در یادگیری ماشین یکی از مشکلات شناخته‌شده overfitting است: وقتی مدل بیش از حد به داده‌هایِ آموزشی «می‌چسبد» و به‌جای یاد گرفتن قاعده‌های کلی، جزییات و نویز را حفظ می‌کند ؛ در مواجهه با داده‌های جدید خراب می‌کند. در روانِ انسانی هم مشابه همین پدیده را می‌توان دید: وقتی ما بیش از حد به تجربه‌های گذشته، قاعده‌های ثابت یا روایت‌های شخصی‌مان وابسته می‌شویم، تصویرِ ذهنی‌مان از جهان «بیش از حد خاص» می‌شود و در موقعیت‌های نو؛ ناکارآمدی یا خطا رخ می‌دهد. در این یادداشت ابتدا پیوند مفهومی بین overfitting و رفتار انسانی را توضیح داده میشود، سپس به سراغ اصل satisficing میرویم ، ایده‌ای که هربرت سایمون پیشنهاد داد ، و در نهایت شواهد جدید علمی و راهکارهای عملی برای «regularize کردنِ» ذهن را مرور می‌کنیم.

چرا «overfitting ذهنی» معنا دارد؟

مغز ما کارِ مدل‌سازیِ جهان را انجام می‌دهد: الگوها را می‌بیند، روابطِ علت و معلولی را حدس می‌زند و پیش‌بینی می‌کند. این فرآیندِ پیش‌بینی همان چیزی است که الگوریتم‌های یادگیری ماشین هم انجام می‌دهند. اما اگر یک مدلِ ذهنی بیش از حد بر مشاهدات محدودِ گذشته پافشاری کند (مثلاً فقط خاطرات یک تجربه خاص را به عنوان قانونِ کلی بپذیرد)، آن ذهن در مواجهه با موقعیتِ جدید می‌تواند تعمیمِ نادرستی بدهد؛ دقیقاً همان‌طور که یک مدل overfit در داده‌های جدید شکست می‌خورد. پژوهش‌ها حتی مطرح کرده‌اند که برخی سازوکارهای زیستی مانند خواب ممکن است برای مقابله با چنین «بیش‌تطبیق‌پذیری» عمل کنند و به تعمیم بهتر مغز کمک نمایند. 

این تشبیه کاربردی است چون به ما اجازه می‌دهد از ابزارِ مفهومی و عملی یادگیری ماشین برای فهم و اصلاحِ رفتار انسانی بهره ببریم: اگر overfitting مشکل است، پس راه‌حل‌های ماشین ، مثل regularization، cross-validation، early stopping، dropout و ensemble ، می‌توانند دست‌مایه استعاره‌ای و حتی عملی برای تغییر رفتار و طراحی محیط‌های پشتیبانِ تصمیم‌گیری باشند.

satisficing: آنتی‌تزِ «همیشه بهترین بودن»

هربرت سایمون در چارچوبِ «bounded rationality» پیشنهاد کرد که انسان‌ها به‌ندرت (یا هرگز) به دنبال بهینه‌سازی کامل هستند؛ به‌جای آن، آن‌ها به گزینه‌ای «کافی و رضایت‌بخش» می‌رسند — اصطلاحاً satisficing (satisfy + suffice).

این رویکرد از محدودیت‌های شناختی، هزینه جستجو و زمان و همچنین افزایشِ خطرِ فلج تصمیم‌گیری ناشی می‌شود. به بیان دیگر، در بسیاری از مسائلِ واقعی، جستجوی بی‌وقفه برای گزینه «بهترینِ ممکن» نه عملی است و نه حتی سودمند؛ چرا که هزینه یافتنِ آن از سودش بیشتر است. مطالعات مروری نشان داده‌اند که در شرایط عدم قطعیت satisficing می‌تواند استراتژی‌ای اثربخش و سازگار باشد. 

پیوند مفهوم satisficing با overfitting روشن است: تلاش برای همیشه یافتنِ «بهینه کامل» می‌تواند هم‌چون overfitting منجر به «یادگیری از نویز» شود ؛ چه در مدل‌های آماری و چه در زندگیِ ما. بنابراین، «کافی بودن» می‌تواند همان نقشی را بازی کند که regularization در یادگیری ماشین انجام می‌دهد: از پیچیده‌شدنِ بیش از حد جلوگیری کند و تعمیم‌پذیری را افزایش دهد.

