Задачи в реферате: Цели и задачи реферата

Цели и задачи реферата

Трудно оценить, насколько важно правильно и своевременно обозначить-определить цели и задачи реферата. Именно от этого момента зависит, в каком направлении пойдет исследовательская работа, и соответственно успех реферата в целом. Но почему-то формулировать цели и задачи реферата иногда для учащегося представляется чрезвычайно сложным процессом. В этом материале рассматриваем, как правильно и легко все сделать. А если по каким-то причинам у вас нет времени со всем этим разбираться, обращайтесь к нам за помощью – поможем оперативно составить правильные цели и задачи реферата. Параллельно предлагаем еще массу полезных и актуальных услуг!

Как определить, что есть что?

Все зависит от грамотно сформулированной темы реферата. А если учесть, что чаще всего списки реферативных тем предлагает преподаватель, то тема уже изначально грамотно сформулирована. Значит, обозначение цели и задач будет несложным процессом. Для начала разберемся, чем они друг от друга отличаются.

• Цель – это то, чего вы, в общем, хотите достичь в результате исследования, к чему стремитесь в теоретических изысканиях (в частности, раскрытие сущности и особенностей исследуемой теоретической темы или вопроса).
• Задачи – это те конкретные шаги-подцели, с помощью которых вы достигаете общей цели.

И очень важный момент рассмотрим – как правильно формулировать цели и задачи реферата. Формулировку цели обычно начинают словами: проанализировать, обобщить, описать, выявить, объяснить, и дальше (внимание!) – идет тема вашего реферата.

Например, цель работы на тему «Методики раннего развития ребенка» может быть сформулирована следующим образом: «обобщить и кратко описать успешные методики раннего развития ребенка». То есть в формулировке цели присутствует название темы (это же является объектом исследования). Дробим большую цель на задачи-подцели:

• Раскрыть содержание понятия «раннее развитие ребенка».
• Описать современные методики раннего развития ребенка.
• Проанализировать наиболее успешные из них.

Цели и задачи реферата – требования

Определились, что цель – это нечто общее, а задачи – подцели этого общего. Важно помнить, что ни одна из задач не может дублировать цель или быть шире ее. Цель должна быть общей, четкой, достижимой, а задачи – конкретными, вытекающими из цели (ее подпунктами). И в реферате охватывать теоретические моменты исследования. Обычно формулируют одну цель и не менее 2-3 задач одним-двумя инфинитивно-повествовательными предложениями. Начинаться предложение должно так: «Цель данного реферата — …», дальше ключевое слово-инфинитив (описать, выявить, проанализировать, узнать, исследовать, показать, обобщить, обосновать, выяснить, проверить, установить и подобные) и, наконец, название объекта исследования (как мы выяснили, он отражен в теме реферата). Дальше сообщаем о задачах: В соответствии с данной целью определены следующие задачи: 1.

(adsbygoogle = window.adsbygoogle || []).push({}); Раскрыть понятие… 2. Описать… 3. Выявить…(по одному предложению на каждую задачу). Каждое предложение оформляется с абзаца. Излагаются цель и задачи во введении и, по сути, с них реферат начинается. После названия реферативной темы сразу следуют цель и задачи.

Послесловие

Помните, что цель и задачи направляют вас в исследовании. Создавая основное содержание реферата, вы, конечно, о них «забываете», но приступая к написанию заключения и формируя выводы, снова их вспоминаете. В заключении вы констатируете, достигли ли в основном содержании реферата цели и задач, которые ставили в вводной части работы. Таким образом, цель и задачи – это направление, ориентир в написании реферативной работы.

Вам понравилась статья?

Наши авторы уже более 10 лет пишут для студентов рефераты, курсовые, контрольные и другие виды учебных работ и они отлично в них разбираются. Если Вам тоже надо написать реферат, то оформляйте заказ и мы оценим его в течение 10 минут!

Читайте другие статьи:

Как правильно написать цели и задачи в реферате

Что может быть проще, чем написать простой реферат? Узнаете тему, ищите информацию, а дальше ― садись да пиши. Но не все просто, как кажется на первый взгляд. И многие студенты испытывают трудности в этом вопросе, ведь реферат, как и любая другая учебная работа, требует грамотного написания и правильного оформления.

В процессе работы над темой надо выбрать актуальные данные, структурировать имеющуюся информацию и, конечно же, правильно поставить цель и сформулировать задачи, определить объект и субъект исследования. Разбираемся, какие проблемы могут возникнуть в этом вопросе.

Источник: realybiz.ru

Один из самых неприятных моментов для студента ― постановка цели, которая взаимосвязана с темой реферата. Если тема сформулирована грамотно, то с целью и задачами проблем быть не должно. К слову сказать, есть студенты, которые путают последние понятия. Давайте разберемся, чем же они отличаются.

Цель и задачи: в чем разница?

Цель ― это то, чего автор хочет достичь в итоге своих наблюдений и исследований. Традиционно четкая, лаконичная и, конечно же, достижимая. Иначе ваша работа не будет иметь смысла. 

Задача ― это конкретный шаг, который необходимо сделать, чтобы подняться на вершину и достичь цели. Обычно задач несколько. И все они предельно конкретны. Каждая ступенька ― мини-задание по осуществлению, повторять цель оно не может.

Взаимосвязь этих понятий очевидна. От понимания, куда нужно идти и чего достичь, напрямую зависит то, что нужно для этого сделать. Чтобы правильно поставить цель и задачи в тексте, а также последовательно их раскрыть в реферате, не пренебрегайте составлением подробного плана действий.

Как написать?

Существуют свои правила по формулированию цели и задач в тексте. Давайте разбираться подробнее.

• В формулировке цели преобладают глаголы: проанализировать, описать, объяснить, обобщить и так далее. 

Например, цель реферата по теме «Адаптация персонала на примере компании ООО “АдвансАгро”» будет звучать как «изучение механизма процесса адаптации персонала на примере ООО «АдвансАгро» как важнейшего элемента системы управления кадрами».

Заметьте, в цели присутствует название работы, а также указан объект исследования. 

• Следующий шаг ― выделение подцелей. Например:

1. Раскрыть понятие «адаптация персонала».
2. Проанализировать системы адаптации в организации ООО «АдвансАгро».
3. Разработать программу адаптации для новых сотрудников.
4. Разработать и внести предложения по усовершенствованию существующей программы адаптации.

Источник: vk.com

Где писать?

И цель, и задачи размещаются во введении. Это очень логично, ведь в этом разделе вы вводите читателя в курс дела, знакомите его со своей работой. А дальше в тексте вы постепенно раскрываете цель с помощью решения конкретных задач. Таким образом, в заключении стоит подвести итог и обозначить, достигнута ли цель и какие задачи были для этого решены.

Понятия объекта и субъекта

Два понятия, которые также важно правильно обозначить в процессе работы над рефератом, ибо они участвуют в формировании цели и задач.  

Объект ― научная область, то, что хотят изучить в исследовании. Субъект ― это предмет изучения, какая-то составная часть объекта. Например, вернемся к персоналу ООО «АдвансАгро», где объектом изучения будет сама организация, а субъектом ― система адаптации персонала в компании.

Сколько писать?

Количество целей и задач в реферате лучше определить с преподавателем. Традиционно  в небольшой работе ставится одна цель и 3-4 задачи. Если исследование очень объемное, то это количество может быть увеличено.

Надеемся, наша статья поможет вам в определении и формулировании целей и задач. Если вы понимаете, что сложностей в этом вопросе не избежать, то отправляйтесь в ФениксХелп. Здесь всегда готовы помочь со сложными учебными вопросами.

Как написать цель в реферате и не ошибиться | Антиплагиату.НЕТ

При написании реферата важно правильно оформить этот документ. И, несмотря на то, что сейчас эта задача не кажется трудной, иногда все же возникают проблемы. Поэтому необходимо помнить о правильной структуре реферата и придерживаться определенных правил при его составлении. Одним из важных компонентов документа является постановка цели. Именно она определяет, как будет двигаться человек при написании реферата.

Часто, когда есть тема, достаточно четко и понятно сформулированная, с постановкой целей проблем не возникает, и ошибиться здесь маловероятно. Однако иногда тема реферата не кажется лёгкой, и тогда могут возникнуть сложности с указанием цели.

Итак, что такое цель. Цель – это то, чего хочет достичь автор в результате проделанной работы.

Ещё есть небольшие подцели в реферате, это определенные шаги, ступени, которые проходит автор, чтобы по итогу выполнить главную цель. Их называют задачами. Они обеспечивают достижимость цели. Задачи более конкретны, понятны и лаконичны. Они должны соответствовать определенному плану и вести к общей главной цели. Важно не перепутать эти понятия и грамотно составить последовательность работы.

Как правильно сформулировать цель?

Какими словами нужно пользоваться, чтобы грамотно ее составить? Во-первых, целью может быть обобщение чего-либо. Это могут быть какие-то данные, наблюдения, факты и т.д. Во-вторых, это может быть анализ. Возможно анализ деятельности, явлений или результатов. В-третьих, целью работы может быть описание. Описание моделей, действий, форм, методов и др. Также при постановке цели можно использовать слово объяснение. Объяснять можно какие-то процессы, поведение или причины чего-либо. В пятых, вариантом цели может быть выявление каких-то фактов, признаков , достоинств.

Самое главное при постановке цели опираться на тематику работы. Тема реферата должна быть неразрывно связана с целью и частично или полностью повторять ее. Очень просто объяснить это на примере. Тема реферата звучит так: «Методы развития устного счета в младших классах». Соответственно цель работы будет звучать похоже: обобщить успешные методы развития устного счета в младших классах. А шаги, или задачи, которые автор будет решать в реферате, могут быть следующими:

• Описать существующие методы развития устного счета.
• Проанализировать наиболее успешные из них.

Таким образом, при грамотной постановке цели и последовательной формулировке задач автор успешно может справиться с написанием реферата и полноценным раскрытием темы.

Где нужно писать цели и задачи в реферате?

Обычно они находятся в самом начале, в вводной части документа. В середине, в основной части происходит их раскрытие, подробно и объемно. Там автор по шагам, согласно поставленным задачам ведет читателя к цели. В заключительной части обычно пишут достигнута цель или нет. В этой последовательности нет ничего сложного и здесь не стоит бояться ошибиться.

цель и задачи реферата

цель и задачи реферата

Какое же количество целей и задач может быть в реферате?

На этот вопрос лучше всего может ответить преподаватель, который задал провести работу. Как правило, для небольших документов, требующих немного усилий достаточно сформулировать одну цель и несколько задач. В более масштабных рефератах можно ставить несколько целей и к каждой определять задачи.

Итак, для того чтобы правильно поставить цель и не ошибиться нужно внимательно прочитать тему работы, понять ее, учесть ее актуальность и не забыть о структуре реферата. При правильной постановке цели и задач написание документа может показаться совсем не сложным.

Как Писать Задачи В Реферате – Telegraph

➡➡➡ ПОДРОБНЕЕ ЖМИТЕ ЗДЕСЬ!

Как Писать Задачи В Реферате

Дипломные работы
Курсовые работы
Контрольные работы
Отчеты по практике
Эссе
Рефераты
Доклады
Чертежи
Презентации
Диссертации
ГОСТы
Бизнес-планы
Выпускные квалификационные работы

Главная

Статьи

Рефераты

Цели и задачи в реферате

Читать следующую статью:
Виды рефератов

Нажав на кнопку “Узнать стоимость”, вы соглашаетесь с обработкой персональных данных в соответствии с политикой сервиса

Закажи написание реферата по своему предмету:
Нужна помощь с учебой? Наши эксперты готовы помочь!
Нажимая на кнопку, вы соглашаетесь с политикой обработки персональных данных
Вы будете перенаправлены на Автор24
Во введении любой научной работы необходимо писать цель и задачи. Это требование действует и в реферате, хотя его введение обычно менее развернутое, чем у имеющих научную новизну исследований.
Написание цели и задач часто вызывает затруднение именно в рефератах. Причин этому несколько:
На бытовом уровне понятия цели и задачи часто смешиваются: если вашей целью является помыть посуду, то можно сказать, что перед вами стоит задача мытья посуды. Чтобы написать цель и задачи в реферате, нужно четко разграничивать эти термины.
Рисунок 1. Пример цели и задач в реферате
Цель реферата базируется на его теме. Формулировка темы может быть преобразована в цель двумя способами:
Более оправданным представляется второй путь. Полезными могут быть следующие слова:
В отличие от курсовых и выпускных квалификационных работ, реферат не предусматривает разработку проекта или предложение мероприятий, максимум речь может идти о критическом осмыслении взглядов нескольких направлений. Чаще же цель ограничивается сугубо учебными направлениями.
Приведем примеры формулировки целей:
Цель работы можно (и нужно) писать до начала работы над основным текстом. Это позволяет задать ориентир дальнейшей деятельности, понимать, к чему нужно стремиться.
Четкого требования, сколько задач нужно сформулировать, не существует. Однако общепринятая практика – количество задач совпадает с количеством разделов в работе. Каждый раздел (пункт, параграф) реализует решение одной из задач.  
Задачи удобнее всего писать после того, как составлен план работы. Тогда процесс написания задач сводится к переформулированию пунктов плана таким образом, чтобы они отвечали на вопрос «что нужно сделать в этой части работы». 
Полезные глаголы для постановки задач:
Например, список задач для реферата про Смутное время, состоящего из трех частей, может выглядеть следующим образом:
Цель и задачи – часть введения реферата. Какое-то специфичное оформление этих разделов не требуется.
Сначала пишется цель. С нового абзаца (чаще всего – сразу после описания актуальности темы) набирается предложение: «Целью работы является …», или «Цель данной работы – …». Слово «цель» не нужно выделять жирным шрифтом или другими способами.
После цели помещается информация о задачах. Можно написать просто «Задачи данной работы:», а можно указать на связь между задачами и планом самого реферата: «Задачи данной работы, определившие ее структуру:». Задачи оформляются в виде списка (нумерованного или маркированного). Как и в случае с целью, выделение слова «задачи» не требуется.
При написании цели и задач используются те же параметры шрифта, что и в основном тексте.

Оценка:

Проголосовать

Консультирую по академической работе

Цели и задачи в реферате : пример как написать цель реферата
Как написать цель и задачи реферата : правила, пример
Как написать цель в реферате и задачи : правила, рекомендации…
Формулирование цели и задач реферата — Мегаобучалка
Цели, задачи и гипотеза реферата – образцы и примеры как…
Сочинение Про Комнату Литературного Персонажа
Мерзляк Полонский Итоговые Контрольные Работы
Договор Купли Продажи Дипломная Работа
Дипломный Архив
Как Писать Сочинение В Формате Итогового

как написать, что нужно знать?

Получая высшее образование, студенты пишут курсовые и контрольные работы. Задания следует выполнять качественно, вовремя и строго соблюдая требования ГОСТа. Одним из видов самостоятельной работы студентов является подготовка рефератов и эссе. Чем рефераты по физической культуре отличаются от рефератов по другим дисциплинам? Специфика предмета имеет огромное значение при выполнении работы. Следует уделить внимание подготовке плана, который должен содержать 3-5 пунктов. Каждый пункт призван освещать определенный аспект выбранной темы.

