Теория (без) перспектив

В этом году на CCN в Нью-Йорке The MIT Press поставили ~15 разных книг на своём стенде, чтобы каждый мог их почитать. Но одновременно с этим они провели акцию - по принципу first-come-first-serve можно было застолбить себе любую из книжек и забрать её в последний день работы стенда. Я очень хотел себе среднюю или хотя бы левую книжку на фото, но они были заняты, выбрал себе книжку справа. И вот последний день. Я подхожу к стенду, забираю свою книжку и понимаю, что вообще-то две другие книги всё ещё стоят. Искра, буря, безумие, удача, некоторые переговоры, полчаса ожидания до официального закрытия стенда и доброта представителя издательства - и вот я уже бесплатно зафармил себе 3 книжки в сумме на 285 долларов. Опыт 10/10.

Немножко мыслей о PhD PhD, безусловно, имеет множество плюсов для тех, кто хочет научиться познавать мир с помощью науки. А ещё это относительно простой способ эмиграции. Но некоторые особенности этого уровня образования могут упускаться из виду. Во-первых, PhD отличается от бакалавриата и магистратуры. На уровнях до PhD ты получаешь знания и навыки, формируешь картину мира и области знаний. PhD же в том числе про травматический опыт и страдания от попыток создать новое знание - даже если проект вам искренне интересен, то будут свои ups and downs. А искренний интерес, кстати, может развиться лишь со временем, когда вы больше погрузитесь в свою тему. Во-вторых, PhD - это вечные попытки в совладание с неопределенностью мира (коллега даже однажды придумал близкий по смыслу термин Hope Management), что в целом близко связано с первым пунктом. Сработает ли этот эксперимент? Точно ли я его правильно задизайнил и собрал данные? Как лучше всего анализировать данные? Какая история получается из этих данных? А что если ничего не сработает? Или сработает не как ожидаешь? Какой исследовательский вопрос разрабатывать дальше? Что делать после защиты? Когда PhD накладывается на эмиграцию, финансовый стресс и мировую турбулентность, то и нагрузка кратно возрастает. За время PhD приходится учиться хотя бы просто смириться с постоянной неопределенностью, а в идеале сделать так, чтобы вы чувствовали себя в ней комфортно - вероятно с опорой на какие-то другие надёжные константы в вашей жизни (другой человек, созидательная деятельность или что-то ещё). В-третьих, цель PhD не в том, чтобы своими исследованиями перевернуть мир или хотя бы конкретную научную область. Цель PhD в том, чтобы научиться создавать знания и, собственно, подтвердить это получением степени. В каком-то смысле в первую очередь от вас требуется пройти несколько раз через процесс data-to-papers и просто выпуститься. Но безусловно у вас должен быть поддерживаемый интерес к вашей теме, используемым методам, способность долго концентрироваться на своих проектах (долго ~= всё PhD), чтобы в конце получить то самое отложенное вознаграждение в виде степени и в каком-то смысле статуса (лишь небольшая доля населения в мире получает PhD: где-то 3% в Швейцарии, 2% в Германии, США, Австралии и Британии, 1% в Франции, Италии, Нидерландах и меньше процента населения с кандидатской степенью в России). Цель поста, если что, не в том, чтобы отговорить кого-то делать PhD, а скорее в том, чтобы помочь выстроить ожидания до начала PhD (сам я считаю это одним из лучших решений в своей жизни). Ну и комментарии, согласные и несогласные, конечно же, приветствуются.

Планируете применять Evidence Accumulation Models для анализа вашего эксперимента? Для этого нужно лишь... (продолжение по DOI): https://doi.org/10.1177/25152459251336127 Полезный гайд для всех, кто думает применить EAM в своём анализе. В нём вы найдёте: * Условия, определяющие использование EAM, и их влияние на дизайн задачи * Как определённые экспериментальные манипуляции влияют на совместное распределение точности и времени реакции и как это отображается на параметрах EAM * Как должны быть устроены пробы в вашей задаче и процедура эксперимента в целом * Сколько проб и сколько участников желательно набрать * Как подобрать параметры модели под ваши данные, а затем сравнить альтернативные модели * Ну и как писать о результатах в статье Также полезными будут общий туториал по анализу с помощью EAM, в частности с помощью библиотеки HDDM (хотя сегодня есть и более современные альтернативы типа HSSM или EMC2). P.S. А если у вас онлайн-эксперимент, то загляните ещё в другой туториал. P.P.S. А для экспериментов с нейроимиджингом сюда и сюда.

