Когнитивные процессы в психологии: Когнитивные процессы — это… Что такое Когнитивные процессы?

ACT-R — моделировать познание в целом с использованием различных модулей, которые взаимодействуют друг с другом для моделирования когнитивных процессов. Эти модули взаимодействуют через интерфейсы, называемые буферами. ACT-R — это гибридная архитектура, поэтому в модулях ACT-R реализованы символические и субсимвольные механизмы.

Наша модель использует моторный, декларативный, воображаемый, целевой, слуховой и процедурный модули.Модуль двигателя представляет собой мощность двигателя ACT-R. Декларативный модуль — это долговременная память ACT-R, в которой хранятся и извлекаются все информационные блоки (блоки). Имагинальный модуль — это рабочая память ACT-R, в которой хранится и модифицируется текущее состояние проблемы (промежуточное представление, важное для выполнения задачи). Таким образом, имагинальный модуль играет важную роль в обучении. Целевой модуль содержит состояния управления. Это подцели, которые должны быть достигнуты для достижения главной цели.Слуховой модуль — это модуль восприятия слуха. Процедурный модуль играет центральную роль в ACT-R. Это интерфейс других блоков обработки, поскольку он выбирает правила производства (см. Ниже) на основе текущего состояния модулей.

Для написания модели разработчик модели должен указать символические части ACT-R. Это (а) производственные правила и (б) чанки. Куски — это самые маленькие единицы информации. Вся информация в ACT-R хранится по частям. Правила производства (e.g., постановки) состоят из условия и части действия. Производство выбирается последовательно, и одновременно может быть выбрано только одно производство. Производство можно выбрать только в том случае, если часть условий производства соответствует состоянию модулей. Затем часть действия изменяет фрагменты в модулях. Если более чем одно производство соответствует состоянию модулей, то процесс выбора подсимвольного производства выбирает, какое из соответствующих производств будет выбрано.

Еще одним подсимволическим процессом в ACT-R является активация фрагмента.Он определяет, можно ли извлечь фрагмент из памяти и сколько времени занимает это извлечение. Полезность фрагмента в прошлом (активация базового уровня), релевантность фрагмента в текущем контексте (ассоциативная активация) и параметр шума суммируются с значением активации фрагмента. Изменение субсимволических механизмов ACT-R также является частью процедуры моделирования. Это можно сделать с помощью определенных параметров, однако большинство параметров имеют значения по умолчанию, полученные из предыдущих исследований (Wong et al., 2010), которые следует использовать.

Как можно смоделировать процесс принятия решений и категориальное обучение в ACT-R?

Существует множество различных стилей для написания моделей в ACT-R (Taatgen et al., 2006). Для принятия решений использовались следующие подходы к моделированию: (а) стратегия или правила, (б) примерные или экземпляры, и (в) подходы, сочетающие стратегии и примеры. Эти подходы будут сравниваться, чтобы мотивировать выбранный нами подход к моделированию.

В стратегии или моделях, основанных на правилах , различные стратегии решения проблем реализуются с разными производственными правилами, и успешные стратегии вознаграждаются.Теории, основанные на правилах, при изучении категорий постулируют, что классификатор должен идентифицировать категорию объекта, проверяя его на соответствие различным правилам. Итак, чтобы найти решение проблемы, используются стратегии в виде правил.

Образцовые или основанные на экземплярах модели полагаются на предыдущий опыт, хранящийся в декларативной памяти, для решения проблем принятия решений. Содержание и структура экземпляров зависят от индивидуального оформления. Это не полное представление о событии, но представляет собой спецификации функций, на которых сосредоточено внимание решателя проблем, а также отзывы опытных специалистов.Образцовые теории изучения категорий постулируют, что экземпляры категорий запоминаются. Чтобы решить, принадлежит ли экземпляр к категории, новый экземпляр сравнивается с существующим. Обучение на основе экземпляров (IBL) основывается на экземплярах в контексте процессов динамического принятия решений и включает механизмы обучения, такие как поиск на основе распознавания. Получение экземпляров зависит от сходства между текущей ситуацией и экземплярами, хранящимися в памяти. В ситуациях IBL результаты наблюдений сохраняются по частям и извлекаются из памяти для принятия решений.Субсимволическая активация извлеченных экземпляров определяет, какие экземпляры могут быть извлечены в данной ситуации. Обучение на основе экземпляров требует некоторого предварительного изучения соответствующих экземпляров. Затем лица, принимающие решения, могут извлечь и обобщить эти примеры (Gonzalez et al., 2003).

Модели смешанного подхода используют как правила, так и экземпляры для решения проблем принятия решений.

Несколько авторов реализовали описанные подходы в средах категориального обучения и принятия решений.В модели ACT-R, основанной на стратегии, Orendain and Wood (2012) реализовали различные стратегии для решения сложных проблем в игре в микромире под названием «Firechief». Их модель отражала поведение участников игры. Кроме того, можно было смоделировать различные условия обучения и результирующее поведение участников. Модель работала более или менее гибко, как и участники, в зависимости от условий обучения. Это демонстрирует, что успех в обучении стратегии зависит от последовательности стимулов в условиях обучения.Пиблз и Бэнкс (2010) использовали основанную на стратегии модель задачи динамических запасов и потоков (DSF). В этой задаче уровень воды должен поддерживаться постоянным, но приток и отток воды изменяются с разной скоростью. Модель стратегий для выполнения этой задачи ACT-R была реализована в виде производственных правил. Модель точно воспроизводила данные, но была менее успешной в прогнозировании новых данных. Авторы предположили, что, просто расширив модель, чтобы она содержала больше стратегий и гипотез, можно было бы также предсказать такие новые данные.Таким образом, определение адекватных правил имеет решающее значение для моделей, основанных на правилах.

Gonzalez et al. (2009) сравнили производительность двух моделей ACT-R, модели на основе экземпляров и модели на основе стратегии, в задаче RADAR. В этом задании участники и модель должны были визуально различать движущиеся цели (самолеты) среди движущихся отвлекающих факторов, а затем устранять цели. Обе модели достигли примерно одинакового соответствия данным участников, но IBL лучше справилась с задачей переноса.

Lebiere et al.(1998) протестировали две типовые модели, отражающие обучение во время сложной задачи по решению проблем, называемой сахарным заводом (Берри и Бродбент, 1988). Задача сахарного завода исследует, как субъекты учатся управлять сложными системами с неизвестным динамическим поведением. Задание требует от испытуемых произвести определенное количество сахарных изделий. Таким образом, в каждом испытании необходимо соответствующим образом корректировать штат сотрудников. Две типовые модели обеспечивали адекватное учебное поведение, аналогичное поведению испытуемых.В последующем исследовании Фум и Стокко (2003) исследовали, насколько хорошо эти оригинальные модели могут предсказать поведение участников в случае гораздо меньшего целевого количества сахарного продукта, чем в первоначальном эксперименте. Кроме того, они исследовали, могут ли модели воспроизводить поведение в случае переключения с высокого целевого количества продукта на низкое целевое количество продукта и наоборот во время эксперимента. В первом случае результативность участников существенно выросла. Исходные модели IBL не могли уловить такое поведение.Поэтому авторы разработали основанную на правилах модель, которая фиксировала субъектов, меняющих поведение.

Rutledge-Taylor et al. (2012) сравнили основанную на правилах и основанную на образце модель для задачи категоризации интеллекта, в которой изученные характеристики должны были быть изучены и присвоены. Обе модели одинаково хорошо предсказывали данные участников. Ни одна модель не превосходила другую.

В другом исследовании категоризации Андерсон и Бетц (2001) изучали три задачи обучения по категориям с помощью трех различных моделей ACT-R, модели на основе образца, модели на основе правил и смешанной модели.Смешанная модель подошла лучше всего, воспроизводя эффекты обучения и задержки, обнаруженные в эмпирических данных.

Таким образом, нет четких доказательств того, что тот или иной подход к моделированию лучше. В своей статье Андерсон и Бец (2001) утверждают, что смешанный подход, вероятно, наиболее близок к тому, как люди классифицируют, потому что предположение о том, что категоризация основывается исключительно на образцах или исключительно на правилах, вероятно, слишком ограниченно. Кроме того, последовательность стимулов и адекватная спецификация правил важны для задач динамического принятия решений и категорийного обучения.

Кроме того, модели сложных задач должны включать метакогнитивные процессы, такие как отражение и оценка прогресса выбранного подхода (Roll et al., 2004; Reitter, 2010; Anderson and Fincham, 2014). Модель Reitter (2010) динамических запасов и потоков задач исследовала, как субъекты управляют конкурирующими стратегиями задач. Индивидуальный анализ эмпирических данных показал, что участники продемонстрировали внезапные заметные изменения в поведении. Механизмы обучения, которые являются чисто субсимволическими, не могут объяснить такое поведение, потому что для изменения поведения модели потребуется слишком много времени.Кроме того, стратегии участников, казалось, менялись в зависимости от сложности течения воды. Таким образом, модель этой задачи должна учитывать смену стратегии, а не только постепенное обучение. Рейтер (2010) предполагает, что человеческие решения реальных проблем возникают из комбинации общих механизмов (основных механизмов обучения) и стратегий принятия решений, общих для многих задач когнитивного моделирования. Его модель реализует несколько стратегий для решения основной задачи управления, а также механизм ранжирования и выбора этих стратегий в соответствии с их соответствием в данной ситуации.Это представляет собой метакогнитивный аспект его модели.

Наша цель

Наша цель — разработать подход к моделированию ACT-R для динамического принятия решений в задачах категориального обучения. Подходящая задача для такого подхода к моделированию должна удовлетворять нескольким требованиям. Во-первых, модель должна использовать сложные многофункциональные стимулы для построения категорий из объединенных функций. Во-вторых, задача должна обеспечивать обратную связь, тем самым позволяя модели учиться. В-третьих, изменения в среде должны происходить во время задачи, вынуждая модель действовать в соответствии с ними, уточняя однажды изученные сборки категорий.

Для моделирования производительности в такой задаче подход к моделированию должен включать механизмы изучения стратегии и переключения стратегии. Он должен точно указать, как гипотезы об обучении по категориям могут быть реализованы с помощью ACT-R. Следует использовать смешанный подход к моделированию правил и примеров, поскольку предыдущая работа показывает, что такие модели наиболее подходят для задач динамического принятия решений. Кроме того, поскольку необходимо учитывать переключение в присвоении категорий, а также мониторинг прогресса обучения, метакогнитивные аспекты должны быть включены в подход к моделированию.

Наш подход к моделированию должен предоставлять информацию о реальных когнитивных процессах, лежащих в основе принятия динамических решений человеком. Следовательно, он должен уметь предсказывать поведение человека и демонстрировать примерно те же эффекты на производительность, которые можно найти в эмпирических данных, отражающих процесс принятия решений, например, скорость отклика. Что еще более важно, мы стремимся разработать общую модель динамического принятия решений. Чтобы модель была общей (например, не подходила исключительно для одной конкретной экспериментальной установки или набора данных), она должна быть простой.Таким образом, следует использовать лишь несколько предположений и избегать ненужных. В результате подход к моделированию должен быть в состоянии предсказать поведение с другими материалами стимула и быть перенесен на другие аналогичные задачи.

Подводя итог данной статье, предлагаемый нами подход к моделированию направлен на отображение основных процессов принятия решений человеком, таких как включение обратной связи, обновление стратегии и метапознание. Построение модели с когнитивной архитектурой гарантирует использование оцененных когнитивных процессов.Задача состоит в том, чтобы увидеть, могут ли эти когнитивные аспекты, включая процессы архитектуры, привести к эмпирическому обучению:

Во-первых, в модель должно быть включено улучшение производительности за счет обратной связи. В случае изучения функций и обновления стратегии улучшения в стратегии рассматриваются только в случае отрицательной обратной связи (Li and Maani, 2011). Если обратная связь сигнализирует о положительном решении, люди рассматривают выбранную стратегию для дальнейшего использования. Таким образом, люди обновляют свою ментальную модель во время динамического принятия решений, только если они получают отрицательную обратную связь (Li and Maani, 2011).Для нашей модели обучения особенностям это означает, что после того, как успешная стратегия была выбрана вместо альтернатив, для пересмотра этой стратегии потребуются отрицательные отзывы об этой стратегии, а не положительный опыт взаимодействия с другими, поскольку они больше не исследуются.

Во-вторых, модель должна включать переходы от простых стратегий к сложным. Результаты показывают, что люди сначала используют простые решения, а затем переключаются на более сложные (Johansen and Palmeri, 2002). Обсуждаемый подход к моделированию должен быть построен аналогичным образом.Вначале он должен следовать простым стратегиям категоризации по одному признаку, а затем перейти к более сложным стратегиям с двумя признаками.

В-третьих, модель должна использовать метакогнитивные механизмы. Например, ему требуются спецификации, при которых требуется переключение с однофункциональной стратегии на многофункциональную стратегию. Кроме того, метакогнитивные аспекты должны отражать предыдущие успехи в обучении. Таким образом, отслеживание того, какие подходы были полезными, а какие нет, или как часто стратегия была успешной в прошлом, должно быть реализовано в модели.Более того, такие механизмы должны гарантировать, что если стратегия была успешной в прошлом и потерпела неудачу в первый раз, она не отбрасывалась напрямую, а снова проверялась. Кроме того, метакогнитивные механизмы должны не только решать проблему перехода от однофункциональных к многофункциональным стратегиям, но также включать ответы на изменения в окружающей среде.

Материалы и методы

Далее представлен эксперимент динамического принятия решений и наша модель, выполняющая ту же задачу.Модель включает механизмы для интеграции обратной связи, переключения от простых к сложным стратегиям и обращения к метапознанию. Модель построена после получения экспериментальных данных.

Этот раздел подразделяется следующим образом: Сначала описываются выборка участников, установка и стимулы эмпирического эксперимента. Затем подробно объясняется подход к моделированию. После этого представлены настройки модели и стимулы. Наконец, описаны аналитические методы для оценки соответствия между моделью и эмпирическими результатами.

Участники эксперимента

55 человек приняли участие в эксперименте, который проводился внутри МР-сканера 3 Тесла (27 женщин, 28 мужчин, возраст от 21 до 30 лет, все правши, с нормальным слухом). Все субъекты дали письменное информированное согласие на исследование, которое было одобрено этическим комитетом Магдебургского университета, Германия.

Экспериментальные стимулы

Набор частотно-модулированных различных тонов служил стимулами для задачи категоризации.Тональные сигналы различались по продолжительности (короткие, 400 мс, против длинных, 800 мс), направлению частотной модуляции (возрастание или падение), интенсивности (низкая интенсивность, 76–81 дБ, против высокой интенсивности, 86–91 дБ). частотный диапазон (пять низких частот, 500–831 Гц по сравнению с пятью высокими частотами, 1630–2639 Гц) и скорость модуляции (медленная, 0,25 октавы / с, против быстрой, 0,5 октавы / с), в результате получается 2 × 2 × 2 × 10 × 2 (160) разных тонов. Соответствующие задаче свойства стимула заключались в направлении частотной модуляции и продолжительности звука, в результате чего выделялись четыре категории тона: короткий / нарастающий, короткий / падающий, длинный / нарастающий и длинный / падающий.Для каждого участника одна из этих категорий составляла целевые звуки (25%), в то время как другие три категории служили нецелевыми (75%).

В качестве стимулов обратной связи мы использовали естественные речевые высказывания (например, ja, «да»; nein, «нет»), а также одно высказывание с тайм-аутом (zu spät, «слишком поздно»), взятые из оцениваемого просодического корпуса MOTI ( Вольф и Брехманн, 2012, 2015).

