Wie entstehen Emotionen? Eine Analyse nach dem Bayesian Brain Modell


Hausarbeit (Hauptseminar), 2016

19 Seiten, Note: 1,7


Leseprobe

Inhaltsverzeichnis

1 Einleitung

2 Das Gehirn als Vorhersagemaschine

3 Die Emotion als interozeptiver Rückschluss

4 Folgeerscheinungen der Emotion als interozeptiver Rückschluss

5 Fazit

Literaturverzeichnis

1 Einleitung

Das menschliche Leben wird unumstritten zu einem großen Teil von Emotionen bestimmt. Diese widerfahren den Individuen in jeglichen Lebenslagen; sei es die Reue aufgrund einer falschen Entscheidung, die Freude auf das kommende Wochenende oder das Unbehagen in der Dunkelheit. Darüber hinaus spielen Emotionen auch eine zentrale Rolle bei der Entstehung und Aufrechterhaltung von sozialen Beziehungen, die einen wesentlichen Bestandteil des Alltagslebens der Menschen ausmachen. Dies führt unwillkürlich zu der Frage, wie solche Emotionen entstehen.

In diesem Zusammenhang liefert eine populäre Theorie in den Kognitionswissenschaften, das Bayesian Brain, ein attraktives vereinigendes Rahmenmodell, um die Wahrnehmung, die Kognition, die Aktion, sowie alle mentalen Zwischenvorgänge erklären zu können. Bisher wurde dieses Modell allerdings hauptsächlich im Kontext der Exterozeption, bei der die Beziehung zwischen dem Gehirn und der externen Welt im Fokus steht, ausgearbeitet. Seit wenigen Jahren wird jedoch auch die Interozeption, die Wahrnehmung interner physiologischer Reize innerhalb des Körpers, erfolgreich in das Bayesian Brain Modell integriert, um den menschlichen Organismus an sich besser verstehen zu können. Daraus folgt auch eine neue und vielversprechende Ansicht der Emotionen und ihrer Entstehung, die der vorliegenden Arbeit zugrunde liegen soll.

Mit dem Ziel, den Prozess der Emotionsbildung nun nachvollziehbar erläutern zu können, soll eingangs das Modell des Bayesian Brains vorgestellt werden, das das menschliche Gehirn als eine Vorhersagemaschine bezeichnet. Anschließend soll die Interozeption in dieses Modell integriert werden, um eine auftretende Emotion, als die von dem Gehirn auserwählte beste Option in einer bestimmten Situation, erklären zu können. Dazu soll zunächst die historische Entwicklung des interozeptiven Konzepts einer Emotion beschrieben werden, mittels derer ein besseres Verständnis der Entstehung einer Emotion erzielt werden soll. Dabei soll unter anderem auf die James und Lange Theorie sowie auf die Zwei-Faktoren-Theorie der Emotion von Schachter und Singer eingegangen werden. Daran anknüpfend soll der im Gehirn ablaufende Mechanismus der Entstehung einer Emotion in dem Bayesian Brain Modell erörtert werden. Diese spezielle Auffassung einer Emotion impliziert neben weiteren wünschenswerten Folgeerscheinungen auch ein besseres Verständnis psychischer Erkrankungen, wie z. B. Emotionsstörungen. Aus diesem Grund soll abschließend ein eigener Lösungsansatz zur Abschwächung einer Arachnophobie entwickelt werden, der exemplarisch für die Behandlung weiterer psychischer Störungen betrachtet werden kann.

2 Das Gehirn als Vorhersagemaschine

Binnen Millisekunden erkennt das menschliche Gehirn Objekte, selbst wenn ihm nur rudimentäre optische Informationen zur Verfügung stehen (vgl. Brodski et al. 2015, 8997). Forscher vermuten, dass dem Gehirn diese verlässliche und schnelle Erkennung gelingt, indem es kontinuierlich Vorhersagen über Objekte trifft und diese mit den hereinkommenden Informationen abgleicht, um zukünftige Vorhersagen ständig zu optimieren. Demnach kann das menschliche Gehirn mit einer vorhersagenden Maschine gleichgestellt werden (vgl. Seth 2013, 565). Diese Theorie ist unter anderem bekannt als das Bayesian Brain, das predictive coding oder die predictive mind.1

