النماذج الحاسوبية: محاكاة آليات الفكر البشري

تُمثّل النماذج الحاسوبية في الفضاء المعرفي والنفسي المعاصر إحدى أهم القفزات المنهجية التي نقلت دراسة العمليات العقلية من حيز الوصف النظري المجرد والتأمل الاستبطاني إلى نطاق الصياغة الرياضية والتجريب الخوارزمي الدقيق. يقوم هذا النهج العلمي على افتراض جوهري مفاده أن الظواهر النفسية المعقدة، بدءاً من الإدراك الحسي الأولي وحتى اتخاذ القرارات الاستراتيجية وحل المشكلات، يمكن تمثيلها ومحاكاتها عبر خوارزميات وبنى رياضية تحاكي تدفق المعلومات ومعالجتها داخل الجهاز العصبي للإنسان. من خلال تحويل النظريات السيكولوجية إلى برامج قابلة للتنفيذ حاسوبياً، يتيح النموذج الحاسوبي للباحثين اختبار الفرضيات التفسيرية، وتوليد تنبؤات كمية قابلة للقياس والتحقق التجريبي، واستكشاف الآليات الداخلية التي يعجز القياس السلوكي الخارجي بمفرده عن سبر أغوارها.

السياق الفلسفي والإبستمولوجي للنمذجة الحاسوبية

نشأت فكرة النمذجة الحاسوبية في رحم الثورة المعرفية التي اندلعت في منتصف القرن العشرين، وهي ثورة تضافرت فيها جهود علماء النفس، وعلماء اللغة، وعلماء الحاسوب، وفلاسفة العقل للإطاحة بالهيمنة السلوكية الصارمة التي كانت تعتبر العقل بمثابة "صندوق أسود" لا يمكن ولا ينبغي دراسة مكوناته الداخلية. استندت هذه الثورة إلى أطروحة الحوسبة الكلاسيكية التي بلورها رواد مثل آلان تورنغ ونوربرت فينborder=0، والتي ترى أن الإدراك البشري شكل من أشكال معالجة الرموز وحساب الحالات الذهنية. سمح هذا التحول المعرفي بإعادة الاعتبار للحالات الداخلية من خلال النظر إليها كحالات حاسوبية، مما وفر لغة موضوعية ومشتركة تصف العمليات النفسية بمصطلحات حسابية دون الوقوع في شباك المثالية أو الثنائية الديكارتية غير العلمية.

تتمحور الإبستمولوجيا الخاصة بالنماذج الحاسوبية حول الانتقال من التفسيرات الوصفية العامة، التي غالباً ما تعتمد على الكلمات والتعاريف الفضفاضة، إلى التفسيرات الآلية الدقيقة. فعندما يقترح باحث نظرياً أن "الانتباه يزيد من سرعة معالجة المعلومات"، يظل هذا الادعاء غير كافٍ ما لم يُحدَّد رياضياً كيف يتغير تدفق الإشارات، وما هي المعادلات التي تصف هذا التغير، وما هي حدود الطاقة الاستيعابية. هنا تفرض النمذجة الحاسوبية صرامة منطقية على المنظّرين، إذ يتطلب بناء النموذج البرمجي تحديد كل متغير، وكل عتبة تنشيط، وكل آلية تفاعلية، مما يكشف عن التناقضات الخفية أو الثغرات غير المفحوصة في النظريات اللفظية التقليدية.

علاوة على ذلك، تُمارس النماذج الحاسوبية دوراً محورياً في جسر الهوة بين الظواهر النفسية الكبرى والآليات العصبية الصغرى. ففي حين توفر تقنيات التصوير العصبي الوظيفي، مثل الرنين المغناطيسي الوظيفي والتخطيط الدماغي الكهربائي، بيانات هائلة حول الارتباطات المكانية والزمانية للنشاط المخي، فإنها لا تشرح بذاتها "كيف" ينتج هذا النشاط العصبي سلوكاً ذكياً أو تجربة ذاتية. تعمل النماذج الحاسوبية كأدوات تفسيرية تربط بين النمط العصبي الفيزيائي والمخرجات السلوكية عبر وسيط خوارزمي يوضح المبادئ الحسابية التي تقود هذا التحول الوظيفي المعقد، مما يضفي طابعاً تكاملياً على علم النفس المعرفي والعلوم العصبية الحديثة.

