Bỏ qua tới nội dung chính

Trước khi có khoa học nhận thức

Khoa học nhận thức: tâm trí học, nhớ và đoán như thế nào

Tâm trí như một hệ xử lý thông tin: ba mức của Marr, đường cong quên và ôn giãn cách, thiên kiến, trẻ học nói, tri giác là suy luận — và học từ đâu.

Ban biên tập OpenER

Cập nhật 31/10/2026 · 20 phút đọc · CC BY 4.0

Đêm trước kỳ thi, bạn thức tới hai giờ sáng đọc lại cả tập đề cương. Sáng hôm sau làm bài khá trôi; một tháng sau, có người hỏi lại một câu trong đề, bạn chỉ còn nhớ mang máng. Trong khi đó, đứa cháu ba tuổi chưa học một giờ ngữ pháp nào đã nói rành rọt "Con không ăn cà rốt đâu, con ăn trứng cơ!" — và có hôm nói ra những câu chưa ai trong nhà từng nói.

Vì sao học cả đêm lại quên nhanh thế? Đứa trẻ học tiếng mẹ đẻ bằng cách nào? Một chatbot viết trôi chảy thì có "hiểu" như người không? Đó là những câu hỏi của khoa học nhận thức (cognitive science): ngành nghiên cứu tâm trí như một hệ xử lý thông tin — nhận tín hiệu từ giác quan, lưu lại, biến đổi, rồi dùng để nói, quyết định, hành động. Không ngành nào tự trả lời nổi, nên tâm lý học, khoa học thần kinh, ngôn ngữ học, triết học và khoa học máy tính cùng ngồi một bàn.

Trước khi có khoa học nhận thức

Suốt hàng nghìn năm, công cụ chính để tìm hiểu tâm trí là tự xét nội tâm (introspection): nhìn vào đầu mình rồi kể lại. Hai người thấy hai thứ khác nhau thì không cách nào phân xử. Ngành mới ra đời từng bước:

  1. Đo được trí nhớ — năm 1885. Hermann Ebbinghaus tự làm người thử duy nhất: học thuộc hàng loạt danh sách âm tiết vô nghĩa, rồi đo xem sau 20 phút, một ngày, một tháng, học lại nhanh hơn lần đầu bao nhiêu. Kết quả là đường cong quên (forgetting curve): quên rất nhanh lúc đầu, chậm dần về sau.
  2. Đóng nắp hộp đen — từ năm 1913. John B. Watson, rồi B. F. Skinner với những con chuột, con bồ câu học bằng thưởng phạt, chỉ nghiên cứu cái quan sát được: kích thích và phản ứng. Suốt mấy chục năm, nhất là ở Mỹ, chủ nghĩa hành vi (behaviorism) coi nói tới "ý nghĩ" là thiếu khoa học.
  3. Ngày ra đời — 11/9/1956. Máy tính ra đời gợi một ý: biết đâu tâm trí cũng là một cỗ máy biến đổi ký hiệu? Trong một ngày của hội thảo về lý thuyết thông tin ở MIT, Allen Newell và Herbert Simon trình bày chương trình tự chứng minh định lý logic; Noam Chomsky, các mô hình mô tả ngôn ngữ; George Miller, giới hạn của trí nhớ ngắn hạn (bài Tương tác người – máy đã kể). Về sau Miller coi đó là ngày khoa học nhận thức được thai nghén — cùng năm với hội thảo Dartmouth của trí tuệ nhân tạo.
  4. Mở hộp đen — năm 1959. Chomsky viết bài điểm cuốn Verbal Behavior của Skinner: trẻ em nói ra những câu chưa từng nghe, nên ngôn ngữ phải là một hệ quy tắc trong đầu chứ không chỉ là thói quen được thưởng phạt.
  5. Ba mức phân tích — năm 1982. Cuốn Vision của David Marr, nhà nghiên cứu thị giác ở MIT, đề xuất cách hiểu mọi hệ xử lý thông tin ở ba mức (ý tưởng thứ nhất bên dưới).
  6. Chủ nghĩa kết nối — năm 1986. Bộ sách Parallel Distributed Processing của David Rumelhart, James McClelland và cộng sự cho rằng tri thức không nằm trong ký hiệu và luật mà trải trên trọng số của một mạng nhiều đơn vị đơn giản — chủ nghĩa kết nối (connectionism); bộ sách có cả chương về lan truyền ngược (xem bài Học máy). Một mô hình trong đó tự học chia thì quá khứ tiếng Anh và mắc cùng kiểu lỗi với trẻ con, như khi trẻ nói "goed" thay cho "went".
  7. Nhận thức thân thể hóa — thập niên 1990. Rodney Brooks ở MIT làm những robot côn trùng đi lại được mà không cần bản đồ thế giới trong đầu. Ý chung của nhận thức thân thể hóa (embodied cognition): tư duy nằm trong vòng lặp giữa cơ thể, giác quan và môi trường, không chỉ trong đầu.