План может быть простым, где каждый пункт состоит из одного предложения. Также студенты нередко прибегают к использованию сложного плана, когда каждый пункт разбивается на несколько подпунктов, небольшие по объему, где подробнее объясняются особенности выбранной темы, при этом нужно помнить о знаках препинания при выполнении рубрикации.

Структура реферата: полезные советы студенту

Испытывая дефицит свободного времени, современные студенты очень часто отдают предпочтение помощи профессионалов. Есть специальные биржи исполнителей, где всегда помогут решить проблемы по учебе, будь то задачи по химии или сделать реферат онлайн https://vsesdal. com/promo/sdelat_referat_onlajn. В любом случае готовая работа должна иметь четкую структуру.

Во введении следует раскрыть значение выбранной темы, определить цель и задачи реферата по физической культуре. В основной части (3-5 пунктов) материал надо излагать кратко, логично и аргументированно. Завершается работа короткими выводами. В конце реферата обязательно подается список литературы. В реферате рекомендуется использовать не менее 510 источников, это могут быть учебники, пособия, монографии, статьи из журналов или сборников, ссылки на ресурсы Internet.

Основополагающими в написании реферата являются печатные труды, а ресурсы Internet должны составлять не более 1/3 части обработанных источников. В списке использованной литературы все использованные источники размещаются по алфавиту (первые буквы фамилии автора). Обязательным компонентом семинарского занятия является подготовка рефератов.

Особенности хорошего реферата по физической культуре

Реферат не является дословным пересказом текста учебника или учебного пособия, а представляет собой одну из форм научного исследования на определенную тему, творчески переработанную на основе знакомства с состоянием современных научных исследований (научно-проблемный реферат) или изложение основных положений определенных изданий или их частей (обзорно-информационный реферат).

Реферат должен быть выполнен самостоятельно. Поэтому даже если вам помогли на бирже исполнителей, никто об этом не узнает благодаря политике конфиденциальности.

Цель написания реферата заключается в приобретении студентом знаний по физической культуре, умений и навыков работать с научной литературой и архивными материалами, самостоятельно анализировать и обобщать материал, делать и формулировать собственные выводы и предложения. С помощью рефератов студент глубже изучает наиболее сложные проблемы дисциплины, учится правильно оформлять работу и прилагать результаты своего труда.

Подготовка реферата включает в себя следующие этапы:

· Выбор темы.

· Подбор и изучение специальной литературы.

· Составление плана реферата.

· Изложение содержания темы.

· Оформление реферата.

· Устное изложение реферата.

Нейронное представление структуры абстрактной задачи при генерализации

Основные версии:

Все рецензенты считали, что это исследование затрагивает важный вопрос: определение того, как мозг представляет структуру абстрактной задачи в задаче на обобщение. Они согласились с тем, что в этом исследовании используется очень умный поведенческий дизайн и удачное сочетание поведенческих и нейробиологических методов. Тем не менее, некоторые утверждения необходимо изменить или лучше обосновать, и требуется гораздо более тщательное рассмотрение обширной, разнородной и очень актуальной литературы.

1) Основная проблема заключается в том, что основное утверждение статьи — что поведенческие и нейронные данные отражают «латентное состояние» — не может быть оценено теоретически, если природа представления латентного состояния не будет тщательно и конкретно определена. Для этого авторам потребуется более широко указать ссылку на предшествующие исследования абстрактных представлений задач и контекстов, уточнив, чем они похожи или различаются в контексте вашего эксперимента как во Введении, так и в Обсуждении.

Мы согласны с тем, что это важный момент, на который следует обратить внимание, поскольку отсутствие точности может внести путаницу в литературу, касающуюся этого наблюдения. Наша редакция пытается прояснить, как мы используем термин «латентное состояние» во введении. Мы определяем «состояния» в соответствии с их использованием в литературе по обучению с подкреплением: переменные, которые описывают состояние окружающей среды. Например, в случае азартной игры форма или цвет «бандита» могут определять состояние, в других задачах той же цели может служить расположение на экране или в лабиринте.Таким образом, состояния являются ключевым субстратом для обучения, и их формулировка диктует, как информация о задаче распределяется или разделяется между различными настройками. Например, если только цвет бандита определяет вероятность награды, может оказаться полезным представлять всех бандитов одного цвета как принадлежащих к одному государству, а не формировать для каждого бандита отдельные представления по форме и цвету. Этот пример представляет собой форму обобщения или абстракции состояния, когда информация о ценности бандитов одного цвета распределяется между локациями, что ускорит обучение по цветовому измерению.

Опираясь на это определение, мы определяем «латентные состояния» как состояния, которые не определяются только сенсорными данными, но должны быть выведены из распределения результатов или другой информации, относящейся к задаче, по набору характеристик задачи. Таким образом, понятие «латентное состояние» применялось по-разному в разных исследованиях в зависимости от поставленной задачи. Например, в других экспериментах латентные состояния определялись на основе временной частоты сочетания тон-шок (Gershman et al., 2013), пространственно-временного распределения вознаграждения (Nassar et al., 2019), или действия-ценности, обусловленные недавней историей задач (Zhou et al., 2019). В случае нашего эксперимента латентное состояние определяется распределением наград и наказаний по категориям в контекстах на начальном этапе обучения. Таким образом, латентные состояния в настоящем эксперименте имеют сходство с прошлой работой по изучению поведения обобщения над латентными наборами задач (Коллинз и Франк, 2013) или скрытых причин (Томов и др. , 2018).

Помимо определения латентного состояния в нашей задаче, мы считаем, что то, как латентные состояния используются в нашей задаче, может дать еще одно объяснение различия между нашими наблюдениями и предыдущими отчетами, которые подчеркивали роль гиппокампа и OFC в представлении латентных состояний.В частности, наша задача была сосредоточена на обобщении на этапе, когда не было внешней обратной связи или новой информации, которая позволила бы участникам обновить свое представление о том, как контексты связаны с латентным состоянием. Напротив, другая работа, которая была сосредоточена на активном выводе о текущем латентном состоянии на основе имеющихся данных, нашла представление этой информации в OFC (Chan et al., 2016). Точно так же другая работа была сосредоточена на репрезентациях латентных состояний в OFC и гиппокампе, которые предположительно участвуют в планировании будущих действий на основе недавней истории задач (Schuck et al., 2016; Шук и Нив, 2019). Мы обсуждаем этот момент в исправленной рукописи.

2) В качестве примера можно привести схему приобретенной эквивалентности (AE) — широко изученную парадигму, в которой различные сигналы сочетаются с общим результатом, а последующее обучение одному из сигналов с новым результатом обобщает ко второму сигналу во время теста: то есть, учитывая A◊O1, B◊O1, за которым следует A◊O2, тесты выявляют ожидания O2 при данном B. Консенсусное объяснение таких эффектов – ассоциативный поиск O1 с помощью A и B с помощью O1, что позволяет опосредованно кондиционировать B в O2 во время испытаний A◊O2.Хотя в текущем исследовании используются более сложные непредвиденные обстоятельства, чем те, которые обычно используются в исследованиях АЭ, неясно, можно ли исключить какую-либо форму ассоциативного опосредования и поиска для этих эффектов. Таким образом, возникает вопрос: является ли процесс или содержание сложного ассоциативного поиска тем, что авторы подразумевают под «представлением скрытого состояния», или вместо этого они ссылаются на явную абстракцию некоторого инвариантного признака, что больше соответствует предыдущей работе по реляционное рассуждение. В любом случае определения таких терминов, как «латентное состояние» и «абстрактная структура», должны быть четко изложены и оформлены в контексте предыдущей соответствующей работы.

Это проницательный момент, который поднимает вопрос: интегрируют ли участники контексты в представление скрытого состояния задачи, чтобы помочь выполнить задачу обобщения, или они делают обобщение посредством процесса ассоциативного поиска? Мы считаем, что это важно решить, потому что опосредованный ассоциативный поиск предполагает, что интегрированное представление задачи не используется для выполнения обобщения, и это будет иметь разные последствия для интерпретации наших результатов функциональной визуализации.Чтобы различать эти альтернативы, мы провели анализ компьютерного моделирования, чтобы формализовать эти гипотезы и сравнить, насколько хорошо они учитывают данные о времени реакции участников в первом мини-блокированном разделе фазы обобщения.

Мы разработали набор простых моделей обучения для сравнения и противопоставления различных объяснений того, как участники осуществляли передачу значений опций на начальном этапе обобщения. Модели выражают поиск и обобщение в терминах распространения активации среди набора узлов, которые представляют различные элементы задачи.В каждой модели мы структурировали сеть памяти по-разному в соответствии с проверяемой гипотезой. Однако эти модели основывались на одних и тех же основных предположениях и параметрах: (1) время реакции зависит от силы активации узлов, содержащих извлеченные элементы (Андерсон, 1983). (2) Сила активации для каждого элемента инициализируется нулем и увеличивается в соответствии с правилом обучения Рескорла-Вагнера (Rescorla and Wagner, 1972), контролируемым одним параметром скорости, ограниченным от 0 до 1 (α ₁ ), каждый время извлечения опции, пока она не достигнет асимптотического значения, равного единице.(3) Активация распространяется на контексты и категории, связанные с извлеченными элементами, контролируемые параметром «опосредованного поиска» (α ₂ ). (4) Поиск в памяти увеличивает активацию всех других элементов, связанных с задачей, в каждом испытании в соответствии с параметром «случайного извлечения» (α ₃ ). (5) Увеличение активации, унаследованное от подключенных узлов, падает в соответствии со степенным законом, где скорости последовательных шагов перемножаются.

Мы протестировали четыре варианта модели, каждый из которых отличался тем, как они представляли эту сеть памяти, и тем, как активация элементов задачи распространяется во время обобщения (см. рис. 4).Важно отметить, что эти модели не предназначены для имитации какой-либо конкретной нервной системы, а только описывают, как формат этих представлений в памяти может по-разному влиять на процесс поиска и, соответственно, на время реакции:

1) Конъюнктивное ассоциативное извлечение. Эта модель реализует обобщение через ассоциативное извлечение, предполагая, что система памяти хранит соединения релевантных для задачи функций, которые могут быть извлечены, если какая-либо из этих функций встретится позже.Эта сеть памяти была представлена ​​в виде матрицы конъюнкций контекстов по категориям. В каждом испытании на обобщение представленный контекст (например, A1) будет активировать связанные связи контекст-категория-значение из начального обучения на основе параметра скорости α ₁ (например, A1-листья- (отрицательное значение), A1-еда-, A1-руки+ (положительное значение)). Это привело бы к опосредованной активации конъюнкций контекст-категория с теми же ценностными ассоциациями из начального обучения с параметром скорости α ₂ (т.г. А3-руки+, А2-руки+ и т. д.), что, в свою очередь, привело бы к активации конъюнкций новых категорий, связанных с контекстом, появившихся на втором этапе обучения (например, А3-предметы-, А3-лица+ и т. д.), как определяется по курсу α ₂ ² . В то же время категория, представленная в текущем испытании (например, объекты), будет активировать соединения с этой категорией из фазы обучения новой категории (например, A3-объекты-, B3-объекты+) со скоростью, определяемой α ₁ .Соединение, показанное в текущем испытании (например, A1-объекты-), унаследует активацию от связанного соединения из фазы обучения новой категории (например, A3-объекты-) и увеличится в активации со скоростью, определяемой α ₁ ² *α ₂ ² . Точно так же соединение той же категории с протянутым связанным контекстом (например, A2-объекты-) получит опосредованное увеличение активации со скоростью α ₁ ^2* α ₂ ³ . Все остальные узлы, не активированные текущим испытанием, также увеличат свою активацию со скоростью α ₃ .

2) Независимый ассоциативный поиск. Эта модель также реализует обобщение посредством ассоциативного поиска, но вместо того, чтобы полагаться на эпизодические соединения контекста и категории, она сохраняет каждый отдельный элемент задачи независимо и связывает их вместе на основе опыта. Сеть памяти была представлена ​​в виде двух векторов контекстов и конъюнкций «категория-значение» (т.е. отдельные узлы для граней+ граней- и т.д.). Каждый контекст был связан со связанными с ним значениями категории из начальной фазы обучения, и только отложенные контексты были напрямую связаны со значениями категории из обучения новой категории. В каждом испытании (например, A1-объекты-) активация в текущем контексте (например, A1) будет увеличиваться с параметром скорости α ₁ . Эта активация приведет к прямому извлечению значений категории из начального обучения со скоростью α ₁ ² и прямому извлечению контекста из новой фазы обучения категории с теми же ассоциациями значения категории (т. г. A3) по курсу α ₁ ³ . Затем поиск этого контекста привел к активации соответствующего узла категории-значения для текущего испытания (например, объекты-) из новой фазы обучения со скоростью α ₁ ⁴ , что позволило обобщить, а также опосредованное извлечение другие категории-значения (например, лица+, животные+) по курсу α ₁ ³ *α ₂ . Активация значений категории из начального обучения также приведет к опосредованному поиску другого связанного контекста (например,г. A2) по курсу α ₁ ² *α ₂ . Все остальные узлы будут увеличивать свою активацию со скоростью, установленной на α ₃ .

3) Латентное состояние. Эта модель реализует обобщение через формирование латентного состояния, заменяющего отдельные представления отдельных контекстов. Здесь сеть памяти была представлена ​​в виде вектора латентных состояний и матрицы латентных состояний по категориям, поэтому значения категорий были отдельно вложены в каждое латентное состояние. В этом случае не было отдельной репрезентации контекста, поэтому любое увеличение активации от пробы с контекстом A1 немедленно переносилось на контекст A2. При каждом испытании активация в текущем латентном состоянии (например, латентном состоянии A) будет увеличиваться в соответствии с параметром скорости α ₁ и в текущем узле категории-значения в соответствии с α ₁ ² . Все остальные узлы категорий, связанные с активным латентным состоянием, увеличивают активацию в соответствии с α ₂ , а все остальные латентные состояния увеличивают активацию в соответствии с α ₃ , а их вложенные категории — в соответствии с α ₃ ² .

4) Иерархические латентные состояния. Эта модель также реализует обобщение через латентное состояние, но основывается на базовой модели латентного состояния для иерархической кластеризации контекстов внутри латентных состояний. Эта модель была эквивалентна структуре, предполагаемой априори в нашей первоначальной заявке (см. схему на рисунке 1). Таким образом, эта модель основана на модели латентного состояния, но включает отдельный вектор для контекстов, а также матрицу контекстов по категориям. Эти контексты и узлы контекстных категорий иерархически вложены в каждое латентное состояние (т.г. контексты A1 и A2 вложены в латентное состояние A). Таким образом, активация для каждого из этих контекстов и узлов категорий наследуется от активации латентных состояний и латентных узлов категорий состояний. При каждом испытании активация в текущем контексте увеличивается со скоростью α ₁ ² , а в текущей категории контекста со скоростью α ₁ ³ . Контексты, связанные с текущим латентным состоянием, также увеличивают активацию в соответствии с α ₁ *α ₂ , поскольку эти контексты наследуют опосредованную активацию из латентного состояния.Категории, вложенные в эти контексты, увеличивают активацию в соответствии со скоростью α ₁ * α ₂ ² . Активация во всех других латентных состояниях увеличивается со скоростью α ₃ , контексты, не связанные с текущим латентным состоянием, увеличиваются со скоростью α ₃ ² , а их вложенные категории в соответствии с α ₃ ³ .

