مبرهنة بايز في علم النفس المعرفي: الأسس النظرية والتطبيقات الإدراكية

تمثل مبرهنة بايز (Bayes’ Theorem) ركيزة ثورية أعادت تشكيل النماذج المعرفية المعاصرة في فهم بنية العقل البشري وآليات معالجة المعلومات. فبعد أن كانت مجرد معادلة رياضية في نظرية الاحتمالات، تحولت إلى نموذج إرشادي (Paradigm) يقارب الدماغ البشري بوصفه «آلة احتمالية» تقوم باستمرار بالتنبؤ بمدخلات العالم الخارجي وتحديث معتقداتها استناداً إلى الشواهد الحسية المتجددة. يستعرض هذا المقال الموسوعي التأصيل النظري لمبرهنة بايز، وتطورها التاريخي، وتطبيقاتها المعمقة في علم النفس المعرفي، وعلوم الأعصاب، واتخاذ القرار، والنمذجة الحاسوبية للسلوك الإنساني.

التعريف الأكاديمي والأسس الرياضية لنظرية بايز

تُعرَّف نظرية بايز في جوهرها الإحصائي بأنها صيغة رياضية تحدد كيفية تعديل أو تحديث الاحتمال الذاتي لفرضية معينة عندما تتوفر أدلة أو بيانات تجريبية جديدة. في سياق العلوم السلوكية والمعرفية، تُترجم هذه المبرهنة إلى نموذج رياضي لوصف كيفية دمج الإنسان لمعارفه المسبقة وخبراته المتراكمة مع المدخلات الحسية اللحظية للوصول إلى إدراك متماسك للواقع المحيط.

تتألف المعادلة الرياضية الكلاسيكية لمبرهنة بايز من أربعة عناصر بنيوية أساسية، يُعبر عنها بالصيغة: P(H|E) = [P(E|H) × P(H)] / P(E). يمثل الرمز P(H) «الاحتمال القبلي» (Prior Probability)، وهو درجة اليقين أو الاعتقاد المبدئي في صحة الفرضية (H) قبل معاينة الدليل الجديد (E). في علم النفس، يجسد هذا المفهوم التوقعات المسبقة والذكريات والأنماط المعرفية المخزنة التي يجلبها الفرد إلى الموقف الإدراكي. أما P(E|H)، فيُعرف بـ «الأرجحية» أو «دالة الإمكان» (Likelihood)، وهي احتمال رصد الدليل (E) بافتراض أن الفرضية (H) صحيحة تماماً، وهي تقيس مدى اتساق المعطيات الحسية الواردة مع التفسير المفترض.

يمثل البسط في المعادلة ناتج ضرب الاحتمال القبلي في الأرجحية، بينما يمثل المقام P(E) «الاحتمال الهامشي» أو دليل البيانات (Marginal Likelihood/Evidence)، وهو إجمالي احتمال وقوع الدليل عبر جميع الفرضيات الممكنة، ويعمل كعامل معايرة لضمان أن مجموع الاحتمالات يساوي واحداً صحيحاً. ينتج عن هذه العملية الرياضية ما يسمى بـ «الاحتمال البعدي» (Posterior Probability) والمشار إليه بـ P(H|E)، وهو الاعتقاد المحدث بصحة الفرضية في ضوء الدليل المشاهد. يفسر هذا التفاعل الرياضي المرن كيف يتحول الشك المبدئي إلى يقين نسبي، أو كيف تتهاوى الفرضيات القديمة أمام أدلة حسية دامغة لا يمكن دحضها.

المفاهيم البايزية المفتاحية في العلوم السلوكية

• الاعتقاد القبلي (Prior): المعرفة التطورية أو الخبرات المعرفية السابقة التي تهيئ الكائن الحي لتوقع أنماط بيئية محددة.
• الأرجحية الحسية (Likelihood): دقة ونقاء الإشارات العصبية الوافدة من الحواس المختلفة، ومدى تطابقها مع الواقع الموضوعي.
• التحديث البايزي (Bayesian Updating): العملية الحركية المستمرة لإعادة وزن المعتقدات الذهنية فور تدفق معطيات تجريبية مغايرة للتوقعات.
• الاحتمال البعدي (Posterior): الحالة المعرفية الراهنة التي توجه السلوك الحركي والقرارات الآنية للفرد.

