fbpx
Connect with us

Teknoloji

Yüzyıl Önce Gelecek İçin Yapılan Tahminler 2018’de Yaşanıyor Mu?

Published

on

20’inci yüzyıl insanları geleceğin getireceği yeniliklerden oldukça umutluydu. 1. Dünya savaşından çıkan toplumlar teknolojinin ve elektriğin getirdiği büyüme potansiyeli sebebiyle önümüzdeki yüzyılla ilgili birçok öngörü daha o tarihlerde yapılıyordu. 1900’lü yılların başlarında fütüristler insan hayatını iyileştirebilecek olan teknolojide yüzyıl sonra inanılmaz bir patlama yaşanacağını düşünüyordu.

Aslında geleceğe dair yapılan bu tahminlerin birçoğu otomobillerin ve uçakların çoğalması, bilginin yaygın hale gelmesi eksenindeydi. Tahminlerde bu aygıtların nasıl işleyeceği ile ilgili özel tanımlamalar yapılıyordu. Bu tahminler teknolojinin sadece bir yüzyıl geçmesine rağmen nasıl geliştiğini göstermesi bakımından da önemli.
1917 senesinin serin bir Şubat gününde mucit Alexander GrahamBell mezuniyet sınıfı McKinley Manuel Eğitim Okulu’nda bir konuşma yaptı. Bell, elektrik ve otomobillerin yarattığı inanılmaz değişimi hatırlattıktan sonra “Şu anda meydana gelen çeşitli değişiklilerin geriye dönerek geçmiş evrimini izlemek çok ilginç ve eğitici” dedi. Bell, “Bu ilerleme çizgilerini geleceğe yansıtarak, geleceği belirli bir ölçüde tahmin edebilir hale getiriyor ve bu sayede sizin için açılan yararlılık alanlarından bazılarını tanıyabilirsiniz” açıklamasında bulundu.

Bell 1876 yılında insan sesini iletebilmek için teller kullanan ve telefon olarak bilinen cihazı patentlemişti. Cihazın yaygınlaşmasıyla birlikte yetenekleri de arttı. 1915 yılında kablosuz telefon sistemi bir Virginia vatandaşının Paris’teki bir başka kişiyle konuşmasına izin verdi. Bell yarattığı bu teknolojinin insanlara uzaktan hemen hemen her şeyi sağlayan bir sisteme dönüşeceğini ön görüyordu. Bell telefon için, “Muhtemelen elle kullanılabilen ve neredeyse mekanik herhangi bir opsiyonla kablosuz olarak performans gösterecekler” dedi. Bu tahmini günümüz telefonları için hiç de uzak bir ön görü değil.
Bell, “Bu başarıya mutlaka, dünyanın herhangi bir yerindeki bir erkekle telefonla ve kablolarla konuşamayacağımız zamanı” ima ettiğini tahmin ederek, bu başarıya ve yarattığı değişimden hayret duyduk “dedi. Bell’in konuşmasında, ABD’nin tahminen 11,7 milyon çalışan telefon vardı ; 2000 yılına kadar bu sayı yaklaşık 103 milyona yükseldi .

1914 yılında Ford Motor yılda 300 bin otomobil üretme imkanı ağlayan ilk hareketli montaj hattını geliştirdi. Fütüristler yüzyıl içerisinde Miami’den Moskova’ya kadar her insanın kendi otomobiline sahip olacağını ön görüyordu. 6 Ocak 1918 yılında The Washington Times gazetesinde geleceğin otomobiline dair bir makale yayınlanmıştı. Yazar ScientificAmerican’da geleceğin otomobilini anlatan bir tahmin yapıyordu.Bu otomobil su geçirmez ve hava koşullarına dayanıklı, iki tarafı tamamen camdan yapılmış ve koltuklar aracın herhangi bir yerine taşınabiliyordu. Araç; hidrolik direksiyon, frenler, ısıtma ve navigasyon için küçük bir kontrol paneli ile donatılmıştı. Bir parmak kolu direksiyon simidinin yerini alacaktı. Diğer tasarımlar, arabaların şoklara olan ihtiyacını ortadan kaldırmak için sadece üç tekerlek üzerinde ya da hava dolu küreler üzerinde dolaşacağını düşünüyordu. 1900’lerin başında geleceğe dönük tahminciler, günlük seyahatlerimizin arazi ile sınırlı kalmayacağı fikrini savunuyordu. Örneğin, Fransız sanatçı Jean-Marc Côté’nin ve işbirlikçilerinin, 1899-1910 yılları arasında ürettikleri kartpostal dizisinde; 2000 yılına gelindiğinde hem gökyüzünü hem de denizikolonize etmiş olunacağı ve burada yaşayan kişilerin transit amaçlar için işe alınacağı ön görülüyordu.

