Мозг и душа. Как нервная деятельность формирует наш внутренний мир
Шрифт:
Сегодня вечером я собирался пойти на семинар по нейроэстетике, но его отменили. Вместо этого я могу пойти в бар. Там я встречаю профессора английского языка. На нее это сообщение никак не повлияло. Она никогда не ходит на нейробиологические семинары.
Мы можем также сказать, что информативность сообщения определяется степенью, в которой оно меняет наши убеждения [121] об окружающем мире. Чтобы узнать, какой объем информации содержится в сообщении, передаваемом получателю, нужно узнать, каковы были убеждения получателя до поступления этого сообщения. Тогда мы сможем увидеть, насколько эти убеждения изменились после того, как сообщение было получено. Но можем ли мы определить такие априорные убеждения и происходящие в них изменения?
121
Слово "убеждение" (belief) здесь используется в особом смысле: степень моего убеждения в истинности некоторого утверждения есть предполагаемая мной вероятность того, что это утверждение истинно. —
Решение этой проблемы нашел человек, который будет, наверное, самым необычным из всех ученых, попавших на страницы этой книги. Преподобный Томас Байес (1702-1761) был пресвитерианским священником и за всю свою жизнь не опубликовал ни одной научной работы, хотя и стал в 1742 году членом Лондонского королевского общества. Только через два года после его смерти его классическая работа была наконец опубликована в "Философских трудах Королевского общества". После этого она больше ста лет пребывала в забвении. Только в двадцатых годах XX века слава Байеса начала расти. Для Рональда Фишера, бывшего тогда президентом Королевского статистического общества, Байес был настоящим кумиром, и в результате усердного лоббирования со стороны статистиков его в конце концов включили в "Национальный биографический словарь". И все же он оставался почти неизвестным за пределами круга тех, кто профессионально занимался статистикой. И даже те, кто слышал о байесовской статистике, часто считали, что ей не хватает должной объективности.
Рис. 5.5. Могила преподобного Томаса Байеса.
Томас Байес похоронен на кладбище Банхилл-Филдс в центре Лондона. В XVIII веке на этом кладбище хоронили нонконформистов [122] , но теперь это общественный парк. Могила была отреставрирована в 1969 году, на средства "статистиков со всего мира".
Но в последние 10 лет Томас Байес стал суперзвездой. В сети есть множество сайтов, где объясняется теорема Байеса и сообщается: "Главное, что Байес крут, а кто не знает Байеса, тот не крут". А если вы не верите тому, что говорят в интернете, то, быть может, вас убедит New York Times за 20 января 2004 года?
122
Нонконформисты – британские протестанты, не признававшие власти Англиканской церкви (пресвитерианцы, баптисты, квакеры и др.). — Примеч. перев.
"В научной среде байесовская революция вот-вот станет преобладающей точкой зрения, что 10 лет назад казалось немыслимым", – говорит Брэдли Карлин, профессор здравоохранения из Университета Миннесоты.
Из-за чего же возник весь этот ажиотаж?
Вот как формулируется теорема Байеса:
p(A|X) = p(X|A)·p(A)/p(X).
Возьмем некоторое явление (А), о котором мы хотим узнать, и наблюдение (X), которое дает нам какие-то сведения об A. Теорема Байеса говорит нам, насколько увеличится наше знание об A в свете новых сведений X. Нам незачем вникать в детали этого уравнения. Главное – что это уравнение дает нам именно ту математическую формулу убеждений, которую мы искали. Убеждению в данном случае соответствует математическое понятие вероятности. Вероятность позволяет измерить, в какой степени я убежден в чем-то. Если я в чем-то совершенно уверен (например, в том, что утром взойдет солнце), вероятность равна единице [в форме уравнения это можно выразить так: p(взойдет солнце) = 1]. А если я совершенно уверен, что что-то никогда не случится, вероятность равна нулю [p(Крис Фрит выиграет конкурс "Евровидение") = 0]. Большинство наших убеждений не так тверды и занимают промежуточное положение между нулем и единицей [p(поезд, на котором я езжу на работу, опоздает) = 0,5]. И эти промежуточные убеждения постоянно изменяются по мере того, как мы получаем новые сведения. Прежде чем ехать на работу, я уточню положение поездов Лондонского метро в интернете, и эти новые сведения изменят мое убеждение о вероятности опоздания поезда (хотя и ненамного...).
Теорема Байеса показывает, насколько именно изменится мое убеждение относительно A в свете новых сведений X. В приведенном выше уравнении p(A) – мое первоначальное или априорное, убеждение об A до поступления новых сведений X, p(X|A) – вероятность получения сведений X в случае, если A действительно будет иметь место, а p(A|X) – мое последующее, или апостериорное, убеждение об A с учетом новых сведений X. Все это станет понятнее на конкретном примере.