Das menschliche Gehirn ist also ein hochentwickelter Mechanismus, der selbst aufgestellte Hypothesen überprüft und kontinuierlich daran arbeitet, die Fehler seiner Voraussagen über das sensorische Input, das von der Außenwelt erlangt wird, zu minimieren (vgl. Hohwy 2013, 1). Dieser Mechanismus soll aber nicht nur die Wahrnehmung eines Menschen, sondern auch seine Handlungen sowie alle mentalen Zwischenvorgänge erklären können. Genauer gesagt, soll er Aufschluss darüber geben, wie wir dem vielfältigen sensorischen Input, das unsere Sinne berührt, einen Sinn geben, was passiert, wenn wir mit unseren Einschätzungen über das sensorische Input falsch liegen, was unsere Phänomenologie gestaltet und darüber hinaus auch, was wir aus all dem über die Natur des Geistes (nature of the mind) schließen können (vgl. Hohwy 2013, 1). An dieser Stelle ist es interessant zu betonen, dass im Rahmen der predictive coding Theorie ein überzeugendes Gesamtbild des Geistes vermittelt wird, nämlich dass dieser durch Vorhersagen entsteht sowie geformt wird (vgl. Hohwy 2013, 2).2

Zum besseren Verständnis soll nun der im Gehirn ablaufende Mechanismus näher erläutert werden. Um adaptive Reaktionen (adaptive reactions) vorgeben zu können, muss das Gehirn, wie bereits angedeutet, zunächst Informationen über die externen „versteckten“ Ursachen der sensorischen Signale herausfinden (vgl. Seth 2015, 4). Es steht ihm dabei kein direkter Zugang zu diesen Ursachen zur Verfügung und es kann nur die Informationen aus dem Fluss der sensorischen Signale nutzen: „[the brain] lacks any direct access to these causes, and can only use information found in the flux of sensory signals themselves“ (Seth 2015, 4). Das Gehirn versucht nun, das sensorische Input, auf Grundlage entwickelter generativer Modelle über die Ursachen sensorischen Inputs, vorauszusagen und nutzt die dabei entstehenden Vorhersagefehler, um diese Modelle stetig zu aktualisieren und somit weitere Diskrepanzen zwischen den antizipierten Signalen und dem tatsächlichen Input zu reduzieren (vgl. Seth 2015, 1). Die Idee dahinter ist, dass das Gehirn auf diesem Weg eine enorme Menge an Informationen über die Ursachen der Signale in Form vorhersagender generativer Modelle kodieren kann, von denen es regelmäßig betroffen (perturbed) ist (vgl. Clark 2013, 182). Zusammengefasst erschließt sich das Gehirn also die wahrscheinlichste Ursache seines sensorischen Inputs, indem es die Differenz des tatsächlichen sensorischen Inputs und des antizipierten Signals auf Grundlage kontinuierlich aktualisierter vorhersagender Modelle stetig minimiert und so präzise Vorhersagen treffen kann, die schließlich in der Wahrnehmung resultieren (vgl. Seth 2015, 1).

Als Ursache sensorischen Inputs können dabei verschiedenste Ereignisse aus der Welt agieren. Das Problem der Wahrnehmung ist nun, diese sensorischen Daten zu nutzen, um die Ursachen dieser zu erfassen (vgl. Hohwy 2013, 13). In unserer komplexen Welt gibt es allerdings keine identische Beziehung zwischen je einer Ursache und je einer Wirkung. So können verschiedene Ursachen die gleiche Wirkung erzeugen und dieselbe Ursache kann verschiedene Auswirkungen zur Folge haben. Diese Tatsache macht es dem menschlichen Gehirn schwierig, die eine bestimmte Ursache (Objekt, Prozess oder Ähnliches) herauszu-finden, die mit der einen bestimmten Wirkung, dem sensorischen Input, einhergeht.

Das Gehirn wendet nun ein normatives System an, um präzise Rückschlüsse (inference) eingegangener sensorischer Signale auf deren Ursachen ziehen zu können. Dieses System agiert nach der Bayes’sche Regel, mittels derer man auf Basis bekannter Einzelwahrscheinlichkeiten eine totale Wahrscheinlichkeit berechnen kann. Vereinfacht gesagt, stellt das Gehirn zunächst mehrere Hypothesen zur Ursache des sensorischen Inputs auf und errechnet anschließend mittels zwei bereits bekannter Größen die posteriore Wahrscheinlichkeit jeder Hypothese (vgl. Hohwy 2013, 17). Je größer deren posteriore Wahrscheinlichkeit ist, desto wahrscheinlicher stimmt diese Hypothese mit der Ursache des einkommenden sensorischen Signals überein. Die zwei dafür verwendeten Größen sind zum einen die likelihood; die auf Erfahrung über die kausalen Regularitäten der Welt basierende Wahrscheinlichkeit, in welchem Maß die in der Hypothese festgeschriebene Ursache die bestimmte Wirkung verursacht und zum anderen die vorherige Wahrscheinlichkeit (die prior); die subjektive Einschätzung darüber, wie wahrscheinlich eine Hypothese unabhängig der aktuell verzeichneten Effekte eintritt (vgl. Hohwy 2013, 16f.).3 Dementsprechend wird die Wahrnehmung nicht ausschließlich von Stimulationen bestimmt, sondern vielmehr von den Rückschlüssen des Gehirns im Sinne der Bayes’schen Regel. In manchem Fällen übergeht das Gehirn sogar Teilaspekte des sensorischen Inputs, um die Welt besser verstehen zu können (vgl. Hohwy 2013, 21).4

