دانلود مقاله ISI انگلیسی شماره 158763
ترجمه فارسی عنوان مقاله

رویکرد تاییدیه برای ادغام داده های عصبی و رفتاری به یک مدل واحد

عنوان انگلیسی
A confirmatory approach for integrating neural and behavioral data into a single model
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی
158763 2017 11 صفحه PDF
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Journal of Mathematical Psychology, Volume 76, Part B, February 2017, Pages 131-141

ترجمه چکیده
دهه های اخیر شاهد پیشرفت های شگفت انگیز در هر دو مدل ریاضی شناخت و در زمینه علوم اعصاب شناختی بوده است. این تحولات در ابتدا مستقل از یکدیگر بوده، اما اخیرا این زمینه ها علاقه مند به پیوستن به نیروها بوده است. مدل سازی مشترک داده های رفتاری و عصبی می تواند دشوار باشد اما سودمند است. ما به طور خلاصه روش های مختلفی را که در تحقیقات تصمیم گیری برای ارتباط داده های رفتاری و عصبی استفاده شده است را بررسی می کنیم و نمونه ای نیز ارائه می دهیم. مثال ما یک ارتباط تنگ بین داده های رفتاری و پتانسیل ناشی از سر و صدا ایجاد شده در هنگام چرخش ذهنی ایجاد می کند. مدل نمونه نشان دهنده یک روش فرض قوی برای اتصال چنین مجموعه داده ها است. ما استفاده از چنین مدل را نشان می دهیم، مقایسه ای را نسبت به گزینه های جالب ارائه می دهیم، و نتیجه گیری هایی را که از استفاده از چنین مدل مشترکی حاصل می شود، بحث می کنیم.
پیش نمایش مقاله
پیش نمایش مقاله  رویکرد تاییدیه برای ادغام داده های عصبی و رفتاری به یک مدل واحد

چکیده انگلیسی

Recent decades have witnessed amazing advances in both mathematical models of cognition and in the field of cognitive neuroscience. These developments were initially independent of one another, but recently the fields have started to become interested in joining forces. The resulting joint modeling of behavioral and neural data can be difficult, but has proved fruitful. We briefly review different approaches used in decision-making research for linking behavioral and neural data, and also provide an example. Our example provides a tight link between behavioral data and evoked scalp potentials measured during mental rotation. The example model illustrates a powerful hypothesis-driven way of linking such data sets. We demonstrate the use of such a model, provide a model comparison against interesting alternatives, and discuss the conclusions that follow from applying such a joint model.