Большие supervisors vs маленькие научные руководители Если и есть тема, которую PhD студенты обсуждают чаще собственной работы — это научные руководители. И неудивительно: выбор руководителя определяет карьерный трек, научные привычки и исследовательские темы, хотя влияние руководителя во время постдока оказывается даже сильнее. Но важен не только сам руководитель, но и размер лаборатории. В недавней работе Xing (2025) показано, что чем крупнее лаборатория (шире коллаборационная сеть руководителя), тем выше цитируемость работ — но и тем выше вероятность, что студент уйдёт из академии. Первое объяснить легко: работы из крупных лабораторий с большим числом авторов быстрее набирают цитирования, хотя и реже порождают прорывные идеи. Второе сложнее, но основная причина, по всей видимости, одна — сколько времени руководитель реально уделяет каждому студенту. Самым сильным предиктором продолжения академической карьеры оказалось количество совместных публикаций, где студент — первый автор, а руководитель — последний. Обратная картина — публикации, где студент стоит в середине авторского списка, — с продолжением карьеры в науке коррелировали отрицательно. Что ещё играет роль? Престижный университет, средний карьерный возраст руководителя, тематическая независимость диссертации от исследований самого руководителя и внешние коллаборации — с исследователями из других учреждений и смежных областей. Хотя публикации постдока, судя по всему, влияют на карьеру сильнее, чем публикации PhD, и стоит приложить больше усилий для его выбора. Насколько я знаю, при выборе научного руководителя многие смотрят на траекторию цитируемости и когда были сделаны самые цитируемые работы, хотя самый важный критерий это отвечает ли он/она на письма.

Что время реакции расскажет о ваших предпочтениях? [2/3] 🔻Аркадий Коновалов и Ian Krajbich в своей статье наглядно показывают, что зная лишь время реакции, мы можем понять предпочтения агентов. 🔻Они проверили это в трёх задачах с соответствующими моделями:…

Что время реакции расскажет о ваших предпочтениях? [1/3] Решения характеризуются не только тем, что мы выбираем, но и как быстро мы это делаем. По мотивам лекции, которую я читал магистрам прошлой осенью, приведу примеры того, какая полезная информация содержится…

Что время реакции расскажет о ваших предпочтениях? [1/3] Решения характеризуются не только тем, что мы выбираем, но и как быстро мы это делаем. По мотивам лекции, которую я читал магистрам прошлой осенью, приведу примеры того, какая полезная информация содержится во времени реакции (ВР) и как её могут использовать и исследователи, и просто люди, принимающие решения. (чтобы увязать всё в глобальную картину, можно вспомнить, что такое drift-diffusion model или DDM и почитать, как они связаны с экономическими решениями) 🔹 В поведенческой экономике есть понятие информационного каскада - ситуации, в которой экономические агенты (1) принимают решение последовательно, один за другим, (2) видят решения предыдущих агентов, и (3) при этом не знают их истинных предпочтений. 🔹 Допустим, у нас есть 5 агентов и выбор между А (купить акции некой компании) и Б (продать их). Проанализировав рынок, 3 агента решают купить акции, 2 думают, что лучше их продать. Но допустим, что первые 3 агента купили акции, а оставшиеся двое только после этого решают, что им делать. Видя решения предыдущих агентов, они игнорируют свой анализ и решают купить больше акций. Именно таким снежным комом запускается информационный каскад - под влиянием решений, сделанных предыдущими агентами, следующие агенты могут просто копировать чужие прошлые решения, игнорируя собственные предпочтения. 🔹Вырваться из этого каскада можно, если вы видите не только предыдущие решения, но и то, с какой скоростью они принимались. Так, учёные смоделировали информационный каскад в лабораторных условиях и показали, что если предыдущий человек в каскаде отвечал дольше остальных, то вполне вероятен конфликт между своими предпочтениями и ответами других людей. Если же ответ был сравнительно быстрый, то скорее всего предыдущий человек уверен в своём ответе и конфликта нет. И действительно, участники эксперимента использовали эту закономерность и с большей вероятностью вырывались из информационного каскада, когда видели ВР предыдущих участников, а не только их решения. 🟣 В другой статье, о которой я писал отдельно, авторы изучали торги на eBay. Они смогли предсказать результаты сделок с помощью времени реакции продавцов, показав, что они тратят на несколько часов больше, чтобы принять плохой оффер или отказаться от хорошего. 🟣 На практике это означает, что после очень долгого отказа надо лишь чуть-чуть повысить цену, однако покупатели эту закономерность не осознают и, наоборот, реже предлагают второй оффер при долгом ожидании. Применив модификации DDM к решениям, длящимся часы и дни, исследователи также выявили, что более опытные продавцы менее осторожны и более склонны принять оффер. 🔻Но ВР несёт потенциально полезную информацию не только обычным людям, но и исследователям. Например, зная ТОЛЬКО время реакции, но не сами решения, мы можем восстановить предпочтения людей! 🔻Из множества экспериментов в психофизике мы знаем, что ВР пропорционально различимости перцептивных стимулов - чем менее они похожи, тем быстрее мы замечаем разницу между ними. 🔻Также и в экономических решениях: чем быстрее происходит выбор А между А и Б, тем сильнее предпочтение А над Б. Пример: Аня и Борис выбирают между А (200 рублей сегодня) и Б (500 рублей через 2 недели). Оба выбирают Б, но мы ничего не можем сказать о том, насколько сильно они предпочитают Б в сравнении с А. Но допустим, что Аня сделала выбор за 5 секунд, а Борису потребовалось все 10. Можно предположить, что Аня более терпелива, чем Борис. И если это так, то зная только ВР наблюдаемых решений, мы в целом можем понять предпочтения людей и то, насколько они сильны. Но так ли это? ⬇️