Während dieses Prozesses entwickelt das menschliche Gehirn, wie zuvor mehrfach angeführt, interne Modelle5, um die Ursachen sensorischer Inputs schneller voraussagen zu können. Jegliche Unstimmigkeit zwischen der auf diesen Modellen basierenden Voraussage über Objekte, Prozesse oder Ähnliches und der tatsächlich einkommenden Information stellt einen Vorhersagefehler, einen sogenannten prediction error dar (vgl. Brodski et al. 2015, 8997). Das Gehirn nutzt nun diese fehlerhaften Meldungen (error signals), um entweder die generativen Modelle zu verbessern oder um Maßnahmen durchzuführen, die die sensorischen Zustände mit den Vorhersagen in Einklang bringen (vgl. Seth 2013, 566). Dementsprechend wird in ersterem Fall das Modell aktualisiert, mit dem Ziel, der tatsächlichen Welt zu entsprechen, während in letzterer Option die Welt dem Modell angepasst wird.6 Das Ziel des Gehirns dabei ist es, künftig genauere Vorhersagen treffen zu können.

An dieser Stelle ist es wichtig darauf zu verweisen, dass dieses Konzept in ein hierarchisches Modell eingebettet ist und auch nur in diesem funktioniert. Der Grundgedanke der perceptual inference, der schlussfolgernden Wahrnehmung, lautet, dass man mit jedem höheren hierarchischen Level tiefer in die kausale Struktur der Welt eindringt (vgl. Hohwy 2013, 31).7 Auf den niedrigeren Ebenen sind dementsprechend schnelle und kurzweilige Regularitäten (regularities) „in the shape of the variant aspect of experience“ (Hohwy 2013, 28) zu vernehmen, während höhere Ebenen von invarianten Beständigkeiten, langsamen Regelmäßigkeiten, und größeren zeitlichen Rahmen gekennzeichnet sind.8

Ein wesentliches Element der kausalen Struktur dieses hierarchischen Modells stellen die Interaktionen, das extensive Weiterreichen von Nachrichten, durch die verschiedenen Level der Hierarchie und somit zwischen den Regelmäßigkeiten verschiedener zeitlicher Rahmen dar (vgl. Hohwy 2013, 30). Diese Interaktion funktioniert zum einen in der bottom-up Richtung, dies bedeutet, dass die vielen sich schnell verändernden Regularitäten einer Person helfen, bei der Einordnung eines konstanten Objekts oder Ähnlichem zuversichtlicher zu sein (vgl. Hohwy 2013, 31). Bspw. kann eine Person sich auf Grundlage des Umrisses, Schattenwurfs, Position und pro weiterem Aspekt immer sicherer sein, dass das, was sie betrachtet, tatsächlich eine Nase ist, die es einem beständigen Gesicht zuzuordnen gilt. Zum anderen verläuft die Interaktion auch top-down, sodass die langzeitlichen Regularitäten, die bspw. Gesichter verwalten (z. B.: Gesichter tendieren dazu, auf einem Kopf, der auf einem Körper befestigt ist, angebracht zu sein) helfen, kurzzeitliche Veränderungen in dem Input bezüglich des Gesichts auszugleichen (z. B. der Schatten, den die Nase wirft, wenn der Kopf bewegt wird). Konsequentermaßen lässt sich darüber hinaus auch festhalten, dass die kurzzeitlichen Regularitäten auf niedrigeren Ebenen dabei helfen, ausgewählte Hypothesen auf höheren Level auszubilden und die Hypothesen auf höheren Level als Kontrollparameter über Regularitäten niedrigerer Ebenen fungieren (vgl. Hohwy 2013, 31).9

Um nun eine bestimmte Hypothese über die Ursache des sensorischen Inputs auszuwählen und deren posteriore Wahrscheinlichkeit bestimmen zu können, muss das System wie bereits erwähnt unter anderem auf vorherige beständige Überzeugungen (priors) zurückgreifen. Diese sind in den top-down Nachrichten enthalten, die sich über eine

[...]


