Protocolo computacional para la modelización bayesiana jerárquica de la percepción y la generalización en el...

Área de la Ciencia:

• Ciencia Cognitiva
• Neurociencia Computacional
• Psicología

Sus antecedentes:

• Comprender la generalización humana es clave para distinguir los mecanismos cognitivos y perceptuales.
• Las diferencias individuales en la generalización del miedo no se comprenden completamente.
• Los modelos existentes pueden no separar adecuadamente las contribuciones perceptuales y de aprendizaje.

Objetivo del estudio:

• Presentar un protocolo computacional para analizar las diferencias individuales en la generalización del miedo.
• Integrar modelos bayesianos de espacio de estados y modelos jerárquicos de mezcla para este análisis.
• Diferenciar entre los procesos de generalización basados en la percepción y en el aprendizaje.

Principales métodos:

• Aplicación de un modelo bayesiano de espacio de estados a datos perceptuales.
• Cálculo de la distancia del estímulo a partir de representaciones perceptuales probabilísticas.
• Empleo de un modelo jerárquico de mezcla de generalización para analizar los componentes de la generalización.

Principales resultados:

• El protocolo permite el análisis cuantitativo de las diferencias individuales en la generalización del miedo.
• Proporciona un marco para desentrañar las contribuciones perceptuales y de aprendizaje.
• La distancia del estímulo se puede derivar de representaciones perceptuales probabilísticas.

Conclusiones:

• El protocolo computacional integrado ofrece un enfoque novedoso para estudiar la generalización del miedo.
• Este método facilita una comprensión más profunda de los fundamentos cognitivos y perceptuales de la generalización.
• Permite la distinción entre mecanismos de generalización basados en la percepción y en el aprendizaje.