Uçmak insanların zihinlerinde en önemli yerlerden birisini tutuyordu. Wright kardeşler, 1903’te ilk kez başarılı bir şekilde uçtu ve diğer mucitleri ve mühendisleri I. Dünya Savaşı’ndan önce sınırsız sayıda uçak tasarımını test etmeye teşvik etti. Côté’nin eserleri şaşırtıcı değil, 2000 yılına kadar sayıız havayolu şirketi kuruldu. Havadan taksi hizmetleri, kayan savaş gemileri, uçan bir postacı ve hava yoluyla toplu taşıma araçları tahmin edilen günümüzün tuhaf tasvirlerinde görülüyor.
Hava kurtarma hizmeti veya savaş için donatılmış uçaklar gibi bazı sistemler artık askeri güçlerin günlük bir parçasıdır. Ancak Scientific American’ın 1915’te çıkacağına söz verdiği “Fransız görünmez uçağı” henüz yok.

19 ve 20.yüzyıllarda ön görülen uçan arabalar 21. Yüzyılın öne çıkan özellikleri arasında yer alıyor. Özellikle kişisel uçan arabalar o dönemlerde birçok kişi tarafından hayal ediliyordu. Bilim ve Buluşun Mayıs 1923 sayısında, bilim kurgu yazarı Hugo Gernsback , “helicar” olarak adlandırdığı bu uçan arabalar için yaptığı vizyonunu , daha önce New York sokaklarını sıkıştığını gördüğü otomobil trafiğine bir çözüm olarak açıkladı. Henüz her garaja park uçuş makinesi olmayabilir, ama bu tür organizasyonlar Uber ve NASA, Rus savunma şirketi Kalaşnikof, 2020 Olimpiyatları için Toyota ve sayısız küçük şirket kişisel uçan araba geliştirmek için çalışmalar yürütüyor.
Teknolojinin kişiselleşeceği, teknolojiye odaklı bir endüstrinin gelişeceği gibi tahminlerin yanı sıra en şaşırtıcı tahmin fosil yakıtlar ve çevre konularında düğümleniyor. Günümüzde bazı kişiler fosil yakıtı bırakmamak için dirense de 20. Yüzyıldan itibaren birçok fütürist gelecekte fosil yakıt alışkanlığının bırakılmak zorunda kalacağını söylüyordu.
Kaynak: https://futurism.com/2018-looking-back-century/

Teknoloji

MIT’den Robotlara Yeni Bir Özellik!

Published

on

Robotların, tasarlanan modeller sayesinde kalıp malzemelerin şekillenebilmesini sağlayabilmeleri dışında, sıvı ile katı nesnelerin etkileşime girme konusunda da gelişme kaydettiği görülmekte.
Yeni bir öğrenme sistemi geliştiren MIT araştırmacıları sayesinde, robotların katı nesneler ile sıvıların etkileşimleri hakkında tahminde bulunma yetenekleri ve malzemelerin istenilen hedef şekillere dönüşebilmesinin sağlanması gelişiyor. Öğrenme tabanlı parçacık simülatörü gibi bilinen sistem, endüstriyel robotlara işlenebilmiş bir dokunuş sağlayabilir. Ayrıca kişisel robotlarda kil şekillendirme ya da suşi için yapışkan pirinçleri yuvarlamayı modellemek gibi eğlenceli uygulamalara olanak sağlayabiliyor.Robotik planlamada fiziksel simülatörler, farklı malzemelerin kuvvete nasıl tepki verdiğini yakalayabilen modellerdir.

