The Importance of Falsification in Computational Cognitive Modeling

در دهه گذشته زمینه علوم شناختی، رشد چشمگیر در تعداد مطالعات مدلسازی محاسباتی را نشان داده است. کار قبلی نشان داده است که چرا و چگونه می توان مدل های شناخت شناخته شده را با استفاده از توانایی آنها برای پیش بینی داده های مشاهده شده به عنوان عملکرد پیچیدگی مقایسه کرد. با این وجود، اهمیت فریب دادن مدلهای کاندیدایی به سبب مشاهدات داده شده، تا حدود زیادی دست کم گرفته شده است، که منجر به نقایص مهم و نتیجه گیری غیرقابل توجیه شده است. ما در اینجا استدلال می کنیم که شبیه سازی مدل های کاندید برای فریب دادن مدل ها ضروری است و بنابراین از ادعاهای خاص در مورد عملکرد شناختی که اکثریت قریب به اتفاق مطالعات مبتنی بر مدل را پشتیبانی می کند، پشتیبانی می کند. ما پیشنهادات عملی برای تحقیقات آینده پیشنهاد می کنیم که مقایسه مدل و جعل را ترکیب می کنند.