Экспериментальная парадигма

Эксперимент длился около 33 минут, в течение которого большое количество частотно-модулированных тонов (см. Раздел Экспериментальные стимулы выше) было представлено в 240 испытаниях в псевдорандомизированном порядке и с колеблющимся интервалом между испытаниями 6, 8 или 10 с. .Участникам было предложено указать нажатием кнопки, считают ли они тон в каждом испытании целевым (указательный палец правой руки) или нецелевым (средний палец правой руки). Они не были проинформированы о целевой категории, но должны были учиться методом проб и ошибок. Правильные ответы сопровождались положительными отзывами, неправильные ответы — отрицательными. Если участники не ответили в течение 2 секунд после подачи звукового сигнала, была представлена ​​обратная связь о тайм-ауте.

После 120 испытаний был введен перерыв в 20 с.В следующем испытании непредвиденные обстоятельства были отменены, так что целевой стимул требовал нажатия правой, а не левой кнопки. Участники были заранее проинформированы о периоде отдыха после завершения первой половины эксперимента, но не были проинформированы о смене непредвиденных обстоятельств.

Модель в деталях

Далее модель представлена ​​подробно. Сначала дается описание основных декларативных представлений (чанков). Они отражают представления стратегии и метакогнитивные процессы.Далее следует описание того, как модель проходит испытание. Наконец, кратко излагаются правила, управляющие изучением стратегии.

Чанки и правила производства, используемые в модели

Блоки, реализованные в модели, показаны на рисунке 1. «Блоки стратегии» содержат стратегии в форме примеров пар «характеристика-значение» и ответов. Они хранятся и извлекаются из долговременной памяти (декларативный модуль). Текущая стратегия хранится в рабочей памяти (имагинальном модуле).Блоки стратегии содержат следующую информацию о стратегии: какие функции и соответствующие значения являются релевантными (например, звук громкий или звук громкий и его частотный диапазон высокий), каков предложенный ответ ( категоризация, 1 или 0), а также степень сложности стратегии (например, стратегия с одним или двумя функциями). Кроме того, частью этого блока является механизм оценки. Это включает в себя отслеживание того, была ли стратегия неудачной, и отслеживание того, как часто стратегия была успешной.Этот механизм отслеживания замечает, успешна ли первая попытка использования этой стратегии. Затем он подсчитывает количество успешных применений стратегии; этот явный подсчет продолжается до тех пор, пока не будет достигнуто определенное значение. Мы внедрили такой механизм порогового подсчета, чтобы отразить субъективное ощущение, что стратегия часто бывает полезной. Мы реализовали разные пороговые значения для модели. Мы также различали порог для стратегий с одним признаком (первый счет) и для стратегий с двумя признаками (второй счет).Механизм отслеживания можно рассматривать как метакогнитивный аспект нашей модели. Другие метакогнитивные аспекты реализуются в «контрольном блоке», который хранится в целевом буфере модели. Эти метакогнитивные аспекты включают: во-первых, уровень функциональной сложности стратегии, то есть, пытается ли модель решить задачу с помощью стратегии с одним признаком или с помощью стратегии с двумя признаками; во-вторых, независимо от того, вызвала ли давняя успешная стратегия ошибку или нет, это означает неуверенность модели в точности текущей стратегии; в-третьих, произошли ли в окружающей среде изменения, требующие возобновления поиска адекватной стратегии.

Рисунок 1. Схематическое построение структуры элемента управления и блока стратегии. Nil означает, что переменная не имеет значения.

Структура исследования

Производственные правила определяют, как модель выполняет задачу. Поток модели через ее производственные правила проиллюстрирован на рисунке 2. В следующем разделе описывается, как модель проходит испытание, конкретные производственные правила указаны в скобках.

Рисунок 2. Схематический обзор того, как модель проходит испытание. Темно-серые прямоугольники слева представляют правила производства, светло-серые овалы справа — основные задействованные буферы.

Тональный сигнал представлен модели и поступает в буфер звуковой локализации (прослушивание) . После того, как тон закончился, он кодируется в слуховом буфере (кодируется) . Таким образом, фрагмент со всей необходимой звуковой информацией (продолжительность, направление изменения высоты тона, интенсивность и частотный диапазон — см. Раздел «Парадигма моделирования и стимулы» ниже) находится в слуховом буфере, и все четыре характеристики тона доступны модели.Затем звуковой фрагмент в звуковом буфере сравнивается с фрагментом стратегии, хранящимся в воображаемом буфере (сравнение) . Если специфические особенности (например, высокая интенсивность) блоков стратегии такие же, как и в блоке аудио, ответ соответствует стратегии, предложенной моделью (реагировать-то же самое) , если нет, то ответ будет противоположным. выбрал (реагирует-разный) . Представленная обратная связь прослушивается и сохраняется в звуковом буфере местоположения (прослушивание-обратная связь) , а затем кодируется в звуковом буфере (кодирование-обратная связь) .Если обратная связь положительна, текущая стратегия сохраняется в воображаемом буфере, а счетный слот обновляется (с учетом обратной связи) . Если обратная связь отрицательная, стратегия обновляется в зависимости от предыдущего опыта (обратная связь-неправильная) . Таким образом, другой блок стратегии извлекается из декларативной памяти и копируется в воображаемый буфер.

Поиск адекватной стратегии

Все возможные стратегии уже хранятся в долговременной памяти модели.Текущая стратегия сохраняется в рабочей памяти и оценивается с учетом обратной связи. Для положительной обратной связи стратегия сохраняется, и подсчитывается, как часто она оказывается успешной. Если обратная связь отрицательная, стратегия обычно меняется. В следующем подразделе приводится краткое описание того, как осуществляется обновление стратегии. Для получения дополнительной информации см. Рисунок 3.

Рисунок 3. Правила, определяющие, когда и в какой степени стратегии изменяются после получения отрицательной обратной связи.

Модель всегда начинается с стратегии одного признака (стратегия, с которой она начинается, является случайной), а затем переключается на другую стратегию одного признака. Характер переключения зависит от того, как часто та или иная стратегия была успешной. Когда модель ищет различные стратегии с одним признаком, она извлекает только те стратегии, которые не использовались в последнее время. В случае немедленного отказа стратегии одного признака, для пары признак-значение используется другой ответ. В других случаях пара функция-значение изменяется, но ответ сохраняется.Если однофункциональная стратегия часто оказывалась успешной, а затем один раз терпела неудачу, стратегия не обменивается напрямую, а переоценивается. Однако также отмечается, что стратегия вызвала ошибку. Две возможности объясняют, почему происходит переключение от стратегии с одной функцией к стратегии с двумя функциями: такое переключение может произойти либо потому, что не может быть извлечена ни одна стратегия с одной функцией, которая не была оценена отрицательно, либо потому, что часто успешная стратегия с одной функцией неоднократно терпела неудачу. Переключения в рамках стратегии двух функций моделируются следующим образом: если стратегия двух функций не увенчалась успехом с первой попытки, используется любая другая стратегия двух функций (которая является случайной).Если стратегия с двумя характеристиками изначально была успешной, а затем потерпела неудачу, то будет выбрана новая стратегия, которая сохраняет одну из пар «характеристика-значение» и ответ. Эта стратегия отличается только от другой пары функция-значение. Когда среда меняется, ранее часто успешная стратегия двух функций (а также стратегия одной функции) потерпит неудачу. Затем предпринимается попытка найти другую стратегию с двумя функциями. Если в момент изменения среды модель не нашла успешной стратегии с двумя функциями, она продолжит поиск полезной стратегии с двумя функциями и, таким образом, не заметит изменения.

Парадигма моделирования и стимулы

В следующем разделе кратко описывается, как эксперимент был реализован для модели. Это включает в себя краткий обзор того, как представление стимула было изменено для модели.

Задача участников была реализована для модели в ACT-R 7.3 с небольшими изменениями. Для модели использовались те же четыре псевдо-рандомизации, которые использовались для участников. Таким образом, 25% стимулов были целевыми. Проба началась с тонального сигнала, который длился 400 мс.Чтобы смоделировать продолжительность двух стимулов, мы использовали две разные функции в команде new-other-sound. Как только модель ответила нажатием кнопки, была представлена ​​слуховая обратная связь. В целом, испытание длилось рандомизированный период 6, 8 или 10 с, как и исходный эксперимент. После 120 испытаний у модели не было перерыва, но и после 120 испытаний цели поменялись.

Вместо использования всех 160 различных тонов в модели было представлено шестнадцать различных тонов. Каждый из тонов представляет собой композицию из четырех характеристик четырех бинарных функций: длительность (длительность vs.короткий), направление частотной модуляции (возрастающая или падающая), интенсивность (низкая или высокая интенсивность) и частотный диапазон (низкая или высокая). Для модели использовались только двоичные функции, поскольку разница в восприятии между двумя классами каждой выбранной функции была высокой, за исключением скорости модуляции, которая, следовательно, не была реализована в модели. Для участников использовалось больше вариантов характеристик, чтобы гарантировать категоричность решений и предотвратить запоминание отдельных пар тон-обратная связь.Для модели это не проблема, поскольку не было реализовано никакого механизма, позволяющего такое запоминание. Что касается участников, модели была представлена ​​слуховая обратная связь.

Подход к моделированию — это смешанный подход к моделированию, стратегии кодируются как экземпляры, но извлекаемый экземпляр в основном регулируется правилами.

Чтобы проверить, является ли модель обобщаемой, были реализованы различные варианты. Кривые обучения, найденные в эмпирических данных, все же должны быть найдены при различных правдоподобных настройках параметров.Однако конкретные настройки параметров должны влиять на качество прогноза модели. Подход, который обычно выбирают разработчики когнитивных моделей, заключается в поиске конкретных настроек параметров, которые приводят к оптимальному соответствию, а затем в отчете об этом соответствии. Цель такого подхода — показать, что модель напоминает текущие когнитивные процессы у людей. Мы выбрали другой подход. Наша цель — показать, что наш подход к моделированию может отображать общее поведение, такое как обучение и обратное обучение, а также отклонения, обнаруженные в данных.Изменяя настройки параметров, мы хотим оптимизировать соответствие модели и исследовать устойчивость механизмов модели к вариациям параметров.

Что касается выбора различных параметров, мы используем расширенный термин, который включает не только подсимволические параметры ACT-R (которые обычно рассматриваются как параметры), но также определенные (производственные) правила (Stewart and West, 2010). В случае этой модели производства, которые контролируют механизм отслеживания успешных стратегий, разнообразны.Механизм отслеживания отслеживает, как часто стратегия оказывается успешной. Однако модель не увеличивает счет на протяжении всего эксперимента. После достижения порогового значения успешная стратегия помечается как «успешная часто». После этого он не разряжается напрямую в случае отрицательной обратной связи, а вместо этого переоценивается. Итак, чтобы ответить на вопрос, каковы наиболее подходящие значения для порога первого и второго подсчета, эти значения варьировались. Другое допущение реализованной модели состоит в том, что этот порог отличается для однофункциональной и однофункциональной модели.двухфункциональные стратегии. Мы предположили, что пороговое значение для стратегий с двумя характеристиками должно быть вдвое больше значения для стратегий с одним элементом, как если бы модель учитывала каждую функцию отдельно. Первый счет был изменен на три, четыре и пять, а второй счет — на шесть, восемь и десять.

Помимо параметров, управляющих механизмом отслеживания, мы также исследовали механизм памяти, управляемый параметрами. Последний контролирует, как долго модель может помнить, использовала ли она уже предыдущую стратегию.Это параметр declarative-finst-span ACT-R. Мы предположили, что участники помнят, какую стратегию они использовали ранее, примерно в течение 10 испытаний. Поэтому мы протестировали два разных значения (80 и 100 с) для этого параметра, определяя, может ли модель запомнить, был ли этот фрагмент извлечен за последние 80 (или 100) с. Комбинация декларативного конечного диапазона (80, 100), трех значений для первого подсчета (3, 4, 5) и трех значений для второго подсчета (6, 8, 10) привела к 18 версиям моделирования (см. Таблицу 1).

Таблица 1. Результирующие версии моделирования на основе комбинирования различных настроек параметров для первого и второго подсчета и декларативного конечного диапазона.

Анализы

Каждая из моделей была запущена 160 раз, 40 раз для каждого псевдослучайного порядка с использованием ACT-R 7.3. Данные были предварительно обработаны с помощью специальных файлов Lisp, а затем проанализированы с помощью Microsoft Excel.

Данные модели и эмпирические данные были разделены на 12 блоков, по 20 испытаний на блок.Средняя доля правильных ответов и стандартное отклонение на блок были вычислены для эксперимента, а также для каждой из 18 моделей.

Одной из целей этого исследования было предсказать среднюю кривую обучения участников. Таким образом, доля правильных ответов участников сравнивалась с долей правильных ответов каждой из моделей. Визуальные графики, сравнивающие смоделированные с эмпирическими данными, были проанализированы в отношении увеличения и уменьшения правильных ответов.

В качестве показателя относительного соответствия были вычислены коэффициент корреляции ( r ) и коэффициент детерминации ( r ² ). Они показывают, насколько хорошо тенденции в эмпирических данных отражаются в модели.

В качестве показателя абсолютного соответствия была рассчитана среднеквадратичная ошибка (RMSE). RMSE показывает, насколько точно модель предсказывает эмпирические данные. RMSE интерпретируется как стандартное отклонение дисперсии эмпирических данных, которое не объясняется моделью.

Чтобы сравнить дисперсию на основе участников, обнаруженную в эмпирических данных, с дисперсией, полученной в результате 160 отдельных прогонов модели, для каждого блока эксперимента был рассчитан тест Левена (надежный тест для проверки равенства дисперсий).

Результаты

В следующих разделах представлены эмпирические данные, смоделированные кривые обучения и результаты, касающиеся общего соответствия различных версий модели данным.

Кривые эмпирического обучения

Описательный анализ эмпирических данных (см. Рисунок 4 и Таблицу 2) показывает, что в среднем в первом блоке участники правильно реагируют на 64.3% (± 13,5%) испытаний. Частота ответов участников увеличивается до шестого блока до 90,4% (± 12,2%) правильных испытаний. В седьмом блоке, где переключаются мишени и нецелевые объекты, оно падает до 56,5% (± 17,7%) правильных попыток. Затем он снова увеличивается и достигает 81,0% (± 18,5%) правильных попыток в восьмом блоке и 89,7% (± 13,9%) правильных попыток в последнем блоке. По всем 12 блокам стандартное отклонение эмпирических данных колеблется от минимума 10,7% до максимума 18,9% со средним стандартным отклонением 15.1%. Стандартное отклонение участников объясняется тем фактом, что разные участники продемонстрировали разные кривые обучения, и не все участники сообщили, что нашли правильную стратегию в ходе постинтервью. Соответственно, одиннадцать участников (20,0%) показали эффективность ниже 85% к концу первой части эксперимента (Блок 6), а 12 участников (21,8%) остались ниже 85% правильных ответов в конце второй части ( Блок 12).

Рисунок 4. Средняя производительность и стандартные отклонения участников-людей, модель наилучшего соответствия (3_06_100) и модель наихудшего соответствия (5_10_100) в 12 блоках эксперимента.

Таблица 2. Средняя доля правильных ответов и стандартных отклонений (в%) участников и 18 версий модели в 12 блоках эксперимента.

Смоделированные кривые обучения

На рисунке 4 также показаны средние значения и стандартные отклонения доли правильных ответов для наилучшей (3_06_100) и наихудшей (5_10_100) модели (см. Ниже, Раздел «Подгонка модели»). Кроме того, в таблице 2 перечислены средние характеристики модели и стандартные отклонения для каждого из двенадцати блоков для всех 18 моделей, а на рисунке 5 показаны кривые обучения для всех 18 моделей.

