Een van de grootste puzzels in de studie van menselijke taal gaat over de hersenmechanismen die ons unieke communicatievermogen, spraak, ondersteunen. Als lezer van deze blog weet je misschien dat taalonderzoekers gebruik maken van hersenscanners, gedragstests en taalkundige vergelijkingen om dit probleem te helpen ontrafelen. Er is echter nog een aanpak die vaak onbenoemd blijft, namelijk het creëren van je eigen sprekende brein op een computer!

Computerexperimenten (in silico genoemd, vanwege het silicium waaruit de circuits bestaan) bieden een unieke manier om taal te bestuderen en inzichten te verschaffen door hypothesen te testen die we anders niet zouden kunnen onderzoeken. Dit soort experimenten, zogenaamde simulaties, stellen ons in staat om omstandigheden na te bootsen die niet typerend zijn voor de echte wereld. Om een voorbeeld te geven, dankzij de Formule 1 en vluchtsimulators kunnen we voor even een piloot zijn vanuit het comfort van onze huiskamer. Op dezelfde manier stellen weersimulaties ons in staat om het weer voor de komende dagen te voorspellen op basis van gedeeltelijke gegevens uit de atmosfeer. Om voorspellingen te kunnen doen over wat er in een denkbeeldige situatie zal gebeuren, hebben we een gedetailleerde beschrijving nodig van hoe dingen in de echte wereld werken – bijvoorbeeld de zwaartekracht, de middelpuntvliedende kracht en de geografie van de werkelijke planeet. Een dergelijke reeks regels wordt een model genoemd, dat normaal gesproken in wiskundige formules beschreven wordt. Modellen zijn nuttig omdat ze de kloof tussen theorie en experiment overbruggen. Hoewel ze theoretisch zijn omdat ze worden uitgedrukt in de formele taal van de wiskunde, zijn de resulterende simulaties enigszins experimenteel omdat we niet altijd weten welke uitkomsten ze zullen opleveren. Deze creatieve wisselwerking tussen theorie en experiment helpt ons complexe fenomenen zoals taalverwerking in de hersenen te begrijpen.

Mijn eigen onderzoek richt zich op het begrijpen van hoe klankreeksen zoals woorden kunnen worden herkend. Door dit proces te bestuderen proberen we te begrijpen hoe onze hersenen overgaan van het waarnemen van geluiden naar het oproepen van levendige beelden en gedachten in onze geest.
Dit kan echter niet worden gedaan als we niet weten wat er feitelijk in de hersenen gebeurt en wat de essentiële onderdelen zijn om rekening mee te houden. Moeten we kijken naar het aantal hersencellen? Of juist naar hun vormen? Of kunnen we misschien hun gemiddelde nemen?
Op dezelfde manier moeten we, als we de vorming van wolken willen voorspellen, de fysische vergelijkingen kennen die de beweging van vochtige lucht bepalen.


Het wetenschappelijke artikel van A.H. en F.H. dat hen de Nobelprijs opleverde. Het circuit aan de rechterkant vormt het eerste wiskundige model van een neuron en werd afgeleid door het gigantische axon van de inktvis te meten, in de linker afbeelding.

Gelukkig is er jarenlang onderzoek gedaan naar dit onderwerp, en tegenwoordig kan een wiskundig raamwerk worden gebruikt om de verschillende processen uit te drukken die zich afspelen in de hersenen. De vergelijkingen die in dit raamwerk worden gebruikt, zijn afgeleid van onderzoek naar afzonderlijke neuronen, dat wil zeggen, de cellen waaruit het hersenweefsel bestaat. Biologen hebben deze cellen bij verschillende dieren onderzocht en kwamen tot de conclusie dat er, ondanks grote variatie, een gemeenschappelijk patroon bestaat waarvan kan worden aangenomen dat dit voor alle zenuwcellen geldt. Neuronen ontvangen input, tellen deze bij elkaar op en, wanneer ze een bepaalde drempel overschrijden, genereren ze elektrische signalen die actiepotentialen worden genoemd. Deze actiepotentialen zijn van fundamenteel belang voor de hersenverwerking, en hun formalisering in vergelijkingen is zo’n stap voorwaarts geweest in ons begrip van de hersenen dat Alan Lloyd Hodgkin en Andrew Fielding Huxley, de wetenschappers die ze ontdekten, in 1963 de Nobelprijs voor de geneeskunde ontvingen.

