Познавательные психические процессы сопровождающие обучение информатике: Практическая аттестационная работа по методике преподавания информатики - Санкт-Петербургское государственное бюджетное учреждение социального обслуживания населения

Содержание

Практическая аттестационная работа по методике преподавания информатики

База данных защищена авторским правом ©www.psihdocs.ru 2022
обратиться к администрации

ПРАКТИЧЕСКАЯ АТТЕСТАЦИОННАЯ РАБОТА ПО МЕТОДИКЕ ПРЕПОДАВАНИЯ ИНФОРМАТИКИ
Выполнил Фомин А.С.

Задание 1

Какие информационно-коммуникационные технологии (ИКТ) Вы считаете наиболее эффективными в практике преподавания информатики? Какие ИКТ Вы находите наименее приемлемыми? Ответ аргументируйте.

В настоящее время одним из основных вызовов стоящих перед общим образованием является внедрение нового федерального государственного образовательного стандарта. ФГОС второго поколения ориентированы на достижение не только предметных результатов, но и на развитие личности обучающегося, формирование универсальных учебных действий. Таким образом к образовательным результатам, кроме предметных, добавляются личностные и метапредметные, при этом предметные ставятся на третье место. В условиях реализации ФГОС на уроках информатики особенно важной становится практическая направленность образовательной деятельности.

В основе ФГОС второго поколения лежит системно-деятельностный подход, который способствует творческому развитию личности, формирует потребность саморазвития и непрерывного самообразования Основные принципы информационно-коммуникационного подхода (естественность, социальность, активность и нелинейность учебного процесса) полностью отвечают требованиям новых стандартов. Средства ИКТ являются наиболее эффективными средствами реализации проектного метода обучения, так как они позволяют строить учебный процесс на основе самостоятельной познавательной деятельности обучающегося, способствующей достижению определенного уровня компетентности, дающей возможность совершенствовать свои знания в различных областях, получать удовольствие от самообразования.

Информационные образовательные технологии хорошо сочетаются и дополняют передовые педагогические технологии. Они позволяют существенно изменить формы и методы учебной работы

В практике преподавания информатики эффективными являются различные информационно-коммуникационные технологии. Цифровая грамотность обучающихся напрямую связана с базовыми компетенциями ФГОС. Технологии медиаобразования способствуют развитию критического мышления и раскрытию творческого потенциала обучающихся. У детей формируется коммуникативная компетенция, информационная грамотность. Медиатексты способствуют повышению мотивации ребёнка для него не только источником прикладных знаний, но и формируют определенную систему взглядов на мир. Поэтому одна из важнейших задач современного школьного образования формирование и развитие информационной культуры обучающегося.

В практике преподавания информатики важным направлением образования является изучение основ видеосъемки и монтажа, аудиобработка, создание активных роликов, презентаций, анимационных фильмов. Особенно важна интерактивность получаемых продуктов, возможность поделиться своим опытом с другими участниками образовательного процесса.

Подростки с удовольствием работают над различными социальными проектами, затем оформляют их в виде презентаций, роликов, буклетов и т. д. Для школьников 7-8 классов особое значение имеет творческая работа с текстами, например преобразование линейного текста в гипертекст, представление текстового материала в различной форме (табличной, графической, в виде графов, диаграмм, различных иерархических структур). Это способствует развитию гибкости мышления, у них развивается аналитическое, логическое мышление, что, естественно, влияет на структуру знаний обучающихся.

Перспективным направлением в формировании комплекса информационных умений является технология «Виртуальная реальность». Эта технология играет важную роль в межпредметной интеграции, так как позволяет с помощью различных программных сред (например, с помощью GeoGebra) создавать и исследовать различные математические и физические модели, процессы, визуализировать сложные объекты, реализовать трехмерное представление объектов, совершать виртуальные путешествия. Применение этой технологии способствует интенсификации учебного процесса, целостному восприятию окружающей действительности.

У учащихся, работающих над различными проектами, увеличивается уровень самостоятельности, развиваются творческие способности, логическое мышление, память, пространственное воображение.

Однако у этой технологии есть свои минусы: уже сейчас работа с виртуальными объектами сильно увлекает ребят, и они с трудом переключаются на действительность. При дальнейшем развитии компьютерных технологий вероятность ухода в мир компьютерных иллюзий будет увеличиваться, поэтому задача педагога – чередование данной технологии с работой обучающихся в коллективе.

