Kognitive Modellierung

Aus eLearning - Methoden der Psychologie - TU Dresden
Wechseln zu: Navigation, Suche

Herzlich Willkommen im Bereich „Kognitive Modellierung“ des E-Learning-Moduls Methoden der Psychologie!


Kognitive Modellierung stellt einen aufstrebenden Zweig in der Psychologie und den kognitiven Neurowissenschaften dar. Modellierung verfolgt das Ziel, die Basis von Kognitionen durch den Aufbau eines detaillierten Verständnisses der unterliegenden Mechanismen zu untersuchen. Dabei werden Modelle entwickelt, welche einen oder mehrere grundlegende kognitive Prozesse oder ihre Interaktionen mechanistisch erklären. Kennzeichnend für diese Art von Modellen ist, dass sie …

  • in formaler mathematischer Sprache oder mithilfe von Computeralgorithmen beschrieben werden
  • aus grundlegenden Prinzipien der Kognitionsforschung abgeleitet wurden
  • versuchen, eine Brücke zwischen empirisch erfasstem Verhalten und zugrundeliegenden Mechanismen, u.a. auch neuronalen Grundlagen zu schaffen


Ausgelagerte Bildbeschreibung von Puzzle von Kognitive Modellierung

Sie garantieren somit zum einen logisch valide und präzise quantitative Vorhersagen und können zudem lauffähige Rechenmodelle, welche verschiedene Simulationen und virtuelle Experimente ermöglichen. Diese hohe Flexibilität eröffnet eine Vielzahl an Anwendungsmöglichkeiten sowohl innerhalb der Grundlagenforschung als auch der angewandten Wissenschaft.

Sie finden auf den folgenden Seiten eine Reihe an Informationstexten, welche in die Grundlagen der kognitiven Modellierung einführen und mit interaktiven Simulationen verzahnt sind. Diese Simulationen bieten Ihnen die Möglichkeit, das Gelesene direkt praktisch auszuprobieren.

Die Artikel „Aufgaben der Modellierung“ und „Vorteile formaler Modelle“ beschreiben zunächst die spezifischen theoretischen Grundlagen der kognitiven Modellierung, ihre Ziele und Merkmale. Daran schließt sich im Artikel „Modelltypen“ eine Übersicht über Einteilungsmöglichkeiten von Modellen nach unterschiedlichen Gesichtspunkten an.

Die Gliederung der folgenden Artikel entspricht der Einteilung von Formalmodellen nach Michael Dawson in statistische Modelle, mathematische Modelle und synthetische / explanative Modelle. Jeder dieser Modelltypen besitzt unterschiedliche Merkmale. Statistische Modelle dienen vorwiegend der Beschreibung von Daten bestimmter Fälle. Beispiele, welche innerhalb der einzelnen Artikel erläutert werden, stellen Verteilungsmodelle, Sequential Sampling Modelle und das GLM dar. Mathematische Modelle werden vorwiegend zur Generalisierung und Theoriebildung eingesetzt. Beispiele hierfür finden sich in den Artikeln „Differentialgleichungsmodelle“, „Reinforcement Learning“, „Kognitive Modelle“ und „Probabilistische Modelle“. Synthetische und explanative Modelle verfolgen das zentrale Ziel, zu erklären, wie Komponenten eines Modells miteinander interagieren, um ein gewünschtes Verhalten hervorzubringen. Dies wird sowohl anhand von neuronalen Netzen als auch kognitiven Architekturen und Agentenmodellen erläutert.

Es schließen sich Texte zum Prozess des Fittings und seiner zentralen Themen (Objective Functions, Abweichungsmaße, Algorithmen, Level) an. Den Abschluss bilden Informationen zum Vergleich von Modellen, welcher sowohl qualitativ als auch quantitativ erfolgen kann.


Viel Spaß und Erfolg beim Lesen, Entdecken und Ausprobieren!