Đặt cạnh nhau:

Trước khoa học nhận thức
Có khoa học nhận thức
Tâm trí là gì
Thứ chỉ tự nhìn vào được, hoặc hộp đen không nên mở
Hệ xử lý thông tin, mô hình hóa và thử nghiệm được
Học là gì
Hành vi được thưởng thì lặp lại
Mã hóa, lưu, củng cố, gợi lại
Ngôn ngữ
Thói quen bắt chước
Hệ quy tắc và thống kê sinh ra câu mới
Kiểm một lý thuyết
Tranh luận bằng lời, hoặc chỉ đếm phản ứng
Viết thành chương trình chạy được, so với dữ liệu người thật

Hơn một thế kỷ sau Ebbinghaus, cách học phổ biến nhất vẫn là đọc đi đọc lại, tô bút dạ quang và dồn hết vào đêm trước kỳ thi. Năm 2013, nhóm của John Dunlosky rà lại nghiên cứu về mười kỹ thuật học: tô đậm và đọc lại thuộc nhóm ít hiệu quả; chỉ có tự kiểm tra và ôn giãn cách được xếp hiệu quả cao.

Môn này trả lời câu hỏi gì

Khoa học nhận thức hỏi: tâm trí biểu diễn thế giới ra sao, dùng những phép tính gì để nhìn, nhớ, học, nói và quyết định — và bộ não thực hiện các phép tính ấy bằng cách nào?

Người học khoa học máy tính cần nó vì ba lẽ:

  • Trí tuệ nhân tạo: tâm trí người là bằng chứng duy nhất rằng một trí tuệ linh hoạt là làm được. Ý tưởng chảy cả hai chiều: học sâu lớn lên từ chủ nghĩa kết nối, còn thí nghiệm tâm lý học thành cách kiểm một mô hình AI giỏi thật hay chỉ giỏi bề ngoài.
  • Thiết kế cho con người: tương tác người – máy là khoa học nhận thức đem ra dùng.
  • Lý thuyết là chương trình: lý thuyết về tâm trí phải chạy được mới biết có giải thích nổi dữ liệu không — người biết lập trình có lợi thế.

Năm ý tưởng cốt lõi

1. Ba mức của Marr: cùng một việc, ba câu hỏi

Marr cho rằng muốn hiểu một hệ xử lý thông tin — bộ não hay chiếc máy tính tiền ở cửa hàng tiện lợi — phải trả lời ba câu hỏi:

  1. Mức tính toán (computational level): giải bài toán gì, vì sao? Máy tính tiền làm phép cộng, vì tiền cả giỏ là tổng tiền từng món.
  2. Mức thuật toán và biểu diễn (algorithmic level): biểu diễn số thế nào, tính theo bước nào — thập phân cộng có nhớ, hay nhị phân?
  3. Mức hiện thực (implementation level): cái gì vật lý chạy các bước ấy — bánh răng, transistor hay nơ-ron?