Рис. 5. Средняя производительность 18 версий модели в 12 блоках эксперимента, модели (A) с декларативным окончательным интервалом 80 с, модели (B) с декларативным- плавность хода 100 с.

Как наилучшая, так и наихудшая подходящие модели (как и все другие) отражают общую форму кривой обучения, обнаруженной в данных. Оба они показывают увеличение скорости обучения в первых шести блоках. Точно так же все модели показывают падение производительности в седьмом блоке, за которым следует еще один рост производительности.Однако даже в наиболее подходящей модели 3_06_100 доля правильных ответов недооценивается моделью, особенно в первых блоках. Кроме того, участники демонстрируют более серьезную неудачу после переключения, но затем восстанавливаются быстрее, в то время как модели требуется больше времени, пока ее производительность снова не возрастет. Тем не менее, для наиболее подходящей модели смоделированные данные всегда находятся в диапазоне стандартного отклонения эмпирических данных.

Как показано в Таблице 2, каждая из моделей показывает большую степень дисперсии для своих 160 прогонов.Стандартное отклонение, усредненное по всем 12 блокам, составляет от 18,9 до 20,4%, в зависимости от настроек параметров модели. Для наиболее подходящей модели стандартное отклонение в отдельных блоках составляет от 11,6 до 23,4% и значительно превышает стандартное отклонение, обнаруженное в эмпирических данных, за исключением первых двух блоков эксперимента и первых двух блоков после переключатель (для всех блоков, кроме блока 1, 2, 7 и 8: все F s> 6,79, все p s <0.010). Этот высокий разброс отдельных прогонов модели указывает на то, что один и тот же базовый набор правил с одинаковыми настройками параметров может по-прежнему приводить к очень разным кривым обучения, в зависимости от того, какие именно стратегии выбираются в каждой точке, когда выбирается новая стратегия (например, начальная стратегия, изменение стратегии одного объекта, изменение стратегии двух функций). Более того, как и в случае с не учащимися среди участников, описанными выше (см. Раздел «Кривые эмпирического обучения»), не все прогоны модели были успешными, в результате (для наиболее подходящей модели) результативность ниже 85% в 35.6% запусков блока 6 и 30,0% запусков блока 12.

Подходит для модели

Среднее значение корреляции модели и эмпирических данных составляет 0,754. От 43,9% до 67,1% расхождений в данных объясняется различными моделями. Среднее стандартное отклонение необъяснимой дисперсии составляет 0,136. Все значения r, r ² и RMSE для 18 версий модели представлены в таблице 3.

Таблица 3. Значения r, r ² и RMSE 18 версий модели.

Как показано в таблице 3 и на рисунке 5, модель демонстрирует относительную устойчивость к влиянию различных настроек параметров. Для первого подсчета более низкое значение несколько лучше для соответствия — в первой части эксперимента (до блока 6) наблюдается более сильное увеличение для более низкого, чем для более высокого значения первого подсчета. Для второго подсчета более низкое значение также приводит к лучшему соответствию. Влияние параметра declarative-finst-span на индексы соответствия очень мало, что приводит к несколько лучшему соответствию либо для declarative-finst-span 80 с или 100 с, в зависимости от настроек первого и второго счета. .

Наилучшее соответствие с точки зрения корреляции было достигнуто для модели со значением declarative-finst-span, установленным на 100 (т. Е. Модель смогла запомнить, использовала ли она уже предыдущую стратегию в течение 100 с), при первом подсчете три (т. е. стратегия с одним признаком должна быть успешной как минимум три раза, чтобы считаться «часто успешной») и второй счет до шести (т. е. стратегия с двумя характеристиками должна быть успешной как минимум шесть раз, чтобы быть успешной. считается «часто успешным»). Наихудшее совпадение наблюдалось для модели со значением декларативного конечного диапазона, равным 100, при первом счете до пяти и втором счете до десяти.

RMSE варьируется от минимального 0,106 (3_06_100) до максимального 0,164 (5_08_100). Таким образом, модель с первым счетом три, вторым счетом шесть и декларативным конечным диапазоном, установленным на 100, работает лучше всего как с точки зрения корреляции ( r ), так и с точки зрения абсолютного прогнозирования (RMSE).

Сводка

В целом модели хорошо предсказывают данные. Смоделированные кривые обучения напоминают форму средней эмпирической кривой обучения с увеличением в первой половине эксперимента, кратковременным снижением в начале второй половины, за которым следует еще один рост производительности.Индексы корреляции модели наилучшего соответствия демонстрируют хорошее совпадение, при этом 67,2% дисперсии данных объясняется моделью с интервалом декларативного финала 100 с, первым порогом счета три и вторым порогом счета шесть. Обратите внимание, что это также модель с наиболее близким абсолютным соответствием (RSME составляет 0,109).

Однако в абсолютных процентах правильных ответов все модели работают ниже участников во всех блоках (кроме блока 7). Кроме того, модели показывают большую общую дисперсию, чем эмпирические данные.Более того, модели изначально меньше подвержены влиянию смены стратегий, но им требуется больше времени, чтобы «восстановиться» после смены стратегий.

Таким образом, модель воспроизводит средние кривые обучения и большие части дисперсии. Это делается с помощью ограниченного набора правил и данных примеров, охватывающих процессы обучения и повторного обучения, которые происходят в динамических средах. Более того, мы обнаружили различия в подгонке модели в зависимости от точной спецификации параметров, при этом наилучшее соответствие, если модель запоминает ранее использованные стратегии в течение 100 с, отмечает стратегию с одним признаком как «часто успешную» после трех успешных применений и двух -функция после шести успешных применений.Однако все 18 различных параметров, которые мы протестировали, напоминали основной ход эмпирических данных, что указывало на то, что механизмы модели устойчивы к изменениям параметров.

Обсуждение

Обсуждение охватывает три основные главы. Сначала обсуждается соответствие модели и даются предложения по возможным улучшениям. Во-вторых, разрабатываются более широкие последствия нашего подхода. Наконец, намечена будущая работа.

Обсуждение подхода к моделированию

Наша учетная запись моделирования охватывает соответствующие поведенческие данные задачи динамического принятия решений, в которой требуется обучение категории.Для решения задачи необходимо объединить две функции, а соответствующую комбинацию функций необходимо изучить методом проб и ошибок с использованием обратной связи. Модель использует обратную связь из среды, чтобы найти правильные категории и включить переключатель в назначении кнопок ответа для целевых и нецелевых категорий. Метапознание встроено в модель через процессы, которые определяют, при каких условиях происходят стратегические изменения, такие как переход от однофункциональной к двухфункциональной стратегии.

В целом, индексы соответствия показывают, что эта модель решает задачу так же, как и участники.Это включает в себя успешное начальное обучение, а также успешное обучение обратному присвоению категории. Более того, было отмечено, что не все участники могут решить задачу, и то же самое наблюдается в поведении подхода моделирования. Таким образом, модель способна генерировать выходные данные, которые на феноменологическом уровне напоминают данные субъектов, выполняющих динамическую задачу принятия решений, которая включает сложные процессы изучения правил и обращения. Хотя общие тенденции обучения, обнаруженные в данных, могут быть хорошо воспроизведены с помощью общих правил, реализованных в нашей модели, есть два ограничения: дисперсия модели больше, чем у участников, и общая производительность модели ниже, чем выступление участников.

Вероятно, у участников другой и, возможно, более конкретный набор правил, чем у модели. Например, участникам было сказано, какую из двух клавиш нажать для получения целевого звука. Однако неясно, использовали ли они эти знания для решения задачи. Чтобы модель оставалась простой, ей не давали этой дополнительной информации, поэтому кнопкам не приписывалось никакого смысла. Это одна из возможностей объяснить более низкую производительность модели, особенно в первом блоке. Еще один пример правил, связанных с более конкретными задачами, используемых участниками по сравнению с моделью, заключается в том, что четыре различных свойства стимулов могут не быть одинаково важными для испытуемых, что могло привести к более высокой производительности по сравнению с моделью.Например, можно предположить, что направление частотной модуляции целевого признака (вверх или вниз) было выбрано раньше в эксперименте, чем частотный диапазон нецелевого признака, в то время как модель обрабатывала все признаки одинаково, чтобы модель оставалась такой же простой, как возможно. Наконец, после изменения правила нажатия кнопки, некоторые участники, возможно, следовали правилу, которое гласит, что нужно нажимать противоположную клавишу, если стратегия была правильной много раз, а затем внезапно нет, вместо того, чтобы пробовать другой одно- или двухкратное действие. функциональная стратегия, тогда как модель пошла по второму пути.

Добавление таких дополнительных правил и предпосылок к модели, возможно, уменьшит расхождение между характеристиками модели и поведенческими данными. Однако целью данной статьи было разработать подход к моделированию, включающий общие процессы, важные для всех видов динамического принятия решений. Это подразумевает использование только предположений, которые абсолютно необходимы (мета-познание, переход от однофункциональной стратегии к двухфункциональной, обучение через обратную связь) и сохранение модели как можно более простой в остальном.Как следствие, добавление дополнительных правил не приведет к созданию более совершенной общей модели динамического принятия решений, а только приведет к лучшему соответствию модели конкретному эксперименту, в то же время сделав ее склонной к переобучению. Как упоминалось ранее, хорошие описательные модели максимально точно фиксируют поведенческие данные и поэтому всегда стремятся к максимальному соответствию данным, которые они описывают. С другой стороны, хорошие прогностические модели должны быть обобщаемыми, чтобы также предсказывать поведение в различных, но структурно схожих ситуациях, а не только для одной конкретной ситуации с одним набором субъектов.На наш взгляд, это представляет собой более желательный поиск с большим потенциалом для понимания процессов, лежащих в основе динамического принятия решений человеком. Это подтверждают Гигеренцер и Брайтон (2009), которые утверждают, что модели, которые фокусируются на основных аспектах принятия решений, например, учитывают только несколько аспектов, ближе к тому, как люди принимают решения. Они также утверждают, что такие упрощенные допущения делают решения более эффективными, а также более эффективными (Gigerenzer and Brighton, 2009).

Как указывалось ранее, одним из способов моделирования динамического принятия решений в ACT-R с использованием лишь нескольких предположений является обучение на основе экземпляров (IBL).В этом подходе для обучения используются пары «ситуация-результат» и субсимволические механизмы усиления. Однако IBL недостаточно для моделирования задач, в которых используются переключатели в среде (Fum and Stocco, 2003). Такие задачи требуют добавления явных правил переключения. Помимо этих правил, нашей задаче требовались механизмы, контролирующие, когда нужно переключаться с простых однофункциональных стратегий на более сложные. Поскольку метакогнитивные размышления не являются частью IBL, мы использовали смешанный подход к моделированию, который включает явные правила и метакогнитивное отражение.IBL является частью нашего подхода, поскольку стратегии кодируются как пары ситуация-результат и используются субсимволические механизмы усиления ACT-R.

Чтобы оценить, соответствует ли наш подход к моделированию формирования стратегии и переключения правил тому, как участники выполняют такие задачи, необходимо учитывать данные, отражающие успехи в обучении. Такие данные представляют собой кривые обучения, представленные в этой статье. Мы считаем, что сама по себе модель IBL не может привести к значительному увеличению производительности после изменения окружающей среды в эмпирических данных.

Для более глубокого понимания процесса принятия сложных решений можно смоделировать другие поведенческие данные, такие как время реакции. Однако не все процессы, которые, вероятно, влияют на время реакции, являются частью нашего общего подхода к моделированию. Это особенно актуально для моделирования подробных аспектов слухового кодирования с помощью ACT-R; например, можно ожидать, что точное кодирование слуховых событий будет включать различный выигрыш во времени реакции на короткие по сравнению с более длинными тонами.Однако наш подход к моделированию может быть расширен, что позволяет включать другие когнитивные процессы, такие как более конкретное слуховое кодирование или внимание. Эта расширяемость является одной из сильных сторон когнитивных архитектур и особенно актуальна для принятия естественных решений, когда в конечном итоге необходимо учитывать множество дополнительных процессов.

Объем модели

Формальная модель была построена с помощью ACT-R, она определяет допущения динамического принятия решений при обучении по категориям.Эта модель была протестирована на эмпирических данных и показала аналогичное поведение при обучении. Предположения о том, как происходят динамические решения в категорийном обучении, например, путем обучения на основе обратной связи и переключения от простых к более сложным стратегиям, и метакогнитивные механизмы были смоделированы вместе. ACT-R нацелен на моделирование познания в целом, таким образом, одновременно обращаясь к различным когнитивным процессам, что является важным аспектом для моделирования реалистичных когнитивных задач. К тому же модель гибкая. Таким образом, модель выбирает из доступных стратегий в соответствии с предыдущим опытом и случайными влияниями.

Наш подход к моделированию прост в том смысле, что он включает лишь несколько правдоподобных предположений, не полагается на дополнительные параметры и, тем не менее, является достаточно гибким, чтобы справляться с динамически изменяющейся средой.

Чтобы проверить предсказательную силу модели, ее необходимо дополнительно протестировать и сравнить с новыми эмпирическими данными, полученными с использованием немного других настроек задачи. Нашей целью было разработать первую модель динамического принятия решений в категории обучения. Таким образом, в модель включены соответствующие когнитивные процессы, которые происходят между предъявлением стимула и фактической реакцией выбора.Кроме того, мы хотели показать, как возникает серия решений, направленных на достижение конечной цели. Таким образом, в качестве первого шага нам нужна была задача принятия решения, которая показывала бы характеристики, аналогичные естественным динамическим параметрам. К таким аспектам относятся сложные многофункциональные стимулы, обратная связь с окружающей средой и меняющиеся условия. Поскольку явные намеки на принадлежность к категории обычно отсутствуют в неэкспериментальных ситуациях, более того, разумно использовать задачу без четких инструкций относительно того, на каких особенностях (или стимулах) следует сосредоточить внимание.Обратной стороной использования неспецифических инструкций, как это сделано в нашем исследовании, является то, что из поведенческих данных останется неясным, как именно отдельные участники обрабатывают такую ​​задачу, поскольку такие аспекты, как какие точные правила соблюдаются или какие функции рассматриваются в начале задача, неясны.

В качестве следующего шага мы стремимся моделировать и прогнозировать динамический курс принятия решений отдельными участниками. В целом, большое преимущество подходов к когнитивному моделированию заключается в том, что они могут предсказывать текущие когнитивные процессы в любой момент времени.Чтобы оценить достоверность таких прогнозов, можно использовать разные подходы.

Одним из подходов к построению моделей в соответствии с когнитивными процессами участников является парадигма обучения ограничению (Димов и др., 2013). Эта парадигма требует инструктирования участников в виде подробной пошаговой процедуры о том, как применять определенные стратегии в задачах принятия решений. Этот подход дает разработчику модели представление о стратегиях, которые участники используют в данный момент времени.Это снова может быть использовано для ограничения моделей ACT-R в реализации этих стратегий. В будущих исследованиях мы планируем принять эту парадигму путем (а) инструктирования участников и (б) соответствующей корректировки нашей модели. Чтобы гарантировать, что парадигма обучения ограничению была успешно реализована, следует использовать самоотчеты участников.

Другой подход — проводить интервью, пока участник выполняет задание. Таким образом, чтобы подтвердить предсказания модели о предполагаемом поведении участников, субъектов будущих эмпирических исследований следует спросить об их решениях в ходе эксперимента.Можно ожидать, что на первые несколько решений участников будут сильно влиять случайные аспекты (например, какая особенность будет рассматриваться в первую очередь), но после некоторых испытаний подход моделирования должен быть в состоянии предсказать следующие шаги участников. Таким образом, он должен позволять точно предсказывать последующие когнитивные процессы. Чтобы сделать такие прогнозы, пересмотренная модель должна будет использовать первую пару испытаний в качестве информации о стратегии, которой первоначально следует индивидуальный участник.

