات بنيوية ووظيفية رئيسية:

• معضلة تناظر الأوزان (Weight Symmetry Problem): تتطلب الخوارزمية استخدام نفس مصفوفة الأوزان لنقل الإشارات إلى الأمام ولنشر الأخطاء إلى الخلف، في حين أن المشابك العصبية في الدماغ تعمل كصمامات أحادية الاتجاه؛ إذ تنتقل الإشارات العصبية من الخلية قبل المشبكية إلى الخلية بعد المشبكية فقط، ولا توجد آلية مشبكية معروفة تعكس التدفق عبر نفس الوزن الكيميائي.
• طبيعة إشارات الخطأ المستقلة: تفترض الخوارزمية وجود إشارة خطأ مستمرة ومفصلة تتراجع عبر الألياف العصبية بشكل منفصل عن النشاط الكهربائي العادي للخلية، وهو ما يتناقض مع فسيولوجيا الجهد الفعلي (Action Potentials) التي تعتمد على تفريغ الشحنات الكهربائية المشفرة في ترددات معينة بدلاً من الإشارات المشتقة الرياضية المعقدة.
• الحاجة إلى المعلم الخارجي الصريح: يعتمد التعلم بالإشراف في خوارزميات الانتشار العكسي على وجود هدف دقيق محدد سلفاً لكل مدخل، في حين أن الدماغ البشري يتعلم في بيئة طبيعية خالية غالباً من الإشراف الخارجي المستمر، معتمداً بشكل أكبر على التعلم التلقائي والمكافآت التكيفية غير المنتظمة.

دفعت هذه الاعتراضات الباحثين في علم الأعصاب الحسابي إلى تطوير بدائل مقبولة حيوياً تقترب من أداء الانتشار العكسي، مثل خوارزمية محاذاة التغذية الراجعة (Feedback Alignment) التي أثبتت أن استخدام أوزان عشوائية ثابتة للتغذية الراجعة يكفي لتوجيه الأوزان الأمامية نحو التعلم دون الحاجة لتناظر تام. كذلك، ظهرت نظريات تقارب الإشارات العصبية الراجعة من خلال الارتجاع الموضعي اللدن والتحفيز المتزامن، مما فتح الباب أمام احتمالية أن يكون الدماغ قد طور حلولاً تطورية مكافئة وظيفياً لمبدأ تقليل الخطأ المتدرج دون الالتزام الصارم بالمعادلات الرياضية للانتشار العكسي الكلاسيكي.

المقارنة مع نظريات التعلم النفسية: من هيب إلى تصحيح الخطأ

لفهم مكانة الانتشار العكسي في التراث النفسي، تجب مقارنته بنظرية التعلم الهيبي (Hebbian Learning) التي صاغها دونالد هيب في عام 1949، والتي تلخصها العبارة الشهيرة: “الخلايا التي تنشط معاً، ترتبط معاً”. يمثل التعلم الهيبي نموذجاً غير خاضع للإشراف يعتمد على الارتباط الموضعي الصرف؛ إذ تزداد قوة الاتصال المشبكي بين خليتين إذا تكرر تنشيطهما في وقت متزامن، بصرف النظر عن ملاءمة هذا الارتباط للهدف السلوكي العام للكائن.

بالمقابل، ينتمي الانتشار العكسي إلى فئة خوارزميات التعلم القائمة على تصحيح الخطأ (Error-Correction Learning)، والتي تجد جذورها النفسية التجريبية في نموذج ريسكورلا-واغنر (Rescorla-Wagner Model) للإشراط الكلاسيكي. يُعد نموذج ريسكورلا-واغنر (المطور عام 1972) أحد أنجح النماذج الرياضية في تاريخ علم النفس التجريبي؛ حيث افترض أن التعلم لا يحدث بمجرد اقتران المحفزات زمنياً، بل يتحدد بمقدار “المفاجأة” أو الفارق بين المكافأة المتوقعة والمكافأة الفعلية. يمثل الانتشار العكسي تعميماً رياضياً متعدد الطبقات لقاعدة دلتا (Delta Rule) المنبثقة مباشرة من منطق ريسكورلا-واغنر، مما ينقله من نطاق الارتباطات السطحية البسيطة إلى التعلم التمثيلي العميق.

