Forschung
Zentrales Forschungsziel des Arbeitsbereiches ist es, durch die kontinuierliche Weiterentwicklung und experimentelle Überprüfung probabilistischer Datenanalysemodelle unser Verständnis der neurokomputationalen Grundlagen menschlichen Verhaltens zu erweitern. Langfristig wird eine vertikale Verknüpfung der komputationalen, algorithmischen und implementationalen Marr’schen Ebenen kognitiver Prozesse angestrebt. Hierzu wird über die verschiedenen Forschungsvorhaben hinweg ein interdisziplinärer Ansatz aus mathematischer Modellierung, Computersimulation und empirischer Evaluation auf Grundlage humaner Verhaltens- und Neuroimagingdaten (vornehmlich EEG) verfolgt.
Agentenbasierte Verhaltensmodellierung
In einer Reihe von Studien werden die neuroalgorithmischen Grundlagen sequenzieller menschlicher Entscheidungsprozesse unter Unsicherheit untersucht. Das zentrale methodische Paradigma ist dabei die Kombination kontrollierter Verhaltensexperimente und agentenbasierter Verhaltensmodellierung, basierend auf der statistischen Einbettung von Konzepten der agentenbasierten künstlichen Intelligenz, der partiell-observierbaren Markov Entscheidungsprozesse und des modernen Reinforcement Learnings. Mittelfristige Ziele sind hierbei zum einen die Formulierung und Implementierung eines allgemeinen statistischen Frameworks, der es erlaubt, verschiedenste Agentenmodelle in standardisierter Weise auf der Grundlage humaner Verhaltensexperimentdaten zu evaluieren. Zum anderen wird durch eine hochkontrollierte experimentelle Adaptation von Computerspielen eine höhere empirische Validität angestrebt.
Ausgewählte Publikationen
Usée F, Schmidt S, Melzig CA, Ostwald D (2024) Agent-based behavioral modeling of human associative learning in a complex approach-avoidance conflict task PsyArXiv Data & Code Computational Brain and Behavior
Horvath L, Colcombe S, Milham M, Ray S, Schwartenbeck P, Ostwald, D (2021) Human belief state-based exploration and exploitation in an information-selective reversal bandit task BioRxiv Data & Code Computational Brain & Behavior
Probabilistische Analysemethoden für Neuroimagingdaten
In einem zweiten Arbeitsschwerpunkt validiert und entwickelt die Professur neue probabilistische Methoden zur Analyse von Neuroimagingdaten. Im Fokus stehen hier zum einen die theoretischen Eigenschaften und das neurowissenschaftliche Potential der Variational Inference. Vorrangiges Ziel in diesem Bereich ist die theoretische und simulationsbasierte Validierung der in der Neuroimaging Community weit verbreiteten Variational-Laplace Methodik. Zum anderen strebt die Professur die Weiterentwicklung der Random Field Theory-basierten Aktivitätsinferenz an. Hier sollen zum Beispiel Power- und Stichprobengrößenanalysen sowohl unter frequentistischer als auch unter Bayesianischer Inferenz entwickelt und mithilfe von rechenintensiven Simulationen validiert werden. Neben ihrem datenanalytischen Potential weit über die Anwendung im kognitions-neurowissenschaftlichen Kontext hinaus tragen beide Arbeitsschwerpunkte auch aktuellen Diskussionen zur Validität und Replizierbarkeit wissenschaftlicher Ergebnisse Rechnung.
Ausgewählte Publikationen
Ostwald D, Schneider S, Bruckner R, Horvath L (2021) Random field theory-based p-values: A review of the SPM implementation arXiv Data & Code
Neurokognition
Ziel des Forschungsvorhabens Neurokognition ist es, in der Erschließung der Marr’schen Implementationsebene über reine Korrelationsanalysen hinaus zu einer biophysikalischen Theorie neuropsychologischer Prozesse und ihrer EEG-basierten Überprüfung zu gelangen. Erste Grundlagen für dieses Forschungsvorhaben wurden in den letzten Jahren gelegt. Mittelfristige Ziele sind hier zum einen die komputationale Zerlegung der neuronalen Korrelate humaner Entscheidungsprozesse in visuell stark reduzierten Entscheidungsaufgaben (Bandit Tasks) durch eine Reihe von komputationalen EEG Studien. Zum anderen wird angestrebt, durch eine Weiterentwicklung von experimentellen und datenanalytischen Zugängen die neuronalen EEG-Korrelate bei Entscheidungsprozessen in visuell anspruchsvolleren Szenarien mit höherer externer Validität (Computerspiele) besser zu verstehen.
Ausgewählte Publikationen
Ostwald D, Usée F (2021) An induction proof of the backpropagation algorithm in matrix notation arXiv Code
Ostwald D, Starke L (2016) Probabilistic delay differential equation modelling of event-related potentials PDF Code NeuroImage
