Professur Prädiktive Verhaltensanalyse
M. Sc. Daniel Brand
Professur Prädiktive Verhaltensanalyse 

M.Sc. Daniel Brand

Portrait: M.Sc. Daniel Brand
M.Sc. Daniel Brand
  • Telefon:
    +49 371 531-38957
  • E-Mail:
  • Sprechzeiten:
    Nach Vereinbarung. Bitte kontaktieren Sie mich per E-Mail.


Ich bin Wissenschaftlicher Mitarbeiter an der Professur Prädiktive Verhaltensanalysem wo ich mit Hilfe kognitiver Modellierung sowie Techniken aus künstlicher Intelligenz und maschinellem Lernen an der Erforschung menschlicher Denkprozesse arbeite. Der Fokus liegt hierbei auf menschlichem Schlussfolgern und Problemlösen.

Forschungsinteressen

Inhalt meiner Forschung ist die Erforschung und Modellierung menschlicher Denkprozesse, insbesondere in Bezug auf Inferenzprozesse und Problemlösen. Hierbei ist meine Forschung methodisch vielseitig und liegt zwischen Kognitionswissenschaft und kognitiver Modellierung auf der einen Seite, sowie Data Science, Informationssystemen und künstlicher Intelligenz auf der anderen Seite. Zielsetzung ist hierbei, unabhängig von der jeweiligen Methode, Erkenntnisgewinn und aktuelle Erkenntnisse mittels prädiktiver computationaler Modelle zugänglich und anwendbar zu machen.
Folgende Bereiche liegen hierbei im Schwerpunkt:
  • Kognitive Modellierung
  • Prädiktive Modellierung menschlichen Schlussfolgerns
  • Syllogistisches Schließen
  • Informationssysteme

Berufserfahrung

  • seit 02/2022: Wissenschaftlicher Mitarbeiter; TU Chemnitz; Professur Prädiktive Verhaltensanalyse
  • 02/2021 - 07/2021: Wissenschaftlicher Mitarbeiter; Syddansk Universitet (SDU); Abteilung für Design und Kommunikation
  • 07/2020 - 02/2022: Wissenschaftlicher Mitarbeiter; Albert-Ludwigs-Universität Freiburg; Cognitive Computation Lab
  • 05/2017 - 06/2020: Wissenschaftlicher Mitarbeiter; Albert-Ludwigs-Universität Freiburg; Center for Cognitive Science/Cognitive Computation Lab

Bildungsweg und Qualifikationen

  • 2016: MSc. Computer Science, Albert-Ludwigs-Universität Freiburg
  • 2012: BSc. Computer Science, Albert-Ludwigs-Universität Freiburg

  • SS 2022: Dozent; Seminar: Kognitive Ergonomie; TU Chemnitz
  • SS 2021: Assistent; Seminar: Cognitive Modeling; Cognitive Computation Lab; Albert-Ludwigs-Universität Freiburg
  • SS 2020: Assistent; Seminar: Cognitive Modeling; Cognitive Computation Lab; Albert-Ludwigs-Universität Freiburg
  • WS 2019/20: Assistent; Seminar: Cognitive Reasoning: Methods, Algorithms, and Statistics to Discern Human from Artificially Generated Data; Cognitive Computation Lab; Albert-Ludwigs-Universität Freiburg
  • SS 2019: Assistent; Seminar: Cross-Domain Modeling of Human Cognition; Cognitive Computation Lab; Albert-Ludwigs-Universität Freiburg
  • SS 2014: Tutor; Cloud Computing; Department for Databases and Information Systems; Albert-Ludwigs-Universität Freiburg
  • SS 2012: Tutor; Software Engineering; Department for Software Engineering; Albert-Ludwigs-Universität Freiburg

Aktuelle Projekte

  • Automatische Prozessmodellgenerierung für Kognitive Modellierung

Vorherige Projekte

  • FADEp. Intentionales Vergessen und Änderungen in Arbeitsprozessen: Ein prozesskonditional-orientierter Ansatz im Verwaltungs- und IT Kontext. [Website]
  • Freiraum 2022: MeMo: Stärkung der Metakognition und Motivation Studierender durch individualisierte Smart Personal Assistants [Website]

  • CCOBRA (Cognitive COmputation for Behavioral Reasoning Analysis) Framework: Online predictive modelling of human reasoning. [Website] [GitHub]
  • PVA Webexperiment Tools: Sammlung an Vorlagen und Aufgaben für die einfachere Erstellung von Webexperimenten [GitHub]
  • Syllogistic Task Predictor: Interaktive Prädiktions-Umgebung für syllogistisches Schlussfolgern [Website]
  • Spatial Demonstrator: Interaktive Umgebung für räumliche Schlussfolgerungs-Aufgaben [Website]
  • pyTailorshop: Implementation der Tailorshop-Simulation in Python [GitHub]

