Modelleringsmetodologi

Relevanta dokument
Selektiv uppmärksamhet. Klassiska teorier. Sidan 1. Översikt. Vad är uppmärksamhet? Människan har ansetts ha. Filtrering. Vad är uppmärksamhet?

Neurokognitiv arkitektur

Visuell perception. Sidan 1. Översikt. Sammanfattning av förra föreläsningen. Kognitiv arkitektur. Visuella systemet: översikt.

Vad kan biologiskt plausibla modeller säga oss?

Kognitiv neurovetenskap

Neurovetenskap 30/08/2013. Kognitiv neurovetenskap. Lober. Olika färg, olika vävnadsstruktur. Hjärnbarken

Neural bas för kognition

Modellering av Dynamiska system Bengt Carlsson Rum 2211

Korttidsminne-arbetsminne

Linköpings universitet

TDDB96 Projekt: Object priming med visuell stimuli

Modellering av Dynamiska system Bengt Carlsson Rum 2211

Människans förmåga kognition. Fö5. Kursinnehåll. Kognition och e-hälsa. ETIF20 E-hälsa. MEN kanske extra viktigt om man riktar sig till en

Spel som interaktiva berättelser

Våra enkla funktioner eller procedurer

Kognitiv modellering. Sidan 1. Översikt. Tre forskningsmetoder. Olika syften med modellering. Människa-maskin interaktion (MMI) Uppgiftsanalys

TDDC74 Lab 02 Listor, sammansatta strukturer

Kognitiv psykologi. Vad är psykologi? Psykologi som vetenskap. Vetenskapliga grunder och metoder

Problemlösning. Planering av program. Konstruktion. Programmeringsmetaforer. Problemlösning. Programmering = Problemlösning

Modellering av Dynamiska system Bengt Carlsson Rum 2211

Kognitionspsykologi (forts) Bottom-up och Top-down Signal-Detection Theory

Översikt. Experimentell metodik. Mer exakt. Människan är en svart låda. Exempel. Vill visa orsakssamband. Sidan 1

Tjänsteprototypning. och tjänsterepresentationer. Johan Blomkvist IDA-HCS-IxS

Inklusiv Design Design för Alla

Kognitiv psykologi. Kognition / Tänkande. Tänkande

Studier med barn, fördelar. Kognitiv utveckling. Upplägg. Många aspekter. Generella aspekter. Barndomens kognitiva utveckling

Människan och Tekniken. Fö 3 Människan och tekniken. Perception. Visuell perception

Testning av program. Verklig modell för programutveckling

Kunskap = sann, berättigad tro (Platon) Om en person P s har en bit kunskap K så måste alltså: Lite kunskaps- och vetenskapsteori

för att komma fram till resultat och slutsatser

Perspektiv på kunskap

Tillämpad experimentalpsykologi [2] Tillämpad experimentalpsykologi [1] Empirisk forskningsansats. Tillämpad experimentalpsykologi [3] Variabler

Spel som interaktiva berättelser. Mer teoretiserande!

Tillämpad experimentalpsykologi [2] Tillämpad experimentalpsykologi [1] Tillämpad experimentalpsykologi [3] Empirisk forskningsansats

Teknikprogrammet (TE)

KOM IHÅG ATT NOTERA DITT TENTAMENSNUMMER NEDAN OCH TA MED DIG TALONGEN INNAN DU LÄMNAR IN TENTAN!!

Visual thinking for Design

Långtidsminnekunskapsrepresentation

Översikt modelleringsparadigm

Alexander Medvedev Rum 2111 Dynamiska system

Anvisningar till rapporter i psykologi på B-nivå

Linköpings universitet 1

campus.borlänge Förstudie - Beslutsstöd för operativ tågtrafikstyrning

Optimeringslara = matematik som syftar till att analysera och. Optimeringslara ar en gren av den tillampade matematiken.

K L Ä M. Klassificeringsmodell för inlärningssvårigheter i matematik

Bevis för ett modulärt perspektiv: (tidiga studier av) afasi.

729G43 Artificiell intelligens / Maskininlärning 3. Marco Kuhlmann

Föreläsning 9: Turingmaskiner och oavgörbarhet. Turingmaskinen. Den maximalt förenklade modell för beräkning vi kommer använda är turingmaskinen.

