Megerősítéses tanulás a pszichológiában és a mesterséges intelligenciában

Levente Zsolt Juhász

doi:10.63684/dk.2026.09.03

Juhász Levente Zsolt Dunaújvárosi Egyetem, Tanárképző Központ, egyetemi docens https://orcid.org/0009-0006-0240-2937

DOI: https://doi.org/10.63684/dk.2026.09.03

Kulcsszavak: Megerősítés tanulás, kondicionálás, mesterséges intelligencia

Absztrakt

A megerősítéses tanulás (reinforcement learning, RL) tudományos szempontból azt vizsgálja, hogyan képesek az állatok és a gépek viselkedésüket úgy alakítani, hogy eközben a lehető legtöbb jutalmat érjék el. Az RL kutatás gyökerei egészen a pszichológiában végzett, az instrumentális tanulásra vonatkozó korai munkákig nyúlnak vissza. A modern RL azonban egy erősen interdiszciplináris terület, amely a számítástechnika, a gépi tanulás, a pszichológia és az idegtudomány közös metszéspontján helyezkedik el. Az előadás összefoglalja a terület legfontosabb matematikai alapelveit, mint például a felfedezés/kiaknázás dilemmáját (exploration/exploitation dilemma), az időbeli különbségen alapuló tanulást (TD-tanulás) (temporal-difference learning), a Q-tanulást (Q-learning), valamint a modellalapú és modellmentes tanulás közötti különbségeket. Végül áttekinti a pszichológia és az idegtudomány területén felmerülő számos nyitott kérdést.

Hivatkozások

Smith, E. E.–Nolen-Hoeksema, S.–Fredrickson, B. L.–Loftus, G. R. (2005): Atkinson–Hilgard: Pszichológia. Budapest: Osiris.

Gluck, M. A.–Mercado, E.–Myers, C. E. (2019): Learning and Memory: From Brain to Behavior. New York: Worth Publishers.

Domjan, M.–Delamater, A. R. (2023): The Essentials of Conditioning and Learning. New York: American Psychological Association.

Mitchell, T. (1997): Machine Learning. New York: McGraw-Hill.

Géron, A. (2026): Hands-On Machine Learning with Scikit- Learn and PyTorch. New York: O’Reilly.

Sutton, R. S.–Barto, A. G. (2018): Reinforcement Learning. New York: Bradford Books.

Mnih, V. e. (2015): Human-level control through deep reinforcement. Nature, 518., pp. 529–533.

Silver, D. E. (2016): Mastering the game of Go with deep neural networks and tree search. Nature, 529., pp. 484–489.

Silver D, E. A. (2017): Mastering the game of Go without human knowledge. Nature, 550., pp. 354-359.

Masset, P.–Geshman, S. J. (2025): Reinforcement learning with dopamine: A convergence of natural and artificial intelligence. In: S. J. Cragg,–M. E. Walton: The Handbook of Dopamine. pp. 305–318. New York: Academic Press.

Seriés, P. (2020): Computational Psychiatry. Boston: The MIT Press.

Heinz, A. (2017): A New Understanding of Mental Disorders. Boston: The MIT Press.

Murphy, K. P. (2026): Reinforcement Learning: An Overview.

Norvig, P.–Russell, S. (2023): Mesterséges intelligencia 1–2. Budapest: Taramix.

Chollet, F. (2026): Deep Learning with Python. New York: Manning.

LeCun, Y. (2025): A mesterséges intelligencia és a mélytanulás forradalma. Budapest: TypoTex.