مستويات التحليل عند ديفيد مار: الإطار النظري الأساسي

يُعد الإطار المفاهيمي ثلاثي المستويات الذي وضعه عالم الأعصاب والرؤية الحاسوبية ديفيد مار المرجع الإبستمولوجي الأكثر تأثيراً في تنظيم وتصنيف النماذج الحاسوبية في العلوم المعرفية. جادل مار بأن فهم أي نظام معالجة معلومات، سواء كان بيولوجياً كالدماغ أو اصطناعياً كالحاسوب، يتطلب تحليلاً متماسكاً على ثلاثة مستويات متباينة تكمل بعضها بعضاً: المستوى الحسابي، ومستوى التمثيل والخوارزمية، ومستوى التنفيذ المادي والفيزيائي. يمنع هذا الإطار الخلط بين وظيفة النظام، والخطوات الإجرائية التي يتبعها، والركيزة البيولوجية التي تحتضنه.

يركز المستوى الأول، وهو المستوى الحسابي (Computational Level)، على الهدف الوظيفي من العملية العقلية: ما هي المشكلة التي يحاول النظام حلها؟ ولماذا صُمم أو تطور لحلها بهذه الطريقة المحددة؟ وما هو المنطق النظري الكامن خلف هذا الحل؟ في هذا المستوى، يُنظر إلى السلوك المعرفي كحل أمثل لمهمة بيئية تكيفية؛ على سبيل المثال، كيف يستنتج النظام البصري شكلاً ثلاثي الأبعاد مستقراً انطلاقاً من صورة شبكية ثنائية الأبعاد غامضة ومتقطعة. يحدد هذا المستوى معايير الكفاءة والنجاح التي يجب أن يفي بها النظام الإدراكي.

أما المستوى الثاني، وهو مستوى التمثيل والخوارزمية (Algorithmic/Representational Level)، فيتناول الكيفية التي تُنفذ بها هذه المهمة الحسابية على صعيد الخطوات البرمجية. يحدد هذا المستوى نوع التمثيلات الذهنية التي يستخدمها النظام (كالرموز، أو المتجهات، أو التوزيعات الاحتمالية) والعمليات أو الخوارزميات التي تُطبق على تلك التمثيلات لتحويل المدخلات إلى مخرجات محددة. هنا يتساءل عالم النفس: هل تتم معالجة المعلومات الحسية بصورة تسلسلية متتابعة أم عبر مسارات متوازية؟ وكيف تُخزن الذاكرة العاملة بنود المعلومات وتسترجعها وقت الحاجة؟

أخيراً، يتناول المستوى الثالث، وهو مستوى التنفيذ أو التجسيد الفيزيائي (Implementational/Physical Level)، كيفية تحقيق الخوارزميات والتمثيلات مادياً في النسيج العصبي أو الدوائر السيليكونية. ينشغل هذا المستوى بخصائص المشابك العصبية، والناقلات الكيميائية، ومسارات الألياف الميالينية، والأنماط الترددية لتفريغ جهود الفعل الكهربائية. يؤكد إطار مار على استقلالية المستويات النسبية مع الاعتراف بتفاعلها المتبادل؛ فالخوارزمية لا تتطابق مع المشبك العصبي، لكن قيود المشبك العصبي (كالسرعة المحدودة لاستهلاك الطاقة) تفرض قيوداً حاسمة على نوع الخوارزميات التي يمكن للدماغ تنفيذها بكفاءة.

الأنماط المعمارية للنماذج الحاسوبية في علم النفس

تطورت في حقل النمذجة الحاسوبية عدة معماريات فكرية ومنهجية كبرى، يعكس كل منها افتراضات متباينة حول طبيعة التمثيل الذهني وطريقة معالجة المعطيات، ويمكن تلخيص أبرز هذه المعماريات في الأقسام الآتية:

1. النماذج الرمزية والأنظمة الإنتاجية

تعتمد النماذج الرمزية (Symbolic Models) على فرضية النظام الرمزي المادي التي صاغها ألين نيويل وهربرت سايمون. تفترض هذه المعمارية أن التفكير هو معالجة تتابعية لرموز واضحة الدلالة تحكمها قواعد نحوية ومنطقية صريحة من نمط "إذا حدث كذا، فافعل كذا" (قواعد الإنتاج). من أشهر الأمثلة على هذه المعمارية نماذج البنية المعرفية الموحدة مثل SOAR ومعمارية ACT-R التي طورها جون أندرسون.