Fysikaliska modeller. Skapa modeller av en fysikalisk verklighet med hjälp av experiment. Peter Andersson IFM fysik, adjunkt

Asymptotisk analys innebär att... man försöker uppskatta vad som händer för stora indatamängder.

Fotorealism, animering, SW resurser

LiTH Lab1: Asynkron seriell dataöverföring via optisk länk Laboration 1. Asynkron seriell dataöverföring via optisk länk

Visualisering av samverkan

Översikt. Stegvis förfining. Stegvis förfining. Dekomposition. Algoritmer. Metod för att skapa ett program från ett analyserat problem

grafisk design & layout regler

Välkomna till KUSK utbildningsprojekt. Kunskap, utveckling, statistik, kommunikation

Kursens bakgrund. Samverkande system. Områdesfördjupningar. Space, place and location. Simulering av folkmassor. Design av samverkande system

Dataanalys kopplat till undersökningar

Kognitiv modellering inom MDI

Föreläsning 7: Kognition & perception

729G75: Programmering och algoritmiskt tänkande. Tema 1. Föreläsning 1 Jody Foo

Att räkna med mellanbilder genom ett system med många linser och gränsytor blir krångligt. Vi vill kunna avbilda genom alla ytor direkt.

Matematisk statistik 9 hp, HT-16 Föreläsning 10: Punktskattningar

GRÄNSSNITTSDESIGN. Ämnets syfte. Kurser i ämnet

Innehåll. Mina målsättningar. Vad krävs för att nå dit? Obligatoriska uppgifter. Websajten. Datastrukturer och algoritmer

de var svåra att implementera och var väldigt ineffektiva.

Optimering och simulering: Hur fungerar det och vad är skillnaden?

Objektivitet. Är vetenskapen objektiv? Vad betyder objektivitet

Några grundläggande begrepp

, s a. , s b. personer från Alingsås och n b

Visualisering. Mental visualisering Föreställ dig en blå elefant för ditt inre. Föregående var ett exempel på mental visualisering.

Studietyper, inferens och konfidensintervall

Solpotentialstudier Hur?

Kognitiv psykologi. Schema. Tentamen Introduktion.

Instruktioner - Datortentamen TDDE24 och TDDD73 Funktionell och imperativ programmering (i Python)

Minnet - begrepp och principer

Föreläsning 6: Analys och tolkning från insamling till insikt

Perception och Språkutveckling. Kognitiv utveckling. Perception. Upptäcka världen. Metod. Förnimmelse till Varseblivning (Sensation to Perception)

Om intellektuell funktionsnedsättning

Modeller och simulering av språkprocessning

Realism och anti-realism och andra problem

Ett enkelt OCR-system

DAGVATTENKVALITETSMODELLER VILKA FINNS OCH HUR VÄLJER MAN?

Grundläggande programmering med matematikdidaktisk inriktning för lärare som undervisar i gy eller komvux gy nivå, 7,5 hp

Föreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar

Kognitiv psykologi. Kognitiv psykologi. Kognitiv psykologi. Kognitiv psykologi. Kognitiv psykologi. Kognitiv psykologi

Projekt: Filmat tornfall med modell av tornet. Benjamin Tayehanpour, Adrian Kuryatko Mihai

Problemlösning och funktioner Grundkurs i programmering med Python

Tentamens-/instuderingsfrågor

Studiestrategier för dig som är visuell

Föreläsning 5. Rekursion

Visuella System och Ögonrörelser - Visuella systemets fysiologi - Ögonrörelser och kognition -Experimentell metod

Bild 1. Bild 2. Bild 3. Kuhns delade epistemiska värden

Algoritmer och datastrukturer H I HÅKAN S T R Ö M B E R G N I C K L A S B R A N D E F E L T

Föreläsning 12 Inspektionsmetoder. Rogers et al. Kapitel 15

Föreläsning 7: Kognition & perception

Kognitiv psykologi. Kognitiv psykologi. Kognitiv psykologi. Kognitiv psykologi. Kognitiv psykologi. Kognitiv psykologi

FLOAT - (FLexibel Omplanering Av Tåglägen i drift) OT8 2 Väl fungerande resor och transporter i storstadsregionen


Upplägg. Visuella effekter Visuell Perception Uppmärksamhet. Perception

Transkript:

