Modelli di memoria semantica e lessicale: studio e analisi di meccanismi di apprendimento, danneggiamento e priming.

Nel corso degli anni sono stati sviluppati modelli matematici con lo scopo di studiare i meccanismi alla base del sistema neurale. In questo elaborato è stato utilizzato un modello neurale, che comprende una rete semantica e una lessicale, che sfrutta la regola di Hebb per addestrare le sinapsi. Il principio alla base di tale modello è che la semantica di un concetto è descritta da una collezione di proprietà, che sintetizzano la percezione del concetto nelle diverse regioni corticali. Gli aspetti semantici e lessicali sono memorizzati in regioni separate del cervello, ma reciprocamente connesse sulla base dell’esperienza, secondo un meccanismo di apprendimento fisiologico. Si è addestrato il modello con una soglia post-sinaptica variabile che dipende dall’attività del neurone pre-senaptico, migliorando così il concetto di salienza, che diventa diverso per le proprietà distintive e per quelle condivise; ed è possibile evitare che una proprietà condivisa da molti membri della stessa categoria (come “vola” per gli uccelli) divenga saliente e sia attribuita erroneamente all’intera categoria. Nel lavoro viene presentato lo stesso modello con 2 diverse tassonomie, relative ad animali e a oggetti artificiali. La rete, una volta addestrata risolve compiti di riconoscimento e denominazione di concetti, mantenendo una distinzione tra le categorie e i suoi membri, e attribuendo un diverso ruolo alle proprietà dominanti rispetto alle proprietà marginali. In questa tesi viene, inoltre, simulato il danneggiamento della rete neurale sia a livello sinaptico che a livello del singolo neurone. In entrambi i casi il modello rispecchia il processo fisiologico. È stato simulato, inoltre, il fenomeno del priming. I risultati mostrano che il tempo di riconoscimento della seconda parola dipenda dal grado di somiglianza fra la prima e la seconda parola usate durante la simulazione.