Используется на уроках информатики технология электронного обучения – это и дистанционное обучение и различные сетевые взаимодействия как между учащимися, так и между учащимися и преподавателем. К разновидности электронного обучения можно отнести и так называемую, кейс-технологию, когда весь комплекс учебно-методических материалов передается обучающемуся для самостоятельного изучения.

Однако в условиях общеобразовательной школы нельзя увлекаться дистанционными технологиями обучения. Целесообразно использовать его для углублённого изучения некоторых разделов информатики, или в случаях, когда ребёнок не может посещать школу. Нельзя забывать о необходимости полноценного общения ребёнка с другими детьми, педагогами.

Большой эффект имеют интерактивные формы тестирования обучающихся. Такие тесты позволяют ребёнку выбрать индивидуальный темп тестирования, просмотреть подсказки, увидеть результат непосредственно сразу после прохождения тестирования и даже во время выполнения теста.

Скачать 29,63 Kb.

Поделитесь с Вашими друзьями:

познавательные психические процессы, сопровождающие процесс обучения биологии.

Опишите познавательные психические процессы, сопровождающие процесс обучения биологии.

В научном познании жизни важное значение имеет-объективность, не исключая сферы человеческой субъективности, делающей жизнь, несмотря на успехи науки, поэтически привлекательной загадкой, которая будит в нас неудержимое желание познать ее . ..

Прекрасно сказал об этом Г. Аполлинер

“Мы хотим исследовать край необъятный и полный загадок…

И мираж ускользающий

Ждет, чтобы плоть ему дали и дали названье…

Снисхождение к нам! Мы ведем постоянно сраженье

На границах грядущего и беспредельного.”

Организация учебно воспитательного процесса – невозможна без учета психических познавательных процессов.Психика и подсознание представляют собой высшие способности человека, опирающиеся на внутреннюю мотивацию к познавательной (учебной) деятельности.

Познавательные психические процессы. Структура приема информации. Познавательная деятельность человека складывается из серии познавательных психических процессов: ощущения, восприятия, внимания, памяти, воображения, мышления и речи. Процесс познания окружающего мира осуществляется на двух уровнях: чувственного познания, включающего в себя ощущения, восприятия и представления, и логического познания, осуществляемого посредством понятий, суждений и умозаключений. Разнообразную информацию о состоянии внешней и внутренней среды человеческий организм получает с помощью органов чувств в виде ощущений…

Важность исходных принципов, на которых строится всякое научное и биологическое познание если даже – не дает непосредственного эффекта, то по крайней мере не мешает идти вперед. А это означает, что дело не только в том, каковы исходные принципы, но и в том, как они применяются.Организация активной деятельности учащихся. Умелое применение приемов и методов, обеспечивающих высокую активность обучающегося в обучении, способность в учебном познавании, является средством развития познавательных способностей обучающихся.

Современная биология стремительно выходит на передовые рубежи научного познания.В первую очередь – стимулом к размышлению.

Возрастает также ее социальная значимость, усиливается связь с жизнью общества и отдельного человека, который становится не только субъектом, но и объектом биологического познания (генетика человека, генная инженерия и пр. ).Познавательная задача в биологии охотнее принимается обучающимися к примеру на уроке -исследования с элементами экспериментирования, подтверждающего или опровергающего предположения, высказанные обучающимися, или экспериментальное решение возникших у них вопросов, опытная проверка выраженных ими сомнений неизбежно приводят к возникновению познавательного интереса.Интерес, который помогает охватить различные явления, оказывается движущим мотивом не только для восприятия предмета-БИОЛОГИЯ, но и для развития мышления. При интересе к природе, животному миру, общественным явлениям школьник начинает усиленно наблюдать, подмечать явления, самостоятельно их обдумывать, делать выводы. В ходе такой познавательной деятельности интерес – развивается и содействует умственному развитию.

Приёмами, способствующими развитию познавательного интереса на этапе восприятия знаний и активизирующие деятельность учащихся,на уроках по биологии являются:

1) Прием новизны, предполагающий включение в содержание учебного материала интересных фактов, сведений и др.

2)возбуждение интереса благодаря раскрытию смыслового значения слова, названия(семантизация).