Для каждой модели прогнозируемое время реакции рассчитывалось просто как сумма уровня активации в текущем контексте (или латентного состояния в случае третьей модели) и категории, вычтенная из максимального асимптотического уровня активации для обоих вместе взятых.Затем эти значения были оценены по z-значению и сравнены со временем реакции участников, оцененным по z-значению, чтобы как прогнозы модели, так и данные о поведении были на одной шкале. Соответствие каждой из этих моделей рассчитывалось как отрицательное логарифмическое правдоподобие для простой линейной функции. В этот анализ были включены только правильные ответы, поскольку модель предполагает правильное восстановление значений параметров из памяти при каждом испытании. Среди всех 16 участников группы фМРТ только 17 испытаний были ошибочными во время сеанса 2, и, таким образом, на них приходилось очень небольшая доля данных (0,6%). Параметры были оптимизированы с использованием функции MATLAB fmincon , при этом каждая модель подходила для каждого участника 30 раз со случайными начальными точками, чтобы избежать сходимости на локальных минимумах.

Чтобы проверить, дают ли эти модели существенно разные прогнозы времени реакции, мы провели сравнение моделей, используя смоделированные данные. Мы смоделировали данные, используя оптимизированные параметры каждого участника для каждой модели. Затем мы подгоняем каждую модель к этим смоделированным данным так же, как и к поведенческим данным участников, чтобы проверить, лучше ли генеративная модель соответствует смоделированным данным, чем две альтернативы (рис. 4 — дополнение к рисунку 1D).Этот анализ подтвердил, что эти модели сделали разные прогнозы с небольшой путаницей между моделями.

Кратко подытоживая результаты, можно сказать, что иерархическая модель латентного состояния лучше всего соответствует данным о времени реакции для подавляющего большинства участников фМРТ на сеансах 1 (13/16) и 2 (12/16), а также для всех поведенческие участники, прошедшие критерий обобщения на сеансе 2 (N = 9; таблица 1). Мы не исследовали сеанс 1 поведенческой группы, так как они не прошли критерий обобщения в этом сеансе, и наши модели предполагали получение правильного ответа.Мы также не исследовали данные сеанса 3, так как участники уже выполнили ту же задачу на обобщение на сеансе 2, и этот сеанс служил только напоминанием.

Более внимательно изучив данные участников фМРТ на сеансе 2, мы обнаружили, что по сравнению с иерархической моделью латентного состояния модели ассоциативного поиска завышали RT в испытаниях с переключением категорий, вероятно, потому, что значения категории, связанные с текущим контекстом, только увеличивали активацию через опосредованный поиск в этих двух моделях.Напротив, в моделях латентного состояния эти узлы унаследовали активацию от прямого восстановления латентного состояния. Однако (неиерархическая) модель латентного состояния в первую очередь недооценивала время реакции на предъявление второго контекста, поскольку эта модель не имела независимого представления контекста из латентного состояния и переносила эту активацию из ранее представленного контекста. Таким образом, иерархическая модель латентного состояния, которая поддерживала отдельные представления контекстов, сгруппированных вокруг каждого латентного состояния, лучше всего соответствовала этим данным, поскольку она могла фиксировать как сдвиги категорий, так и ответы на второй контекст в соответствии с поведением участников (см. рис. 4). дополнение к рисунку 1).

В исправленной рукописи мы описываем результаты этого анализа моделирования в разделе «Результаты» и описание анализа и подгонки модели в разделе «Материалы и методы». Мы считаем, что этот анализ вносит важный новый вклад, проясняя природу обобщения латентного состояния и явно формализуя и проверяя, как разные форматы этого представления будут влиять на поведение.

Мы считаем, что эти результаты подтверждают наше утверждение о том, что участники использовали представление о скрытом состоянии для выполнения этой задачи обобщения.Однако мы не можем говорить о том, формируют ли участники такое представление обязательно для выполнения задач на приобретенную эквивалентность в целом, или этот вывод отражает специфические особенности нашей задачи. В частности, инструкции к заданию, подчеркивающие существование «царств гоблинов» (т. е. латентных состояний), с которыми были связаны контексты, а также мини-блочная структура задания на обобщение и обучения (где категории представлены последовательно в каждом контексте), возможно, поощряли использование такого иерархически организованного представления латентного состояния.Вид представления, используемый для выполнения задач на приобретенную эквивалентность, остается предметом споров и может зависеть от требований задачи (De Araujo Sanchez and Zeithamova, 2020; Shohamy and Wagner, 2008). Теперь мы поднимаем эти вопросы в Обсуждении.

Также стоит отметить, что этот анализ моделирования фокусируется на фазе генерализации с мини-блокировкой, а не на фазе сканированного смешанного генерализации, которая была в центре внимания нашего анализа фМРТ. В принципе, участники могли бы использовать другое представление для выполнения этой задачи после выполнения первоначального обобщенного (т. г. запоминание значений 18 новых комбинаций контекст-категория или только шести элементов с отрицательными ожидаемыми значениями). Однако мы обнаружили, что у участников затраты на переключение RT для латентных состояний превышали затраты на переключение только для контекста на этой фазе эксперимента. Таким образом, эти данные свидетельствуют о том, что участники продолжали ссылаться на это представление латентного состояния на протяжении всей фазы обобщения сканирования. Мы обсуждаем этот момент в разделе Обсуждения.

3) Авторы не показывают четкой связи между их нервными и поведенческими результатами.Некоторая связь между этими двумя эффектами может помочь укрепить выводы, которые делают авторы. Несколько дополнительных анализов должны оценить (i) связаны ли индивидуальные различия в точности фазы 3 или экспоненциальной подгонке RT с представлением латентного состояния субъектов, (ii) существует ли связь между затратами на переключение (между латентными состояниями) и точностью выполнения нейронной задачи. представление, (iii) Чтобы дополнительно подтвердить, что области мозга представляют латентные состояния и отслеживают, в каком состоянии находится участник, следует провести однофакторный анализ, который идентифицирует области, которые активны во время переключений латентного состояния.Например, авторы могли бы сравнить активность сразу после переключения латентного состояния с активностью в латентном состоянии (например, испытание 1 против испытания 4 с мини-блоком). Является ли этот ответ сильнее, когда переключаются и контекст, и скрытое состояние?

Мы согласны с тем, что четкая связь между нейронными данными о латентном представлении состояния задачи и поведением поможет прояснить роль этого представления в этой задаче. Однако наш эксперимент не был разработан для обнаружения такой связи и плохо подходит для проверки этих возможностей, как мы объясним ниже.Мы рассмотрели каждую линию анализа, предложенную рецензентами, но не нашли никаких результатов, которые мы с уверенностью могли бы включить в исправленную рукопись. Тем не менее, мы считаем, что основные результаты нашей рукописи, демонстрирующие свидетельство латентного представления состояния, которое является порождающим и явно абстрактным во время обобщения, важны и заслуживают публикации. Мы считаем, что вопрос о том, как это представление влияет на поведение, в конечном итоге потребует дополнительной работы и будущих экспериментов, призванных ответить на этот вопрос.

Здесь мы рассматриваем каждый из этих предлагаемых анализов по очереди ниже:

i) Если индивидуальные различия в точности фазы 3 или экспоненциальном соответствии ВУ связаны с репрезентацией латентного состояния субъектов

В этом эксперименте мы использовали метод плотной выборки, собрав два сеанса данных фМРТ для относительно небольшого числа участников (N = 16). Мы ожидаем, что, таким образом, у нас не будет возможности обнаружить какой-либо эффект, вызванный дисперсией между субъектами, и мы будем скептически относиться к любой корреляции между этими 16 участниками в нейронных и поведенческих данных.

Однако в исследовательских целях мы извлекли коэффициенты β для представления латентного состояния задачи из области интереса, определяемой вокселами, которые превысили пороговое значение кластерной коррекции на основе перестановок для статистической значимости при P <0,05 (рис. 5). Была умеренная, но не статистически значимая, отрицательная корреляция между этим нейронным показателем и скоростью экспоненциальной функции, соответствующей точности участников (ρ = -0,347, P = 0,18, корреляция Спирмена), и никакой связи между средним значением экспоненциальная скорость для времени реакции для первого контекста в каждом латентном состоянии (r = -0.08, P = 0,77, корреляция Пирсона). См. изображение ответа автора 1 (слева, показатель времени реакции (RT); справа, показатель точности (ACC)):

Визуальный осмотр данных указывает на тенденцию к отрицательной корреляции как для ВУ, так и для показателей точности, возможно, компенсируемую одним или двумя участниками. Однако, учитывая небольшой размер выборки, мы недостаточно уверены в этих результатах, чтобы представить их в рукописи.

ii) Если существует связь между затратами на переключение (между латентными состояниями) и точностью представления нейронной задачи

Мы согласны с тем, что это интересный и важный вопрос. Тем не менее, мы использовали быстрый план, связанный с событиями, который был оптимизирован для оценки эффективности 18 комбинаций контекста и категории, которые были в центре нашего основного анализа RSA. Мы не оптимизировали этот план для оценки одиночных испытаний. Кроме того, оценки нейронной активности для одиночных испытаний в дизайне, связанном с быстрым событием, сильно загрязнены соседними испытаниями (Mumford et al., 2012), что особенно проблематично для этого вопроса, поскольку нам было бы интересно узнать, как сила репрезентации в предыдущем испытании повлияла на время реакции в следующем. В частности, мы ожидаем, что переключение будет сложнее и, следовательно, RT будет длиннее, если представление о латентном состоянии будет сильнее в предыдущем испытании (аналогично анализу данных ЭЭГ Kikumoto and Mayr, 2020).

Несмотря на эти моменты, мы решили проверить, выполним ли этот тест, проведя анализ RSA в одном испытании.Мы оценили GLM для каждого испытания у каждого участника, используя подход Mumford et al., (2012), где один регрессор создается для интересующего испытания в каждой GLM, а все остальные испытания моделируются регрессорами, сгруппированными по условию . Затем мы извлекли данные из вокселей в области интереса, определенной с помощью анализа RSA всего мозга (как указано выше), и рассчитали перекрестно подтвержденные расстояния Махаланобиса между паттернами в каждом испытании и средние паттерны для каждого из 18 условий.

Учитывая, что мы не оптимизировали дизайн для получения этих эффектов, мы были особенно обеспокоены обратным загрязнением активности паттерна в испытаниях с переключением, так что гемодинамический ответ в испытании, где латентное состояние переключалось (испытание n+0), мог повлиять на оценки активности в предыдущем испытании (испытание n-1).Это затруднило бы получение оценки силы латентного состояния по активности паттерна в испытании n-1, которое не было смещено испытанием n+0. Чтобы проверить это, мы сравнили перекрестно подтвержденные расстояния Махаланобиса в испытании n-1 со латентным состоянием задачи в испытании n+0 для коротких и длинных интервалов между испытаниями (ITI), ожидая, что обратное загрязнение будет хуже для более коротких интервалов. Это. Анализ подтвердил это предсказание, так как это расстояние было значительно меньше в испытаниях, где ITI был меньше медианы ITI ( t = 2.30, P = 0,036, внутрисубъектный t-критерий). См. изображение ответа автора 2, показывающее эти расстояния для всех 16 участников, каждое из которых нанесено одной линией. Подтвердив обратное загрязнение от гемодинамического ответа в последующем испытании, мы очень сомневались бы в том, чтобы делать выводы из любого анализа, проверяющего, как сила активности паттерна в испытании n-1 влияла на поведение в испытании n. Точно так же прямое загрязнение из предыдущего испытания, безусловно, повлияет на нашу способность делать выводы о том, как активность паттерна в испытании n+0 влияет на поведение в этих испытаниях с переключением.

iii) Для дальнейшего подтверждения того, что области мозга представляют латентные состояния и отслеживают, в каком состоянии находится участник, следует провести одномерный анализ, который идентифицирует области, которые активны во время переключений латентного состояния. Например, авторы могли бы противопоставить активность сразу после переключения латентного состояния против активности, следующей за переключением в латентное состояние.в латентном состоянии (например, испытание 1 против испытания 4 с мини-блоком). Является ли этот ответ сильнее, когда переключаются и контекст, и скрытое состояние?

Мы считаем, что это предположение могло частично возникнуть из-за неправильного понимания нашего экспериментального плана. Условия в отсканированной части фазы обобщения были представлены в псевдорандомизированном порядке для оптимизации эффективности быстрого плана, связанного с событием, а не представлены в виде мини-блоков с несколькими последовательными испытаниями одного и того же типа, повторяющимися подряд. Участники завершили мини-заблокированный сегмент фазы обобщения (аналогично фазам обучения) перед входом в сканер (эти данные представлены на рис. 2A-D и рис. 3). См. также рисунок 1 — дополнение к рисунку 1 для получения более подробной информации о дизайне нашего исследования.

Однако это не помешало нам провести предложенное одномерное сопоставление для издержек переключения, связанных с латентным состоянием. Мы запустили новый GLM с регрессорами условий для повторений и переключений категории, контекста и скрытого состояния.В противоположных испытаниях с переключением контекста, где латентное состояние оставалось неизменным или переключалось, не было ни одного воксела, который выдержал бы коррекцию для множественных сравнений или преодолел пиковый порог P < 0,001 без коррекции.

Хотя может показаться несколько странным, что мы не наблюдаем нейронного эффекта, несмотря на обнаружение эффекта переключения латентных состояний в нашем поведенческом анализе, вполне возможно, что мы недостаточно сильны для этого анализа. Опять же, мы не разрабатывали пробный порядок в магните, чтобы оптимизировать эффективность для оценки переключения и переключения.повторять различия. Таким образом, латентное состояние оставалось неизменным только примерно в 1/3 испытаний, что делало переключения гораздо более распространенными и ожидаемыми, что, вероятно, смягчало любой эффект затрат на нейронные переключения.

В целом, результаты этих ретроспективных анализов не дали окончательных результатов. Однако при предварительной регистрации нашего экспериментального дизайна и плана анализа мы сосредоточились на тестировании представления латентного состояния на основе RSA условий задачи и не использовали наш эксперимент для анализа индивидуальных различий или одномерных контрастов между повторением латентного состояния и переключением. условия.Мы считаем, что наши основные результаты по-прежнему не имеют прямой связи между поведением и нейронными данными в сканере и являются важным вкладом в понимание сети, представляющей структуру задачи, с целью обобщения. Более того, описанный выше анализ компьютерного моделирования, который был вызван комментариями рецензента, углубил наше понимание того, как это представление о скрытом состоянии может быть организовано и связано с поведением. При обсуждении исправленной рукописи мы отмечаем необходимость установления более прямой связи между этим нейронным представлением и поведением, а также важность решения этого вопроса в будущей работе в разделе «Обсуждение».

4) Анализ латентной задачи RSA выявил сеть регионов, очень похожую на сеть регионов, представляющих «схемы событий» для отдельных людей (например, Baldassano et al., 2018; Chen et al., 2017). Эти результаты следует обсуждать в более широком контексте того, как мозг представляет структуру в целом. Дополнительный анализ хорош и показывает ссылку на предыдущую работу, но этого недостаточно.

