PRE.DICTIONARY
Рабочая версия для психиатра, входящего во фреймворк.
Здесь намеренно разведены три разных типа утверждений:
- Ф – формальное: математическое или статистическое понятие внутри явно заданной модели. Для него обычно некорректно спрашивать, «доказано» ли оно; проверяются пригодность модели и соответствие данным.
- Э – эмпирическое: процесс или показатель операционализирован в эксперименте. Это ещё не доказывает, что мозг реализует именно предложенный алгоритм или нейронную схему.
- Т – теоретическое: объяснительная рамка или гипотеза о когнитивной либо нейронной реализации.
Отдельно указан клинический перенос:
- устойчивый – понятие надёжно используется для описания или измерения процессов, но само по себе обычно не является диагностическим тестом;
- поддерживаемый – есть сходящиеся данные, однако результат зависит от задачи, модели, выборки или уровня анализа;
- гипотеза – клинически интересная механистическая интерпретация, которую нельзя выдавать за установленную причину симптома или расстройства;
- – – статья не делает самостоятельного клинического утверждения.
Когда между формальным понятием и клиникой есть отдельный слой, в строку добавлена промежуточная ось – например нейрокогнитивное применение или биологическая интерпретация. Порядок меток в комбинациях всегда один: Ф → Э → Т.
Строки «См. также» показывают тип связи между статьями: основу, частный случай, составляющую, контраст или понятие, с которым термин важно не смешивать. Это навигация по карте, а не утверждение причинности или тождества.
Метки относятся не к «истинности термина вообще», а к тому уровню утверждения, на котором он используется здесь. Например, байесовский вывод – строгий формальный аппарат; тезис, что нервная система буквально реализует конкретный вариант байесовского алгоритма, – уже эмпирико-теоретическое утверждение; объяснение конкретного психоза «неправильной прецизионностью» – клиническая гипотеза.
- Генеративная модель (generative model) связывает ненаблюдаемые причины с возможными наблюдениями.
- На основе предыдущего опыта формируется априорное распределение (prior), а текущий сигнал задаёт правдоподобие (likelihood) гипотез.
- Их объединение даёт апостериорное распределение (posterior) – обновлённую оценку скрытых причин.
- Несоответствие ожидаемого и полученного образует ошибку предсказания (prediction error).
- Её влияние определяется не только величиной, но и прецизионностью (precision) – ожидаемой надёжностью сигнала относительно прежнего ожидания.
- Повторяющиеся ошибки меняют оценки через обновление убеждений (belief updating) и обучение (learning); предполагаемая изменчивость среды (volatility) регулирует скорость этого изменения.
- Система может не только пересмотреть модель, но и выбрать действие. В активном выводе (active inference) сравниваются возможные политики (policies) и их последствия.
- Выбор учитывает предпочитаемые исходы (preferred outcomes) и ценность уменьшения неопределённости; отсюда различие прагматической ценности (pragmatic value) и эпистемической ценности (epistemic value).
- Применительно к телу та же логика связывает интероцептивный вывод (interoceptive inference), гомеостаз (homeostasis) и предвосхищающий аллостаз (allostasis).
- Вычислительная психиатрия (computational psychiatry) превращает эти идеи в проверяемые модели, оценивает параметры модели (model parameters) и проводит сравнение моделей (model comparison); параметр модели не равен автоматически биологическому механизму или клиническому биомаркеру.
Эта карта показывает отношения внутри семейства моделей. Она не утверждает, что вся цепочка уже доказана как единый нейронный механизм. Наиболее надёжны формальные связи и отдельные экспериментальные операционализации; наиболее уязвимы широкие нейробиологические и нозологические переносы.
Терминологическое предупреждение для клинициста: «убеждение»
В этом словаре «убеждение» почти всегда означает вероятностное представление (belief): распределение уверенности между возможными состояниями мира или организма. Оно может быть неосознанным, кратковременным и недоступным словесному отчёту.
По умолчанию здесь не имеются в виду мировоззренческое убеждение, сознательная уверенность, сверхценная идея или бредовое убеждение. Когда речь идёт о клиническом содержании мысли, это оговаривается отдельно. Поэтому выражение «обновление убеждений» обычно следует читать как «изменение вероятностной оценки», а не как психотерапевтическое переубеждение пациента.
Зачёркнуто – значение, которое здесь не используется; жирным – рабочее значение термина в этом словаре.
Убеждение (belief): осознанное мнение, сверхценная или бредовая идея → вероятностное представление о скрытом состоянии.
Предсказание (prediction): только прогноз будущего → ожидаемый текущий сигнал, причина, состояние или последствие действия.
Ошибка предсказания (prediction error): ошибка мышления или сбой мозга → расхождение между ожидаемым и полученным; нормальный сигнал для вывода и обучения.
Прецизионность (precision): точность или истинность → определённость распределения и вес сигнала относительно альтернатив.
Слабое априорное распределение (weak prior): у человека вообще нет ожиданий → на конкретном уровне распределение шире или слабее конкурирующего входа.
Ценность (value): удовольствие, желание или моральная ценность → ожидаемая полезность состояния или действия внутри модели.
Информационная неожиданность (surprisal): субъективное удивление → маловероятность наблюдения относительно заданной модели.
Свободная энергия (free energy): физическая или «психическая» энергия → формальная целевая величина в определённом семействе моделей.
I. Как система понимает происходящее
1. Вычислительная психиатрия (computational psychiatry)
Коротко. Подход, в котором психические процессы и психопатологию исследуют с помощью формальных моделей восприятия, обучения, выбора и регуляции.
Уточнение. Вопрос меняется с «какой симптом присутствует?» на «какая операция или параметр лучше объясняет наблюдаемое поведение?». Это может быть скорость обучения, оценка изменчивости, чувствительность к вознаграждению или порог решения.
Клинический смысл. Подход помогает разложить одинаковый симптом на разные возможные процессы, но пока редко даёт готовый индивидуальный тест для кабинета.
Статус: Ф + Э; клинический перенос: поддерживаемый.
2. Предиктивная обработка (predictive processing)
Коротко. Широкая рамка, согласно которой восприятие зависит от предположений о причинах входящих сигналов и их сопоставления с текущими данными.