Lời nhắc của Marr là đừng nhầm mức: biết hết từng nơ-ron chưa chắc đã hiểu bộ não đang giải bài toán gì — như con giun 302 nơ-ron trong bài Sinh học. Ngược lại, có khi đoán được thuật toán trong đầu người chỉ bằng đồng hồ bấm giờ. Ba cách một đứa trẻ cộng hai số nhỏ:

python
def dem_het(a, b):
    """Giơ a ngón rồi b ngón, đếm lại tất cả từ 1."""
    tong = 0
    for _ in range(a + b):
        tong += 1
    return tong, a + b                  # (đáp số, số bước)

def dem_tiep(a, b):
    """Bắt đầu từ số lớn hơn, đếm thêm số nhỏ hơn."""
    tong = max(a, b)
    for _ in range(min(a, b)):
        tong += 1
    return tong, min(a, b)

BANG_CONG = {(a, b): a + b for a in range(10) for b in range(10)}   # đã thuộc lòng
def nho_ra(a, b):
    return BANG_CONG[(a, b)], 1

print("phép    đếm hết  đếm tiếp   nhớ ra")
for a, b in [(2, 7), (7, 2), (8, 1), (3, 3), (5, 4)]:
    print(f"{a} + {b}", *(f"{str(f(a, b)):>8s}" for f in (dem_het, dem_tiep, nho_ra)))
text
phép    đếm hết  đếm tiếp   nhớ ra
2 + 7   (9, 9)   (9, 2)   (9, 1)
7 + 2   (9, 9)   (9, 2)   (9, 1)
8 + 1   (9, 9)   (9, 1)   (9, 1)
3 + 3   (6, 6)   (6, 3)   (6, 1)
5 + 4   (9, 9)   (9, 4)   (9, 1)

Ba cách cho cùng đáp số — giống nhau ở mức tính toán — nhưng số bước khác hẳn. Nếu trẻ đếm tiếp, 8 + 1 phải nhanh nhất và 2 + 7 nhanh bằng 7 + 2. Năm 1972, Guy Groen và John Parkman đo thời gian trả lời của học sinh lớp một và thấy đúng như vậy: thời gian tăng theo số nhỏ hơn trong hai số; riêng những phép như 3 + 3 thì nhanh hơn hẳn — có lẽ các em đã thuộc lòng. Họ không cần nhìn vào não — như người lập trình đoán độ phức tạp của một hàm bằng cách đo thời gian chạy.

2. Trí nhớ: quên có quy luật, học có kỹ thuật

Theo số liệu của Ebbinghaus, sau một ngày, thời gian tiết kiệm được khi học lại chỉ còn khoảng một phần ba; sau một tháng, khoảng một phần năm. Nghiên cứu về sau để lại hai phát hiện đáng giá nhất cho người đi học:

  • Hiệu ứng giãn cách (spacing effect): cùng một số lần ôn, chia ra nhiều ngày thì nhớ lâu hơn dồn vào một buổi — điều chính Ebbinghaus đã ghi nhận.
  • Luyện truy xuất (retrieval practice): gấp sách lại và cố nhớ ra giúp nhớ lâu hơn đọc lại, dù đọc lại có cảm giác hiệu quả hơn. Henry Roediger và Jeffrey Karpicke (2006) thấy sau năm phút nhóm đọc lại nhớ hơn, nhưng sau hai ngày và một tuần thì nhóm tự kiểm tra nhớ hơn hẳn.