Мы ценим и согласны с необходимостью более широкого сравнения наших результатов с другими данными в литературе, посвященной представлению структур задач и событий. Чтобы решить конкретный вопрос, касающийся соответствия этих сетей, мы попытались более формально охарактеризовать перекрытие нашей сети RSA со скрытым состоянием с этими предыдущими результатами. Первый автор любезно предоставил нам копию карты коэффициентов корреляции Пирсона для сходства паттернов между участниками во время устного воспроизведения из Chen et al. (2017) (рис. 3B в этой статье). Сравнение перекрытия этой статистической карты со статистической картой из нашего анализа RSA выявило некоторое перекрытие в задней медиальной коре и нижней теменной доле, но очень ограниченное перекрытие в латеральной или медиальной префронтальной коре.

На изображении ответа автора 3 показана карта t-статистики скрытого состояния с пороговым значением P < 0,001, нескорректированная сине-зеленым цветом, чтобы быть инклюзивной, и карта корреляции Пирсона с пороговым значением r ≥ 0,03 красно-желтым цветом. Цифры над срезами соответствуют z-координате срезов в пространстве MNI.

Хотя это и интересно, мы думаем, что перекрытие этих сетей в лучшем случае умеренное. Область задней медиальной коры с максимальным t-статистикой в ​​нашей выборке также была довольно задней и дорсальной по сравнению с областью, обнаруженной Chen et al. Эти области задней медиальной коры различаются по своей анатомической и функциональной связи с другими частями мозга: более дорсальный пик, обнаруженный в нашем анализе, соответствует более близкому разделению предклинья с проекциями на ростролатеральную префронтальную кору, а пик из Chen et al. и соответствующий ближе к задней поясной коре — с большим количеством связей в медиальной префронтальной коре (Margulies et al., 2009), что может быть связано с различиями в характере перекрытия в субрегионах префронтальной коры. Результаты схемы событий Baldassano et al., 2018, по-видимому, аналогичны результатам Chen et al., с результатами, в которых задняя медиальная кора еще больше ограничена задней поясной корой (рис. 2 этой статьи). В пересмотренном варианте, мы обсуждаем соответствие наших результатов этим и другим данным в разделе «Обсуждение». В частности, мы считаем, что области, участвующие в этом исследовании, более точно соответствуют лобно-теменным сетям, участвующим в когнитивном контроле и абстрактных инвариантных стимулах репрезентациях задач (это также подтверждается нашим сравнением с сетями состояния покоя из работы Thomas Yeo et al., 2011 на рис. 5—дополнение к рисунку 1). Сети, идентифицированные как представляющие абстрактную структуру, связанную со схематическим знанием мира, подобные тем, которые представлены в статьях, на которые ссылаются рецензенты, могут быть более вовлечены в обработку соответствия между событиями или элементами и схемой, в то время как те, которые участвуют в текущем эксперименте, могут быть более вовлечены в процесс. использование этих знаний на уровне схемы для управления выбором действий и принятием решений. Однако мы не думаем, что эти функции обязательно полностью разделены.Перекрытие внутри этих сетей и анатомические связи, соединяющие их, могут оказаться важными линиями связи между сетями, позволяющими гибко обновлять схематические знания новым опытом и поддерживать их с целью контроля во время выполнения задачи.

Авторы действительно находят доказательства представления «категорий» в априорных ROI, но на самом деле не обсуждают, какова интерпретация этих результатов. Почему гиппокамп и OFC представляют информацию о категории во время генерализации? Что это означает для отрасли в целом? Например, хорошо известно, что гиппокамп необходим для создания ортогональных представлений, которые используются для устранения неоднозначности сходных событий.Как эти результаты согласуются или не согласуются с этой интерпретацией?

Мы не решаемся делать убедительные выводы на основании информации о категориях активности гиппокампа или паттерна OFC. Мы не считаем, что эти результаты удивительны или особенно показательны в отношении функции этих регионов. OFC получает входные данные от зрительных областей более высокого порядка в нижней височной коре (Price, 2007) и имеет нейроны, настроенные на такие стимулы, как лица (Rolls et al., 2006). Предыдущая работа по изучению активности паттернов в OFC обнаружила доказательства наличия сигнала одушевленности (Chikazoe et al. , 2014), как и наш регрессор категорий, и другие работы показали, что категории стимулов, такие как лица и сцены или еда и объекты, могут быть декодированы на основе активности OFC (McNamee et al., 2013; Pegors et al., 2015). Мы можем предположить, что функция представления этой категории в OFC во время нашей задачи связана с вычислением ценности решения на основе текущего контекста и/или скрытого состояния.

Обнаружение информации о категории в гиппокампе может быть немного более удивительным по причинам, упомянутым рецензентами, но при рассмотрении мы не думаем, что это противоречит общепринятым представлениям о функции структуры.Было замечено, что нейроны гиппокампа человека избирательно реагируют на такие категории, как лица и объекты (Kreiman et al., 2000), а активность паттернов в гиппокампе несет информацию о визуальных категориях, которые различают стимулы, такие как лица и сцены (Kuhl et al., 2012). . Наши результаты согласуются с этими наблюдениями. Мы также не думаем, что наши результаты обязательно поучительны как свидетельство за или против заявлений о роли гиппокампа в ортогонализации событий как таковых, поскольку задача не предъявляла особых требований к отделению событий друг от друга. В общем, задача требовала, чтобы участники объединили информацию о нескольких событиях и стимулах, уникальных для проб, чтобы сделать вывод о значениях каждой категории стимулов в каждом латентном состоянии. Таким образом, хотя было бы полезно иметь ортогональные представления категории стимулов, было бы бесполезно иметь отдельные представления каждого события в этой задаче. Возможно, скорее, что гиппокамп использует эту информацию о категориях для извлечения значений опций, но это спекулятивный вывод.

Мы пересмотрели часть результатов, где мы сообщаем об этих эффектах, чтобы поместить эти результаты в этот контекст.

https://doi.org/10.7554/eLife.63226.sa2

Нейронное представление структуры абстрактной задачи при генерализации

doi: 10.7554/eLife.63226.

Принадлежности Расширять

Принадлежности

• ¹ Кафедра когнитивных, лингвистических и психологических наук, Брауновский университет, Провиденс, США.
• ² Факультет психологии Стэнфордского университета, Стэнфорд, Стэнфорд, США.
• ³ Факультет психологии и наук о мозге Массачусетского университета в Амхерсте, Амхерст, США.
• ⁴ Институт исследований мозга Карни, Университет Брауна, Провиденс, США.

Бесплатная статья ЧВК

Элемент в буфере обмена

Авинаш Р. Вайдья и соавт.Элиф. 2021 .

Бесплатная статья ЧВК Показать детали Показать варианты

Показать варианты

Формат АннотацияPubMedPMID

дои: 10. 7554/eLife.63226.

Принадлежности

• ¹ Кафедра когнитивных, лингвистических и психологических наук, Брауновский университет, Провиденс, США.
• ² Факультет психологии Стэнфордского университета, Стэнфорд, Стэнфорд, США.
• ³ Факультет психологии и наук о мозге Массачусетского университета в Амхерсте, Амхерст, США.
• ⁴ Институт исследований мозга Карни, Университет Брауна, Провиденс, США.

Элемент в буфере обмена

Полнотекстовые ссылки Параметры отображения цитирования

Показать варианты

Формат АннотацияPubMedPMID

Абстрактный

Когнитивные модели в психологии и неврологии широко предполагают, что человеческий мозг поддерживает абстрактное представление задач. Это предположение является фундаментальным для теорий, объясняющих, как мы быстро учимся, творчески мыслим и действуем гибко. Тем не менее, нейронные данные для верифицируемого генеративного представления абстрактной задачи отсутствовали. Здесь мы сообщаем об экспериментальной парадигме, которая требует формирования такого представления, чтобы действовать адаптивно в новых условиях без обратной связи. Используя функциональную магнитно-резонансную томографию, мы заметили, что абстрактная структура задачи была представлена ​​в левой средне-латеральной префронтальной коре, двустороннем предклинье и нижней теменной коре.Эти результаты обеспечивают поддержку нейронной реализации долго предполагаемого представления абстрактной задачи в условиях, в которых мы можем проверить его влияние. Такое представление может обеспечить значительное расширение поведенческой гибкости без дополнительного опыта, что является жизненно важной характеристикой человеческого познания.

Ключевые слова: познание; принятие решения; человек; вывод; обучение; неврология; психология; армирование.

© 2021, Вайдья и др.

Заявление о конфликте интересов

AV, HJ, JC Конкурирующие интересы не заявлены, редактор DB Reviewing, eLife

Цифры

Рисунок 1.. Схема экспериментальной задачи,…

Рис. 1. Схема экспериментальной задачи, ее дизайн и логика.

Рисунок 1. Схема экспериментальной задачи, ее дизайн и логика.

( a ) В каждом испытании на этапах обучения и обобщения участников просили принять решение о продаже или передаче изображения, значение которого зависело от контекста, показанного над изображением.На протяжении двух этапов обучения участники получали обратную связь по каждому испытанию, но не во время обобщения. Участники видели три категории изображений в одном и том же контексте в течение небольших партий испытаний для каждой уникальной комбинации (называемой мини-блоком), прежде чем переключиться на новый контекст. ( б – д ). В таблицах слева показана структура вознаграждения, например, пары контекст-категория на трех этапах эксперимента за один сеанс. В ячейках показаны вероятности вознаграждения для каждой пары.Правые схемы иллюстрируют кластеризацию контекстов по значениям категорий в латентные состояния (LS; синие и оранжевые стрелки) и вывод значений с помощью структурированных знаний (красные стрелки). Для визуализации показаны только два LS. Скрытое состояние (LS): руки (H), еда (F), предметы (O) и животные (A). ( b ) На начальном этапе обучения участникам были представлены пробные уникальные изображения из трех категорий изображений. Эти контексты могут быть сгруппированы вместе через абстрактное представление LS на основе сходства их ассоциаций категории-значения.( c ) Позже участники были обучены трем новым категориям в подмножестве предыдущих контекстов. Столбцы, выделенные серым цветом, указывают контексты, которые не учитывались на этом этапе. Таким образом, значения новых категорий обучались только в одном контексте в каждом кластере LS. ( d ) На этапе обобщения участников просили принять решение об упущенных новых комбинациях контекст-категория без обратной связи. Участники должны были использовать свои знания о LS, связывающих контексты вместе, изученные на начальном обучении.См. рисунок 1 — дополнение к рисунку 1, где представлена ​​таблица, в которой представлена ​​полная схема эксперимента для трех экспериментальных сессий.

Рисунок 1—дополнение к рисунку 1. Схематическое изображение конструкции…

Рисунок 1—дополнение к рисунку 1.. Схема, показывающая дизайн всего эксперимента для нескольких сеансов.

Рисунок 1 — дополнение к рисунку 1. Схема, показывающая дизайн всего эксперимента для нескольких сеансов.

Обратите внимание, что контексты, наблюдаемые при обучении новой категории и удерживаемые вне обобщения, не обязательно были взяты из Начального обучения 3, но здесь они показаны только в качестве примера. Фаза смешанной генерализации не имела место в сеансе 1.Только участники, которые прошли критерий точности на этапе обобщения в сеансе 1, завершили фазу смешанного обобщения в сканере, в то время как участники, которые не соответствовали этому критерию, завершили эту фазу поведенчески. Все остальные разделы эксперимента проходили вне сканера.

Рисунок 2. Кривые обучения и эффекты повторения…

Рис. 2.. Кривые обучения и эффекты повторения на этапах обучения и обобщения для участников фМРТ…

Рисунок 2. Кривые обучения и эффекты повторения на этапах обучения и обобщения для участников фМРТ на сеансе 2.

( a ) Средняя точность среди участников для первых шести испытаний первых девяти мини-блоков начальной и новой категории обучения, а также заблокированной фазы обобщения.Пунктирная линия указывает производительность на уровне шансов. ( b ) Расчетная экспоненциальная скорость изменения средней точности в первых шести испытаниях для всех мини-блоков на каждой фазе. ( c ) Среднее время реакции (RT) для каждого испытания в каждом из первых девяти мини-блоков для каждой из этих фаз. Заштрихованная область представляет собой стандартную ошибку среднего (SEM). Среднее значение и стандартная ошибка рассчитывались по логарифмически преобразованным RT. ( d ) Расчетная экспоненциальная скорость изменения RT для первых шести испытаний в каждой фазе для первых мини-блоков в первых трех контекстах в порядке представления.Для панелей ( b и d ) каждая точка представляет одного участника, горизонтальные и вертикальные полосы представляют среднее значение и SEM соответственно. *p<0,05, **p<0,01, знаковый ранговый критерий Уилкоксона, с поправкой на множественные сравнения. ( e ) RT для испытаний из фазы псевдорандомизированного обобщения из сеансов 2 и 3 во время сканирования фМРТ, где латентные состояния остались прежними или переключились с предыдущего испытания, в то время как контекст изменился или остался прежним. RT были логарифмически преобразованы и оценены по z в течение сеанса для каждого участника. Каждая линия представляет участника, черная пунктирная линия указывает среднее значение, а планки погрешностей указывают SEM. ^† p<0,05, ^††† p<0,0001, t-критерий с повторными измерениями. См. Рисунок 2 — дополнение к рисунку 1 для средних значений точности для фМРТ и поведенческих групп для каждой фазы и сеанса эксперимента. См. рисунок 2 — дополнение к рисунку 2 для данных от участников поведенческой группы, которые прошли критерий точности обобщения на сеансе 2.

Рисунок 2—дополнение к рисунку 1.. Точность всего…

Рисунок 2—дополнение к рисунку 1. Точность во всех сеансах эксперимента для поведенческой и фМРТ…

Рисунок 2—дополнение к рисунку 1. Точность во всех сеансах эксперимента для поведенческой и фМРТ групп. Статистическое сравнение между группами не проводилось на фазе мини-блокировки обобщения сеанса 1, поскольку для определения этих групп использовалась точность на этой фазе.Каждая точка представляет одного участника, горизонтальные полосы представляют собой среднее значение группы, а вертикальные полосы указывают стандартную ошибку среднего значения. **п

Рисунок 2 — дополнение к рисунку 2. Кривые обучения и…

Рисунок 2—дополнение к рисунку 2.. Кривые обучения и эффекты повторения на этапах обучения и обобщения для…

Рисунок 2 — дополнение к рисунку 2. Кривые обучения и эффекты повторения на этапах обучения и обобщения для поведенческих участников, которые прошли критерий точности для обобщения на сеансе 2 (N = 9).

( a ) Средняя точность среди участников для первых шести испытаний первых девяти мини-блоков начальной и новой категории обучения, а также заблокированной фазы обобщения.Пунктирная линия указывает производительность на уровне шансов. ( b ) Расчетная экспоненциальная скорость изменения средней точности в первых шести испытаниях для всех мини-блоков на каждой фазе среди участников. ( c ) Среднее время реакции (RT) для каждого испытания в каждом из первых девяти мини-блоков для каждой из этих фаз. Заштрихованная область представляет собой стандартную ошибку среднего (SEM). Среднее значение и стандартная ошибка рассчитывались по логарифмически преобразованным RT. ( d ) Расчетная экспоненциальная скорость изменения RT для первых шести испытаний в каждой фазе для первых мини-блоков в первых трех контекстах в порядке представления. р<0,05, без коррекции. ( e ) RT для испытаний из фазы псевдорандомизированного обобщения из сеансов 2 и 3, где латентные состояния остались прежними или переключились с предыдущего испытания, в то время как контекст изменился или остался прежним. RT были логарифмически преобразованы и оценены по z в течение сеанса для каждого участника. Каждая линия представляет участника, черная пунктирная линия указывает среднее значение, а планки погрешностей указывают SEM. ^† p<0,05, ^†† p<0,01, t-критерий с повторными измерениями.