3)практической значимостью для обучающихся(биологической, хозяйственной ценностью изучаемого материала,причастность к явлению).

Манера учителя детализировать и конкретизировать материал учебника побуждает школьников глубже вдумываться в усваиваемые знания, рождает множество вопросов.

Приемы развития познавательного интереса на этапе осмысления изучаемого материала на уроках биологии:

1) Постановка проблемного вопроса, создание проблемной ситуации (итог удивления, озадаченности, интеллектуальной активности, эмоциональной приподнятости, стремления к узнаванию, более глубокому ознакомлению с предметом – состояний, свойственных познавательному интересу.)

2) Исследовательский прием(самостоятельно решить познавательную задачу, сформулировать вывод)

3)Эвристический прием(помощью наводящих вопросов найти правильный ответ,к примеру-Предположим, что вы съели бутерброд с ветчиной. В каких отделах пищеварительной системы и с помощью каких веществ будут перевариваться его составные части?)

4) Прием научного спора(активный поиск доказательств, аргументов для отстаивания своей точки зрения.)

Таким образом,постановка на уроке перед обучающимися проблемных вопросов, самостоятельное решение познавательных задач, формирование умения доказывать и обосновывать свои суждения все это способствует активизации мыслительной, исследовательской деятельности, что обусловливает развитие -положительного познавательного интереса к биологии.Психические процессы, сопровождающие процесс обучения биологии,такие как-эмоциональная память является памятью на чувства. Сами по себе эмоции сигнализируют нам, как удовлетворяются наши потребности, интересы, стремления и побуждения, достигаются ли личностью цели, и насколько окружающая среда отвечает устремлениям личности, каковы ее отношения с окружающим миром. Пережитые чувства надолго сохраняются в памяти человека и всегда побуждают его к действиям либо удерживают от них!!!

В связи с этим учитель биологии , организуя учебный процесс, должен стремиться к тому, чтобы каждый обучающийся испытывал счастье от учения как свободного творческого труда. При этом несомненным должно быть то, что учение каждого ученика должно быть победным, но это должно достигаться не облегчением учения, не избеганием трудностей, а их преодолением,как в биологии,так в других науках.

Что такое когнитивные вычисления?

По

Александр С. Гиллис, Технический писатель и редактор
Бриджит Ботельо, Редакционный директор, Новости

Что такое когнитивные вычисления?
Когнитивные вычисления — это использование компьютеризированных моделей для имитации мыслительного процесса человека в сложных ситуациях, когда ответы могут быть неоднозначными и неопределенными. Фраза тесно связана с когнитивной компьютерной системой IBM Watson.
Компьютеры быстрее людей обрабатывают и вычисляют, но им еще предстоит справиться с некоторыми задачами, такими как понимание естественного языка и распознавание объектов на изображении.
Когнитивные вычисления — это попытка заставить компьютеры имитировать работу человеческого мозга.
Для этого в когнитивных вычислениях используется искусственный интеллект (ИИ) и другие базовые технологии, в том числе следующие:
экспертные системы
нейронные сети
машинное обучение
глубокое обучение
обработка естественного языка (NLP)
распознавание речи
распознавание объектов
робототехника
Когнитивные вычисления используют эти процессы в сочетании с алгоритмами самообучения, анализом данных и распознаванием образов для обучения вычислительных систем. Технология обучения может использоваться для распознавания речи, анализа настроений, оценки рисков, распознавания лиц и многого другого. Кроме того, он особенно полезен в таких областях, как здравоохранение, банковское дело, финансы и розничная торговля.
<noscript><img loading='lazy' src='/800/600/http/cf.ppt-online.org/files1/slide/f/FWcvoCjhKDrfxPk47SeYN0mMHOzdB9J1QZs26yX5w/slide-3.jpg' /></noscript> techtarget.com/searchenterpriseai/definition/cognitive-computing&enablejsapi=1&origin=https://www.techtarget.com” type=”text/html” frameborder=”0″>
Как работают когнитивные вычисления
Системы, используемые в когнитивных науках, объединяют данные из различных источников, взвешивая контекст и противоречивые данные, чтобы предложить наилучшие возможные ответы. Для этого когнитивные системы включают технологии самообучения, которые используют интеллектуальный анализ данных, распознавание образов и НЛП для имитации человеческого интеллекта.