Một cách giải thích cả hai: lần ôn có ích nhất là lần hơi khó, khi trí nhớ đã phai một chút và phải cố mới gợi lại được — Robert Bjork gọi đó là khó khăn đáng có (desirable difficulties). Mô hình đồ chơi dưới đây viết ý ấy thành code, gán cho trí nhớ một độ bền. Hai bạn cùng ôn bốn lần cho kỳ thi sáng ngày 7: một bạn dồn cả bốn lần vào tối ngày 6, một bạn ôn vào tối các ngày 0, 1, 3 và 6:

python
from math import exp

def do_ben(lich_on, S=2.0, k=3.0):
    """Mô hình đồ chơi. Không ôn thì sau t ngày còn nhớ exp(-t / S), S là độ bền (ngày).
    Mỗi lần ôn, S tăng theo phần đã quên lúc đó: ôn khi đã hơi quên thì nhớ bền hơn."""
    for truoc, sau in zip(lich_on, lich_on[1:]):
        con_nho = exp(-(sau - truoc) / S)
        S *= 1 + k * (1 - con_nho)
    return S

lich = {"Dồn một tối": [6.8, 6.84, 6.88, 6.92],   # tối ngày 6, mỗi giờ một lần
        "Giãn cách": [0.8, 1.8, 3.8, 6.8]}        # tối các ngày 0, 1, 3 và 6
print("              độ bền    hôm thi  1 tuần sau  1 tháng sau")
for ten, l in lich.items():
    S = do_ben(l)
    nho = [exp(-(ngay - l[-1]) / S) for ngay in (7.3, 14.3, 37.3)]
    print(f"{ten:12s} {S:5.1f} ngày", "".join(f"{p:10.0%}" for p in nho))
text
              độ bền    hôm thi  1 tuần sau  1 tháng sau
Dồn một tối    2.4 ngày        85%        4%        0%
Giãn cách     16.8 ngày        97%       64%       16%

Sáng hôm thi, hai bạn chưa chênh nhau nhiều; một tuần sau, bạn học dồn gần như quên sạch. Bí mật nằm ở lúc ôn: lịch dồn lần nào cũng còn nhớ khoảng 98%, dễ chịu nhưng độ bền gần như không tăng; lịch giãn cách mỗi lần chỉ còn nhớ 60–72%, phải cố mới nhớ ra — và chính cái cố ấy làm trí nhớ bền gấp bảy. Con số là của mô hình, tham số tự đặt; chiều của chúng thì khớp với hàng trăm thí nghiệm.

Áp vào việc học trên OpenER: xem xong một bài giảng, gấp lại và viết ra ba ý chính trước khi mở ghi chú; ôn lại sau một ngày, vài ngày, một tuần bằng cách tự hỏi chứ không đọc lại; làm bài tập trước khi xem lời giải. Phần mềm thẻ ghi nhớ như Anki lên lịch ôn theo đúng ý tưởng này.

3. Lối tắt của suy nghĩ: nhanh, tiết kiệm, đôi khi lệch

Bộ não không tính xác suất bằng công thức; nó dùng lối tắt (heuristic) — những quy tắc nhanh, thường đúng. Năm 1974, Amos Tversky và Daniel Kahneman tóm lại ba lối tắt cùng các thiên kiến (bias) đi kèm. Lối tắt "trông có điển hình không" (representativeness) dẫn tới bẫy bỏ qua xác suất nền, đã có trong bài Xác suất và thống kê. Hai lối tắt còn lại:

Neo và điều chỉnh (anchoring and adjustment). Hai nhóm học sinh trung học có năm giây để ước lượng một tích: nhóm đầu thấy 8 × 7 × 6 × 5 × 4 × 3 × 2 × 1, nhóm sau thấy các số ấy theo thứ tự ngược lại. Trung vị ước lượng là 2.250 ở nhóm đầu và 512 ở nhóm sau. Vì sao lệch nhau như vậy:

python
from math import prod

giam = [8, 7, 6, 5, 4, 3, 2, 1]
tang = giam[::-1]
print("tích thật:", prod(giam))
for ten, day in [("8 × 7 × 6 × ...", giam), ("1 × 2 × 3 × ...", tang)]:
    print(ten, "— nhân bốn bước đầu:", [prod(day[:i]) for i in range(1, 5)])
text
tích thật: 40320
8 × 7 × 6 × ... — nhân bốn bước đầu: [8, 56, 336, 1680]
1 × 2 × 3 × ... — nhân bốn bước đầu: [1, 2, 6, 24]