Рисунок 3. Время реакции (RT) для фМРТ…

Рисунок 3. Время реакции (ВР) участников фМРТ в мини-блоках при генерализации на сеансе 2,…

Рисунок 3. . Время реакции (ВР) для участников фМРТ в мини-блоках во время обобщения в сеансе 2, организованное представлением латентных состояний (LS 1, 2, 3) и контекстов (первое и второе).

Участники были значительно медленнее в первом испытании мини-блоков при встрече с первым контекстом в LS по сравнению со вторым контекстом в том же LS, но не в последующих испытаниях. ( a ) Кривые RT для мини-блоков, организованных по порядку встречающихся LS и контекстов.р<0,05, без коррекции. См. рисунок 3 — дополнение к рисунку 1 для данных участников поведенческой группы, которые прошли критерий обобщения на сеансе 2.

Рисунок 3—дополнение к рисунку 1. Время реакции (RT)…

Рисунок 3—дополнение к рисунку 1. . Время реакции (ВР) для участников поведенческой группы, прошедших…

Рисунок 3—дополнение к рисунку 1. Время реакции (ВР) участников поведенческой группы, сдавших критерий обобщения в сеансе 2 (N = 9), во время мини-блоков при обобщении в сеансе 2, организованных по предъявлению латентных состояний ( LS 1, 2, 3) и контексты (первый и второй).

Участники были значительно медленнее в первом испытании мини-блоков при встрече с первым контекстом в LS по сравнению со вторым контекстом в том же LS, но не в последующих испытаниях.( a ) Кривые RT для мини-блоков, организованных по порядку встречающихся LS и контекстов. Линии указывают средние значения, заштрихованная область указывает SEM. ( b ) Скорости экспоненциальных функций соответствуют этим кривым RT. Каждая точка представляет участника. Горизонтальные столбцы указывают среднее значение, а вертикальные столбцы — SEM.

Рисунок 4. Компьютерное моделирование времени реакции…

Рис. 4.. Компьютерное моделирование времени реакции (ВР) на этапе генерализации для участников фМРТ в…

Рисунок 4. Компьютерное моделирование времени реакции (ВР) на этапе обобщения для участников фМРТ на сеансе 2.

На каждой панели показаны упрощенные схемы распространения активации в четырех альтернативных модельных сетях для испытания, включающего решение об изображении объекта в контексте A1 (т.е. А1-О-). ( a ) Модель конъюнктивно-ассоциативного поиска (CAR), в которой каждый узел представляет конъюнкцию контекст-категория с определенным значением. ( b ) Модель независимого ассоциативного поиска (IAR), в которой контексты и значения категорий представлены отдельно. ( c ) Модель скрытого состояния (LS), в которой значения категорий связаны с узлом LS без какого-либо представления контекста. ( d ) Иерархическая модель LS с контекстами, сгруппированными вокруг LS, и значениями категорий, связанными с каждым контекстом.Цвета границ и стрелок обозначают способ поиска. Под каждой схемой приведены диаграммы рассеяния для времени реакции с z-оценкой для всех участников всех правильных испытаний фазы обобщения и смоделированного времени реакции для каждой модели, выделенные цветом по типу испытания. См. рисунок 4 — дополнение к рисунку 1 для получения дополнительной информации о соответствии каждой модели данным. Н, Руки; А, Животные; Ф, Лица; О, Объекты. Значения: +, положительное математическое ожидание; −, отрицательное математическое ожидание.

Рисунок 4—дополнение к рисунку 1. . Дополнительные анализы для…

Рисунок 4—дополнение к рисунку 1. Дополнительные анализы для компьютерного моделирования времени реакции (ВР).

Рисунок 4—дополнение к рисунку 1. Дополнительные анализы для компьютерного моделирования времени реакции (ВР).

Данные взяты из сеанса 2 фазы мини-блокировки генерализации для участников группы фМРТ.( a ) Среднеквадратичное отклонение между данными, смоделированными по каждой модели, и временем реакции участников по z-оценке для различных типов испытаний. ^† p<0,05, ^†† p<0,01, t-критерий с повторными измерениями, Бонферрони с поправкой на множественные сравнения. ( b ) Отрицательные логарифмические вероятности для каждого участника в группе фМРТ для моделей конъюнктивного ассоциативного поиска (CAR), независимого ассоциативного поиска (IAR), латентного состояния (LS) и иерархического латентного состояния (HLS). Более низкие значения указывают на лучшее соответствие. ( c ) Значения для трех параметров скорости, определяющих скорость изменения активации в узлах из-за прямого (α ₁ ), опосредованного (α ₂ ) и случайного извлечения (α ₃ ). ( d ) Сравнение перекрестных моделей с использованием наиболее подходящих параметров от 16 участников для создания смоделированных данных, протестированных с альтернативой. Значения указывают на отрицательную логарифмическую вероятность соответствия модели. **p = 0,001, *p<0,05, знаковый ранговый критерий Уилкоксона, Бонферрони с поправкой на множественные сравнения.

Рисунок 5. Анализ прожектора репрезентативного сходства всего мозга…

Рисунок 5. Анализ прожектора репрезентативного подобия всего мозга для основных эффектов, представляющих интерес.

Рисунок 5.. Прожекторный анализ репрезентативного подобия всего мозга для основных интересующих эффектов.

На каждой верхней панели показана матрица репрезентативных различий гипотез (RDM) для факторов задачи. На нижних панелях показана t-статистическая карта, полученная в результате анализа прожектором, проверяющего эти предсказания в паттерновой активности, спроецированной на раздутые поверхности коры. Все карты определяются порогом формирования кластера pa) скрытых состояний (LS), ( b ) контекстов и ( c ) значением.Порог степени кластера для каждого контраста задается значением k. A, B, C относятся к различным LS. A1, B1, C1 и A2, B2, C2 относятся к различным контекстам, принадлежащим каждому из этих LS. Ф, Лица; А, Животные; О, Объекты. +, положительное значение; −, отрицательное значение. См. Рисунок 5 – дополнение к рисунку 1 для сравнения карты LS с парцеллацией сети 17, проведенное Yeo et al., 2011, Рисунок 5 – дополнение к рисунку 2 для статистической карты для регрессора категории элементов и рисунок 5 – дополнение к рисунку 4 для условий взаимодействия. .См. Рисунок 5 — дополнение к рисунку 3 для сравнения основных эффектов, представляющих интерес в рамках каждого сеанса, и Рисунок 5 — дополнение к рисунку 5 для просмотра всех регрессоров, включенных в модель множественной линейной регрессии.

Рисунок 5—дополнение к рисунку 1.. Процентное перекрытие…

Рисунок 5—дополнение к рисунку 1.. Процентное перекрытие статистической карты латентного состояния (LS) с рисунка 5a…

Рисунок 5 — дополнение к рисунку 1. Процентное перекрытие статистической карты латентного состояния (LS) с рисунка 5а с 17-ю парцеллированными сетями функциональной связности из Yeo et al., 2011 на основе данных 1000 участников.

Числа соответствуют идентификации сети из того же исследования, при этом процент вокселов в каждой сети указан в скобках и представлен на круговой диаграмме.Поверхностные визуализации трех сетей, которые включали наибольшую долю вокселей, показаны на раздутой поверхности коры. В правом нижнем углу показана t-статистическая карта для регрессора LS из прожектора репрезентативного анализа сходства для сравнения, также показанная на рисунке 5a.

Рисунок 5—дополнение к рисунку 2.. Прожектор всего мозга…

Рисунок 5—дополнение к рисунку 2. . Прожекторный анализ всего мозга для категорий изображений.

Левая панель показывает гипотезу…

Рисунок 5—дополнение к рисунку 2. Прожекторный анализ всего мозга для категорий изображений. На левой панели показана матрица репрезентативных различий гипотез для категорий (на основе анимации). На правой панели показана t-статистическая карта с поправкой на кластеры, полученная при анализе прожектором, спроецированная на раздутую поверхность коры.Эта статистическая карта была ограничена порогом формирования кластера p

Рисунок 5—дополнение к рисунку 3.. Статистические карты для…

Рисунок 5—дополнение к рисунку 3. . Статистические карты основных эффектов модели множественной регрессии от прожектора…

Рисунок 5 — дополнение к рисунку 3. Статистические карты основных эффектов модели множественной регрессии на основе анализа репрезентативного подобия (RSA) прожектора, оцененные отдельно для данных сеансов 2 и 3 и спроецированные на раздутые поверхности коры. Для всех статистических карт был выбран порог формирования кластера, равный p.

Рисунок 5—дополнение к рисунку 4.. Прожектор всего мозга анализирует…

Рисунок 5—дополнение к рисунку 4. Прожекторный анализ всего мозга для условий взаимодействия.

Рисунок 5—дополнение к рисунку 4. Прожекторный анализ всего мозга для терминов взаимодействия.

( a ) Результаты, показывающие, где активность паттерна модулируется негативным взаимодействием скрытого состояния и значения.Мешающие регрессоры для взаимодействия между контекстами и ( b ) значением и ( c ) категориями. Все карты определены с порогом формирования кластера p<0,001 и скорректированы для множественных сравнений с тестами перестановки для определения порога протяженности кластера при p<0,05.

Рисунок 5—дополнение к рисунку 5.. Гипотеза репрезентативного несходства…

Рисунок 5—дополнение к рисунку 5. . Матрицы репрезентативных различий гипотез (RDM).

( a ) Все гипотезы RDM…

Рисунок 5—дополнение к рисунку 5. Гипотетические репрезентативные матрицы несходства (RDM).

( a ) Все RDM гипотезы включены в множественный регрессионный анализ для анализа репрезентативного сходства на основе ROI (RSA). Цветная полоса указывает на несходство.A, B, C относятся к различным латентным состояниям (LS). A1, B1, C1 и A2, B2, C2 относятся к различным контекстам, принадлежащим каждому из этих LS. Ф, Лица; А, Животные; О, Объекты. +, положительное значение; −, отрицательное значение. ( b ) Разделенная дисперсия (R ² ) между RDM гипотез.

Рисунок 6. Результаты репрезентативного анализа подобия…

Рисунок 6. . Анализ репрезентативного сходства является результатом всех вокселей, включенных в интересующие области (ROI).

Рисунок 6. Результаты репрезентативного анализа сходства для всех вокселей, включенных в области интереса (ROI).

Графики показывают распределение бета-коэффициентов среди участников из нескольких анализов линейной регрессии, сравнивающих матрицы репрезентативных различий гипотез (RDM) с эмпирическими RDM, оцененными для каждой области интереса.Каждая точка представляет одного участника, средние значения представлены горизонтальными полосами, а SEM — вертикальными полосами. ( a ) Орбитофронтальная кора (OFC), ( b ) вентральная височная кора (VTC) и ( c ) гиппокамп (HPC). *p<0,05, **p<0,01, ***p<0,0001 одновыборочные t-тесты против нуля. См. рис. 6 — дополнение к рисунку 1 для результатов тестов второго уровня по значениям и терминам скрытого состояния, ограниченным ROI OFC.

Рисунок 6—дополнение к рисунку 1.. Результаты представительских…

Рисунок 6—дополнение к рисунку 1.. Результаты репрезентативного анализа подобия результатов прожектора с явной маской в…

Рисунок 6—дополнение к рисунку 1. Результаты репрезентативного анализа сходства результатов прожектора с явной маской в ​​орбитофронтальной коре.

Карты t-статистики были спроецированы на увеличенную поверхность коры, чтобы показать эффекты для ( a ) латентных состояний и ( b ) значений. Обе карты были определены с порогом формирования кластера p<0,001 и скорректированы для множественных сравнений с тестами перестановки для определения порога протяженности кластера при p<0,05. Порог экстента кластера определяется значением k.

Рисунок 7.. Одномерное контрастирование всего мозга правильных…

Рисунок 7. Одномерное контрастирование правильных и ошибочных ответов всего мозга, спроецированное на раздутые поверхности коры…

Рисунок 7. Одномерное контрастирование правильных и ошибочных ответов всего мозга, спроецированное на раздутые поверхности коры и на одном осевом срезе, показывающем орбитофронтальную кору и гиппокамп. Эта статистическая карта была определена с порогом формирования кластера p Изображение ответа автора 1. Изображение ответа автора 2. Изображение ответа автора 3.

Все фигурки (21)

Похожие статьи

• Роль вентромедиальной префронтальной коры в абстрактном выводе на основе состояния во время принятия решений у людей.

  Хэмптон А.Н., Боссартс П., О’Доэрти Дж.П. Хэмптон А.Н. и соавт.Дж. Нейроски. 2006 г., 9 августа; 26 (32): 8360-7. doi: 10.1523/JNEUROSCI.1010-06.2006. Дж. Нейроски. 2006. PMID: 16899731 Бесплатная статья ЧВК. Клиническое испытание.

• Лобно-теменные представления контекста задачи поддерживают гибкий контроль целенаправленного познания.

  Васком М.Л., Кумаран Д., Гордон А.М., Риссман Дж., Вагнер А.Д. Васком М.Л. и соавт. Дж. Нейроски. 2014 6 августа; 34 (32): 10743-55.doi: 10.1523/JNEUROSCI.5282-13.2014. Дж. Нейроски. 2014. PMID: 25100605 Бесплатная статья ЧВК.

• Квантовое обучение с подкреплением во время принятия решений человеком.

  Ли Дж. А., Донг Д., Вэй З., Лю И., Пан И., Нори Ф., Чжан С. Ли Дж.А. и соавт. Нат Хум Бехав. 2020 март; 4(3):294-307. doi: 10.1038/s41562-019-0804-2. Epub 2020 20 января. Нат Хум Бехав. 2020. PMID: 31959921

• Диссоциируемые нейронные системы поддерживают обучение и передачу иерархической структуры управления.

  Эйхенбаум А., Шимека Дж. М., Д’Эспозито М. Эйхенбаум А. и др. Дж. Нейроски. 2020 19 августа; 40 (34): 6624-6637. doi: 10.1523/JNEUROSCI.0847-20.2020. Epub 2020 20 июля. Дж. Нейроски. 2020. PMID: 326 Бесплатная статья ЧВК.

• Изучение представлений состояния задачи.

  Нив Ю. Нив Ю. Нат Нейроски. 2019 октября; 22 (10): 1544-1553. дои: 10.1038/s41593-019-0470-8. Epub 2019 24 сентября. Нат Нейроски. 2019. PMID: 31551597 Бесплатная статья ЧВК. Обзор.

Цитируется

3 статьи

• Гиппокамп и орбитофронтальная кора совместно представляют структуру задач во время принятия решений на основе памяти.

