科学家概述了行为数据计算建模的10条简单规则

今天，在开放存取期刊eLife上发布了有关使用计算模型分析行为数据的科学家的新指南。

行为科学中的计算建模的目的是使用精确的数学模型来更好地理解与行为有关的数据。这些数据通常以选择的形式出现，但也可以包括反应时间，眼睛运动和其他易于观察的行为，甚至是神经数据。数学模型由方程式组成，这些方程式将数据背后的变量(例如刺激和过去的经验)与近期的行为联系起来。这样，计算模型就可以提供关于行为如何产生的一种假设。

“使用计算机模拟和研究行为已经彻底改变了心理学和神经科学研究，”美国亚利桑那大学认知/神经系统助理教授兼强化学习实验室神经科学主任Robert Wilson解释说。“将计算模型与实验数据相匹配，使我们能够实现许多目标，其中包括探测行为基础的算法以及更好地理解药物，疾病和干预措施的效果。”

威尔逊和他的合著者，心理学系和海伦·威尔斯神经科学研究所的一部分的计算认知神经科学(CCN)实验室首席研究员安妮·柯林斯(Anne Collins)表示，整个科学文献中有四种主要的计算模型用途。加州大学伯克利分校，美国。这些实践中的每一种都有其优点和缺点，并且可能以多种方式处理不当，从而可能导致错误和误导性的结论，并强调需要以负责任的方式进行。

为了满足这一需求，Wilson和Collins提供了针对初学者和经验丰富的研究人员的10条简单规则，以确保谨慎使用计算模型，并对模型在表达思想方面产生有意义的见解。

他们的规则包含许多原则，其中包括：设计有效的实验时要考虑计算建模;生成，模拟，比较和验证模型;从模型中提取变量以与生理数据进行比较;报告分析;最后，一旦报告完成，就下一步的建议。

尽管这些准则涵盖了初学者可以使用的最简单的建模技术，但它们也更普遍地适用。同样，为清楚起见，作者决定集中于一个狭窄的领域-应用于选择数据的强化学习模型-该领域中使用的相同技术可以更广泛地应用于其他可观察的行为。

柯林斯解释说：“我们的工作着重说明了如何避免在计算建模时可能出现的常见陷阱和误解。”“我们通过在过去20多年的实际工作中为自己自己犯下了这些错误，从而艰难地学习了许多这些课程。

她补充说：“通过遵循这些指导方针，我们希望其他科学家能够避免一些会拖慢我们自己研究速度的错误。”“我们也希望开始看到行为科学中计算模型质量的提高。”