Trong năm giây, người ta nhân được vài bước đầu rồi ước phần còn lại. Mấy bước đầu là cái neo, phần điều chỉnh sau đó thường thiếu: cả hai nhóm đều đoán thấp hơn đáp số thật hàng chục lần, nhóm có neo nhỏ còn thấp hơn. Neo tác động cả khi vô nghĩa — trong cùng bài báo, con số từ một vòng quay may rủi cũng kéo lệch ước lượng — và giá gốc gạch ngang cạnh giá khuyến mãi dùng chính hiệu ứng này.

Lối tắt sẵn có (availability). Ta đoán một việc hay xảy ra tới đâu theo việc nhớ ra ví dụ dễ tới đâu. Một vụ rơi máy bay được đưa tin nhiều ngày, nên nhiều người sợ máy bay hơn xe máy — dù ở Việt Nam, tai nạn giao thông đường bộ mỗi năm cướp đi hàng nghìn mạng người.

Bài học không phải "con người phi lý" mà là thiên kiến có quy luật, nên tránh được: bảng kiểm trước khi quyết định, xem số liệu đầy đủ trước khi tin ví dụ đầu tiên nhớ ra. Kahneman nhận giải Nobel Kinh tế năm 2002; Tversky đã mất trước đó sáu năm.

4. Tri giác là suy luận: bộ não đoán thế giới

Ta tưởng mắt như chiếc máy ảnh. Thật ra hình trên võng mạc là một mảng hai chiều nhiễu và mơ hồ; vô số cảnh ba chiều cho ra cùng một hình, và bộ não phải đoán cảnh nào đã tạo ra nó. Từ thế kỷ XIX, Hermann von Helmholtz đã gọi đó là suy luận vô thức (unconscious inference).

Bạn có thể bắt quả tang bộ não đang đoán. Vẽ lên giấy một dấu cộng bên trái và một chấm tròn đậm bên phải, cách nhau chừng 8 cm. Nhắm mắt trái, mắt phải nhìn chằm chằm vào dấu cộng, rồi từ từ đưa tờ giấy lại gần hay ra xa: ở khoảng 25–35 cm, chấm tròn biến mất. Ảnh của nó đã rơi vào điểm mù (blind spot), chỗ dây thần kinh thị giác rời võng mạc, không có tế bào cảm quang. Vậy mà bạn không thấy lỗ đen nào: bộ não lấp chỗ trống bằng màu giấy xung quanh.

Ảo giác là chỗ phép đoán lộ ra. Trong ảo giác bàn cờ và bóng đổ của Edward Adelson (1995), một ô trong bóng trông sáng hơn hẳn một ô ngoài bóng dù in cùng màu xám: bộ não tính màu của chính mặt ô sau khi đã trừ bóng đổ. Ngoài đời cách tính ấy gần như luôn đúng, nên ảo giác là dấu vết của một suy luận giỏi chứ không phải lỗi của mắt.

Ngôn ngữ chính xác cho việc đoán từ bằng chứng mơ hồ là định lý Bayes: kết hợp niềm tin có sẵn (ánh sáng thường chiếu từ trên xuống) với tín hiệu từ giác quan. Giả thuyết xử lý dự đoán (predictive processing), còn đang tranh luận, đi xa hơn: bộ não liên tục đoán trước tín hiệu sắp tới và chủ yếu xử lý phần sai lệch. Một bằng chứng dễ thương: bạn không tự cù mình được, vì bộ não đã đoán trước cảm giác do chính tay mình gây ra. Thị giác máy tính phải giải cùng đề bài: từ một mảng điểm ảnh, đoán ra vật, khoảng cách, ánh sáng.