Уточнение. «Предсказание» здесь относится не только к будущему. Система может выводить, что сейчас находится перед ней, чем вызвано телесное ощущение или каков контекст ситуации.
Важно не путать. Успех вероятностной модели поведения не доказывает, что мозг использует ровно этот алгоритм.
Статус: Э + Т; клинический перенос: гипотеза.
3. Предиктивное кодирование (predictive coding)
Коротко. Более конкретная вычислительная схема: верхние уровни передают предсказания, а нижние – сигналы несоответствия между предсказанием и входом.
Уточнение. Это один возможный механизм реализации предиктивной обработки, а не её синоним. Предложены правдоподобные кортикальные схемы, но их универсальность и буквальное соответствие конкретным нейронным популяциям остаются предметом проверки.
Пример. В классической зрительной модели предсказуемая часть сигнала подавляется, а необъяснённая часть сильнее передаётся выше.
Статус: Ф + Э + Т; клинический перенос: гипотеза.
2. Что именно представляет модель
4. Генеративная модель (generative model)
Коротко. Вероятностная модель того, какие скрытые причины могли породить наблюдаемые данные.
Уточнение. «Генеративная» не означает, что мозг создаёт внешний мир. Модель задаёт направление от предполагаемых причин к ожидаемым наблюдениям и позволяет решать обратную задачу – выводить причины по наблюдениям.
Пример. Если гипотеза «человек сердится» верна, какие выражение лица, интонация и действия вероятны?
Статус: Ф; клинический перенос: –.
5. Скрытое, или латентное, состояние (hidden state, latent state)
Коротко. Состояние, которое нельзя наблюдать непосредственно и приходится выводить по данным.
Уточнение. Скрытым может быть внешний источник, внутреннее физиологическое состояние, намерение другого человека или правило среды.
Пример. «Сейчас безопасно», «источник звука находится справа», «организму не хватает жидкости».
Статус: Ф; клинический перенос: –.
6. Убеждение, или вероятностное представление (belief)
Коротко. Вероятностная оценка возможного состояния мира или организма.
Уточнение. В вычислительном тексте это не обязательно осознанная мысль и тем более не «убеждение» в психопатологическом смысле.
Пример. Система распределяет вероятность между гипотезами: звук вызван человеком, ветром или механизмом.
Статус: Ф; клинический перенос: –.
Коротко. Ожидание данных или состояний, которые должны наблюдаться, если текущая модель верна.
Уточнение. Предсказание может касаться настоящего, будущего или последствий возможного действия.
Пример. Если сердцебиение вызвано нагрузкой, после остановки оно должно постепенно замедлиться.
Статус: Ф + Э; клинический перенос: устойчивый.
3. Байесовский цикл: ожидание, данные, обновление
8. Априорное распределение (prior)
Коротко. Распределение вероятностей возможных состояний до учёта текущего нового наблюдения.
Уточнение. Оно формируется опытом, контекстом и более высокими уровнями модели. «Слабое априорное распределение» обычно означает широкое, малопрецизионное распределение, но в клинических текстах эту формулу нередко употребляют слишком свободно.
Пример. До открытия двери человек считает шум лифта более вероятным, чем землетрясение.
Статус: Ф; клинический перенос: гипотеза (при переносе на расстройства).
Коротко. Вероятность получить наблюдаемые данные при условии, что определённая гипотеза верна.
Уточнение. Оно описывает связь «причина → данные», а не вероятность самой причины.
Пример. Насколько вероятен такой рисунок шума, если его действительно создаёт лифт?
Статус: Ф; клинический перенос: –.
10. Апостериорное распределение (posterior)
Коротко. Обновлённое распределение вероятностей гипотез после учёта новых данных.
Уточнение. Упрощённо: априорное распределение × правдоподобие → апостериорное распределение. Оно становится отправной точкой следующего цикла.
Пример. После появления характерной вибрации вероятность гипотезы «это лифт» возрастает.
Статус: Ф; клинический перенос: –.
11. Байесовский вывод (Bayesian inference)
Коротко. Правило объединения предыдущих ожиданий и новых данных с учётом их относительной надёжности.
Уточнение. Формально: апостериорное распределение ∝ априорное распределение × правдоподобие. Гипотеза «байесовского мозга» сильнее этой формулы: она предполагает, что поведение нервной системы можно плодотворно описывать как приближённый вероятностный вывод.
Важно не путать. Нормативная оптимальность модели и фактический нейронный алгоритм – разные утверждения.
Статус: Ф; нейрокогнитивное применение: Э + Т; клинический перенос: гипотеза.
12. Ошибка предсказания (prediction error)
Коротко. Расхождение между ожидаемым и полученным сигналом или исходом.
Уточнение. Это нормальный информационный сигнал, а не бытовая «ошибка мозга». Его влияние зависит от прецизионности и от конкретной модели обучения.
Пример. Ожидалось слабое сердцебиение, но пришёл сильный интероцептивный сигнал.
Статус: Ф + Э; клинический перенос: устойчивый (исследовательский показатель).
См. также. основа – 7. Предсказание; вес сигнала – 15. Прецизионность, 16. Взвешивание по прецизионности; влияние на обучение – 25. Скорость обучения; частный случай – 56. Ошибка предсказания вознаграждения.
13. Иерархический вывод (hierarchical inference)
Коротко. Вывод, в котором переменные разных уровней описывают закономерности разного масштаба и абстракции.
Уточнение. Нижние уровни могут представлять признаки сигнала, более высокие – объекты, контекст, правила и их изменчивость. «Высокий» не обязательно означает осознанный или анатомически строго верхний.
Пример. Звук → голос → сердитая интонация → конфликтная ситуация.
Статус: Ф + Э + Т; клинический перенос: поддерживаемый.
14. Нисходящая и восходящая обработка (top-down, bottom-up processing)
Коротко. Нисходящее влияние несёт контекст и ожидания; восходящее – текущие данные и сигналы несоответствия.
Уточнение. Важны не только направления потоков, но и их относительный вес. Простая оппозиция «восприятие снизу» против «фантазии сверху» слишком груба.
Клинический смысл. Формулы о «слишком сильном верхе» или «слишком сильном низе» требуют уточнить уровень, сигнал, задачу и прецизионность.
Статус: Э + Т; клинический перенос: гипотеза (без конкретной операционализации).