بينما ينجح التعلم الهيبي في تفسير استخلاص السمات الإحصائية التلقائية والتعود الإدراكي في القشرة الحسية الأولية، يقدم الانتشار العكسي ونماذج تصحيح الخطأ تفسيراً أفضل للتعلم الموجه بالهدف، والمرونة الإدراكية، وإعادة تنظيم المخططات المعرفية عند مواجهة تعارضات بين التوقعات الذاتية والوقائع التجريبية. هذا الجمع بين القواعد الترابطية ومحركات تقليل الخطأ التنبئي يشكل اليوم الأساس النظري لمعظم النماذج التوليفية في علم النفس المعرفي المعاصر.

الانتقادات المعرفية والفلسفية لحدود النماذج المبنية على الانتشار العكسي

إلى جانب النقاشات العصبية، واجهت النماذج المعرفية التي توظف الانتشار العكسي انتقادات فلسفية ومنهجية حادة من قِبل فلاسفة العقل وعلم النفس الإدراكي الكلاسيكي. كان على رأس هؤلاء الفيلسوف جيري فودور وعالم النفس زانون بيليشين، اللذان نشرا عام 1988 مقالتهما الشهيرة حول البنية التركيبية للذهن. جادل فودور وبيليشين بأن التفكير البشري يتميز بالتركيبية (Compositionality) والإنتاجية (Productivity)؛ أي القدرة على توليد عدد لا حائي من الأفكار وفهم الجمل المعقدة من خلال إعادة تركيب وحدات أبسط وفق قواعد محددة. ورأيا أن شبكات الانتشار العكسي تفشل في تجسيد هذه السمة لأن تمثيلاتها الموزعة تمحو الحدود بين الرموز ومكوناتها الدلالية.

كما انتقد الباحثون ظاهرة “النسيان الكارثي” (Catastrophic Forgetting) التي تعاني منها الشبكات المدربة بالانتشار العكسي. فعند تدريب شبكة متقنة لمهمة إدراكية معينة على مهمة جديدة كلياً، تؤدي التعديلات الشاملة على الأوزان إلى مسح المعرفة القديمة بصورة مفاجئة وكاملة. يتعارض هذا النمط تماماً مع الذاكرة الإنسانية التي تتميز بالاحتفاظ التراكمي المستقر، حيث يمكن للإنسان اكتساب مهارات ومعارف جديدة دون أن يفقد قدرته على تذكر الماضي أو أداء المهام المكتسبة سابقاً، وهو ما يعكس اعتماد الدماغ على آليات تكاملية مزدوجة تفصل بين الذاكرة طويلة المدى والذاكرة العرضية قصيرة المدى (مثل التفاعل بين الحصين والقشرة المخية الحديثة).

علاوة على ذلك، تواجه هذه النماذج معضلة “الصندوق الأسود” (Black Box Problem) الإبستمولوجية؛ فبينما يسهل قياس كفاءة الشبكة قبل التدريب وبعده، يصعب للغاية تفكيك وتفسير ملايين الأوزان المترابطة داخل الطبقات الخفية لمعرفة الكيفية الدقيقة التي اتخذت بها الشبكة قراراً إدراكياً محدداً. يقلل هذا الغموض التفسيري أحياناً من القيمة التفسيرية للنموذج السيكولوجي، حيث يستبدل الباحث غموض الظاهرة النفسية الإنسانية بنظام اصطناعي مكافئ لها في الغموض وصعوبة التأويل النظري.

الآفاق المستقبلية: الترميز التنبئي وعلم الأعصاب الحسابي الحديث

شهد العقد الأخير تجديداً مفاهيمياً عميقاً لمبادئ الانتشار العكسي من خلال دمجه مع أطر نظرية متقدمة في علم الأعصاب المعرفي، وأبرزها نظرية الترميز التنبئي (Predictive Coding) ونظرية الطاقة الحرة التي صاغها كارل فريستون وأندي كلارك. تنظر هذه المقاربة إلى الدماغ ليس كجهاز استقبال سلبي للمحفزات الخارجية، بل كـ “محرك استدلال بايزي” توليدي يولد باستمرار تنبؤات هابطة من أعلى إلى أسفل (Top-down) حول أسباب المدخلات الحسية، ويقارنها بالإشارات الواردة من أسفل إلى أعلى (Bottom-up).

