Umysł jako maszyna predykcyjna 2401-K-MF-UJMP

1. Godziny realizowane z udziałem nauczycieli: godziny kontaktowe przewidziane w planie studiów dla danego przedmiotu: 30 godz. 2. Czas poświęcony na pracę indywidualną studenta/słuchacza/uczestnika kursu potrzebny do pomyślnego zaliczenia przedmiotu, tj. napisanie eseju lub realizację zadania dodatkowego: 30 godz.

W1: ma uporządkowaną, pogłębioną wiedzę, obejmującą terminologię, teorie i metodologię z zakresu przetwarzania predykcyjnego (K_W01)

umie krytycznie analizować publikacje dotyczące przetwarzania predykcyjnego, a także oddzielać poglądy oparte na wiedzy potocznej od danych naukowych K_U05

- wykład informacyjny (konwencjonalny)
- opis
- opowiadanie
- pogadanka

przedmiot fakultatywny

Student ma do wyboru jeden z dwóch sposobów zaliczenia zajęć:
- napisanie eseju końcowego na ustalony z prowadzącym temat
- realizacja "zadania końcowego":

Opis zadania: Państwa zadanie polega na (1)uważnym przeczytaniu co najmniej jednejlektury z poniższej listy,(2)sporządzeniu dokładnego konspektusyntetycznieomawiającegolekturę(m.in.głównątezę/hipotezę, strukturęprzedstawionegoargumentu,a także Państwa przemyślenia, wątpliwościczy uwagi krytyczne), (3)przyjście na dyżur w celuomówienia tej lektury z prowadzącym kurs. Żeby ułatwić wybór najciekawszego dlaPaństwamateriału,proponowane lektury zostały podzielone na bloki tematyczne.Choć nie jest to konieczne,wartooprzeć zadanie zaliczeniowe na więcej niż jednej lekturze.Zadanie należy zrealizować nie później niż do wtorku 28.02.2023.Skróty: AI–Active Inference; PP–Przetwarzanie Predykcyjne/Predictive Processing; FEP –Free Energy PrinciplePP/AI/FEPjako modele aktywności mózguAlamia, A., VanRullen, R. (2019). Alpha oscillations and traveling waves: Signatures of predictive coding? PLOS Biology, 17(10), e3000487.Bastos, A. M., Usrey, W. M., Adams, R. A., Mangun, G. R., Fries, P., Friston, K. J. (2012). Canonical microcircuits for predictive coding. Neuron, 76, 695–711.Kagan, B. J., Kitchen, A. C., Tran, N. T., Habibollahi, F., Khajehnejad, M., Parker, B. J., Bhat, A., Rollo, B., Razi, A., & Friston, K. J. (2022). Invitroneurons learn and exhibit sentience when embodied in a simulated game-world.Neuron, S0896-6273(22)00806-6.Sales, A. C., Friston, K. J., Jones, M. W., Pickering, A. E., & Moran, R. J. (2019). Locus Coeruleus tracking of prediction errors optimises cognitive flexibility: An Active Inference model.PLoS computational biology,15(1), e1006267.Walsh, K. S., McGovern, D. P., Clark, A., O’Connell, R. G. (2020). Evaluating the neurophysiologicalevidence for predictive processing as a model of perception. Annals of the New York Academy of Sciences, 1464(1), 242–268. PP/AI/FEP jako teorie świadomościi aspektów świadomego doświadczeniaClark, A. (2018). Beyond the ‘Bayesian blur’: Predictive processing and the nature of subjective experience. Journal of Consciousness Studies, 25, 71–87.Hohwy, J., Michael, J. (2017). Why should any body have a self? In F. de Vignemont, A. Alsmith (eds). The Subject’s Matter: Self-consciousness and the Body (pp. 363–392). Cambridge (MA): The MIT Press. Hohwy, J., Paton, B., Palmer, C. (2016). Distrusting the present. Phenomenology and the Cognitive Sciences, 15(3), 315–335.

Bar, M. (2007). The proactive brain: using analogies and associations to generate predictions. Trends in Cognitive Sciences, 11: 280–289.

Bortolotti, L. (2018). Delusion. W: E. Zalta (red.). Stanford Encyclopedia of Philosophy. Dostępne na stronie: https://plato.stanford.edu/entries/delusion/.

Bowman, H., Filetti, M., Wyble, B., Olivers, C. (2013). Attention is more than prediction precision. Behavioral and Brain Sciences, 36, 26–28.

Clark, A. (2016). Surfing Uncertainty. Prediction, Action, and the Embodied Mind. Oxford: Oxford University Press.

Dainton, B. (2017). Temporal consciousness. W: E. Zalta (red.). The Stanford Encyclopedia of Philosophy. Dostępne na stronie: https://plato.stanford.edu/entries/consciousness-temporal/

Fletcher, P.C., Frith, C.D. (2009). Perceiving is believing: A Bayesian approach to explaining the positive symptoms of schizophrenia. Nature Reviews. Neuroscience, 10, 48–58.

Friston, K. (2017). The mathematics of mind-time. Dostępne na Aeon, pod adresem: https://aeon.co/essays/consciousness-is-not-a-thing-but-a-process-of-inference.

Friston, K., Thornton, C., Clark, A. (2012). Free-energy minimization and the dark-room problem. Frontiers in Psychology, 3, 130.

Hohwy, J. (2013). The Predictive Mind. Oxford: Oxford University Press.

Hohwy, J. (2017). How to entrain your evil demon. W: T. Metzinger, W. Wiese (red.). Philosophy of Predictive Processing. Frankfurt am Main: MIND Group.

Hohwy, J., Roepstorff, A., Friston, K. (2008). Predictive coding explains binocular rivalry: an epistemological review. Cognition, 108, 687–701.

Kent, L., Van Doorn, G., Hohwy, J., Klein, B. (2019). Bayes, time perception, and relativity: The central role of hopelessness. Consciousness & Cognition, 69, 70-80.

Prinz, J. (2008). Emocje jako ucieleśnione oceny. W: A. Klawiter (red.). Formy aktywności umysłu (s. 37–72). Warszawa: PWN.

Ransom, M., Fazelpour, S. (manuskrypt dostępny u prowadzącego). Three problems for the predictive coding theory of attention.

Rao, R., Ballard, D. H. (1999). Predictive coding in the visual cortex: a functional interpretation of some extra-classical receptive-field effects. Nature Neuroscience, 2: 79–87.

Seth, A. K. (2014). A predictive processing theory of sensorimotor contingencies: Explaining the puzzle of perceptual presence and its absence in synesthesia. Cognitive Neuroscience, 5, 97–118.

Seth, A.K. (2013). Interoceptive inference, emotion, and the embodied self. Trends in Cognitive Sciences 17, 656–663.

Wiese, W. (2017). Predictive processing and the phenomenology of time consciousness. W: T. Metzinger, W. Wiese (red.). Philosophy of Predictive Processing. Frankfurt am Main: MIND Group.

Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb:

• Strona przedmiotu 2401-K-MF-UJMP w USOSweb