XiaoMi-AI文件搜索系统
World File Search SystemCraik
认知的
如果如上所述，认知心理学的主要目标之一是了解正常（完整大脑）人类行为，特别是心理能力，那么认知神经心理学家通过研究受损大脑来实现这一目标，乍一看似乎很奇怪。为了回答为什么他们实际上是从不完整的系统“反向”工作，苏格兰著名哲学家和心理学家肯尼斯·克雷克（Kenneth Craik）的一句简洁的引言非常有用，他是世界上最重要的心理学研究中心之一应用心理学部的首任主任。克雷克说：“对于任何一台制作精良的机器，人们都不知道大多数零件的工作原理——它们运转得越好，我们对它们的意识就越少……只有故障才会引起人们对机器存在的注意”（1943 年，第 84 页）。人类认知系统是一个经过数百万年进化的精密“机器”，虽然我们可能了解我们做事的方式和原因（例如，我们如何计划周末旅行），但对于许多能力（例如，如何设法将这页纸上的黑色墨水转化为对我想说的话的理解）而言，这样的理解是相当困难的。事实上，我们认为毫不费力的一些技能，如看或走路，是最复杂的，以至于最好的人工智能系统也无法模仿它们（Moravec，1988）。虽然认知心理学家试图通过研究解决这一困难，但在某些行为方面，只有当完整的系统出现故障（例如，通过脑损伤）时，才有可能真正感受到复杂性。认知神经心理学家正是从这种观察受损系统的角度来研究记忆、物体识别、面部识别、阅读、解决问题等复杂过程。
技术的人性化面貌
通过将技术与人类相匹配而不是相反来创造一个更好的战后世界。阅读那个时代的经典著作，如 Chapanis、Garner 和 Morgan (1949)；Craik (1947, 1948)；和 Licklider (1960)，人们可以感受到兴奋的气氛、机遇的气息和希望的萌芽。特别是，Taylor (1957) 提出工程学和心理学的结合可能不仅仅是不同学科的结合。他推测，“在开始为机器设计做出贡献时，心理学家已经开始从理论和务实的角度将心理科学和物理科学结合在一起。它们在概念层面上能走多远还有待观察。”（第 258 页）。在随后的几十年里，人因/人体工程学 (HF/E) 学科开始出现
改善儿童执行的活动和计划...
efs是一个控制功能的家族，可能会不明智地采取行动。这些功能取决于神经导管，前额叶皮层起着重要作用（Anderson，Jacobs和Anderson，2008； Bialystok＆Craik，2005）。普遍同意，有三个核心EFS：抑制（也称为“抑制性控制”），工作记忆和认知灵活性（例如Miyake等，2000）。这些构成了高阶EF的基础，例如推理，解决问题和计划（Christoff，Ream，Geddes和Gabrieli，2003年； Collins＆Koechlin，2012; Lunt等，2012）。抑制作用对于（a）控制一个人的行为很重要，例如，通过压倒习惯反应，施加自我控制（即抵制诱惑，例如诱惑
浅层和深层处理——外语学习的综合认知架构
摘要本文旨在提出一种在外语学习背景下整合浅层和深层处理技术的架构。自从 Craik 和 Lockhart 于 1972 年首次提出“处理层次”的概念以来，专门文献一直在尝试复制这种基于认知的架构，以找到它在不同领域的应用。为了填补试图“结合”语言学习和心理语言学的文献中的现有空白，本研究提供了一个额外的认知神经科学视角来理解促进有效语言学习的浅层和深层处理编码机制。本研究将从一份关于激活的认知过程在外语习得和学习中的作用的简短理论报告开始，提出一些综合的教学建议，以促进学习者在课堂上有效地处理 L2 数据。
功能性神经网络：用于功能数据的换档模型，并具有脑电图分类的应用程序
在BCI的背景下，更具体地用于通过脑电图（EEG）测量的数据分析，传统方法基于根据数据计算得出的精心选择的功能。通常应用的技术包括时间域中脑电图数据的主要成分分析，或基于频域中功率谱的特征（Azlan＆Low，2014; Boubchir等，2017; Boonyakitanont et al。，2020）。由于深度学习领域的最新进展，提出了避免手动特征提取的神经网络的不同架构，并且似乎超过了更传统的方法。例如，提出了神经网络EEGNET来支持多个BCI范式，通常被称为该领域的基准模型（Lawhern等，2018）。在临床环境中，使用VGG16神经网络的某些变体来检测与癫痫相关的信号（Da Silva LourenC报O等，2021）。通常，深度学习已成功地应用于与脑电图数据有关的各种任务（Craik等，2019； Roy等，2019）。