یافته‌های جدید: انسان‌ها به سیاست‌های ساده تمایل دارند

تحقیقات رفتاری و مدل‌سازی اخیر نشان داده‌اند که انسان‌ها به‌طور طبیعی یا به‌واسطه محدودیت‌های ظرفیتِ شناختی تمایل به انتخاب سیاست‌های ساده‌تر دارند و این سیاست‌های ساده در بسیاری از مسائل پیچیده عملکرد بهتری روی داده‌های جدید از خود نشان می‌دهند. چنین نتایجی با این ایده همسو هستند که ظرفیت محدودِ پردازشی (memory, attention, working memory) انسان را به سمت ایجاد مدل‌هایی می‌برد که «کافی و ساد‌ه» باشند و در نتیجه کمتر دچار «بیش‌تطبیق‌پذیری» می‌شوند. این خط پژوهش نشان می‌دهد که نظریه‌های یادگیری ماشین و علوم شناختی می‌توانند یکدیگر را غنی کنند و ابزارهای جدیدی برای تبیین رفتار انسان در اختیار بگذارند. 

علاوه بر این، حوزه «forgetting» و مدیریت حافظه در یادگیری ماشین (مثلاً پژوهش‌هایی که فراموشی هدفمند یا حذفِ اطلاعات قدیمی را بررسی می‌کنند) نشان می‌دهد که فراموشیِ انتخابی می‌تواند به تعمیم بهتر کمک کند ، یعنی گاهی لازم است از تجربه‌های قدیمی که باعث شده‌اند مدلِ ذهنی بیش از حد اختصاصی شود، آگاهانه فاصله بگیریم. این ایده در علوم عصبی و شناختی نیز مورد توجه است. 

از نظریه به عمل: چگونه «ذهنِ خود را regularize کنیم»؟

در ادامه، مجموعه‌ای از توصیه‌های عملی مبتنی بر تشابه با تکنیک‌های یادگیری ماشین و پشتیبانی‌شده توسط پژوهش‌های مربوطه را فهرست کرده‌ام. هر مورد را می‌توان به‌عنوان یک تمرینِ ذهنی یا طراحیِ محیطِ تصمیم‌گیری در نظر گرفت.

1. اعتبارسنجیِ بیرونی (Cross-validation اجتماعی):

قبل از اینکه یک قضاوت یا قانون کلی بسازید، آن را به چند موقعیت یا دیدگاه مختلف «آزمون» کنید. مثلاً در تصمیم‌گیری مهم کاری، فرضیه  خود را در چند جلسهٔ کوتاه یا با چند همکار مختلف بررسی کنید تا از بیش‌تطبیق‌پذیری به تجربه‌های محدود جلوگیری کنید.

2. تنظیمِ زودهنگام (Early stopping):

در پروژه‌ها یا جستجوی اطلاعات، برای خود حد زمانی یا حدِ اطلاعاتِ موردنیاز تعیین کنید. مثلاً برای انتخاب یک گزینهٔ کاری یا خرید، پس از X ساعت یا پس از بررسی Y گزینه، دست به انتخاب بزنید. این شبیه «early stopping» است که مانعِ آموزشِ بیش‌ازحد مدل می‌شود.

3. ساده‌سازیِ ویژگی‌ها (Feature pruning):

وقتی مسئله‌ای را تحلیل می‌کنید، ابتدا مهم‌ترین معیارها را مشخص کنید و معیارهای کم‌اهمیت را حذف کنید. این کار کاهش پیچیدگیِ مدلِ ذهنی و افزایش قابلیتِ تعمیم را ممکن می‌سازد. پژوهش‌ها نشان داده‌اند که سیاست‌های ساده‌تر اغلب مقاوم‌تر و قابل‌تعمیم‌ترند. 

