Uniwersytet Kardynała Stefana Wyszyńskiego w Warszawie - Centralny System Uwierzytelniania
Strona główna

WMSF: Od umysłu do życia - współczesna debata

Informacje ogólne

Kod przedmiotu: WF-FI-123-WMSFT-P21
Kod Erasmus / ISCED: 08.1 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0223) Filozofia i etyka Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: WMSF: Od umysłu do życia - współczesna debata
Jednostka: Instytut Filozofii
Grupy: Grupa przedmiotów ogólnouczelnianych - obszar nauk humanistycznych i społecznych (studia I st. i JM)
Punkty ECTS i inne: 4.00 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.
Język prowadzenia: polski
Dyscyplina naukowa, do której odnoszą się efekty uczenia się:

filozofia

Poziom przedmiotu:

podstawowy

Symbol/Symbole kierunkowe efektów uczenia się:

FI1_W06; FI1_W08; FI1_W09; FI1_U10;

Skrócony opis:

Celem wykładu jest zaznajomienie studentów ze współczenych modelami Bayesa wykorzystywanymi w filozofii umysłu oraz naukach o poznaniu i życiu. Wykład ma charakter propedutyczny.

Pełny opis:

Celem wykładu jest zaznajomienie studentów ze współczenych modelami Bayesa wykorzystywanymi w filozofii umysłu oraz naukach o poznaniu i życiu. W trakcie wykładu student pozna treść i znaczenie reguły Bayesa, pierwsze Bayesowskie modele w psychologii oraz kognitywistyce, racjonalną analizę; kodowanie predykcyjne, przetwarzanie predykcyjne, aktywne wnioskowanie oraz model oparty na zasadzie energii swobodnej. Wybrane modele będą analizowane pod kątem ich mocy eksplanacyjnych, racjonalności i normatywności.

Literatura:

Anderson, J. R. (1991). Is human cognition adaptive? Behavioral and Brain Sciences, 14, 471–517.

Bowers, J. S., Davis, C. J. (2012). Bayesian just-so stories in psychology and neuroscience. Psychological Bulletin, 138(3), 389–414. https://doi.org/10.1037/a0026450.

Clark, A. (2013). Whatever next? Predictive brains, situated agents, and the future of cognitive science. Behavioral and Brain Sciences, 36, 181–204. https://doi.org/10.1017/ S0140525X12000477.

Colombo, M., Elkin, E., Hartmann, S. (2018). Being realist about Bayes and the predictive processing theory of mind. The British Journal for the Philosophy of Science, axy059, 1–32. https://doi.org/10.1093/bjps/axy059.

Elqayam, S., Evans, J. S. (2011). Subtracting ,,ought” from ,,is”: Descriptivism versus normativism in the study of human thinking. Behavioral and Brain Sciences, 34(5), 233–248. https://doi.org/10.1017/S0140525X1100001X.

Fink, S. B., Zednik, C. (2017). Meeting in the dark room: Bayesian rational analysis and hierarchical predictive coding. W: T. Metzinger, W. Wiese (eds.), Philosophy and Predictive Processing, 8, 1–13. Frankfurt am Main: MI ND Group. https://doi.org/10.15502/9783958573154.

Friston, K. J. (2012). A free energy principle for biological systems. Entropy, 14, 2100–2121. https://doi.org/10.3390/e14112100.

Friston, K. J., FitzGerald, T., Rigoli, F., Schwartenbeck, P., Pezzulo, G. (2017). Active inference: A process theory. Neural Computation, 29(1), 1–49.

Gigerenzer, G., Brighton, H. (2009). Homo heuristicus: Why biased minds make better inferences. Topics in Cognitive Science, 1(1), 107–143. https://doi.org/10.1111/j.1756-8765.2008.01006.x.

Griffiths, T. L., Kemp, C., Tenenbaum, J. B. (2008). Bayesian models of cognition. W: R. Sun (ed.), The Cambridge handbook of computational cognitive modeling (1–49). Cambridge: Cambridge University Press.

Hahn, U. (2014). The Bayesian boom: Good thing or bad? Frontiers in Psychology, 5(765), 1–12. https://doi.org/10.3389/fpsyg.2014.00765.

Hohwy, J. (2013). The predictive mind. Oxford: Oxford University Press.

Hohwy, J. (2020). New directions in predictive processing. Mind & Language, 2(35), 209–223. https://doi.org/10.1111/mila.12281.

Kwisthout, J., van Rooij, I. (2019). Computational resource demands of a predictive Bayesian brain. Synthese, first online, 1–15. https://doi.org/10.1007/s42113-019-00032-3.

Lee, T. S., Mumford, D. (2003). Hierarchical Bayesian inference in the visual cortex. Optical Society of America, 20(7), 1434–1448.

Litwin, P., Miłkowski, M. (2020). Unification by fiat: Arrested development of predictive processing. Cognitive Science, 7(44), 1–27. https://doi.org/10.1111/cogs.12867.