  Мизрак Э., Буффар Н.Р., Либби Л.А., Бурман Э.Д., Ранганат С.Мизрак Э. и др. Cell Rep. 30 ноября 2021 г.; 37 (9): 110065. doi: 10.1016/j.celrep.2021.110065. Представитель ячейки 2021. PMID: 34852232 Бесплатная статья ЧВК.

• Когнитивные карты социальных функций позволяют делать гибкие выводы в социальных сетях.

  Сон JY, Бхандари А, ФельдманХолл О. Сын JY и др. Proc Natl Acad Sci U S A. 2021 Sep 28;118(39):e2021699118. дои: 10.1073/пнас.2021699118. Proc Natl Acad Sci U S A. 2021. PMID: 34518372

• Основная функция орбитофронтальной коры — сигнализировать о значениях или делать предсказания?

  Чжоу Дж., Гарднер Магистр здравоохранения, Шенбаум Г. Чжоу Дж. и др. Curr Opin Behav Sci. 2021 окт;41:1-9. doi: 10.1016/j.cobeha.2021.02.011. Epub 2021 25 февраля. Curr Opin Behav Sci. 2021. PMID: 33869678

использованная литература

1. 1. Афифи М.11 тысяч рук: распознавание пола и биометрическая идентификация с использованием большого набора данных изображений рук. архив 2019 https://arxiv.org/abs/1711.04322
2. 1. Андерсон Дж.Р. Распространяющаяся активационная теория памяти. Журнал вербального обучения и вербального поведения. 1983; 22: 261–295. doi: 10.1016/S0022-5371(83)
      -3. – DOI
3. 1. Авербек ББ, Со М. Статистическая нейроанатомия лобных сетей макаки. PLOS Вычислительная биология. 2008;4:e1000050. doi: 10.1371/journal.pcbi.1000050. – DOI – ЧВК – пабмед
4. 1. Бадре Д., Кайзер А.С., Д’Эспозито М.Фронтальная кора и открытие абстрактных правил действия. Нейрон. 2010;66:315–326. doi: 10.1016/j.neuron.2010.03.025. – DOI – ЧВК – пабмед
5. 1. Бадре Д. , урожденная Д.Э.Фронтальная кора и иерархический контроль поведения. Тенденции в когнитивных науках. 2018;22:170–188. doi: 10.1016/j.tics.2017.11.005. – DOI – ЧВК – пабмед

Показать все 75 ссылок

Типы публикаций

• Поддержка исследований, Н.И.Х., заочная
• Поддержка исследований, правительство США, не-PHS

термины MeSH

• Обобщение, Психологический*
• Магнитно-резонансная томография
• Префронтальная кора / физиология*

LinkOut — больше ресурсов

• Полнотекстовые источники

• Прочие литературные источники

[Икс]

Укажите

Копировать

Формат: ААД АПА МДА НЛМ

Почему визуализация? Абстракция задач для анализа и проектирования

Зачем люди визуализируют данные?

Люди визуализируют данные либо для потребления, либо для получения информации, относящейся к конкретной проблеме или интересу. Дизайн и оценка визуализации включают сопоставление проблем или интересов предметной области с соответствующими методами визуального кодирования и взаимодействия. Это сопоставление переводит специфическую для предметной области ситуацию в абстрактные задачи визуализации , что позволяет дать краткие описания задач и последовательностей задач с точки зрения того, почему данные визуализируются, какие зависимости могут быть у задачи с точки зрения входных данных и вывод и как задача поддерживается с точки зрения визуального кодирования и взаимодействия идиомы .Такое описание задач облегчает сравнение и перекрестное опыление идиом визуализации в разных предметных областях; отображение также применяется в обратном порядке, когда исследователи визуализации стремятся контекстуализировать новые методы визуализации.

В этой диссертации мы представляем несколько примеров абстракции задач визуализации, каждый из которых объединяет предложенную нами типологию абстрактных задач визуализации. Мы применяем эту типологию в качестве инструмента анализа в интервью с людьми, которые визуализируют данные с уменьшенным размером в различных областях применения, в полевых исследованиях после развертывания, оценивающих инструмент визуального анализа в области журналистских расследований, а также в исследовании дизайна визуализации. в сфере энергоменеджмента.

В исследовании интервью мы используем и демонстрируем описательную силу нашей типологии для классификации пяти последовательностей задач, связанных с визуализацией данных с уменьшенным размером. Эта классификация предназначена для разработки новых инструментов и методов визуализации этой формы данных.

В полевом исследовании мы используем и демонстрируем описательную и оценочную силу нашей типологии для оценки Обзор , инструмента визуализации для исследования больших коллекций текстовых документов.Проанализировав его использование журналистами-расследователями, мы описываем две абстрактные задачи, связанные с анализом документов, и представляем семь уроков, связанных с разработкой инструментов визуализации данных документов.

В исследовании дизайна мы демонстрируем описательную, оценочную и генеративную силу нашей типологии и выявляем совпадения и несоответствия между идиомами визуализации и тремя абстрактными задачами, связанными с данными временных рядов.

Наконец, мы размышляем о влиянии нашей типологии задач.

Абстрагирование запланированных задач. Сценарист: Джонатан Джонсон и Мэтт… | Джонатан Джонсон

Автор: Джонатан Джонсон и Мэтт Хэнд

Возможности Абстракция была принята в SpecterOps в качестве одного из основных компонентов фазы исследования в рамках процесса разработки обнаружения. Эта методология позволяет сочетать как статический, так и динамический анализ для проверки функциональности технологии, поскольку она относится к конкретному поведению, ограничивая при этом предположения, которые в противном случае применялись бы в конвейере обнаружения и реагирования.

По мере того, как команда изучала различные варианты поведения, наиболее интересными оказались запланированные задачи. Запланированные задачи позволяют злоумышленнику выполнять код при выполнении определенного условия планирования, включая как временные, так и основанные на событиях триггеры, и обычно используются в агрессивных целях как форма сохраняемости на хостах Windows. Кроме того, запланированные задачи могут использоваться для повышения привилегий в некоторых случаях, когда злоумышленник может контролировать цель самого триггера (т. е. двоичный файл на диске, который будет выполнять запланированная задача) или если он может контролировать задачу, которая выполняется как более привилегированная. Пользователь.

Несмотря на то, что за последние несколько лет такое поведение, как правило, потеряло популярность для использования в наступательных целях из-за повышения осведомленности и широкомасштабного развертывания средств обнаружения, сегодня оно по-прежнему активно используется многочисленными субъектами угроз, в том числе в SUNSPOT, используемом имплантате. во время компрометации цепочки поставок Solarwinds. Наш интерес к этому методу возродился после того, как мы увидели, что он активно используется в кампаниях по борьбе с программами-вымогателями с высокой степенью успеха, что указывает на то, что наши постоянные рекомендации по обнаружению были недостаточными.Из-за значительного объема исследований, ранее проведенных в этой области, особенно в отношении создания локальных задач, мы решили сосредоточиться на удаленных реализациях этого поведения.

Кроме того, хотя этот пост посвящен запланированным задачам, мы, что более важно, хотели продемонстрировать нашу методологию выполнения абстракций возможностей и показать часть работы, которая выполняется за кулисами, чтобы раскрыть основные функции, лежащие в основе методов. Мы надеемся, что вы сможете применить некоторые тактики, описанные в этом посте, к своим внутренним процессам разработки обнаружения.

В рамках каждой абстракции первое, что нужно сделать, — это определить различные инструменты или процедуры, которые могут выполнять целевое действие:

Имейте в виду, что, несомненно, существуют другие инструменты, которые создают или взаимодействуют с запланированными задачами, но цель состоит в том, чтобы получить разнообразную группировку, которая не реализует одну и ту же функциональность одинаковым образом. Этот подход позволяет нам отказаться от нашей реализации, специфичной для инструмента, и вместо этого глубоко погрузиться в базовые методы и процедуры, общие для всех инструментов.Конечным результатом этого является понимание самого низкого уровня общей функциональности, с помощью которого мы можем строить наши обнаружения.

Примечание: В этом посте не будут рассматриваться все процедурные возможности или инструменты, как показано выше, в интересах краткости. Вместо этого мы сосредоточимся на одном, который был особенно ценен для нашего исследования и дал много информации.

Одной из наиболее распространенных технологий, которые Microsoft использует для связи между операционными системами, особенно между компьютерами, является удаленный вызов процедур (RPC), и запланированные задачи не являются исключением.В частности, планировщик заданий поддерживается протоколом удаленного взаимодействия планировщика заданий (MS-TSCH). Этот протокол поддерживается тремя конечными точками — ATSvc, SASec и ITaskSchedulerService. На следующем снимке экрана показана телеметрия RPC, собранная через Zeek, где метод NetrJobAdd вызывается удаленным клиентом и передается в конечную точку ATSvc на другом хосте через именованный канал \\.\pipe\atsvc .

Немного углубившись в это, мы с помощью NtObjectManager обнаружили, что именованный канал ATSvc обслуживается taskcomp.dll , размещенный в службе расписания, schedsvc.dll .

Taskcomp.dll — это «Подключаемый модуль обратной совместимости планировщика заданий» согласно описанию файла, что особенно интересно, поскольку это может указывать на поддержку устаревшей утилиты at.exe . At.exe устарел в Windows 8 в пользу schtask.exe , который использует более новый планировщик заданий 2.0.

Мы хотели выяснить, как schedsvc.dll взаимодействует с taskcomp.dll , поэтому мы загрузили его в Ghidra. Сразу же мы заметили, что taskcomp отсутствует в таблице адресов импорта. Это означает, что он должен быть загружен позже — возможно, условно. Мы искали вызовы LoadLibrary() , которая использует путь к DLL для загрузки в качестве аргумента, и обнаружили, что taskcomp.dll был загружен в функцию PlugIn::Load . Что еще более интересно, taskcomp.dll загружается условно, то есть загружается только в том случае, если установлено определенное значение.

При декомпиляции Ghidra для метода Plugin::Load мы обнаружили, что условная загрузка определяется значением, хранящимся в экземпляре объекта JobStore , плюс смещение 0x40 от переменной-члена по смещению 0x50 . Если значение равно 0 , создается и отправляется сообщение ETW. Если значение отличается от 0 , DLL загружается. Изучив эту функцию, мы хотели найти источник проверяемого значения.

Если мы посмотрим на класс JobStore , то увидим функцию InitJobStore , которая заполняет глобальный экземпляр JobStore ( m_pCommonStore ) значениями. Одним из заполняемых значений является строка « EnableAt ».

Похоже, что это имя может быть связано с устареванием at.exe , и быстрый поиск в Google показал нам, что мы на правильном пути.

Следующим шагом была проверка schedsvc.dll запрашивал значение реестра. Вместо того, чтобы прочесывать Ghidra и разбираться со странными смещениями членов класса, мы решили просто перезапустить службу и зафиксировать ее поведение с помощью Process Monitor. Мы реализовали базовый фильтр, состоящий из следующих правил:

• Операция — RegQueryValue
• Путь заканчивается на EnableAt
• Имя процесса — svchost.exe

Конечно же, мы видим, что svchost.exe запрашивает значение в Включить на .

Мы открыли стек вызовов события и обнаружили, что вызов происходит именно по адресу schedsvc!ServiceMain+0x5799 .

Вернувшись в Ghidra, мы перешли к этому смещению и приземлились в JobStore::ReadConfiguration при вызове RegQueryExW() . Мы видели, что второй параметр RegQueryExW() , запрашиваемое значение реестра, получен из JobStore , которое мы только что заполнили. Возвращаемое значение lpData затем сохраняется JobStore со смещением 0x10 + (int) * 0x18 .

Помните смещение, которое проверялось при принятии решения о загрузке taskcomp.dll ? Наша первоначальная мысль заключалась в том, что если uVar2 выше увеличить до 2 , то 0x10 + 0x2 * 0x18 получится 0x40 , точно такое же смещение, которое проверялось. Это означало бы, что если значение, хранящееся в EnableAt , не равно 0 , то taskcomp.dll будет загружен.

К сожалению, наше предположение было неверным, поскольку мы заметили, что taskcomp.dll был загружен в schedsvc.dll независимо от значения реестра.

Мы понесли небольшие невозвратные расходы, пытаясь отследить условия загрузки taskcomp. dll , поэтому мы решили действовать, зная, что schedsvc.dll загружена в в некоторых условиях и начал копаться в taskcomp.dll , чтобы узнать, как это работает.

Поскольку мы знали, что DLL отвечает за обслуживание именованного канала, мы просто искали строки, содержащие «atsvc», и обнаружили, что именованный канал был создан в функции StartRpcServer() .

Эта функция вызывается через CompatibilityAdapter::Init , который вызывается InitializeAdapter() , экспортированной функцией, которая получает ULONG в качестве единственного параметра. Когда эта функция вызывает CompatibilityAdapter:Init() , она передает этот параметр, который, в свою очередь, передает параметр новой функции InitializeNetScheduleApi() . Когда он, наконец, достигает этой новой функции, глобальная переменная g_AtProtocolEnabled заполняется значением параметра.

Когда мы просмотрели перекрестные ссылки на эту глобальную переменную, мы обнаружили, что на нее ссылаются 4 функции с префиксом « NetrJob », включая NetrJobAdd() , которую мы видели во время нашего первоначального сбора данных телеметрии!

Большинство из них Перед выполнением основного кода функции проверяют, не является ли g_AtProtocolEnabled 0 . Если установлено значение 0 , код ошибки 0x32 , который соответствует ERROR_NOT_SUPPORTED 3 . Это ошибка, которую мы получаем, когда запускаем at.exe в системе с EnableAt , не установленным или установленным на 0 .

Примечание: Единственным исключением является NetrJobDel() , который не проверяет глобальную переменную. Это позволяет вам удалять запланированные задачи с помощью `at.exe`, даже если значение реестра не установлено.

Каждый из этих методов NetrJob*() можно вызывать через RPC, как показано в выходных данных командлета NtObjectManager Get-RpcServer .

Чтобы проверить наше предположение о том, что глобальная переменная g_AtProtocolEnabled действительно заполняется значением реестра EnabledAt , мы использовали WinDbg для проверки значения, хранящегося в переменной, как при установке ключа реестра до 1 и 0 .

С помощью этой информации мы можем сделать следующий вывод:

at.exe будет использовать RPC для связи с taskcomp.dll по именованному каналу \.\pipe\atsvc , размещенному в schedsvc.dll , чтобы взаимодействовать с запланированными задачами. TaskComp.dll будет разрешать взаимодействие, если набор G_ATProtocolenabled

Переменная, которая поставляется из SCARSVC.DLL Share Запрос реестра 9062 Enableate Enableat ключ .

Мы узнали несколько вещей из нашего исследования:

• Значение реестра EnableAt отсутствует по умолчанию. Если бы он существовал, он всегда должен быть установлен на 0 .
• Именованный канал \\. \pipe\atsvc всегда будет присутствовать в системе, даже если EnableAt равен 0 или не задан. Он запускается при загрузке со службой расписания через taskcomp.dll .
• taskcomp.dll несет полную ответственность за отказ в функциональности на основе значения в EnableAt .
• NetRJOB * () Методы RPC используются для взаимодействия с TaskComp.dll , поэтому, если значение Enableate устанавливается на 1 , корреляцию только к выполнению на .exe может пропустить выполнение
• Использование at.exe для удаления запланированных задач — крайний случай, который следует учитывать, поскольку его можно считать безобидным, но он нарушает ограничение EnabledAt

После обнаружения этой информации мы могли теперь закончим раздел абстракции для утилиты At и перейдем к другой процедуре. Хотя мы не будем проходить остальную часть карты, мы хотели выделить этот процесс, поскольку его можно применять во многих различных сценариях.