На следующем этапе точные когнитивные процессы, предлагаемые моделью, должны быть протестированы на индивидуальном уровне на более мелкозернистых данных (например,g., фМРТ) и затем соответствующим образом перенастроить. В настоящее время были предложены различные методы сопоставления когнитивных моделей с более мелкими данными, такими как данные фМРТ или ЭЭГ (Borst and Anderson, 2015; Borst et al., 2015; Prezenski and Russwinkel, 2016a). Эти методы в настоящее время исследуются и применяются для решения фундаментальных вопросов исследования. Тем не менее сопоставление когнитивных моделей с нейронными данными является сложной задачей. Необходимы дополнительные исследования, особенно для прикладных задач. Чтобы дополнить нейронные данные, дополнительные поведенческие данные, такие как динамика нажатия кнопок (например,g., интенсивность нажатия кнопки), можно добавить в качестве немедленного измерения того, насколько конкретный участник уверен в своем решении (Kohrs et al., 2014).

Помимо использования когнитивных моделей для прогнозирования индивидуального поведения, мы стремимся разработать более общие когнитивные механизмы для моделирования обучения, повторного обучения и метапознания, применимых в широком диапазоне ситуаций. Чтобы проверить применимость нашего подхода к моделированию в более широком контексте и в различных ситуациях, варианты эксперимента должны быть протестированы с различными задачами и материалами.Например, предлагаемая здесь модель должна уметь предсказывать данные экспериментов по категоризации с использованием визуальных стимулов, таких как различные типы ламп (Zeller and Schmid, 2016), с некоторыми изменениями в сенсорной обработке нашей модели. Кроме того, модель должна быть способна прогнозировать данные из разных типов задач категоризации, например задачи, использующей другое количество функций категоризации, большее количество переключателей или разные последовательности. Такая задача была бы сложной задачей для нашей модели; в случае успеха ее можно рассматривать как прогностическую модель.

Разработанные общие механизмы также могут быть использованы в задачах осмысления. Такие задачи требуют «активного процесса построения значимого и функционального представления некоторых аспектов мира» (Lebiere et al., 2013, p. 1). Создание смысла — это процесс поиска и интерпретации соответствующих фактов в море поступающей информации, включая обновление гипотез. Выполнение нашей задачи близко к тому, как люди имеют смысл в реальном мире, потому что оно включает в себя большое количество различных стимулов, каждый из которых несет разные характеристики различных функций.Таким образом, «понимание стимулов» требует, чтобы участники проверяли каждый стимул категориальным образом и использовали извлеченную категорию стимула в сочетании с выбранным нажатием кнопки и обратной связью, которая следует за информацией для будущих решений.

В заключение, такая когнитивная модель, которая включает в себя общий механизм обучения, повторного обучения и метапознания, может оказаться чрезвычайно полезной для прогнозирования индивидуального поведения в широком диапазоне задач. Однако остается неясность относительно того, отражает ли это фактические процессы человеческого познания.Это связано не только с тем фактом, что человеческое поведение подвержено множеству случайных влияний, но и с тем ограничением, что модель всегда соответствует сокращенному представлению реальности. Разработчик модели решает, какие аспекты реальности охарактеризованы в модели. Маревски и Мельхорн (2011) протестировали разные подходы к моделированию для одной и той же задачи принятия решений. Хотя они обнаружили, что их модели различаются с точки зрения того, насколько хорошо они предсказывают данные, они в конечном итоге не смогли показать, что наиболее подходящая модель определенно напоминает когнитивные процессы человека.Насколько нам известно, ни один научный метод никогда не может ответить, как определенно работает человеческое познание. В общем, модели можно сравнивать только с точки зрения их предсказательного качества (например, объясненная дисперсия, количество свободных параметров, возможность обобщения). С другой стороны, неизвестно, какая модель в конечном итоге соответствует человеческой реальности.

Outlook

Одной из причин моделирования в когнитивных архитектурах является реализация когнитивных механизмов в системах поддержки для сложных сценариев.Такие системы поддержки в основном используют алгоритмы машинного обучения. К сожалению, эти алгоритмы зависят от многих испытаний, на которых нужно учиться, прежде чем они преуспеют в классификации или в обучении в целом. С другой стороны, подходы, вдохновленные когнитивной архитектурой, также могут быть извлечены из нескольких образцов. Кроме того, подходы, основанные на когнитивных архитектурах, представляют собой информированные модели, которые предоставляют информацию о задействованных процессах и причинах, ведущих к успеху или неудаче.

Когнитивные модели могут применяться к множеству реальных задач, например, для прогнозирования удобства использования при взаимодействии со смартфоном (Prezenski and Russwinkel, 2014, 2016b), управления воздушным движением (Taatgen, 2001; Smieszek et al., 2015) или поведение за рулем (Salvucci, 2006). Более того, подходы когнитивного моделирования также могут использоваться в сценариях микромира (Halbrügge, 2010; Peebles and Banks, 2010; Reitter, 2010). Сценарии микромира могут не только имитировать сложность реального мира, но и обладают тем преимуществом, что позволяют управлять переменными. Это означает, что могут быть вызваны определенные вариации для проверки рассматриваемого теоретического подхода или модели (как показано в Russwinkel et al., 2011).

Многие прикладные когнитивные модели представляют собой вполне конкретные модели задач.Наша модель, напротив, нацелена на захват основных механизмов, встречающихся в различных задачах реального мира. Как следствие, у него есть потенциал для применения во многих областях. Итак, наша модель динамического принятия решений в задаче категориального обучения делает прогнозы о когнитивном состоянии людей во время выполнения такой задачи. Это включает в себя прогнозы о стратегиях (например, стратегии с одним или двумя функциями), концептуальное понимание (например, предположения о соответствующих комбинациях функций) и метакогнитивные аспекты (например,g., информация об успешности текущего предположения лица, принимающего решения), все из которых являются аспектами познания во множестве задач и областей приложений.

Таким образом, наш общий подход к моделированию имеет потенциал для поддержки пользователей во многих областях и в конечном итоге может быть использован для помощи в принятии решений. Для этого решения отдельных пользователей в ходе выполнения задачи можно сравнить с когнитивными процессами, активными в настоящее время в модели. Если, например, пользователь слишком долго придерживается стратегии с одной функцией или переключает правила бессистемно, система может предоставить пользователю вспомогательный совет.Помимо обычных вспомогательных систем, такая система поддержки, основанная на нашей модели, будет имитировать когнитивное состояние пользователя. Например, эта онлайн-система поддержки сможет предсказать влияние повторяющихся негативных отзывов на пользователя, например, побуждающих его к попытке изменить стратегию. Однако, если отрицательная обратная связь была вызвана внешним источником, например технической ошибкой подключения, выбор изменения стратегии приведет к разочарованию пользователя. Предлагаемая система поддержки сможет вмешаться здесь.В зависимости от внутреннего состояния пользователя система поддержки будет учитывать, какая информация является наиболее полезной или не следует ли вообще не предоставлять информацию (например, в случае умственной перегрузки пользователя). Пока поддержка не требуется, такие системы будут молча следовать решениям, принимаемым человеком.

Более того, если цель пользователя известна и решения, принятые пользователем, отслеживались системой, можно было бы предсказать следующие решения пользователя, а также оценить, являются ли эти решения по-прежнему разумными для достижения цели. .Многие лавины были вызваны неоднократными ошибочными решениями лыжников-бэккантри, застрявших в своем неправильном представлении о ситуации (Atkins, 2000). Система поддержки, которая способна понять, когда и почему человек принимает необоснованные решения в критических для безопасности ситуациях, также сможет предоставить правильную информацию, чтобы преодолеть недоразумение. Системе технической поддержки лыжников-бэккантри потребуется информация о текущей лавинной опасности, потенциальных безопасных маршрутах и ​​других факторах.Такая информация уже предоставляется приложениями для смартфонов, которые используют GPS в сочетании с прогнозами погоды и измерениями крутизны склонов. В будущем, когда эта информация станет доступной для сопутствующей системы на основе когнитивных моделей, которая прогнозирует решения пользователей, это потенциально может помочь лыжникам в отдаленных районах. Системы поддержки на основе когнитивных моделей, разработанные аналогичным образом, могут с равным успехом использоваться в других критических для безопасности областях, а также для помощи велосипедистам, водителям или пилотам.

Авторские взносы

AB и SW разработали обучающий эксперимент по слуховой категории. SW проводил эксперименты на людях и анализировал данные. SP и NR разработали моделирование ACT-R. SP реализовал моделирование ACT-R и проанализировал данные. SP, SW и AB подготовили рисунки. СП, НР и А.Б. подготовили рукопись. SP, NR, AB и SW отредактировали, исправили и одобрили рукопись.

Финансирование

Эта работа была выполнена в рамках Межрегионального центра совместных исследований SFB / TRR 62 «Вспомогательная технология для когнитивных технических систем», финансируемого Немецким исследовательским фондом (DFG) и финансируемого программой BCP.

Заявление о конфликте интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Благодарности

Мы благодарим Монику Добровольни и Йорга Штадлера за поддержку в сборе данных в рамках Комбинаторного центра нейровизуализации (CNI) Института нейробиологии им. Лейбница.

Сноски

Список литературы

Андерсон, Дж.Р. (1991). Адаптивный характер категоризации человека. Psychol. Ред. 98, 409–429. DOI: 10.1037 / 0033-295X.98.3.409

CrossRef Полный текст | Google Scholar

Андерсон, Дж. Р. (2007). Как может человеческий разум возникать в физической вселенной? Нью-Йорк, Нью-Йорк: Издательство Оксфордского университета.

Google Scholar

Эшби, Ф. Г. (1992). «Многомерные модели категоризации», в Многомерные модели восприятия и познания , ред Ф.Г. Эшби (Хиллсдейл, Нью-Джерси: Эрлбаум), 449–483.

Google Scholar

Эшби, Ф. Г., Альфонсо-Риз, Л. А., Теркен, А. У., Уолдрон, Э. М. (1998). Нейропсихологическая теория множественных систем в категориальном обучении. Psychol. Ред. 105, 442–481.

PubMed Аннотация | Google Scholar

Аткинс, Д. (2000). «Человеческий фактор в лавинных авариях», Труды. Международный семинар по науке о снеге (Big Sky: MT), 46–51.

Google Scholar

Берри, Д.К. и Бродбент Д. Э. (1988). Интерактивные задачи и явное и неявное различие. Br. J. Psychol. 79, 251–272. DOI: 10.1111 / j.2044-8295.1988.tb02286.x

CrossRef Полный текст | Google Scholar

Борст, Дж. П., и Андерсон, Дж. Р. (2015). «Использование когнитивной архитектуры ACT-R в сочетании с данными фМРТ», в An Introduction to Model-Based Cognitive Neuroscience , ред. Б. У. Форстманн и Э.-Дж. Вагенмейкерс (Нью-Йорк, штат Нью-Йорк: Springer), 339–352.

Google Scholar

Борст, Дж. П., Ниджбоер, М., Таатген, Н. А., Ван Рейн, Х. и Андерсон, Дж. Р. (2015). Использование отображений модели и мозга на основе данных для ограничения формальных моделей познания. PLoS ONE 10: e0119673. DOI: 10.1371 / journal.pone.0119673

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Кларк, Л., Коулс, Р., и Роббинс, Т. У. (2004). Нейропсихология вентральной префронтальной коры: принятие решений и обратное обучение. Brain Cogn. 55, 41–53. DOI: 10.1016 / S0278-2626 (03) 00284-7

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Димов, К. М., Маревски, Дж. Н., и Скулер, Л. Дж. (2013). «Ограничивающие модели ACT-R стратегий принятия решений: экспериментальная парадигма», в Cooperative Minds: Social Interaction and Group Dynamics. Труды 35-й ежегодной конференции Общества когнитивной науки , ред. М. Кнауфф, М. Пауэн, Н. Себанс и И. Ваксмут (Остин, Техас: Общество когнитивных наук), 2201–2206.

Google Scholar

Эдвардс, У. (1962). Теория динамических решений и вероятностная обработка информации. Hum. Факторы 4, 59–73. DOI: 10.1177 / 001872086200400201

CrossRef Полный текст | Google Scholar

Форстманн, Б. У., Вагенмакерс, Э.-Дж., Эйхеле, Т., Браун, С., и Серенс, Дж. Т. (2011). Взаимные отношения между когнитивной нейробиологией и формальными когнитивными моделями: противоположности притягиваются? Trends Cogn. Sci. 15, 272–279.DOI: 10.1016 / j.tics.2011.04.002

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Фум Д. и Стокко А. (2003). «Экземплярное и основанное на правилах обучение в управлении динамической системой», Труды Пятой Международной конференции по когнитивному моделированию (Бамберг: Universitaets-Verlag Bamberg), 105–110.

Google Scholar

Гонсалес, К. (2017). «Принятие решений: перспектива когнитивной науки», The Oxford Handbook of Cognitive Science (Vol.1). изд. С. Э. Ф. Чипман (Оксфорд: издательство Оксфордского университета), 249–263.

Google Scholar

Гонсалес, К., Датт, В., Хили, А. Ф., Янг, М. Д., и Борн, Л. Э. младший (2009). «Сравнение моделей экземпляров и стратегий в ACT-R», в материалах Труды 9-й Международной конференции по когнитивному моделированию — ICCM2009, , ред. А. Хоуз, Д. Пиблз и Р. Купер (Манчестер).

Google Scholar

Гонсалес К., Лерх Дж. Ф. и Лебьер К. (2003).Экземплярное обучение в динамическом принятии решений. Cogn. Sci. 27, 591–635. DOI: 10.1207 / s15516709cog2704_2

CrossRef Полный текст | Google Scholar

Хальбрюгге, М. (2010). Будьте проще — пример разработки модели в контексте задачи «Динамические запасы и потоки» (DSF). J. Artif. Gen. Intell. 2, 38–51. DOI: 10.2478 / v10229-011-0008-2

CrossRef Полный текст | Google Scholar

Ярверс, К., Брош, Т., Брехманн, А., Woldeit, M. L., Schulz, A. L., Ohl, F. W. и др. (2016). Обратное обучение у людей и песчанок: динамическая сеть управления облегчает обучение. Перед. Neurosci. 10: 535. DOI: 10.3389 / fnins.2016.00535

CrossRef Полный текст | Google Scholar

Кнауф, М., Вольф, А. Г. (2010). Комплексное познание: наука о человеческом мышлении, решении проблем и принятии решений. Cogn. Процесс. 11, 99–102. DOI: 10.1007 / s10339-010-0362-z

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Kohrs, C., Грабаль, Д., Ангенштейн, Н., Брехманн, А. (2014). Задержка времени отклика системы влияет на физиологию и динамику последующего нажатия кнопок. Психофизиология 51, 1178–1184. DOI: 10.1111 / psyp.12253

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Лебьер, К., Пиролли, П., Томсон, Р., Пайк, Дж., Рутледж-Тейлор, М., Сташевски, Дж. И др. (2013). Функциональная модель осмысления в нейрокогнитивной архитектуре. Comput.Intell. Neurosci. 2013, 1-29. DOI: 10.1155 / 2013/921695

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Лебьер К., Валлах Д. и Таатген Н. А. (1998). «Неявное и явное обучение в ACT-R», Труды Второй Европейской конференции по когнитивному моделированию , ред. Ф. Риттер и Р. Янг (Ноттингем: издательство Ноттингемского университета), 183–193.