تتميز النماذج الرمزية بقدرتها الفائقة على محاكاة العمليات المعرفية العليا مثل حل المشكلات الشطرنجية، والاستدلال المنطقي الصوري، واكتساب القواعد النحوية في اللغة، والتخطيط الاستراتيجي. تتيح هذه النماذج تتبعاً دقيقاً لخطوات التفكير الواعي لدى المفحوصين أثناء إنجاز المهام المعقدة، ومطابقة زمن الاستجابة وزلات الأداء مع القواعد الذهنية المستدعاة، مما جعلها أداة مركزية في تاريخ بحوث الذكاء الاصطناعي الرمزي وعلم النفس المعرفي الكلاسيكي.

2. النماذج الترابطية والشبكات العصبية الاصطناعية

ظهرت النماذج الترابطية (Connectionist Models) والمعروفة أيضاً بنماذج المعالجة الموزعة المتوازية (PDP) كرد فعل مباشر على جمود النماذج الرمزية وعدم مرونتها أمام التشويش الحسي والواقع البيولوجي. بدلاً من التعامل مع رموز فردية صريحة، تفترض الترابطية أن المعلومات تُمثّل عبر أنماط واسعة من التنشيط الموزع عبر شبكة من الوحدات البسيطة المترابطة المستوحاة من الخلايا العصبية الحيوية. لا يُخزن المفهوم في موقع محدد، بل ينبثق من الحالة الجمعية للأوزان المشبكية الرابطة بين العقد.

تتفوق النماذج الترابطية في تفسير عمليات التعلم الإحصائي والتعرف على الأنماط البصرية والسمعية، والتراجع الوظيفي التدريجي (Graceful Degradation) عند حدوث تلف موضعي، وهو سلوك يماثل تماماً استجابة الدماغ البشري للإصابات السكتية أو التنكسية. من خلال خوارزميات مثل خوارزمية انحدار التدرج وخوارزمية الانتشار الخلفي للخطأ (Backpropagation)، تستطيع هذه الشبكات تعديل أوزانها تدريجياً لتقليل الخطأ التنبؤي، مما قدم نظريات ثورية حول كيفية اكتساب الأطفال للمفاهيم الدلالية والصوتية دون تلقي تعليمات برمجية مسبقة.

3. النماذج البيزية والاحتمالية

حققت النماذج البيزية (Bayesian Cognitive Models) ثورة كبرى في العقدين الأخيرين من خلال صياغة الإدراك البشري كعملية استدلال إحصائي مثلى في ظل عدم اليقين والغموض البيئي. تفترض هذه الرؤية أن الدماغ يعمل كـ "محرك بيزي" يقوم باستمرار بتحديث اعتقاداته وتوقعاته السابقة (Prior Distributions) بناءً على الأدلة الحسية الواردة (Likelihoods) للوصول إلى تقييم احتمالي معدل للواقع (Posterior Distributions) وفق مبرهنة توماس بيز.

تفسر النماذج البيزية ببراعة فائقة كيف يتعامل الإنسان مع البيانات الحسية المشوشة، وكيف يُدمج الإدراك البصري واللمسي بسلاسة، وكيف تنشأ الخدع البصرية كنتيجة طبيعية لاستخدام التوقعات المسبقة القوية في تفسير معطيات غامضة. كما تمثل نظرية الترميز التنبؤي (Predictive Coding) ومبدأ الطاقة الحرة لكارل فريستون الامتداد العصبي الأكثر رواجاً للمقاربة البيزية، حيث يُنظر إلى الدماغ كنظام يسعى باستمرار إلى تقليل الخطأ في التنبؤ الحسي عبر تصحيح نماذجه التوليدية الداخلية للعالم الخارجي.

4. النماذج الديناميكية ونماذج تراكم الأدلة

تركز النماذج الديناميكية على البعد الزمني المستمر وتطور الحالات الذهنية عبر اللحظات الزمنية متناهية الصغر. من أشهر هذه النماذج في علم النفس التجريبي نماذج تراكم الأدلة، وعلى رأسها نموذج الانتشار الانجرافي (Drift-Diffusion Model) الذي ابتكره روجر راتكليف لتفسير مهام اتخاذ القرار القائم على الاختيار الثنائي البسيط تحت ضغط الزمن والسرعة مقابل الدقة.