Остановка на определенном уровне и выдвижение предположений может помешать нашим знаниям об определенной теме или атаке, что в будущем отразится на наших усилиях по обнаружению. Возможность как можно глубже погрузиться в интересующую нас технологию помогает не только лучше понять происходящее, но и получить общее представление об этой технологии, которое можно применить к другим действиям в будущем.

Надеемся, вам понравилось пошаговое руководство, а ниже представлена ​​готовая карта абстракции для запланированных задач.

Иммерсивная навигационная задача от первого лица для получения абстрактных знаний

Участники

Мы использовали G*Power (3.1.9.2) для расчета размера выборки на группу с целью достижения степени 0,95 при использовании односторонних t-тестов. , с предполагаемым средним размером эффекта 0,5. Размер выборки был определен как 45 участников на группу. Чтобы учесть отсев, для участия в исследовании были набраны 103 участника из сообщества Тронхейма.Все экспериментальные процедуры были одобрены Региональным комитетом по охране здоровья и этике научных исследований (2018/1310). Исследование проводилось в соответствии со всеми соответствующими нормами и правилами Норвегии. Перед началом исследования участники дали письменное информированное согласие и были проверены на наличие противопоказаний. Участники получали компенсацию за свое время в размере 100 норвежских крон в час. Из первых 103 участников пятеро не смогли выполнить задание из-за укачивания или усталости.Еще семь были исключены из-за трудностей с пониманием инструкций и изучением задачи, а один участник был исключен из-за участия в соответствующем исследовании. Таким образом, в анализ вошли 90 участников, по 45 участников в каждой группе (MG: 20 женщин, возрастной диапазон 20–34 лет, средний возраст 25,2 года; GG: 23 женщины, возрастной диапазон 19–33 лет, средний возраст 24,4 года). MG собирали до GG, чтобы время регистрации в исследовании определяло, принадлежит ли участник к MG или GG.Собрав MG до GG, мы смогли сопоставить скорость движения и время воздействия между группами.

Обзор парадигмы

Экспериментальная парадигма состояла из серии задач на настольном ПК и в виртуальной реальности. Сначала участников обучали пользоваться подвижной платформой и пультом дистанционного управления (MG) или пользоваться геймпадом (GG). Затем они были ознакомлены с пространством задач с помощью интерактивных инструкций. Участники прошли тест с принудительным выбором перед навигацией на настольном ПК.После этого они приступили к учебной задаче по навигации и выполнили серию оценок угла и расстояния. Они завершили эксперимент, выполнив посленавигационную задачу вынужденного выбора. Далее мы объясним, какое пространство прошли участники. Затем мы разработаем экспериментальную установку, а также задачи и анализ.

Пространство количества

Участников попросили перемещаться в двумерном абстрактном пространстве количества. Это пространство определялось количеством кругов и количеством прямоугольников.Таким образом, положение в пространстве определяется как точка в системе координат, определяемой количеством окружностей и количеством прямоугольников (см. рис. 1). Каждая ось формы охватывала от 0 до 200 величин формы, что напрямую переводится в концептуальные метры: площадь пространства количества составляла \(200 \times 200\) концептуальных метров. Чтобы соответствовать каждой позиции по визуальной сложности, мы добавили треугольники в качестве форм-заполнителей. Таким образом, в каждой позиции было по 400 позиций. Конкретные положения фигур рандомизировались в поле зрения.Таким образом, при каждом посещении место выглядело немного другим.

Чтобы указать направление движения, мы применили уникальный цветовой код к каждому размеру фигуры и фигурам-заполнителям. Цветовой код варьировался от красного до синего, и все цвета соответствовали по яркости. Цвет фигур размерности 1 и размерности 2 масштабируется с помощью косинуса и синуса угла курса соответственно. Было сбалансировано, были ли круги или прямоугольники (и соответствующие им наборы форм-заполнителей) назначены размерности 1 или размерности 2 (см.1b для иллюстрации). Участники узнали, что если бы фигуры были красного цвета (положительный косинус или синус) и они двигались вперед, количество этих фигур увеличивалось бы. Если бы фигуры были синими (отрицательный косинус или синус), количество уменьшилось бы. Если бы формы были фиолетовыми (косинус или синус в нуле), не произошло бы никаких изменений в данной величине формы. Пример цветового кода см. в графе "Видео S1" в разделе "Дополнительная информация" (также доступно на OSF, см. раздел "Дополнительная информация").

Экспериментальная установка

Виртуальная среда была запрограммирована в Vizard (версия 5.7, WorldViz LLC), программном обеспечении виртуальной реальности на основе Python. Чтобы позволить участникам физически перемещаться по концептуальному пространству, мы использовали новую установку виртуальной реальности, состоящую из всенаправленной движущейся платформы (Cyberith Virtualizer) и наголовного дисплея (Oculus Rift CV1). HMD имел разрешение \(1080 x 1200\) пикселей и частоту обновления 90 Гц. В подвижной платформе участники были закреплены ремнями безопасности.Жгут был прикреплен к вращающемуся кольцу, что давало возможность свободно вращаться. Участники носили галоши с низким коэффициентом трения, которые позволяли им скользить ногами по опорной плите при шаге вперед. Виртуализатор сгенерировал значение скорости из скользящего движения по опорной плите. Ориентация и скорость измерялись при частоте 90 Гц.

В MG подвижная платформа использовалась для навигации в пространстве. Показания скорости и ориентации кольца контролировали положение участника, а показания ориентации HMD использовались для обновления углового цветового кода.В GG для навигации по пространству использовался контроллер Xbox One. Левый джойстик на контроллере определял угловую скорость, а правый триггер определял поступательную скорость. Поступательная скорость как для GG, так и для MG была сглажена четырьмя кадрами (0,044 с).

Задания и анализ

Участники выполнили три задания, включая обучение навигации, оценку расстояния и направления, а также два альтернативных задания с принудительным выбором. Все задачи подробно описаны в следующих разделах.См. иллюстрацию на рис. 2. В инструкциях ко всем заданиям максимально избегался пространственный язык. Например, участникам было предложено «создавать шаблоны», а не «навигацию». Мы поручили участникам изменить цвет и добавить фигуры, чтобы создать узор. Все анализы были рассчитаны в Matlab R2019a или RStudio 1.2.5.0.33 с R-3.6.3 55 . Для всех анализов альфа-уровень был установлен на 0,05, если не указано иное. Далее мы использовали байесовский факторный анализ и будем следовать соглашению по байесовским коэффициентам отсечения и интерпретации, приведенным в 56,57 .

Рисунок 2

Задачи. ( a ) Экспериментальная временная шкала. Все участники проводили эксперимент в следующем порядке: предварительный принудительный выбор, обучение навигации, задание на определение расстояния и направления, пост принудительного выбора. Задания с принудительным выбором выполнялись на экране компьютера, в то время как два других задания были специфичными для группы и выполнялись либо на подвижной платформе, либо с использованием геймпада. ( b ) В ходе обучения навигации участникам показывали положение цели, а затем просили перейти к ней.Когда они думали, что достигли цели, им давали указание нажать кнопку, чтобы получить обратную связь. ( c ) Задание на оценку требовало, чтобы участники оценили угол и расстояние между двумя заданными позициями. Сначала им показывали положение ворот, затем исходное положение. Затем их просили повернуть в сторону цели. Наконец, они использовали ползунок для указания относительного расстояния между двумя позициями. Ползунок колебался от идентичного положения до самого дальнего возможного положения.( d ) Задача с принудительным выбором для исследования визуального сходства. Участникам одновременно показывали три позиции A, B и C. У них было 5 с, чтобы решить, что B или C ближе к A. Мы проверили позиции, близкие к центру количественного пространства. B и C были расположены на разных расстояниях от A, обозначенных более длинной и более короткой стрелками, так что всегда был правильный выбор. Углы между позициями A-B и A-C были выбраны так, чтобы максимизировать и минимизировать визуальное сходство в соответствии с распределением перекрытия предметов, описанным на рис.3. Это позволило нам оценить, повлияло ли на суждения участников визуальное сходство на расстоянии. Левая комбинация представляет собой испытание, в котором высокое визуальное сходство (красный цвет) соответствует правильному выбору (более короткая стрелка), а правая комбинация представляет испытание, в котором низкое визуальное сходство (фиолетовое) соответствует правильному выбору (более короткая стрелка). . ( e ) Задача принудительного выбора для размерного смещения. Здесь мы выбирали позиции, близкие к максимальному (правый верхний угол) или минимальному (нижний левый угол) количеству товара, т.е.е. мы показывали позиции с большим количеством кружков и прямоугольников или позиции с очень небольшим количеством кружков и прямоугольников. Манипулируя только одним измерением в B и другим измерением в C, мы пытались найти размерную погрешность, т. е. было ли участникам легче увидеть разницу в количестве кругов (здесь X-размер), чем в прямоугольниках (здесь Y -размер) или наоборот. Расстояния между позициями указаны длиной стрелок.

Обучение навигации

Участники выполняли задание по обучению навигации, в котором они перемещались между начальной и конечной позицией (рис.2б). В начале каждого испытания им подсказывали изображение местоположения цели, и они могли получить это изображение в любой момент выполнения задания. Формы, определяющие цель, были представлены черным цветом, чтобы не указывать участникам цветовой код. Сначала участники прошли серию тренировочных испытаний, а затем серию тестовых испытаний. В первых пяти тренировочных испытаниях участников уведомляли, когда они находились в пределах 10 % от целевого местоположения по обоим измерениям (100 % — это общая длина измерения).В последующих трех тренировочных испытаниях участники указывали, когда они достигли целевого местоположения, нажатием кнопки. Процент ошибки был рассчитан путем деления евклидова расстояния от места ответа до целевого местоположения на максимальное расстояние в пространстве. Проценты ошибок были назначены с шагом 5% от 0 до 100%, при этом каждый диапазон ошибок соответствовал баллу. Отзыв был предоставлен из максимум 20 точек и отображался в течение 5 с. Вместе со значением балла участнику показывалось сообщение обратной связи в зависимости от процента ошибки.

Во всех тренировочных испытаниях участникам было предоставлено неограниченное использование кнопки подсказки. В подсказке указывалось расстояние до цели в каждом измерении и какого цвета участник должен раскрасить фигуры. Для последующих тестов функция подсказки была отключена. Участники должны были пройти как минимум 14 тестовых испытаний. Если это минимальное количество было соблюдено, участники MG продолжали работу до тех пор, пока время в задании не достигло 54 минут. Если участники выполнили минимальное количество тестовых испытаний в GG, они продолжали, пока не завершили 28 испытаний.Это было сделано для того, чтобы среднее число испытаний было одинаковым между группами. Все тестовые испытания проводились в индивидуальном темпе, и не было ограничения по времени. Целевые местоположения были распределены по всему пространству и находились не менее чем в 30 условных метрах от стартовой позиции. Навигация была непрерывной, то есть участники использовали указанное местоположение цели предыдущего испытания в качестве новой начальной позиции.

Средняя скорость передвижения MG составила 9,004, \({\hbox {se}} = 0,458\), средняя скорость передвижения GG составила 9.099, \({\hbox {se}} = 0,039\) . Скорость рассчитывалась по всем тестовым вариантам задачи. Каждое испытание было разбито на сегменты непрерывного движения. Мы исключили стационарные периоды и отрезки, когда участник просматривал гол или подсказку. Если в пределах сегмента было пройдено расстояние не менее 10 концептуальных метров, рассчитывалась средняя скорость для сегмента. Затем эта средняя скорость была рассчитана по всем действительным сегментам для каждого участника и, наконец, среди участников. Один субъект в GG никогда не проезжал непрерывные 10 концептуальных метров без паузы.Поэтому этот участник был исключен из подсчета. Мы не исключали этого участника из исследования, так как он не выделялся в других анализах. Скорость движения соответствует количеству добавляемых/удаляемых предметов в секунду во время движения. Кроме того, мы добавили функцию легкого затухания отдельных фигур, чтобы участники воспринимали пространство как непрерывное. Дополнительные задачи, такие как индикация ответов и просмотр сообщений, включались пультом Oculus для MG и кнопками на контроллере Xbox One для GG.

Для оценки эффективности навигационной задачи мы рассмотрели три основные переменные: точность, длину пути и время навигации. Точность рассчитывалась путем создания случайного распределения 1000 возможных конечных положений и расчета доли положений, которые находятся дальше от истинной цели, чем указанное конечное положение. Это было сделано для каждого испытания и каждого участника. Таким образом, точность 0,95 означает, что 95% случайных положений находятся дальше, что соответствует очень высокой точности.Избыточную длину пути рассчитывали для каждого испытания путем вычитания оптимальной длины пути из взятой длины пути. Эта разница нормировалась путем деления ее на оптимальную длину пути. Время навигации — это время, затраченное участниками на навигацию, за исключением поиска целей и перерывов в испытательном времени. Общая производительность оценивалась с использованием t-тестов против случайности для каждой группы в отдельности, а также непарных двусторонних t-тестов для сравнения групп, реализованных в R (функция t.test). В качестве подтверждающего доказательства для групповых сравнений был проведен факторный анализ Байеса, чтобы выявить более подробную информацию и скрытые тенденции.Факторный анализ Байеса позволяет нам сравнивать две модели и количественно определять, насколько больше у нас доказательств для одной модели по сравнению с другой. Здесь мы сравниваем нулевую модель (между группами нет различий) с альтернативной моделью (группы различаются). Таким образом, мы также можем найти доказательства равенства групп, а не только отсутствия эффекта. Мы использовали пакет BayesFactor в R с функцией ttestbf. Мы придерживаемся стандартной интерпретации коэффициента Байеса и пороговых значений, указанных в ^56,57 .

Мы предположили, что, как и при наблюдениях за позиционной памятью в физическом пространстве ^41,58 , точность в непосредственной близости от границ будет выше, чем для позиций в центре.Для этого мы сопоставили расстояние до границы с точностью для каждого участника, а затем проверили значения корреляции на групповом уровне относительно нуля.

Мы оценили потенциальные отклонения измерений в восприятии цели, рассчитав среднюю ошибку определения местоположения цели для каждого участника для каждого из двух измерений: кругов (C) и прямоугольников (R), и сравнили их на групповом уровне с парным t- контрольная работа. Кроме того, мы сравнили две группы с помощью непарного t-теста на разницу между размерами круга и прямоугольника.

Мы изучали процесс обучения во время обучения навигации, подгоняя общие линейные модели (GLM) для каждого участника индивидуально. Затем мы извлекли t-статистику интересующего регрессора для каждого участника. Поскольку t-статистика не следует нормальному распределению, мы использовали метод перестановки с изменением знака для создания нулевого распределения. Это влечет за собой случайное изменение знака t-статистики и вычисление среднего значения нового распределения. Эту процедуру повторяли 10 000 раз.Затем истинное среднее t-статистического распределения сравнивали со средним распределением с перевернутым знаком. Затем мы могли бы рассчитать долю средних значений, которые больше (или меньше), чем наше истинное среднее значение, в результате чего мы получили p-значение, которое мы оценили с использованием \(\альфа\)-уровня, равного 0,05. Z-значения создаются путем вычитания p-значения из 1 и вычисления обратной функции нормального кумулятивного распределения.

