Wie kann die Wisconsin Card Sorting-Aufgabe rechnerisch modelliert werden?

Die Wisconsin Card Sorting- Aufgabe ist ziemlich berühmt, scheint aber ziemlich schwierig rechnerisch zu modellieren.

Ich arbeite im RL und interessiere mich dafür, wie Menschen die optimale Strategie lernen. Ich interessiere mich für die Aufgabe, weil sie eine Reihe von experimentellen Manipulationen ermöglichen würde. Ich möchte die Rolle des Gedächtnisses in der optimalen Strategie erfassen. Die Leute können einige, aber nicht sehr viele Studiengeschichten verfolgen, wenn sie die Aufgabe erledigen. (Dh die mathematisch optimale Strategie erscheint zu rechenintensiv.)

  • Wie könnte ich an die Modellierung der Wisconsin Card Sorting-Aufgabe herangehen?
  • Welche andere Forschung hat die Aufgabe modelliert?
In welchem ​​Paradigma arbeiten Sie und warum beantwortet das erste Ergebnis in Google Scholar ( Dehaene & Changeux, 1991 ) Ihre Frage nicht? Und was ist Ihr Grund zu glauben, dass es schwer zu modellieren ist?
Dafür arbeite ich im RL und interessiere mich dafür, wie Menschen die optimale Strategie lernen. Das heißt, ich habe noch nie mit dieser Aufgabe gearbeitet, war aber daran interessiert, da sie eine Reihe experimenteller Manipulationen ermöglichen würde. Ich finde es schwierig und mochte Dehaene & Changeux (1991) nicht, weil es die Rolle des Gedächtnisses in der optimalen Strategie nicht zu erfassen scheint. Die Leute können einige, aber nicht sehr viele Studiengeschichten verfolgen, wenn sie die Aufgabe erledigen. Dh die mathematisch optimale Strategie erscheint zu rechenintensiv, und ich konnte niemanden finden, der ein besseres Modell entwickelt hat. Vielen Dank für Ihre Antwort
Beim nächsten Mal sollten Sie solche Details in Ihre Frage aufnehmen (obwohl das Bearbeiten jetzt eine ziemlich große Änderung der Frage wäre). Schauen Sie sich jedoch Kaplan et al. (2006). Hopfield-Netze sind ziemlich schlecht darin, sich an Dinge zu erinnern, und daher könnte dieser Ansatz genau das sein, wonach Sie suchen.
bearbeitete Frage, um Kommentare einzufügen
@JeromyAnglim Die von Ihnen vorgenommenen Änderungen lassen einen Teil meiner Antwort albern aussehen und sind eine erhebliche Änderung der ursprünglichen Frage.
Auch @user865 Ich habe gerade D&C91 überflogen. Wie wird die Rolle des Gedächtnisses nicht erfasst? Das scheint genau das zu sein, was sie studieren, und sie modellieren das Gedächtnis als Aktivierungscluster in einem neuronalen Netzwerk und nicht als willkürliche Datenbank, die sich an alles erinnert.
@ArtemKaznatcheev Tut mir leid. Ich habe versucht, die Frage für zukünftige Leser so nützlich wie möglich zu machen. Ich habe es im Einklang mit dem Austausch von Kommentaren bearbeitet, die Sie mit OP hatten. Ich denke nicht, dass zukünftige Leser die Kommentare durchsuchen müssen, um die Frage zu verstehen. Ich denke im Allgemeinen, wo jemand gestört werden kann, sollten durch Kommentare gewonnene Erkenntnisse im Allgemeinen in die Frage eingearbeitet werden. Die Frage sah auch so aus, als würde sie geschlossen werden. Ich bevorzuge die Bergung. Ich habe die Bearbeitung ein wenig angepasst, um zu versuchen, die Änderungen klarer zu zeigen.
@JeromyAnglim kein Problem, aber ich habe noch einige Änderungen vorgenommen, weil ich nicht verstehe, woher das OP die Idee hat, dass D & C keinen Speicher modellieren.
@JeromyAnglim Haben diese Änderungen das von Artem aufgeworfene Problem angesprochen? Wenn ja, glaube ich, dass dieser Kommentarthread entfernt werden kann.
@StevenJeuris Ich nehme an, wenn Artem es nachträglich bearbeitet hat, ist es jetzt in Ordnung und diese Kommentare können gelöscht werden.

