Consciousness-Is-Measurable

该仓库将意识视为一个工程问题，收集、结构和基准测试人类、动物和机器中的意识数据痕迹。包含EEG数据集、fMRI实验、连接组结构数据、认知/行为代理、LLM自我反思痕迹等多种数据集。

This repository treats consciousness as an engineering problem, and collects, structures, and benchmarks traces of consciousness data from humans, animals, and machines. It encompasses multiple datasets including EEG datasets, fMRI experiments, connectome structural data, cognitive/behavioral agents, and LLM self-reflection traces.

原始信息汇总

数据集概述

数据集名称

Consciousness Is Measurable

核心目标

将意识视为一个工程问题，通过收集、构建和基准测试数据痕迹来测量、比较和评估意识。

数据集内容与结构

1. 精选数据集类别

• 人类/生物数据
  • 脑电图（EEG）数据集（清醒、睡眠、麻醉状态）
  • 功能磁共振成像（fMRI）意识与掩蔽实验数据
  • 连接组水平的结构数据
• 认知/行为代理数据
  • 反应时间和注意力转换任务数据
  • 元认知信心数据集
  • 错误意识实验数据
• 机器/合成数据
  • 大型语言模型（LLM）自我反思痕迹
  • 长视野智能体记忆日志
  • 跨上下文重置的身份一致性数据
  • 工具使用自我建模输出数据

2. 数据集包含信息

每个数据集均提供以下说明：

• 与意识的相关性
• 所测量的代理指标
• 已知局限性
• 创建下一格式的计划

3. 数据获取说明

• 数据集已在此仓库中进行组织和可视化。
• 并非所有数据集均处于公共领域，部分数据集需要批准。
• 提供了获取数据集的脚本和详细流程说明。

仓库组织结构

consciousness/ ├── datasets/ │ ├── human/mouse/insect/ │ │ ├── eeg/ │ │ ├── fmri/ │ │ └── anesthesia_sleep/ │ ├── cognitive/ │ │ ├── attention/ │ │ ├── metacognition/ │ │ └── reaction_time/ │ └── machine/ │ ├── llm_reflection/ │ ├── agent_memory/ │ └── identity_consistency/ ├── benchmarks/ │ ├── self_model/ │ ├── memory_continuity/ │ ├── perturbation_tests/ │ └── integration_metrics/ ├── theory/ │ └── minimal_assumptions.md ├── papers/ │ └── references.md └── README.md

联系方式

[e-mail]

搜集汇总

数据集介绍

构建方式

该数据集以工程化视角构建，将意识视为可测量的现象，而非神秘概念。其构建过程系统性地收集并结构化人类、动物及机器在意识相关任务中产生的数据痕迹。具体涵盖脑电图、功能磁共振成像等神经生理数据，以及反应时间、元认知等行为代理指标，同时纳入大型语言模型自我反思、智能体记忆日志等机器生成数据。每种数据均附有与意识关联的理论依据、测量代理说明及已知局限性分析，形成多层次、跨模态的数据体系。

特点

数据集的核心特点在于其跨领域整合能力，有机融合了神经科学、认知心理学与人工智能三大领域的意识相关数据。它不仅包含传统的生物神经活动记录，还创新性地引入了机器认知过程的数据，如身份一致性检验和工具使用自我建模输出。这种设计使得研究者能够在同一框架下比较生物意识与机器意识的表征差异，为意识的可计算理论提供了实证基础。数据集结构清晰，每个子集均标注了意识代理指标的理论依据与适用范围，增强了研究的可解释性。

使用方法

使用该数据集时，研究者可通过目录结构快速定位所需数据类型，如神经生理数据位于human子集，机器意识数据位于machine子集。数据集配套提供了标准化处理脚本与可视化工具，部分受限数据需通过邮件申请获取访问权限。用户可将数据用于意识基准测试，例如在benchmarks目录下进行自我模型一致性、记忆连续性或扰动测试等实验。理论文件与参考文献为数据解读提供了必要的概念框架，建议结合理论文档进行跨模态数据的对比分析，以探索意识测量的统一指标。

背景与挑战

背景概述

意识研究长期以来被视为哲学与认知科学的交叉领域，常因主观性而难以量化。Consciousness-Is-Measurable数据集由研究团队于近年创立，旨在将意识视为工程问题而非神秘现象，通过收集人类、动物与机器的多模态数据痕迹，如脑电图、功能磁共振成像及行为代理指标，构建可测量、可比较的基准框架。该数据集的核心研究问题聚焦于意识的客观表征与跨实体比较，推动了神经科学、人工智能与认知建模的融合，为意识的可计算化研究提供了实证基础。

当前挑战

该数据集面临的挑战主要体现在领域问题与构建过程两方面。在领域层面，意识本身缺乏统一定义，其代理指标如脑电信号或行为任务往往受噪声干扰，且跨物种、跨实体（生物与机器）的比较需解决度量一致性与解释等效性难题。构建过程中，数据来源分散，部分涉及隐私或伦理审批，需协调多模态数据的标准化与可视化；同时，机器意识数据如大语言模型自反痕迹的收集与验证，尚未建立广泛认可的评估协议，增加了数据集整合与基准测试的复杂性。

常用场景

经典使用场景

在意识科学领域，Consciousness-Is-Measurable数据集为研究者提供了一个跨物种、跨模态的标准化数据平台。该数据集整合了人类、动物及机器的多源数据，如脑电图、功能磁共振成像和行为代理指标，使得科学家能够系统地比较不同状态下的意识相关信号。通过统一的基准测试框架，研究者可以评估意识的理论模型，例如整合信息理论或全局工作空间理论，从而在实证层面探讨意识的本质与度量方法。

解决学术问题

该数据集直面意识研究中的核心挑战，即如何将抽象的意识概念转化为可测量的科学对象。它通过提供结构化的神经影像、认知行为及机器生成数据，帮助解决意识与无意识状态的区分问题，以及意识水平的量化难题。这不仅推动了意识理论的实证检验，还促进了跨学科对话，为理解意识的神经基础、演化起源和人工实现奠定了数据基础，从而在哲学与科学的交汇处开辟了新的研究路径。

衍生相关工作

基于该数据集，学术界已衍生出一系列经典研究工作。例如，在神经科学中，研究者利用其脑电图基准开发了意识状态分类算法，提升了麻醉深度监测的准确性。在认知科学领域，结合反应时间与元认知数据的工作深化了对意识访问机制的理解。人工智能方面，该数据集激励了关于长时程记忆一致性、工具使用自我建模等研究，促进了类意识代理系统的设计与评估，为意识的可计算模型提供了实证支撑。