Publikationen

  • Dames, H., Brand, D., & Ragni, M. (2022). Evidence for Multiple Mechanisms Underlying List-Method Directed Forgetting. In J. Culbertson, A. Perfors, H. Rabagliati, & V. Ramenzoni (Eds.), Proceedings of the 44th Annual Meeting of the Cognitive Science Society (pp. 519–525).
  • Brand, D., Riesterer, N., & Ragni, M. (2022). Model-Based Explanation of Feedback Effects in Syllogistic Reasoning. Topics in Cognitive Science, 14(4), 828-844. doi: 10.1111/tops.12624. [GitHub]
  • Mittenbühler, M., Brand, D., & Ragni, M. (2022). Do Models of Syllogistic Reasoning extend to Generalized Quantifiers?. In T. C. Stewart (Ed.), Proceedings of the 20th International Conference on Cognitive Modeling (pp. 189–195). Applied Cognitive Science Lab, Penn State: University Park, PA. [PDF] [GitHub]
  • Todorovikj, S., Brand, D., & Ragni, M. (2022). Predicting Algorithmic Complexity for Individuals. In T. C. Stewart (Ed.), Proceedings of the 20th International Conference on Cognitive Modeling (pp. 240–246). Applied Cognitive Science Lab, Penn State: University Park, PA. [PDF]
  • Kettner, F., Heinrich, E., Brand, D., & Ragni, M. (2022). Reverse-Engineering of Boolean Concepts: A Benchmark Analysis. In T. C. Stewart (Ed.), Proceedings of the 20th International Conference on Cognitive Modeling (pp. 164–169). Applied Cognitive Science Lab, Penn State: University Park, PA. [PDF]
  • Brand, D., Dames, H., Puricelli, L., & Ragni, M. (2022). Rule-Based Categorization: Measuring the Cognitive Costs of Intentional Rule Updating. In J. Culbertson, A. Perfors, H. Rabagliati, & V. Ramenzoni (Eds.), Proceedings of the 44th Annual Meeting of the Cognitive Science Society (pp. 2810–2817). [PDF] [GitHub]
  • Brand, D., Mittenbühler, M., & Ragni, M. (2022). Generalizing Syllogistic Reasoning: Extending Syllogisms to General Quantifiers. In J. Culbertson, A. Perfors, H. Rabagliati, & V. Ramenzoni (Eds.), Proceedings of the 44th Annual Meeting of the Cognitive Science Society (pp. 722–728). [PDF] [GitHub]
  • Todorovikj, S., Kettner, F., Brand, D., Beggiato, M., & Ragni, M. (2022). Predicting Individual Discomfort in Autonomous Driving. In J. Culbertson, A. Perfors, H. Rabagliati, & V. Ramenzoni (Eds.), Proceedings of the 44th Annual Meeting of the Cognitive Science Society (pp. 3103–3109).
  • von Stülpnagel, R., Findler, F., & Brand, D. (2022). Census-Based Variables Are Informative about Subjective Neighborhood Relations, but Only When Adjusted for Residents’ Neighborhood Conceptions. Sustainability, 14(8), 4434. doi: 10.3390/su14084434.

alle anzeigen

  • "Using Cross-Domain Data to Predict Syllogistic Reasoning Behavior" @ CogSci 2025. Online, August 2025. [poster]
  • "Effect of Response Format on Syllogistic Reasoning" @ CogSci 2023. Online, July 2023. [poster]
  • "Uncovering iconic patterns of syllogistic reasoning: A clustering analysis" @ 21th International Conference on Cognitive Modeling. Online, July 2023. [slides]
  • "Do models of syllogistic reasoning extend to generalized quantifiers?" @ 20th International Conference on Cognitive Modeling. Online, July 2022. [slides]
  • "Model-based explanation of feedback effects in syllogistic reasoning" @ 19th International Conference on Cognitive Modeling. Online, July 2021. [talk]
  • "Unifying models for belief and syllogistic reasoning" @ 43th Annual Meeting of the Cognitive Science Society. Online, July 2021. [slides] [poster]
  • "How usable is Galaxy? A usability evaluation of Galaxy" @ 2019 Galaxy Community Conference (GCC2019). Freiburg, Germany, July 2019. [poster]
  • "Extending TransSet: An Individualized Model for Human Syllogistic Reasoning" @ 18th International Conference on Cognitive Modeling. Online, July 2020. [short slides] [talk]

TUCaktuell