Мостик. Байесовская схема говорит, как объединить ожидание и данные. Но величина расхождения сама по себе ещё не определяет обновление: системе нужно оценить, насколько этому расхождению можно доверять. Это выводит нас к прецизионности.
4. Прецизионность, неопределённость и изменчивость
15. Прецизионность (precision)
Коротко. Формально – обратная дисперсия; интуитивно – степень определённости распределения.
Уточнение. Высокая прецизионность означает узкое распределение и высокую уверенность, низкая – широкое распределение. Это уверенность, а не истинность: система может быть очень уверенной и систематически ошибаться.
Статус: Ф; клинический перенос: поддерживаемый (модель-зависимый).
См. также. применение – 16. Взвешивание по прецизионности; сравнение источников уверенности – 17. Прецизионность ожиданий и ошибок; предполагаемое нарушение – 19. Аберрантная прецизионность.
16. Взвешивание по прецизионности (precision weighting)
Коротко. Регулирование влияния ошибок предсказания в зависимости от их ожидаемой надёжности.
Уточнение. Одинаковое расхождение сильнее обновит модель, если считается информативным, и слабее – если отнесено к шуму. Во многих моделях важна не «слишком большая ошибка», а неадекватный вес конкретного сигнала на конкретном уровне.
Статус: Ф + Э + Т; клинический перенос: поддерживаемый (на уровне отдельных задач).
См. также. взвешиваемый сигнал – 12. Ошибка предсказания; базовое понятие – 15. Прецизионность; управление – 18. Ожидаемая прецизионность; частное приложение – 23. Внимание.
17. Прецизионность априорных ожиданий и ошибок предсказания (prior precision, prediction-error precision)
Коротко. Уверенность может относиться как к прежнему ожиданию, так и к новому сигналу.
Уточнение. Результат определяется их отношением. Прецизионное априорное распределение устойчиво к противоречащим данным; прецизионная ошибка сильнее сдвигает апостериорное распределение.
Важно не путать. Фраза «слабые априорные распределения» неполна без указания уровня, модальности, контекста и сравнительной прецизионности входа.
Статус: Ф; клинический перенос: гипотеза (при широких нозологических обобщениях).
См. также. априорное распределение – 8. Априорное распределение; базовое понятие – 15. Прецизионность; клиническая гипотеза – 19. Аберрантная прецизионность.
18. Ожидаемая прецизионность и управление прецизионностью (expected precision, precision control)
Коротко. Оценка будущей или контекстной надёжности канала и изменение его информационного веса.
Уточнение. Зрительный сигнал обычно надёжен, но меньше в тумане; телесный сигнал может получать больший вес при угрозе. Нейромодуляторные реализации обсуждаются, но нет простого соответствия «один медиатор = прецизионность».
Пример. Поиск переводит ресурсы на слабый звук и повышает вес соответствующего канала.
Статус: Ф + Э + Т; клинический перенос: поддерживаемый.
См. также. базовое понятие – 15. Прецизионность; механизм влияния – 16. Взвешивание; частное приложение – 23. Внимание.
19. Аберрантная прецизионность, или дисбаланс прецизионности (aberrant precision, precision imbalance)
Коротко. Систематически неадаптивное распределение веса между сигналами, ошибками или ожиданиями.
Уточнение. Это семейство объяснений, а не единый измеряемый дефект. Разные модели психоза, аутизма, тревоги и телесных симптомов предполагают разные направления и уровни дисбаланса.
Важно не путать. Это полезный язык для гипотез, но не диагноз, не универсальный механизм и не основание выводить индивидуальный профиль из феноменологии без задачи и модели.
Статус: частично Э + Т; клинический перенос: гипотеза.
См. также. формальная основа – 15. Прецизионность, 16. Взвешивание, 17. Отношение прецизионностей; интероцептивное приложение – 40. Интероцептивное предсказание и прецизионность.
20. Неопределённость (uncertainty)
Коротко. Недостаточная определённость относительно состояния, параметра или самой структуры модели.
Уточнение. Следует различать неопределённость из-за неполноты знания и вариативность, присущую самим данным; в литературе используются разные разбиения.
Пример. Мы можем не знать, какая монета используется, либо знать, что монета честная, но не знать исход следующего броска.
Статус: Ф; клинический перенос: устойчивый (общий конструкт; неспецифичный).
21. Изменчивость среды (volatility)
Коротко. Скорость, с которой меняются сами вероятностные закономерности среды.
Уточнение. Это не просто шум. При высокой изменчивости вчерашнее правило быстрее теряет ценность.
Пример. Иногда ошибся знакомый надёжный источник – шум; источник внезапно стал систематически ненадёжным – изменение правила.
Статус: Ф + Э; клинический перенос: поддерживаемый.
См. также. оценивание – 22. Оценка изменчивости; поведенческое следствие – 25. Скорость обучения.
22. Оценка изменчивости (volatility estimation)
Коротко. Вывод о том, изменилось ли правило среды или наблюдаемое отклонение случайно.
Уточнение. Такая оценка влияет на скорость обучения: предполагаемая смена правил оправдывает более быстрое обновление. В групповых исследованиях различия находят при разных состояниях, но направление эффекта зависит от задачи и модели.
Статус: Ф + Э; клинический перенос: поддерживаемый (неоднородный).
См. также. оцениваемая величина – 21. Изменчивость среды; регулируемый параметр – 25. Скорость обучения; иерархическое расширение – 26. Иерархическое обучение.
23. Внимание как управление прецизионностью (attention as precision weighting)
Коротко. В ряде моделей внимание описывают как повышение прецизионности выбранных сигналов или ошибок.
Уточнение. Это содержательная и проверяемая интерпретация части феноменов внимания, но не доказательство, что всё внимание сводится к одной операции.
Пример. Ожидание стимула в определённом месте усиливает влияние поступающего оттуда сигнала.
Статус: Э + Т; клинический перенос: гипотеза.
См. также. механизм влияния – 16. Взвешивание по прецизионности; контекстное управление – 18. Ожидаемая прецизионность.
Опорные источники: [6–10]. Для клинической осторожности особенно важны обзоры, обсуждающие противоречия и ограничения: [9, 10].
Мостик. После оценки надёжности новой информации возникает следующий вопрос: насколько сильно и на каком уровне менять модель. Это область обновления и обучения.