In de loop van de tijd zijn deze modellen van de hersenen steeds geavanceerder geworden en lijken ze steeds meer op de structuur van de hersenneuronen van zoogdieren. Dit, in combinatie met de krachtige computers die we vandaag de dag hebben, maakt zulke geavanceerde simulaties mogelijk dat het moeilijk wordt om synthetische gegevens te onderscheiden van feitelijk gemeten gegevens!

Is dit voldoende om te begrijpen wat er in de hersenen gebeurt? Niet echt.

Zoals regen niet wordt veroorzaakt door één enkele wolk, maar door vele wolken, is het niet één enkel neuron dat ons woorden laat waarnemen, maar eerder de interacties van miljoenen neuronen. Wanneer gesimuleerde neuronen met elkaar verbonden worden en hun actiepotentialen uitwisselen, noemen we ze neurale netwerken.1 In mijn onderzoek heb ik zo’n netwerk gecreëerd, en vervolgens heb ik enkele elementen ervan geactiveerd, alsof het spraakachtige input ontving.
Door de activiteit in het netwerk te analyseren, kon ik het vermogen van het systeem beoordelen om woorden te leren en deze later terug te roepen. Zodra het netwerk taal voldoende goed verwerkt, kunnen we verschillende aspecten van het model aanpassen en de biologische basis van woordherkenning onderzoeken. Uit deze experimenten bleek dat een fundamenteel onderdeel van het hersennetwerk dat taal verwerkt, het vermogen van de neuronen is om informatie gedurende een korte tijd, in de orde van honderd milliseconden, vast te houden. Dankzij dit korte geheugen kan het netwerk onderscheid maken tussen woorden die uit dezelfde klanken bestaan, maar in een andere volgorde, zoals de Engelse woorden “lop” en “poll” (een voorbeeld uit het Nederlands zijn de woorden “tak” en “kat”).


Een afbeelding uit mijn onderzoek naar woordherkenning. De afbeelding laat de activiteit van woordpopulaties zien bij de presentatie van synthetische spraakklanken. De figuur vergelijkt de netwerkactiviteit in de associatieve fase en de herinneringsfase. In het eerste geval worden woorden en fonemen gecoactiveerd en worden associatieve herinneringen gevormd. In het laatste geval ontvangt het netwerk alleen fonemen en wordt het Engelse woord ‘poll” (rode rechthoek) opnieuw geactiveerd op basis van de volgorde van de input.

Hoewel simulaties en modellen waardevol inzicht bieden, is het essentieel om hun beperkingen te erkennen. Simulaties vereenvoudigen bepaalde aspecten van taal, zoals accenten en toonhoogte, waarbij de nadruk ligt op de kernelementen zoals geluidssequenties. Door deze complexiteit weg te nemen, vallen sommige fenomenen buiten ons onderzoek. Met deze modellen kunnen we bijvoorbeeld niet verklaren hoe we emoties in iemands stem waarnemen.

We kunnen concluderen dat gedachte-experimenten in silico ons in staat stellen om onderzoek te doen naar aspecten van taal die moeilijk rechtstreeks onderzocht kunnen worden. Ze helpen ons de fundamentele stappen te identificeren die door de hersenen worden uitgevoerd tijdens het begrijpen van taal.

Bibliography

Amit, D. J. (1998). Simulation in neurobiology: Theory or experiment? Trends in Neurosciences, 21(6), 231–237. https://doi.org/10.1016/S0166-2236(97)01201-0

Hodgkin, A. L., & Huxley, A. F. (1952). A quantitative description of membrane current and its application to conduction and excitation in nerve. The Journal of Physiology, 117(4), 500–544. https://doi.org/10.1113/jphysiol.1952.sp004764

Quaresima, A., Fitz, H., Duarte, R., Broek, D. van den, Hagoort, P., & Petersson, K. M. (2022). The tripod neuron: A minimal structural reduction of the dendritic tree. The Journal of Physiology, n/a(n/a). https://doi.org/10.1113/JP283399

Credits

The featured image is an adaptation from the Blue Brain Project Gallery. It portrays the connectivity among digitally reconstructed neurons.

  1. Ja, precies zoals die neurale netwerken die de ruggengraat vormen van moderne kunstmatige intelligentiesystemen (AI). De gedeelde naam is geen toeval, maar te wijten aan het feit dat de ontwikkeling van AI-technologie in de jaren ’80 diep geïnspireerd was door het toenemende neurowetenschappelijke onderzoek, en sommige onderzoekers hebben de hypothese geopperd dat deze systemen zo krachtig zijn omdat ze lijken op de structuur van de meest complexe machine die we kennen: de hersenen. ↩︎