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.)
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=
Artem Kaznatcheev
Benutzer865
Artem Kaznatcheev
Jerome Anglim
Artem Kaznatcheev
Artem Kaznatcheev
Jerome Anglim
Artem Kaznatcheev
Steven Jeuris
Jerome Anglim