24. Обновление убеждений (belief updating, Bayesian updating)
Коротко. Изменение вероятностного представления после новой информации.
Уточнение. В нормативной схеме величина сдвига зависит от относительной прецизионности прежней оценки и данных. Реальное обучение может лишь приближённо соответствовать этой схеме.
Пример. Один необычный эпизод слегка меняет оценку надёжного человека; серия эпизодов – заметно.
Статус: Ф + Э; клинический перенос: устойчивый (исследовательский конструкт).
25. Скорость обучения (learning rate)
Коротко. Доля новой ошибки предсказания, переносимая в следующую оценку.
Уточнение. Высокая скорость означает сильное влияние свежего опыта, низкая – инерцию. Оптимум зависит от структуры и изменчивости среды.
Важно не путать. Высокая или низкая скорость сама по себе не патологична; её эффект зависит от среды и других параметров модели, которые она иногда компенсирует.
Статус: Ф + Э; клинический перенос: поддерживаемый.
См. также. обучающий сигнал – 12. Ошибка предсказания; адаптация к среде – 21. Изменчивость, 22. Оценка изменчивости; более общее изменение – 24. Обновление убеждений.
26. Иерархическое обучение (hierarchical learning)
Коротко. Одновременное обучение событиям и более высоким закономерностям, определяющим их устойчивость.
Уточнение. Система может обновлять вероятность конкретного исхода, надёжность источника и скорость смены правил – на разных уровнях.
Пример. После единичной ошибки меняется прогноз на следующий раз; после серии ошибок – представление о том, что источник перестал быть надёжным.
Статус: Ф + Э; клинический перенос: поддерживаемый.
27. Пересмотр модели (model revision)
Коротко. Изменение структуры объяснения, а не только числовых вероятностей внутри прежней структуры.
Уточнение. Если накопившиеся данные плохо объясняются существующим набором гипотез, может потребоваться новая гипотеза или иная причинная схема.
Пример. Не просто снизить вероятность «лекарство помогает», а перейти от модели «симптом вызван дефицитом дозы» к модели «симптом является побочным эффектом».
Статус: Ф + Т; клинический перенос: поддерживаемый (общий принцип; трудно измеримый).
II. Как система действует и регулирует себя
6. Активный вывод: от возможных будущих к действию
Мостик. Обновление меняет модель под данные. Но организм может также выбирать, какие данные и состояния возникнут: менять положение тела, искать информацию, приближаться, избегать и регулировать внутреннюю среду.
Клинические примеры ниже – дидактические проекции формальной логики, а не утверждения, что соответствующий симптом уже объяснён активным выводом. Они показывают, как можно поставить проверяемый вопрос; тот же феномен часто не хуже описывается через обусловливание, обучение с подкреплением, когнитивную модель или обычную физиологическую регуляцию.
28. Активный вывод (active inference)
Коротко. Формальная рамка, в которой восприятие и действие рассматриваются как взаимосвязанные способы поддерживать вероятные для организма состояния.
Уточнение. Действие выбирается через вероятностный вывод над политиками; предпочтения представлены распределениями над исходами. Бытовая формула «мир не совпал с ожиданием – мозг заставил мир совпасть» слишком груба.
Клиническая иллюстрация. При паническом расстройстве человек может садиться у выхода, избегать нагрузки и контролировать пульс. Эти действия меняют телесный вход, доступную информацию и вероятность быстро покинуть ситуацию. Рамка описывает весь контур одной моделью, но не доказывает, что именно этот механизм породил панику.
Статус: Ф + Т; экспериментальная операционализация: существует; клинический перенос: гипотеза.
См. также. планирование – 29. Контрфактический вывод, 30. Политика, 31. Предпочитаемые исходы, 32. Ожидаемая свободная энергия; ценность – 33. Эпистемическая, 34. Прагматическая, 35. Исследование и использование; реализация – 36. Действие как вывод, 37. Самоподтверждение; телесная регуляция – 42. Аллостаз; общая рамка – 47. Принцип свободной энергии.
29. Контрфактический вывод (counterfactual inference)
Коротко. Оценка возможных исходов при действиях или состояниях, которые сейчас не реализованы.
Уточнение. Он позволяет сравнить «что будет, если…» до действия. В активном выводе это часть прогнозирования последствий альтернативных политик.
Клиническая иллюстрация. При навязчивом сомнении человек моделирует: «если не перепроверю дверь, возможны кража, вина и невозможность уснуть; если проверю, тревога снизится». Контрфактический вывод – само сравнение ещё не осуществлённых ветвей, а не доказанная причина ритуала.
Статус: Ф + Э; клинический перенос: поддерживаемый (как общий процесс).
30. Политика и выбор политики (policy, policy selection)
Коротко. Политика – последовательность возможных действий; выбор политики – распределение вероятностей над такими последовательностями.
Уточнение. Оценивается не отдельное движение, а его ожидаемые последствия во времени.
Клиническая иллюстрация. При социальной тревоге «заранее отрепетировать → отвечать односложно → избегать взгляда → рано уйти» и «задать уточняющий вопрос → выдержать паузу → остаться до конца» – две разные политики, а не два отдельных действия.
Статус: Ф; клинический перенос: –.
31. Предпочитаемые исходы, или априорные предпочтения (preferred outcomes, prior preferences)
Коротко. Распределение, задающее, какие будущие наблюдения или исходы для системы более предпочтительны.
Уточнение. Это не обязательно сознательное желание и не просто внешнее вознаграждение. В формальных моделях предпочтение кодируется вероятностно; физиологически приемлемые состояния могут получать высокую априорную вероятность.
Клиническая иллюстрация. При панике особенно предпочтительными могут стать низкое телесное возбуждение, ощущение контроля и доступность выхода. Это не означает сознательного решения «я предпочитаю избегать»: формально предпочтение относится к исходам, а не к рассказу пациента о своих желаниях.
Статус: Ф; биологическая интерпретация: Т; клинический перенос: гипотеза.
32. Ожидаемая свободная энергия (expected free energy)
Коротко. Критерий, по которому в активном выводе оценивают будущие политики.
Уточнение. В одном из стандартных разложений она сочетает прагматическую ценность – достижение предпочитаемых исходов – и эпистемическую ценность – уменьшение неопределённости. Конкретные разложения и обозначения различаются между формулировками.