السياق التاريخي والتطور الإبستيمولوجي

تعود الجذور الأولى لهذه المبرهنة إلى عالم اللاهوت والرياضيات الإنجليزي توماس بايز (Thomas Bayes) في منتصف القرن الثامن عشر، وتحديداً في مقالته الشهيرة التي نُشرت بعد وفاته عام 1763 بعنوان «مقالة نحو حل مشكلة في مذهب الفرص». لم يكن بايز يسعى لتأسيس نظرية نفسية، بل كان يبحث عن برهان رياضي يدعم استنتاج الأسباب المجهولة انطلاقاً من التأثيرات الملحوظة. تولى بعد ذلك عالم الرياضيات الفرنسي بيير سيمون لابلاس صياغة المبرهنة بشكلها الجبري الدقيق وتوسيع تطبيقاتها العلمية، مما وضع أسس ما يُعرف اليوم بـ «الإحصاء البايزي» في مقابل الإحصاء التكراري التقليدي.

ظلت المقاربة البايزية لعقود طويلة حبيسة الأروقة الرياضية والفلسفية، حيث دارت سجالات حامية حول مفهوم «الاحتمال الذاتي» مقابل «الاحتمال الموضوعي التكراري». رأى الفلاسفة التجريبيون في بايزية الاحتمال مدخلاً لفهم الاستقراء العلمي؛ فكيف يمكن للعلماء -والبشر عموماً- أن يثقوا في نظرية عامة بناءً على عدد محدود من الملاحظات؟ قدمت مبرهنة بايز الإجابة المنطقية: المعرفة البشرية لا تبدأ من الصفر (لوح فارغ مطلق)، بل تنطلق من فرضيات قبلية تتعدل تدريجياً بالتراكم، مما جعلها حجر الزاوية في نظرية المعرفة الاحتمالية.

في النصف الثاني من القرن العشرين، ومع اندلاع الثورة المعرفية وظهور علوم الحاسوب والذكاء الاصطناعي، التقت الرياضيات بعلم النفس. أدرك علماء النفس المعرفي أن النماذج السلوكية القديمة، القائمة على مجرد الارتباط البسيط بين المثير والاستجابة، عاجزة عن تفسير المرونة المعرفية الهائلة التي يبديها الإنسان في مواجهة بيئات غامضة ومليئة بعدم اليقين. هنا انطلقت شرارة دمج المنطق البايزي في دراسة العمليات الذهنية، ليتحول الاستدلال البايزي من أداة إحصائية لتحليل البيانات إلى نموذج وصفي ومعياري للذهن البشري ذاته.

فرضية الدماغ البايزي والمعالجة التنبؤية

تعد «فرضية الدماغ البايزي» (Bayesian Brain Hypothesis) واحدة من أكثر النظريات إثارة وثراءً في علوم الأعصاب الإدراكية الحديثة. تنص هذه الفرضية على أن الجهاز العصبي المركزي لا يعمل كمتلقٍ سلبي للمثيرات البيئية يقوم بمعالجتها بطريقة صاعدة (Bottom-up) من المستقبلات الحسية إلى المراكز العليا، بل يعمل كـ «محرك استدلالي تنبؤي» هابط (Top-down). يولد الدماغ فرضيات داخلية مستمرة حول ما يحدث في العالم الخارجي، ويختبر هذه الفرضيات مقابل تدفق الإشارات الحسية الوافدة.

ترتبط هذه الفرضية ارتباطاً وثيقاً بنظرية «المعالجة التنبؤية» (Predictive Processing) ومبدأ «الطاقة الحرة» (Free Energy Principle) الذي صاغه عالم الأعصاب كارل فريستون (Karl Friston). وفقاً لهذا المنظور، فإن الهدف البيولوجي والوظيفي الأسمى للمخ هو تقليل «خطأ التنبؤ» (Prediction Error)، وهو الفارق الرياضي والمعرفي بين ما توقعه الدماغ مسبقاً وما ورد إليه فعلياً عبر الأعصاب الحسية. عندما يتطابق التوقع مع المدخل الحسي، يتم تثبيت النموذج الداخلي؛ أما إذا ظهر خطأ تنبؤي، فإن الدماغ يضطر إلى تحديث احتمالاته القبلية لتتوافق مع الواقع عبر الاستدلال البايزي.

