Нейронные сети в психологии: оценка когнитивных процессов и принятия решений

Введение

Основная цель исследований в психологии — делать выводы о скрытых когнитивных процессах на основе наблюдаемого поведения. Методы оценки таких процессов, как склонность к риску, дисконтирование задержек, обучение, память или когнитивный контроль, помогают понять как здоровое, так и нарушенное поведение при принятии решений. Они также связывают лабораторные данные с важными реальными исходами, такими как употребление психоактивных веществ и психическое здоровье.

Проблемы традиционных методов

Поведенческие данные сами по себе могут быть ненадежными. Эта проблема решается за счет построения более сильных генеративных моделей с использованием вычислительного когнитивного моделирования и байесовского анализа. Когнитивные модели поведения способны улавливать скрытые процессы, лежащие в основе выполнения диагностических задач, и связывать дефицит принятия решений у клинических популяций с различиями в психических функциях.

Роль машинного обучения

Современные инновации в машинном обучении позволяют обучать нейронные сети для подгонки, сравнения и оценки когнитивных моделей. Это дает возможность автоматизировать вычисления, перекладывая процесс создания, сравнения и подгонки моделей с пользователя на алгоритм. Такие подходы особенно полезны для моделей, которые необходимо симулировать, так как они представляют наибольшие сложности для разработки и тестирования.

Цели исследования

• Сравнение нейронных сетей с традиционными методами, такими как иерархический байесовский анализ.
• Оценка эффективности нейронных сетей в сравнении моделей.
• Тестирование новых методов, таких как рекуррентные слои и дропаут-слои, для обработки данных с переменной структурой.

Модели межвременного выбора

Для тестирования производительности нейронных сетей мы использовали три модели дисконтирования задержек:

Гиперболическая модель

Эта модель описывает, как ценность вознаграждения уменьшается с увеличением задержки. Формула субъективной ценности:

v(x,t) = x / (1 + k * t)

где k — коэффициент дисконтирования, отражающий уровень импульсивности.

Гиперболоидная модель

Усложненная версия гиперболической модели, включающая параметр чувствительности ко времени.

Модель прямой разницы

Альтернативный подход, фокусирующийся на разнице между вариантами выбора.

Результаты

Нейронные сети показали сопоставимую с MCMC точность в восстановлении параметров, но работали значительно быстрее. В задачах сравнения моделей классификаторы на основе нейронных сетей существенно превзошли традиционные метрики, такие как AIC и BIC.

Гибкие методы ввода данных

Использование рекуррентных слоев (LSTM) позволило нейронным сетям обрабатывать данные с переменным количеством стимулов и испытаний, что критически важно для сложных экспериментальных парадигм.

Оценка неопределенности

Дропаут-слои в нейронных сетях позволили генерировать полные апостериорные распределения параметров, аналогичные байесовским методам, но с гораздо большей эффективностью.

Заключение

Нейронные сети представляют собой мощный инструмент для когнитивного моделирования, сочетающий высокую точность, скорость и гибкость. Их применение открывает новые возможности для исследований в области психологии принятия решений и клинической диагностики.