Использование компьютерных систем для решения проблем, с которыми обычно сталкиваются люди, требует огромных объемов структурированных и неструктурированных данных, передаваемых в алгоритмы машинного обучения. Со временем когнитивные системы могут усовершенствовать способы выявления закономерностей и способы обработки данных. Они становятся способными предвидеть новые проблемы и моделировать возможные решения.

Например, сохраняя в базе данных тысячи изображений собак, систему искусственного интеллекта можно научить распознавать изображения собак. Чем большему количеству данных подвергается система, тем больше она может узнать и тем точнее она становится с течением времени.
Для достижения этих возможностей системы когнитивных вычислений должны иметь следующие атрибуты:
Адаптивный. Эти системы должны быть достаточно гибкими, чтобы обучаться по мере изменения информации и целей. Они должны перерабатывать динамические данные в режиме реального времени и корректировать их по мере изменения данных и среды.
Интерактивный. Взаимодействие человека и компьютера является важным компонентом когнитивных систем. Пользователи должны иметь возможность взаимодействовать с когнитивными машинами и определять свои потребности по мере их изменения. Технологии также должны иметь возможность взаимодействовать с другими процессорами, устройствами и облачными платформами.
Итеративный и с отслеживанием состояния. Технологии когнитивных вычислений могут задавать вопросы и извлекать дополнительные данные для выявления или уточнения проблемы. Они должны сохранять состояние в том смысле, что они хранят информацию о подобных ситуациях, которые произошли ранее.
Контекстный. Понимание контекста имеет решающее значение в мыслительных процессах. Когнитивные системы должны понимать, идентифицировать и анализировать контекстуальные данные, такие как синтаксис, время, местоположение, домен, требования и профиль пользователя, задачи и цели. Системы могут опираться на несколько источников информации, включая структурированные и неструктурированные данные, а также визуальные, слуховые и сенсорные данные.
<noscript><img loading='lazy' src='/800/600/http/vashpsixolog.ru/images/yxx/pozn.jpg' /></noscript> techtarget.com” type=”text/html” frameborder=”0″>
Примеры и приложения когнитивных вычислений
Системы когнитивных вычислений обычно используются для выполнения задач, требующих разбора больших объемов данных. Например, в компьютерных науках когнитивные вычисления помогают анализировать большие данные, выявлять тенденции и закономерности, понимать человеческий язык и взаимодействовать с клиентами.
Примеры использования когнитивных вычислений в различных отраслях включают следующее:
Здравоохранение. Когнитивные вычисления могут обрабатывать большие объемы неструктурированных медицинских данных, таких как истории болезни, диагнозы, состояния и журнальные исследовательские статьи, чтобы давать рекомендации медицинским работникам. Это делается с целью помочь врачам принимать более эффективные решения о лечении. Когнитивные технологии расширяют возможности врача и помогают в принятии решений.
Розничная торговля. В розничной торговле эти технологии анализируют основную информацию о покупателе, а также подробные сведения о продукте, который просматривает покупатель. Затем система предоставляет клиенту персонализированные предложения.
Банковское дело и финансы. Когнитивные вычисления в банковской и финансовой сфере анализируют неструктурированные данные из разных источников, чтобы получить больше информации о клиентах. NLP используется для создания чат-ботов, которые общаются с клиентами. Это повышает эффективность работы и вовлеченность клиентов.
Логистика. Когнитивные вычисления помогают в таких областях, как управление складом, автоматизация склада, сетевое взаимодействие и устройства IoT.