4. اینتروِرشِتن (Dropout ذهنی):

به شکل هدفمند، از بعضی اطلاعات یا مشاهدات چشم‌پوشی کنید تا از وابستگیِ بیش از حد به جزئیات خاص جلوگیری کنید. مثلاً در تحلیلِ یک تیم، هر بار یک منبع اطلاعاتی را کنار بگذارید و ببینید آیا نتیجه کلی تغییر می‌کند یا خیر ، این شبیه تکنیک dropout در شبکه‌های عصبی است.

5. تنوع‌سازیِ مدلِ تجربی (Ensembling تجربی):

به‌جای اتکا به یک روایت یا تجربه شخصی، ترکیبی از دیدگاه‌ها (همکاران، داده‌های خارجی، تاریخچهٔ تجربیات متفاوت) را کنار هم بگذارید. در ML، ensembleها خطای کلی را کاهش می‌دهند؛ در زندگی نیز تنوعِ تجربیات و دیدگاه‌ها می‌تواند پیش‌بینی‌ها را پایدارتر کند.

6. آموزشِ فراموشیِ هدفمند:

یاد بگیرید که چه خاطرات یا قواعدی را باید کم‌اهمیت کنید یا بازبینی کنید — نه برای حذف تاریخچه، بلکه برای جلوگیری از قفل شدنِ شناختی روی داستانی خاص. مقالاتِ اخیر دربارهٔ فراموشی در ML و مغز این ایده را پشتیبانی می‌کنند. 

7. تعیینِ سطحِ کفایت (Set aspiration level):

بر حسب اصل satisficing، پیش از جستجو معیارِ حداقلیِ قابل‌قبولی تعیین کنید (مثلاً حداقل معیارهای یک شریک کاری یا ویژگی‌های یک محصول). وقتی یک گزینه این حد را برآورده کرد، آن را بپذیرید و از جستجوی بی‌پایان برای «کامل» خودداری کنید. این یک تکنیک ساده اما قدرتمند برای جلوگیری از اغتشاش تصمیم‌گیری است. 

محدودیت‌ها و هشدارها

تشبیه بین overfitting ماشین و «بیش‌تطبیق‌پذیری» ذهنی آموزنده است، اما نباید آن را تحمیل‌گرایانه تلقی کرد. انسان‌ها موجوداتی اجتماعی و تاریخی‌اند؛ بعضی جزییاتِ تجربی دقیقاً همان‌هایی‌اند که باید حفظ شوند (مثلاً یادگیری از خطاهای خطرناک). همچنین در برخی حوزه‌ها (مانند مسائل فنی پیچیده یا پزشکی) جستجوی دقیق و عمیق برای گزینه بهتر ضروری است؛ satisficing در همه جا بهترین راه نیست و باید متناسب با هزینهِ خطا و عدم قطعیت سنجیده شود. پژوهش‌ها نشان می‌دهند که تحت عدم قطعیت زیاد، satisficing می‌تواند مفید باشد؛ ولی تحت ریسک کم و اطلاعات فراوان، بهینه‌سازی ممکن است برتری داشته باشد. 

جمع‌بندی: ذهنی که بهتر تعمیم می‌دهد، زندگی بهتر می‌سازد

وقتی یاد می‌گیریم از ابزارهای مفهومی یادگیری ماشین برای بازاندیشی به طرز فکرِ خود استفاده کنیم، یک زبانِ مشترک به‌دست می‌آوریم: overfitting، regularization، cross-validation و satisficing می‌توانند راهنماهایی ساده اما عمیق برای مدیریتِ پیچیدگی‌های زندگی باشند. به‌جای آنکه هر تجربه را به یک قاعده قطعی تبدیل کنیم، می‌توانیم مدلِ ذهنی‌مان را با «محدودیتِ ظرفیت» و «سطحِ کفایت» تنظیم کنیم؛ این کار نه تنها اضطرابِ جستجوی بی‌پایان برای کمال را کاهش می‌دهد، بلکه تعمیم‌پذیری تصمیم‌ها و انعطاف‌پذیری ما را در موقعیت‌های جدید افزایش می‌دهد. شواهد علمی اخیر نشان می‌دهند که هم در سطح زیستی (مثلاً سازوکارهای خواب و فراموشی) و هم در سطح رفتاری، گرایش به سیاست‌های ساده‌تر و مکانیسم‌های فراموشی انتخابی می‌تواند کارساز باشد.