چرا وقتی کلمه‌ای را زیاد تکرار می‌کنیم بی‌معنی می‌شود؟

در سطح بیولوژیکی، آنچه «اشباع معنایی» می‌نامیم، در اصل بازتاب شناختی یکی از بنیادی‌ترین سازوکارهای عصبی است: سرکوب تکرار (Repetition Suppression). مغز در برابر محرک‌هایی که بارها تکرار می‌شوند، به‌تدریج واکنش کمتری نشان می‌دهد؛ یعنی سیستم عصبی ما برای صرفه‌جویی در انرژی، به محرک‌های تکراری بی‌اعتناتر می‌شود.

این پدیده را هر روز تجربه می‌کنید: وقتی برای اولین‌بار وارد اتاق می‌شوید، صدای تیک‌تاک ساعت یا وزوز یخچال را می‌شنوید. چند دقیقه بعد، مغز شما آن را به‌عنوان اطلاعات تکراری و بی‌اهمیت طبقه‌بندی کرده و به طور فعال آن را فیلتر می‌کند. این امر «عادت‌مندی عصبی» (neural habituation) است؛ مغز انرژی خود را برای چیزهای جدید و غیرمنتظره ذخیره می‌کند.

اما پس از تکرارهای زیاد، مغز برای حفظ انرژی، این سیگنال تکراری و دروغین را نادیده می‌گیرد. همین فرآیند فیلترکردن خودکار، مغز را قادر می‌سازد تا بر اطلاعات جدید تمرکز کند.

ولی چرا مغز چنین رفتاری دارد؟ همین پرسش ساده، امروز به یکی از بحث‌برانگیزترین موضوع‌ها در علوم اعصاب بدل شده است؛ پدیده‌ای ظاهراً کوچک که دو مدل بزرگ درباره‌ی سازوکار کلی مغز را شرح می‌دهد.

مدل غالب در دهه‌های اخیر، مبتنی بر نظریه‌ی «کدگذاری پیش‌بین» (Predictive Coding) است. دیدگاهی که مغز را یک «ماشین پیش‌بینی» می‌داند که مدام ورودی حسی بعدی را حدس می‌زند. بر اساس این مدل، «سرکوب تکرار» نتیجه‌ی خستگی نیست، بلکه محصول انتظارات «بالابه‌پایین» است.

وقتی کلمه‌ی قاشق را برای بار دوم می‌بینید، مغز شما انتظارش را داشته است. چون ورودی واقعی با پیش‌بینی مغز مطابقت دارد، «خطای پیش‌بینی» یا همان سیگنال عصبی ناشی از شگفتی یا عدم تطابق، کاهش می‌یابد.

همین افت سیگنال است که در اسکن‌های مغزی به شکل سرکوب تکرار دیده می‌شود. به بیان ساده‌تر، رئیس (لایه‌های آگاه‌تر مغز) به کارگران (بخش‌های حسی) اعلام می‌کنند که وقتی همه‌چیز مطابق انتظار پیش می‌رود، لازم نیست فعالیت شدیدی نشان دهند.

اینجاست که داستان به پژوهشی مهم در سال ۲۰۲۴ در مجله‌ی Communications Biology از گروه نیچر می‌رسد؛ مقاله‌ای که مستقیماً مدل «بالابه‌پایین» را به چالش می‌کشد.

محققان این‌بار به‌جای مطالعه‌ی مغز انسان، رویکرد دیگری را انتخاب کردند: آن‌ها یک مدل یادگیری عمیق را با تمرکز بر «شبکه‌های عصبی جفت‌شده پیوسته» (CCNN) توسعه دادند. این مدل هوش مصنوعی به طور خاص برای تقلید از معماری بیولوژیکی «مسیر بینایی شکمی» (Ventral Visual Pathway) طراحی شده بود؛ همان ناحیه‌ای از مغز ما که تشخیص اشیا و پردازش محرک‌های بصری را برعهده دارد.

این مدل هوش مصنوعی، هیچ‌گونه انتظار شناختی بالابه‌پایین، پیش‌بینی، یا آگاهی سطح بالا نداشت و صرفاً یک شبکه‌ی پردازش حسی پایین‌به‌بالا بود؛ درست مانند کارگرانی که رئیس ندارند.

نتیجه‌ی تست‌ها جالب‌توجه بود. مدل هوش مصنوعی، بدون داشتن هیچ‌گونه انتظار «بالابه‌پایین»، دقیقاً همان الگوی اشباع معنایی را از خود نشان داد. یعنی فرایندهای محاسباتی ساده و «پایین‌به‌بالا»، همان چیزی که لئون جیمز در سال ۱۹۶۲ به‌صورت شهودی خستگی عصبی نامیده بود، به‌تنهایی می‌توانند سبب تجربه‌ی روان‌شناختی ازدست‌دادن معنا شوند.

اهمیت این نتیجه فراتر از توضیح کلمه‌ی عجیب بود. این یافته هم استفاده از هوش مصنوعی را برای آزمودن نظریه‌های مغز معتبرتر کرد و هم این احتمال مهم را مطرح ساخت که شاید مغز، آن‌قدرها که تصور می‌کردیم، یک «ماشین پیش‌بینی بالابه‌پایین» نباشد.

شاید بسیاری از پدیده‌های شناختی ما، از جمله احساس غریبگی با یک کلمه‌ی آشنا، ریشه در فرایندهای محاسباتی بسیار پایه‌ای‌تری در قشر بینایی اولیه داشته باشند. شاید «کارگران» حتی بدون دستورات «رئیس» هم خسته شوند و این خستگی، مستقیماً بر تجربه‌ی آگاهانه‌ی ما از معنا تأثیر بگذارد.

رقابت مدل‌های بالابه‌پایین و پایین‌به‌بالا فقط بحثی نظری نیست. علوم اعصاب ابزارهایی دارد که می‌توانند این فرایندها را در مغز زنده دنبال کنند. یکی از دقیق‌ترین روش‌ها، الکتروانسفالوگرافی (EEG) و رصد موج مغزی‌ای به نام N400 است؛ موجی که حدود ۴۰۰ میلی‌ثانیه پس از یک محرک معنایی ناهنجار یا غیرمنتظره ظاهر می‌شود.