Robotlar, deforme olabilen kili karıştırmak/bozmak ya da kili bir kutuya yerleştirmek gibi nesneler ile etkileşimlerin sonuçlarını tahmin etmede “eğitilmiş” modelleri kullanıyor. Fakat geleneksel öğrenme tabanlı simülatörler esas olarak katı nesnelere odaklanır ve sıvıları ya da yumuşak nesneleri idare edemez. Bazı fizik tabanlı simülasyonlar çeşitli malzemeleri manipüle edebilir fakat robotlar çoğunlukla gerçekteki nesneler ile etkileşime girdiğinde hataları ortaya çıkaran yaklaşım tekniklerini temel alıyorlar. Mayıs’ta Uluslararası Öğrenme Temsilleri Konferans’ında sunulan bir bildiride araştırmacılar, farklı malzemelerin küçük parçaları karıştırıldığında veya sıkıştırılıp deforme olduğunda parçacıkların nasıl etkileştiğini öğrenen yeni bir model tanımlamıştır.

Model, hareketin altında yatan fiziğin belirsiz ya da bilinmediği durumlarda doğrudan veriden öğreniyor. Robotlar; katı, sert ve deforme olabilen malzemelerin yanı sıra sıvılara dokunulduğunda oluşan kuvvete nasıl tepki vereceğini tahmin etmek için modeli daha sonra bir kılavuz olarak kullanabilir. Robot nesneler ile etkileşime girerken model, robotun kontrolünün daha hassas olmasına yardımcı olur. Deneylerde “Pirinç Kavraması” veya “Pirinç Tutuşu” olarak adlandırılan iki (2) parmaklı bir robot el,suşi pirinci için hedeflenen görevdeki bir yapılandırmaya doğru (T şekil gibi) deforme olabilen bir köpüğü doğru şekillendirmiştir.Kısacası araştırmacıların modeli, robotlar insanların yaptıklarına benzer şekilde üç boyutlu nesneler oluşturmak için yararlanabilecek bir tür “sezgisel fizik” beyni olarak hizmet ediyor.

Bilgisayar Bilimi ve Yapay Zeka Laboratuvarı (CSAIL) yüksek lisans öğrencisi olan ilk yazar YunzhuLi şunları söylüyor: ” İnsanlarınsezgisel bir fizik modeli var.Bu durumda bir nesneyi itip sıkıştırdığımızda nasıl davranacağını hayal edebiliyoruz. Bu sezgisel modele dayanarak, insanlar mevcut robotların ulaşamayacağı kadar farklı,ilginç manipülasyon görevlerini başarabilirler.Biz insanların yapabildiklerini robotların da yapabilmesi adına bu tür bir sezgisel model oluşturmak istiyoruz.” CSAIL ‘li bir lisans öğrenci olan ortak yazar JianjunWu şöyle söylüyor: “Çocuklar 5 aylıkken katı ve sıvılar için zaten farklı beklentilere ya da kurgulara sahipler. Bu erken yaşta bildiğimiz bir şey ve bu yüzden belki de robotlar için modellememiz gereken bir şey”. Bildiride Lİ ve Wu’ya katılanlar: CSAIL araştırmacısı ve Elektrik Mühendisliği ve Bilgisayar Bilimleri (EECS) bölümünde profesör olan RussTedrake; JoshuaTenenbaum, Beyin ve Bilişsel Bilimler Bölümünde profesör ve CSAIL üyesi ile Beyinler, Zihinler ve Makineler Merkezi (CBMM) üyesi; ve EECS’de profesör olan MIT-IBM Watson AI Lab ‘ın müdürü AntonioTorralba.

Dinamik Grafikler

Modelin arkasındaki en önemli yenilik, “parçacık etkileşim ağı (DPI Nets)” olarak adlandırılan ve bu sözde parçacıkların karmaşık davranışlarını yakalayabilen binlerce düğüm ve kenardan oluşan dinamik etkileşim grafiklerini oluşturmak. Grafikteki her düğüm bir parçacığı temsil eder. Komşu düğümler, bir parçacıktan diğerine geçen etkileşimi temsil eden kenarlar kullanılarak bağlanır. Simülatördeki parçacıklar, deforme olabilen bir nesneyi veya bir miktar sıvıyı oluşturmak için birleşen yüzlerce küçük küreden oluşan yapıdır. Bu grafikler, grafiksel sinir ağı olarak adlandırılan bir makine öğrenme sisteminin temelini oluşturur. Eğitimde model, farklı malzemelerdeki parçacıkların nasıl tepki verdiğini ve yeniden şekillendiğini zamanla öğrenir. Daha sonra model, grafik boyunca bir sinyal yayan “yayılma” tekniği olarak adlandırılan kavramdan yararlanır. Araştırmacılar bu tekniği belirli zaman adımlarında partikül konumlarını tahmin eden bir sinyali elde etmek adına her tür malzeme (sert, deforme olabilir ve sıvı) için özelleştirmiştir.

