Machine learning e ciclo metodologico

Cerchiamo di mostrare la nostra prospettiva, mantenendo il costante confronto tra ciò che si è detto riguardo le due PHWRGRORJLH GHOO¶,QWHOOLJHQ]D $UWLILFLDOH H LO FDVR VSHUL mentale sopra presentato. Per raggiungere i nostri obiettivi faremo chiarezza innanzitutto sul comportamento cogniti- vo indagato. In seguito attenzione verrà posta sul confron-

WRWUDTXHVW¶XOWLPRHLOFRPSRUWDPHQWRGHOVLVWHPDDUWLIL ciale al fine di comprendere se il nostro studio ha assunto una metodologia model±oriented o data±oriented.

&RPLQFLDPRGDOFKLHGHUFLTXDOqVWDWRO¶RELHWWLYRGHOOD sperimentazione in termini teorici e non puramente im- plementativi. È possibile rispondere a questa domanda so- stenendo che stiamo simulando un processo di decisione. In particolar modo, si è cercato di simulare il processo de- cisionale di un medico, il quale, in funzione di alcuni pa- rametri, stabilisce se un paziente è o meno affetto da una patologia neurodegenerativa. Scendere maggiormente nel dettaglio ci permetterà di capire meglio. Ricostruiamo al- lora i passi presentati nel paragrafo precedente e compa- riamoli alla procedura adottata dal medico, tenendo a men- te che ciò che si sta cercando di fare è di capire se il nostro lavoro sperimentale possa essere ricondotto ad una delle due metodologie sopra presentate.

1) La realizzazione del protocollo sperimentale serve ad individuare la batteria di task che il paziente de- ve svolgere per fornire indicazioni al medico per la diagnosi. In clinica i medici si avvalgono soprattut- to di test di neuroimaging (e.g. Tomografia Assiale Computerizzata ² TAC, La tomografia a emissio- ne di positroni ² PET) e di test cognitivi (e.g. MMSE, MOCA, Clock Drawing Test7_{). Se noi, ad}

esempio, consideriamo i task cognitivi ci accorgia-

7 _{Il Mini±Mental State Examination, o MMSE (FOLSTEIN, FOLSTEIN,}

MCHUGH, 1975), così come il Montreal Cognitive Assessment, o MoCA, svi-

luppato da NASREDDINE et al. 2005 e il Clock Drawing Test, sono test neuro-

psicologico per la valutazione dei disturbi dell¶efficienza intellettiva e della presenza di deterioramento cognitivo.

mo che, esattamente come i task del protocollo dai noi proposto, sono costruiti per indagare le caratte- ristiche che si presuppone siano compromesse nella malattia. Nel caso specifico infatti i test cognitivi YDOXWDQRO¶RULHQWDPHQWRQHOWHPSRHQHOORVSD]LROD UHJLVWUD]LRQHGLSDUROHO¶DWWHQ]LRQHHLOFDOFROROD rievocazione, il linguaggio e la prassìa costruttiva. Ovviamente mantenendo il parallelismo tra medico e macchina, ciò che varia è lo stumento adottato per estrapolare questi parametri;

2) Ogni studio sperimenale ha poi bisogno di un cam- pione per poter fare previsioni. Per il medico, il va- riare del dataset clinico è conditio sine qua non del- la diagnosi. La raccolta di un ampio e vario cam- pione permette di definire delle metodologie di in- tervento specifiche. Ancora una volta, la differenza si riduce alla strumentazione adottata;

3) In generale il medico presuppone dei criteri diagno- stici e dei punteggi di correzione dei test cognitivi perché precedentemente altre ricerche hanno speri- mentato ciò che egli adesso adotta. Ma in una ricer- ca sperimentale, affinché sia possibile una compa- razione tra prestazioni, è necessario stabilire dei cri- WHULSHUYDOXWDUHOHVWHVVH/¶HODERUD]LRQHGHLGDWLH O¶HVWUD]LRQHGLIHDWXUHDOORUDqSURSULRORVWDELOLUHL parametri rilevanti alla valutazione;

4) /¶RELHWWLYRSULQFLSDOHGHOPDFKLQHOHDUQLQJqTXHOOR di fare in modo che le macchine manifestino un FRPSRUWDPHQWR FKH VH HVLELWR GDOO¶XRPR SRWUHP PRGHILQLUH³LQWHOOLJHQWH´6LRFFXSDLQSDUWLFRODUH della progettazione e dello studio di sistemi che SRVVDQRDSSUHQGHUHFRQRVFHQ]DDWWUDYHUVRO¶DQDOLVL dei dati in modo da poter riconoscere automatica-

mente modelli complessi ed essere in grado di prendere decisioni. Il paragone a cui giungiamo è quindi quello tra medico e macchina, o meglio, tra GHFLVLRQHSUHVDGDOPHGLFRHFRPSRUWDPHQWR³LQWHO OLJHQWH´PRVWUDWRGDOODPDFFKLQD

/DVLPXOD]LRQHQRQqDOWURFKHO¶DWWXD]LRQHGHOODFODVVL ficazione biologica o artificiale in relazione a dei parame- tri (dati) ottenuti da una sperimentazione. Come abbiamo largamente discusso, nel ciclo metodologico precedente- mente presentato abbiamo due grandi componenti speri- PHQWDOLO¶DUWHIDWWRHO¶RUJDQLVPRELRORJLFR$EELDPRDQ che osservato che ciò che differenzia i due approcci simu- lativi è in particolar modo la possibilità di confrontare le SUHVWD]LRQLGHOODPDFFKLQDDTXHOOHGHOO¶RUJDQLVPRHFLz costituisce proprio il test della teoria che essa incorpora. Nel nostro caso, allora, il problema può essere espresso nella seguente forma: è possibile confrontare la scelta o decisione del medico con quella che opera la macchina at- traverso la classificazione? In altri temini la decisione del medico è uguale alla classificazione, stando alle prestazio- ni desiderate? Questa domanda a nostro avviso sottende due ulteriori, e differenti, questioni. In primo luogo si può semplicisticamente rispondere di si, se si declina la do- manda ponendo luce sui risultati. In altri termini si rispon- GHSRVLWLYDPHQWHVHFLVLFKLHGHVHO¶HUURUHFRPPHVVRGDO la macchina sia comparabile, in numero, a quello del me- GLFRQHOODVXDGLDJQRVL8Q¶DOWUDTXHVWLRQHLQYHFHVLSRQH se si discute il processo di diagnosi, il quale, in questo ca- so, rimanderebbe alla metodologia di machine learning adottata o, con ancora più precisione, allo specifico algo- ritmo di classificazione adottato (come discusso nel Par. 2). Ancora una volta però ricadremmo nel problema della

sottodeterminazione dei modelli, che potremmo facilmente licenziare introducendo altre due domande:

1) non è forse il medico stesso il miglior modello del medico?

2) due medici eseguono esattamente lo stesso tipo di diagnosi?

Tali domande, seppur faziose, ci mettono di fronte alla transitività dal medico alla macchina attraverso la diagno- si.

Se rivolgiamo infatti O¶DWWHQ]LRQHDOGDWDVHWVXOTXDOHLO classificatore è stato addestrato, ci accorgiamo che è esat- tamente lo stesso di quello del medico. Il processo di dia- JQRVLGHOPHGLFRqEDVDWRVXOO¶RVVHUYD]LRQHGHLFDVLFOLQL ci, esattamente come quello della macchina è basato VXOO¶DSSUHQGLPHQWRVXOWUDLQLQJVHW,SXQWHJJLGHLWHVWFR JQLWLYL SHU O¶DGGHVWUDPHQWR GHOOD PDFFKLQD VRQR LQROtre stati assegnati dai medici. Allora, cosa rimane di differente nei due sistemi?

