Первая статья проекта MyConnectome

Прошлая неделя выдалась продуктивной для исследователей коннектома человека. Во-первых, в Neuron вышла удивительная статья от группы Рассела Полдрака по результатам проекта MyConnectome (http://myconnectome.org/).
На протяжении 76 недель (!), три раза в неделю (!) сам Рассел Полдрак проводил время в сканере, собирая данные о своем мозге (фМРТ с классическими задачами и в состоянии покоя). В результате в распоряжении исследователей оказалось огромное количество данных об одном-единственном мозге. С помощью этих бесценных данных стало возможным в том числе проанализировать, насколько парцелляция на основе состояния покоя соответствует активациям, полученным у того же испытуемого при выполнении задаы, а также проверить, насколько стабильны результаты от сессии к сессии у одного и того же испытуемого. Подробнее об исследовании можно прочесть в статье, или посмотреть в замечательном видео-абстракте, но основные результаты показали, что в целом возможно восстановить стабильную и подробную картину функциональной структуры индивидуального мозга, и эта картина в чем-то будет отличаться от групповой (почему -- отдельный вопрос), но для составления такого «портрета» необходимо гораздо больше данных, чем принято записывать в классических фМРТ-парадигмах. Кроме того, отмечено, что источники изменчивости в данных различаются при внутрииндивидуальном и межиндивидуальном анализе.

Ссылка на статью (и видео-абстракт!): T. Laumann et al. (2015) Functional System and Areal Organization of a Highly Sampled Individual Human Brain.
http://www.cell.com/neuron/abstract/S0896−6273(15)00600−5

И десерт. Вышел совершенно чудесный тулбокс для анализа связей мозга (connectivity). Он называется Multimodal Imaging Brain Connectivity Analysis toolbox (MIBCA) и позволяет проводить анализ мультимодальных данных в одной среде от начала и до конца, что раньше было практически невозможно. Тулбокс и подробности можно найти здесь: www.mibca.com/, а статью с описанием методов -- здесь: peerj.com/articles/1078/

Приятных вам связей, #горячиеюныекогнитивные!

Ортогонализация регрессоров в данных фМРТ

В Plos ONE вышла статья, очень понятно объясняющая принципы и правила ортогонализации регрессоров для фМРТ.

Статья будет полезна для прочтения всем, кто проводит или планирует фМРТ-исследования, особенно тем, кто пользуется программой SPM. Процедура ортогонализации часто используется без понимания ее влияния на интерпретацию результатов, а в некоторых случаях вообще применяется автоматически, что приводит к ошибкам в трактовке данных. В статье рассказывается о том, как в фМРТ появляется коллинеарность моделей, когда эта коллинеарность опасна, как работает ортогонализация и как проводить ее в SPM и FSL. Must read.

journals.plos.org/plosone/article?id=10.1371/journal.pone.126 255

В качестве бонуса — видео человека, поющего «If I Only Had a Brain», сделанное при помощи новейшей техники скоростной томографии.

Журнальный клуб TCTS -- февраль

Сегодня в 20:00 по московскому времени состоится очередная встреча Журнального Клуба TCTS.

Будем обсуждать статью «Understanding the behavioural consequences of noninvasive brain stimulation» (Bestman, Berker, Bonaiuto, TiCS 2015). В онлайн-встрече есть еще несколько мест, поэтому если кто-то хочет в срочном порядке присоединиться -- напишите на . То же самое касается желающих получать объявления о Журнальном Клубе на постоянной основе. Всем продуктивного воскресенья!

Special Issue: Neurodevelopment

Вышел спецвыпуск журнала Developmental Cell по развитию нервной системы.

Среди интересных когнитивистами -- статьи о миелинации ЦНС, раннем нейрогенезе, генетических аспектах формирования мозга человека, и эволюции системы локомоции. Пока доступ открытый!

www.cell.com/developmental-cell/issue?pii=S1534−5807%2814%29X0029−8

Применение теории обнаружения сигнала к метакогнициям

Ну, а теперь — немного о серьезном.

