Bayessche Modellierung hierarchischer a-priori Verteilungen und ihrer Aktualisierungsmechanismen: kontextabhängige Modulation durch kognitive Last und sequentielle Abhängigkeiten

• Antragsteller: Professor Dr.-Ing. Stefan Glasauer; Professor Dr. Zhuanghua Shi
• Fachliche Zuordnung: Kognitive und systemische Humanneurowissenschaften ; Allgemeine, Kognitive und Mathematische Psychologie
• Förderung: Förderung von 2015 bis 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 263727500

Das Ziel des vorliegenden Projekts ist, die Mechanismen aufzudecken und mathematisch zu modellieren, die die Kalibrierung von Wahrnehmung im multimodalen Umgebungskontext erlauben. Dazu soll ein generelles Bayessches Rahmenkonzept entwickelt werden, das dynamisches Lernen der a-priori Verteilung, also der aus der bisherigen Erfahrung gewonnenen wahrnehmungsrelevanten und kontextabhängigen statistischen Kenntnisse über die Umgebung, beschreibt. Zu diesem Zweck gilt unser besonderes Augenmerk dem Effekt der 'Regression zur Mitte' bei Größenschätzung. Dieser Effekt (auch zentrale Tendenz genannt) ist in der Literatur gut dokumentiert (z.B. Helson, 1963; Review bei Shi, Church, & Meck, 2013) und bezieht sich auf einen systematischen Fehler, der durch Vorwissen über die Verteilung der präsentierten Reize erzeugt wird. Obwohl die zentrale Tendenz für unterschiedliche Typen von sensorischer Größenschätzung gefunden wurden, gibt es derzeitig keine Übereinstimmung darüber, welche statistische Information tatsächlich für die kontextabhängige Kalibration genutzt wird. Dies ist speziell für multimodale Reize interessant, für die es entsprechend auch mehrere Statistiken (a- priori Verteilungen) geben sollte, die nicht unbedingt untereinander konsistent sein müssen. Im vorliegenden Projekt planen wir daher, ein generelles Rahmenkonzept zu entwickeln und damit zu untersuchen, ob das Gehirn multiple modalitätsspezifische oder amodale a-priori Verteilungen zur kontextabhängigen Kalibration benutzt, wie Inkonsistenzen dieser Informationen aufgelöst werden, sowie ob Verteilungsinformation über die tatsächlich erfolgten Handlungen ('action priors') mit einbezogen werden. Darüber hinaus werden wir probabilistische Bayessche Modelle entwickeln (z.B. Kalmanfilter, Partikelfilter, hierarchische Modelle), mit denen wir Verhalten im Einzelversuch abhängig von den Reizgeschichte und damit kontextabhängige Kalibration besser und genauer vorhersagen können.

• DFG-Verfahren: Forschungsgruppen
• Teilprojekt zu: FOR 2293: Active Perception