![arxiv：2301.05869v2 [cs.lg] 2023年8月10日](/simg/g:\will\search\icon\source\4\47b0820a8bbd0dc424d1af53abb30fd5ef096fab.webp)
arxiv：2301.05869v2 [cs.lg] 2023年8月10日
在BCI的背景下，更具体地用于通过脑电图（EEG）测量的数据分析，传统方法基于根据数据计算得出的精心选择的功能。通常应用的技术包括时间域中脑电图数据的主要成分分析，或基于频域中功率谱的特征（Azlan＆Low，2014; Boubchir等，2017; Boonyakitanont et al。，2020）。由于深度学习领域的最新进展，提出了避免手动特征提取的神经网络的不同架构，并且似乎超过了更传统的方法。例如，提出了神经网络EEGNET来支持多个BCI范式，通常被称为该领域的基准模型（Lawhern等，2018）。在临床环境中，使用VGG16神经网络的某些变体来检测与癫痫相关的信号（Da Silva LourenC报O等，2021）。通常，深度学习已成功地应用于与脑电图数据有关的各种任务（Craik等，2019； Roy等，2019）。
通过度量的视觉脑解码的EEG分类... 比较p300检测的卷积和复发性神经网络
大脑解码不仅是一个有趣的研究领域，而且从认知和临床的角度也具有收益。近年来，大脑解码从脑电图记录中有很大的增长。通常，基于EEG的非侵入性脑部计算机界面（BCI）通常用于解码精神情绪/意图（从宽松的意义上）。这种解码的实用且有用的例子是，BCI控制轮椅或BCI控制的用户界面，可以帮助不同的人。自1924年被德国精神主义者汉斯·伯杰（Hans Berger）（Chen，2014年）发现以来，脑电图（EEG）主要被卫生工作者用于诸如癫痫发作的应用（Chen，2014年）。然而，多年来，它在认知神经科学和生物医学工程领域的用途显着改善。与其他一些大脑感应性相比，该技术的主要收益不仅是其非侵入性，而且是其高时间分辨率以及相对较低的成本。除了这些优势之外，脑电图信号的劣势是非常差的SNR。说过，由于信号与噪声比率较差，因此很难吸收来自脑电图的大脑中发生的事情。尽管如此，已经为诸如解码情感和分析的应用程序完成了大量的BCI成功工作（Chen等，2019; Craik等，2019; Gao等，2015）等。受到此类研究的启发，我们进一步探索了一个重新
Andrew N. Meltzoff博士-I -LABS-华盛顿大学Andrew N. Meltzoff博士-I -LABS-华盛顿大学
大学。华盛顿教授（心理学）1988年至今的大学。华盛顿兼职教授（精神病学）1989年 - 现任大学。华盛顿兼职教授（言语与听力科学）1997-现在。华盛顿兼职教授（教育）2004-现在的大学。华盛顿副教授（心理学）1984- 1988大学。华盛顿研究讲师兼助理教授（精神病学）1977-1984荣誉研究员：美国科学进步协会（1986年当选）研究员：美国心理学协会（当选1988年）：心理科学协会：1989年当选1989年获得者（当选为1989年），获得者：詹姆斯·麦克基·麦克基·凯特尔·萨布尔·萨比特奖（James McKeen Cattell Sabbathic）奖（1990-1991）成员：1990-1991位科学学院（1990年）（1990年）（1990年）（1990年） 《艺术与科学》（2009年）当选成员：华盛顿州立科学学院（2010）研究员：认知科学学会（当选2014年）当选成员：实验心理学家学会（当选2016年当选）获得者：NIH Scientific绩效奖（1998年 - 2008年）获得者：获得者：肯尼斯·克拉克（Kenneth Craik接受者：华盛顿州家庭的超级英雄。parentmap杂志（2014年）获奖者：库尔特·科夫卡（Kurt Koffka）前进的发展心理学勋章（德国，2016年），获得者：Simms/Mann Foundation全子奖（2018年）：50名世界上最有影响力的心理学家（由Thebestschools.orgs.org，2018年）汇编而成：APS William James James Condorient：APS William James Privitions gientiment firctution gientime fluctution firctution firctutiate