Översikt Modelleringsmetodologi Problem: Modeller är ofta underbestämda För många frågor (= parametrar) För lite uppstyrning (= data) Två sätt att öka sannolikheten att en kognitiv modell är korrekt (valid) 1. Utnyttja flera källor av empiriska data samtidigt 2. Systematiskt utvärdera alternativa varianter av modellen (dvs. systematiskt jämföra alternativa modellers beteende mot data) Fördelen med modeller Kan testa fritt Skadar inte djur eller människor Full kontroll, dvs. lättare att se hur de ingående mekanismerna samverkar Teorier av kognition är ju oftast komplexa Mer övertygande än verbala teorier Den här kombinationen av mekanismer ger faktiskt rätt slags beteende Modeller baseras alltid på empiriska data 1. Intressanta psykologiska data Teorier som har föreslagits 2. Neurovetenskapliga data Modeller som har föreslagits 3. Modellbygge 4. Kontroll att alla delar i modellen väl motiverade 5. Validering mot verkligheten, dvs. kontroll att modellen kan återskapa empiriska data Kanske även kontroll om det finns ytterligare data som modellen skulle kunna stämma in på Validering Att validera = att kontrollera sanningshalten, dvs. giltigheten M.a.o. kontroll att modellens beteende stämmer med mänskligt beteende Är modellen valid? Teori Verifiering Vill dessutom kunna påstå att det finns kongruens mellan modellen och mänskliga kognitiva system Indata Modell Utdata Validering Experimentella data: Stimuli Respons 1

Modelleringens roll i vetenskaplig utveckling Modellering ersätter inte empirisk forskning Ger hypoteser att förkasta/bekräfta Hjälper att inrikta psykologiska och neurovetenskapligt experiment Modell1 Hypotes1 Modell2 Modell3 Hypotes2 Hypotes3 Experiment3 Experiment2 Experiment1 Utnyttja flera datakällor SOS-modellen av selektiv uppmärksamhet Data från olika experiment Ofta finns flera till synes motsägelsefulla empiriska data Snyggt om en modell kan förklara alla data Särskilt snyggt om modellen ursprungligen är motiverad av annat är just dessa data T.ex. generell modell av visuell perception som förklarar selektiv uppmärksamhet Sannolikheten att modellen är korrekt ökar drastiskt ju fler datakällor man jobbar med Visuell selektiv uppmärksamhet Studerades tidigt i samband med hörsel och synintryck Vi verkar kunna välja vad som ska bearbetas Inte svart och vitt, utan fokus och dämpning (attenuation) av annat Varför val? Förslag: för att skydda kognitiva systemet från informationsöverbelastning Visuell selektiv uppmärksamhet Var börjar bearbetningen bli seriell? Filter-teorier: uppmärksamhet fungerar som filter Selektiv eftersom kognitiva systemet måste skyddas från informationsöverbelastning Visuell eftersom filtret måste komma in vid ett tidigt bearbetningssteg Annars ingen mening att skydda, då har kognitiva systemet redan blivit överbelastat Filter-teorier skulle kullkastas om man kunde visa att: Filtret kommer in vid ett sent beräkningssteg Gäller alltså att hitta övergången från seriell till parallell bearbetning Objektegenskaper vad Planering, logiskt tänkande Position orientering var Motorik 2

Var börjar bearbetningen bli seriell? Klassiska resultat Planering, logiskt tänkande Efter fokus bara en sak i taget Processer före fokus kan bearbeta hela input parallellt Objektegenskaper vad Position, orientering var Motorik Sökning efter ett särdrag: ögonblicklig upptäckt ( pop-out ) Konjunktion av särdrag: seriell sökning Men, hur förklara detta? Skillnad mot klassiska stimuli Mer naturliga objekt Särdragen handlar om form och skuggning Fd kan antas ha stor erfarenhet av sådana stimuli Effekten gäller inte konstgjorda, för Fd helt okända stimuli Flera särdrag som måste kombineras (skuggning, form) Ändå parallell sökning (pop-out) när välkända objekt Ekologiskt synsätt på visuell sökning Klassiska experiment liknar egentligen inte det sökbeteende som naturliga scener ger upphov till Vi har en naturlig tendens att segmentera vår visuella omgivning i ytor och föremål Implicerar en första segmentering av input Kan förklara hur till synes oviktiga skillnader i exp. upplägg kan ge parallell vs. seriell sökning Ny teori Det börjar alltid med segmentering När konjunktion av särdrag, sker segmentering på basis av ett av dessa Sedan läggs fokus på ett segment i taget Rekursiv segmentering av fokuserat segment Sökning efter delsegment som bara innehåller mål (ex.vis. rätt kombination av färg och form) 3

