XiaoMi-AI文件搜索系统
World File Search SystemBusemeyer
杰罗姆·r·布塞迈耶
傑羅姆 R. B USEMEYER 杰出教授心理与脑科学认知科学统计学兼职教授 2023 年 1 月 19 日 个人地址：印第安纳大学心理与脑科学系 2023 年 1 月 19 日 1101 E. 10 th Street Bloomington, IN 47405-1301 办公室电话：812-855-4882 传真：812-855-4691 电子邮件：jbusemey@indiana.edu 网站：http://mypage.iu.edu/~jbusemey/home.html 教育 1980 年伊利诺伊大学，博士后研究员，定量方法 1979 年南卡罗来纳大学，博士，心理学 1976 年南卡罗来纳大学，文学硕士，心理学 1973 年辛辛那提大学，文学士，优异数学/动态建模判断与决策专业经历 1997 年至今教授，现为心理与脑科学系认知科学项目杰出教授印第安纳大学，印第安纳州布卢明顿 2006 年至今兼职教授统计学系印第安纳大学，印第安纳州布卢明顿
量子认知 - Jerome R. Busemeyer
不确定性是生活的固有部分；大多数事件、事务和问题都是不确定的。行为科学的一个关键问题是大脑如何应对不确定的信息。量子概率论提供了一套推理原则，这些原则与某些情况下心理过程的直觉非常吻合：推理似乎是情境化的，心理状态因先前的判断而改变，或者不同可能性之间存在干扰。我们鼓励在认知及其主要特征中使用量子理论。对于每个特征，我们都会回顾相关的量子认知模型和实证支持。量子认知模型的范围包括决策中的谬误（例如合取谬误或析取效应）、问题顺序效应、概念组合、证据积累、感知、记忆中的过度/欠分配效应等。量子模型通常将以前以启发式术语表达的心理学思想形式化，允许对以前不同的发现进行统一解释，并导致了几个令人惊讶的新预测。我们还以批判的眼光看待量子模型，并考虑它们的一些缺点以及进一步发展的问题。
量子认知是否意味着量子思维？
量子认知是基于量子理论的数学原理构建认知模型的理论框架。由于量子认知在解释认知科学中自相矛盾的经验发现方面取得了成功，近年来它受到了广泛关注（参见 Wang 等人，2013 年；Busemeyer 和 Bruza，2014 年；Yearsley 和 Busemeyer，2016 年的有益评论）。然而，量子认知模型能告诉我们认知的根本过程仍不得而知。人们普遍认为量子认知只是一种有效的认知理论，其中实际的大脑处理可能以本质上经典的方式进行。在本文中，我们将解决这个问题。基于量子基础研究的最新进展，特别是关于波函数真实性的 PBR 定理，我们将表明分配给认知系统（例如我们的大脑）的波函数，它用于
Raghavendra Pradyumna Pothukuchi - 计算机科学
» 量子、认知和计算机系统首席 PI 和演讲者：RP Pothukuchi 联合 PI（按字母顺序排列）：A. Bhattacharjee、J. Busemeyer、JD Cohen、Y. Ding、B. Jongkees 和 TH Kyaw 学生（按字母顺序排列）：Y. Abukhadra、N. Ahn、YD Chua、G. Epping、B. Foxman、C. Hann、L. Rosendahl、YJ Shen、A. Simon、B. Trevisan、M. Tu、J. Wang、M. Yang 海德堡桂冠论坛，2022 年 9 月。
自然语言处理与量子物理学
近年来，量子计算引起了广泛关注。其基本思想是利用量子力学的力量来解决计算问题（Shor，1999；Nielsen 和 Chuang，2002）。虽然某些量子算法可以成为经典算法的更快替代方案（Biamonte 等人，2017；Arute 等人，2019），但量子物理的数学框架也已用于认知（Busemeyer 和 Bruza，2012）、优化（Soleimanpour 等人，2014）和其他学科。在自然语言处理 (NLP) 领域，量子力学近年来的研究兴趣激增，解决了从词汇语义模糊性（Meyer and Lewis，2020 年）到语义组合（Coecke 等人，2020 年）以及从信息检索（Jiang 等人，2020 年）到文本分类（Zhang 等人，2021 年）等各种问题，其中量子物理的不同特性启发了新算法。尽管其研究文献不断增加，但尚未有调查对量子 NLP 领域进行综述和分类。最相关的调查是关于量子启发的信息检索（Uprety 等人，2020 年；