1 Da diese Diskussion in den Kognitionswissenschaften vorwiegend in englischer Sprache stattfindet, sollen diese englischen Begriffe im Folgenden analog zu der Bezeichnung des menschlichen Gehirns als Vorhersagemaschine verwendet werden. Im Verlauf dieser Arbeit sollen weitere bedeutsame englische Begriffe hinter den deutschen Wörtern in Klammern eingefügt werden.

2 Dies führt zu einer Vielzahl interessanter sowie spezifischer Aspekte des Geistes, die in Anlehnung an Hohwy (2013, 2) kurz zusammengefasst werden sollen und bei Bedarf ausführlicher in seinem Werk nachgelesen werden können. Zum einen ist die Wahrnehmung aktiver daran beteiligt, die Welt für den Menschen verständlich zu machen, als bisher angenommen. Unsere perzeptive Beziehung zu der Welt wird von dem sensorischen Input bestimmt. Dabei formt das sensorische Input die Wahrnehmung aber nicht direkt, sondern es ist vielmehr als Feedback auf die von dem Gehirn aufgestellten Hypothesen zu verstehen. Darüber hinaus beeinflussen unsere Erwartungen die eigene Wahrnehmung sowie die Integration wahrgenommener Aspekte der Außenwelt (vgl. Fn. 4), jedoch setzt die Welt unseren Erwartungen gleichzeitig auch Grenzen. Durch das Testen der von dem Gehirn selbst aufgestellten Hypothesen können wir die Welt zwar verstehen, allerdings basiert dieser Mechanismus auf der Optimierung vielfältiger statistischer Prozesse, in denen kleinste Abweichungen mentale Störungen implizieren können (vgl. Kap. 4). Folglich scheint der Geist gleichermaßen für das Verständnis der Welt und psychische Störungen verantwortlich zu sein. Weiterhin sind die Wahrnehmung, Handlung und Aufmerksamkeit drei verschiedene Zugänge, die ausbalanciert werden müssen, um die Welt zu verstehen. Die Einheit der bewussten Wahrnehmung, der Natur eines Selbst und dem Wissen über unsere private mentale Welt wird durch unser stetiges Bestreben, die Vorhersagen über unser kontinuierliches sensorisches Input zu optimieren, gegründet. Der Gehalt unseres Wahrnehmungszustandes ist in wesentlichem Maße nicht darin gegründet, was wir tun oder denken, sondern darin, wer wir sind. Unsere Erfahrungen und Interaktionen mit der Welt sowie die Erfahrung eines Selbst und den eigenen Handlungen, sind allesamt in der Welt verankert und prekär hinter dem Schleier des sensorischen Inputs versteckt. Der Mensch fungiert also in einer kausal strukturierten Welt, beeinflusst durch einen kontinuierlichen Informationsstrom. Hohwy bringt die Erwartungen an die predictive coding Theorie schließlich auf den Punkt: „[It] promises not only to radically reconceptualize who we are and how aspects of our mental lives fit into the world. It unifies these themes under one idea: we minimize the error between the hypotheses generated on the basis of our model of the world and the sensory deliverances coming from the world” (Hohwy 2013, 2). Ein einziger Mechanismus, der immer wieder innerhalb des Gehirns wiederholt wird, verwaltet also alles: Die Wahrnehmung, Handlung, sowie Aufmerksamkeit und erklärt jegliche Zwischenschritte.

3 Dementsprechend lautet die vereinfachte Formel der Bayes‘schen Regel: P(e|hi)P(hi) = P(hi|e). Dabei wird die vorherige Wahrscheinlichkeit (prior) der Hypothese hi als P(hi) deklariert, die likelihood, dass der
Beweis e (sensorisches Input) eintritt, wenn hi die wahre Hypothese ist, wird als P(e|hi) zusammengefasst und die posteriore Wahrscheinlichkeit der Hypothese hi, wenn der Beweis e gegeben ist, wird als P(hi|e) betitelt. Die Hypothese mit der größten posterioren Wahrscheinlichkeit bestimmt schließlich den Wahrnehmungsgehalt. Dementsprechend sind auch die Überzeugung sowie die Handlung dadurch bestimmt, wie das Gehirn die likelihood sowie die vorherige Wahrscheinlichkeit bewertet.