Eğer gerekirse her adımda bu teknik, parçacıkları hareket ettirir ve yeniden bağlar. Örneğin bir kutunun itildiğini düşünelim: kutu içerisindeki bozulan parçacıklar ileri doğru hareket edecektir. Kutudaki tüm parçacıklar birbirine sert bir şekilde bağlı olduğundan nesne içindeki her parçacıkta hesaplama yapıldığında benzer şekilde mesafe, dönme ve diğer boyutta hareket sağlar. Parçacık bağlantıları bozulmamış bir şekildedir ve kutu tek bir birim olarak hareket eder. Fakat deforme olabilen köpüğün bir alanı girintili ise etki farklı olacaktır. İtilmeye maruz kalarak bozulmuş parçacıklar çok fazla ileri hareket ederken çevredeki parçacıklar biraz hareket ederler.Uzaktaki parçacıklar ise hiç hareket etmezler. Sıvı konulmuş bir bardağa çarpıldığında mevcut parçacıklar grafiğin bir ucundan diğer ucuna tamamen sıçrayabilir. Grafik ile, etkilenen tüm parçacıkların nerede ve ne kadar hareket ettiği hesaplanarak tahmin bulunulabilir.

Robotlarda Şekillendirme ve Adapte Etme

Araştırmacılar,sıkıştırma hareketini sağlayabilen iki parmaklı RiceGrip robotunu kullandı ve makalelerinde, deforme olabilen köpüğün dışının hedef şekilleri almasıyla modeli kanıtladılar. Robot ilk olarak köpüğü tanımlamak için derinlik algılayabilen bir kamera ve nesne tanımlama tekniği kullanır. Araştırmacılar, robot tarafından algılanan şeklin yapısındaki parçacıkların başlangıç konumları için şekil içerisindeki parçacıkları rastgele seçmişlerdir.Sonra parçacıklar arasına kenarlar eklenir ve deforme olan malzemeler için özelleştirilmiş dinamik grafiği yeniden yapılandırılır.

Öğrenen simülasyonlar sayesinde robotlar, belirli bir kuvvete sahip her bir dokunuşun grafikteki parçaları nasıl etkileyeceği hakkında zaten iyi bir fikir veriyor. Robot robot köpüğü sıkıştırmaya başladığında parçacığın gerçekteki konumu ile hedeflenen konumunu iterasyon yaparak (tekrar etme) eşleştirir. Parçacıklar sıralanamadığı zaman modele bir hata sinyali gönderilir. Bu sinyal malzemenin gerçekteki fiziğine daha iyi uyması adına modeli değiştirmektedir. Araştırmacılar; robotların kısmen gözlemlenebilir senaryolar ile etkileşimleri daha iyi tahmin etmelerine yardımcı olacak modeli geliştirmeyi hedefliyor. Sadece yüzeydeki kutular görünüp diğer kutular gizlenmiş olsa bile, kutu yığını itildiğinde nasıl hareket edeceğini bilmek gibi bir senaryo bu modele örnek olabilir.

Araştırmacılar doğrudan görüntüler üzerine çalışarak modeli baştan sona algı modülü ile birleştirmek için de çalışmalarını sürdürmekte. Bu, Dan Yamins grubu ile ortak bir proje olacak. Yamin, MIT ‘de kısa bir süre önce doktorasını tamamladı ve şuan Stanford Üniversitesi’nde yardımçı doçent. Wu, “İlgilendiğimiz konu üzerine birtakım araştırma ve bilgi mevcut. Bu bilgiyi arttırmak adına çalışıyoruz.” diyor. “Modelimizin şuan sadece küçük bir kısmını görebiliyoruz fakat tüm parçacıklarının dinamiklerin öğrenmek için modelimizi genişletiyoruz.” [ Bilim İnsanları, Elimizin dokunma hissiyatını taklit eden eldiven geliştirdi]

Çeviri: Aybike Pirol

Kaynak: http://news.mit.edu/2019/robots-object-manipulation-particle-simulator-0417