تتجلى العبقرية العصبية هنا في الهيكل الهرمي للقشرة المخية، حيث ترسل المستويات العليا من الجهاز العصبي تنبؤات هابطة إلى المستويات الأدنى لتقليل الضوضاء وتفسير الإشارات المشوشة، في حين ترسل المستويات الأدنى إشارات خطأ التنبؤ الصاعدة لتصحيح النماذج العليا. إن هذا الحوار الديناميكي المستمر يضمن استقرار الإدراك ويمنع إجهاد الدماغ عبر حوسبة كل مدخل حسي من نقطة البداية، مما يجعل النظام المعرفي البشري نموذجاً فائق الكفاءة في إدارة الطاقة الحيوية والتعامل مع عدم اليقين المستمر.

الإدراك الحسي والاستدلال البايزي الأمثل

يمثل الإدراك الحسي أحد أبرز الميادين التجريبية التي برهنت على كفاءة النموذج البايزي. فالبيئة المحيطة بالكائنات الحية مليئة بالغموض الفيزيائي؛ فالصورة الساقطة على شبكية العين، على سبيل المثال، ثنائية الأبعاد، وتتسم بعدم التحديد الجوهري (Ill-posed problem)، إذ يمكن لعدد لا حصر له من الأجسام ثلاثية الأبعاد المختلفة أن يسقط نفس النمط الضوئي تماماً على الشبكية. كيف يتمكن العقل إذن من رؤية عالم ثلاثي الأبعاد مستقر ودقيق دون أي ارتباك؟

وفقاً لأبحاث علماء النفس الإدراكي مثل ديفيد كنييل (David Knill) وألكسندر بوجيه (Alexandre Pouget)، يحل الدماغ هذه المعضلة عبر تطبيق الاستدلال البايزي الأمثل. يمتلك النظام البصري «احتمالات قبلية» مشفرة بيولوجياً وتجريبياً، مثل افتراض أن «الضوء يأتي دائماً من الأعلى» أو أن «الأجسام تميل إلى التماسك والصلابة». عندما يلتقط النظام البصري إشارة ضوئية غامضة، فإنه يدمج هذه الإشارة (الأرجحية) مع التوقع المسبق (القبلي)، ليكون الإدراك البصري النهائي هو الاحتمال البعدي الأكثر ترجيحاً. الخداع البصري، من هذا المنطلق، ليس فشلاً أو عيباً في النظام الإدراكي، بل هو دليل ساطع على نجاح الدماغ في إجراء استدلال بايزي عالي الدقة بناءً على افتراضات مسبقة منطقية للغاية لا تتطابق مع حيلة بصرية استثنائية.

يمتد هذا التكامل البايزي إلى الدمج الحسي متعدد الأنماط (Multisensory Integration). أظهرت التجارب الكلاسيكية، مثل دراسات إرنست وبانكس (Ernst & Banks, 2002)، أن الإنسان عندما يلمس جسماً ويراه في آنٍ واحد تحت ظروف ضبابية، يقوم الجهاز العصبي بوزن كل حاسة بناءً على دقتها الإحصائية النسبية (Inverse variance). إذا كانت الرؤية مشوشة، يمنح الدماغ وزناً أكبر للمدخلات اللمسية، والعكس صحيح، بطريقة رياضية تطابق تماماً التقدير الأمثل الذي تتنبأ به مبرهنة بايز، مما يشير إلى أن الحوسبة الاحتمالية متجذرة في دوائرنا العصبية المعرفية.

اتخاذ القرار والتحيزات المعرفية: الجدل بين العقلانية والبايزية

على النقيض من دقة الإدراك الحسي التي تبدو «بايزية مثالية»، كشفت أبحاث اتخاذ القرار وحل المشكلات في علم النفس الاجتماعي والمعرفي عن فجوة محيرة. لعقود طويلة، وثقت مدرسة «الاستدلالات الاستكشافية والتحيزات» (Heuristics and Biases) بقيادة دانيال كانمان (Daniel Kahneman) وعاموس تفيرسكي (Amos Tversky) حالات صارخة لفشل البشر في التفكير كـ «عقلاء بايزيين»، لا سيما عند التعامل مع المهام المعرفية التجريدية والاحتمالات الصريحة.