5. Ngôn ngữ — và tâm trí so với máy

Quay lại đứa cháu ba tuổi. Chomsky lập luận rằng những câu trẻ nghe được quá ít và quá lộn xộn để tự rút ra một ngữ pháp phức tạp như thế, nên hẳn phải có sẵn một ngữ pháp phổ quát (universal grammar) bẩm sinh. Đó là lập luận về sự nghèo nàn của kích thích (poverty of the stimulus).

Năm 1996, Jenny Saffran, Richard Aslin và Elissa Newport cho trẻ 8 tháng tuổi nghe hai phút một chuỗi âm tiết tổng hợp đọc liền, không ngắt nghỉ, ghép từ bốn "từ" bịa, mỗi từ ba âm tiết. Trong một từ, âm tiết sau luôn theo âm tiết trước; ở chỗ giáp ranh, âm tiết kế tiếp chỉ đoán trúng một phần ba số lần. Sau đó, trẻ đã phân biệt được "từ" với những mẩu ghép ngang qua ranh giới: các em tự tách từ nhờ xác suất chuyển tiếp (transitional probability) giữa các âm tiết. Đoạn code làm lại phép tính ấy với bốn từ tự đặt:

python
import random
from collections import Counter

random.seed(2004)
TU = ["pa bi ku", "ti bu do", "go la tu", "da ro pi"]    # bốn "từ" bịa ra

chuoi, truoc = [], None
for _ in range(300):                                   # 300 từ đọc liền, không ngắt nghỉ
    tu = random.choice([t for t in TU if t != truoc])  # không lặp một từ hai lần liền
    chuoi += tu.split()
    truoc = tu

dem = Counter(chuoi[:-1])
cap = Counter(zip(chuoi, chuoi[1:]))
def chuyen(x, y):                                      # xác suất nghe y ngay sau x
    return cap[(x, y)] / dem[x]

for x in ("pa", "ku"):
    print("sau", x, {y: round(chuyen(x, y), 2) for y in sorted(set(chuoi)) if cap[(x, y)]})

tim_thay, dang_ghep = Counter(), [chuoi[0]]
for x, y in zip(chuoi, chuoi[1:]):
    if chuyen(x, y) < 0.5:                             # xác suất tụt: chắc là ranh giới từ
        tim_thay["".join(dang_ghep)] += 1
        dang_ghep = []
    dang_ghep.append(y)
print(tim_thay.most_common())
text
sau pa {'bi': 1.0}
sau ku {'da': 0.34, 'go': 0.33, 'ti': 0.33}
[('golatu', 79), ('tibudo', 74), ('pabiku', 73), ('daropi', 73)]

Cắt ở những chỗ xác suất tụt xuống, chương trình tìm lại đúng bốn từ mà không ai chỉ cho nó ranh giới. Thí nghiệm không bác bỏ Chomsky — tách từ dễ hơn nhiều so với nắm được cú pháp — nhưng mở ra câu hỏi: bao nhiêu phần của ngôn ngữ học được từ thống kê? Máy đọc tiếng Việt cũng phải tự tìm ranh giới từ như thế, ở bước tách từ (word segmentation) — xem bài Xử lý ngôn ngữ tự nhiên.

Mô hình ngôn ngữ lớn chỉ học đoán chữ tiếp theo mà viết trôi chảy hơn phần lớn chúng ta. Chúng có học như trẻ em không? So sánh cho tỉnh táo:

  • Giống: cả hai học bằng cách đoán trước, và học sâu là hậu duệ của chủ nghĩa kết nối. Năm 2014, nhóm của James DiCarlo thấy mạng nhận dạng vật thể càng giỏi thì càng đoán đúng phản ứng của nơ-ron trong vỏ não thị giác của khỉ.
  • Khác về dữ liệu: theo ước tính hay được dẫn, một đứa trẻ nghe chưa tới 100 triệu từ trước tuổi 13; mô hình ngôn ngữ lớn học trên hàng nghìn tỷ token, gấp hàng chục nghìn lần. Trẻ có khi học được một từ mới sau một hai lần nghe, trong lúc chỉ tay, cầm nắm — điều nhận thức thân thể hóa nhấn mạnh.
  • Khác về cách sai: một lớp nhiễu mắt người không thấy có thể làm mạng nhận dạng gọi ảnh gấu trúc là vượn (Goodfellow và cộng sự, 2015); mô hình ngôn ngữ có lúc giải đúng câu đố kinh điển rồi trượt khi chỉ đổi vài chi tiết.
  • Khác ở mức của Marr: giống ở hành vi chưa chắc đã cùng thuật toán. Còn thao tác đúng trên ký hiệu có phải là hiểu không — câu John Searle hỏi năm 1980 bằng lập luận "căn phòng tiếng Trung" — đến nay vẫn chưa có lời đáp chung.

Khoa học nhận thức nằm ở đâu trong chồng tầng

Khoa học nhận thức không nằm trong chồng tầng máy tính của bài Từ electron đến ứng dụng. Nó nghiên cứu chồng tầng của tâm trí, và ba mức của Marr chính là cách chia tầng: bài toán, rồi biểu diễn và thuật toán, rồi nơ-ron. Người làm máy đi từ dưới lên; nhà khoa học nhận thức gặp sẵn một hệ đang chạy mà không có bản thiết kế, nên phải đi cả hai chiều: nhìn hành vi để đoán thuật toán, nhìn vào não để xem thuật toán ấy có chỗ trú không.

Đưa lên

Những mô hình đã kiểm bằng thí nghiệm về cách con người nhìn, nhớ, học, quyết định và nói — cho người làm AI, người thiết kế sản phẩm, và chính người đi học.

Giấu đi

Từng nơ-ron, từng khớp thần kinh — phần việc của khoa học thần kinh. Cái giá: một mô hình có thể khớp với hành vi mà vẫn sai về cơ chế bên trong.

Học trước và học sau

· 7 môn

Nhập môn trí tuệ nhân tạo

Introduction to Artificial Intelligence

Bộ công cụ để viết một lý thuyết về tâm trí thành chương trình. Trên OpenER là môn nên học trước.

Xem chủ đề trên OpenER: Introduction to Artificial Intelligence

Sinh học

Biology

Nơ-ron và khớp thần kinh — mức hiện thực của Marr. Trên OpenER cũng là môn nên học trước.

Xem chủ đề trên OpenER: Biology

Xác suất và thống kê

Probability and Statistics

Định lý Bayes là ngôn ngữ của khóa chính; thống kê để đọc thí nghiệm tâm lý học. Nên học trước hoặc song song.

Xem chủ đề trên OpenER: Probability and Statistics

Tương tác người – máy

Human-Computer Interaction

Khoa học nhận thức đi vào thiết kế: trí nhớ ngắn hạn, sự chú ý. Học song song.

Xem chủ đề trên OpenER: Human Computer Interaction

Học sâu

Deep Learning

Hậu duệ của chủ nghĩa kết nối — và câu hỏi mạng nhiều tầng giống não tới đâu.

Xem chủ đề trên OpenER: Deep Learning

Xử lý ngôn ngữ tự nhiên

Natural Language Processing

Phía máy của ý tưởng thứ năm: tách từ, mô hình ngôn ngữ, quy tắc hay thống kê.

Xem chủ đề trên OpenER: Natural Language Processing

Biểu diễn tri thức và suy luận

Knowledge Representation and Reasoning

Hướng ký hiệu cổ điển: tri thức là ký hiệu và luật, suy nghĩ là suy diễn.

Xem chủ đề trên OpenER: Knowledge Representation and Reasoning

Ứng dụng thật và nghề nghiệp

  • Nghiên cứu người dùng và thiết kế sản phẩm: một con đường nghề phổ biến của người học khoa học nhận thức.
  • Công nghệ giáo dục: năm 2016, Duolingo công bố một mô hình học máy đoán khi nào người học sắp quên một từ.
  • Nghiên cứu và đánh giá AI: mang thí nghiệm tâm lý học sang kiểm mô hình, tìm cách cho máy học từ ít dữ liệu như trẻ em.
  • Kinh tế học hành vi: thiết kế lựa chọn mặc định, biểu mẫu cho con người thật; Richard Thaler nhận Nobel Kinh tế năm 2017 cho hướng này.
  • Yếu tố con người (human factors): buồng lái, phòng mổ — nơi một lúc mất tập trung có giá rất đắt.