Многие из тех, кто занимался экспериментами в когнитивной психологии, сталкивались с вопросами измерения «метакогниций», в основном в виде измерения уверенности. Интуитивно понятно и научно подтверждено, что уверенный ответ чаще является правильным. Изменения в степени связи между уверенностью и правильностью ответов рассматриваются как один из показателей неосознаваемой обработки информации. Классически, для измерения этой связи используются коэффициенты корреляции.

В своей новой статье в Frontiers in Human Neuroscience Стив Флеминга и Хакван Лау критикуют этот подход, отмечая, что подобный способ измерения подвержен нежелательным влияниям из-за систематических отклонений в ответах (response biases). В психофизических исследований с подобными отклонениями уже давно научились справляться при помощи методов, основанных на теории измерения сигнала (SDT). Флеминг и Лау предложили подобный подход применить и в исследованиях метакогниций (стоит отметить, что эта идея разрабатывалась уже достаточно давно, но статья во Frontiers обобщает наработки). Применение методов SDT к метакогнициям не только улучшает точность измерения, но и дает возможность выделить компоненты уверенности, такие как собственно метакогнитивная ошибка (стабильное субъективное недооценивание или переоценивание собственной результативности), метакогнитивная чувствительность (насколько человек способен отличить собственный неправильный ответ от правильного) и эффективность метакогниции (насколько уверенность реально отражает результативность у конкретного человека). Измерение этих компонентов позволяет с гораздо большей точностью обнаруживать метакогнитивные сдвиги при решении различных задач, и открывает богатые просторы для анализа и моделирования метакогниций.

Всем, кто занимается или планирует заниматься анализом уверенности — TCTS рекомендует.

Препринт — http://journal.frontiersin.org/Journal/10.3389/fnhum.2014.443/abstract

pic: xkcd

«The Meaning of „Significance“ for Different Types of Research»

В Acta Psychologica опубликован перевод на английский статьи классика голландской психологии Адриана де Гроота «The Meaning of „Significance“ for Different Types of Research».

Несмотря на то, что статья была написана в 1956 году, к 2014 она стала лишь актуальнее — в ней рассматривается острый для современной психологии вопрос различия «эксплораторного» и «конфирматорного» типов исследования и соответствующих аналитических практик.

Текст, несмотря на тему, читается очень легко, а в комментариях переводчики анализируют идеи автора в современном контексте.

#TCTS весьма рекомендует к прочтению!

Препринт статьи в открытом доступе: http://www.ejwagenmakers.com/inpress/DeGroot1956_TA.pdf

pic: http://pps.sagepub.com/content/7/6/632/F1.large.jpg

Original: http://pps.sagepub.com/content/7/6/632/F1.large.jpg

Выпуск философского журнала «Логос» о когнитивной науке

Вышел новый выпуск философского журнала «Логос», посвященный когнитивной науке.

Ссылка на выпуск: http://logosjournal.ru/cgi-bin/arch.pl?action=show&id=73&lang=ru. Там собрано несколько обзорных статей про когнитивную науку вообще. Плюс перевод статьи Альва Ноэ про «великую иллюзию сознания» (в честь которой называны и когнитивные семинары «Великая иллюзия», проходящие раз в год в Москве и Питере: http://cogitoergo.ru/event/velikaya-illyuziya-soznaniya-2013/#.VAmgXmuWzIU, http://chetvericov.ru/event/velikaya-illyuziya-2-soznanie-i-kognitivnoe-bessoznatelnoe/). Если вы все еще не до конца понимаете, что такое когнитивная наука (откроем тайну — вы не одиноки), возможно, этот выпуск натолкнет вас на некоторые идеи. Ну и вообще, интересно почитать исторические обзоры. Читать далее Выпуск философского журнала «Логос» о когнитивной науке

TCTS открывает Журнальный Клуб

Дорогие друзья!

