Inhalt des Kurses und Software.
In diesem Kurs beschäftigen wir uns im weiteren Sinne mit Model-based Cognitive Neuroscience. Dieses Forschungsgebiet existiert noch nicht sehr lange, und ist aus dem Zusammenschluss von mathematischer Modellierung und neurowissenschaftlichen Methoden entstanden.
In diesem Kurs geht es um den behavioralen/kognitiven Teil dieses Forschungsgebiets—das bedeutet, mathematische Modelle, anhand derer experimentelle Daten analysiert werden können. Es gibt ein sehr gutes Lehrbuch (Forstmann and Wagenmakers 2015) zum Thema Model-based Cognitive Neuroscience; wir werden einzelne Kapitel daraus verwenden. Das Buch ist auf SpringerLink verfügbar: An Introduction to Model-Based Cognitive Neuroscience. Ausserdem werden wir Beispiele aus dem Buch von Farrell and Lewandowsky (2015) benutzten. Dieses Buch ist leider nicht frei erhältlich—es gibt jedoch eine Website mit Code und Übungen: Computational Modeling of Cognition and Behavior. Wir werden uns ab Mitte des Semesters mit Modellen von Entscheidungsverhalten und kognitiven Modellen beschäftigen, darunter sogennante Bayesian Models of cognition. Damit ist gemeint, dass wir Bayesianische Inferenz als rationales Verhalten betrachten, und Abweichungen davon in menschlichem Verhalten zu suchen.
Wilson and Collins (2019) geben eine sehr gute Einführung in die Prinzipen der Modellierung, obschon das Paper nicht ganz so “simple” ist, wie der Titel verspricht.
Bevor wir zu den kognitiven Modellen kommen, werden wir uns im ersten Teil des Kurses mit Bayesianischer Inferenz beschäftigen, und mit Bayesianischer Datenanalyse. Dies ist nicht mit Bayesianischen Models of Cognition zu verwechslen—Bayesianische Models of Cognition sind Modelle menschlichen Verhaltens, oder der Funktionsweise von Gehirnen, während Bayesianische (oder auch frequentistische) Datenanalyse dazu benutzt wird, die Parameter solcher Modelle zu schätzen.
Bayesianische Datenanalyse bietet gegenüber der frequentistischen Statistik viele Vorteile, erfordert aber auch ein Umdenken. Wir werden lernen, wie wir statistische Modelle als lineare Modelle formulieren können, entweder als allgemeine lineare Modelle (ALM), oder verallgemeinerte lineare Modelle (generalized linear models, GLM). Als nächtes folgen dann Multilevel Modelle, mit denen wir häufig verwendete Daten, wie binäre Antworten, oder Reaktionszeiten untersuchen können.
Die Themen sind also:
Wir werden in diesem Kurs vor allem mit R arbeiten, aber wenn es um Bayesianische Datenanalyse geht, verwenden wir Stan. Dies ist eine probabilistische Programmiersprache, mit der man Monte Carlo Sampling in einfachen bis sehr komplexen Modellen durchführen kann.
Glücklicherweise gibt es ein R Package, mit dem man von R aus Stan benutzen kann: RStan. Noch viel einfacher wird es, wenn wir brms oder rstanarm verwenden. Mit diesen Packages lassen sich Bayesianische statistische Modelle mit (fast) derselben Syntax wie frequentistische Modelle schätzen.
If you see mistakes or want to suggest changes, please create an issue on the source repository.
Text and figures are licensed under Creative Commons Attribution CC BY 4.0. Source code is available at https://github.com/kogpsy/neuroscicomplab, unless otherwise noted. The figures that have been reused from other sources don't fall under this license and can be recognized by a note in their caption: "Figure from ...".
For attribution, please cite this work as
Ellis (2021, June 22). neuroscicomplab: Übersicht. Retrieved from https://kogpsy.github.io/neuroscicomplab/overview.html
BibTeX citation
@misc{ellis2021übersicht,
author = {Ellis, Andrew},
title = {neuroscicomplab: Übersicht},
url = {https://kogpsy.github.io/neuroscicomplab/overview.html},
year = {2021}
}