Google Scholar

Левандовски, С., Палмери, Т. Дж., И Вальдманн, М.Р. (2012). Введение в специальный раздел, посвященный теории и данным в категоризации: интеграция вычислительных, поведенческих и когнитивных подходов нейробиологии. J. Exp. Psychol. Учить. Mem. Cogn. 38, 803–806. DOI: 10.1037 / a0028943

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Ли А. и Маани К. (2011). «Динамическое принятие решений, обучение и ментальные модели», Труды 29-й Международной конференции Общества системной динамики (Вашингтон, округ Колумбия), 1–21.

Google Scholar

Маревски, Дж. Н., Мельхорн, К. (2011). Использование архитектуры ACT-R для определения 39 количественных моделей процесса принятия решений. Judgm. Decis. Мак. 6, 439–519.

Google Scholar

Орендейн, А. Д. О., Вуд, С. (2012). «Учет когнитивной гибкости и негибкости для сложной динамической задачи», Труды 11-й Международной конференции по когнитивному моделированию (Берлин), 49–54.

Google Scholar

Пиблз Д., Бэнкс А. П. (2010). Моделирование динамического принятия решений с помощью когнитивной архитектуры ACT-R. J. Artif. Gen. Intell. 2, 52–68. DOI: 10.2478 / v10229-011-0009-1

CrossRef Полный текст | Google Scholar

Презенски, С., Руссвинкель, Н. (2014). Сочетание когнитивных моделей ACT-R с юзабилити-тестированием позволяет выявить ментальную модель пользователей, совершающих покупки с помощью приложения для смартфона. Внутр. J. Adv. Intell. Syst. 7, 700–715.

Google Scholar

Презенски, С., Руссвинкель, Н. (2016a). «Предлагаемый метод сопоставления данных ACT-R и ЭЭГ», в In Proceedings of the 14th International Conference on Cognitive Modeling , eds D. Reitter, and FE Ritter (University Park, PA: Penn State), 249–251 .

Google Scholar

Презенски, С., Руссвинкель, Н. (2016b). «К общей модели многократного использования приложений», в In Proceedings of the 14th International Conference on Cognitive Modeling , eds D.Рейтер и Ф. Э. Риттер (Университетский парк, Пенсильвания: штат Пенсильвания), 201–207.

Google Scholar

Рейтер, Д. (2010). Метапознание и множественные стратегии в когнитивной модели онлайн-контроля. J. Artif. Gen. Intell. 2, 20–37. DOI: 10.2478 / v10229-011-0007-3

CrossRef Полный текст | Google Scholar

Ролл И., Бейкер Р. С., Алевен В. и Кёдингер К. Р. (2004). «Метакогнитивная модель ACT-R стратегий обучения студентов в интеллектуальных системах обучения», в материалах Труды 7-й Международной конференции по интеллектуальным системам обучения , ред. Дж.К. Лестер, Р. М. Викари и Ф. Парагуасу (Масейо), 854–856.

Google Scholar

Руссвинкель Н., Урбас Л. и Тюринг М. (2011). Прогнозирование временных ошибок в сложных средах задач: вычислительный и экспериментальный подход. Cogn. Syst. Res. 12, 336–354. DOI: 10.1016 / j.cogsys.2010.09.003

CrossRef Полный текст | Google Scholar

Рутледж-Тейлор, М., Лебьер, К., Томсон, Р., Сташевски, Дж., И Андерсон, Дж. Р. (2012). «Сравнение категоризации на основе правил и категоризации на основе примеров с использованием архитектуры ACT-R», в материалах 21-й ежегодной конференции по репрезентации поведения в моделировании и симуляции, BRiMS 2012 (остров Амелия, Флорида), 44–50.

Сэнборн, А. Н., Гриффитс, Т. Л., и Наварро, Д. Дж. (2010). Рациональные приближения к рациональным моделям: альтернативные алгоритмы категориального обучения. Psychol. Ред. 117, 1144–1167. DOI: 10.1037 / a0020511

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Саймон, Х. А., и Ньюэлл, А. (1971). Решение человеческих проблем: состояние теории в 1970 году. Am. Psychol. 26, 145–159. DOI: 10,1037 / ч0030806

CrossRef Полный текст | Google Scholar

Smieszek, H., Джорес, Ф., и Руссвинкель, Н. (2015). «Рабочая нагрузка диспетчеров вышек аэропорта: эмпирическая проверка макрокогнитивной модели», в интернет-журнале Kognitive Systeme , ред. Д. Соффкер и А. Клюге (Дуйсбург: DuEPublico). DOI: 10.17185 / duepublico / 37699

CrossRef Полный текст | Google Scholar

Стюарт, Т. К., и Уэст, Р. (2010). Тестирование на эквивалентность: методология компьютерного когнитивного моделирования. J. Artif. Gen. Intell. 2, 69–87. DOI: 10.2478 / v10229-011-0010-8

CrossRef Полный текст | Google Scholar

Саттон, Р. С., и Барто, А. Г. (1998). Обучение с подкреплением: введение . Лондон: MIT Press.

Google Scholar

Таатген, Н. А. (2001). «Модель индивидуальных различий в обучении управлению воздушным движением», Труды четвертой Международной конференции по когнитивному моделированию , ред. Э. М. Альтманн, А. Клиреманс, К. Д. Шунн и В. Д. Грей (Махва, Нью-Джерси: Эрлбаум), 211– 216.

Google Scholar

Таатген, Н. А., Лебьер, К., и Андерсон, Дж. Р. (2006). «Парадигмы моделирования в ACT-R», в «Познание и мультиагентное взаимодействие: от когнитивного моделирования к социальному моделированию», , ред Р. Сан (Кембридж: издательство Кембриджского университета), 29–52.

Google Scholar

Томсон Р., Лебьер К., Андерсон Дж. Р. и Сташевски Дж. (2015). Общая основанная на примерах структура обучения для изучения интуитивного принятия решений в когнитивной архитектуре. J. Appl. Res. Mem. Cogn. 4, 180–190. DOI: 10.1016 / j.jarmac.2014.06.002

CrossRef Полный текст | Google Scholar

Вольф, С., Брехманн, А. (2012). «MOTI: корпус мотивационной просодии для систем обучения на основе речи», в Proceedings of the 10th ITG Conference on Speech Communication (Berlin: IEEE), 1–4.

Google Scholar

Вольф, С., Брехманн, А. (2015). Кнута и пряника 2.0: преимущества естественной и мотивационной просодии в компьютерном обучении. Comput. Гм. Behav. 43, 76–84. DOI: 10.1016 / j.chb.2014.10.015

CrossRef Полный текст | Google Scholar

Вонг, Т. Дж., Кокли, Э. Т., и Скулер, Л. Дж. (2010). «Онлайн-база данных параметров ACT-R: на пути к прозрачному подходу к разработке моделей на базе сообщества», в материалах Труды 10-й Международной конференции по когнитивному моделированию , редакторы Д.Д. Сальвуччи и Г. Гунзельманн (Филадельфия, Пенсильвания: Университет Дрекселя) ), 282–286.

Google Scholar

Целлер, К., и Шмид, У. (2016). «Обучение правилам на основе инкрементального представления обучающих примеров: повторный анализ эксперимента по категоризации», Труды 13-й проводимой раз в два года конференции Немецкого общества когнитивной науки . (Бремен), 39–42.

Google Scholar

Познание и когнитивная наука — важность познания

Что такое познание? Значение и определение

Что такое познание? Слово происходит от латинского корня cognoscere , что означает «знать».Под познанием мы обычно подразумеваем все, что связано со знанием. Другими словами, накопление информации, которую мы получили в результате обучения или опыта.

Наиболее распространенное определение — это способность обрабатывать информацию через восприятие (стимулы, которые мы получаем через разные органы чувств), знания, полученные через опыт, и наши личные характеристики, которые позволяют нам интегрировать всю эту информацию для оценки и интерпретации наш мир.Это способность усваивать и обрабатывать информацию, которую мы получаем из разных источников (восприятие, опыт, убеждения и т. Д.), И преобразовывать их в знания. Он включает в себя различные когнитивные процессы, такие как обучение, внимание, память, язык, рассуждения, принятие решений и т. Д., Которые являются частью нашего интеллектуального развития и опыта.

Его изучали в различных дисциплинах, таких как неврология, психология, антропология, философия и т. Д. Однако именно когнитивная психология начала углубленно изучать , как обработка информации влияет на поведение и какое отношение различные психические процессы имеют к приобретению знание. Когнитивная психология возникла в конце 1950-х годов как оппозиция господствовавшему в то время бихевиоризму. Такие авторы, как Пиаже и Выготский, произвели революцию в научной панораме своими теориями о развитии и когнитивном обучении, которые актуальны и сегодня. Начиная с 60-х годов, интерес к познанию и когнитивным навыкам рос в геометрической прогрессии, и проведенные исследования позволили нам узнать больше об этих процессах.

Достижения в области нейровизуализации помогли внести в эти исследования физиологические и нейроанатомические знания.Это важно для понимания когнитивных процессов и того, как они влияют на наше поведение и эмоции.

Что такое когнитивные процессы? Мы можем понимать когнитивные процессы как процедуры, которые мы используем для включения новых знаний и принятия решений на основе этих знаний. В этих когнитивных процессах играют роль различные когнитивные функции: восприятие, внимание, память, рассуждение… Каждая из этих когнитивных функций работает вместе, чтобы интегрировать новые знания и создать интерпретацию мира вокруг нас.

• ВНИМАНИЕ КАК ПОЗНАВАТЕЛЬНЫЙ ПРОЦЕСС: Внимание — это когнитивный процесс, который позволяет нам сконцентрироваться на стимуле или деятельности, чтобы потом более тщательно их обработать. Внимание — это фундаментальная когнитивная функция для развития повседневных ситуаций, и оно используется в большинстве задач, которые мы выполняем изо дня в день. Фактически, это считалось механизмом, который контролирует и регулирует остальные когнитивные процессы: от восприятия (нам нужно внимание, чтобы иметь возможность обращать внимание на стимулы, не доходящие до наших органов чувств) до обучения и сложных рассуждений.

• ПАМЯТЬ КАК ПОЗНАВАТЕЛЬНЫЙ ПРОЦЕСС: Память — это когнитивная функция, которая позволяет нам кодировать, хранить и восстанавливать информацию из прошлого. Память — это основной процесс обучения, так как это то, что позволяет нам создать чувство идентичности. Есть много типов памяти, например, кратковременная память, которая представляет собой способность сохранять информацию в течение короткого периода времени (запоминать номер телефона, пока мы не сможем записать его на бумаге), и долговременная память, которые все воспоминаний, которые мы храним надолго.Долговременную память можно разбить на более мелкие группы, декларативную память и процедурную память. Декларативная память состоит из знаний, полученных с помощью языка и образования (например, знание того, что Вторая мировая война закончилась в 1945 году), а также знаний, полученных на личном опыте (вспоминая, что моя бабушка делала для меня). Под процедурной памятью понимается обучение рутинным действиям (обучение вождению или катанию на велосипеде). Другие типы памяти — это слуховая память, контекстная память, наименование и узнавание.

• ВОСПРИЯТИЕ КАК ПОЗНАВАТЕЛЬНЫЙ ПРОЦЕСС : Когнитивное восприятие позволяет нам организовывать и понимать мир через стимулы, которые мы получаем от наших различных органов чувств, таких как зрение, слух, вкус, запах и осязание. Хотя большинство людей знакомы с обычными чувствами, существуют и другие, менее известные чувства, такие как пропиоцепция (стимулы, которые бессознательно воспринимают наше положение в пространстве и судят о пространственной ориентации) и интероцепция (которая является восприятием наших органов в наших телах.Это то, что позволяет нам узнать, когда мы голодны или хотим пить). После получения стимулов наш мозг интегрирует всю информацию, создавая новую память.

• ЯЗЫК КАК ПОЗНАВАТЕЛЬНЫЙ ПРОЦЕСС: Язык — это способность выражать свои мысли и чувства устным словом. Это инструмент, который мы используем для общения, организации и передачи имеющейся у нас информации о себе и мире. Язык и мышление развиваются вместе и тесно связаны, они взаимно влияют друг на друга.

• МЫСЛЬ КАК ПОЗНАВАТЕЛЬНЫЙ ПРОЦЕСС: Мысль является фундаментальной для всех когнитивных процессов. Это позволяет нам интегрировать всю полученную информацию и устанавливать взаимосвязь между событиями и знаниями. Для этого он использует рассуждения, синтез и решение проблем (исполнительные функции).

• ОБУЧЕНИЕ КАК ПОЗНАВАТЕЛЬНЫЙ ПРОЦЕСС: Обучение — это познавательный процесс, который мы используем для включения новой информации в наши предыдущие знания.Обучение включает в себя такие разнообразные вещи, как поведение или привычки, такие как чистка зубов или обучение ходьбе, а также знания, которые мы получаем в процессе социализации. Пиаже и другие авторы говорили о когнитивном обучении как о процессе поступления информации в нашу когнитивную систему и ее изменения.

Когнитивные процессы могут происходить естественно или искусственно, сознательно или бессознательно, но обычно они происходят быстро. Эти когнитивные процессы работают постоянно, и мы не осознаем их. Например, когда мы идем по улице и видим красный свет светофора, мы запускаем когнитивный процесс, который говорит нам принять решение (переходить или не переходить). Первое, что мы делаем, это сосредотачиваем внимание на светофоре, зрением видим, что он красный. За считанные миллисекунды мы вспоминаем из своей памяти, что когда светофор красный, переходить нельзя. Вероятно, именно здесь мы принимаем наше первое решение: подождать, пока загорится зеленый свет, или посмотреть направо и налево (снова переключая внимание), чтобы увидеть, не подъезжают ли какие-нибудь машины, и принять решение быстро пересечь дорогу.

Можете ли вы улучшить познание?

Можно ли улучшить познание? Ниже приведен инструмент, ориентированный на улучшение когнитивных функций и когнитивных функций:

ПРОГРАММА КОГНИТИВНОЙ СТИМУЛЯЦИИ ОТ COGNIFIT: Эта программа была разработана группой неврологов и когнитивных психологов, изучающих синаптическую пластичность и процессы нейрогенеза. Вам нужно всего лишь 15 минут в день (2-3 раза в неделю), чтобы стимулировать когнитивные способности. Эта программа доступна онлайн и включает специальные программы для личного пользования, исследователей, медицинских работников и школ.

Упражнения для когнитивной стимуляции от CogniFit эффективно оценивают более 20 фундаментальных когнитивных функций , которые четко определены и подлежат объективному целевому контролю, который обеспечивает стандартизованные результаты по возрастным и демографическим критериям на основе тысяч результатов.

Различные интерактивные упражнения представлены в виде забавных игр для мозга, которые вы можете практиковать на своем компьютере. После каждого сеанса CogniFit представляет подробную картинку, показывающую эволюцию когнитивного состояния пользователя.Он также сравнивает их когнитивные способности с другими пользователями.

Если нейробиология и изучение пластичности мозга что-то нам показали, так это то, что чем больше мы используем нейронную цепь, тем сильнее она становится. Программа когнитивной стимуляции от CogniFit предназначена для изучения наших когнитивных процессов. Как только мы сможем понять когнитивное состояние каждого человека, мы предлагаем им персонализированную программу когнитивных тренировок . Сосредоточение внимания на самых сложных задачах гарантирует, что мы создаем и устанавливаем новые нейронные связи, которые будут становиться все сильнее и сильнее по мере их обучения.