TCTS рад объявить новую #горячуююнуюкогнитивную инициативу — Журнальный клуб по когнитивной психологии и нейронауке. Журнальный клуб — это встреча людей, интересующихся примерно похожими темами с целью обсудить прочитанную научную статью. Обычно один из участников делает презентацию исследования, а остальные слушатели по ходу его рассказа задают свои вопросы, делятся мнениями, разбирают непонятные моменты. Плюсы такого формата в том, что можно в спокойной и дружелюбной обстановке познакомиться с новыми исследованиями, узнать что-то новое, получить навыки эффективного чтения научных статей, «наметать глаз» на возможные ограничения исследований и спорные выводы. Для участия в журнальном клубе не нужен опыт или особенные умения — наоборот, это отличная среда для обучения.

Наш журнальный клуб будет отличаться от обычного тем, что он будет проходить онлайн, с помощью видеосвязи на базе Google Hangouts. В остальном — все будет соответствовать классическому формату. Для каждой встречи мы будем выбирать англоязычную статью, предложенную кем-то из участников, и читать ее заранее. Кроме того, один из участников подготовит пересказ статьи (на русском языке!) и слайды-иллюстрации. Во время самой встречи мы в непринужденной и неформальной атмосфере разберем исследование, обсудим, чем оно удалось, а чем — не очень, поговорим об использованных техниках и о том, чем это исследование может быть интересно. По плану каждая встреча будет длиться около часа.

Скажу сразу — полностью формат опробован не был, поэтому первые несколько встреч будут экспериментальными и полными неожиданностей:) Но тем веселее, не так ли?

Первую встречу мне хотелось бы провести в это воскресенье, 13 апреля, и поговорить о забавном исследовании — How Thoughts Give Rise to Action (см. cсылку ниже). По техническим причинам в этот раз я могу включить во встречу только четырех человек, первыми изъявивших желание поучаствовать (то есть, приславших на  письмо с пометкой «журнальный клуб»). Приглашаются все! Также принимаются заявки на статьи для следующих встреч.

Статья для встречи 13 апреля: www.plosone.org/article/info%3Adoi%2F10.1371%2Fjournal.pone.83 845#pone-83 845-g004

Рабочая память: модели и подходы к изучению

Модели рабочей памяти и подходы к ее изучению

Рабочая память — кратковременное (до нескольких секунд) хранение сенсорной информации и возможность ею оперировать. Рабочая память — один из ключевых когнитивных процессов, лежащий в основе широкого спектра наших возможностей — от восприятия до когнитивного контроля и принятия решений. Недавно вышедшая в Nature Neuroscience обзорная статья описывает современное положение дел в области изучения рабочей памяти, включая различные экспериментальные процедуры, предлагаемые теории и соответствующие им данные, а также обсуждение вопросов, над которыми ученые будут работать в ближайшее время.

Пользуясь материалами этой статьи и одной из иллюстраций, мы сегодня расскажем о современных моделях рабочей памяти.

Итак, рисунок иллюстрирует четыре модели рабочей памяти. Для каждой модели на верхних двух схемах показаны репрезентации (сохранение объектов в памяти) в случае малого (слева) и большого (справа) количества запоминаемых объектов, а на нижних двух схемах — предсказываемое моделью распределение ответов испытуемых. Для удобства можно представлять себе эксперимент, где испытуемому нужно запомнить ориентацию в пространстве нескольких отрезков и затем воспроизвести один из них. Отклонение ориентации, данной испытуемым, от той, которая была ему предъявлена, и будет величиной ошибки. Основное, на что смотрят ученые при анализе данных таких экспериментов — параметры распределения ответов. Фактически, это ключ к тому, что происходит в рабочей памяти.

Теперь к самим моделям. В рамках классического подхода к рабочей памяти считается, что она жестко ограничена по объему и способна удерживать лишь несколько объектов — по числу имеющихся в ней «ячеек"/"слотов». Количество таких ячеек в разных теориях предлагается разное (пресловутые семь плюс-минус два, или четыре, или любое другое экспериментально обнаруженное число), и не исключается что для разных видов памяти это количество будет разным. Но суть остается прежней — либо объект входит в это число и попадает в рабочую память, либо не входит и не попадает. На рисунке (а) показано, как объекты попадают в одну из трех независимых ячеек памяти. Каждый объект хранится там в «хорошем качестве». Поэтому распределение ответов отражает небольшой разброс ошибок вокруг истинного значения запомненного объекта (например, оттенка цвета или ориентации в пространстве). Когда объектов больше, чем ячеек, часть из них не попадает в память. Согласно этой модели, в этом случае распределение ответов испытуемых будет состоять из очень точных ответов для запомненных объектов (серая часть распределения) и угадывания (зеленая часть).