يفترض هذا النموذج أن صانع القرار يجمع الأدلة المشوشة تدريجياً وبسرعة ثابتة في المتوسط (معدل الانجراف) حتى يصل مخزون الأدلة إلى إحدى عتبتي الحسم المحددة مسبقاً، مما يؤدي إلى انطلاق الاستجابة الحركية. يوفر هذا النموذج الرياضي تحليلاً موحداً ومتزامناً لمعدلات الدقة وتوزيعات أزمنة الاستجابة (Reaction Time Distributions) معاً، متفوقاً على المقاييس النفسية التقليدية التي كانت تعتمد فقط على المتوسطات الإحصائية البسيطة وتتجاهل التباينات الزمنية الحركية.

دورة بناء النموذج الحاسوبي واختباره وتعديله

يمر تطوير النماذج الحاسوبية في الأبحاث النفسية بسلسلة منهجية صارمة تبدأ بتحديد المسألة السلوكية وتمر بصياغة المعادلات البرمجية وتوليد المحاكاة، وتنتهي بالمقارنة المعيارية مع السلوك الحقيقي للأفراد. يمكن توضيح هذه المحطات الإجرائية من خلال العناصر التالية:

• التوصيف الرياضي والافتراض النظري: تحويل الفرضيات السيكولوجية إلى معادلات جبرية أو تفاضلية محددة تصف تطور المتغيرات، وتحديد المدخلات الحسية والمخرجات السلوكية بدقة لا تقبل اللبس.
• محاكاة البيانات وتوليد التنبؤات القبلية: تشغيل النموذج الحاسوبي عبر قيم افتراضية ومتباينة للمحددات (Parameters) لمراقبة سلوك النموذج التنبؤي قبل التعرض للبيانات الواقعية، والتأكد من قدرته على إنتاج الظواهر السيكولوجية المستهدفة (Qualitative Benchmarks).
• ملاءمة النموذج مع البيانات السلوكية (Model Fitting): استخدام خوارزميات الاستمثال الإحصائي مثل تقدير الاحتمال الأقصى (Maximum Likelihood Estimation) أو الاستدلال البيزي عبر سلاسل ماركوف ومونت كارلو (MCMC) لتحديد قيم المعالم الحسابية التي تقلل الفارق بين مخرجات النموذج واستجابات المشاركين الفعليين.
• مقارنة النماذج المتنافسة (Model Comparison): وضع نماذج بديلة تمثل فرضيات سيكولوجية متضاربة في منافسة مباشرة، واستخدام معايير إحصائية تعاقب التعقيد الزائد وتمنع الملاءمة المفرطة (Overfitting)، مثل معيار أكايكي للمعلومات (AIC) ومعيار المعلومات البيزي (BIC).
• اختبار القابلية للتعميم والاسترجاع (Parameter Recovery): التحقق من قدرة الخوارزمية على استرجاع المعلمات الحقيقية عند تطبيقها على بيانات محاكاة معروفة مسبقاً، واختبار كفاءة النموذج في التنبؤ بسلوكيات المشاركين في مهام تجريبية جديدة لم يُدرّب عليها مسبقاً.

التطبيقات المعاصرة في الطب النفسي والعلوم الإكلينيكية

شهد العقد الأخير ولادة فرع علمي واعد يُعرف باسم الطب النفسي الحسابي (Computational Psychiatry)، والذي يهدف إلى استغلال النماذج الحاسوبية لفهم الآليات المرضية الكامنة وراء الاضطرابات العقلية والنفسية بصورة تتجاوز التشخيصات الوصفية التقليدية المعتمدة على الدليل التشخيصي والإحصائي للاضطرابات النفسية (DSM). يسعى هذا التوجه إلى تحديد الاضطرابات بوصفها اختلالات محددة في العمليات الحسابية التي يقوم بها الدماغ لمعالجة المكافآت، والمخاطر، والأدلة البيئية.