Teori (forts) Hur, i vilka regioner, en display segmenteras beror på hur pass spridda de olika formerna är på displayen Antal regioner som bildas påverkar RT Ju färre regioner att undersöka, desto snabbare Styrka: modellen inte konstruerad för att förklara just visuell sökning Modellen var utvecklad för visuell perception SOS-algoritmen SOS ( Spatial and Object Search ) Fyra beräkningssteg: 1. Registrering av inkommande stimuli 2. Segmentering i ytor 3. Val av segment att undersöka Kan påverkas av bottom-up saliency eller top-down preferens för vissa särdrag 4. Genomsökning av segmentet Kanske rekursion av steg 2 (segmentering på andra särdraget) 5. Åter till 3 SOS-algoritmen (forts) Hela segment kan jämföras med målet, om segmentet innehåller ett mindre antal element (4-5 st) Om för många element: Segmentering av segmentet (mha sökta elementets andra särdrag) Ger en faktor 2x i simulerad reaktionstid Måste gå igenom steg 2-4 en andra gång (fast nu på en potentiellt mindre yta) Själva modellen Algoritmisk beskrivning av hur ett antal delnätverk skulle kunna samarbeta om det hade gått att simulera hela nätet Obs! En del av näten är implementerade, men inte kommunikationen mellan dessa Neuralt baserad arkitektur RT i modellen (forts) Object recognition system Multiplexed spatial map Formlerna är approximationer av hur nätverken torde bete sig tillsammans När målet finns med: RT = R + (N + 1) x (S + M) Boundarybased segmentation Feature-based surface Motion-based surface När målet inte finns med: RT = R + 2 x N x (S + M) Omgivnings-parametrar: C % element som man inte ser när lågkontrast-display (0% för hög kontrast, 30% för låg kontrast) P hur pass tätt mellan elementen 4

Anpassning till data 6 frihetsgrader i modellen 4 variabler + 2 omgivningsparametrar Kommer att anpassas till 4 uppsättningar experimentella resultat Anpassning till data, steg 1 Wolfe et al. (1989): 6x6 matris, 2 dim: form och färg Hög kontrast gav parallell sökning R = 540 ms (skärning med y-axel) C = [0% 30%]; P = [1 1.5] S + M = 70 ms Anpassning till data, steg 1 Anpassning till data, steg 2 Cohen & Ivry (1991): Klumpar av element i displayen -> seriell sökning Utspridda element -> parallell sökning Antag C = 0% (hög kontrast) P = 1.5 (dvs. gles display) R = 470 (justerad) M + S = 70 ms (som förut) Anpassning till data, steg 2 Flera mål Sökning är snabbare när flera likadana mål Sök grönt X! X I X X I X O O I O O I Snabbare upptäckt! 5

Anpassning till data, steg 3 Anpassning till data, steg 4 Mordkoff et al. (1990) Tre färger, tre former Flera mål -> snabbare sökning R = 300 ms (ändrat; större stimuli) S = 40 ms M (1:1) = 40 M (2:0) = 20 (ett mål, en distr. inom segment) (två mål, noll distr. inom segment) P och C som förut (1.5 resp. 0%) Treisman & Sato (1990) Additivitet hos särdrag: varje typ av särdrag ökar lutning i RT med ett visst konstant värde Kan förklaras givet rekursiv segmentering S (färg) = 10 ms S (vridning) = 66 ms S (rörelse) = 40 ms S (storlek) = 6 ms Att utnyttja konvergens i data Specificera så mycket som möjligt utifrån given teori När ovisst: Uttryck som parametrar i modellen Välj värden som stämmer in på flera källor av data Bestäms genom simulering och test med ett antal olika parameterkombinationer Modellering genom systematisk variation Systematisk genomsökning av parametrar Inbyggt problem i modellering D höjd D avstånd Modeller förenklar verkligheten Vad bör tas med, vad kan lämnas ospecificerat? Om plantor i fokus: Höjden över havet Om djur i fokus: Horisontellt avstånd, storlek på revir, etc. 6

