ABSTRACT Infants often exhibit goal‐directed behaviors, such as reaching for a sensory stimulus, even when no external reward criterion is provided. These intrinsically motivated behaviors facilitate spontaneous exploration and learning of the body and environment during early developmental stages. Although computational modeling can offer insight into the mechanisms underlying such behaviors, many existing studies on intrinsic motivation focus primarily on how exploration contributes to acquiring external rewards. In this paper, we propose a novel density model for an agent's own multimodal sensory experiences, called the “self‐prior,” and investigate whether it can autonomously induce goal‐directed behavior. Integrated within an active inference framework based on the free energy principle, the self‐prior generates behavioral references purely from an intrinsic process that minimizes mismatches between average past sensory experiences and current observations. This mechanism is also analogous to the acquisition and utilization of a body schema through continuous interaction with the environment. We examine this approach in a simulated environment and confirm that the agent spontaneously reaches toward a tactile stimulus. Our study implements intrinsically motivated behavior shaped by the agent's own sensory experiences, demonstrating the spontaneous emergence of intentional behavior during early development. Summary Suggests a computational model for early intentional behavior, integrating body‐schema formation and goal‐directed actions under the free energy principle. Introduces a self‐prior as an internal density model that drives the emergence of goal‐directed behaviors without external rewards. Demonstrates spontaneous reaching for a sticker by minimizing mismatches between observed multimodal sensory inputs and the empirically acquired self‐prior.
نوزادان اغلب رفتارهای هدفمندی مانند دست دراز کردن به سوی یک محرک حسی را حتی در غیاب معیار پاداش بیرونی از خود نشان می‌دهند. این رفتارهای دارای انگیزش درونی، کاوش و یادگیری خودانگیخته بدن و محیط را در مراحل اولیه رشد تسهیل می‌کنند. اگرچه مدل‌سازی محاسباتی می‌تواند بینشی درباره سازوکارهای زیربنایی چنین رفتارهایی ارائه دهد، بسیاری از پژوهش‌های موجود درباره انگیزش درونی عمدتاً بر این تمرکز دارند که چگونه کاوش به کسب پاداش‌های بیرونی کمک می‌کند. در این مقاله، یک مدل چگالی نوین برای تجارب حسی چندوجهی عامل، با عنوان «پیش‌فرض خود»، پیشنهاد می‌شود و بررسی می‌گردد که آیا این مدل می‌تواند به طور خودمختار رفتار هدفمند را القا کند یا خیر. این مدل که در چارچوب استنتاج فعال مبتنی بر اصل انرژی آزاد ادغام شده است، مراجع رفتاری را صرفاً از یک فرایند درونی که عدم تطابق میان تجارب حسی گذشته میانگین و مشاهدات فعلی را به حداقل می‌رساند، تولید می‌کند. این سازوکار همچنین مشابه کسب و به‌کارگیری طرحواره بدنی از طریق تعامل مستمر با محیط است. این رویکرد در یک محیط شبیه‌سازی‌شده مورد بررسی قرار گرفته و تأیید می‌شود که عامل به طور خودانگیخته به سوی یک محرک لمسی دست دراز می‌کند. مطالعه حاضر رفتار دارای انگیزش درونی شکل‌گرفته بر اساس تجارب حسی خود عامل را پیاده‌سازی می‌کند و ظهور خودانگیخته رفتار هدفمند در طول رشد اولیه را نشان می‌دهد. خلاصه: مدل محاسباتی برای رفتار هدفمند اولیه پیشنهاد می‌کند که یکپارچه‌سازی شکل‌گیری طرحواره بدنی و کنش‌های هدفمند را تحت اصل انرژی آزاد ممکن می‌سازد. پیش‌فرض خود را به عنوان یک مدل چگالی درونی معرفی می‌کند که ظهور رفتارهای هدفمند را بدون پاداش بیرونی هدایت می‌کند. دست دراز کردن خودانگیخته به سوی یک برچسب را از طریق به حداقل رساندن عدم تطابق میان ورودی‌های حسی چندوجهی مشاهده‌شده و پیش‌فرض خود تجربی نشان می‌دهد.
How is vision shaped by other senses? Visual cortex is not merely a passive recipient of retinal inputs. It is also responsive to other sensory modalities, particularly audition. While auditory signals have been shown to penetrate early visual cortices, the mechanisms driving these responses remain poorly understood. To examine how audition shapes vision, we used functional MRI to investigate whether audiovisual interactions modulate the gain of responses in human early visual cortices. Specifically, we measured voxel-wise contrast-response functions (CRF), while participants viewed horizontally drifting gratings paired with auditory motion that was directionally congruent or incongruent with the visual motion, or stationary. We show that congruent audiovisual motion enhances voxel-wise contrast sensitivity whereas incongruent motion reduces it, manifesting as a robust contrast gain modulation across areas V1–V3. This direction-selective enhancement is nicely captured by a divisive normalization model incorporating auditory-driven feedback modulation. Our findings provide compelling evidence for cross-modal interactions at early stages of visual processing, driven by contrast gain modulation –a bidirectional modulation in sensitivity that maintains the balance between local excitatory and inhibitory activity. Together, these results reveal that audiovisual interactions can alter a cornerstone property of vision, highlighting the dynamic role of early visual cortex in multisensory processing.
