认知建模中模型比较的方法_郭鸣谦.pdf

心理科学进展2024,Vol.32,No.10,1736–1756©2024中国科学院心理研究所

AdvancesinPsychologicalScience/10.3724/SP.J.1042.2024.01736

·研究方法(ResearchMethod)·

认知建模中模型比较的方法

122

郭鸣谦潘晚坷胡传鹏

(1拉德堡德大学行为科学学院,奈梅亨6525XZ,荷兰)(2南京师范大学心理学院,南京210097)

摘要认知建模近年来在科学心理学获得广泛应用,而模型比较是认知建模中关键的一环:研究者需要通

过模型比较选择出最优模型,才能进行后续的假设检验或潜变量推断。模型比较不仅要考虑模型对数据的拟

合(平衡过拟合与欠拟合),也需要考虑模型的复杂度。然而,模型比较指标众多,纷繁复杂,给研究者的选用

带来困难。本文将认知建模常用的模型比较指标分为三大类并介绍其计算方法及优劣,包括拟合优度指标(包

括均方误差、决定系数、ROC曲线等)、基于交叉验证的指标(包括AIC、DIC等)和基于边际似然的指标。结

合正交Go/No-Go范式的公开数据,本文展示各指标在R语言中如何实现。在此基础上,本文探讨各指标的适

用情境及模型平均等新思路。

关键词认知建模,计算模型,模型选择,模型比较

分类号B841

最近20年来,基于计算模型(Computational准治疗(Pedersenetal.,2021)。

models)对行为数据进行认知建模(Cognitive认知模型的步骤大致包括模拟数据(Simulation)、

modeling)的研究越来越多受到研究者关注。例如,参数估计(Parameterestimation)、模型比较(Model

在感知觉决策(Perceptualdecision-making)领域的comparison)和隐变量推断(Latentvariableinference)

贝叶斯感知觉模型(Bayesianperceptionmodel)等步骤(WilsonCollins,2019)。具体而言,研究

(KördingWolpert,2006)和漂移扩散模型(Drift者根据不同理论提出相应的计算模型,并设计实

diffusionmodel)(Forstmannetal.,2016;Ratcliff验收集数据,使用各个模型拟合数据,通过模型

etal.,2016)等在认知神经科学得到广泛应用。类比较来选出最优模型,最后根据最优模型进一步

似的,强化学习模型(Reinforcementlearning分析数据,对模型的隐变量进行推断或进一步将

model)在价值决策(Value-baseddecision-making)隐变量与神经数据结合后进行解释。

研究中日益成为主流,其通过模型得到隐变量模型比较是认知建模至关重要的一环,然而

“预期误差(Predictionerror)”可以有效地预测学习心理学/认知科学等领域研究者对模型比较的方

过程中多巴胺神经元(dopaminergicneuron)活动法较为陌生,面对种类繁多的模型比较指标常感

(Schultzetal.,1997;Steinbergetal.,2013)。计算模到困惑。此外,当前文献中也缺乏对模型比较的

型也是计算精神病学(Computationalpsychiatry)这诸多方法进行系统梳理。鉴于此,本文梳理模型

一新兴交叉领域的基础(Geng