Modellegenskaper hänger ihop Vill ha en metod som energi/h soltimmar Sållar bland potentiellt viktiga/oviktiga modellkomponenter D höjd Möjlig samverkan Tar hänsyn till att oviktiga delar kan bli viktiga i närvaron av vissa andra komponenter Metoden Beräkning av effekter För att undvika risk för sammanblandning, måste modellkomponent k1 simuleras för alla möjliga kombinationer av k2 Faktoriell design: låglandskap berg höjd simulerad tillväxt soltimmar test k1 k2 modellbeteende 1 - - 0.13 2 - + 0.23 3 + - 0.41 4 + + 0.04 regnigt soligt test k 1 k 2 k 3 k 4 res 1 - - - - 0.87 2 - - - + 0.45 3 - - + - 0.36 4 - - + + 0.89 5 - + - - 0.92 6 - + - + 0.21 7 - + + - 0.67 8 - + + + 0.78 9 + - - - 0.34 10 + - - + 0.94 11 + - + - 0.76 12 + - + + 0.48 13 + + - - 0.89 14 + + - + 0.31 15 + + + - 0.68 16 + + + + 0.99 Snitteffekt av k1: S + - S 2 n-1 Beräkning av påverkan test k 1 k 2 k 3 k 4 res 1 - - - - 0.87 2 - - - + 0.45 3 - - + - 0.36 4 - - + + 0.89 5 - + - - 0.92 6 - + - + 0.21 7 - + + - 0.67 8 - + + + 0.78 9 + - - - 0.34 10 + - - + 0.94 11 + - + - 0.76 12 + - + + 0.48 13 + + - - 0.89 14 + + - + 0.31 15 + + + - 0.68 16 + + + + 0.99 samma olika olika samma Påverkan på k1:s effekt från k2: S samma - S olika 2 n-1 Kontrastkoefficient-metoden * test k 1 k 2 k 3 k 4 res 1 - - - - 0.87-2 - - - + 0.45-3 - - + - 0.36 + 4 - - + + 0.89 + 5 - + - - 0.92 + 6 - + - + 0.21 + 7 - + + - 0.67-8 - + + + 0.78-9 + - - - 0.34 + 10 + - - + 0.94 + 11 + - + - 0.76-12 + - + + 0.48-13 + + - - 0.89-14 + + - + 0.31-15 + + + - 0.68 + 16 + + + + 0.99 + S + - S 2 n-1 7

På vilket sätt påverkas k1? Visualisering av k2:s effekt tillväxt k2: över/under molngräns k1: höjd k1 kanske inte har någon effekt i snitt Men, har tydlig positiv effekt när högt värde på k2 och tydlig negativ effekt för låg k2 Hur påverkar k3, etc? Skulle vilja överblicka alla interaktioner samtidigt Sim. resultat k3+ k3 +D -D k1 + + k2 k4 k4 k1 k1+ k1 k1+ k3+ k3 k1 k1+ k1 k1+ Valida modeller för k4 lågt värde, och k1 högt värde. k2 har då en negativ effekt på tillväxt Färg: k2:s effekt Storlek: validitet Osäkerhetsfaktorer Som att bygga med legobitar Mycket grov mätning av funktionslandskapet Täcker bara en del av verkligheten Skulle vilja söka igenom tätare intervall Baserat på en första vända av faktoriell design Modellbygge med utbytbara komponenter Automatisk testning av varianter Obs! Inte sökning efter den korrekta modellen Karaktärisering av valida modeller Syftet med metoden Att kunna dra säkrare slutsatser För att kunna simulera dessa empiriska data måste dessa komponenter vara på detta sätt. Bidra med ny kunskap om fenomenet Ringa in krav på modeller givet ramförutsättningar och önskat modellbeteende Ex: Ska simulera ögonrörelser vid läsning, förutsätter hierarkiska, interaktiva beräkningsnivåer Att bättre förstå rollen av enskilda komponenter Användbart vid iterativt modellbygge Sammanfattning Två sätt att öka modellers tillförlitlighet och förklaringskraft 1. Hitta parametersättning av modell som förklarar flera uppsättningar data Minskar risken att modellen blir falsifierad längre fram 2. Systematiskt utforska alternativa modeller Metoden ger bättre förståelse för vad som är centralt för modellvaliditet Ger insyn i hur olika mekanismer samverkar inom kognition 8