Continue Reading

Teknoloji

Yapay zeka insanların sesini dinledi sonra yüzlerini oluşturdu

Published

on

Hiç sesine dayanarak, daha önce görmediğiniz bir kişinin zihinsel görüntüsünü oluşturdunuz mu? Yapay zeka (AI) artık bunu yapabilir, referans olarak kişinin sadece kısa bir ses klibi kullanılarak yüzünün dijital görüntüsü oluşturuluyor. Bilim insanları tarafından Speech 2 Face diye adlandırılan, sinir ağı insan beynine benzer bir şekilde “düşünen bir bilgisayar”, 100.000 ‘den fazla farklı insanın konuştuğunu gösteren milyonlarca eğitim videosu ile eğitildi. Bu veri kümesinden Speech 2 Face vokal ipuçları ile insan yüzündeki belirli fiziksel özellikler arasındaki ilişkileri öğrendi. Yapay zeka daha sonra sese uyan fotogerçekçi bir yüz modellemek için bir ses klibi kullandı.

Neyse ki, yapay zeka henüz belirli bir bireyin yalnızca sesini temel alarak neye benzediğini tam olarak bilmiyor. Çalışmanın yazarları, sinir ağının cinsiyet, yaş ve etnik kökene dikkat çeken, birçok kişi tarafından paylaşılan özellikleri gösteren konuşmadaki bazı belirleyicileri tanıdığını belirtti. Bilim insanları, “Model, yalnızca ortalama görünüşlü yüzler üretecek” dedi. “Belirli kişilerin imajlarını üretmeyecek.” Speech 2 Face tarafından üretilen yüzler hepsi nötr ifadelere sahip, seslerin arkasındaki insanlarla tam olarak eşleşmedi. Ancak görüntüler, araştırmaya göre genellikle bireylerin doğru yaş aralıklarını, etnik kökenlerini ve cinsiyetlerini yakaladı.

Ancak, algoritmanın yorumları mükemmel olmaktan uzaktı. Speech 2 Face, dil değişkenleriyle karşılaştığında “karma performans” sergilemiştir. Örneğin, yapay zeka , Çince konuşan bir Asyalı adamın ses klibini dinlediğinde, program bir Asya yüzünün görüntüsünü oluşturuyordu. Bununla birlikte, aynı adam İngilizce’de farklı bir ses klibinde konuştuğunda, yapay zeka beyaz bir adamın yüzünü yarattığını bildirdi. Algoritma ayrıca, düşük tiz sesleri erkek yüzlerle ve yüksek tiz sesleri kadın yüzleriyle birleştiren cinsiyet yanlılığı gösterdi.Araştırmacılar, eğitim veri seti yalnızca YouTube ’dan gelen eğitim videolarını temsil ettiğinden, “tüm dünya nüfusunu eşit şekilde temsil etmiyor” dedi. Araştırmacılar, bu video veri setiyle ilgili bir başka kaygının, bir YouTube videosunda yer alan bir kişinin, benzerliğinin çalışmaya dahil edildiğini öğrenmeye çalışmasıyla ortaya çıktığını belirtti.

Editör / Yazar: Burcu AKIN

Kaynak: https://www.livescience.com/65689-ai-human-voice-face.html

Continue Reading

Teknoloji

Zeka Oyunları Gerçekten İşe Yarıyor Mu?

Published

on

Muhtemelen günde sadece birkaç dakika içinde sizi daha akıllı yapmak için gelecek vaat eden uygulama reklamları görüyorsunuz. Yüzlerce uygulama sözde “BEYİN JİMNASTİĞİ” programı için satın alınabilir. Bu basit oyunlar, önemli günlük görevlerin performansını iyileştirme hedefi olan zihinsel yeteneklere meydan okumak için tasarlanmıştır. Ancak, telefonunuzdaki yüzme balıklarının veya parıldayan sokakların işaretlerini tıklamak gerçekten beyninizin çalışma şeklini geliştirmenize yardımcı olabilir mi? İki büyük bilim insanı ve ruh sağlığı uygulayıcısı grubu, 2014 yılında aylarca bu tür beyin oyunlarının etkinliği hakkında fikir birliği yaptı. Her iki grup da biliş, öğrenme, beceri edinme, sinirbilimi ve demans konusunda uzun yıllara dayanan araştırma tecrübesine ve uzmanlığa sahip insanları içermektedir. Gruplar mevcut olan aynı kanıtları dikkatlice değerlendirdi ve ilk olarak beyin oyunları oynamanın temel bilişsel yeteneklerin altını çizdiğine veya birinin, günlük yaşamın karmaşık bir bölgesinde daha iyi gezinmesine olanak sağladığına” dair çok az kanıt olduğu sonucuna varıldı.