Come abbiamo largamente argomentato, i due tipi di PHWRGRORJLH SUHVHQWDWH GLIIHULVFRQR O¶XQR GDOO¶DOWUR QHOOD natura dei loro obiettivi. Secondo Datteri e Laudisa (2016), la prima differenza riguarda il confronto tra i com- SRUWDPHQWL GHOO¶DSSDUDWR DUWLILFLDOH H LO VLVWHPD QDWXUDOH Come visto in precedenza, la validazione dei lavori orien- tati al modello si basa proprio un tale confronto. Tale con- fronto non è possibile nelle simulazioni orientate ai dati SHUFKp LQ WDOL ODYRUL O¶RELHWWLYR q SURSULR TXHOOR GL FR struire dei dati mancanti in natura, e quindi inconfrontabi- OL/DVHFRQGDGLIIHUHQ]DRVVHUYDWDULJXDUGDO¶XWLOL]]RGHO PRGHOOR WHRULFR R O¶LSRWHVL GL ULIHULPHQWR VRWWRVWante. In una simulazione model±oriented il sistema artificiale deve

LQFRUSRUDUHO¶LSRWHVLGLIXQ]LRQDPHQWRSUHVXSSRVWDHVVHUH comune al sistema naturale. È proprio tale presupposizione ad essere testata attraverso la comparazione delle presta- zioni.

Nel nostro lavoro, ciò che abbiamo presentato attraver- so il secondo elenco di punti a) ± d) è stata proprio tale comparazione. Poiché è possibile tale confronto, si po- trebbe essere tentati di concludere che il lavoro proposto sia ascrivibile completamente alla prima metodologia. In effetti, è possibile comparare le prestazioni del medico a quelle del sitema artificiale e questo ci permette di capire VH O¶LSRWHVL VRWWRVWDQWH OD FODVVLILFD]LRQH q FRUUHWWD 8Q esame più attento però ci porterebbe a notare che O¶RELHttivo del metodo sintetico è quello di validare il ³PHFFDQLVPR´ VRWWRVWDQWH OD FRVWUX]LRQH GHOOD PDFFKLQD In questo caso però il meccanismo è consolidato. Per que- sta ragione il lavoro sperimentale qui presentato potrebbe ricadere in ciò che Rosenblueth e Wiener (1945) defini- VFRQR³LUULOHYDQWH´SRLFKpQRQVRWWHQGHXQPRGHOORWHRUL co.

Per utilizzare correttamente una simulazione orientata ai dati si deve presumere che il modello sia un buon mo- dello, altrimenti non ci sono motivi per considerare il comportamento della simulazione come il comportamento che il sistema da modellare avrebbe prodotto nelle stesse condizioni.

Tuttavia lo scopo della tipologia di studi data±oriented è di ottenere dati sul comportamento di un sistema che so- no difficili o impossibili da osservare attraverso tecniche più convenzionali. Le simulazioni, in questo caso, sono usate per imitare condizioni che non sono empiricamente testabili. Questo aspetto si applica malamente al nostro contesto.

Allora per risolvere la questione potremmo intendere una metodologia data±oriented come una metodologia che non ha il fine di ottenere dei dati, stricto sensu, o in manie- ra conforme a quanto presentato precedentemente sulla metodologia data±oriented, bensì di ottenere delle decisio- ni diagnostiche (Gagliardi 2018). Ciò che ottengo è co- munque un dato (la decisione di far rientrare un soggetto tra gli affetti da patologia o tra il campione sano) che sot- tende un processo. Questo processo non è altro che O¶DELOLWj QHO QRVWUR FDVR LO PRGHOOR WHRULFR FRPXQe DOO¶XRPRHDOODPDFFKLQDHFLRqODIDFROWjGLFDWHJRUL]]DUH o classificare.

