Kognitive Modellierung - Verhalten verstehen, bevor es gezeigt wird
In unserer Forschung zur kognitiven Modellierung gehen wir über das bloße Anpassen von Modellen an Verhaltensdaten hinaus. Unser Ziel ist es, computationale Modelle zu entwickeln, die kognitive Prozesse so präzise abbilden, dass sie das Verhalten einer Person vorhersagen können – noch bevor eine Antwort überhaupt gegeben wurde.
Dieser Ansatz verbindet Erkenntnisse aus der Kognitionswissenschaft und der Künstlichen Intelligenz, um nicht nur reaktive, sondern prädiktive Modelle menschlichen Denkens zu schaffen. So tragen wir dazu bei, besser zu verstehen, wie Menschen denken, entscheiden und lernen – und eröffnen neue Perspektiven für personalisierte KI-Systeme.Übersicht verschiedener Modellierungsansätze
Hier sammeln wir interessante Veröffentlichungen zu verschiedenen Modellierungsansätzen.
- Ratcliff, R. (1978). A theory of memory retrieval. Psychological Review, 85(2), 59–108. https://doi.org/10.1037/0033-295X.85.2.59
- Ratcliff, R., & McKoon, G. (2008). The diffusion decision model: theory and data for two-choice decision tasks. Neural computation, 20(4), 873-922. https://doi.org/10.1162/neco.2008.12-06-420
- Shinn, M., Lam, N. H., & Murray, J. D. (2020). A flexible framework for simulating and fitting generalized drift-diffusion models. ELife, 9. https://doi.org/10.7554/eLife.56938
Modellierung von sprachlichen Begriffen, z.B. für die Anwendung in verbalen Fragebogenskalen und für die interkulturelle Forschung
- Bocklisch, F. (2019). An Different or the Same? Determination of Discriminatory Power Threshold and Category Formation for Vague Linguistic Frequency Expressions. Frontiers in Psychology, 10, https://doi.org/10.3389/fpsyg.2019.01559
- Bocklisch, F., Georg, A., Bocklisch, S.F. & Krems, J.F. (2013). Do you mean what you say? The effect of uncertainty avoidance on the interpretation of probability expressions - A comparative study between Spanish and German. In Knauff, M. Pauen, N.Sebanz, & I. Wachsmuth (Eds.), Proceedings of the 35th Annual Conference of the Cognitive Science Society (pp. 1917-1922). Austin, TX: Cognitive Science Society
- Bocklisch, F., Bocklisch, S. F., & Krems, J.F. (2012). Sometimes, often, and always: Exploring the vague meanings of frequency expressions. Behaviour Research Methods, 44(1), 144-157. https://doi.org/10.3758/s13428-011-0130-8
Selbstlernende Fuzzy-Algorithmen zur Erkennung von Fahrerabsichten
- Bocklisch, F., Bocklisch, S.F., Beggiato, M., & Krems, J. F. (2017). Adaptive fuzzy pattern classification for the online detection of driver lane change intention. Neurocomputing. https://doi.org/10.1016/j.neucom.2017.02.089
Fuzzy-Klassifizierungs-Sequenzen für diagnostische Argumentation (z.B. in der Medizin) und Modellierung von menschlichem Expertenwissen
- Bocklisch, F. & Hausmann, D. (2018). Multidimensional fuzzy pattern classifier sequences for medical diagnostic reasoning. Applied Soft Computing, 66, 297-310. https://doi.org/10.1016/j.asoc.2018.02.041
- Bocklisch, F., Stephan, M., Wulfken, B., Bocklisch, S.F., & Krems, J.F. (2011). How Medical Expertise Influences the Understanding of Symptom Intensities – A Fuzzy Approach . In A. Holzinger and K.-M. Simonic (Hrsg.), Information Quality in e-Health: USAB 2011, LNCS 7058 (pp. 703-706). Springer: Heidelberg.
- Schmidt, K., & Hoffmann, K. H. (2019). Modified Baum Welch Algorithm for Hidden Markov Models with Known Structure. In International Conference on Intelligent Human Systems Integration (pp. 497-503). Springer, Cham.
Website: https://www.nengo.ai/