СНИЖЕНИЕ УРОВНЯ СТРЕССА: Стресс увеличивает уровень кортизола, который атакует миелин аксонов и препятствует эффективной передаче информации. Если мы сможем уменьшить стресс в нашей жизни, мы сможем улучшить наши познания, потому что снижение стресса улучшает синаптические связи. Сохранение позитивного отношения делает нас более творческими при решении проблем и, вероятно, делает нас более гибкими в когнитивном отношении.

МЕДИТАЦИЯ: Медитация также может помочь нашему познанию.В последние несколько лет все больше и больше исследований изучают влияние медитации на когнитивные процессы. Это требует концентрации и осознанного внимания, которые, как мы уже сказали, важны для создания новых функциональных схем. Исследование, кажется, поддерживает эту идею, и медитация связана с улучшением внимания, памяти, исполнительных функций, скорости обработки информации и общего познания.

ФИЗИЧЕСКИЕ УПРАЖНЕНИЯ: Выполнение некоторых упражнений также может улучшить его.Это не обязательно должно быть особенно интенсивно. На самом деле, ходьба 45 минут 3 раза в неделю, кажется, улучшает память и рассуждения (управляющие функции), а занятия тайцзи улучшают в основном исполнительные функции.

Каталожные номера: Шатил Э (2013). Улучшают ли комбинированные когнитивные тренировки и тренировки физической активности когнитивные способности больше, чем по отдельности? Рандомизированное контролируемое исследование с четырьмя условиями среди здоровых пожилых людей. Фронт.Aging Neurosci. 5: 8. DOI: 10.3389 / fnagi.2013.00008 • Корчин А.Д., Перец С., Ахаронсон В. и др. — Компьютерные когнитивные тренировки с CogniFit улучшили когнитивные способности по сравнению с эффектом классических компьютерных игр: проспективное, рандомизированное, двойное слепое исследование с участием пожилых людей. Болезнь Альцгеймера и слабоумие: Журнал Ассоциации Альцгеймера, 2007 г .; 3 (3): S171. • Shatil E, Korczyn AD, Peretzc C, et al. — Улучшение когнитивных функций у пожилых людей с помощью компьютеризированной когнитивной тренировки — Alzheimer’s & Dementia: The Journal of the Alzheimer’s Association 2008; 4 (4): Т492. • Verghese J, Mahoney J, Ambrose AF, Wang C, Holtzer R. — Влияние когнитивной коррекции на походку у пожилых людей, ведущих малоподвижный образ жизни — J Gerontol A Biol Sci Med Sci. 2010 декабрь; 65 (12): 1338-43. • Эвелин Шатил, Ярослава Микулецка, Франческо Беллотти, Владимир Бурес — Когнитивная тренировка на основе телевидения улучшает рабочую память и исполнительную функцию — PLoS ONE 3 июля 2014 г. 10.1371 / journal.pone.0101472. • Gard T, Hölzel BK, Lazar SW.Потенциальные эффекты медитации на когнитивное снижение, связанное с возрастом: систематический обзор. Ann N Y Acad Sci. 2014 Янв; 1307: 89-103. DOI: 10.1111 / ньяс.12348. 2. • Voss MW et al. Пластичность мозговых сетей в рандомизированном интервенционном исследовании тренировок с упражнениями у пожилых людей. Front Aging Neurosci. 26 августа 2010 г .; 2. pii: 32. doi: 10.3389 / fnagi.2010.00032.

iMotions

Когнитивная психология — это наука о том, как мы думаем.Он связан с нашими внутренними умственными процессами, такими как внимание, восприятие, память, планирование действий и язык. Каждый из этих компонентов имеет решающее значение в формировании того, кто мы есть и как мы ведем себя.

Мысли, связанные с этими концепциями, могут быть сознательными или бессознательными — мы можем сознательно приложить усилия, чтобы сосредоточить свое внимание, например, на лекции, но мерцание света в комнате может вызвать бессознательный сдвиг в другом месте.

Многие когнитивные психологи [1] называют эту область охватывающей как традиционный подход когнитивной психологии, так и когнитивную нейробиологию .Когнитивная нейробиология — это область, в которой используются методы нейровизуализации для изучения когнитивных процессов — она ​​во многом пересекается с когнитивной психологией, использует аналогичный подход и мировоззрение, но предлагает путь для визуализации активности мозга, связанной с этими внутренними мыслями.

Когнитивная психология также во многом перекликается с когнитивной нейропсихологией (в первую очередь связана с влиянием повреждения мозга на познание) и, в некоторой степени, с вычислительной нейробиологией (занимается созданием компьютерных моделей функции мозга).

У истоков когнитивной психологии

Чтобы действительно понять причину этих совпадений, важно рассмотреть контекст и время, в которых возникла когнитивная психология. Начав в качестве ученика в 1950-х годах, эта область была в некотором смысле реакцией на доминирующий в то время подход к психологическим исследованиям — поведенческую психологию (тему, которую мы уже обсуждали в предыдущем сообщении в блоге).

Поведенческая психология начинается с утверждения, что все человеческое поведение усваивается и адаптируется к контексту и среде, в которой оно находится.Поведение можно подкрепить или наказать различными способами, что приведет к увеличению или уменьшению количества определенных действий. По мере развития жизни набор форм поведения в конечном итоге формируется этим опытом, в результате чего появляется многогранный человек с различными интересами, желаниями, стремлениями, навыками и привычками.

Когнитивная психология, с другой стороны, по существу предполагает больше свободы воли — мысли и чувства считаются более активными в процессе формирования поведения. Считается, что индивиды обрабатывают мысли, которые определяют, следует ли и как выполнять поведение (а не рассматриваются как более пассивный получатель и производитель опыта или поведения).

Этот сдвиг парадигмы — от преимущественно бихевиористского взгляда к преимущественно когнитивистскому — имеет несколько триггеров, и трудно выделить один источник. Однако некоторые решающие влияния можно найти в возникновении и развитии теории информации (формализация информационного взаимодействия, имеющая сходство с когнитивным подходом) [2], а также в разрушительной критике бихевиоризма Ноамом Хомским.

Теория информации, компьютеры и познание

Теория информации была и остается важной, поскольку она формализует процесс обмена информацией.Степень влияния и досягаемости этой теории трудно переоценить — практически любая область, в которой осуществляется передача информации (будь то передача сигналов в мозгу, генетика, физика и т. Д.), Тем или иным образом подверглась влиянию теории информации.

Теория информации возникла рука об руку с самым важным изобретением современности — компьютером. Появление компьютера предложило параллели (как в популярном, так и в научном воображении) тому, как мозг обрабатывает мир — логическая разбивка входов, выходов, хранения и обработки данных легко сравнивалась со стимулами / средой, поведением и т. Д. память и познание соответственно.

Это помогло зародить когнитивную психологию, рассматривая мозг как вычислительное устройство, правила которого можно формализовать, сократить и понять. Хотя бихевиоризм также придерживался редукционистского подхода, он в значительной степени избегал (или преуменьшал важность) процесса и воздействия внутренних мыслей.

Хомский против Скиннера

Одно из других ключевых влияний, которые приводят к (временному) ослаблению бихевиоризма и появлению когнитивной психологии, возникло в результате интеллектуальных дебатов о лингвистике.

Б.Ф. Скиннер, центральный представитель бихевиористской психологии, заявил в статье, что язык изучается бихевиористским способом — слова запоминаются, произносятся и понимаются исключительно потому, что звук, производство и значение усиливаются. Ноам Хомский написал критику статьи Скиннера о языке, заявив, что для стимулирования языкового развития должен существовать врожденный компонент, поскольку язык, по сути, слишком регулярен и изучается слишком быстро, чтобы его можно было объяснить одним лишь подкреплением.

Разногласия, по сути, перекликаются с разногласиями «Природа против воспитания» — Скиннер выступает за воспитание, а Хомский — за природу. На самом деле оба вовлеченных человека имели и развили более тонкие взгляды на лингвистику и обучение. В конечном счете, ни один из них никогда не был полностью правильным, однако критика привела к тому, что многие психологи пересмотрели догму бихевиоризма — и в результате была выдвинута новая формулировка когнитивного подхода.

Современная когнитивная психология

По мере того, как подход когнитивной психологии становился все более принятым и популярным, появилось несколько влиятельных исследований, показывающих полезность этого подхода.

В 1950-х и 1960-х годах русский психолог Альфред Ярбус показал, как саккадические движения глаз могут отражать внутренние когнитивные процессы [3]. Это был прорыв не в том смысле, что движения глаз были связаны с познанием, как это многие ожидали, но в том смысле, что это было просто масштабом и изобретательностью. Устройство Ярбуса прикреплялось к глазному яблоку путем присасывания, обеспечивая новый уровень точности, который давал надежные ответы на множество вопросов, связанных с мельчайшими деталями движений глаз и когнитивных процессов.

Недавние исследования основывались на этой работе с очками слежения за глазами, показывая, как исследование когнитивных процессов может быть расширено до естественной среды [4]. Исследования показали не только то, как детализированные движения глаз меняются в зависимости от стимулов, но и то, что предыдущие дебаты между когнитивной и поведенческой психологией остаются спорными. Показано, что движения глаз зависят от когнитивных процессов, которые, в свою очередь, подчиняются поведенческим принципам [5, 6, 7].Познавательные процессы управляются невидимой рукой подкрепления.

Развитие идей, связанных с познанием, также повлияло на понимание реакций на выражения лица. Исследователи из Уппсальского университета в Швеции исследовали бессознательные движения мышц лица, которые возникают в ответ на подсознательное воздействие эмоциональных выражений лица [8].

Используя технику маскировки (для предотвращения сознательной оценки представленных лиц) и электромиографию лица (для обнаружения изменений мышечной активности, которые могут быть не обнаружены визуально), исследователи смогли показать, как психофизиологические реакции возникают даже в отсутствие осознанного осознания, предположительно являющегося результатом бессознательных когнитивных процессов [9].

Другое понимание мозга, на которое повлияло появление когнитивной психологии, — это когнитивная нагрузка. Термин, введенный Джоном Свеллером из Университета Нового Южного Уэльса в 1988 году, означает объем рабочей памяти, необходимый для выполнения поставленной задачи. Подобно оперативной памяти в компьютере, исследователи попытались определить процессы, происходящие в мозге при высокой когнитивной нагрузке.

Исследование, проведенное учеными из Калифорнийского университета в 1994 году, изучали активность мозга с помощью ЭЭГ с 14 пилотами ВВС на симуляторе самолета [10].Было обнаружено, что активность альфа-волн (в пределах 7-12 Гц) подавлялась (т.е. активность в этом диапазоне возникала меньше) по мере увеличения сложности задачи и, следовательно, когнитивной нагрузки.

Дальнейшее исследование, проведенное учеными из Института исследований мозга в Сан-Франциско [11], подтвердило эти результаты, обнаружив общее подавление альфа-активности, но также и повышение тета-активности (4-7 Гц) в соответствии с трудностью задания. Хотя результаты могут отличаться, когнитивная нагрузка, по-видимому, обычно связана с десинхронизацией активности альфа-волн и синхронизацией активности тета-волн.

Заключение

Эти исследования, конечно, представляют собой лишь небольшую часть научной литературы, на которую повлияло появление когнитивной психологии; гораздо больше влиятельных исследований было создано и выполнено в рамках когнитивной психологии.

Превосходство когнитивной психологии не длилось вечно, она остается центральной темой в современных исследованиях психологии. Часто возникает соблазн рассматривать людей в разрозненных терминах (например, люди действуют исключительно на бихевиористских / когнитивистских / иных терминах), однако, вероятно, существует много совпадений, а реального «победителя» нет.Прогресс каждой теории в совокупности создает лучшие идеи, которые подталкивают нас к более объективному и точному пониманию человеческой психологии.

В то время как научное мышление и теории теперь далеко вышли за рамки жесткой дихотомической догмы когнитивных / бихевиористских школ мысли, новые открытия, которые были обнаружены на этом пути, остаются чрезвычайно ценными при рассмотрении функций разума, мозга и поведения. Более целостный, но все же нюансированный взгляд демонстрируется современными научными исследованиями, которые извлекают выгоду из прошлых фиксаций предыдущих теорий.

Чтобы узнать больше о том, как психологические теории формируют современные представления о человеческом поведении и как человеческое поведение изучается сегодня, загрузите наше бесплатное руководство ниже.

Список литературы

[1] Айзенк, М., и Кин, М. (2005). Когнитивная психология . Хоув: Psychology Press.

[2] Андерсон, Дж. Р. (2010). Когнитивная психология и ее последствия . Нью-Йорк, штат Нью-Йорк: Издательство Worth.

[3] Ярбус, А.(1967). Движение глаз и зрение . Пленум-пресс

[4] Хейхо, М., и Баллард, Д. (2005). Движение глаз при естественном поведении. Тенденции в когнитивных науках , 9 (4), 188-194. DOI: 10.1016 / j.tics.2005.02.009

[5] Глимчер П. (2003) Нейробиология визуально-саккадического принятия решений. Annu. Ред. Neurosci . 26, 133–179

[6] Hikosaka, O. et al. (2000) Роль базальных ганглиев в контроле целенаправленных саккадических движений глаз. Physiol. Ред. . 80, 953–978

[7] Stuphorn, V. et al. (2000) Контроль работоспособности с помощью дополнительного глазного поля. Природа , 408, 857–860

[8] Димберг, У., Тунберг, М., и Эльмехед, К. (2000). Бессознательные реакции лица на эмоциональные выражения лица. Психологические науки , 11 (1), 86-89. DOI: 10.1111 / 1467-9280.00221

[9] Kihlstrom, J.F. (1987). Когнитивное бессознательное. Наука , 237, 1445–1452.

[10] Стерман, М. Б., Манн, К. А., Кайзер, Д. А., и Суйенобу, Б. Ю. (1994). Многодиапазонный топографический анализ ЭЭГ моделируемой зрительно-моторной авиационной задачи. Международный журнал психофизиологии , 16, 49–56.

[11] Гевинс, А., и Смит, М. Е. (2000). Нейрофизиологические показатели рабочей памяти и индивидуальных различий в когнитивных способностях и когнитивном стиле. Кора головного мозга , 10, 829–839.

Когнитивная психология — Scholarpedia

Когнитивная психология — это научное исследование человеческого познания, то есть всех наших умственных способностей — восприятия, обучения, запоминания, мышления, рассуждения и понимания.Термин «познание» происходит от латинского слова «cognoscere» или «знать». По сути, когнитивная психология изучает, как люди приобретают и применяют знания или информацию. Он тесно связан с междисциплинарной когнитивной наукой и находится под влиянием искусственного интеллекта, информатики, философии, антропологии, лингвистики, биологии, физики и нейробиологии.

История

Когнитивная психология в ее современной форме включает в себя замечательный набор новых технологий в психологической науке.Хотя опубликованные исследования человеческого познания можно проследить до «De Memoria» Аристотеля (Hothersall, 1984), интеллектуальные истоки когнитивной психологии начались с когнитивных подходов к психологическим проблемам в конце 1800-х — начале 1900-х годов в работах А. Вундт, Кеттелл и Уильям Джеймс (Скучно, 1950).

Когнитивная психология пришла в упадок в первой половине 20-го века с появлением «бихевиоризма» — изучения законов, связывающих наблюдаемое поведение с объективными, наблюдаемыми условиями стимула без какого-либо обращения к внутренним психическим процессам (Watson, 1913; Boring, 1950). ; Скиннер, 1950).Именно это последнее требование, фундаментальное для когнитивной психологии, было одной из гибелей бихевиоризма. Например, непонимание внутренних психических процессов привело к отсутствию различия между памятью и производительностью и не учитывало сложное обучение (Tinklepaugh, 1928; Chomsky, 1959). Эти проблемы привели к упадку бихевиоризма как доминирующей ветви научной психологии и к «когнитивной революции».