Важно не путать. Ожидаемая свободная энергия оценивает будущие политики; вариационная свободная энергия относится к приближённому выводу по уже доступным данным. Это связанные, но не тождественные величины.
Клиническая иллюстрация. При тревоге о здоровье обращение к врачу может обещать и безопасность, и уменьшение неопределённости; избегание обследования может быстрее снизить тревогу сегодня, но сохранить неопределённость. Модель формализует сопоставление политик – пациент не «вычисляет» эту величину буквально.
Статус: Ф; применение к поведению: Э + Т; клинический перенос: гипотеза.
См. также. предпочтения – 31. Предпочитаемые исходы; составляющие – 33. Эпистемическая ценность, 34. Прагматическая ценность; не тождественна – 46. Вариационная свободная энергия.
33. Эпистемическая ценность, или получение информации (epistemic value, information gain)
Коротко. Ценность действия, возникающая из ожидаемого уменьшения неопределённости.
Уточнение. Действие может быть полезно не непосредственным исходом, а тем, что улучшает последующие решения.
Клиническая иллюстрация. Поведенческий эксперимент при панике – дозированно подняться по лестнице и проследить динамику сердцебиения без немедленного спасительного действия – ценен не только возможным облегчением, но и информацией, различающей гипотезы «нагрузка опасна» и «ощущения неприятны, но обратимы».
Статус: Ф + Э; клинический перенос: поддерживаемый.
См. также. общий критерий – 32. Ожидаемая свободная энергия; контраст – 34. Прагматическая ценность; поведенческий компромисс – 35. Исследование и использование.
34. Прагматическая, или инструментальная, ценность (pragmatic value, instrumental value)
Коротко. Ценность действия с точки зрения достижения предпочитаемых исходов.
Уточнение. Отвечает на вопрос «приведёт ли действие туда, куда нужно?», тогда как эпистемическая ценность – «поможет ли оно узнать, где и в какой ситуации система находится?».
Клиническая иллюстрация. Уход из перегруженного шумного помещения может иметь прежде всего прагматическую ценность: он быстро уменьшает сенсорную нагрузку и возвращает состояние в переносимый диапазон, даже если почти ничего нового о ситуации человек не узнал.
Статус: Ф; клинический перенос: –.
См. также. основание – 31. Предпочитаемые исходы; общий критерий – 32. Ожидаемая свободная энергия; контраст – 33. Эпистемическая ценность.
35. Исследование и использование (exploration–exploitation)
Коротко. Выбор между получением новой информации и использованием уже известного варианта.
Уточнение. Это не простая шкала «любопытство – ригидность»: поведение зависит от неопределённости, горизонта планирования, затрат и предпочитаемых исходов.
Клиническая иллюстрация. При компульсивной проверке знакомый ритуал – использование уже известной стратегии быстрого снижения тревоги; сокращение одной проверки и наблюдение за исходом – исследование, которое дороже сейчас, но способно дать корректирующую информацию.
Статус: Ф + Э; клинический перенос: поддерживаемый.
См. также. информационная сторона – 33. Эпистемическая ценность; достижение исхода – 34. Прагматическая ценность.
36. Действие как вывод (action as inference)
Коротко. Представление действия как реализации предсказанных и предпочитаемых состояний через сенсомоторный контур.
Уточнение. В отдельных формулировках проприоцептивные предсказания реализуются рефлекторными механизмами; в дискретных моделях акцент чаще на выборе политики. Это родственные, но не тождественные уровни описания.
Клиническая иллюстрация. Когда тревожный пациент по инструкции опускает плечи, меняет позу и удлиняет выдох, заданное телесное состояние реализуется через моторные и вегетативные контуры. Это наглядный сенсомоторный пример логики «действия как вывода», но не специфическая модель тревожного расстройства.
Статус: Ф + Э + Т; клинический перенос: гипотеза.
37. Самоподтверждение, или самосвидетельствование, модели (self-evidencing)
Коротко. Действие системы, поддерживающее наблюдения и состояния, совместимые с её моделью собственного существования.
Уточнение. Это шире когнитивного искажения подтверждения. В сильной формулировке термин относится к самоподдержанию живой системы; бытовые психологические примеры являются аналогиями или частными гипотезами.
Клиническая иллюстрация. При социальной тревоге ожидание «я покажусь нелепым» ведёт к тихой речи, минимальному взгляду и односложным ответам; собеседник становится менее вовлечённым, а неоднозначная реакция читается как подтверждение исходной модели. Такой самоподдерживающийся контур клинически узнаваем, но сам по себе не доказывает принцип свободной энергии.
Статус: Ф + Т (внутри рамки); клинический перенос: гипотеза.
7. Тело: интероцепция, гомеостаз и аллостаз
Мостик. Активный вывод становится клинически особенно наглядным, когда возможные исходы касаются не внешней награды, а жизнеспособных состояний организма.
38. Интероцепция (interoception)
Коротко. Представление и обработка сигналов, относящихся к внутреннему состоянию организма.
Уточнение. Это не только осознанное ощущение сердца или желудка: сюда входят многоуровневые афферентные, центральные и регуляторные процессы. Точность обнаружения, субъективная уверенность и склонность замечать ощущения – разные измерения.
Клинический смысл. Интероцептивные различия исследуются трансдиагностически; единого интероцептивного дефицита для тревоги, депрессии или функциональных симптомов нет.
Статус: Э; клинический перенос: поддерживаемый (неоднородный).
39. Интероцептивный вывод (interoceptive inference)
Коротко. Вероятностный вывод о причинах телесных сигналов.
Уточнение. Нервная система получает шумные и неполные данные и интерпретирует их с учётом контекста и предыдущих ожиданий.
Пример. Учащённое сердцебиение может выводиться как следствие нагрузки, лихорадки, угрозы или лекарственного эффекта.
Статус: Э + Т; клинический перенос: поддерживаемый (рамка), гипотеза (конкретные механизмы).
40. Интероцептивное предсказание, ошибка и прецизионность
Коротко. Применение предиктивной схемы к внутреннему состоянию: ожидание → телесный сигнал → расхождение → взвешивание расхождения.
