DOI: https://doi.org/10.33735/phimisci.2026.12269
تاريخ النشر: 2026-02-27
المؤلف: Megan A. K. Peters وآخرون
الموضوع الرئيسي: الإدراك المتجسد والممتد
نظرة عامة
تم تعريف التمثيلات من الدرجة العليا (HORs) كحالات عصبية أو حسابية توفر معلومات حول التمثيلات من الدرجة الأولى (FORs)، مع التركيز على العمليات الداخلية للوكيل بدلاً من البيئة الخارجية. يُفترض أن هذه HORs تلعب دورًا حاسمًا في الميتا إدراك، والتعلم، وربما الوعي؛ ومع ذلك، فإن أبعادها، وبنائها، وأساسها العصبي ليست مفهومة جيدًا.
يقترح المؤلفون أن التقييمات الميتا إدراكية لعدم اليقين أو الضوضاء يمكن تفسيرها كقراءة لـ “HORs شبيهة باللاحقة” من إطار بايزي. وي argue أن هذه HORs الشبيهة باللاحقة مشتقة من مزيج من تقديرات “شبيهة بالاحتمالية” لعدم اليقين الحالي لـ FOR وتوزيعات “شبيهة بالسابقة” تم تعلمها على عدم اليقين المتوقع لـ FOR. يؤكد البحث على الحاجة إلى ظهور أساليب هندسية ونظرية للتحقيق في عمليات التقدير والارتباطات العصبية المرتبطة بهذه الجوانب غير المستكشفة من عدم اليقين في الإدراك البشري.
مقدمة
في مقدمة الورقة، يتناول المؤلفون الطبيعة المثيرة للجدل لتعريف “التمثيل العصبي”، مشيرين إلى أن التفسيرات تختلف بشكل كبير بين الباحثين والمجالات المختلفة (Baker et al., 2022; Favela & Machery, 2023, 2025; Machery, 2025; Villaroya, 2017). يقترحون تعريفًا عمليًا يرى أن التمثيلات العصبية أكثر من مجرد ارتباطات إحصائية؛ بل تعكس الهياكل العقلية التي يستخدمها الأفراد لإدراك والتفاعل مع بيئاتهم (Tarr & Vuong, 2002). يدفع هذا المنظور لاستكشاف أنواع التمثيلات ذات الصلة بسلوك الوكيل وقدراته الإدراكية، بالإضافة إلى الأساليب العلمية لدراسة ارتباطاتها العصبية.
يميز المؤلفون بين “التمثيلات من الدرجة الأولى” (FORs)، التي تلتقط ميزات العالم الخارجي، و”التمثيلات من الدرجة العليا” (HORs)، التي ترمز إلى خصائص FORs، مثل موثوقيتها أو قوتها الدليلية. بينما تعتبر HORs حاسمة للتعلم والوعي، لا تزال أطرها الحسابية وأسسها العصبية غير مفهومة بشكل كاف. تقترح الورقة إطارًا شبيهًا بالبايزي لـ HORs، مصنفة إياها إلى ثلاثة أنواع: HORs شبيهة بالاحتمالية تعكس تباين FOR، HORs شبيهة بالسابقة تحافظ على توقعات الضوضاء النموذجية المرتبطة بالمحفزات، وHORs شبيهة باللاحقة التي تدمج هذه التقديرات لتقييم عدم اليقين. يهدف المؤلفون إلى دمج التقدم النظري والتحليلي الحديث لتوصيف هذه الأنواع من HOR واستكشاف تكاملها لتوليد تقديرات شبيهة باللاحقة لعدم اليقين في FOR، والتي قد تؤثر على العمليات الميتا إدراكية والوعي الواعي.
نقاش
في نقاش التمثيلات العصبية، تميز الورقة بين التمثيلات من الدرجة الأولى (FORs)، التي تتعلق بميزات البيئة الخارجية ومتغيرات القرار، والتمثيلات من الدرجة العليا (HORs)، التي تعكس العمليات الإدراكية الخاصة بالوكيل وحالاته العقلية. بينما غالبًا ما تكون FORs محور البحث، فإن HORs، وخاصة تلك المتعلقة بعدم اليقين في FORs، تكتسب اهتمامًا لصلتها بالتعلم واتخاذ القرار. يجادل المؤلفون بأن HORs يمكن أن توفر رؤى حول كيفية تقييم الأفراد لموثوقية تمثيلاتهم وعمليات اتخاذ القرار، على الرغم من التحديات في دراستها بسبب طبيعتها الاستبطانية وعدم موثوقية التقارير الذاتية.
