Ableitung auffälliger Lernmotive bei Menschen und Tieren
Entdeckung von Lernmotiven in belohnungsbasierten Lernexperimenten
Identifizierung von Lernmotiven, die zwischen Test- und Kontrollprobanden unterscheiden
Um die biologischen Mechanismen in der Hirnaktivität während des Lernens zu verstehen, müssen die Verhaltensmotive abgeleitet und der Aktivität gegenübergestellt werden. In diesem Projekt analysieren wir die Verhaltensdaten von Versuchsobjekten (Tiere & Menschen) während belohnungsbasierter Lernexperimente und leiten ihre Lernmotive ab. Wir definieren ein Lernmotiv als eine Verhaltenspolitik, die das Versuchsobjekt bei Teilen des Lernprozesses zeigt. Wir entwickeln eine auf Granger-Kausalität basierende Methode zur Ableitung dieser Lernmotive. Da Lernen ein sich entwickelnder Prozess ist, verwenden wir ein verstecktes Markov-Modell, um die Veränderungen in den Lernmotiven zu erfassen, denen das Subjekt im Laufe der Zeit folgt. Außerdem bauen wir auf dem verborgenen Markov-Modell auf, um auffällige Lernmotive zu identifizieren, die von einer Gruppe von Versuchsobjekten verfolgt werden. Die Validierung der von uns vorgeschlagenen Methoden ist keine triviale Aufgabe, da die Grundwahrheit der Lernmotive nicht vorliegt. Daher schlagen wir auch ein Schema vor, das keine Grundwahrheit für die Validierung der abgeleiteten Lernmotive erfordert.
Was wir erreichen wollen
Unsere Projektziele
Ableiten der Lernmotive, denen ein Proband in belohnungsbasierten Lernexperimenten folgt
Bei belohnungsbasierten Lernexperimenten werden die Reaktionen auf einen aktuellen Reiz durch frühere Reaktionen auf den Reiz beeinflusst. Wir entwickeln Methoden, die auf der Granger-Kausalität aufbauen, um die Abhängigkeiten zwischen vergangenen und zukünftigen Beobachtungen/Reaktionen zu erfassen.
Identifizieren von Reizmerkmalen und Aktionen im Zusammenhang mit der Lernaufgabe
Beim belohnungsbasierten Lernen wird der Proband Reizen ausgesetzt, die durch eine Reihe von Merkmalen definiert werden. Wir entwickeln Methoden, die die Merkmale auswählen, die vom Probanden als relevant für die Lernaufgabe und Aktionen identifiziert wurden und auch als Reaktion auf die Reize ausgelöst wurden. Wir modellieren das Lernmotiv als eine Reihe von Granger-Kausalitätsbeziehungen zwischen den Reizmerkmalen und den beobachtbaren Aktionen.
Erfassung von Veränderungen der abgeleiteten Lernmotive im Zeitverlauf
Wir passen ein Hidden-Markov-Modell an die Folge von Lernmotiven an, die als Satz von Granger-Kausalitätsbeziehungen dargestellt werden. Wir verwenden den Viterbi-Algorithmus, um die Abfolge der Lernmotive, die im Laufe der Zeit für jeden Probanden abgeleitet werden, mithilfe des Hidden-Markov-Modells auf eine Abfolge latenter Zustände abzubilden. Diese latenten Zustände spiegeln die Veränderung der abgeleiteten Lernmotive wieder.
Ableitung hervorstechender Lernmotive, denen eine Probandengruppe folgt.
Wir modellieren die für eine Gruppe von Probanden abgeleiteten Sequenzen von Lernmotiven gemeinsam mit einem Hidden-Markov-Modell. Die latenten Lernzustände des verborgenen Markov-Modells spiegeln die durchschnittlichen Lernmotive wieder, die von dieser Probandengruppe verfolgt werden.
Entwicklung eines Validierungsschemas für abgeleitete Lernmotive
Es ist schwierig die Grundwahrheit von Lernmotiven zu ermitteln, da Tiere diese Lernmotive nicht artikulieren können. Gleiches gilt auch für Menschen bei komplexen Lernaufgaben. Wir schlagen ein Validierungsschema vor, das keine Grundwahrheit erfordert. Bei jeder Lernaufgabe haben wir Gruppen von Probanden, von denen bekannt ist, dass sie unterschiedliche Lernmotive anwenden. Wir erstellen ein Klassifizierungsmodell, das die abgeleiteten Lernmotive als prädiktive Merkmale verwendet, um verschiedene Gruppen zu trennen und vergleichen die Leistung mit der eines anderen Basismodells, das nur die Rohdaten des Verhaltens als Merkmale verwendet. Wenn das Klassifizierungsmodell, das die abgeleiteten Lernmotive verwendet, besser abschneidet als das Basismodell, dann gilt das abgeleiteten Lernmotive.
Projektteam
Noor Jamaludeen
Felix Kuhn
Prof. Dr. Stefan Remy
Prof. Dr. Myra Spiliopoulou
Publikationen
Inferring Salient Motifs during Learning Experiments
2023 IEEE 36th International Symposium on Computer-Based Medical Systems (CBMS)Unterstützen Sie unsere Forschung
Werden Sie Proband:in!
Wie funktioniert eigentlich das Zusammenspiel zwischen unserem Gehirn, unserem Körper und unserer Umwelt? Welche Einflüsse haben körperliche Erkrankungen auf unsere geistige Leistungsfähigkeit? Und warum sind wir an manchen Tagen leistungsfähiger als an anderen?
Diesen Fragen möchten wir mit Ihnen gemeinsam auf den Grund gehen. Registrieren Sie sich jetzt und nehmen Sie an spannenden Studien teil.