Уточнение. Одно и то же ощущение может зависеть от входа, ожидания, контекста и их относительной прецизионности. По феноменологии невозможно однозначно определить, какой компонент изменён.
Клинический смысл. Модели применяются к панике, боли, усталости и функциональным симптомам, но диагноз-специфические причинные профили не установлены.
Статус: частично Э + Т; клинический перенос: гипотеза.
Коротко. Регуляция физиологических переменных в допустимых пределах с помощью обратной связи.
Уточнение. Гомеостаз не обязательно означает фиксированную «идеальную точку» и не сводится только к запоздалой реакции. Современные определения допускают диапазоны, несколько регуляторов и зависимость от контекста.
Пример. Отклонение температуры запускает механизмы теплоотдачи или теплопродукции.
Статус: Э + Т; клинический перенос: устойчивый.
42. Аллостаз и аллостатическое управление (allostasis, allostatic control)
Коротко. Поддержание жизнеспособности через предвосхищающую, контекстно-зависимую перестройку физиологии и поведения.
Уточнение. Контраст с гомеостазом полезен, но не абсолютен: гомеостатическая обратная связь и аллостатическое предвосхищение работают совместно. Аллостаз меняет не обязательно саму цель, а средства, диапазоны и сроки регуляции.
Пример. Организм меняет кровообращение и доступность энергии до ожидаемой нагрузки, а не только после возникновения дефицита.
Статус: Э + Т; применение в рамках активного вывода: гипотеза; клинический перенос: поддерживаемый.
8. Боковая формальная ветка: вариационный вывод и свободная энергия
Этот раздел связывает предыдущие понятия единым математическим языком, но не является обязательной ступенью для клинического использования предиктивной рамки.
Здесь клиническая узнаваемость особенно легко создаёт ложное ощущение объяснения. Поэтому часть примеров относится не к «работе психики пациента», а к тому, как исследователь формально моделирует клинические данные.
43. Информационная неожиданность (surprisal)
Коротко. Отрицательный логарифм вероятности наблюдения по модели: чем событие менее вероятно, тем выше его информационная неожиданность.
Уточнение. Это свойство наблюдения относительно модели, а не субъективное удивление.
Клиническая иллюстрация. В модели пациента «в супермаркете почти наверняка начнётся паника» очередной приступ может иметь низкую информационную неожиданность, хотя субъективно остаётся крайне мучительным; спокойный поход, напротив, будет более неожиданным. Вероятность, неприятность и субъективное удивление – разные оси.
Статус: Ф; клинический перенос: –.
Коротко. Мера средней неопределённости вероятностного распределения.
Уточнение. Высокая энтропия означает, что вероятность распределена между многими исходами; низкая – что сосредоточена на немногих.
Клиническая иллюстрация. При неспецифических жалобах на усталость и «туман» вероятность может быть распределена между нарушением сна, депрессией, побочным эффектом препарата и соматическим состоянием – высокая энтропия диагностического распределения. Новые различающие данные концентрируют вероятность и снижают энтропию.
Статус: Ф; клинический перенос: –.
45. Вариационный вывод (variational inference)
Коротко. Приближённый вероятностный вывод через подбор более простого распределения, похожего на трудновычислимое апостериорное распределение.
Уточнение. Это общий инструмент статистики и машинного обучения, а не специфическая теория мозга.
Клиническая иллюстрация. В исследовании обучения угрозе невозможно точно перебрать все траектории скрытых ожиданий участника. Алгоритм подбирает вычислимое приближение к распределению этих скрытых состояний по его последовательным ответам.
Статус: Ф; клинический перенос: –.
46. Вариационная свободная энергия (variational free energy)
Коротко. Целевая функция вариационного вывода. Ограничивает сверху информационную неожиданность данных.
Уточнение. Минимизация одновременно улучшает приближение к апостериорному распределению и увеличивает нижнюю границу свидетельства модели. Это не физическая и не «психическая» энергия.
Важно не путать. Вариационная свободная энергия и ожидаемая свободная энергия выполняют разные функции: первая относится к текущему выводу, вторая – к оценке будущих политик.
Клиническая иллюстрация. Исследователь минимизирует вариационную свободную энергию при подгонке иерархической модели к ответам пациента, чтобы оценить скрытые состояния и параметры. Это операция анализа данных, а не характеристика «энергии» пациента.
Статус: Ф; биологическая интерпретация: Т; клинический перенос: –.
См. также. ограничиваемая величина – 43. Информационная неожиданность; вычислительный метод – 45. Вариационный вывод; компромисс модели – 48. Точность–сложность; общая рамка – 47. Принцип свободной энергии; не тождественна – 32. Ожидаемая свободная энергия.
47. Принцип свободной энергии (Free Energy Principle)
Коротко. Широкая теоретико-математическая программа, описывающая самоподдерживающиеся системы через ограничение посещения маловероятных для них состояний.
Уточнение. Принцип связывает восприятие, обучение и действие, но его общность создаёт проблему эмпирической конкретизации: проверяются конкретные модели и допущения, а не лозунг «система минимизирует свободную энергию» сам по себе.
Клиническая иллюстрация. Человек с паникой может сузить маршруты и набор допустимых телесных нагрузок, тем самым реже оказываясь в неожиданных для своей модели состояниях. Это совместимо с языком принципа свободной энергии, но пока не отличает его от объяснений через обусловливание, отрицательное подкрепление и защитное поведение. Нужна промежуточная модель с различающими предсказаниями.
Статус: Ф + Т; клинический перенос: гипотеза.
См. также. действие – 28. Активный вывод; будущие политики – 32. Ожидаемая свободная энергия; самоподдержание – 37. Самоподтверждение модели; формальная величина – 46. Вариационная свободная энергия.
48. Свидетельство модели и компромисс точность–сложность (model evidence, accuracy–complexity trade-off)
Коротко. Интегральная оценка того, насколько хорошо модель предсказывает данные с учётом всего допустимого пространства параметров.
Уточнение. Хорошая модель объясняет данные без неоправданной гибкости. В вариационном представлении это компромисс точности и сложности.
Клиническая иллюстрация. Модель с отдельными скоростями обучения для выигрышей, потерь и смены правил может подогнать ответы лучше простой. Но если выигрыш получен лишь за счёт лишней гибкости, свидетельство модели может предпочесть более простое объяснение.
