کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4931871 1363397 2017 14 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
On the efficiency of neurally-informed cognitive models to identify latent cognitive states
ترجمه فارسی عنوان
در بهره وری از مدل های شناختی غیر اخلاقی برای شناسایی حالت های شناختی غریب
کلمات کلیدی
مدل شناختی، داده های رفتاری، داده های عصبی، بازیابی مدل، شبیه سازی،
ترجمه چکیده
تئوری روانشناختی از طریق آزمون های تجربی پیش بینی های حاصل از مدل های شناختی کمی پیشرفت می کند. همانطور که مدل های شناختی توسعه داده شده و گسترش یافته اند، آنها به افزایش پیچیدگی منجر می شوند که منجر به پیش بینی دقیق تر می شود - که تقاضای مشابه را در مورد داده های رفتاری مورد استفاده قرار می دهد تا بین تئوری های داوطلب تبعیض آمیز برقرار شود. برای کمک به تبعیض بین مدل های شناختی و اخیرا محدود کردن ارزیابی پارامترها، داده های عصبی در ارزشیابی مدل های شناختی به عنوان تکیه بر داده های رفتاری یا به عنوان یک جریان مرکزی اطلاعات مورد استفاده قرار می گیرند. چنین رویکردی مبتنی بر مدل عصب شناسی مبتنی بر مدل، مزایای بسیاری دارد، از جمله آزمایش دقیق فرضیه های مربوط به روابط رفتار مغز. با این حال، تعداد کمی از تحقیقات سیستماتیک ظرفیت داده های عصبی برای محدود کردن بازیابی مدل های شناختی وجود داشت. از طریق لنز مدل های شناختی تصمیم گیری سریع، ما کارایی داده های عصبی را برای کمک به شناسایی حالت های شناختی پنهان در مدل های متناسب با داده های رفتاری مورد بررسی قرار دادیم. ما دو چارچوب نظری را مطالعه کردیم که در فرضیات خود در خصوص ترکیب دولت تولید پنهان تفاوت داشتند. اول فرض شد که عملکرد مشاهده شده از مخلوطی از حالت های پنهان گسسته تولید شده است. دوم، دولت حالت پنهان را به صورت پویا در یک بعد مداوم متفاوت می کند. ما از یک رویکرد مبتنی بر شبیه سازی برای مقایسه بازیابی داده های حاوی داده های پنهان در مدل های شناختی غیر عقلانی و غیر عقلانی استفاده می کنیم. ما دریافتیم که مدل های شناختی غیرمستقیم به صورت قابل اعتماد در حالت نمایشی گسسته، نسبت به یک نمای ابعاد پیوسته برای اندازه های متوسط ​​اثر بهبود می یابند، اگر چه برای اندازه های کوچک و نویز متوسط ​​در داده های عصبی بازیابی دشوار بود. بازیابی برای هر دو نمایندگی بهبود یافته است، هنگامی که اندازه اثر بزرگتر حالت های پنهان را متمایز می کند. ما نتیجه می گیریم که داده های عصبی شناسایی حالت های پنهان در مدل های شناختی را پشتیبانی می کنند، اما چارچوب های مختلف برای کم کردن اطلاعات مدل های شناختی با اطلاعات عصبی، کارایی های بازیابی مدل های مختلف را دارند. ما نمونه های کامل کار می کنیم و کد های آزادانه موجود برای پیاده سازی دو چارچوب نظری ارائه می دهیم.
موضوعات مرتبط
مهندسی و علوم پایه ریاضیات ریاضیات کاربردی
پیش نمایش مقاله
در بهره وری از مدل های شناختی غیر اخلاقی برای شناسایی حالت های شناختی غریب
چکیده انگلیسی
Psychological theory is advanced through empirical tests of predictions derived from quantitative cognitive models. As cognitive models are developed and extended, they tend to increase in complexity-leading to more precise predictions-which places concomitant demands on the behavioral data used to discriminate between candidate theories. To aid discrimination between cognitive models and, more recently, to constrain parameter estimation, neural data have been used as an adjunct to behavioral data, or as a central stream of information, in the evaluation of cognitive models. Such a model-based neuroscience approach entails many advantages, including precise tests of hypotheses about brain-behavior relationships. There have, however, been few systematic investigations of the capacity for neural data to constrain the recovery of cognitive models. Through the lens of cognitive models of speeded decision-making, we investigated the efficiency of neural data to aid identification of latent cognitive states in models fit to behavioral data. We studied two theoretical frameworks that differed in their assumptions about the composition of the latent generating state. The first assumed that observed performance was generated from a mixture of discrete latent states. The second conceived of the latent state as dynamically varying along a continuous dimension. We used a simulation-based approach to compare recovery of latent data-generating states in neurally-informed versus neurally-uninformed cognitive models. We found that neurally-informed cognitive models were more reliably recovered under a discrete state representation than a continuous dimension representation for medium effect sizes, although recovery was difficult for small sample sizes and moderate noise in neural data. Recovery improved for both representations when a larger effect size differentiated the latent states. We conclude that neural data aids the identification of latent states in cognitive models, but different frameworks for quantitatively informing cognitive models with neural information have different model recovery efficiencies. We provide full worked examples and freely-available code to implement the two theoretical frameworks.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Mathematical Psychology - Volume 76, Part B, February 2017, Pages 142-155
نویسندگان
, , , ,