Задание на оценку расстояния и направления

После того, как участники завершили обучение навигации, мы проверили, правильно ли они представляют отношения расстояния и направления в абстрактном пространстве (рис.2с). С этой целью мы попросили участников оценить угол и расстояние между двумя отмеченными точками. Местоположение цели было представлено так же, как и в учебном задании по навигации, и его можно было просмотреть не более двух раз, причем каждое представление было ограничено 10 с. Первое представление возникало в начале каждого испытания, а второе представление могло быть использовано участником в любой момент. После первого просмотра ворот участникам давали стартовую локацию. Сначала им нужно было оценить направление от этого места к целевому местоположению.Участники указывали, какого цвета должны быть фигуры, поворачивая голову в правильном направлении (MG) или используя элементы управления на геймпаде (GG). Они указали свой ответ нажатием кнопки, и цвет фигур был заблокирован до конца испытания. Затем участники оценили, сколько времени потребуется для создания целевого шаблона из стартового шаблона с помощью виртуального ползунка. Мы использовали временное расстояние вместо пространственного, поскольку в инструкции к задаче избегали пространственного языка. {\ circ }\)).Все тестовые позиции находились на расстоянии не менее 10 условных метров друг от друга, а также от пределов осей, чтобы охватить все пространство. Тестовые испытания были организованы в четыре блока по девять испытаний. В этом задании не было обратной связи.

Для анализа мы сопоставили оценки расстояний с истинными расстояниями для каждого участника и проверили полученные значения корреляции на групповом уровне по сравнению с 0. Затем мы сравнили две группы друг с другом, сначала с помощью традиционного t-критерия, а затем с помощью Факторный анализ Байеса для выявления возможных тенденций в данных.Поскольку абстрактное пространство позволяет нам смотреть на расстояние и визуальное сходство между позициями отдельно, мы создали модели линейной регрессии для каждого участника, моделирующие предполагаемое расстояние с истинным расстоянием и визуальным сходством. Визуальное сходство выражалось нормализованным количеством общих форм между двумя позициями. Мы стандартизировали визуальное сходство, рассчитав визуальное сходство между центральной позицией и каждой позицией в радиусе 100 концептуальных метров от центра, а затем нормализовав все значения.Подробное объяснение визуального сходства можно найти на рис. 3. Цвет здесь не учитывал визуальное сходство, поскольку во всех задачах принимались меры для контроля цвета при сравнении либо путем сравнения стимулов с одинаковым цветовым кодом, либо путем представления стимулы во всем черном. Таким образом, мы создали «справочную» таблицу визуального сходства в зависимости от угла, независимого от расстояния. Используя тот же метод перестановки, что описан выше, мы сравнили t-статистику для двух регрессоров.

Рисунок 3

Визуальное сходство. ( a ) Просмотр карты. Представление пространства, как показано на рис. 1. Показаны четыре положения: A, B, C и D. Положения B, C и D находятся на одинаковом расстоянии от A. Окружность, на которой они лежат, показывает распределение визуального сходства, зависящее от угла. в цветовом градиенте от желтого (высокое визуальное сходство) к зеленому (низкое визуальное сходство). B имеет наименьшее визуальное сходство с A, D — самое высокое. ( b ) Визуальное сходство как функция угла.Визуальное сходство рассчитывалось для всех позиций на окружности радиусом 100 концептуальных метров и центральной позиции (как в примере в ( a ) между A и всеми позициями на окружности вокруг нее, включая B, C и D) путем вычисления общее количество элементов, разделенных между позициями. Затем это распределение было масштабировано в диапазоне от 0 (наименьшее визуальное сходство) до 1 и выражено как функция угла. Совместно используемые элементы не зависят от цветового кода, который использовался для кодирования направления (т.е. шкала от красного до синего). Выделены визуальные сходства углов AB, AC и AD. ( c ) Пониженное (5%) представление вида от первого лица при стоянии в точках A, B, C и D, как показано в ( a ). Для этой иллюстрации мы исключили цветовой код, поскольку все задачи, измеряющие визуальное сходство, контролировались по цвету. Таким образом, визуальное сходство не зависело как от расстояния, так и от цвета, и его можно было описать исключительно как функцию угла (как в случае b ).{\ circ} \}} на групповом уровне. Далее мы сравнили группы с помощью t-критерия и анализа фактора Байеса, чтобы уточнить результаты. Затем мы хотели установить, влияет ли расстояние и/или визуальное сходство между положениями на угловую ошибку. Мы снова подобрали модель линейной регрессии для угловой ошибки для каждого участника, добавив расстояние и визуальное сходство в качестве регрессоров.

Задание с принудительным выбором

Мы разработали двухальтернативное задание с принудительным выбором, чтобы проверить влияние визуального сходства и смещения размеров на восприятие расстояния.Участники выполнили это задание как до навигационного обучения, так и по завершении эксперимента. С помощью этого метода мы могли определить, изменились ли эффекты визуального сходства и смещения размеров в результате обучения навигации. Тест принудительного выбора состоял из 216 проверочных испытаний с дополнительными пятью тренировочными испытаниями. Тестовые испытания были организованы в четыре блока, и каждое испытание имело ограничение по времени в 5 секунд. Между каждым тестовым испытанием в течение 0,2 с мигало сообщение, указывающее либо на то, что ответ был записан, либо на то, что участник не ответил в отведенное время.Участники не получали отзывов о своей работе во время тестовых испытаний. В задании отображались три локации: A, B и C. Участникам нужно было выбрать, какая из двух локаций (B или C) ближе к цели (A). Цель была представлена ​​в верхней центральной части экрана, а места выбора — в нижнем левом и правом углах. Участники указывали свой выбор B или C, нажимая стрелки влево и вправо на клавиатуре. Цветовой код для всех трех позиций был одинаковым, чтобы исключить любые эффекты цветового сходства.Конкретные настройки для задачи принудительного выбора были определены во время пилотирования и выбраны таким образом, чтобы участники справились немного, но значительно выше случайного. Таким образом, мы могли контролировать, правильно ли участники поняли инструкции. Тест вынужденного выбора был разделен на две подзадачи. Одна подзадача проверяла смещение размеров между формами, а другая проверяла, масштабируются ли оценки расстояния с помощью евклидова расстояния или визуального сходства между представленными местоположениями.{\circ}\}) с точки зрения визуального сходства (рис. 2d). Это возможно, поскольку количество предметов, совместно используемых двумя позициями, зависит не только от расстояния, но и от угла между позициями (см. рис. 3). Цель располагалась в центре пространства на расстоянии 90–100 условных метров от осевых границ в каждом измерении. Один выбор был искажен на 10 концептуальных метров в одном условии сходства (похожем или непохожем), а другой выбор был искажен на 60, 90 или 120 концептуальных метров в альтернативном условии подобия.{\circ}\). В подзадаче визуального сходства у нас было 96 испытаний с 16 повторениями на каждое выбранное условие расстояния.

Наряду с проверкой эффекта визуального сходства мы проверили смещение углового выравнивания и цветового прайминга. Мы стремились определить, может ли цветовой код направления, который выучили участники, подтолкнуть их к выбору определенного места. Чтобы проверить это, мы представили половину испытаний в несходных условиях с цветовым кодом, совпадающим с истинным направлением правильного ответа, а другую половину с цветовым кодом, который сместился.{\circ}\). Обратите внимание, что все три позиции A, B и C всегда были представлены одним и тем же цветовым кодом, чтобы было легче сосредоточиться только на фигурах.

Мы также проверили наличие смещения размеров среди фигур измерения качества. С этой целью мы выбрали позиции в нижнем левом и верхнем правом углу пространства, где преобладали формы заполнителя и измерения качества соответственно (рис. 2e). Это доминирование проистекает из логики нашего количественного пространства: в правом верхнем углу оба количественных измерения близки к своему верхнему пределу, что означает, что участники видели много кругов и прямоугольников, но очень мало треугольников.В левом нижнем углу оба количественных измерения были близки к своему нижнему пределу: на экране было очень мало кругов и прямоугольников, но много треугольников. Визуально различия в очень малых количествах более заметны. Поэтому мы предположили, что в этих крайних случаях будет доступна размерная погрешность. В этой задаче цель была размещена в случайном месте на расстоянии от 4 до 10 концептуальных метров от каждой границы оси для любого угла.{\circ}\) в любом направлении.

Анализ был выполнен в R с использованием функции anova_test из набора инструментов rstatix. Данные были свернуты на разных протестированных расстояниях, чтобы максимизировать количество испытаний. Кроме того, производительность или точность здесь определяется как процент правильности. Чтобы исследовать эффект визуального сходства, мы использовали данные из первой подзадачи и провели трехфакторный смешанный дисперсионный анализ с одним фактором между факторами группы (MG или GG) и двумя факторами внутри для момента времени (до и после) и визуальный. -подобие (высокое и низкое).Мы проверили предположения ANOVA на выбросы, нормальность и однородность, сделав поправку на сферичность в нашем анализе. Исключение двух потенциальных выбросов, выявленных в этих проверках предположений, не изменило интерпретации статистического анализа, и поэтому мы сообщаем статистику, основанную на данных всех участников.

Чтобы исследовать эффект цветового прайминга, мы рассмотрели только те испытания, в которых вариант с низким визуальным сходством был правильным выбором. Мы снова использовали трехфакторный смешанный дисперсионный анализ с одним фактором между факторами (группой) и двумя факторами внутри факторов для временной точки и выравнивания (совмещено или смещено при правильном выборе).Исключение выбросов из анализа не повлияло на результаты.

Для второй подзадачи (та, которая исследует возможность систематической ошибки измерений) мы рассчитали четырехфакторный смешанный дисперсионный анализ с одним межфакторным фактором группы (MG или GG) и тремя внутрифакторными факторами временной точки (до или после тренировки), форма (круги или прямоугольники) и угол (нижний левый или верхний правый). Опять же, мы определили крайние выбросы, которые противоречат предположениям ANOVA о нормальности. Поскольку исключение выбросов не изменило результаты, мы решили не исключать их из этого анализа.

Исследование показывает, что бабуины, как и люди, могут решать задачи на абстрактное мышление

Новое исследование показало, что бабуины могут решать абстрактные логические задачи, используя когнитивные инструменты, которые ранее считались среди приматов исключительно резервом людей.

Исследование, опубликованное в Psychological Science исследователями из Гарвардского университета, Университета Карнеги-Меллона и Йельского университета, показало, что оливковые бабуины ( Papio anubis ) могут использовать логический аргумент, называемый дизъюнктивным силлогизмом, который ранее считался требуют язык.

Говоря языком без жаргона, дизъюнктивный силлогизм — это логический аргумент, основанный на утверждении «или», из которого мы можем извлечь значение. Например:

В моем саду только два вида птиц: воробьи или синицы. Птица, на которую я смотрю, не лазоревка, значит, это должен быть воробей.

Чашечный тест
У людей широко изучалась способность использовать дизъюнктивное силлогизм для принятия решений.Исследования, изучающие маленьких детей, показали, что они развивают эту способность примерно в возрасте двух лет. В одном классическом эксперименте награда прячется под одной из двух чашек, а затем показывается участнику, что под одной чашкой ничего нет. В этих исследованиях было установлено, что если участник затем заглянет под вторую чашку, чтобы найти лакомство, это будет примером использования дизъюнктивного рассуждения.

Авторы текущего исследования, доктор Стивен Ферриньо из Гарварда, доктор Июн Хуанг из Йельского университета и доктор Джессика Кантлон из Карнеги-Меллона, указали на недостаток в предыдущем дизайне исследования: участники могли просто проверять под чашкой из надежды или любопытства, а чем логическая уверенность в том, что в ней есть то, что они искали.

Более новый дизайн теста, похоже, исправил эти недостатки: детям были представлены две пары по две чашки, по одной чашке в каждой паре с наградой. После того, как экспериментаторы убрали одну чашку, показав, что в ней нет награды, детям разрешили выбрать вторую чашку, чтобы заглянуть под нее. Если бы дети использовали дедуктивную логику — у первой чашки, которую они проверили, не было награды, значит, у ее парной чашки должна быть награда у , — они с большей вероятностью выбрали бы пару пустых чашек.Если бы они угадывали случайным образом, потенциальным выбором была бы любая из трех оставшихся чашек. Это обновленное задание показало, что люди не могут рассуждать с помощью дизъюнктивного силлогизма, пока им не исполнится от трех до пяти лет.

Бабуины, охотящиеся за виноградом
Авторы настоящего исследования подвергли группу обезьян тесту на рассуждение с четырьмя чашками и получили неожиданные результаты. Участники, отряд из девяти взрослых бабуинов, были обучены тому, как участвовать в эксперименте — в то время как дети в предыдущем исследовании были вознаграждены наклейками, а бабуины охотились за виноградом — и четверо оказались способными понять правила игры. .

Результаты исследования показали, что бабуины действительно были способны использовать дизъюнктивный силлогизм для рассуждений — они гораздо чаще выбирали пару пустых чашек, чем чашку из другого набора. Имея три чашки на выбор, если бы бабуины выбирали случайным образом, можно было бы ожидать, что в 33% случаев они выберут парную чашку, в которой было , чтобы содержать виноград. Вместо этого четыре бабуина в среднем собирали эту чашку в 58% случаев.

Бабуины, как заметил автор, автоматически узнавали местонахождение виноградины, как только поднимали пустую чашку, и сразу же указывали на парную чашку еще до того, как экспериментатор побуждал их к выбору.

Исследование показало, что дизъюнктивный силлогизм не уникален для людей и не требует лингвистического понимания сценария «или/или». Бабуины присоединяются к людям и единственному африканскому серому попугаю по имени Гриффин как единственные животные, способные на этот подвиг.

Класс абстрактной задачи сельдерея, который запускается при фиксации транзакции · GitHub

Класс абстрактной задачи сельдерея, который запускается при фиксации транзакции · GitHub

Мгновенно делитесь кодом, заметками и фрагментами.

Класс абстрактной задачи сельдерея, который запускается при фиксации транзакции

Этот файл содержит двунаправленный текст Unicode, который может быть интерпретирован или скомпилирован не так, как показано ниже. Для просмотра откройте файл в редакторе, который показывает скрытые символы Unicode. Узнайте больше о двунаправленных символах Unicode Этот файл содержит двунаправленный текст Unicode, который может быть интерпретирован или скомпилирован не так, как показано ниже.Для просмотра откройте файл в редакторе, который показывает скрытые символы Unicode. Узнайте больше о двунаправленных символах Unicode Этот файл содержит двунаправленный текст Unicode, который может быть интерпретирован или скомпилирован не так, как показано ниже. Для просмотра откройте файл в редакторе, который показывает скрытые символы Unicode. Узнайте больше о двунаправленных символах Unicode Этот файл содержит двунаправленный текст Unicode, который может быть интерпретирован или скомпилирован не так, как показано ниже.