في سياق دراسة الاكتئاب، على سبيل المثال، استُخدمت نماذج التعلم المعزز القائمة على نموذج الفارق الزمني (Temporal Difference Learning) لتوضيح كيف تنحدر دافعية المرضى نتيجة اضطراب في حساب "خطأ التنبؤ بالمكافأة" (Reward Prediction Error). تُظهر النماذج الحاسوبية أن مرضى الاكتئاب يمتلكون حساسية منخفضة بصورة غير متناسبة لإشارات المكافأة المتوقعة مقارنة بإشارات العقاب أو الخسارة، مما يقدم صياغة حسابية دقيقة لظاهرة انعدام التلذذ (Anhedonia) ويربطها مباشرة بخلل وظائف الدوبامين في العقد القاعدية والقشرة الجبهية الحجاجية.

وفي مجال اضطرابات الفصام والذهان، فتحت النماذج البيزية للترميز التنبؤي آفاقاً ثورية لتفسير الهلاوس والضلالات. فوفقاً لهذه النماذج، تنشأ الهلاوس السمعية نتيجة اختلال التوازن الحسابي بين دقة التوقعات المسبقة (Priors) ودقة المدخلات الحسية القادمة من العالم الخارجي؛ فإذا كانت التوقعات المسبقة تحظى بوزن حسابي مفرط وغير متكافئ بسبب خلل في آليات تثبيط الخلايا العصبية، فإن الدماغ "يسمع" ما يتوقعه حتى في غياب أي منبهات صوتية حقيقية في البيئة، مما يثبت أن الهلوسة ليست انهياراً عشوائياً للوظائف العقلية، بل هي تطبيق حاسوبي صارم لاستدلال مفرط في الاعتماد على التوقعات الذاتية.

كذلك تساهم النماذج الحاسوبية في تصميم استراتيجيات العلاج النفسي الموجه. فمن خلال تحديد المعالم الحسابية الفريدة لكل مريض على حدة (Computational Phenotyping)—مثل معدل التعلم الفردي، ودرجة النفور من الخسارة، وعتبة الاندفاع في اتخاذ القرار—يستطيع الأطباء والمعالجون النفسيون تخصيص التدخلات المعرفية والسلوكية، ورصد فاعلية العلاجات الدوائية بصورة مبكرة عبر قياس التغيرات في المعلمات الخوارزمية قبل ظهور التحسن السلوكي الشامل بفترات طويلة.

الانتقادات الإبستمولوجية والتحديات المنهجية

على الرغم من النجاحات الهائلة التي حققتها النمذجة الحاسوبية، إلا أنها واجهت انتقادات جوهرية من داخل الأوساط الأكاديمية وخارجها. يتمثل الاعتراض الإبستمولوجي الكلاسيكي في حجة "الغرفة الصينية" التي طرحها الفيلسوف جون سيرل، والتي تدعي أن التلاعب بالرموز وفق قواعد خوارزمية بحتة لا يُولّد بالضرورة "فهماً" حقيقياً أو وعياً دلالياً (Semantics)، بل يقتصر على التركيب الصوري (Syntax). ويرى النقاد من هذا المنطلق أن مطابقة النموذج لمخرجات السلوك البشري لا تعني بالضرورة أن النموذج يمثل الآلية الحقيقية التي يختبرها الإنسان من الداخل.

أما من الناحية المنهجية والتطبيقية، فتواجه النماذج الحاسوبية خطر الملاءمة المفرطة (Overfitting)؛ فمع زيادة عدد المعلمات القابلة للتعديل داخل النموذج، يصبح بمقدور البرنامج ملاءمة أي مجموعة بيانات سلوكية حتى وإن كانت مجرد تشويش عشوائي (Noise)، وهو ما عبر عنه الفيزيائي جون فون نيومان بتهكم قائلاً: "باستخدام أربع معلمات أستطيع أن أرسم فيلاً، ومع المعلمة الخامسة أستطيع أن أجعله يحرك خرطومه!". تتطلب هذه المعضلة من علماء النفس المعرفي الالتزام بمبدأ نصل أوكام الصارم واستخدام أدوات المقارنة المتبادلة المتقدمة لضمان أن البساطة التفسيرية لا تُهدر لصالح المطابقة الرياضية السطحية.

إضافة إلى ذلك، يُوجَّه نقد معاصر إلى النماذج الحاسوبية القائمة على الشبكات العصبية العميقة الحديثة في الذكاء الاصطناعي بسبب "مشكلة الصندوق الأسود" (Black Box Problem). ففي حين تنجح هذه الشبكات العميقة في محاكاة مهام التعرف الإدراكي بمستويات تقارب كفاءة الإنسان، فإن بنيتها الداخلية التي تحتوي على ملايين الأوزان الرياضية غير الشفافة تجعلها معقدة بقدر تعقيد الدماغ البشري ذاته، مما يعيد إنتاج المشكلة العلمية الأصلية: تفسير نظام معقد غير مفهوم بنظام آخر لا يقل عنه تعقيداً وغموضاً.