La facoltà indagata è la categorizzazione, e corrisponde a compiti di elaborazione del mero dato sensoriale e che SXzDYHUHFRPHULVXOWDWRILQDOHO¶LQGLYLGXD]LRQHGLXQRJ getto attraverso la sua astrazione categoriale, cioè la sua inclusione in una determinata classe o categoria. Nel no- VWURFDVRODFODVVHq³3D]LHQWH´R³&RQWUROOR6DQR´

Ciò che si ottiene è allora non la ricostruzione o ripro- duzione di un meccanismo cognitivo ma la riproduzione di una funzione cognitiva, la decisione diagnostica, conside- rata come un processo cognitivo di categorizzazione QHOO¶DPELWRGLDJQRVWLFRFIU*DJOLDUGL

5. Conclusioni

/¶DSSURFFLRVLPXODWLYRLQJHQHUDOHqRJJLDPSLDPHQWHXWL lizzato, non solo nel campo della scienza ma anche in mol- ti altri settori, come il commercio elettronico o le previsio- QLGHOWHPSR&LzQRQRVWDQWHVHFRQFHQWULDPRO¶DWWHQ]LRQH DOVHQVRSLVSHFLILFRFKHHVVRKDDVVXQWRDOO¶LQWHUQRGHOOD scienza cognitiva e delO¶,$² FLRqO¶LGHDGLFRVWUXLUHRUL

SURGXUUH O¶LQWHOOLJHQ]D ELRORJLFD LQ IRUPD GL PDFFKLQH (adattive) ² lo status di questo metodo è molto lontano GDOO¶HVVHUH WUDVSDUHQWH R EHQ FRQVROLGDWR QHOOD FRPXQLWj scientifica. Come si combina il metodo simulativo con TXHOOR VSHULPHQWDOH" $OO¶LQWHUQR GL HVVR TXDOL ³OLYHOOL´ simulativi (nel senso di Marr, 1982) sono più utili? È pos- sibile riprodurre fenomeni biologici sotto forma di mac- FKLQH" &RPH SRVVRQR OH ³VFLHQ]H QDWXUDOL´ H OH ³VFLHQ]H GHOO¶DUWLILFLDOH´ODYRUDUHin sinergia? Questo dibattito, che è ancora acceso, ha contribuito a dichiarare una sorta di ³GXDOLVPR´ QHJOL RELHWWLYL GHL ULFHUFDWRUL FKH RSHUDQR LQ questi campi.

Riconoscere questa distinzione concettuale è utile per evitare malintesi e false dichiarazioni nei vari campi di ri- cerca. In questo lavoro abbiamo sostenuto che questo dua- lismo non è necessariamente rigido, poiché concettual- mente le influenze tra le scienze naturali e le scienze arti- ficiali e tecnologiche possono essere bidirezionali, e ci so- no ricercatori che non si posizionano in uno dei due ambi- ti, bensì in mezzo, o in entrambi. Alcuni dei metodi che VRQRDOJLRUQRG¶RJJLLQIOXHQWLQHOOHQHXURVFLHQ]HQRQVR no stati inizialmente sviluppati come modelli di intelligen- za biologica e, al contrario, modelli che sono stati inizial- mente costruiti per convalidare le ipotesi scientifiche han- no successivamente proposto ai ricercatori nuovi modi di concettualizzare il problema in questione. Oggi, come so- stenuto nel § 2.1, ci troviamo in un panorama molto più ampio di quello che vuole vedere divise le due grandi clas- VL PHWRGRORJLFKH DSSOLFDWH DOO¶,QWHOOLJHQ]D $UWLILFLDOH Queste due famiglie infatti si intrecciano, si scambiano in- formazioni reciproche, si fondono. Con il nostro studio abbiamo presentato un caso che non rientra strettamente in

nessuna delle due metodologie sopra esposte o, con le do- vute integrazioni, rientra, forse, in entrambe.