Статус: Ф; клинический перенос: –.
См. также. вариационная формулировка – 46. Вариационная свободная энергия; методическое применение – 51. Сравнение моделей.
Опорные источники: [12, 19, 20].
III. Как это изучают в вычислительной психиатрии
9. От поведения к параметрам – и обратно
Мостик. До этого термины описывали предполагаемые операции системы. Теперь вопрос методический: как отличить красивую историю от модели, параметры которой действительно восстанавливаются из данных и предсказывают новые наблюдения?
49. Вычислительная модель, скрытая переменная и параметр
Коротко. Модель задаёт правила, связывающие стимулы, скрытые процессы и наблюдаемое поведение; параметр определяет количественные свойства этих правил.
Уточнение. Скрытая переменная меняется внутри испытаний или во времени, параметр часто считается относительно постоянным для серии наблюдений. Граница зависит от модели.
Важно не путать. Параметр – часть объяснительного аппарата, а не автоматически отдельный нейромедиатор, участок мозга или черта личности.
Статус: Ф; клинический перенос: –.
50. Оценка параметров и подгонка модели (parameter estimation, model fitting)
Коротко. Определение значений параметров, при которых модель лучше объясняет наблюдаемые данные.
Уточнение. Оценка зависит от задачи, данных, априорных ограничений и выбранной модели. Одно и то же число в разных моделях может означать разное.
Пример. По последовательности выборов оценивают скорость обучения и чувствительность выбора к ценности.
Статус: Ф + Э; клинический перенос: поддерживаемый (исследовательский метод).
51. Сравнение моделей (model comparison)
Коротко. Проверка, какая из заранее заданных альтернатив лучше объясняет данные с учётом сложности.
Уточнение. Сравнение выбирает лучшую модель из предложенных, но не доказывает, что она истинна или что важная альтернатива не пропущена.
Пример. Одни и те же выборы сравнивают под моделями с фиксированной и меняющейся скоростью обучения.
Статус: Ф + Э; клинический перенос: –.
52. Идентифицируемость и восстановление параметров (identifiability, parameter recovery)
Коротко. Идентифицируемость – возможность различить параметры по наблюдаемым данным; восстановление – проверка, удаётся ли вернуть известные параметры из смоделированных данных.
Уточнение. Если разные наборы параметров порождают почти одинаковое поведение, индивидуальные оценки будут нестабильны, даже если модель хорошо подгоняется.
Клинический смысл. Без восстановления параметров соблазнительная корреляция «параметр – симптом» может отражать свойства подгонки, а не пациента.
Статус: Ф + Э; клинический перенос: устойчивый (методическое требование).
53. Вычислительный фенотип и вычислительный механизм (computational phenotype, computational mechanism)
Коротко. Фенотип – воспроизводимый профиль выполнения задачи или параметров; механизм – причинное объяснение того, как профиль возникает.
Уточнение. Для механизма нужны вмешательства, конвергирующие измерения и исключение альтернатив, а не только групповое различие параметра.
Важно не путать. Обнаружить фенотип существенно легче, чем доказать механизм.
Статус: Э + Т; клинический перенос: поддерживаемый (фенотип), гипотеза (механизм).
См. также. строительные элементы – 49. Модель и параметр, 50. Оценка параметров; методическая проверка – 51. Сравнение моделей, 52. Идентифицируемость; возможное применение – 54. Биомаркер и нормативная модель.
54. Вычислительный биомаркер и нормативная модель (computational biomarker, normative model)
Коротко. Биомаркер – показатель, претендующий на предсказание клинически значимого исхода; нормативная модель оценивает положение человека относительно ожидаемого распределения с учётом релевантных факторов.
Уточнение. Групповое среднее различие не гарантирует индивидуальной классификации, воспроизводимости или переносимости между центрами.
Клинический смысл. Большинство предлагаемых вычислительных показателей пока исследовательские, а не рутинные диагностические инструменты.
Статус: Ф + Э; клинический перенос: поддерживаемый (программа исследований; в рутине ограничен).
Опорные источники: [1, 21–23].
10. Обучение с подкреплением и модели решений
Это соседнее, частично пересекающееся семейство моделей. Его не следует автоматически сводить к предиктивному кодированию или активному выводу: одинаковые слова «предсказание», «ценность» и «ошибка» могут обозначать разные математические объекты.
55. Обучение с подкреплением (reinforcement learning)
Коротко. Семейство моделей, описывающих обучение выбору действий по их последствиям.
Уточнение. Центральны состояния, действия, исходы, ценности и правила обновления. Существуют модель-независимые, модель-основанные и смешанные алгоритмы.
Клинический смысл. Используется для исследования мотивации, зависимости, депрессии, мании, психоза и компульсивности; результаты обычно групповые и зависят от задачи.
Статус: Ф + Э; клинический перенос: поддерживаемый.
56. Ошибка предсказания вознаграждения (reward prediction error)
Коротко. Разница между полученным исходом и его ожидаемой ценностью.
Уточнение. Она обновляет ценность состояния или действия. Конкретное определение зависит от алгоритма.
Важно не путать. Не всякая ошибка предсказания является ошибкой вознаграждения и не всякая такая ошибка сводится к одному дофаминовому сигналу.
Статус: Ф + Э; клинический перенос: поддерживаемый.
См. также. более общее понятие – 12. Ошибка предсказания; семейство моделей – 55. Обучение с подкреплением; обновляемая величина – 57. Ценность.
Коротко. Ожидаемая суммарная будущая полезность состояния или действия в рамках модели.
Уточнение. Это не обязательно удовольствие: учитываются будущие исходы, задержки, вероятности и затраты.
Пример. Неприятное лечение может иметь положительную ценность из-за отсроченной пользы.
Статус: Ф; клинический перенос: –.
58. Обучение без модели и с моделью среды (model-free, model-based learning)
Коротко. Обучение без модели накапливает ценности из опыта; обучение с моделью использует представление переходов и исходов для расчёта последствий.
Уточнение. Это вычислительное различие, а не чистая дихотомия привычки и сознательного планирования. Человеческое поведение часто гибридно.
Пример. Повторить знакомый маршрут по выученной ценности или пересчитать новый путь после перекрытия дороги.
Статус: Ф + Э; клинический перенос: поддерживаемый.