IBM Watson for Oncology является примером системы когнитивных вычислений. Он предоставляет онкологам Мемориального онкологического центра имени Слоуна-Кеттеринга в Нью-Йорке научно обоснованные варианты лечения онкологических больных. Когда медицинский персонал задает вопросы, Watson генерирует список гипотез и предлагает врачам варианты лечения. Watson Health — еще один инструмент IBM, который помогает клиентам в медицинских и клинических исследованиях.
Преимущества когнитивных вычислений
Преимущества когнитивных вычислений включают положительные результаты в следующих областях:
Аналитическая точность. Когнитивные вычисления умеют сопоставлять структурированные и неструктурированные данные и делать перекрестные ссылки.
Эффективность бизнес-процессов. Когнитивные технологии могут распознавать закономерности при анализе больших наборов данных.
Взаимодействие с клиентами и опыт. Контекстная и релевантная информация, которую когнитивные вычисления предоставляют клиентам с помощью таких инструментов, как чат-боты, улучшает взаимодействие с клиентами. Сочетание когнитивных помощников, персонализированных рекомендаций и прогнозов поведения повышает качество обслуживания клиентов.
Производительность сотрудников и качество обслуживания. Когнитивные системы помогают сотрудникам анализировать структурированные и неструктурированные данные и выявлять закономерности и тенденции данных.
Недостатки когнитивных систем
Когнитивные технологии также имеют недостатки, в том числе следующие:
Проблемы безопасности. Когнитивным системам для обучения нужны большие объемы данных. Организации, использующие системы, должны должным образом защищать эти данные, особенно если это данные о здоровье, клиентах или любые другие личные данные.
Длительный цикл разработки. Эти системы требуют квалифицированных команд разработчиков и значительного количества времени для разработки программного обеспечения для них. Сами системы нуждаются в обширном и подробном обучении с большими наборами данных, чтобы понять поставленные задачи и процессы.
Медленное внедрение. Медленный жизненный цикл разработки является одной из причин медленного внедрения. Небольшим организациям может быть сложнее внедрять когнитивные системы, и поэтому они избегают их.
Отрицательное воздействие на окружающую среду. Процесс обучения когнитивных систем и нейронных сетей потребляет много энергии и имеет значительный углеродный след.
Чем когнитивные вычисления отличаются от ИИ
Термин когнитивные вычисления часто используется взаимозаменяемо с AI . Но есть различия в целях и применении этих двух технологий.
Когнитивные вычисления и ИИ имеют много общего, но есть и тонкие различия.
Искусственный интеллект
ИИ — это общий термин для технологий, которые полагаются на данные для принятия решений. Эти технологии включают, помимо прочего, машинное обучение, нейронные сети, НЛП и системы глубокого обучения. При использовании ИИ данные вводятся в алгоритм в течение длительного периода времени, чтобы система изучала переменные и могла прогнозировать результаты.
Приложения на основе ИИ включают интеллектуальных помощников, таких как Alexa от Amazon, Siri от Apple и беспилотные автомобили.
Когнитивные вычисления
Термин когнитивные вычисления обычно используется для описания систем ИИ, имитирующих человеческое мышление. Человеческое познание включает в себя анализ в реальном времени реальной среды, контекста, намерений и многих других переменных, которые определяют способность человека решать проблемы.
Для построения когнитивных моделей компьютерной системой требуется ряд технологий искусственного интеллекта. К ним относятся машинное обучение, глубокое обучение, нейронные сети, НЛП и анализ настроений.