La funzione cognitiva, la categorizzazione, che funge da modello teorico, ha richiesto, da un lato, uno sguardo alla metodologia model±oriented per ricostruire lo scopo XOWLPRGHOORVWXGLRVSHULPHQWDOHHGDOO¶DOWURXQRVJXDUGR alla metodologia data±oriented per poter ricreare le condi- zioni decisionali e mantenere la costante analogia tra la classificazione effettuata dalla macchina e la classificazio- ne effettuata dal medico. In assenza di un modello esplici- to della categorizzazione che possa fungere da constraint cognitivo à la Cordeschi (2002), abbiamo costruito un par- ticolare dataset che ne possa prendere il posto, dotando il sistema di plausibilità cognitiva. Il fatto che i dati si co- stuituiscano come constraint al modello è ciò che permet- terebbe, inoltre, di giustificare il superamento della con- trapposizione tra sistemi model±oriented e data±oriented.

Riferimenti bibliografici

BOCCIGNONE G.,CORDESCHI R. (2012), Predictive Brains:

Forethought and the Levels of Explanation, «Frontiers

in Psychology», 6(213): 1±2.

BOONE W.,PICCININI G. (2016), The Cognitive Neurosci-

ence Revolution, «Synthese», 193(5): 1509±1534.

CILIA N. (2017), Understand Me or Duplicate Me? Levels

of Explanation in Artificial MethodologY, in Cilia N.D.,

Tonetti L., Wired Bodies. New Perspectives on Ma-

chine±Organism Analogy, CNR edizioni, Napoli.

CILIA N.D., DE STEFANO C., FONTANELLA F. SCOTTO DI

FRECA A. (2018), An Experimental Protocol to Support

Analysis, ICHT Proceedings, Leuven.

CORDESCHI R. (2000), Early±Connectionism Machines,

«AI & Society», 14(3): 314±330.

CORDESCHI R.(2002), The Discovery of the Artificial: Be-

haviour, Mind and Machines Before and Beyond Cy- bernetics, Kluwer, Dordrecht.

CORDESCHI R.(2008), Il Metodo Sintetico: Problemi Epi-

stemologici nella Scienza Cognitiva, «Sistemi intelli-

genti», 20(2): 167±191.

CRAIK K.J.W. (1943), The Nature of Explanation, Cam-

bridge University Press, Cambridge.

DATTERI E. (2012), Filosofia delle scienze cognitive: spie-

gazione, previsione, simulazione, Carocci, Roma.

DATTERI E., LAUDISA F. (2016), Large±scale Simulations

of Brain Mechanisms: Beyond the Synthetic Method,

«Paradigmi. Rivista di Critica Filosofica», 3: 26±42.

DATTERI E., TAMBURRINI G. (2007), Biorobotic Experi-

ments for the Discovery of Biological Mechanisms,

«Philosophy of Science», 74(3): 409±430.

DE GARIS H., SHUO C.,GOERTZEL B.,RUITING L. (2010),

A World Survey of Artificial Brain Projects, Part I: Large±scale Brain Simulations, «Neurocomputing»,

74(1±3): 3±29.

DE STEFANO C.,FONTANELLA F.,IMPEDOVO D.,PIRLO G.,

SCOTTO DI FRECA A. (2018), Handwriting analysis to

support neurodegenerative diseases diagnosis: A re-

view,«Pattern recognition Letters», 21: 23±46.

DROR R.O., DIRKS R.M., GROSSMAN J.P., XU H., SHAW

D.E. (2012), Biomolecular Simulation: A Computa-

tional Microscope for Molecular Biology, «Annual Re-

view of Biophysics», 41: 429±452.

ELIASMITH C.,TRUJILLO O. (2014), The Use and Abuse of

robiology», 25: 1±6.

FOLSTEIN M.F., FOLSTEIN S.E., MCHUGH P.R. (1975),

³0LQL±PHQWDO VWDWH´ $ SUDFWLFDO PHWKRG IRU JUDGLQJ the cognitive state of patients for the clinician, «Journal

of Psychiatric Research», 12(3): 189±198.

GAGLIARDI F. (2018), Argomentazioni analogiche e pro-

cessi di categorizzazione nella diagnosi nosologica,

«Rivista Internazionale di Filosofia e Psicologia», 9(2): 151±161.