4 Dieser faszinierende Effekt ist bekannt unter dem Namen binokulare Rivalität. Der Begriff bezeichnet die spontan auftretenden Wahrnehmungswechsel, die immer dann zu vernehmen sind, wenn jedem Auge gleichzeitig je ein anderes Bild gezeigt wird (dichoptische Präsentation). Werden bspw. vor das rechte Auge ein Haus und vor das linke Auge ein Gesicht eingeblendet, so weist die Hypothese, die besagt, dass das Haus und das Auge an derselben Stelle stehen, zwar die höchste likelihood auf, allerdings kann diese nicht die außerordentlich geringe prior (vorherige Wahrscheinlichkeit) bezwingen, dass ein Gesicht und ein Haus an derselben raumzeitlichen Stelle koexistieren können. Aus diesem Grund wählt das Gehirn entweder die Haus-Hypothese oder die Gesicht-Hypothese aus, die anschließend auch die Wahrnehmung bestimmt. Es muss aber nicht konstant bei der Wahrnehmung einer Sache bleiben, das Gehirn kann auch zwischen der Wahrnehmung des Hauses und der Wahrnehmung des Gesichts wechseln. Darüber hinaus kann es auch Eigenschaften des einen Objektes auf das andere übertragen; sodass das Haus z. B. die Hautfarbe des Gesichts annimmt. Helmholtz (1867: 776) beschreibt dies als ein wunderliches Schauspiel. An dieser Stelle sollte besonders der schlussfolgernde Prozess innerhalb des Gehirns hervorstechen.

5 Es gilt anzumerken, dass ein Modell verschiedene Hypothesen bewirten kann.

6 Das Beispiel auf S. 11f. dieser Arbeit soll diesen Vorgang verdeutlichen.

7 Der englische Begriff perceptual inference soll im Folgenden analog zu der Bezeichnung der schlussfolgernden Wahrnehmung verwendet werden.

8 Der Unterschied zwischen der invarianten und varianten Wahrnehmung kann am besten als graduell (matter of degree) mit vagen Endpunkten beschrieben werden (vgl. Hohwy 2013, 29). Je abhängiger die Wahrnehmung von langsamen Regularitäten wird, desto invarianter wird sie. Beispielsweise ist unsere Wahrnehmung von Menschen als dauerhafte Objekte invarianter, als unsere Wahrnehmung der Gesichtszüge einer Person, wenn sie uns anlacht.

9 Hohwy (2013, 31) führt an dieser Stelle ein sehr verständliches Beispiel an, das aus diesem Grund auch in der vorliegenden Arbeit seine Erwähnung finden soll. Ein Vogel lauscht dem Gesang eines anderen Vogels, extrahiert die kurzzeitigen Modulationen des Songs und kann diese über einen Zeitraum nutzen, um längerfristige Regularitäten über die Stärke und Größe des anderen Vogels herauszufinden (stärkere Vögel singen über einen längeren Zeitraum markanter und kraftvoller als schwächere Vögel). Umgekehrt kann natürlich auch auf Grundlage einer bereits geformten Annahme über die Größe und Stärke des singenden Vogels die eigene Aufmerksamkeit auf verschiedene Nuancen des kurzzeitigen dynamischen Songs gelenkt werden, die andernfalls von dem Gehirn aussortiert würden.

Ende der Leseprobe aus 19 Seiten

Details

Titel
Wie entstehen Emotionen? Eine Analyse nach dem Bayesian Brain Modell
Hochschule
Johannes Gutenberg-Universität Mainz
Note
1,7
Autor
Jahr
2016
Seiten
19
Katalognummer
V321256
ISBN (eBook)
9783668205635
ISBN (Buch)
9783668205642
Dateigröße
628 KB
Sprache
Deutsch
Schlagworte
Kognitionswissenschaften, Bayesian Brain, Bayes'sche Regel, Gefühle, Entstehung, entstehen, Emotionen, interozeptiv, exterozeptiv, Rückschluss, Gehirn, Vorhersagemaschine, predictive coding, Arachnophobie, Phobie, Wahrscheinlichkeit, Signale, predictive processing, Spinnen, Funktionalismus, programmiert, programm, gefühl, liebe
Arbeit zitieren
B.Ed. Lena Groß (Autor:in), 2016, Wie entstehen Emotionen? Eine Analyse nach dem Bayesian Brain Modell, München, GRIN Verlag, https://www.grin.com/document/321256

Kommentare

  • Noch keine Kommentare.
Im eBook lesen
Titel: Wie entstehen Emotionen? Eine Analyse nach dem Bayesian Brain Modell



Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden