رمزگشایی از فرکانس‌های ذهنی: واکاوی توانایی سگ‌ها در پردازش ساختار گفتار انسانی

در حالی که فناوری‌های پردازش سیگنال و مدل‌های هوش مصنوعی نوین در حال بازتعریف مرزهای درک ماشینی از گفتار هستند، یافته‌های جدید علمی حاکی از آن است که مغز سگ‌ها نیز از مکانیسم‌های پردازشی مشابه برای رمزگشایی جریان‌های صوتی پیوسته استفاده می‌کند. مطالعه اخیر دانشمندان دانشگاه اتووش لوراند نشان می‌دهد که سگ‌ها قادرند بدون درک معنایی، الگوهای صامت را در یک جریان صوتی بی‌وقفه شناسایی کنند؛ قابلیتی که تا پیش از این عمدتاً به ساختار مغزی انسان نسبت داده می‌شد.

مهندسی عصبی: صامت‌ها در برابر مصوت‌ها

پژوهشگران با استفاده از الکترودهای ثبت فعالیت الکتریکی مغز (EEG)، واکنش ۲۰ سگ بالغ را در مواجهه با واژه‌های ساختگی سه‌هجایی تحلیل کردند. نکته کلیدی در این آزمایش، نبودِ هرگونه مکث یا مرز شنیداری در جریان گفتار بود. یافته‌ها نشان داد که مغز سگ‌ها با تکیه بر «صامت‌های تکرارشونده»، توانایی تقطیع کلمات را داراست. این در حالی است که در حوزه پردازش سیگنال صوتی، مصوت‌ها به دلیل انرژی صوتی بالاتر، معمولاً برای پردازشگرها و گوش انسان برجسته‌تر به نظر می‌رسند، اما سگ‌ها به‌طور هوشمندانه‌ای روی صامت‌ها تمرکز می‌کنند؛ دقیقاً همان بخشی از گفتار که در بسیاری از زبان‌های انسانی، بیشترین بار اطلاعاتی را برای شناسایی واحدها حمل می‌کند.

تفاوت در معماری پردازش: واحد تحلیل هجا است

تفاوت بنیادین در خروجی پردازش مغزی بین انسان و سگ در «تفکیک‌پذیری» است. در حالی که انسان‌ها قادرند اصوات مجزای گفتار را به عنوان واحدهای مستقل شناسایی کنند، سگ‌ها هجاها را به عنوان کوچک‌ترین واحد پردازش در نظر می‌گیرند. این یافته به ما کمک می‌کند تا درک بهتری از نحوه تکامل سیستم‌های شنیداری در موجوداتی که در کنار انسان‌ها زیسته‌اند داشته باشیم. این مطالعه تأکید می‌کند که بخشی از فرآیند رمزگشایی گفتار لزوماً نیازمند یک معماری «پیش‌سیم‌کشی» شده برای زبان نیست؛ بلکه مواجهه مداوم با الگوهای گفتاری می‌تواند چنین مکانیزم‌هایی را فعال سازد.

ابعاد کاربردی برای مدل‌های یادگیری ماشین

این پژوهش از منظر فناوری‌های مبتنی بر پردازش زبان طبیعی (NLP) حائز اهمیت است. در مدل‌های کنونی، ما معمولاً ورودی‌های صوتی را با وزن‌دهی یکسان پردازش می‌کنیم، اما ترجیح مغز سگ به صامت‌ها نشان می‌دهد که چگونه می‌توان با پیاده‌سازی الگوریتم‌های «توجه» (Attention Mechanisms) که به ساختارهای صامت (به عنوان ستون فقراتِ اطلاعاتی واژگان) وزن بیشتری می‌دهند، نرخ خطای تشخیص گفتار (ASR) در محیط‌های پرنویز را کاهش داد.