Experienced Wholeness

Integrating Insights from Gestalt Theory, Cognitive Neuroscience, and Predictive Processing
 
 
MIT Press
  • erschienen am 19. Januar 2018
  • |
  • 368 Seiten
 
E-Book | ePUB mit Adobe-DRM | Systemvoraussetzungen
978-0-262-34328-2 (ISBN)
 
An interdisciplinary account of phenomenal unity, investigating how experiential wholes can be characterized and how such characterizations can be analyzed computationally.

How can we account for phenomenal unity? That is, how can we characterize and explain our experience of objects and groups of objects, bodily experiences, successions of events, and the attentional structure of consciousness as wholes? In this book, Wanja Wiese develops an interdisciplinary account of phenomenal unity, investigating how experiential wholes can be characterized and how such characterization can be analyzed conceptually as well as computationally.

Wiese first addresses how the unity of consciousness can be characterized phenomenologically, discussing what it is like to experience wholes and what is the experiential contribution of phenomenal unity. Considering the associated conceptual and empirical issues, he draws connections to phenomenological accounts and research on Gestalt theory. The results show how the attentional structure of experience, the experience of temporal flow, and different types of experiential wholes contribute to our sense of phenomenal unity. Moreover, characterizing phenomenal unity in terms of the existence of a single global phenomenal state is neither necessary nor sufficient to adequately address the problem of phenomenal unity. Wiese then suggests that the concepts and ideas of predictive processing can be used to analyze phenomenal unity computationally. The result is both a conceptual framework and an interdisciplinary account: the regularity account of phenomenal unity. According to this account, experienced wholes correspond to a hierarchy of connecting regularities. The brain tracks these regularities by hierarchical prediction error minimization, which approximates hierarchical Bayesian inference.

  • Englisch
  • Cambridge (Massachusetts)
  • |
  • USA
MIT Press
  • Reflowable
21 FIGURES
  • 5,16 MB
978-0-262-34328-2 (9780262343282)
weitere Ausgaben werden ermittelt

Dateiformat: ePUB
Kopierschutz: Adobe-DRM (Digital Rights Management)

Systemvoraussetzungen:

Computer (Windows; MacOS X; Linux): Installieren Sie bereits vor dem Download die kostenlose Software Adobe Digital Editions (siehe E-Book Hilfe).

Tablet/Smartphone (Android; iOS): Installieren Sie bereits vor dem Download die kostenlose App Adobe Digital Editions (siehe E-Book Hilfe).

E-Book-Reader: Bookeen, Kobo, Pocketbook, Sony, Tolino u.v.a.m. (nicht Kindle)

Das Dateiformat ePUB ist sehr gut für Romane und Sachbücher geeignet - also für "fließenden" Text ohne komplexes Layout. Bei E-Readern oder Smartphones passt sich der Zeilen- und Seitenumbruch automatisch den kleinen Displays an. Mit Adobe-DRM wird hier ein "harter" Kopierschutz verwendet. Wenn die notwendigen Voraussetzungen nicht vorliegen, können Sie das E-Book leider nicht öffnen. Daher müssen Sie bereits vor dem Download Ihre Lese-Hardware vorbereiten.

Bitte beachten Sie bei der Verwendung der Lese-Software Adobe Digital Editions: wir empfehlen Ihnen unbedingt nach Installation der Lese-Software diese mit Ihrer persönlichen Adobe-ID zu autorisieren!

Weitere Informationen finden Sie in unserer E-Book Hilfe.


Download (sofort verfügbar)

46,99 €
inkl. 7% MwSt.
Download / Einzel-Lizenz
ePUB mit Adobe-DRM
siehe Systemvoraussetzungen
E-Book bestellen