بینایی چگونه توسط حواس دیگر شکل می‌گیرد؟ قشر بینایی صرفاً دریافت‌کننده منفعل ورودی‌های شبکیه نیست، بلکه به سایر حواس، به‌ویژه شنوایی نیز پاسخ می‌دهد. اگرچه نشان داده شده است که سیگنال‌های شنوایی به قشرهای اولیه بینایی نفوذ می‌کنند، اما سازوکارهای ایجاد این پاسخ‌ها همچنان به‌خوبی شناخته نشده‌اند. برای بررسی اینکه شنوایی چگونه بینایی را شکل می‌دهد، از تصویربرداری تشدید مغناطیسی عملکردی (fMRI) استفاده کردیم تا بررسی کنیم آیا برهم‌کنش‌های شنوایی‌ـ‌بصری بهره پاسخ‌ها را در قشرهای اولیه بینایی انسان تعدیل می‌کند یا خیر. به طور خاص، تابع پاسخ به کنتراست (CRF) را در سطح وکسل اندازه‌گیری کردیم، در حالی که شرکت‌کنندگان به گراتینگ‌های افقی متحرک نگاه می‌کردند که با حرکت شنوایی هم‌جهت یا ناهم‌جهت با حرکت بصری، یا بدون حرکت (ایستا) جفت شده بود. نشان دادیم که حرکت شنوایی‌ـ‌بصری هم‌جهت حساسیت به کنتراست را در سطح وکسل افزایش می‌دهد، در حالی که حرکت ناهم‌جهت آن را کاهش می‌دهد و این امر به صورت تعدیل قوی بهره کنتراست در نواحی V1 تا V3 ظاهر می‌شود. این افزایش انتخابی نسبت به جهت حرکت، به‌خوبی توسط مدل نرمال‌سازی تقسیم‌پذیر که تعدیل بازخوردی ناشی از شنوایی را در بر می‌گیرد، تبیین می‌شود. یافته‌های ما شواهد قانع‌کننده‌ای برای برهم‌کنش‌های میان‌حسی در مراحل اولیه پردازش بینایی ارائه می‌دهد که توسط تعدیل بهره کنتراست هدایت می‌شود؛ یعنی تعدیل دوطرفه حساسیت که تعادل میان فعالیت تحریکی و مهاری موضعی را حفظ می‌کند. در مجموع، این نتایج نشان می‌دهد که برهم‌کنش‌های شنوایی‌ـ‌بصری می‌تواند یکی از ویژگی‌های بنیادی بینایی را تغییر دهد و نقش پویای قشر اولیه بینایی در پردازش چندحسی را برجسته می‌سازد.
Artificial intelligence (AI) is often presented as solving longstanding challenges of feedback in higher education. Research and commentary tend to focus on how AI can replace educator labour by providing feedback information at scale but this substitution risks simplifying a complex and interconnected set of practices. We draw from Barnett’s work on the ecological university to offer a dynamic, relational view of an ecosystem – where the whole is greater than the sum of its parts. This perspective of the feedback ecosystem sensitised a qualitative study, where data was constituted through participant discussion within two-hour online workshops. Twelve students and 18 educators participated across three workshops; analysis of participant feedback experiences illustrated how feedback relations shift in the presence of AI. To conclude, we suggest that in response to AI, educators can seek to strengthen their feedback relationships with students over time – what we call humans-as-the-loop – in the feedback ecosystem.
هوش مصنوعی (AI) اغلب به عنوان راه‌حلی برای چالش‌های دیرینه بازخورد در آموزش عالی مطرح می‌شود. پژوهش‌ها و دیدگاه‌ها عمدتاً بر این تمرکز دارند که چگونه هوش مصنوعی می‌تواند جایگزین نیروی کار آموزشی شده و اطلاعات بازخورد را در مقیاس وسیع ارائه دهد، اما این جایگزینی خطر ساده‌سازی مجموعه‌ای پیچیده و به‌هم‌پیوسته از رویه‌ها را به همراه دارد. ما با بهره‌گیری از آثار Barnett درباره دانشگاه بوم‌شناختی، دیدگاهی پویا و رابطه‌مند از یک اکوسیستم ارائه می‌دهیم؛ جایی که کل، فراتر از مجموع اجزای آن است. این رویکرد نسبت به اکوسیستم بازخورد، مطالعه‌ای کیفی را جهت‌دهی کرد که داده‌های آن از طریق بحث شرکت‌کنندگان در کارگاه‌های آنلاین دو ساعته گردآوری شد. دوازده دانشجو و هجده مدرس در سه کارگاه شرکت کردند؛ تحلیل تجارب بازخورد شرکت‌کنندگان نشان داد که چگونه روابط بازخورد در حضور هوش مصنوعی دچار تغییر می‌شود. در پایان، پیشنهاد می‌کنیم که در واکنش به هوش مصنوعی، مدرسان می‌توانند در طول زمان روابط بازخوردی خود را با دانشجویان تقویت کنند؛ چیزی که ما آن را «انسان‌ها به‌عنوان حلقه» در اکوسیستم بازخورد می‌نامیم.