Когнитивная революция началась в середине 1950-х годов, когда исследователи в нескольких областях начали разрабатывать теории разума, основанные на сложных представлениях и вычислительных процедурах (Miller, 1956; Broadbent, 1958; Chomsky, 1959; Newell, Shaw, & Simon, 1958). ).Когнитивная психология стала преобладающей в 1960-х годах (Tulving, 1962; Sperling, 1960). Его возрождение, вероятно, лучше всего отмечено публикацией книги Ульрика Нейссера «Когнитивная психология» в 1967 году. С 1970 года более шестидесяти университетов в Северной Америке и Европе учредили программы когнитивной психологии.

Допущения

Когнитивная психология основана на двух предположениях: (1) человеческое познание может быть, по крайней мере в принципе, полностью раскрыто научным методом, то есть отдельные компоненты психических процессов могут быть идентифицированы и поняты, и (2) внутренние психические процессы могут быть описываются в терминах правил или алгоритмов в моделях обработки информации.В последнее время эти предположения вызывают много споров (Costall and Still, 1987; Dreyfus, 1979; Searle, 1990).

Подходы

Как и физика, эксперименты и симуляции / моделирование являются основными инструментами исследования в когнитивной психологии. Часто предсказания моделей напрямую сравнивают с человеческим поведением. Благодаря простоте доступа и широкому использованию методов визуализации мозга когнитивная психология за последнее десятилетие увидела рост влияния когнитивной нейробиологии.В настоящее время существует три основных подхода в когнитивной психологии: экспериментальная когнитивная психология, вычислительная когнитивная психология и нейронная когнитивная психология.
Экспериментальная когнитивная психология рассматривает когнитивную психологию как одну из естественных наук и применяет экспериментальные методы для исследования человеческого познания. Психофизические реакции, время отклика и слежение за глазами часто измеряются в экспериментальной когнитивной психологии. Вычислительная когнитивная психология разрабатывает формальные математические и вычислительные модели человеческого познания, основанные на символических и подсимволических представлениях, а также динамических системах.Нейронная когнитивная психология использует визуализацию мозга (например, ЭЭГ, МЭГ, фМРТ, ПЭТ, ОФЭКТ, оптическую визуализацию) и нейробиологические методы (например, для пациентов с поражениями), чтобы понять нейронные основы человеческого познания. Эти три подхода часто взаимосвязаны и обеспечивают как независимые, так и дополнительные идеи во всех областях когнитивной психологии.

Поддомены когнитивной психологии

Традиционно когнитивная психология включает человеческое восприятие, внимание, обучение, память, формирование понятий, рассуждение, суждение и принятие решений, решение проблем и языковую обработку.Для некоторых социальные и культурные факторы, эмоции, сознание, познание животных, эволюционные подходы также стали частью когнитивной психологии.

• Восприятие: Те, кто изучает восприятие, стремятся понять, как мы строим субъективные интерпретации ближайшей информации из окружающей среды. Системы восприятия состоят из отдельных органов чувств (например, зрительного, слухового, соматосенсорного) и модулей обработки (например, форма, движение; Livingston & Hubel, 1988; Ungerleider & Mishkin, 1982; Julesz, 1971) и субмодулей (например, форма, движение; Livingston & Hubel, 1988; Ungerleider & Mishkin, 1982; Julesz, 1971)g., Lu & Sperling, 1995), которые представляют различные аспекты информации стимула. Текущее исследование также фокусируется на том, как эти отдельные представления и модули взаимодействуют и интегрируются в связные восприятия. Когнитивные психологи эмпирически изучали эти свойства с помощью психофизических методов и изображений мозга. Вычислительные модели, основанные на физиологических принципах, были разработаны для многих систем восприятия (Grossberg & Mingolla, 1985; Marr, 1982; Wandell, 1995).
• Attention: Attention решает проблему информационной перегрузки в системах когнитивной обработки, выбирая некоторую информацию для дальнейшей обработки или управляя ресурсами, применяемыми к нескольким источникам информации одновременно (Broadbent, 1957; Posner, 1980; Treisman, 1969). Эмпирическое исследование внимания было сосредоточено на том, как и почему внимание улучшает производительность или как недостаток внимания снижает производительность (Posner, 1980; Weichselgartner & Sperling, 1987; Chun & Potter, 1995; Pashler, 1999).В теоретическом анализе внимания использовалось несколько основных подходов к идентификации механизмов внимания: подход обнаружения сигнала (Lu & Dosher, 1998) и подход выбора подобия (Bundesen, 1990; Logan, 2004). Связанные эффекты предвзятой конкуренции были изучены в записях одиночных клеток у животных (Reynolds, Chelazzi, & Desimone, 1999). Исследования изображений головного мозга документально подтвердили влияние внимания на активацию в ранней зрительной коре головного мозга и исследовали сети для контроля внимания (Kanwisher & Wojciulik, 2000).
• Обучение: Обучение улучшает реакцию организма на окружающую среду. Когнитивные психологи изучают, какая новая информация получена и в каких условиях. Изучение обучения начинается с анализа феноменов обучения у животных (например, привыкания, обусловливания, инструментального, случайного и ассоциативного обучения) и распространяется на изучение когнитивной или концептуальной информации людьми (Kandel, 1976; Estes, 1969; Thompson). , 1986).Когнитивные исследования неявного обучения подчеркивают в значительной степени автоматическое влияние предшествующего опыта на производительность и природу процедурных знаний (Roediger, 1990). Исследования концептуального обучения подчеркивают природу обработки входящей информации, роль разработки и природу закодированного представления (Craik, 2002). Те, кто использует вычислительные подходы, исследовали природу понятий, которые можно легче усвоить, а также правила и алгоритмы для обучающих систем (Holland, Holyoak, Nisbett, & Thagard, 1986).Те, кто использует исследования поражений и изображений, исследуют роль конкретных систем мозга (например, систем височных долей) для определенных классов эпизодического обучения и роль систем восприятия в неявном обучении (Tulving, Gordon Hayman & MacDonald, 1991; Gabrieli, Fleischman , Keane, Reminger, & Morell, 1995; Grafton, Hazeltine, & Ivry, 1995).
• Память: Изучение емкости и хрупкости человеческой памяти — один из наиболее развитых аспектов когнитивной психологии.Изучение памяти фокусируется на том, как воспоминания приобретаются, хранятся и восстанавливаются. Области памяти функционально разделены на память для фактов, для процедур или навыков, а также на объем рабочей и кратковременной памяти. Экспериментальные подходы выявили диссоциативные типы памяти (например, процедурную и эпизодическую; Squire & Zola, 1996) или системы обработки с ограниченными возможностями, такие как краткосрочная или рабочая память (Cowan, 1995; Dosher, 1999). Вычислительные подходы описывают память как пропозициональные сети или как голографические или составные представления и процессы поиска (Anderson, 1996, Shiffrin & Steyvers, 1997).Визуализация мозга и исследования повреждений выявляют отдельные области мозга, активные во время хранения или извлечения из различных систем обработки (Gabrieli, 1998).
• Формирование концепции: Формирование концепции или категории относится к способности организовать восприятие и классификацию опыта путем построения функционально значимых категорий. Реакция на конкретный стимул (например, кошку) определяется не конкретным случаем, а классификацией по категории и ассоциацией знаний с этой категорией (Medin & Ross, 1992).Было показано, что способность изучать концепции зависит от сложности категории в репрезентативном пространстве и от отношения вариаций между образцами концептов к фундаментальным и доступным измерениям репрезентации (Ashby, 2000). Некоторые концепции в значительной степени отражают структуры сходства, но другие могут отражать функции или концептуальные теории использования (Medin, 1989). Вычислительные модели были разработаны на основе агрегирования представлений экземпляров, структур подобия и общих моделей распознавания, а также концептуальных теорий (Barsalou, 2003).Когнитивная нейробиология определила важные структуры мозга для аспектов или отдельных форм формирования категорий (Ashby, Alfonso-Reese, Turken и Waldron, 1998).
• Суждение и решение: Человеческое суждение и принятие решений повсеместно — добровольное поведение явно или неявно требует суждения и выбора. Исторические основы выбора базируются на нормативных или рациональных моделях и правилах оптимальности, начиная с теории ожидаемой полезности (von Neumann & Morgenstern, 1944; Luce, 1959).Обширный анализ выявил широко распространенные неудачи рациональных моделей из-за дифференциальной оценки рисков и выгод (Luce and Raiffa, 1989), искаженной оценки вероятностей (Kahneman & Tversky, 1979) и ограничений в обработке информации человеком (например, Russo & Дошер, 1983). Новые вычислительные подходы основаны на динамическом системном анализе суждений и выбора (Busemeyer & Johnson, 2004) и байесовских сетях убеждений, которые делают выбор на основе множества критериев (Fenton & Neil, 2001) для более сложных ситуаций.Изучение принятия решений стало активной темой в когнитивной нейробиологии (Bechara, Damasio and Damasio, 2000).
• ‘’ ’Рассуждение:’ ’’ Рассуждение — это процесс, с помощью которого оцениваются или конструируются логические аргументы. Первоначальные исследования рассуждений были сосредоточены на том, в какой степени люди правильно применяли философские правила вывода в дедукции (т. .Они были расширены до ограничений в рассуждении с помощью силлогизмов или кванторов (Johnson-Laird, Byne and Schaeken, 1992; Rips and Marcus, 1977). Индуктивные рассуждения, напротив, развивают гипотезу, согласующуюся с рядом наблюдений или причин по аналогии (Holyoak and Thagard, 1995). Часто на рассуждение влияют эвристические суждения, заблуждения, репрезентативность свидетельств и другие фреймовые явления (Kahneman, Slovic, Tversky, 1982). Вычислительные модели были разработаны для вывода и аналогий (Holyoak and Thagard, 1995), логических рассуждений (Rips and Marcus, 1977) и байесовских рассуждений (Sanjana and Tenenbaum, 2003).
• Решение проблем: Когнитивная психология решения проблем — это изучение того, как люди стремятся к целенаправленному поведению. Вычислительный анализ в пространстве состояний и компьютерное моделирование решения проблем Ньюэлла и Саймона (1972), а также эмпирический и эвристический анализ Викельгрена (1974) вместе создали когнитивно-психологический подход к решению проблем. Решение проблемы задумано как поиск операций для перехода от начального состояния к целевому состоянию в проблемном пространстве с использованием алгоритмических или эвристических решений.Представление проблемы имеет решающее значение для поиска решений (Zhang, 1997). Опыт в областях, богатых знаниями (например, в шахматах), также зависит от распознавания сложных образов (Gobet & Simon, 1996). Решение проблем может задействовать восприятие, память, внимание и исполнительные функции, и поэтому многие области мозга могут быть задействованы в задачах решения проблем с упором на префронтальные исполнительные функции.
• Language Processing: В то время как лингвистические подходы сосредоточены на формальных структурах языков и использовании языка (Chomsky, 1965), когнитивная психология сосредоточена на усвоении языка, понимании языка, языковом производстве и психологии чтения (Kintsch 1974; Pinker , 1994; Levelt, 1989).Психолингвистика изучала кодирование и лексический доступ слов, процессы синтаксического анализа и представления на уровне предложения, а также общие представления концепций, сути, вывода и семантических предположений. Вычислительные модели были разработаны для всех этих уровней, включая лексические системы, системы синтаксического анализа, системы семантического представления и чтение вслух (Seidenberg, 1997; Coltheart, Rastle, Perry, Langdon, & Ziegler, 2001; Just, Carpenter, and Woolley, 1982; Торн, Брэтли и Дьюар, 1968; Шанк и Абельсон, 1977; Массаро, 1998).Неврология языка имеет долгую историю при анализе повреждений (Wernicke, 1874; Broca, 1861), а также широко изучалась с помощью когнитивной визуализации (Posner et al, 1988).

Приложения

Исследование когнитивной психологии позволило выработать обширный свод принципов, представлений и алгоритмов. Успешные приложения варьируются от специально созданных экспертных систем до массового программного обеспечения и бытовой электроники: (1) Разработка компьютерных интерфейсов, которые взаимодействуют с пользователями для удовлетворения их информационных потребностей и работают как интеллектуальные агенты, (2) Разработка гибкой информационной инфраструктуры на основе по представлению знаний и методам рассуждений, (3) Разработка интеллектуальных инструментов в финансовой индустрии, (4) Разработка мобильных интеллектуальных роботов, которые могут выполнять задачи, обычно предназначенные для людей, (5) Развитие бионических компонентов перцептивного и когнитивного нейронных такие системы, как кохлеарные имплантаты и имплантаты сетчатки.