Несмотря на большую поддержку со стороны данных, у этой модели есть существенный недостаток — она отрицает, что объекты могут запоминаться с разным уровнем точности. Например, в ситуации, если вы помните что фигура была синяя, но не можете припомнить оттенок. Альтернативный и активно разрабатываемый сейчас взгляд на рабочую память — ресурсный — основан на результатах, демонстрирующих, что объекты могут запоминаться с разной точностью, и чем больше объектов мы пытаемся удержать в памяти, тем менее точными будут их следы-репрезентации. Предполагается, что существует некий ограниченный ресурс «памяти», который может гибко распределяться между тем количеством объектов, которое нам нужно запомнить. В результате, с увеличением количества объектов точность их репрезентаций падает, хотя все они в определенной степени будут представлены в рабочей памяти. Рисунок (b) демонстрирует равномерное распределение ограниченного ресурса памяти (желтая масса) между всеми предъявляемыми объектами. Распределения демонстрируют, что точность репрезентаций равномерно снижается с увеличением количества объектов.

У базовой ресурсной модели есть две мощные вариации. Первая — модель дискретных репрезентаций. Ключевое ее отличие — наличие фиксированного «потолка» в отношении количества запоминаемых объектов (как в классической модели слотов).

Эта модель основана на предположении о том, что ресурс памяти исходно распределен на ограниченное количество «квантов» (рисунок с). Если объектов мало, кванты могут объединяться и обеспечивать лучшее качество репрезентации. Если объектов много, каждому объекту либо достанется «кусочек памяти» и какая-то репрезентация, либо не достанется, и объект в памяти представлен не будет. В соответствии с этим, ошибки в задачах на память будут двух видов — ошибки, вызванные шумом репрезентации (имеют нормальное распределение), и ошибки, вызванные угадыванием (имеют равномерное распределение). На рисунке © изображено, как для большого количества объектов кванты «разделяют ресурс», так что качество репрезентации отдельного объекта падает (серая часть распределения). При этом объекты, которым не хватило квантов, остаются не представленными в памяти, что будет вызывать ответы-«угадывания"(зеленая часть). Обратите внимание, как это распределение отличается от тех, что были в случаях (b) и (а).

Вторая вариация ресурсного подхода — модель переменной точности. Ее главное отличие — ресурсы распределяются между объектами неравномерно. Какие-то объекты могут быть представлены хуже, какие-то — лучше, но в целом в память попадают они все (рисунок d). Когда испытуемых просят восстановить из памяти объект, который они запомнили лучше всего, они справляются с задачей удачнее, чем когда им предлагается случайно выбранный объект. Следовательно, качество репрезентаций нескольких одновременно запомненных объектов обязательно различается, даже если все остальные параметры равны. А вот средняя точность будет зависеть от количества объектов, поскольку ресурс ограничен. На рисунке (d) показано, что в случае одного объекта, как и в остальных моделях, мы получаем репрезентацию хорошего качества и, соответственно, точные ответы. В случае большого количества объектов распределение будет состоять из большого количества нормальных распределений разной ширины (обратите внимание на специфическую форму и высокие «края» итогового распределения). Эта модель действительно хорошо описывает данные, но вот причины таких вариаций точности и их нейронные основания еще предстоит найти.

Исследование рабочей памяти — это увлекательнейшая область, использующая весь арсенал методов современной экспериментальной психологии и нейронауки, от работы с единичными нейронами до бихевиоральных экспериментов, включая клинические исследования и компьютерное моделирование. И несмотря на длительную историю, область все еще продолжает активно развиваться, постепенно улучшая наши представления о самой рабочей памяти и об огромном количестве зависящих от нее процессов.