59. Временное обесценивание (temporal discounting)
Коротко. Снижение текущей субъективной ценности исхода по мере увеличения задержки.
Уточнение. Оценка зависит от формы модели, диапазона задержек, величины исходов и контекста.
Клинический смысл. Групповые различия изучаются при зависимости и СДВГ, но показатель неспецифичен и не является самостоятельным диагностическим тестом.
Статус: Ф + Э; клинический перенос: поддерживаемый (неспецифичный).
60. Обратная температура и шум выбора (inverse temperature, decision noise)
Коротко. Параметр, описывающий, насколько сильно различия в ожидаемой ценности определяют выбор.
Уточнение. Высокая обратная температура делает выбор более последовательным относительно ценностей модели; низкая – более вариативным.
Важно не путать. Низкая оценка может отражать шум, исследование, неверную модель задачи, пропущенную переменную или нестабильные ценности.
Статус: Ф + Э; клинический перенос: гипотеза (без проверки альтернатив).
61. Накопление свидетельств и диффузионная модель решения (evidence accumulation, drift-diffusion model)
Коротко. Решение описывается как накопление шумной информации до достижения порога.
Уточнение. Модель разлагает время реакции и точность на скорость накопления, порог, начальное смещение и внесенсорное время.
Клинический смысл. Одинаково медленный ответ может возникать из-за слабого качества свидетельств, осторожного порога или задержки восприятия и моторного ответа.
Статус: Ф + Э; клинический перенос: поддерживаемый (исследовательский метод).
Короткие правила клинического использования
- Не переходить от термина к диагнозу: «высокая прецизионность», «слабое априорное распределение» или «высокая скорость обучения» без модели и задачи – метафора, а не измерение.
- Всегда уточнять уровень: сенсорный, интероцептивный, контекстный, социальный; краткий или длинный временной масштаб.
- Разводить нормативное и описательное: модель может показывать оптимальное решение при своих допущениях, а не фактический алгоритм мозга.
- Разводить групповое и индивидуальное: воспроизводимое среднее различие не создаёт диагностического теста.
- Требовать альтернатив: один поведенческий рисунок часто порождается несколькими параметрами и моделями.
- Проверять восстановление параметров, восстановление модели и абсолютное качество предсказаний, а не только красивую подгонку.
- Клиническую формулировку писать условно: «совместимо с», «может отражать», «проверяется такой-то задачей», а не «вызвано нарушением предиктивного кодирования».
Здесь даны не случайные обзоры с совпавшим словом, а канонические постановки, ключевые формальные работы, методические руководства и сильные критические или систематические обзоры. Каноничность источника не означает доказанность всех его интерпретаций.
- Huys QJM, Maia TV, Frank MJ. Computational psychiatry as a bridge from neuroscience to clinical applications. Nature Neuroscience, 2016. DOI · полный текст
- Montague PR et al. Computational psychiatry. Trends in Cognitive Sciences, 2012. DOI
- Knill DC, Pouget A. The Bayesian brain: the role of uncertainty in neural coding and computation. Trends in Neurosciences, 2004. DOI · PubMed
- Rao RPN, Ballard DH. Predictive coding in the visual cortex. Nature Neuroscience, 1999. DOI · PubMed
- Bastos AM et al. Canonical microcircuits for predictive coding. Neuron, 2012. DOI · PubMed
- Feldman H, Friston KJ. Attention, uncertainty, and free-energy. Frontiers in Human Neuroscience, 2010. DOI и полный текст
- Mathys C et al. A Bayesian foundation for individual learning under uncertainty. Frontiers in Human Neuroscience, 2011. DOI и полный текст
- Mathys CD et al. Uncertainty in perception and the Hierarchical Gaussian Filter. Frontiers in Human Neuroscience, 2014. DOI и полный текст
- Sterzer P et al. The predictive coding account of psychosis. Biological Psychiatry, 2018. DOI · полный текст
- Cannon J et al. Prediction in Autism Spectrum Disorder: a systematic review of empirical evidence. Autism Research, 2021. DOI · полный текст
- Friston K et al. Active inference and epistemic value. Cognitive Neuroscience, 2015. DOI · PubMed
- Friston K et al. Active inference and learning. Neuroscience & Biobehavioral Reviews, 2016. DOI · полный текст
- Parr T, Pezzulo G, Friston KJ. Active Inference: The Free Energy Principle in Mind, Brain, and Behavior. MIT Press, 2022. Страница книги
- Hohwy J. The Self-Evidencing Brain. Noûs, 2016. DOI
- Khalsa SS et al. Interoception and Mental Health: A Roadmap. Biological Psychiatry: Cognitive Neuroscience and Neuroimaging, 2018. DOI · полный текст
- Barrett LF, Simmons WK. Interoceptive predictions in the brain. Nature Reviews Neuroscience, 2015. DOI · PubMed
- Sterling P. Allostasis: a model of predictive regulation. Physiology & Behavior, 2012. DOI · PubMed
- Ramsay DS, Woods SC. Clarifying the roles of homeostasis and allostasis in physiological regulation. Psychological Review, 2014. DOI · полный текст
- Friston K. The free-energy principle: a unified brain theory? Nature Reviews Neuroscience, 2010. DOI · PubMed
- Buckley CL et al. The free energy principle for action and perception: a mathematical review. Journal of Mathematical Psychology, 2017. DOI · препринт
- Wilson RC, Collins AGE. Ten simple rules for the computational modeling of behavioral data. eLife, 2019. DOI и полный текст
- Palminteri S et al. The importance of falsification in computational cognitive modeling. Trends in Cognitive Sciences, 2017. DOI
- Marquand AF et al. Understanding heterogeneity in clinical cohorts using normative models. Biological Psychiatry, 2016. DOI · полный текст
- Sutton RS, Barto AG. Reinforcement Learning: An Introduction, 2nd ed., 2018. Официальная страница книги
- Schultz W, Dayan P, Montague PR. A neural substrate of prediction and reward. Science, 1997. DOI · PubMed
- Daw ND et al. Model-based influences on humans’ choices and striatal prediction errors. Neuron, 2011. DOI
- Ratcliff R, McKoon G. The diffusion decision model: theory and data for two-choice decision tasks. Neural Computation, 2008. DOI · полный текст