Вас, вероятно, удивило, почему это Брэдли Карлин, профессор здравоохранения из Университета Миннесоты, так интересуется теоремой Байеса. Дело в том, что здравоохранение – одна из тех многих областей, где теорема Байеса находит свое применение.
Рассмотрим проблему рака груди. [123] Обратимся к частному случаю, связанному с эффективностью массовых обследований. Мы знаем (это наше априорное убеждение), что к 40 годам у 1% женщин развивается рак груди (p(A) = 0,01). Кроме того,
123
Пример из статьи Элиэзера Юдковского "Доступное объяснение теоремы Байеса" (An Intuitive Explanation of Bayes' Theorem), http://yudkowsky.net/bayes/bayes.html. — Примеч. авт.
Учитывая, что этот метод кажется хорошим, каково будет ваше убеждение относительно женщины, для которой только что получен положительный результат маммографического обследования на рак груди? Большинство людей сказали бы, что у нее, скорее всего, рак груди. Но применение теоремы Байеса показывает, что это мнение ошибочно. Мы можем легко убедиться в этом, если на время забудем о вероятностях. Вместо этого давайте рассмотрим 10 000 женщин в возрасте 40 лет и старше.
Еще до обследования эти 10 000 женщин можно мысленно разделить на две группы:
Группа 1: 100 женщин с раком груди;
Группа 2: 9900 женщин без рака груди.
Группа 1 – этот тот 1% женщин, у которых развился рак: p(A)
После обследования женщин можно разделить на четыре группы:
Группа А: 80 женщин с раком груди и положительной маммографией;
Группа Б: 20 женщин с раком груди, но с отрицательной маммографией.
Группа В: 950 женщин без рака груди, но с положительной маммографией;
Группа Г: 8 950 женщин без рака груди и с отрицательной маммографией.
Группа А – это те 80% женщин с раком груди, у которых его выявляет маммография: p(X|A)
Группа В – это те 9,6% женщин, у которых нет рака груди, но результат маммографии положительный: p(X|~A).
Итак, результат обследования оказался положительным у 950 женщин, у которых нет рака груди, и только у 80 женщин, у которых есть рак груди. Чтобы ответить на вопрос "Какова доля женщин с раком груди среди тех, у кого результат маммографии положительный?", мы разделим число женщин в группе А на суммарное число женщин в группах А и В (то есть на общее число женщин с положительной маммографией). Это даст нам ответ 7,8%. Иными словами, более 90% женщин, у которых маммография дает положительный результат, в действительности не больны раком груди. Несмотря на то что маммография – хороший метод выявления рака груди, теорема Байеса говорит нам, что получаемые с ее помощью сведения сравнительно малоинформативны. [124] Проблема возникает оттого, что мы обследуем сразу всех женщин в возрасте 40 лет и старше. Для женщин этой большой группы априорное ожидание рака весьма невелико. Теорема Байеса показывает, что результаты маммографии будут намного информативнее, если обследовать "группы риска", например женщин, у которых в семье были случаи рака груди.
124
Именно поэтому, несмотря на то что на первый взгляд кажется, что проводить такие обследования – хорошая идея, в итоге у многих возникли серьезные сомнения в эффективности этой меры. — Примеч. авт.
Теперь вам уже, наверное, кажется, что вы узнали больше, чем нужно, о том, как на деле работает теорема Байеса. Какое же все это имеет отношение к решению проблемы познания окружающего мира?
Идеальный байесовский наблюдатель
Важность теоремы Байеса состоит в том, что она дает нам возможность очень точно измерять степень, в которой новые сведения должны менять наши представления о мире. Теорема Байеса дает нам критерий, позволяющий судить о том, адекватно ли мы используем новые знания. На этом и основана концепция идеального байесовского наблюдателя – воображаемого существа, всегда использующего получаемые сведения наилучшим из возможных способов. Как мы только что убедились из примера с раком груди, у нас очень плохо выходит использовать получаемые сведения, когда речь идет о редких событиях и больших числах. Психологи охотно придумывает забавные и полезные задачи, которые у студентов, даже тех, кто изучает статистику и логику, никак не получается правильно решить. [125] Но хотя нам, когда мы пытаемся решать такие задачи, и далеко до идеального наблюдателя, у нас есть уже немало свидетельств того, что наш мозг не сбивают с толку ни редкие события, ни большие числа. Наш мозг, когда он обрабатывает данные, поступающие от органов чувств, ведет себя как настоящий идеальный наблюдатель.
125
Особенно увлекательно эти вещи описал Стюарт Сазерленд. — Примеч. авт.