工作的结束感觉很近。人们如何看待数字技术和自动化的影响？ *
∗ arntz：Zew Mannheim和U. Heidelberg。电子邮件：melanie.arntz@zew.de。Blesse：Lud-Wig Erhard Ifo社会市场经济和机构经济学中心，Cesifo和Zew Mannheim。电子邮件：blesee@ifo.de。doerrenberg：U.Mannheim，Cesifo，Iza和Zew。电子邮件：doerrenberg@uni-mannheim.de。我们感谢Isabell Doppert，Theresa Geyer，Moritz Scheiden-Berger和Karim El-Ouaghlidi提供了出色的研究帮助。We thank Irene Bertschek, Mar- ius Busemeyer, Georg Graetz, Friedrich Heinemann, Philipp Lergetporer, Tuomas Pekkarinen, An- dreas Peichl, Jan Schmitz, Nicolas R. Ziebarth, Ulrich Zierahn as well as participants at several sem- inars/conferences/workshops for helpful comments and suggestions.我们感谢莎拉·麦克纳马拉（Sarah McNamara）对手稿的专业证明阅读。作者感谢SFB 884“改革的政治经济学”的财务支持，该研究集群由德国研究基金会（DFG）和莱布尼兹协会资助，并通过海德堡大学的莱布尼兹应用劳动经济学教授（P56/2017）。该项目已在AEA RCT注册中注册，根据AEARCTR-0003888。
论认知过程所解决的问题
正在《认知科学》上发表。这是对“认知科学的进展与难题”征集信函的回应。直到 20 世纪 50 年代，几乎没有科学词汇来描述由大量简单程序组合而成的复杂过程（Minsky，2011 年）。随着计算机科学、复杂系统的基础工作（Simon 1962 年、Anderson 1972 年；Wimsatt 1974 年）以及认知科学（Marr，1982 年；Minsky，1961 年；1974 年；Gardner，1985 年）的出现，这种情况发生了变化。现在，21 世纪已经过去了近四分之一，认知科学非常严谨和形式化，与人工智能和计算机科学的概念进步相结合，获得了理论和技术上的进步。例如，预测编码、贝叶斯推理和各种机器学习都代表了对 20 世纪中期思想家（如明斯基和维纳）提出的分层预测误差原理的重新审视（Clark，2013；Minsky，1961；1974；Tennenbaum 等人，2011；Wiener，1948）。这些和其他信息处理原理为信息处理问题提供了算法解决方案，从而确定了我们可能在自然智能中发现或在人工智能中构建的功能（Lake 等人，2015）。它们还为我们提供了工具来描述实验研究中观察到的因变量和自变量之间的关系，如决策的漂移扩散模型（Pleskac & Busemeyer，2010）。然而，在急于建立一门严谨的科学时，我们担心目前正在犯一个错误：过于强调描述性或预测性研究，而没有足够重视认知过程的目的——这些过程在遗传和文化上进化是为了解决的问题。想象一下，一位外星科学家面前摆着一辆现代地球汽车。这辆车有各种复杂的机械装置，从发动机里的活塞到电脑里的电路。外星人的任务是弄清楚它是如何工作的。当然，如果他们不知道它的功能是运输，这个任务几乎是不可能完成的，但我们的外星人并不傻。他们知道汽车的作用是把人类从一个地方运送到另一个地方，而汽车的