Methods of comparing associative models and an application to retrospective revaluation

نظریه های معاصر یادگیری وابسته به طور فزاینده ای پیچیده هستند که به استفاده از روش های محاسباتی برای نشان دادن پیش بینی های این مدل ها ضروری است. ما استدلال می کنیم که مقایسات در مدل های مختلف از لحاظ خوب بودن به داده های تجربی از آزمایش ها اغلب در مورد مکانیسم های واقعی یادگیری و رفتار بیشتر از شبیه سازی تنها یک مدل واحد نشان می دهد. چنین مقایسه هایی بهتر می شود زمانی که مقادیر پارامترهای آزاد از طریق برخی از روش های بهینه سازی بر اساس داده های خاص مناسب (به عنوان مثال، صعود به تپه) کشف می شوند، به گونه ای که مقایسه ها بر اساس سازه های روان شناختی هر مدل فرض می شود و نه با استفاده از پارامترهایی که در کیفیت در بین مدل ها با توجه به داده ها متناسب هستند. آمار مانند معیار اطلاعات بیزی تسهیم مقایسه در میان مدل هایی که تعداد مختلف پارامترهای آزاد دارند. این مسائل با استفاده از داده های ارزیابی گذشته نگر مورد بررسی قرار می گیرد.