Antworten (2)

Dehaene & Changeux (1991) erstellten ein neuronales Netzwerkmodell:

Die Codierungseinheiten sind Cluster von Neuronen, die in Schichten oder Anordnungen organisiert sind. Eine sensonmotorische Schleife ermöglicht es dem Netzwerk, die Eingabekarten nach mehreren Kriterien (Farbe, Form usw.) zu sortieren. Eine übergeordnete Anordnung von Regelcodierungsclustern codiert für die aktuell getestete Regel, die sich verschiebt, wenn eine negative Belohnung empfangen wird. Auch die interne Überprüfung der möglichen Regeln, analog zu einem Reasoning-Prozess, erfolgt durch eine endogene Autoevaluationsschleife. Bei Läsionen reproduziert das Modell das Verhalten von Frontallappenpatienten.

Parkset al. (1992) erweiterten die früheren neuronalen Modelle des WCST, um die Sprachflüssigkeit zu berücksichtigen.

Amos (2000) baute ein neuronales Netzwerkmodell, das dabei hilft, zwischen der Art von Fehlern zu unterscheiden, die von Patienten mit Schizophrenie, Parkinson und Huntington gemacht werden. Er bezieht das Modell auf die Neuroanatomie und sagt:

Das Modell machte auch spezifische, empirisch falsifizierbare Vorhersagen, die verwendet werden können, um den Nutzen dieser mutmaßlichen Mechanismen der Informationsverarbeitung im Frontalkortex und in den Basalganglien zu untersuchen.

Monchi et al. (2000) verfolgten einen ähnlichen Ansatz wie Amos. Ihr Modell schlug unterschiedliche Beeinträchtigungen bei Patienten mit Parkinson und Schizophrenie vor und machte spezifische Vorhersagen darüber, was bei fMRT-Scans beobachtet werden würde. Sie testeten diese Vorhersage in ihrer Arbeit.

Bis 2005 war der WCST zu einem Maßstab für allgemeinere Modelle geworden. Rougieret al. (2005) erstellten ein allgemeines Modell des präfrontalen Kortex auf der Grundlage allgemeiner neurobiologischer Prinzipien im Gegensatz zu symbolischen Ansätzen. Sie modellieren das aus Erfahrung Gelernte und verallgemeinern es auf neue Aufgaben. Sie testeten es auf WCST und den Stroop-Aufgabendaten für typische und frontalgeschädigte Probanden.

Kaplanet al. (2006) verwenden einen neuronalen Netzwerkansatz mit zwei Teilen: Ein Hopfield-Netz dient als Arbeitsspeicher und ein Hamming-Block als Hypothesengenerator.

Bisharaet al. (2010) verwenden ein eher ACT-R-ähnliches (wenn auch nicht tatsächliches ACT-R) Modell mit probabilistischem Laden auf symbolische Regeln. Das resultierende sequentielle Lernmodell wird verwendet, um spezifische Prozesse zu identifizieren, mit denen die Probanden möglicherweise zu kämpfen haben. Es soll bei der Diagnose in einem klinischen Umfeld helfen, und sie testen es an substanzabhängigen Personen.

Rigottiet al. (2010) schufen ein Netzwerk zufällig verbundener Neuronen, die die Aufgabe lösen könnten. Der entscheidende Punkt war, dass die zufälligen Verbindungen gemischte Selektivität induzierten, was die Aufgabe mit hoher Wahrscheinlichkeit lösen würde.

Meine Kollegen haben das COVIS-Modell des Kategorienlernens auf den WCST angewendet. COVIS ist per se kein Modell der WCST-Leistung, kann aber mehrere bekannte Phänomene erklären. Siehe diese Google Scholar-Suche: http://scholar.google.com/scholar?hl=en&q=Helie+Paul+ashby&btnG=&as_sdt=1%2C5&as_sdtp=

Willkommen auf der Seite. Gibt es Artikel, die Sie besonders empfehlen würden? Könnten Sie erläutern, wie es bekannte Phänomene erklärt?
Wie kann die Wisconsin Card Sorting-Aufgabe rechnerisch modelliert werden?
AntwortenHierDatenschutz-Bestimmungen1y, 0v