Oaksford, M. (2014). Normativity, interpretation and Bayesian models. Frontiers in Psychology, 5(332), 1–5.

https://doi.org/10.3389/fpsyg.2014.00332.

Oaksford, M., Chater, N. (2007). Bayesian rationality: The probabilistic approach to human reasoning. Oxford: Oxford University Press.

Orlandi, N. (2016). Bayesian perception is ecological perception. Philosophical Topics, 44(2), 327–351.

Pearl, J. (1988). Probabilistic reasoning in intelligent systems: Networks of plausible inference. San Francisco: Morgan Kaufmann Publishers.

Piekarski, M. (2020. Mechanizmy predykcyjne i ich normatywność. Liberi Libri. Warszawa.

Ramstead, M. J. D., Kirchhoff, M. D., Friston, K. J. (2019). A tale of two densities: Active inference is enactive inference. Adaptive Behavior, first online, 1–15. https://doi. org/10.1177/1059712319862774.

Rescorla, M. (2015). Bayesian perceptual psychology. W: M. Matthen (ed.), The Oxford handbook of philosophy of perception (694–716). Oxford: Oxford University Press.

Spratling, M. W. (2017). A review of predictive coding algorithms. Brain and Cognition, 112, 92–97. https://doi.org/10.1016/j.bandc.2015.11.003.

Wiese, W., Metzinger, T. (2017). Vanilla PP for philosophers: A primer on predictive processing. W: T. Metzinger, W. Wiese (eds.), Philosophy and Predictive Processing, 1, 1–18. Frankfurt am Main: MI ND Group. https://doi.org/10.15502/9783958573024.

Efekty kształcenia i opis ECTS:

Wiedza:

1. student zna i rozumie historyczny charakter pojawienia się i wykorzystania modeli Bayesa;

2. student zna idee i argumenty używane przez zwolenników wykorzystywania modeli Bayesa;

3. student rozumie i rozpoznaje problemy związane z wykorzystywaniem modeli Bayesa w nauce i filozofii.

Umiejętności:

1. student czyta i interpretuje teksty filozoficzne dotyczące modeli Bayesa;

2. student dostrzega i rozpoznaje problemy filozoficzne powiązane z wykorzystaniem modeli Bayesa.

Kompetencje:

1. student zna zakres posiadanej przez siebie wiedzy w zakresie filozofii Bayesizmu;

2. student rozumie potrzebę ciągłego dokształcania się i rozwoju w zakresie problematyki filozoficznej prezentowanej na zajęciach

ECTS [1 ECTS = 30(25) godz.]:

udział w wykładzie: 0-30 godz.

lektura tekstów: 30-60 godz.

przygotowanie do egzaminu: 60-90 godz.

Suma godzin (średnio): 120 [120/30(25)=4]

Liczba ECTS: 4

Metody i kryteria oceniania:

Egzamin ustny oparty na treści wykładów i poleconych lekturach.

Ocena końcowa jest średnią ważoną oceny z obecności na zajęciach (1/3), przygotowania do nich, znajomości zleconych lektur oraz prztygotowania referatu (1/3) oraz oceny z egzaminu końcowego (1/3).

Praktyki zawodowe:

n/d

Zajęcia w cyklu "Semestr letni 2021/22" (zakończony)

Okres: 2022-02-01 - 2022-06-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Wykład, 30 godzin, 35 miejsc więcej informacji
Koordynatorzy: Michał Piekarski
Prowadzący grup: Michał Piekarski
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzaminacyjny
Wykład - Egzaminacyjny
E-Learning:

E-Learning (pełny kurs) z podziałem na grupy

Typ przedmiotu:

obowiązkowy

Grupa przedmiotów ogólnouczenianych:

PO/H1 - obszar nauk humanistycznych - I stopień/JM

Skrócony opis:

Celem wykładu jest zaznajomienie studentów ze współczenych modelami Bayesa wykorzystywanymi w filozofii umysłu oraz naukach o poznaniu i życiu. Wykład ma charakter propedutyczny.

Pełny opis:

Celem wykładu jest zaznajomienie studentów ze współczenych modelami Bayesa wykorzystywanymi w filozofii umysłu oraz naukach o poznaniu i życiu. W trakcie wykładu student pozna treść i znaczenie reguły Bayesa, pierwsze Bayesowskie modele w psychologii oraz kognitywistyce, racjonalną analizę; kodowanie predykcyjne, przetwarzanie predykcyjne, aktywne wnioskowanie oraz model oparty na zasadzie energii swobodnej. Wybrane modele będą analizowane pod kątem ich mocy eksplanacyjnych, racjonalności i normatywności.

Literatura:

Anderson, J. R. (1991). Is human cognition adaptive? Behavioral and Brain Sciences, 14, 471–517.