من أشهر هذه الإخفاقات ما يُعرف بـ «إهمال المعدل الأساسي» (Base-Rate Neglect)؛ حيث يميل الأفراد عموماً إلى تجاهل الاحتمالات القبلية التاريخية لحادثة ما والتركيز الكلي على المعلومات الوصفية الآنية. على سبيل المثال، في معضلة تشخيصية طبية شهيرة، إذا كان مرض نادر يصيب 1 من كل 1000 شخص، ويمتلك الفحص دقة تشخيصية قدرها 95%، وأظهرت نتيجة شخص ما إيجابية الفحص، فإن معظم الناس (وحتى الأطباء) يقدرون احتمال إصابته الفعلية بنحو 95%، متجاهلين أن الاحتمال القبلي منخفض للغاية، وأن الاحتمال البعدي الحقيقي المحسوب ببايزية لا يتعدى 2% تقريباً.

تُفسر هذه الظواهر المعرفية أيضاً نزعات مثل «انحياز التأكيد» (Confirmation Bias)؛ حيث يعطي الأفراد وزناً هائلاً (أرجحية مفرطة) للأدلة التي تتوافق مع معتقداتهم القبلية الراسخة، في حين يتم رفض أو التقليل التعسفي من قيمة الشواهد المناقضة. أدى هذا التعارض إلى نشوء تيارين بارزين في علم النفس المعرفي:

• الموقف المتشائم المعياري: يرى أن العقل البشري يفتقر بطبيعته إلى الآليات الحسابية البايزية المنطقية في التفكير الواعي، ويعتمد بدلاً من ذلك على استراتيجيات تبسيطية غير دقيقة تؤدي للخطأ المنهجي.
• الموقف البايزي البيئي: يرى رواده، مثل جيرد جيجيرينزر (Gerd Gigerenzer)، أن العقل بايزي بامتياز عندما تُعرض المشكلات في بيئتها التطورية الطبيعية (كالتكرارات الطبيعية بدلاً من النسب المئوية المجردة). فالدماغ لم يتطور لمعالجة الأرقام العشرية، بل لتتبع التكرارات المباشرة للخبرات.

النمذجة المعرفية الحاسوبية وتعلم المفاهيم

شهدت مطلع الألفية الثالثة طفرة كبرى في علم النفس المعرفي التنموي بفضل أعمال جوشوا تينينباوم (Joshua Tenenbaum) وتوماس غريفيثس (Thomas Griffiths)، اللذين استخدما مبرهنة بايز لنمذجة كيفية تعلم الأطفال والبالغين للمفاهيم المجردة واكتساب اللغة من خلال عدد قليل جداً من الأمثلة، وهي المعضلة المعروفة تاريخياً بـ «فقر المثير» (Poverty of the Stimulus).

تقترح النماذج البايزية للتعلم أن الطفل يدخل العالم وهو مزود بمساحة من الفرضيات المحتملة (Hypothesis Space) حول قواعد اللغة، والخصائص السببية للأشياء، والتصنيفات البيولوجية. مع كل كلمة يسمعها أو تجربة يخوضها، يقوم الطفل بحساب أرجحية هذه الملاحظات في ظل كل فرضية، مما يؤدي إلى انكماش مساحة الفرضيات واستبعاد التفسيرات غير الراجحة بسرعة مذهلة. تسمى هذه الظاهرة «الحوسبة البايزية عبر النماذج الهرمية» (Hierarchical Bayesian Modeling)، حيث يتعلم النظام المعرفي القواعد وتفاصيلها على مستويات تجريدية متعددة بالتوازي.

تتكامل هذه المناهج مع تقنيات المحاكاة الحاسوبية المتقدمة مثل سلاسل ماركوف ومونتي كارلو (MCMC)، حيث تُستخدم لنمذجة آليات الاستدلال التكيفي التي تحاكي العقل البشري، مما أحدث تقارباً فريداً بين علم النفس النمائي وتطوير أنظمة الذكاء الاصطناعي التي تسعى إلى اكتساب التعلم الإنساني المرن بدلاً من مجرد الحفظ القائم على البيانات الضخمة البحتة.

التطبيقات الإكلينيكية والطب النفسي الحسابي

أدى دمج مبرهنة بايز في دراسة الاضطرابات النفسية إلى ولادة تخصص واعد يُعرف بـ «الطب النفسي الحسابي» (Computational Psychiatry). يسعى هذا التخصص إلى فهم الأمراض العقلية والاعتلالات النفسية ليس فقط كخلل في النواقل العصبية الكيميائية، بل كاضطراب بنيوي في المعالجة البايزية وحسابات عدم اليقين داخل الشبكات المعرفية.