Học xong làm được gì, bắt đầu từ đâu

Sau môn này bạn có thể:

  • phân tích một năng lực của con người — hay của một hệ AI — ở ba mức của Marr, và không nhầm mức;
  • đọc hiểu một thí nghiệm tâm lý học, và viết mô hình nhỏ để đem so với dữ liệu của nó;
  • so sánh AI với tâm trí người một cách tỉnh táo, không thổi phồng cũng không gạt đi;
  • học bất cứ môn nào hiệu quả hơn bằng tự kiểm tra và ôn giãn cách.

Nên biết trước: Nhập môn trí tuệ nhân tạo và Sinh học; khóa chính cần thêm xác suất và một chút Python. Không cần học tâm lý học trước.

Bắt đầu trên OpenER: trang chủ đề Cognitive Science có các khóa học đã chọn lọc, và hướng dẫn học gợi ý thứ tự đi qua chúng. Khóa chính là 9.66J Computational Cognitive Science của MIT (Joshua Tenenbaum): ghi chú bài giảng và danh mục bài đọc, dùng mô hình Bayes để giải thích cách con người học từ rất ít ví dụ. Chưa quen tâm lý học thì bắt đầu nhẹ hơn với Introduction to Psychology (PSYC 110) của Paul Bloom ở Yale, 20 bài giảng video; phía bộ não có 9.13 The Human Brain của MIT (Nancy Kanwisher). Sách chính là Mind, Body, World của Michael Dawson, đọc miễn phí. Lời khuyên: học môn này bằng chính những gì nó dạy (tự kiểm tra, ôn giãn cách), và với mỗi hiện tượng, thử viết một mô hình nhỏ như các đoạn code ở trên.

Tài liệu tham khảo

  • Michael R. W. Dawson — Mind, Body, World: Foundations of Cognitive Science, Athabasca University Press, 2013, truy cập mở.
  • Randall C. O'Reilly và cộng sự — Computational Cognitive Neuroscience, giáo trình mở (compcogneuro.org).
  • David Marr — Vision, W. H. Freeman, 1982.
  • David E. Rumelhart, James L. McClelland, PDP Research Group — Parallel Distributed Processing, hai tập, MIT Press, 1986.
  • Hermann Ebbinghaus — Über das Gedächtnis, 1885 (bản tiếng Anh Memory, 1913).
  • Noam Chomsky — "A Review of B. F. Skinner's Verbal Behavior", Language 35, 1959.
  • Amos Tversky, Daniel Kahneman — "Judgment under Uncertainty: Heuristics and Biases", Science 185, 1974.
  • Jenny R. Saffran, Richard N. Aslin, Elissa L. Newport — "Statistical Learning by 8-Month-Old Infants", Science 274, 1996.
  • Henry L. Roediger III, Jeffrey D. Karpicke — "Test-Enhanced Learning", Psychological Science 17, 2006.
  • John Dunlosky và cộng sự — "Improving Students' Learning With Effective Learning Techniques", Psychological Science in the Public Interest 14, 2013.
  • Khóa học: MIT OpenCourseWare 9.66J Computational Cognitive Science (Fall 2004) và 9.13 The Human Brain (Spring 2019); Open Yale Courses PSYC 110 Introduction to Psychology.

Ban biên tập OpenER, “Khoa học nhận thức: tâm trí học, nhớ và đoán như thế nào”, OpenER, 2026. Phát hành theo CC BY 4.0: được chia sẻ, chỉnh sửa, kể cả thương mại, miễn ghi công tác giả và dẫn link bài gốc.