Как правило, когнитивные вычисления используются для помощи людям в процессах принятия решений. ИИ полагается на алгоритмы для решения проблемы или выявления закономерностей в больших наборах данных. Когнитивные вычислительные системы имеют более высокую цель — создание алгоритмов, которые имитируют процесс рассуждений человеческого мозга для решения проблем по мере изменения данных и проблем.
Узнайте больше о когнитивных вычислениях и о том, как их можно использовать для обучения и обучения сотрудников.
Последнее обновление: март 2022 г.
Продолжить чтение О когнитивных вычислениях
Как методы обучения нейронных сетей моделируются по образцу человеческого мозга
Обзор инструментов глубокого обучения
6 вариантов использования когнитивной автоматизации на предприятии
Каковы преимущества когнитивной автоматизации?
Использование многих искусственных нейронных сетей
Копать глубже в технологиях ИИ
когнитивное искажение
Автор: Александр Гиллис
Что такое искусственный интеллект (ИИ)?
Автор: Эд Бернс
нейросинаптический чип (когнитивный чип)
Автор: TechTarget Contributor
RPA и когнитивная автоматизация: в чем основные отличия?
Автор: Джордж Лоутон
ПоискБизнесАналитика
Обновление TigerGraph Cloud добавляет инструменты машинного обучения и визуализации данных
Последняя версия базы данных графов включает функцию, которая позволяет пользователям создавать визуальные эффекты без написания кода и прочего. ..
Лучшие практики конвейера аналитики данных: классификация данных
Конвейеры аналитики данных собирают различные категории данных, требующие эффективной организации данных. Эти данные классификации …
Alteryx запускает SaaS-версию Designer в Analytics Cloud
Полностью облачная версия Designer способствует переходу поставщика к облаку, который начался в начале 2022 г. с запуском…
ПоискCIO
Автоматизация комплаенса Bayer окупается
Глобальный руководитель Bayer по соблюдению нормативных требований и конфиденциальности данных Томас Пфенниг обсуждает LPC Express, проект автоматизации для законодательства, патентов и…
Лучшие платформы метавселенной, о которых нужно знать в 2023 году
Это первые дни платформ метавселенной, особенно тех, которые ориентированы на предприятия. Вот что нужно знать и какие платформы использовать…
Проблемы конфиденциальности Metaverse и способы их решения
Конфиденциальность данных в метавселенной — движущаяся цель. Узнайте об основных проблемах конфиденциальности и рисках для компаний и пользователей — и …
SearchDataManagement
6 инструментов с открытым исходным кодом для наблюдения за данными, которые следует учитывать
Узнайте о шести вариантах с открытым исходным кодом для наблюдения за данными, помогающих организациям проводить эксперименты по науке о данных, которые более …
Alluxio 2.9 расширяет возможности оркестровки данных с открытым исходным кодом
Синхронизация кластера с несколькими средами реализована на платформе Alluxio, чтобы предоставить организациям единое представление данных в нескольких …
Microsoft SQL Server 2022 соединяет локальную среду с облачной
Включение гибридных развертываний, охватывающих облако и локальную среду, является ключевой целью последнего обновления Microsoft своего 33-летнего . ..
ПоискERP
Microsoft выходит на новый рынок с платформой цепочки поставок
Раньше Microsoft выполняла свои операции по цепочке поставок с помощью электронных таблиц Excel; теперь он предоставляет строительные блоки для компаний, чтобы …
RFID в цепочке поставок: 6 примеров использования сегодня
RFID по-прежнему применим для управления цепочками поставок. Вот шесть способов, которыми организации могут использовать его для поддержки инвентаризации…
Celonis стремится углубить и демократизировать технологический майнинг
Celonis представила Process Sphere, позволяющую компаниям создавать карты по функциональным областям, и Business Miner, который перемещает …
Новый вычислительный учет когнитивного контроля над принятием решений на основе подкрепления: моделирование задачи вероятностного обучения
. 2015 ноябрь;71:112-23.
doi: 10.1016/j.neunet.2015.08.006. Epub 2015 20 августа.
Саре Зендехрух ¹
принадлежность
¹ Школа когнитивных наук, Институт фундаментальных исследований (ИПМ), П.О. Box 19395-5746, Тегеран, Иран. Электронный адрес: [email protected].
PMID: 26339919
DOI: 10.1016/j.neunet.2015.08.006
Сарех Зендехрух. Нейронная сеть. 2015 ноябрь
. 2015 ноябрь;71:112-23.
doi: 10.1016/j.neunet.2015.08.006. Epub 2015 20 августа.
Автор
Саре Зендехрух ¹
принадлежность