الآفاق المستقبلية: التقارب بين الذكاء الاصطناعي والعلوم العصبية

يتجه مستقبل النماذج الحاسوبية في علم النفس نحو مسار تكاملي وثيق يجمع بين النماذج الرياضية الدقيقة، وشبكات الذكاء الاصطناعي التوليدية، وبيانات التصوير العصبي متناهية الدقة. يُعرف هذا الاتجاه الصاعد بالتقارب بين الذكاء الاصطناعي وعلم الأعصاب (Neuro-AI)، حيث لم تعد النماذج تقتصر على محاكاة السلوك المعزول في بيئات المختبر الضيقة، بل تسعى لمحاكاة السلوكيات المعقدة في بيئات واقعية افتراضية ثلاثية الأبعاد تفاعلية تتطلب تفاعلاً مستمراً بين الحركة، والإدراك، والبيئة الاجتماعية.

كما يشهد الحقل تطوراً في دمج النماذج الهجينة التي تجمع بين دقة النماذج البيزية وقوة التمثيل التوزيعي للشبكات العصبية العميقة، في محاولة للجمع بين الشفافية التفسيرية والقدرة التنبؤية الفائقة. يتيح هذا التقارب تطوير "توائم رقمية" معرفية (Cognitive Digital Twins) يمكن استخدامها لمحاكاة تأثير الأدوية النفسية الجديدة افتراضياً على شبكات الدوائر العصبية قبل الشروع في التجارب السريرية البشرية المكلفة والمحفوفة بالمخاطر.

خاتمة

أعادت النماذج الحاسوبية تشكيل ملامح علم النفس الحديث بصورة جذرية، فنقلت دراسة العمليات الذهنية من النطاقات الاستعارية والوصفية إلى ميدان العلوم الكمية التنبؤية الصارمة. ومن خلال تقسيم التحليل إلى مستوياته الحسابية والخوارزمية والفيزيائية، وتطوير معماريات رمزية وترابطية وبيزية ثرية، وفّرت هذه الأدوات وسيلة لفحص الفرضيات المعرفية واكتشاف البنى الخفية المحركة للسلوك. وعلى الرغم من التحديات المنهجية التي تفرضها مسألة تعقيد المعلمات وحدود الاستدلال الخوارزمي، تظل النمذجة الحاسوبية جسراً محورياً يربط بين بيولوجيا الدماغ، وغموض التجربة العقلية، والإمكانات اللانهائية للذكاء الاصطناعي، مؤكدة أن فهم العقل البشري يمر حتماً عبر استيعاب مبادئه الحسابية العميقة.

المراجع

• Anderson, J. R. (2007). How can the human mind occur in the physical universe? Oxford University Press. https://doi.org/10.1093/acprof:oso/9780195324259.001.0001
• Friston, K. (2010). The free-energy principle: A unified brain theory?. Nature Reviews Neuroscience, 11(2), 127–138. https://doi.org/10.1038/nrn2787
• Marr, D. (1982). Vision: A computational investigation into the human representation and processing of visual information. W. H. Freeman and Company.
• Newell, A., & Simon, H. A. (1976). Computer science as empirical inquiry: Symbols and search. Communications of the ACM, 19(3), 113–126. https://doi.org/10.1145/360018.360022
• Ratcliff, R., & McKoon, G. (2008). The diffusion decision model: Theory and data for two-choice decision tasks. Neural Computation, 20(4), 873–922. https://doi.org/10.1162/neco.2008.12-06-420
• Rumelhart, D. E., McClelland, J. L., & PDP Research Group. (1986). Parallel distributed processing: Explorations in the microstructure of cognition (Vol. 1). MIT Press.
• Searle, J. R. (1980). Minds, brains, and programs. Behavioral and Brain Sciences, 3(3), 417–424. https://doi.org/10.1017/S0140525X00005756
• 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. https://doi.org/10.1126/science.1192788
• Wang, X. J., & Krystal, J. H. (2014). Computational psychiatry. Neuron, 84(3), 638–654. https://doi.org/10.1016/j.neuron.2014.10.018