Diğeri ise, “önemli ve büyüyen bir kanıt kitlesinin, belirli bilişsel eğitim rejimlerinin, günlük yaşamı genelleyen yöntemler de dahil olmak üzere bilişsel işlevi önemli ölçüde iyileştirebileceğini gösterdiğini savundu. Bu iki rakip çelişkili ifadeleri ile uzmanlar arasındaki derin bir anlaşmazlık ve bir şeyin doğru olması için ikna edici kanıt olarak neyin önemli olduğuna dair temel bir anlaşmazlığı vurgulamaktadır. Çelişkili iddialar ve bilimsel ifadeler, reklamlar ve hükümet kararları ışığında, tüketicilerin neye inanması gerekiyor? Beyin eğitimine yatırım yapmak için zaman ve paraya değer mi? Varsa, ne gibi faydalar bekleyebilirsiniz? Yoksa zamanın başka bir şey yapmak için harcanması daha mı iyi olur? Bilişsel bir bilim insanıyım ve Florida Eyalet Üniversitesi Başarılı Ömür Enstitüsü’nün üyesiyim. Yaklaşık yirmi yıldır biliş, insan performansı ve farklı eğitim türlerinin etkilerine çalıştım. Beyin eğitimi şirketlerinin iddialarının temelini oluşturan fikirleri doğrudan teste sokan laboratuvar çalışmaları yaptım.Bu deneyimlere dayanarak, beyin antrenmanlarının buna değip değmeyeceği konusundaki iyimser cevabım “sadece bilmiyoruz” olacaktır, fakat asıl cevap “hayır” olabilir.

Araştırma, iyileştirmeleri ne kadar iyi ölçmektedir?

Meslektaşlarım ve ben, ilgili çalışmaların çoğunun, her iki şekilde de kesin kanıt sağlayamamaktan çok uzak olduğunu savunduk.Beyin eğitimi çalışmaları çoğu zaman, dikkatin, hafızanın, muhakeme kabiliyetinin ve benzerlerinin çoklu bilişsel testleri üzerindeki etkisine bakar. Bu strateji potansiyel kazanımların genişliğini ortaya çıkarmak için anlamlıdır.Ancak, uygulanan her test için, puanların yalnızca şans eseri olarak iyileşme şansı vardır. Ne kadar çok test uygulanırsa, araştırmacıların en az bir yanlış alarm görme şansı o kadar artar.Birçok test içeren ve daha sonra sadece bir veya iki önemli sonuç bildiren beyin jimnastiği çalışmaları, uygulanan test sayısını kontrol etmedikleri sürece güvenilir olamazlar. Ne yazık ki, pek çok çalışma bulguları sorgulamaya zorlamaz. Başka bir tasarım problemi, yetersiz kontrol grupları ile ilgilidir. Bir tedavinin etkisi olduğunu iddia etmek için, tedaviyi alan grubun yapmayan bir grupla karşılaştırılması gerekir.

Örneğin, beyin eğitimi alan kişilerin, bir testten sonra, eğitimden önce ve sonra tekrar aldıkları için bir değerlendirme testinde gelişme göstermesi mümkündür.Kontrol grubu aynı zamanda iki kez teste girdiğinden, uygulama etkilerine dayanan bilişsel gelişmeler göz ardı edilebilir. Beyin eğitiminin etkinliğini desteklemek için kullanılan birçok çalışma, beyin eğitiminin etkisini hiçbir şey yapmayan bir kontrol grubuyla karşılaştırmıştır. Sorun, eğitim grubu ile kontrol grubu arasında gözlemlenen bir fark olup, bu durumlarda plasebo etkisi ile kolayca açıklanabilir. Plasebo etkisi, bir tedavinin doğrudan sonucu olmayan, ancak tedavi gördüklerinin bir sonucu olarak daha iyi hissetmeyi veya performans göstermeyi bekleyen katılımcıların gelişmeleridir. Bu, herhangi bir müdahale çalışmasında, yeni bir ilacın veya yeni bir beyin antrenmanı ürününün etkisini anlama amaçlı önemli bir husustur. Araştırmacılar bir şey yapmanın hiçbir şey yapmamaktan daha büyük bir iyileşme beklentisi yarattığını fark ettiler.