Сантьяго Рамон-и-Кахаль "Advise to a young investigator" [1/2] Дочитал наконец книгу "Советы молодому исследователю" того самого нейробиолога, описавшего структуру нервной системы. Вроде бы есть перевод на русский, но в открытом доступе я нашёл только версию…

Сантьяго Рамон-и-Кахаль "Advise to a young investigator" [1/2] Дочитал наконец книгу "Советы молодому исследователю" того самого нейробиолога, описавшего структуру нервной системы. Вроде бы есть перевод на русский, но в открытом доступе я нашёл только версию на английском, а в среде когнитивных телеграм-каналов видел её упоминание только у Ивана Иванчея аж в 2019 году с цитатой: Сейчас выкладываю полную книгу, которую недавно случайно прочитал. Надо было это сделать, конечно, лет десять назад. Читать эту книгу надо с поправкой на год публикации (1897). Но думаю, что многие советы в ней актуальны для научной работы и сегодня, ознакомиться с ней советую. У неё очень интересный язык, в ней много красивых метафор. Вот некоторые интересные мысли из книги: 1. Концентрация. Многие недооценивают мощь продолжительной концентрации. Автор считает, что это один из самых важных навыков, которые должны быть у исследователя: концентрация на одном-двух исследовательских вопросах и/или методах на протяжении долгого времени: Если фотографическую пластинку, расположенную под центром объектива, сфокусированного на небе, выдерживать в течение нескольких часов, на ней проявятся звезды, находящиеся настолько далеко, что даже самые мощные телескопы не способны уловить их невооруженным глазом. Точно так же время и сосредоточенность позволяют разуму уловить луч света в мраке самой сложной проблемы. Также он довольно жёстко относится к отвлекающим факторам и говорит, что в некоторые периоды работы вообще необходимо полностью перейти в режим "намеренного невежества" и не отвлекаться на политику, литературу, музыку и прочее. В современном мире это ещё сложнее и требует гораздо больше воли, чтобы не запустить очередную игру в стиме, не полистать новости, рилсы или тиктоки. При этом он утверждает, что отвлекаться надо, но на активности, стимулирующие "ассоциацию новых идей" - погулять, посозерцать пейзажи/искусство/фотографии, а лучше всего - провести время с человеком, который вас понимает и тщательно избегает любых серьезных и глубоких разговоров. 2. Патриотизм. Учёный должен быть патриотом, работающим на престиж своей страны. Это правда, что наука по своей природе космополитична, но, цитируя Пастера, у учёных есть страна. Автор, однако, различает слепой патриотизм политика и здоровый патриотизм учёного, который не закрывает глаза на недостатки своей страны. В те времена, всё-таки, у Испании было много проблем, он их осознавал и, например, считал, что учёные должны публиковаться на немецком, потому что испанский - не язык науки, а цивилизационный вклад Испании в мировую культуру и науку не сравним с Германией, Францией и Британией. 3. Болезни воли. Автор приводит классификацию "болезней воли", ведущих к тому, что вы вообще не производите новых исследований (отмечайте себя, если было): * Созерцатели - они любят исследовать природу исключительно из-за эстетического удовольствия и не вносят реальный вклад в науку. * Библиофилы - читают очень много статей, монографий, книг и знают даже самые нишевые теории, но ничего не делают сами. * Мегаломаньяки - хотят огромных прорывов с самого начала работы, строят много планов, но работают мало и недостаточно тяжело, распыляясь на другие активности. * Инструментальные наркоманы - лаборанты, фетишизириующие инструменты исследований, они не дают никому нормально работать и боятся, что глупые студенты всё сломают. * Самозванцы - люди, находящиеся в науке по какой-то рандомной причине (например, политика, деньги, престиж позиции). * Теоретики - они любят теории и не любят от них отказываться, а когда данные противоречат теории - тем хуже для данных. ⬇️