في سياق مرض الفصام (Schizophrenia) والأعراض الذهانية كالهلاوس والضلالات، يوضح النموذج البايزي اختلال توازن الدقة العصبية (Precision Weighting). تنتج الهلاوس السمعية أو البصرية عندما تصبح التوقعات القبلية (Priors) قوية ومفرطة الدقة بصورة غير طبيعية، لدرجة تجعل الدماغ يدرك وجود أصوات أو أشكال لا أساس لها في المدخلات الحسية الواقعية. على النقيض من ذلك، قد يعاني المريض أحياناً من ضعف التوقعات القبلية، مما يجعل العالم الخارجي يفيض بأخطاء التنبؤ غير القابلة للتفسير، فيبادر الذهن لتوليد ضلالات تأويلية غريبة (Delusions) كحل ترقيعي استدلالي لتفسير ذلك الكم الهائل من الأخطاء الحسية غير المتوقعة.

أما في اضطرابات القلق والاكتئاب، تظهر المعالجة البايزية تشوهات واضحة في تقدير احتمالات الخطر؛ حيث يتم تثبيت اعتقاد قبلي مفرط في التشاؤم يفيد بأن «البيئة خطيرة وكارثية حتماً». يفشل الجهاز المعرفي للمريض القلق في تحديث هذه الفرضية السلبية حتى عند ورود أدلة حسية وبيئية وافرة تدل على الأمان والاستقرار، نظراً لأن دقة الدليل الحسي الإيجابي تُهمل برمجياً داخل المنظومة الإدراكية، مما يمنح المعالج النفسي المعرفي السلوكي (CBT) إطاراً علمياً دقيقاً لإعادة ضبط الأوزان التنبؤية لدى المريض.

التطبيقات في القياس النفسي وتصميم الاختبارات

لم يقتصر تأثير مبرهنة بايز على فهم العقل فقط، بل امتد ليكون أداة تقييمية فائقة التطور في ميدان القياس النفسي (Psychometrics). تاريخياً، اعتمد القياس النفسي على النظرية الكلاسيكية للاختبارات (CTT)، لكن التحول نحو «نظرية الاستجابة للمفردة» (Item Response Theory – IRT) والاختبارات التكيفية المحوسبة (CAT) ارتبط كلياً بالاستدلال البايزي.

في الاختبارات التكيفية، يُعامل مستوى سمة الفرد (مثل الذكاء، أو الاكتئاب، أو القلق، والمشار إليه بـ Theta) كمتغير احتمالي غير معلوم. يبدأ الاختبار باحتمال قبلي لتوزيع هذه السمة في المجتمع. بمجرد أن يجيب المفحوص عن السؤال الأول، تُطبق مبرهنة بايز لحساب الاحتمال البعدي لقدرته استناداً إلى دقة وصعوبة ذلك السؤال المحدد. بناءً على هذا التحديث اللحظي، يختار النظام الحاسوبي السؤال التالي الذي يضمن الحصول على أقصى قدر من المعلومات الإحصائية لتقليل التباين البعدي إلى أدنى حد ممكن.

تتميز هذه المنهجية البايزية بتقليص زمن الاختبارات النفسية بنسبة تصل إلى أكثر من 50% مع الحفاظ على ذات الدقة المعيارية العالية، وتجنب إحباط الأفراد بأسئلة سهلة للغاية أو صعبة بصورة تعجيزية، فضلاً عن قدرتها الفائقة على معالجة البيانات المفقودة وتقدير معالم النماذج المعقدة التي تعجز عنها الطرق الإحصائية التقليدية.

مقارنة وظيفية بين الإحصاء التقليدي والبايزي في القياس النفسي

• الإحصاء التكراري التقليدي: يفترض أن المعلمة المقاسة ثابتة، ويعتمد كلياً على القيمة الاحتمالية (p-value) ومفاهيم فترات الثقة المحدودة برفض الفرضية الصفرية دون مراعاة لتراكم المعرفة السابقة.
• الإحصاء البايزي المعرفي: يعتبر المعلمة متغيراً عشوائياً يحمل توزيعاً احتمالياً كاملاً، ويدمج بصورة صريحة الخبرات العلمية القبلية لتحديث توزيع الاحتمال، مما ينتج فترات يقين (Credible Intervals) ذات دلالة نفسية واضحة ومباشرة.