Список литературы

• Андерсон, Дж. Р. (1996) Архитектура познания. Махва, Нью-Джерси: L. Erlbaum Associates.
• Эшби, Ф. Г. (2000) Стохастическая версия общей теории распознавания. Журнал математической психологии 44: 310-329.
• Эшби, Ф. Г., Альфонсо-Риз, Л. А., Теркен, А. У., и Уолдрон, Э. М. (1998) Нейропсихологическая теория множественных систем в категориальном обучении. Психологический обзор 105: 442-481.
• Barsalou, L.W. (2003) Абстракция в перцептивных системах символов.Философские труды Лондонского королевского общества: биологические науки 358 :.
• Бехара, А., Дамасио, Х. и Дамасио, А. (2000) Эмоции, принятие решений и орбитофронтальная кора. Кора головного мозга 10: 295-307.
• Скучно, Э. Г. (1950). История экспериментальной психологии (2-е изд.). Нью-Йорк: Appleton-Century-Crofts.
• Бродбент Д. Э. (1957) Механическая модель человеческого внимания и непосредственной памяти. Психологический обзор 64: 205-215.
• Бундесен, К.(1990) Теория визуального внимания. Психологический обзор 97: 523-547.
• Busemeyer, J. R., & Johnson, J. G. (2004). Вычислительные модели принятия решений. В Д. Келер и Н. Харви (ред.), Справочник по суждениям и принятию решений (стр. 133–154). Оксфорд, Англия: Блэквелл.
• Хомский, Н. (1959) Обзор вербального поведения, Б.Ф. Скиннер. Язык 35: 26-57.
• Хомский Н. (1965) Аспекты теории синтаксиса. Кембридж, Массачусетс: MIT Press. |
• Чун, М.М. и Поттер, М. С. (1995) Двухэтапная модель для обнаружения множественных целей в быстром последовательном визуальном представлении. Журнал экспериментальной психологии: человеческое восприятие и производительность 21: 109-127.
• Coltheart, M., Rastle, K., Perry, C., Langdon, R., & Ziegler, J. (2001) DRC: двухуровневая каскадная модель визуального распознавания слов и чтения вслух. Психологическое обозрение, 108, 204 — 256.
• Косталл, А. и Стилл, А. (редакторы) (1987) Когнитивная психология под вопросом. Брайтон: Harvester Press Ltd.
• Коуэн, Н. (1995) Внимание и память: интегрированная структура, Нью-Йорк: Oxford University Press.
• Крейк, Ф. И. М. (2002) Уровни обработки: прошлое, настоящее … и будущее? Память 10: 305-318.
• Дошер, Б.А. (1999) Вмешательство предметов и временные задержки в рабочей памяти: немедленный серийный вызов. Международный журнал психологии, специальный выпуск: Кратковременная / рабочая память, 34: 276-284.
• Дрейфус, Х. Л. (1979) Чего компьютеры не могут сделать: пределы искусственного интеллекта, Нью-Йорк: Харпер и Роу.
• Эстес, В. К. (1969) Подкрепление в обучении человека. В Дж. Тэпп (ред.), Подкрепление и поведение. Нью-Йорк: Academic Press.
• Фентон, Н. и Нил, М. (2001) Принятие решений: использование байесовских сетей и MCDA, Системы, основанные на знаниях, 14: 307-325.
• Габриэли, Дж. Д. Э. (1998) Когнитивная нейробиология человеческой памяти. Ежегодный обзор психологии 49: 87-115.
• Габриэли, J.D.E., Флейшман, Д.А., Кин, М.М., Ремингер, С.Л. и Моррелл Ф. (1995) Двойная диссоциация между системами памяти, лежащими в основе явной и неявной памяти в человеческом мозге.Психологическая наука 6: 76-82.
• Гобет Ф. и Саймон Х. А. (1996) Напоминание о случайных и искаженных шахматных позициях: значение для теории опыта. Память и познание 24: 493-503.
• Grafton, S. T., Hazeltine, E., and Ivry, R. (1995) Функциональное картирование обучения последовательности у нормальных людей. Журнал когнитивной неврологии, 7: 497–510.
• Гроссберг, С. и Минголла, Э. (1985) Нейронная динамика восприятия формы: завершение границ, иллюзорные фигуры и распространение неоновых цветов.Психологический обзор, 92: 173-211.
• Холланд, Дж. Х., Холиоук, К. Дж., Нисбетт, Р. Э. и Тагард, П. Р. (1986) Induction. Кембридж, Массачусетс: MIT Press.
• Holyoak, K. J. и Thagard, P. (1995) Аналогия ментальных скачков в творческой мысли, Кембридж, Массачусетс: MIT Press.
• Hothersall, Дэвид (1984) История психологии, Нью-Йорк: Random House.
• Джонсон-Лэрд, П. Н., Бирн, Р. М. Дж. И Шекен, В. (1992) Пропозициональное рассуждение по модели, Psychology Review 99: 418-439.
• Julesz, B. (1971) Основы циклопического восприятия. Чикаго: Издательство Чикагского университета.
• Just, M. A., Carpenter, P. A., & Woolley, J. D. (1982) Парадигмы и процессы и понимание прочитанного. Журнал экспериментальной психологии: Общие 3: 228-238.
• Канеман Д. и Тверски А. (1979) Теория перспектив: анализ принятия решений в условиях риска. Econometrica 47: 263-292.
• Канеман Д., Слович П. и Тверски А. (1982) Суждение в условиях неопределенности: эвристика и предубеждения, Нью-Йорк: Издательство Кембриджского университета.
• Кандел, Э. Р. (1976) Клеточная основа поведения: Введение в поведенческую нейробиологию. Сан-Франциско: В. Х. Фриман.
• Kanwisher N и Wojciulik E. (2000) Визуальное внимание: выводы из визуализации мозга. Nature Review Neuroscience 1: 91-100.
• Кинч, В. (1974) Представление смысла в памяти, Хиллсдейл, Нью-Джерси: Lawrence Erlbaum Associates.
• Ливингстон, М.С. и Hubel, D.H. (1988) Разделение формы, цвета, движения и глубины: анатомия, физиология и восприятие.Наука 240: 740–749.
• Levelt, W. J. M. (1989) Speaking: From Intention to Articulation, Cambridge, MA: MIT Press.
• Логан Г.Д. (2004) Совокупный прогресс в формальных теориях внимания. Ежегодный обзор психологии 55: 207-234.
• Лу, З.-Л., и Дошер, Б.А. (1998) Внешний шум различает механизмы внимания. Исследование зрения 38 :.
• Лу, З.-Л. и Сперлинг Г. (1995) Функциональная архитектура визуального восприятия движения человека, Vision Research 35 :.
• Люс, Д. Р. (1959) Поведение индивидуального выбора; теоретический анализ, Нью-Йорк: Wiley.
• Люс, Р. Д. и Райффа, Х. (1989) Игры и решения: введение и критический обзор. Нью-Йорк: Dover Publications
• Марр Д. (1982) Видение. Сан-Франциско: В. Х. Фриман.
• Массаро, Д. В. (1998) Восприятие говорящих лиц: от восприятия речи до принципа поведения, Кембридж, Массачусетс: MIT Press.
• Макклелланд, Дж. Л. и Румелхарт, Д. Э. (1981) Модель интерактивной активации контекстных эффектов в восприятии письма: Часть 1, Психологический обзор 88: 375-407.
• Медлин, Д. Л. и Росс, Б. Х. (1992) Когнитивная психология. Форт-Уэрт: Харкорт Брейс Йоханович.
• Медлин Д. Л. (1989) Концепции и концептуальная структура. Американский психолог 44: 1469–1481.
• Миллер Г.А. (1956) Магическое число семь плюс-минус два. Психологический обзор 63: 81–97.
• Neisser, U (1967) Когнитивная психология. Нью-Йорк: Appleton-Century-Crofts.
• Ньюэлл, А., и Саймон, Х.А. (1972) Решение человеческих проблем, Энглвуд Клиффс, Нью-Джерси: Прентис-Холл.
• Ньюэлл, А., Шоу, Дж. К., и Саймон, Х. А. (1958) Элементы теории решения человеческих проблем. Психологический обзор 23: 342-343.
• Пашлер, Х. Э. (1999) Психология внимания, Кембридж, Массачусетс: MIT Press,
• Пинкер, С. (1994) Языковой инстинкт, Нью-Йорк: У. Морроу и Ко.
• Познер, М. (1980). Ориентация внимания. Ежеквартальный журнал экспериментальной психологии 32: 3-25.
• Познер, М. И., Петерсен, С. Э., Фокс, П. Т. и Райхл, Р.E. (1988) Локализация когнитивных операций в мозге человека, Science 240 :.
• Reynolds, J.H., Chelazzi, L., & Desimone, R. (1999). Соревновательные механизмы заслуживают внимания в областях макак V2 и V4. Журнал неврологии 19 :.
• Рипс, Л. Дж. И Маркус, С. Л. (1977). Предположения и анализ условных предложений. В M. A. Just & P. ​​A. Carpenter (Eds.), Когнитивные процессы в понимании. Хиллсдейл, Нью-Джерси: Эрлбаум.
• Рёдигер III, Х.Л. (2002) Процессинговые подходы к познанию: импульс от структуры уровней обработки. Память 10: 319-332.
• Руссо, Дж. Э. и Дошер, Б. А. (1983) Стратегии множественного бинарного выбора атрибутов. J Exp Психология обучения, памяти и познания 9: 676-696.
• Санджана, Н. Э. и Тененбаум, Дж. Б. (2003) Байесовские модели индуктивного обобщения. Достижения в системах обработки нейронной информации 15: 59-66.
• Schank, R.C. & Abelson, R.P. (1977) Сценарии, планы, цели и понимание: исследование структур человеческого знания, Хиллсдейл, Нью-Джерси: Л.Erlbaum Associates.
• Сирл, Дж. Р. (1990) Является ли мозг цифровым компьютером Обращение президента АПА.
• Зайденберг, М. С. (1997) Приобретение и использование языка: изучение и применение вероятностных ограничений. Наука 275 :.
• Шиффрин Р. М. и Стейверс М. (1997). Модель распознавания памяти: REM — эффективное извлечение из памяти. Психономический бюллетень и обзор 4: 145-166.
• Скиннер, Б. Ф. (1950) Нужны ли теории обучения? Психологический обзор 57: 193-216.
• Сперлинг, Г. (1960). Информация доступна в виде кратких наглядных презентаций. Психологические монографии, 74 1-29.
• Сквайр, Л. Р., Зола, С. М. (1996) Структура и функции декларативных и недекларативных систем памяти. Труды Национальной академии наук 93 :.
• Томпсон, Р. Ф. (1986) Нейробиология обучения и памяти. Наука 29: 941 — 947.
• Thorne, J., Bratley, P. & Dewar, H. (1968) Синтаксический анализ английского языка с помощью машины.В Мичи, Д. (Эд), Машинный интеллект, Нью-Йорк: American Elsevier.
• Тинклепо, О. Л. (1928) Экспериментальное исследование репрезентативных факторов у обезьян, Journal of Comparative Psychology 8: 197–236.
• Трейсман, А. М. (1969) Стратегии и модели избирательного внимания. Психологический обзор 76: 282-299.
• Тулвинг, Э. (1962). Субъективная организация в свободном припоминании «несвязанных» слов. Психологический обзор 69: 344-354.
• Tulving, E., Gordon Hayman, C.А. и Макдональд, К. А. (1991) Длительное перцептивное восприятие и семантическое обучение при амнезии, ситуационный эксперимент. Журнал экспериментальной психологии 17: 595-617.
• Унгерлейдер, Л.Г. и Мишкин, М. (1982) В D.J. Ингл, М.А.Гудейл и Р.Дж.В. Мэнсфилд (ред.), Анализ визуального поведения. Кембридж, Массачусетс: MIT Press.
• фон Нейман, Дж. И Моргенштерн, О. (1944) Теория игр и экономического поведения, Принстон, Нью-Джерси: Princeton Univ. Нажимать.
• Ванделл, Б. (1995) Основы видения, Сандерленд, Массачусетс: Sinauer Associates.
• Уотсон, Дж. Б. (1913) Психология с точки зрения бихевиористов, Psychological Review 20: 158-177.
• Weichselgartner, E. and G. L. U. S. Sperling (1987) Динамика автоматического и контролируемого зрительного внимания. Наука 238: 778-780.
• Викельгрен, В. А. (1974) Как решать проблемы. Нью-Йорк: В. Х. Фриман.
• Чжан Дж. (1997) Природа внешнего: Представления в решении проблем. Когнитивная наука 21: 179-217.

Внутренние ссылки

• Валентино Брайтенберг (2007) Мозг.Академия наук, 2 (11): 2918.
• Олаф Спорнс (2007) Сложность. Scholarpedia, 2 (10): 1623.
• Джеймс Мейсс (2007) Динамические системы. Scholarpedia, 2 (2): 1629.
• Пол Л. Нуньес и Рамеш Сринивасан (2007) Электроэнцефалограмма. Академия наук, 2 (2): 1348.
• Роберт Курцбан (2007) Эволюционная психология. Академия наук, 2 (8): 3161.
• Уильям Д. Пенни и Карл Дж. Фристон (2007) Функциональная визуализация. Академия наук, 2 (5): 1478.
• Сейджи Огава и Юл-Ван Сун (2007) Функциональная магнитно-резонансная томография.Академия наук, 2 (10): 3105.
• Марк Аронофф (2007) Язык. Академия наук, 2 (5): 3175.
• Джон Доулинг (2007) Retina. Scholarpedia, 2 (12): 3487.
• Вольфрам Шульц (2007) Награда. Scholarpedia, 2 (3): 1652.

Внешние ссылки

См. Также

Когнитивная нейропсихология, эволюционная психология, нейропсихология

Процессы и расстройства, 3-е издание

Глоссарий

Автоматическая обработка Обработка, не требующая внимания.Это не ограниченный объем или ресурсы, и он не доступен для сознательной проверки (в отличие от управляемой обработки ).

Бихевиоризм Подход к психологии, который заставляет психологов исследовать внешне наблюдаемое поведение и отвергает любое рассмотрение внутренних психических процессов.

Blindsight Способность некоторых функционально слепых пациентов обнаруживать зрительные стимулы на бессознательном уровне, несмотря на то, что они не осознают их видимость.Обычно наблюдается у больных с поражением затылочной доли.

Обработка снизу вверх (или управляемая стимулом) Обработка, которая управляется информацией, содержащейся в стимуле (в отличие от обработки сверху вниз ).

Область Брока Область мозга, обычно расположенная в левой лобной области, которая контролирует производство моторной речи.

Сборка ячеек Группа ячеек, которые стали связаны друг с другом, чтобы сформировать единую функциональную сеть.Предложен Хеббом в качестве возможного биологического механизма, лежащего в основе представления и хранения следа памяти.

Когнитивная нейропсихология Изучение деятельности мозга, лежащей в основе когнитивных процессов, часто путем исследования когнитивных нарушений у пациентов с повреждением головного мозга.

Когнитивная психология Изучение способа, которым мозг обрабатывает информацию. Он включает в себя психические процессы, связанные с восприятием, обучением и хранением памяти, мышлением и языком.

Когнитивная нейробиология Исследование познания человека путем соотнесения его со структурой и функцией мозга, обычно получаемое с помощью методов визуализации мозга.

Компьютерное моделирование Моделирование когнитивных процессов человека на компьютере. Часто используется как метод проверки работоспособности механизма обработки информации.

Контролируемая обработка Обработка, которая находится под сознательным контролем и является относительно
медленный, произвольный процесс (в отличие от автоматической обработки ).

Двойная диссоциация Метод различения двух функций, при котором каждая из них может быть отдельно затронута или нарушена каким-либо внешним фактором без воздействия на другую функцию, что обеспечивает особенно убедительное свидетельство независимости этих двух функций.

Экспериментальная психология Научное тестирование психологических процессов у людей и животных.

Детекторы признаков Механизмы в устройстве обработки информации (например, мозг или компьютер), которые реагируют на определенные особенности модели стимуляции, такие как линии или углы.

Гештальт-психология Подход к психологии, подчеркивающий способ, которым компоненты входного восприятия группируются и интегрируются в паттерны и целые фигуры.

Долгосрочное потенцирование (ДП) Продолжительное изменение синаптического сопротивления после применения электрической стимуляции к живой ткани мозга. Возможно, один из биологических механизмов, лежащих в основе процесса обучения.

Нейротрансмиттер Химическое вещество, которое секретируется через синапс между двумя нейронами, позволяя одному нейрону стимулировать другой.

Схема Ментальный паттерн, обычно полученный из прошлого опыта, который используется для помощи в интерпретации последующих познаний, например, путем определения знакомых форм и звуков в новом вводном восприятии.

Synapse Разрыв между аксоном одного нейрона и дендритом другого нейрона.

Обработка сверху вниз (или управляемая схемой) Обработка, которая использует сохраненные знания и схемы для интерпретации входящего стимула (в отличие от обработки снизу вверх ).

Область Вернике Область мозга, обычно расположенная в левой височной области, отвечающая за восприятие и понимание речи.

Список для чтения

Блэкмор, С. (2003). Сознание. Лондон: Ходдер Арнольд.

Дехан, С., & Наккаш, Л. (2001). На пути к когнитивной нейробиологии сознания: основные данные и структура рабочего места. Познание , 79, 1–37.
http://www.nature.com/neuro/journal/v4/n7/full/nn0701_752.html

Esgate, A., & Groome, D., et al. (2005). Введение в прикладную когнитивную психологию.
Хоув, Великобритания: Psychology Press.

Айзенк, М. В., и Кин, М. (2010). Когнитивная психология: Справочник студента.
Хоув, Великобритания: Psychology Press.

Рис, Г. (2007). Нейронные корреляты содержания зрительного восприятия у людей. Философские труды Королевского общества B — Биологические науки , 362, 877–886. http://rstb.royalsocietypublishing.org/content/362/1481/877

Тонони, Г., и Кох, К. (2008). Нейронные корреляты сознания. Анналы Нью-Йоркской академии наук , 1124, 239–261. http://onlinelibrary.wiley.com/doi/10.1196/annals.1440.004/abstract

Вегнер, Д. М. (2003). Лучший трюк ума: как мы переживаем сознательную волю. Тенденции в когнитивных науках , 7, 65–69.
http://psycnet.apa.org/index.cfm?fa=buy.optionToBuy&uid=1999-05760-003