Bowers, J. S., Davis, C. J. (2012). Bayesian just-so stories in psychology and neuroscience. Psychological Bulletin, 138(3), 389–414. https://doi.org/10.1037/a0026450.

Clark, A. (2013). Whatever next? Predictive brains, situated agents, and the future of cognitive science. Behavioral and Brain Sciences, 36, 181–204. https://doi.org/10.1017/ S0140525X12000477.

Colombo, M., Elkin, E., Hartmann, S. (2018). Being realist about Bayes and the predictive processing theory of mind. The British Journal for the Philosophy of Science, axy059, 1–32. https://doi.org/10.1093/bjps/axy059.

Elqayam, S., Evans, J. S. (2011). Subtracting ,,ought” from ,,is”: Descriptivism versus normativism in the study of human thinking. Behavioral and Brain Sciences, 34(5), 233–248. https://doi.org/10.1017/S0140525X1100001X.

Fink, S. B., Zednik, C. (2017). Meeting in the dark room: Bayesian rational analysis and hierarchical predictive coding. W: T. Metzinger, W. Wiese (eds.), Philosophy and Predictive Processing, 8, 1–13. Frankfurt am Main: MI ND Group. https://doi.org/10.15502/9783958573154.

Friston, K. J. (2012). A free energy principle for biological systems. Entropy, 14, 2100–2121. https://doi.org/10.3390/e14112100.

Friston, K. J., FitzGerald, T., Rigoli, F., Schwartenbeck, P., Pezzulo, G. (2017). Active inference: A process theory. Neural Computation, 29(1), 1–49.

Gigerenzer, G., Brighton, H. (2009). Homo heuristicus: Why biased minds make better inferences. Topics in Cognitive Science, 1(1), 107–143. https://doi.org/10.1111/j.1756-8765.2008.01006.x.

Griffiths, T. L., Kemp, C., Tenenbaum, J. B. (2008). Bayesian models of cognition. W: R. Sun (ed.), The Cambridge handbook of computational cognitive modeling (1–49). Cambridge: Cambridge University Press.

Hahn, U. (2014). The Bayesian boom: Good thing or bad? Frontiers in Psychology, 5(765), 1–12. https://doi.org/10.3389/fpsyg.2014.00765.

Hohwy, J. (2013). The predictive mind. Oxford: Oxford University Press.

Hohwy, J. (2020). New directions in predictive processing. Mind & Language, 2(35), 209–223. https://doi.org/10.1111/mila.12281.

Kwisthout, J., van Rooij, I. (2019). Computational resource demands of a predictive Bayesian brain. Synthese, first online, 1–15. https://doi.org/10.1007/s42113-019-00032-3.

Lee, T. S., Mumford, D. (2003). Hierarchical Bayesian inference in the visual cortex. Optical Society of America, 20(7), 1434–1448.

Litwin, P., Miłkowski, M. (2020). Unification by fiat: Arrested development of predictive processing. Cognitive Science, 7(44), 1–27. https://doi.org/10.1111/cogs.12867.

Oaksford, M. (2014). Normativity, interpretation and Bayesian models. Frontiers in Psychology, 5(332), 1–5.

https://doi.org/10.3389/fpsyg.2014.00332.

Oaksford, M., Chater, N. (2007). Bayesian rationality: The probabilistic approach to human reasoning. Oxford: Oxford University Press.

Orlandi, N. (2016). Bayesian perception is ecological perception. Philosophical Topics, 44(2), 327–351.

Pearl, J. (1988). Probabilistic reasoning in intelligent systems: Networks of plausible inference. San Francisco: Morgan Kaufmann Publishers.

Piekarski, M. (2020. Mechanizmy predykcyjne i ich normatywność. Liberi Libri. Warszawa.

Ramstead, M. J. D., Kirchhoff, M. D., Friston, K. J. (2019). A tale of two densities: Active inference is enactive inference. Adaptive Behavior, first online, 1–15. https://doi. org/10.1177/1059712319862774.

Rescorla, M. (2015). Bayesian perceptual psychology. W: M. Matthen (ed.), The Oxford handbook of philosophy of perception (694–716). Oxford: Oxford University Press.

Spratling, M. W. (2017). A review of predictive coding algorithms. Brain and Cognition, 112, 92–97. https://doi.org/10.1016/j.bandc.2015.11.003.

Wiese, W., Metzinger, T. (2017). Vanilla PP for philosophers: A primer on predictive processing. W: T. Metzinger, W. Wiese (eds.), Philosophy and Predictive Processing, 1, 1–18. Frankfurt am Main: MI ND Group. https://doi.org/10.15502/9783958573024.

Wymagania wstępne:

Podstawowa znajmosć filozofii nauki i epistemologii.

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Kardynała Stefana Wyszyńskiego w Warszawie.
ul. Dewajtis 5,
01-815 Warszawa
tel: +48 22 561 88 00 https://uksw.edu.pl
kontakt deklaracja dostępności USOSweb 7.0.2.0-1 (2024-03-12)