GAGLIARDI F. (2019), 8Q¶DQDOLVLfilosofico±cognitiva del-

le teorie della diagnosi, in Gagliardi F., Cruciani M. (a

cura di), Medicina, Filosofia e Cognizione, Aracne Edi- trice, Roma.

GRASSO F.G.(2000), Biomimetic Robot Lobster Performs

Chemo±orientation in Turbulence Using a Pair of Spa- tially Separated Sensors: Progress and Challenges,

«Robotics and Autonomous Systems», 30: 115±131.

KANDEL E.R.,MARKRAM H.,MATTHEWS P.M.,YUSTE R.,

KOCH C. (2013), Neuroscience Thinks Big (and Col- laboratively), «Nature Reviews Neuroscience», 14:

659±664.

LONG J. (2012), 'DUZLQ¶V'HYLFHV:KDW(YROYLQJRobots Can Teach us about the History of Life and the Future of Technology, Basic Books, New York.

MARKRAM H. (2006), The Blue Brain Project, «Nature

Reviews Neuroscience», 7: 153±160.

MARR D. (1982), Vision: a computational investigation in- to the human representation and processing of visual information, Henry Holt and Co, New York.

NASREDDINE Z.S., PHILLIPS N.A., BÉDIRIAN V., CHAR-

BONNEAU S., WHITEHEAD V., COLLIN I., CUMMINGS

J.L.,CHERTKOW H. (2005), The Montreal Cognitive As- sessment, MoCA: A Brief Screening Tool for Mild Cog-

nitive Impairment, «Journal of the American Geriatrics

Society», 53(4): 695±699.

NEILS±STRUNJAS J., GROVES±WRIGHT K., MASHIMA P.,

HARNISH S.(2006), '\VJUDSKLDLQ$O]KHLPHU¶VGLVHDVH

a review for clinical and research purposes, «Journal

of Speech Language Hearing Research», 49: 1313± 1330.

OUDEYER P.Y. (2010), On the Impact of Robotics in Be-

havioural and Cognitive Sciences: from Insect Naviga- tion to Human Cognitive Development, «IEEE Transac-

tions on Autonomous Mental Development», 2: 2±16.

PLEBE A.,GRASSO G. (2016), The Brain in Silicon: Histo-

ry, and Skepticism, in Gadducci F., Tavosanis M.

(eds.), Proceedings of the Third International Confer-

ence on History and Philosophy of Computing, Pisa

University Press, Pisa, pp. 273±286.

ROSENBLUETH A., WIENER N. (1945), The Role of Models

in Science, «Philosophy of Science», 12(4): 316±321.

ROSENBLUETH A.,WIENER N.,BIGELOW J. (1943), Behav-

iour, Purpose and Teleology, «Philosophy of Science»,

10: 18±24.

ROYSAM B., SHAIN W., ASCOLI G.A. (2009), The central

role of neuroinformatics in the national academy of en- JLQHHULQJ¶V JUDQGHVW FKDOOHQJH UHYHUVH HQJLQHHU WKH brain, «Neuroinformatics», 7(1): 1±5.

RUSSELL S.B. (1913), A Practical Device to Simulate the

Working of Nervous Discharges, «Journal of Animal

Behaviour», 3: 15±35.

SANTUCCI V.G.,CILIA N.D.,PEZZULO G. (2016), The Sta-

tus of the Simulative Method in Cognitive Science ± the Current Debate and Future Prospects, «Paradigmi. Ri-

vista di Critica Filosofica», 3: 51±74.

Press, Cambridge MA.

TAMBURRINI G.,DATTERI E. (2005), Machine Experiments

and Theoretical Modelling: from Cybernetic Methodol- ogy to Neuro±Robotics, «Minds and Machines», 15(3): 335±358.

WEBB B.(2008), Using Robots to Understand Animal Be- haviour, «Study of Behaviour», 38: 1±58.

163

La riserva cognitiva in ambito afasiologico:

Nel documento Medicina, filosofia e cognizione (pagine 149-163)