Şimdi çalışmalar, hiçbir şey yapmamak yerine bazı alternatif beyin eğitimi faaliyeti yapan katılımcılardan oluşan aktif bir kontrol grubunu kullanmaya daha yatkındırlar. Yine de, bu aktif kontroller beklentileri kontrol etmek için yeterince ileri gitmiyor. Örneğin, bilgisayarlı bulmaca ya da eğitim videoları içeren kontrol koşulundaki bir katılımcının, özellikle bilişi geliştirmeye uygun olarak lanse edilen hızlı yayınlanmış ve uyarlanabilir ticari beyin jimnastiği ürünleri ürünlerini denemek için atanan bir katılımcı kadar gelişim beklemesi muhtemel değildir. Ancak, bu yetersiz tasarımlarla yapılan çalışmalar, ticari beyin eğitiminin işe yaradığına dair kanıt sağlamayı iddia etmeye devam ediyor. Potansiyel plasebo etkilerini anlamaya ve önlemeye yardımcı olmak beklentileri ölçmek için yapılan çalışmalarda nadir olarak görülmektedir. Çalışmalarımıza katılanlar, eğitim durumlarına göre beklentiler geliştiriyorlar ve özellikle beyin eğitiminin etkileri konusunda iyimserler. Gruplar arasındaki eşsiz beklentiler ciddi bir endişe kaynağıdır çünkü bilişsel testlerin hafıza, zeka ve dikkat testleri de dahil olmak üzere plasebo etkilerine duyarlı olduğu konusunda kanıtlar artmaktadır.

İyileştirme için olası bir mekanizma var mı?

Ele alınması gereken önemli bir soru daha var: Beyin eğitimi işe yaramalı mı? Yani, bilim insanlarının, insanların nasıl yeni beceriler öğrendiği ve edindiği hakkında ne bildiği göz önüne alındığında, başka bir, eğitimsiz görevin performansını iyileştirmek için bir görevle ilgili eğitim almayı beklemeli miyiz? Bir örnek olarak, “işlem hızı eğitimi” ticari beyin eğitimi ürünlerine dâhil edilmiştir. Buradaki amaç, bir otomobil çarpışmasından kaçınmak için faydalı olabilecek, çevre bölgedeki nesnelerin algılanmasını iyileştirmektir. Çevrede sunulan kuşlarla birlikte doğa manzaraları; görüntü yalnızca kısa bir süre için sunulsa bile, oyuncular belirli kuşları bulmalıdır. Ancak, ekranda sürerken kuşları bulabilir, örneğin araba kullanırken kaldırımdan inen bir yaya algılamanıza ve kaçınmanıza yardımcı olur. Uzatılmış uygulamayla yedi ila 79 hane arasındaki sayıları hafızasını geliştirebilen bir bireyi düşünün. Eğitimden sonra, rastgele oluşturulmuş 79 hane listesini duyabildi ve bu sayılar listesini mükemmel bir şekilde gecikmeden hemen tekrarladı.

Bilişiniz için endişeleniyorsanız, ne yapmalısınız?

İlk olarak, eğer beyin oyunlarına katılıyorsanız ve onlardan zevk alıyorsanız, lütfen oynamaya devam edin. Ancak beklentilerinizi gerçekçi tutun. Yalnızca bilişsel faydalar elde etmek için oynuyorsanız, bunun yerine bilişsel olarak teşvik edici veya en azından yeni bir dil öğrenmek için çeşitli aktiviteleri düşünün. Yada enstrüman çalmak için çalışın. Bazı kanıtlar fiziksel egzersizin bilişin korunmasına potansiyel olarak yardımcı olabileceğini düşündürmektedir. Egzersizin biliş üzerinde bir etkisi olmasa bile, fiziksel sağlığa faydaları açıkça ortadadır.
Eğitim literatüründe en önemli ders şudur: Sizin için önemli olan bir görevdeki performansınızı geliştirmek istiyorsanız, bu görevi uygulayın. Zekâ oyunları oynamak sizi sadece beyin oyunlarında daha iyi hale getirebilir.

Çeviri: Seval ÖZGÜR

Kaynak: https://www.livescience.com/65674-do-brain-games-work.html

Continue Reading

Öne Çıkanlar