В этом году стараюсь удержаться сразу на двух стульях, подал на 2 конференции в США с разными проектами. В одном - испытуемые обожжённые, а в другом - симуляции мудрёные. Постараюсь усидеть на обоих, ещё мб и на школу одну загляну. Делитесь, кто куда собирается в этом году!

Читал вчера статью, в которой авторы пытались измерить боль не методом самоотчёта, а с помощью фМРТ и машинного обучения. Физическую боль, понятное дело, причиняли тепловым стимулом (~45-47℃). Но в одном из экспериментов они творческим образом подошли к тому, как причинять "социальную боль". Они взяли испытуемых, которые недавно пережили расставание и всё ещё страдали от этого. А затем им в МРТ-сканере показывали фотки их бывших и для сравнения фото кого-то из близких друзей. Такие вот жестокие эксперименты. В результатах, кстати, оба типа боли отличаются по активности на фМРТ в их анализе.

Подходы к понимаю моделей накопления доказательств На днях в Computational Brain & Behavior вышел мой комментарий к эссе Illusions of Understanding in Sciences. В оригинальном эссе авторы обсуждают факторы, влияющие на возникновение иллюзий понимания в науке…

Подходы к понимаю моделей накопления доказательств На днях в Computational Brain & Behavior вышел мой комментарий к эссе Illusions of Understanding in Sciences. В оригинальном эссе авторы обсуждают факторы, влияющие на возникновение иллюзий понимания в науке - то есть когда учёные верят, что понимают больше, чем на самом деле. Авторы также в деталях обсуждают разные "способы понимания" обманчиво простой линейной регрессии - например, как инструмента для предсказаний (независимо от причинно-следственной связи между двумя переменными), как способа оценки силы причинно-следственной связи (если таковая есть), понимание через парадоксы (типа парадокса Симпсона) и другие. В своём комментарии я попробовал распространить их идеи на более сложный класс моделей в когнитивных науках - модели накопления доказательств (EAM). Я описываю 4 возможных способа понимания EAM: 1. EAM как модели когнитивных процессов. EAM моделирует процесс принятия решений как шумный процесс накопления доказательств. Решение принимается в момент, когда суммарно доказательства достигают порога принятия решений, определяющего компромисс между скоростью и точностью ответа. Скорость и направление этого процесса определяются дрейфом (drift rate), а у человека могут быть предпочтения к определённому ответу ещё до начала этого процесса (например, предпочтение выбирать объект слева, а не справа, независимо от того, что там за объекты). Проблема: мы не можем напрямую наблюдать когнитивные процессы и не всегда понятно, какая модель из класса EAM действительно могла бы породить наблюдаемое поведение. 2. EAM как модели нейронных процессов. Но мы ведь можем всегда обратиться к данным активности мозга, так? Ведь было же показано, что эти модели хорошо отражают динамику частоты импульса нейронов, то есть процесс накопления доказательств в мозге есть? Тогда EAM можно понимать как нейробиологическую модель! Но и тут проблема: вполне вероятно, что наблюдаемая активность связана не с накоплением доказательств, а с оценкой альтернатив - процесс, имеющий другую динамику во времени. 3. EAM как статистические модели описания данных. Можно относиться к EAM как к способу описания данных, а именно совместного распределения наблюдаемых решений и времени реакции. Неважно, какой там когнитивный или нейронный механизм - главное, что есть некоторые общие наблюдаемые паттерны таких распределений, изменения в которых может быть интересно изучать. 4. EAM как правило выбора. Это относительно недавний способ понимания EAM. Когда мы изучаем решения на основе ценности альтернатив или их вознаграждения (что бы съесть, яблоко или банан?), мы обычно моделируем вероятность выбора через softmax-функцию, пришедшую к нам, видимо, из компьютерных наук. Однако, если мы заменим эту функцию на EAM, то сможем ещё и дополнительно учитывать информацию, содержащуюся во времени реакции. В каком-то смысле это расширение понимания EAM как когнитивного процесса. Несмотря на различия в подходах к понимаю EAM (непротиворечащих друг другу!), это довольно полезный класс моделей, так как он представляет единый язык описания для разных уровней анализа. Они могут годиться и для изучения нейронной динамики принятия решений, и, например, роли внимания в этом процессе. Более того, в отличие от "простой" линейной регрессии, эти модели представляют собой попытку описать различные области в рамках одной модели, не игнорируя при этом природу процесса, генерирующего данные. P.S. Мой первый коммент в журнале, ещё и где я один автор, такие вот приятности.

