شرکت کنندگان هرگز شبکه ای از اتصالات بین تصاویر را ندیدند. در عوض، آنها فقط یک تصویر را در یک زمان می دیدند. از توالی تصاویر، آنها باید شبکه انتقال را یاد می گرفتند. به فیلمی فکر کنید که بارها آن را تماشا کرده اید و دقیقاً می دانید که هر شخصیت بعدی چه خواهد گفت. به طور مشابه، با مشاهده بارها و بارها، سوژه ها به آرامی یاد گرفتند که تصویر بعدی را پیش بینی کنند. برای تعیین اینکه آیا یادگیری با استفاده از یک شبکه مدولار یا شبکه مشبک آسانتر است، محققان ثبت کردند که شرکت‌کنندگان با فشار دادن کلیدهای روی صفحه کلید با چه سرعتی به هر تصویر واکنش نشان می‌دهند. یک پاسخ سریع نشان داد که شرکت کننده انتقال را پیش بینی کرده است. آنها شبکه را خوب یاد گرفته بودند. پاسخ آهسته نشان داد که انتقال سوژه را شگفت زده کرد. آنها شبکه را به خوبی یاد نگرفته بودند.
این آزمایش نشان داد که یادگیری شبکه مدولار آسانتر از شبکه شبکه است. یک شبکه مدولار دارای چندین خوشه متراکم از گره ها است، در حالی که یک شبکه شبکه هیچ خوشه ای ندارد. مردم به راحتی می توانند انتقال را در شبکه مدولار پیش بینی کنند اما در شبکه شبکه نه. این یافته نشان می‌دهد که انسان‌ها ارتباط بین افراد، اشیاء و رویدادها را زمانی بهتر یاد می‌گیرند که اطلاعات در گروه‌های کوچک به هم مرتبط ارائه شود. دوم، آزمایش نشان داد که انتقال در یک خوشه آسان تر از انتقال بین خوشه های مختلف است. اگرچه یادگیری شبکه‌های ماژولار به طور کلی آسانتر است، اما ممکن است یادگیری برخی از بخش‌های یک شبکه مدولار سخت‌تر از سایرین باشد. به طور کلی، این آزمایش به دانشمندان گفت که خوشه ها به انسان کمک می کنند تا شبکه های اطلاعاتی را بیاموزند و رویدادهای آینده را پیش بینی کنند. https://jalebamooz.com/computer-tips/%d8%a8%d9%87%d8%aa%d8%b1%db%8c%d9%86-%d8%b3%d8%a7%db%8c%d8%aa-%d8%ae%d8%b1%db%8c%d8%af-%da%a9%d8%a7%d9%85%d9%be%db%8c%d9%88%d8%aa%d8%b1/
آیا برخی از اتصالات غافلگیرکننده تر از سایرین هستند؟
بنابراین، مردم می توانند یک شبکه را به سادگی با مشاهده انتقال بین گره ها یاد بگیرند. اما در زندگی واقعی، شبکه ها اغلب به روش های غیرمنتظره ای تغییر می کنند. ذهن ما باید با این تغییرات روبرو شود و ارتباطات جدیدی بین ایده‌ها، رویدادها و افراد که قبلاً به هم مرتبط نبودند بیابد. چه اتفاقی می‌افتد وقتی اطلاعات جدید در شبکه‌ای که ما یاد گرفته‌ایم قرار نگیرد؟
هنگامی که یک شبکه را یاد می گیریم،-منبع– انتظار انتقال هایی را داریم که قبلاً دیده ایم، و از انتقال هایی که قبلاً ندیده ایم شگفت زده می شویم. یک انتقال جدید، ارتباطاتی را که یاد گرفتیم «نقض» می کند. برخی از انتقال های جدید ما را بیش از دیگران شگفت زده می کند. برای اندازه گیری آزمایشی این، محققان از شبکه حلقه استفاده کردند. شرکت کنندگان دوباره توالی هایی از تصاویر را مشاهده کردند. پس از مشاهده 500 انتقال، گاهی اوقات، تصویری ظاهر می شود که به تصویر قبلی در شبکه متصل نیست. این انتقال قوانین شبکه ای را که شرکت کنندگان یاد گرفته بودند، نقض کرد. با توجه به ساختار شبکه حلقه، برخی از تخلفات کوتاه بود: یک تصویر در نزدیکی حلقه به تصویر دیگری منتقل شد. سایر موارد نقض طولانی بودند: یک تصویر به تصویر دیگر در فاصله دور روی رینگ منتقل شد. شکل شبکه حلقه، مقایسه تخلفات کوتاه و طولانی را برای محققان آسان کرد.
