Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

Les scientifiques conçoivent les directives neuves pour la modélisation numérique des caractéristiques comportementales

Les directives neuves pour les scientifiques qui emploient la modélisation de calcul pour analyser des caractéristiques comportementales ont été aujourd'hui publié dans l'eLife de tourillon d'ouvert-accès.

L'objectif de la modélisation de calcul en sciences comportementales est d'employer les modèles mathématiques précis pour sembler meilleur raisonnable des caractéristiques au sujet des comportements. Ces caractéristiques viennent souvent sous forme de choix, mais peuvent également comprendre les temps de réaction, les mouvements oculaires et d'autres comportements il est facile observer que, et même les caractéristiques neurales. Les modèles mathématiques se composent des équations qui joignent les variables derrière les caractéristiques, telles que des stimulus et des expériences passées, au comportement dans un avenir immédiat. De cette façon, les modèles de calcul fournissent un genre d'hypothèse au sujet de la façon dont le comportement est produit.

Utilisant des ordinateurs à simuler et le comportement d'étude a révolutionné la recherche en matière de psychologie et de neurologie. Les modèles de calcul convenables aux données expérimentales nous permet d'atteindre un certain nombre d'objectifs, qui peuvent comprendre sonder les algorithmes étant à la base du comportement et améliorer comprendre les effets des médicaments, des maladies et des interventions. »

Robert Wilson, co-auteur, professeur adjoint dans la cognition/systèmes neuraux et directeur de la neurologie du laboratoire d'apprentissage par renforcement à l'Université d'Arizona, USA

Il y a quatre utilisations principales de modélisation numérique en travers de la littérature scientifique, selon Wilson et son Anne co-auteur Collins, investigateur principal au laboratoire cognitif de calcul (CCN) de neurologie, partie du département de psychologie et l'institut de neurologie de volontés de Hélène à l'Université de Californie, Berkeley, USA. Chacune de ces pratiques a leurs propres forces et faiblesses et peut être maltraitée d'un certain nombre de voies, potentiellement conduisant aux conclusions incorrectes et fallacieuses et à mettre en valeur le besoin de elles d'être effectué de façon responsable.

Pour satisfaire ce besoin, Wilson et Collins offrent leurs 10 règles simples, conçues pour les deux débutants et chercheurs assaisonnés, pour s'assurer que la modélisation numérique est employée avec soin et fournit des analyses signicatives sur quel modèle indique au sujet de l'esprit.

Leurs règles entourent un certain nombre de principes qui comprennent : modèle des expériences efficaces avec la modélisation numérique à l'esprit ; produisant, simulant, comparant et validant des modèles ; extraire des variables des modèles pour rivaliser avec des caractéristiques physiologiques ; rendre compte des analyses ; et, en conclusion, conseil sur les prochaines opérations une fois que l'enregistrement est complété.

Tandis que ces directives couvrent les techniques de modélisation les plus simples qui peuvent être employées par des débutants, elles s'appliquent également plus généralement. De même, pour la clarté, les auteurs ont décidé de se concentrer sur un domaine étroit unique - modèles d'apprentissage par renforcement appliqués aux caractéristiques bien choisies - comme les mêmes techniques utilisées dans ce domaine peuvent être appliquées plus largement à d'autres comportements observables.

« Notre travail met en valeur comment éviter des pièges courants et les erreurs d'interprétation qui peuvent surgir avec la modélisation numérique, » Collins explique. « Nous avons appris plusieurs de ces leçons la voie dure, en effectuant réellement ces erreurs pour nous-mêmes sur 20 par an plus combinés dans le domaine.

« En suivant ces directives, nous espérons que d'autres scientifiques éviteront certaines des erreurs qui ont ralenti notre propre recherche, » il ajoute. « Nous espérerions également commencer à voir des améliorations de la qualité de la modélisation de calcul en sciences comportementales. »

Source:
Journal reference:

Wilson, R.C., et al. (2019) Ten simple rules for the computational modeling of behavioral data. eLife. doi.org/10.7554/eLife.49547.