Многие наверняка видели такой график - в нём визуализируется распределение аффилиаций первых авторов на конференции NeurIPS, одной из самых престижных международных конференций в области машинного обучения. А как дело обстоит в когнитивных нейронауках?

Многие наверняка видели такой график - в нём визуализируется распределение аффилиаций первых авторов на конференции NeurIPS, одной из самых престижных международных конференций в области машинного обучения. А как дело обстоит в когнитивных нейронауках?

Наткнулся на статью аж 1967 года о том, как связаны время реакции и точность ответов (speed-accuracy tradeoff). В ней авторы в простой задаче с бинарным выбором заставляют испытуемых давать ответ, когда они слышат сигнал, тем самым получая больше данных как по медленным, так и по быстрым ответам. Затем они показывают, что чем больше время реакции, тем более испытуемые от простого угадывания (50% ошибок) переходят к почти идеальной точности (~0% ошибок). Интересным мне показался их последний график, где они предлагают идею perceptual focusing (перцептивного фокусирования) - по сути это как фотоаппарат, которому надо время, чтобы сфокусироваться. И чем дольше идёт фокусирование, тем точнее ответы. Сегодня такими графиками говорят о репрезентациях стимула в мозге. И интерпретация этого же графика уже другая - чем дольше мозг "сэмплирует" стимул, тем точнее будет его репрезентация в мозге. Примерно такая же идея лежит в основе DDM, которую представил Роджер Рэтклифф только спустя 11 лет, в 1978 году.

Прошлой весной на нашей серии семинаров было много гостей, аффилированных с Complexity Science Hub в Вене. Одним из них был Пётр Турчин, основатель клиодинамики - области исследований, пытающейся тестировать исторические гипотезы на количественных данных и строить математические модели социальных и исторических процессов. Не знаю, насколько его идеи приняты в кругах историков, но читать об этом довольно увлекательно. А тут наткнулся на видео с визуализацией его структурно-демографической теории и с интригующим названием Math Predicting the Death of Nations. В нём визуализируются дифференциальные уравнения, описывающие связь в популяции количества доступных ресурсов, элит, commoners (обычных людей) и государства (как инструмента увеличения доступных популяции ресурсов за счёт налогов). В теории довольно много неопределённости лично для меня - например, не всегда понятно, как определяются элиты и контр-элиты. Из лекций и постов Петра на сабстаке я понял, что в контексте США, например, он часто определяет элиты как людей либо с высшим образованием, либо просто богатых - хотя того же Трампа он называл контр-элитой, по крайней мере до его президентства. А с нашего семинара я нашёл забавную цитату про то, что выпускники юриспруденции самые опасные: One problem is that the Law school graduates is one of the most dangerous segments of population because there is a disproportionate number of counter-elites that have been successful revolutionaries (Castro, Lenin, Robespierre, and others). В любом случае видос посмотреть рекомендую, особенно если вам нравятся красивые визуализации и даже если вы не очень любите уравнения. https://www.youtube.com/watch?v=B5cMfyFqKmM