في إطار الترميز التنبئي، يُستبدل الانتشار العكسي الكلاسيكي بمعمارية بيولوجية محتملة تتولى فيها الخلايا العصبية في مختلف الطبقات القشرية معالجة “أخطاء التنبؤ” بشكل متوازي ومحلي؛ حيث تنقل الروابط التنازلية التوقعات الإدراكية، بينما تنقل الروابط التصاعدية فقط المقدار غير المتوقع من الخطأ. تقدم هذه الرؤية حلاً توفيقياً أنيقاً يجمع بين الفاعلية الحسابية لتقليل الأخطاء عبر الانحدار المتدرج وبين الخصائص التشريحية الحقيقية للقشرة المخية المتعددة الطبقات والتغذية الراجعة الواسعة الموجودة في الجهاز العصبي المركزي.

كما ساهمت التطورات الحديثة في تقنيات التعلم العميق في إحياء أبحاث الأساس المعرفي للغة والرؤية، حيث تُستخدم النماذج العصبية واسعة النطاق لدراسة كيفية معالجة السياق اللغوي وتمثيل الفضاءات ثلاثية الأبعاد بصرياً. أظهرت هذه النماذج أن الهياكل المكتسبة عبر تعديل الأخطاء المتكرر تُظهر أحياناً تنظيماً مشابهاً للمناطق الوظيفية في الدماغ البشري، مما يجعل خوارزميات تصحيح الخطأ أداة بحثية ونظرية أساسية لاستكشاف أسرار العقل البشري وتجسيد العمليات الذهنية في أشكال قابلة للقياس والتجريب.

خاتمة

تمثل خوارزميات الانتشار العكسي للخطأ محطة فارقة في تاريخ علم النفس الحسابي وفلسفة العلوم الإدراكية. لقد استطاعت هذه الخوارزميات كسر الجمود التاريخي الذي فرضته النماذج الخطية والرمزية الصلبة، مبرهنة على أن الشبكات البسيطة متعددة المستويات قادرة على توليد ذكاء وسلوك معقدين بفضل التعديل المستمر والممنهج للاتصالات الترابطية تحت توجيه إشارات الخطأ. وعلى الرغم من التحديات البيولوجية والفلسفية المشروعة التي أحاطت بآلياتها الدقيقة وظاهرة النسيان الكارثي، فإن التطورات المعاصرة في علم الأعصاب التنبئي والتعلم العميق برهنت على أن مبدأ تقليل الخطأ عبر التمثيل الموزع يظل أحد أعمق المبادئ المفسرة لمرونة الإدراك البشري وقدرة الكائنات على التكيف المعرفي المستمر في بيئة متغيرة.

المراجع

• Clark, A. (2013). Whatever next? Predictive brains, situated agents, and the future of cognitive science. Behavioral and Brain Sciences, 36(3), 181-204.
• Crick, F. (1989). The recent excitement about neural networks—is it biologically plausible? Nature, 337(6203), 129-132.
• Fodor, J. A., & Pylyshyn, Z. W. (1988). Connectionism and cognitive architecture: A critical analysis. Cognition, 28(1-2), 3-71.
• Friston, K. (2010). The free-energy principle: a unified brain theory?. Nature Reviews Neuroscience, 11(2), 127-138.
• Lillicrap, T. P., Santoro, A., Marris, L., Akerman, C. J., & Hinton, G. (2020). Backpropagation and the brain. Nature Reviews Neuroscience, 21(6), 335-346.
• McClelland, J. L., & Rumelhart, D. E. (1986). Parallel Distributed Processing: Explorations in the Microstructure of Cognition (Vol. 2: Psychological and Biological Models). MIT Press.
• Rescorla, R. A., & Wagner, A. R. (1972). A theory of Pavlovian conditioning: Variations in the effectiveness of reinforcement and nonreinforcement. In A. H. Black & W. F. Prokasy (Eds.), Classical Conditioning II: Current Research and Theory (pp. 64-99). Appleton-Century-Crofts.
• Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533-536.
• Rumelhart, D. E., & McClelland, J. L. (1986). Parallel Distributed Processing: Explorations in the Microstructure of Cognition (Vol. 1: Foundations). MIT Press.