Filozofia kognitywistyki WF-FI-KGN-FK
Przedmiot ma na celu zapoznanie studentów i studentki z filozoficznymi podstawami, założeniami i ograniczeniami kognitywistyki jako interdyscyplinarnej nauki o umyśle. Kurs koncentruje się na problemach wyjaśniania w kognitywistyce (mechanicyzm, dynamizm, wyjaśnienia topologiczne, rola ograniczeń), ontologii kategorii badawczych (rodzaje naturalne, pluralizm, unifikacja), a także na zagadnieniach epistemologicznych i metodologicznych, takich jak modele komputacyjne, podejścia bayesowskie, ujęcia ucieleśnione i rozproszone. Istotnym obszarem zajęć będzie również krytyczna analiza ograniczeń neuronauk oraz rola interdyscyplinarności w rozwoju kognitywistyki. Konwersatorium łączy analizę tekstów źródłowych i współczesnych debat z dyskusją nad ich znaczeniem dla filozofii umysłu i nauk kognitywnych.
Celem kursu jest:
Przedstawienie filozoficznych podstaw kognitywistyki – ukazanie głównych sposobów wyjaśniania zjawisk poznawczych oraz ich ograniczeń.
Analiza kluczowych stanowisk i koncepcji – od klasycznego komputacjonizmu, przez podejścia bayesowskie i modele reprezentacji, po ujęcia ucieleśnione i rozproszone.
Krytyczne omówienie problemów metodologicznych – w tym roli rodzajów naturalnych, pluralizmu i unifikacji, a także wpływu ograniczeń neuronauk na teorię i praktykę badań nad umysłem.
Refleksja nad interdyscyplinarnością kognitywistyki – analiza integracji filozofii z psychologią, neuronauką, informatyką i lingwistyką.
Rozwijanie umiejętności krytycznego myślenia i argumentacji poprzez lekturę i dyskusję tekstów źródłowych oraz rekonstrukcję stanowisk współczesnych filozofów i badaczy kognitywistyki.
Dyscyplina naukowa, do której odnoszą się efekty uczenia się
E-Learning
Grupa przedmiotów ogólnouczenianych
Opis nakładu pracy studenta w ECTS
Poziom przedmiotu
Symbol/Symbole kierunkowe efektów uczenia się
Typ przedmiotu
Wymagania wstępne
Koordynatorzy przedmiotu
Efekty kształcenia
KOG1_W01 - student/ka charakteryzuje dynamikę rozwoje teorii na gruncie kognitywistyki, opisuje znaczenie teorii oraz wyjaśniania w kognitywistyce
KOG1_W02- student/ka stosuje specjalistyczną terminologię filozofii stosowanej w kognitywistyce podczas rozwiązywania problemów badawczych, tworzy glosariusz pojęć projektowych i interpretuje różnice w ich użyciu w różnych koncepcjach
KOG1_W06 - student/ka analizuje epistemologiczne zobowiązania wybranych stanowisk w kognitywistyce, porównuje ich podstawy filozoficzne oraz uzasadnia przyjęte rozwiązania projektowe w odniesieniu do tych podstaw
KOG1_W12 - student/ka rekonstruuje i zestawia argumenty kluczowych stanowisk filozofii kognitywistyki, ocenia ich moc eksplanacyjną oraz formułuje własne stanowisko w formie raportu projektowego
KOG1_W13 - student/ka identyfikuje i dobiera metody badawcze właściwe dla kognitywistyki (np. modele obliczeniowe, koneksjonizm, modele mentalne, podejście 4E); stosuje je w pracy projektowej oraz ocenia ich przydatność do rozwiązania problemu
KOG1_W14 - student/ka analizuje interdyscyplinarne aspekty kognitywistyki; identyfikuje zagadnienia odnoszące się do nauki, kultury, gospodarki lub edukacji i argumentuje ich znaczenie dla współczesnych wyzwań społecznych
Sposoby weryfikacji efektów uczenia się: projekt grupowy, dyskusja, prezentacja multimedialna
Kryteria oceniania
Maksymalna liczba punktów: 45
1. Prezentacje grupowe - 3 × 9 pkt = 27 pkt
Każda prezentacja (30 min) oceniana jest według następujących kryteriów:
Jakość merytoryczna i głębia analizy tekstów (4 pkt)
Struktura prezentacji i jasność przekazu (2 pkt)
Wykorzystanie literatury źródłowej i dodatkowej (2 pkt)
Kreatywność i oryginalne ujęcie tematu (1 pkt)
2. Opozycja - 3 × 4 pkt = 12 pkt
Każda opozycja (20 min) oceniana jest według następujących kryteriów:
Jakość i trafność pytań krytycznych (2 pkt)
Kontrargumentacja i merytoryka (1 pkt)
Kultura debaty i konstruktywność (1 pkt)
3. Panel końcowy - 4 pkt
Przygotowanie własnego wątku tematycznego (2 pkt)
Aktywny udział w debacie i syntezie (2 pkt)
4. Zaangażowanie w dyskusje plenarne - 2 pkt
Aktywność w 6 dyskusjach plenarnych (gdy grupa nie prezentuje i nie jest w opozycji)
Jakość pytań, uwag i merytoryczny wkład w dyskusję
Skala ocen końcowa (suma max. 45 pkt):
0–24 pkt – niedostateczny (2.0)
25–29 pkt – dostateczny (3.0)
30–33 pkt – dostateczny plus (3.5)
34–37 pkt – dobry (4.0)
38–41 pkt – dobry plus (4.5)
42–45 pkt – bardzo dobry (5.0)
Dodatkowe informacje:
Dopuszczalna liczba nieobecności: 2 (bez usprawiedliwienia)
Nieobecność w dniu prezentacji własnej grupy skutkuje obniżeniem oceny o 50% punktów za daną prezentację
Systematyczne przygotowanie do zajęć (lektura) jest obowiązkowe i weryfikowane w trakcie dyskusji
Praktyki zawodowe
n/d
Literatura
Obowiązkowa:
1. Machamer P., Darden L. & Craver C. F. (2011), Myślenie w kategoriach mechanizmów, Przegląd Filozoficzno-Literacki: Filozofia Biologii, 2-3(31), 175-190
2. Chemero, A. (2014), Antyreprezentacjonizm i nastawienie dynamiczne, Przegląd Filozoficzno-Literacki: Kognitywistyka. Reprezentacje, 39, s. 79–107.