تؤكد الورقة على أهمية فهم HORs لعدم اليقين، حيث إنها حاسمة للتعلم الفعال والتمييز بين الواقع والخيال. توضح إطارًا بايزيًا لفهم هذه التمثيلات، مقترحة أن HORs يمكن تفكيكها إلى مكونات شبيهة بالاحتمالية، وشبيهة بالسابقة، وشبيهة باللاحقة. يقترح المؤلفون أن تركز الأبحاث المستقبلية على توصيف سلسلة المعالجة الكاملة التي تبني HORs، بما في ذلك المدخلات، والوظائف، وسياسات القرار المعنية. من خلال استخدام مقاييس نفسية وتقنيات تصوير عصبي متقدمة، يمكن للباحثين فهم كيفية ترميز HORs لعدم اليقين وكيف تؤثر هذه التمثيلات على الأحكام الميتا إدراكية والوعي الواعي.
DOI: https://doi.org/10.33735/phimisci.2026.12269
Publication Date: 2026-02-27
Author(s): Megan A. K. Peters et al.
Primary Topic: Embodied and Extended Cognition
Overview
Higher-order representations (HORs) are defined as neural or computational states that provide information about first-order representations (FORs), focusing on the agent’s internal processes rather than the external environment. These HORs are posited to play a crucial role in metacognition, learning, and potentially consciousness; however, their dimensionality, construction, and neural underpinnings are not well understood.
The authors propose that metacognitive assessments of uncertainty or noise can be interpreted as a readout of “posterior-like” HORs from a Bayesian framework. They argue that these posterior-like HORs are derived from a combination of “likelihood-like” estimates of current FOR uncertainty and “prior-like” distributions learned over expected FOR uncertainty. The paper emphasizes the need for emerging engineering and theoretical approaches to investigate the estimation processes and neural correlates associated with these under-explored aspects of uncertainty in human cognition.
Introduction
In the introduction of the paper, the authors address the contentious nature of the definition of ‘neural representation,’ highlighting that interpretations vary significantly across different researchers and fields (Baker et al., 2022; Favela & Machery, 2023, 2025; Machery, 2025; Villaroya, 2017). They propose a working definition that views neural representations as more than mere statistical correlations; instead, they reflect the mental structures that individuals utilize to perceive and interact with their environments (Tarr & Vuong, 2002). This perspective prompts an exploration of the types of representations pertinent to an agent’s behavior and cognitive abilities, as well as the scientific methods for studying their neural correlates.
The authors distinguish between “first-order representations” (FORs), which capture features of the external world, and “higher-order representations” (HORs), which encode properties of FORs, such as their reliability or evidentiary strength. While HORs are crucial for learning and consciousness, their computational frameworks and neural bases remain inadequately understood. The paper proposes a Bayesian-like framework for HORs, categorizing them into three variants: likelihood-like HORs that reflect the variability of a FOR, prior-like HORs that maintain expectations of typical noise associated with stimuli, and posterior-like HORs that integrate these estimates to assess uncertainty. The authors aim to synthesize recent theoretical and analytical advancements to characterize these HOR variants and explore their integration for generating posterior-like estimates of FOR uncertainty, which may influence metacognitive processes and conscious awareness.
Discussion
In the discussion of neural representations, the paper distinguishes between first-order representations (FORs), which pertain to external environmental features and decision variables, and higher-order representations (HORs), which reflect the agent’s own cognitive processes and mental states. While FORs are often the focus of research, HORs, particularly those related to uncertainty in FORs, are gaining attention for their relevance in learning and decision-making. The authors argue that HORs can provide insights into how individuals assess the reliability of their representations and decision processes, despite challenges in studying them due to their introspective nature and the unreliability of self-reports.
The paper emphasizes the importance of understanding HORs of uncertainty, as they are crucial for effective learning and distinguishing between reality and imagination. It outlines a Bayesian framework for understanding these representations, suggesting that HORs can be decomposed into likelihood-like, prior-like, and posterior-like components. The authors propose that future research should focus on characterizing the entire processing chain that constructs HORs, including the inputs, functions, and decision policies involved. By employing psychophysical measures and advanced neuroimaging techniques, researchers can better understand how HORs encode uncertainty and how these representations influence metacognitive judgments and conscious awareness.