محققان می‌توانند با اندازه‌گیری مدت زمانی که شرکت‌کننده برای پاسخ‌دهی طول می‌کشد، بفهمند که هر تخلف چقدر شگفت‌انگیز است. ممکن است انتظار داشته باشید که شرکت کنندگان به همان اندازه از انواع تخلفات شبکه شگفت زده شوند. از این گذشته، هر تخلفی کاملاً جدید بود و قبلاً هرگز ظاهر نشده بود. با این حال، این مورد نبود. مردم بیشتر از تخلفات کوتاه مدت شگفت زده شدند. این یافته نشان می‌دهد که وقتی یک انتقال جدید به اتصالی که قبلاً در شبکه وجود دارد نزدیک است، افراد کمتر متعجب می‌شوند. در مورد هر گره به عنوان یک رویداد در روال روزانه خود فکر کنید. هر روز صبح احتمالاً از خواب بیدار می شوید، صبحانه می خورید، دندان هایتان را مسواک می زنید و سپس به مدرسه می روید. در عوض تصور کنید که به شما گفته شده است قبل از خوردن صبحانه دندان های خود را مسواک بزنید. ممکن است کمی تعجب کنید. اگر به شما گفته شود قبل از مسواک زدن به مدرسه بروید چه؟ شما حتی بیشتر احساس شگفتی خواهید کرد. این یافته نشان می دهد که ذهن ما فقط ارتباطات بین چیزها را نمی آموزد، بلکه فواصل بین چیزهایی را که مستقیماً به هم مرتبط نیستند را نیز یاد می گیرد.
آیا می توانیم شبکه هایی طراحی کنیم که یادگیری آنها آسان باشد؟
ما فقط دو جنبه از نحوه یادگیری شبکه ها را توضیح دادیم. اول، مردم زمانی که اطلاعات به صورت خوشه ای سازماندهی می شوند، بهتر یاد می گیرند. ثانیاً، از آنجایی که تعجب نشان دهنده میزان خوب آموخته شدن چیزی است، افراد وقتی چیزی را می بینند که بسیار متفاوت از آنچه قبلاً آموخته اند، شگفت زده می شوند. این اکتشافات مهم هستند زیرا درک نحوه یادگیری ما می تواند نحوه تدریس ما را بهبود بخشد. آیا معلمان می توانند اطلاعات را به گونه ای ارائه دهند که یادگیری آن را آسان تر کند؟ به درس تاریخ فکر کنید. معمولاً اطلاعات به ترتیب زمانی ارائه می شود. با این حال، ما می دانیم که وقتی اطلاعات در ماژول ها گروه بندی شوند، یادگیری آسان تر است. اگر درس های تاریخ بر اساس مضامین گروه بندی می شد چه می شد؟ شاید همه رویدادهای سیاسی در یک بخش باشد. و شاید تمام رویدادهای علمی در بخش دیگری باشد. دانش آموزان مجبور نیستند حقایقی را که به طور تصادفی به هم مرتبط هستند به خاطر بسپارند. در عوض، دانش‌آموزان شبکه‌ای واضح از ارتباطات خواهند داشت که در آن اطلاعات جدید را قرار می‌دهند. این می تواند به دانش آموزان کمک کند کارآمدتر یاد بگیرند.
انتخاب نحوه سازماندهی اطلاعات تنها در کلاس درس صدق نمی کند. افراد در هر سنی دائماً در حال خواندن، یادگیری و به خاطر سپردن هستند .برخی از افراد مشاغلی دارند که اطلاعاتی که در آن می آموزند تأثیرات مهمی بر جهان دارد. به عنوان مثال، سیاستمداران اغلب گزارش‌های علمی را می‌خوانند که یافته‌های پژوهشی و نحوه ارتباط آنها با تصمیم‌های سیاسی را توضیح می‌دهد. به عنوان مثال، گزارش ها ممکن است توضیح دهند که چگونه ریختن زباله در نزدیکی دریاچه به ماهی های محلی آسیب می رساند. چگونه دانشمندان باید اطلاعات را سازماندهی کنند تا به سیاستمداران کمک کنند تا بهترین تصمیم را بگیرند؟ با سازماندهی اطلاعات در ماژول‌ها، با ارتباطات واضح در دسته‌ها، دانشمندان می‌توانند به طور مؤثرتری با افراد غیردانشمند ارتباط برقرار کنند. برای یادگیری شبکه و الگوریتم های آن در ابتدا به یک سیستم رایانه ی ای قوی و خوب نیاز دارید. شاید این سوال برایتان پیش بیاید که از کجا لپتاپ بخریم ، خرید از فروشگاه های معتبر را در نظر داشته باشید. بعد از خرید لپتاپ یا کامپیوتر می توانید دوره های شبکه را طی کنید و به یک متخصص شبکه تبدیل شوید.