3. Bassett, DS., Bullmore, E. (2006). Small-World Brain Networks. The Neuroscientist. 12(6):512-523. doi:10.1177/1073858406293182
4. Fedorenko, E. & Blank, I. A. (2020). Broca’s area is not a natural kind. Trends in cognitive sciences, 24(4), 270-284.
5. Piccinini, G., Craver, C. (2011). Integrating psychology and neuroscience: functional analyses as mechanism sketches. Synthese 183, 283–311. https://doi.org/10.1007/s11229-011-9898-4.
6. Dale, R. (2008). The possibility of a pluralist cognitive science. Journal of Experimental and Theoretical Artificial Intelligence, 20(3), 155-179.
8. Fresco, N. (2012). The explanatory role of computation in cognitive science. Minds and Machines, 22(4), 353-380.
9. Sprevak, M., & Smith, R. (2023). An introduction to predictive processing models of perception and decision‐making. Topics in Cognitive Science.
10. Saxe, A., Nelli, S. & Summerfield, C. If deep learning is the answer, what is the question?. Nat Rev Neurosci 22, 55–67 (2021). https://doi.org/10.1038/s41583-020-00395-8
11. Zednik, C. (2021). Solving the Black Box Problem: A Normative Framework for Explainable Artificial Intelligence. Philos. Technol. 34, 265–288. https://doi.org/10.1007/s13347-019-00382-7
12. Wilson, A. D., & Golonka, S. (2014). Ucieleśnienie poznania to nie to, co myślisz. Avant, 5(1), 21-56.
13. Wachowski, W. (2024). Poznanie rozproszone. Potencjał koncepcji a kondycja kognitywistyki. Studia Philosophiae Christianae, 60(1), 15-41.
14. Hutchins, E. (2013). The cultural ecosystem of human cognition. Philosophical Psychology, 27(1), 34–49. https://doi.org/10.1080/09515089.2013.830548
15. Fine, C. (2010). Urojenia płciowe. Jak dzięki naszym umysłom, społeczeństwu i neuroseksizmowi powstają różnice między kobietami a mężczyznami, tłum. A. Derra, Wydawnictwo Naukowe Uniwersytetu im. Mikołaja Kopernika. (fragmenty)
16. Klichowski, M. (2024). Efekt neuro. Wydawnictwo Naukowe Uniwersytetu Adama Mickiewicza. (fragmenty)
Uzupełniająca:
1. Kirsh, D. (2012). Myślenie za pomocą ciała. Avant: Trends in Interdisciplinary Studies, 3(T).
2. Miłkowski, M. (2016). Unification strategies in cognitive science. Studies in Logic, Grammar and Rhetoric, 48(1), 13-33.
3. Piccinini, G., & Craver, C. (2011). Integrating psychology and neuroscience: Functional analyses as mechanism sketches. Synthese, 183(3), 283-311.
4. Faskowitz, J., Betzel, R. F., & Sporns, O. (2021). Edges in brain networks: Contributions to models of structure and function. Network Neuroscience. Advance publication. https://doi.org/10.1162/netn_a_00204
5. Núñez, R., Allen, M., Gao, R., Miller Rigoli, C., Relaford-Doyle, J., & Semenuks, A. (2019). What happened to cognitive science?. Nature human behaviour, 3(8), 782-791.
6. Zednik, C. (2011). The nature of dynamical explanation. Philosophy of Science, 78(2), 238-263.
7. Wright, J. (2018). Seeing patterns in neuroimaging data. Progress in brain research, 243, 299-323.
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: