Einführung Komputationale Modelle

Komputationale Modelle werden vor allem für die Modellierung komplexerer Prozesse eingesetzt. Im Gegensatz zu statistischen und mathematischen Modellen wird dabei besonderer Wert darauf gelegt, wie die Komponenten des Modells miteinander interagieren und so das Verhalten des Interesses hervorbringen. Die Komponenten eines solchen Modells und ihre Interaktionsstruktur können dabei auf zwei Arten abgeleitet werden. Einerseits kann auf Basis bereits bekannter Stukturen modelliert werden – also z.B. existierende Theorie oder Befunde zum Zusammenhang von Gehirnaktivierungen. Andererseits kann aber auch auf Basis reiner struktureller Spekulation bzw. Analogie zu anderen Systemen, welche ein ähnliches Verhalten zeigen, modelliert werden. Im letzteren Fall spricht man von synthetischen Modellen: man baut aus Komponenten ein System und untersucht anschließend, ob es das gewünschte Verhalten zeigt – wenn dies der Fall ist, wäre das eine erste Evidenz, dass das Modell Prozesse des echten System gut abbildet. Wenn das Modell nun auch neues, unerwartetes Verhalten zeigt, welches anschließend am echten System ebenfalls entdeckt wird, so wäre diese eine starke Bestätigung für das Modell, obwohl es ursprünglich aus (informierter) Spekulation entstand (die Überlegungen zu Verifikation und Falsifikation haben natürlich auch hier ihre Gültigkeit).

In der Psychologie ist der Mensch Untersuchungsobjekt ist, weswegen man prinzipiell zwischen zwei Arten von Modellen unterscheiden kann.

• Sozialorientierte Modelle: Bei sozialorientierten Modellen wird das menschliche Verhalten als Folge des Zusammenspiels von Menschen (im Modell sog. Agenten) dargestellt. Untersucht werden also Inter-Agenten-Prozesse (vgl. Systemtheorie).
• Individuumsorientierte Modelle: Bei den individuumsorientierten Modellen wird das menschliche Verhalten als Folge des Zusammenspiels interner (neuronaler) Prozesse eines einzelnen Agenten dargestellt. Es werden also Intra-Agenten-Prozesse untersucht (vgl. besonders Kognitivismus und Konnektionismus).

Die Unterschiede komputationaler Modelle gegenüber statistischen und mathematischen Modellen sind

• sie abstrahieren über konkrete Daten und eignen sich damit für die Theoriebildung
• analog zu klassischen Theorien fokussieren sie eher auf qualitative Übereinstimmung von Datenmustern und werden seltener über quantitativen Fit als über neue Vorhersagen überprüft
• aufgrund ihrer Komplexität haben sie das Potential, zu überraschen und neue Vorhersagen zu liefern
• sie verhalten sich in dem Sinne, dass sie nicht nur abstrakte Zahlenketten hervorbringen sondern eine Verbindung zur Außenwelt darstellen (erkannte Muster eines Hopfieldnetzwerks, interagierende Agenten, in Roboter eingebaute neuronale Netzwerke)