¹ Школа когнитивных наук, Институт фундаментальных исследований (ИПМ), П.О. Box 19395-5746, Тегеран, Иран. Электронный адрес: [email protected].
PMID: 26339919
DOI: 10.1016/j.neunet.2015.08.006
Абстрактный
Недавняя работа в области принятия решений предлагает описание теории двойных систем для процесса принятия решений. Эта теория утверждает, что этот процесс осуществляется двумя основными регуляторами: целенаправленной системой и привычной системой. В области обучения с подкреплением (RL) привычное поведение связано с методами без моделей, в которых соответствующие действия изучаются путем проб и ошибок. Однако целенаправленное поведение связано с основанными на моделях методами RL, в которых действия выбираются с использованием модели среды. Исследования когнитивного контроля также предполагают, что во время таких процессов, как принятие решений, некоторые корковые и подкорковые структуры работают согласованно, чтобы отслеживать последствия решений и регулировать контроль в соответствии с текущими требованиями задачи. Здесь представлена вычислительная модель, основанная на теории двойных систем и когнитивном контроле процесса принятия решений. Предлагаемая модель используется для имитации действий человека на варианте вероятностной обучающей задачи. Основное предложение состоит в том, что мозг реализует двойной контроллер, а сопутствующая система мониторинга выявляет некоторые виды конфликта, в том числе гипотетический конфликт стоимости. Результаты моделирования обращаются к существующим теориям о двух потенциалах, связанных с событиями, а именно о негативности, связанной с ошибкой (ERN) и негативности, связанной с обратной связью (FRN), и исследуют их наилучшее объяснение. На основе результатов также представлены некоторые проверяемые прогнозы.
Ключевые слова: Когнитивный контроль; функция стоимости; Теория двойных систем; целенаправленное поведение; Вероятностная обучающая задача; Обучение с подкреплением.
Copyright © 2015 Elsevier Ltd. Все права защищены.
Похожие статьи
Роль времени в управлении, вызванном конфликтом: Расширение теории мониторинга реагирования на конфликт.
Зендехрух С., Гарибзаде С., Таухидха Ф. Зендехроу С. и др. Нейроски Летт. 2016 8 апреля; 618: 110-114. doi: 10.1016/j.neulet.2016.02.062. Epub 2016 2 марта. Нейроски Летт. 2016. PMID: 26946109
Целенаправленное принятие решений как вероятностный вывод: вычислительная структура и потенциальные нейронные корреляты.
Солуэй А, Ботвиник ММ. Солуэй А. и др. Psychol Rev. 2012 Янв; 119(1):120-54. doi: 10.1037/a0026435. Психологическое издание 2012 г. PMID: 22229491 Бесплатная статья ЧВК.
Когнитивный контроль предсказывает использование обучения с подкреплением на основе моделей.
Отто А.Р., Скатова А., Мадлон-Кей С., Доу Н.Д. Отто А.Р. и др. J Cogn Neurosci. 2015 фев; 27 (2): 319-33. дои: 10.1162/jocn_a_00709. J Cogn Neurosci. 2015. PMID: 25170791 Бесплатная статья ЧВК.
Обратная связь для интерфейсов мозг-машина на основе обучения с подкреплением с использованием показателей достоверности.
Prins NW, Sanchez JC, Prasad A. Принс Н.В. и соавт. Дж. Нейронная инженерия. 2017 июнь;14(3):036016. дои: 10.1088/1741-2552/аа6317. Epub 2017 27 февраля. Дж. Нейронная инженерия. 2017. PMID: 28240598
Моделирование СДВГ: обзор теорий СДВГ через их прогнозы для вычислительных моделей принятия решений и обучения с подкреплением.
Циглер С., Педерсен М.Л., Мовинкель А.М., Биле Г. Циглер С. и соавт. Neurosci Biobehav Rev. 2016 Dec; 71: 633-656. doi: 10.1016/j.neubiorev.2016.09.002. Epub 2016 5 сентября. Neurosci Biobehav Rev. 2016. PMID: 27608958 Обзор.
Посмотреть все похожие статьи
Цитируется
Имеют ли люди с обсессивно-компульсивным расстройством и обсессивно-компульсивным расстройством личности схожие нейронные механизмы принятия решений в неоднозначных обстоятельствах?
Луо Ю, Чен Л, Ли Х, Дун Ю, Чжоу С, Цю Л, Чжан Л, Гао Ю, Чжу С, Ю Ф, Ван К. Луо Ю и др. Передний шум нейронов. 2020 22 окт;14:585086. doi: 10.3389/fnhum.2020.585086. Электронная коллекция 2020. Передний шум нейронов. 2020. PMID: 33192420 Бесплатная статья ЧВК.
Разработка, проверка и внедрение метрики медицинского суждения.
Ахмед Р.А., МакКэрролл М.Л., Шварц А., Готард М.Д., Аткинсон С.С., Хьюз П.Г., Сепеда Брито Дж.Р., Асад Л., Майерс Дж.Г., Джордж Р.Л. Ахмед Р.А. и соавт. Практика политики MDM. 2017 19 июня;2(1):2381468317715262. дои: 10.1177/2381468317715262. электронная коллекция 2017 янв-июнь. Практика политики MDM. 2017. PMID: 30288425 Бесплатная статья ЧВК.
Аналоговые исследования медицинского суждения с приложениями к врачу космического экипажа.
МакКэрролл М.