Joint Models of Neural and Behavioral Data

این کتاب چارچوب بیزی انعطاف پذیری را برای ترکیب مدل های عصبی و شناختی ارائه می دهد. به طور سنتی، مطالعات در علوم شناختی و شناختی یا با مشاهده رفتار (به عنوان مثال، زمان پاسخ، درصد صحیح، و غیره) یا با مشاهده فعالیت عصبی (به عنوان مثال، پاسخ BOLD) انجام می شود. این دو نوع مشاهدات به طور سنتی از دو خط مطالعه جداگانه پشتیبانی می‌کنند که توسط دو مدل‌ساز شناختی متفاوت هدایت می‌شوند. پیوستن تصویربرداری عصبی و مدل‌سازی محاسباتی در یک چارچوب سلسله مراتبی به داده‌های عصبی اجازه می‌دهد تا بر پارامترهای مدل شناختی تأثیر بگذارند و به داده‌های رفتاری اجازه می‌دهد تا مدل عصبی را محدود کنند. این رویکرد بیزی را می توان برای آشکار کردن تعاملات بین پارامترهای رفتاری و عصبی، و در نهایت، بین فعالیت عصبی و مکانیسم های شناختی استفاده کرد. فصل‌ها کاربرد این مدل بیزی را با کاربردهای مختلف نشان می‌دهند و یک فصل آموزشی را نشان می‌دهند که در آن روش‌ها می‌توانند برای یک مسئله مثال اعمال شوند. این کتاب همچنین سایر رویکردهای مدل‌سازی مشترک و جهت‌گیری‌های آینده را مورد بحث قرار می‌دهد.

مدل‌های مشترک داده‌های عصبی و رفتاری برای دانشجویان تحصیلات تکمیلی پیشرفته و داوطلبان فوق‌دکتری در یک محیط آکادمیک نیز جالب خواهد بود. به عنوان محققین در زمینه های روانشناسی شناختی و علوم اعصاب.

This book presents a flexible Bayesian framework for combining neural and cognitive models. Traditionally, studies in cognition and cognitive sciences have been done by either observing behavior (e.g., response times, percentage correct, etc.) or by observing neural activity (e.g., the BOLD response). These two types of observations have traditionally supported two separate lines of study, which are led by two different cognitive modelers. Joining neuroimaging and computational modeling in a single hierarchical framework allows the neural data to influence the parameters of the cognitive model and allows behavioral data to constrain the neural model. This Bayesian approach can be used to reveal interactions between behavioral and neural parameters, and ultimately, between neural activity and cognitive mechanisms. Chapters demonstrate the utility of this Bayesian model with a variety of applications, and feature a tutorial chapter where the methods can be applied to an example problem. The book also discusses other joint modeling approaches and future directions.

Joint Models of Neural and Behavioral Data will be of interest to advanced graduate students and postdoctoral candidates in an academic setting as well as researchers in the fields of cognitive psychology and neuroscience.