软物质和生物物质中的拓扑
Luca Tubiana 1 , 2 , ∗ , Gareth P. Alexander 3 , Agnese Barbensi 4 , Dorothy Buck 5 , Julyan HE Cartwright 6 , 7 , Mateusz Chwastyk 8 , Marek Cieplak 8 , Ivan Coluzza 9 , Simon Čopar 10 , David J. Craik 11 , Marco Di Stefano 12 , Ralf Everaers 13 , Patrícia FN Faísca 14 , 15 , Franco Ferrari 16 , Achille Giacometti 17 , 18 , Dimos Goundaroulis 9 , 19 , Ellinor Haglund 20 , Ya-Ming Hou 21 , Nevena Ilieva 22 , Sophie E. Jackson 23 , Aleksandre Japaridze 24 , Noam Kaplan 25，Alexander R. Klotz 26，Hongbin Li 27，Christos N. Likos 28，Emanuele Locatelli 28，29，30，TeresaLópez-León31，Thomas Machon 32，Cristian Micheletti 33，Davide Michieletto 34，34，35，35，Antti niiem 33，33 39，Francesco Nitti 40，Enzo Orlandini 29，30，Samuela Pasquali 42，Agata P. Perlinska 39，Rudolf Podgornik 43，44，45，Raffaello Potestio 1，2拉夫尼克 10,48, 伦佐·里卡 49,50, 克里斯蒂安·M·罗沃 51,52, 安杰洛·罗萨 33, 扬·斯姆雷克 28, 安东·苏斯洛夫 53, 安德烈·斯塔西亚克 54,55, 达尼埃莱·斯蒂尔 40,41, 乔安娜·苏乌科夫斯卡 39, 皮奥特·苏乌科夫斯基 56, 德威特·L·萨姆纳斯 57, 卡斯滕·斯瓦内博格 58, 皮奥特·希姆扎克 56, 托马斯·塔伦齐 59, 鲁伊·特拉瓦索 60, 彼得·维尔瑙 61, 迪米特里斯·弗拉索普洛斯 62,63, 普里莫日·齐赫尔 10,48, 斯洛博丹·尤默 10,48
社论：脑机接口在非临床（家庭、体育、艺术、娱乐、教育、健康）领域的应用
近十年来，脑机接口 (BCI) 技术已进入非临床应用的主流人机交互 (HCI) 研究。BCI 已成为多模式交互研究的一部分，作为技术系统用户的附加交互模式。BCI 还成为研究的一部分，其中神经生理数据为系统提供有关用户情感和心理状态的信息，从而可以在线调整系统、任务和交互以适应特定用户（Fairclough，2022 年）。目前，市场上需要廉价的脑电图 (EEG) 设备和软件包，它们可以捕捉自愿和非自愿引起的大脑活动，并将这种活动转化为环境和设备的控制和通信命令。此外，最近对深度网络在 BCI 应用中的使用的研究有所增加，并有望提高 BCI 系统的准确性（Craik 等人，2019 年）。总体而言，低成本非侵入式神经技术的可用性在医疗和消费者神经技术的交叉领域带来了一些伦理和监管挑战。尽管基于 EEG 的 BCI 在稳健性和带宽方面受到限制，但它们仍然是迄今为止最容易获得的 BCI 类型，可用于探索其在游戏、娱乐、教育和艺术等领域的潜在用途。虽然临床上的大部分 BCI 研究越来越依赖于侵入式记录，但这种方法距离非医疗应用很可能还有几十年的时间。HCI 研究人员对 BCI 的兴趣日益增加，因为技术行业正在扩展到效率不是主要关注目标的应用领域。家庭或公共空间使用信息和通信技术提高了人们对情感、舒适度、家庭、社区或娱乐性的重要性的认识，而不是效率。因此，除了需要效率和精度的非临床 BCI 应用外，本研究主题还涉及 BCI 在各种类型的家庭、娱乐、教育、体育和健康应用中的使用。这些应用程序可以与单个用户以及多个合作或竞争用户相关。我们还看到艺术家们对利用此类设备设计交互式艺术装置的兴趣重新燃起，这些装置可以了解单个用户或集体大脑的大脑活动