Neuro VL 3

Question 1

Modellklassen

Answer 1

Modelle in der Psychologie:
1. Präquantitativ 2. Mathematisch 3. Algorithmisch

Algorithmisch:

3. 1. Expertensystem
4. 2 Konnektionistisch

Konnektionistisch:

3. 2.1. Lokal
4. 2.2 Verteilte Repräsentationen

Question 2

Präquantitative Modelle

Answer 2

Relativ allgemein & verbal

Boxologisch (bestehen aus Kästchen und Pfeilen)

Vorteil = Vorstellung, wie Modell funktioniert

Nachteil = Wie schnell reagiert welcher Mensch bei welchem Stimulus? –> Keine quantitativen Vorhersagen

Präquantiativ –> VORSTUFE zu Modellen, welche quantitative Vorhersagen erlaubt

Question 3

Mathematische Modelle

Answer 3

Geschlossene Form (+,-,:,*)

Normaverteilungen, Varianzen, Signalentdeckungen können erklärt werden

Nachteil = häufig nur deskriptiv, aber erlauben keine Vorhersage neuer Phänomene

Mathematische Modelle können nur PRÄDIKTIV sein

Question 4

Algorithmische Modelle

Answer 4

Alles erlaubt, was man programmieren kann –> Wenn-Dann-Formulierungen

Unterteilt in:

1. EXPERTENSYSTEM
2. KONNEKTIONISTISCH

Konnektionistische Modelle lassen sich durch Verwendung LOKALE und VERTEILTER Repräsentationen unterscheiden

Durch Produktionsregeln ableiten, was man beobachten müsste, damit Annahmen stimmen

Question 5

Expertensystem

Answer 5

basiert auf additiver Faktorenlogik

Mittels Produktionsregeln wird Aufgabenanalyse & spezifiziert dann kognitive Prozesse bei der Aufgabe

Vorteile = Aufgabenanalyse erlaubt prüfbare Vorhersagen

Question 6

LOKAL-Konnektionistische Modelle

Answer 6

lokale Repräsentationsvariablen = symbolische EInheit

Vorteile = Anschauliches Modell & exakte Vorhersagen

Nachteile = Gehirn funktioniert NICHT rein
deterministisch, sondern enthält auch Zufallsprozesse

z.B. rote Farbe des Stroop-Stimulus GRÜN

Question 7

Konnektionistische Modelle mit VERTEILTEN Repräsentationen

Answer 7

z. B. Großmutterneuron aktiviert viele verschiedene Hidden-Units
1. Hebbian Learning: “Cells that fire together, wire together” –> Je häufiger Zellen zusammen feuern, desto stärker wird deren Verknüpfung

2. Supervised Learning: Basiert auf Delta Regel
   - -> Verdrahtungsänderung der Hidden-Units muss proportional zum Delta sein.

Delta = Soll-Ist-Vergleich: /mej/ und /mam/ teilen sich 33% der Phoneme, also muss Modifizierung mittelstark sein

Je falscher ich liege, desto stärker wird System korrigiert und verbessert sich somit in jedem einzelnen Trainingslauf

Question 8

Gibt es ein Großmutterneuron?

Answer 8

Symbolische Einheiten entsprechen z.B. Wort wie “Großmutter” –> Einheiten entsprechen dann Neuronen = GROßMUTTERNEURON

Großmutterneuron und alles, was damit zusammenhängt (Wort Großmutter, wie Großmutter aussieht, wie sie heißt etc) ist in vielen kleineren Neuronen gespeichert, die vom Großmutterneuron abzweigen

Wenn LOKAL-Konnektionistische Modell stimmen würde, dann wären alles, was mit Großmutter zu tun hab bei Läsion des Großmutterneurons zerstört!!!

Deswegen gibt es KEIN Großmutterneuron!!!
–> Neuronal nicht plausibel erklärbar auf Basis der Lokal-Konnektionistischen Modelle

selbst, wenn das Wort Großmutter zerstört würde, kann man sich trotzdem noch erinnern, wer Großmutter ist und wie sie aussieht

Deswegen eher konnektionistische Modelle mit VERTEILTEN Repräsentationen!!
–> Gibt viele verschiedene Neurone, die alle Einfluss auf gleichen Aspekte haben, sodass eine Läsion nicht alles kaputt machen würde!

Question 9

Lernepochen: Häufig auftretende Repräsentationen

Answer 9

Je mehr Lernepochen, desto geringer Fehlerrate

Häufig im Wortschaft vorkommende Wörter
= High-Frequency –> werden durch mehr Neuronen (HiddenUnits) repräsentiert & damit fehlerfreier wiedererkannt als Low-Frequency Wörter

Selbst, wenn Teil der Neuronen zerstört wird, bleiben bei Läsionen Repräsentationen häufiger Reize intakt!

MANN (Hoch-Frequent bleibt intakt) vs. RELING (Niedrig-Frequent: bleibt nicht intakt)

Question 10

Modell-Evaluationen und Bewertungskriterien

Answer 10

1. Descriptive Adequacy:
   - Wie genau beschreibt Modell die Daten?
2. Item-Level-Vorhersagen:
   - noch angemessener
   - für Modelle der Worterkennung –> erklären ca. 40-50% der RT-Item-Level-Varianz
3. Varianzaufklärung:
   - neurokognitive Daten rauschbehafteter
   - je mehr VP, desto rauschfreier!

Question 11

Overfitting & Einfachheit/ Modellevaluationskriterien

Answer 11

Overfitting = Modell erklärt mehr Varianz als überhaupt drin ist…
–> Je komplizierter Modell, desto wahrscheinlicher, dass seine freien Parameter Fehlervarianz beschreiben

Modellevaluationskriterien:

• “bestrafen” Anzahl freier Parameter
• “belohnen” erklärte Varianz
  1. Aiakaike Information Criterion = AIC
  2. Bayesin Information Criterion = BIC
• -> Je geringer AIC/BIC, desto besser ist Modell

(3. MDL)

Question 12

Minimum Descriptive Length (MDL)

Answer 12

MDL nimmt Funktion und zerlegt die in einfachere Funktionen, die leichter zu vergleichen sind
–> dadurch Modelle mit unterschiedlichen Gleichungen vergleichbar

Je einfacher Modell, desto leichter zu falsizifizieren!
–> Fechners Gesetzt leicht zu falsifizieren!

Question 13

Horizontale Verallgemeinbarkeit

Answer 13

Modelle sollten Vorhersage zu verschiedenen Aufgaben machen können

Horizontale Verallgemeinbarkeit z.B. bei IAM gültig für perzeptuelle & lexikalische Entscheidungsaufgaben

Effekt für Wörter + Nicht-Wörter, aber keine Vorhersage zu auditiven Reizen

Question 14

Vertikale Verallgemeinbarkeit

Answer 14

Wie viele Ebenen des modellierten Prozesses können wir damit beschreiben?

Erlaubt es auch Vorhersage WANN (EEG), WO (fMRI) WELCHE kognitiven Prozesse zu welchen beobachteten Phänomenen führt?

Conflict Monitoring Theory = kann Antwortkonflikt in Stroop-Aufgabe erklären

Question 15

Erklärungswert

Answer 15

Gute Modelle erklären viele Phänomene mit möglichst wenigen Annahmen!

Erklärungswert = Menge an erklärbaren Phänomene : Menge an benötigten Annahmen

Erklärungswert wird höher, je mehr Phänomene man mit einer Annahme erklären kann!