الانتقادات الموجهة للنموذج البايزي في علم النفس

على الرغم من النجاحات الباهرة للمنظور البايزي، إلا أنه لم يسلم من انتقادات إبستيمولوجية ومنهجية لاذعة وجهها عدد من أبرز علماء النفس وفلاسفة العلم. يتمحور الانتقاد الجوهري الأول حول «الانفلات من قابلية التكذيب» (Unfalsifiability)؛ فالنماذج البايزية تتمتع بمرونة رياضية تجعلها قادرة على ملاءمة أي سلوك تجريبي تقريباً عبر التلاعب باختيار «الاحتمال القبلي» أو «دالة التكلفة/الخسارة»، مما يجعل دحض النموذج أمراً بالغ الصعوبة ويقربه أحياناً من التوصيف الدائري للظواهر بدلاً من تفسيرها سبباً.

يتعلق الانتقاد الثاني بـ «التعقيد الحسابي» (Computational Intractability)؛ حيث يتطلب الحساب البايزي الدقيق دمج احتمالات هائلة عبر فضاءات معقدة من الحالات الممكنة، وهي مهمة تتجاوز بكثير القدرات الفيزيائية للخلايا العصبية واستهلاك الطاقة البيولوجية للدماغ (المعروف بـ NP-hard problem). يجادل النقاد بأن الدماغ يلجأ إلى استراتيجيات تقريبية غير بايزية تماماً، وأن وصف العقل بـ «الأمثلية البايزية المطلقة» يتجاهل القيود البيولوجية والتطورية الصارمة للمادة العصبية.

علاوة على ذلك، يرى علماء النفس التجريبي من أتباع المدرسة البيئية والسلوكية أن النماذج البايزية تنقلب في كثير من الأحيان إلى نوع من الصورية الرياضية المتعالية، وتغفل البنية السياقية والديناميكية التفاعلية للجسد في البيئة (Embodied Cognition). فالسلوك البشري ليس مجرد معادلة رياضية تسعى لتقليل الأخطاء في الفراغ، بل هو فعل عضوي متكامل تتدخل فيه المشاعر الوجدانية، والحوافز البيولوجية، والضغوط التطورية المتشابكة.

خاتمة واستشراف مستقبلي

تظل مبرهنة بايز واحدة من أعمق الرؤى الرياضية التي أحدثت نقلة نوعية في تاريخ الفكر النفسي والمعرفي. لقد أتاحت لعلم النفس لغة رياضية موحدة ومحكمة لربط الظواهر السلوكية الدقيقة بالنشاطات العصبية الحيوية، وأعادت تعريف العقل الإنساني لا كمتلقٍ سلبي أو كمعالج حاسوبي خطي جاف، بل ككيان تنبؤي نشط يخلق واقعه الإدراكي عبر جدلية مستمرة بين خبرات الماضي وشواهد الحاضر. ومع تطور تقنيات التصوير العصبي وتنامي نماذج الذكاء الاصطناعي، يفتح الاستدلال البايزي آفاقاً جديدة لحل ألغاز الوعي، وتطوير علاجات دقيقة للاضطرابات النفسية، وتشييد فهم أكثر شمولاً وتواضعاً لطبيعة الإدراك واليقين الإنساني.

المراجع

• Clark, A. (2013). Whatever next? Predictive brains, situated agents, and the future of cognitive science. Behavioral and Brain Sciences, 36(3), 181-204.
• Ernst, M. O., & Banks, M. S. (2002). Humans integrate visual and haptic information in a statistically optimal fashion. Nature, 415(6870), 429-433.
• Friston, K. (2010). The free-energy principle: a unified brain theory?. Nature Reviews Neuroscience, 11(2), 127-138.
• Gigerenzer, G., & Hoffrage, U. (1995). How to improve Bayesian reasoning without instruction: Frequency formats. Psychological Review, 102(4), 684-704.
• Kahneman, D., & Tversky, A. (1973). On the psychology of prediction. Psychological Review, 80(4), 237-251.
• Knill, D. C., & Pouget, A. (2004). The Bayesian brain: the role of uncertainty in neural coding and computation. Trends in Neurosciences, 27(12), 712-719.
• Tenenbaum, J. B., Kemp, C., Griffiths, T. L., & Goodman, N. D. (2011). How to grow a mind: Statistics, structure, and abstraction. Science, 331(6022), 1279-1285.