XiaoMi-AI文件搜索系统
World File Search System个体差异
PB89-175525 心理人机交互模型
• 确定展示心理模型形式和在模型上所使用的操作的行为。 “• 探索目标导向表征的替代观点（例如，所谓的序列/方法表征）并详细说明从它们预测的行为。• 扩展可能存在的心理表征类型，以包括那些可能不是机械的，例如代数和视觉系统。• 确定人们如何混合不同的表征来产生行为。• 探索如何获得有关系统的知识。• 确定个体差异如何影响系统的学习和性能。• 探索系统的训练序列的设计。 • 提供系统为系统设计师提供工具，帮助他们开发能够在用户中唤起“良好”表现的系统。• 扩展本研究的任务领域，以包括更复杂的软件。
研究生手册 - 健康与人类科学学院
HONORS & AWARDS Honorable Mention, SIOP Owens Scholarly Achievement Award (Best Paper) for 2020 Carter et al., Understanding job satisfaction in the causal attitude network (CAN) model European Association for Work and Organizational Psychology (EAWOP) Best 2019 Practitioner Poster Finalist for Harris et al., Applicant Reactions to Ideal Point Measures of Personality Herbert Zimmer Award for Research Scholarship 2018 University of Georgia, I-O心理学系Donald L.授予杰出硕士论文奖学金2018年佐治亚大学，I-O心理学系DAN MACK研究奖与个体差异和选择有关的研究2017年佐治亚大学I-O心理学系
奖励灵敏度在动态风险决策中的作用
目的：我们研究的主要目标是深入探索（SS），奖励灵敏度（RS）和风险调整（RA）之间的关系。通过整合从动态风险中获得的强化学习模型和神经措施 - 我们旨在探讨这些人格特征如何影响个人决策过程以及与风险相关的活动的参与。我们旨在剖析这种相互作用的神经和认知机制，从而阐明稳定的基于大脑的特征，这有助于观察到的风险和决策行为的可变性。理解这些链接可能会显着增强我们预测风险偏好中个体差异并制定有针对性的干预措施来管理跨不同情况下的风险行为的能力。
非侵入性脑刺激后皮质厚度与工作记忆表现相关
表明大脑解剖结构可能会影响 NIBS 反应。例如，最近的一项研究表明，左侧 DLPFC 的灰质体积可能与 tDCS 的抗抑郁作用有关。在使用 rTMS 的研究中也发现了类似的结果（Manes 等人，2001 年；Jorge 等人，2008 年）。此外，一项研究调查了健康受试者右前额叶半球皮质厚度与 tDCS 决策表现之间的关联（Filmer 等人，2019 年），目标区域的皮质厚度几乎占受试者认知表现差异的 35%。总之，我们的研究结果进一步证明，NIBS 功效的差异可能是由解剖学个体差异来解释的。
模块 V. 神经心理学评估
在临床神经心理学的应用中，了解个体差异的生物学来源尤其有助于识别记忆、个性、自我意识（意识体验）、认知和情绪表达方面的大脑疾病。然后，通过对使用正式测试获得的异常行为的观察，可以得出有关大脑疾病的合理推论。了解这些由大脑变化（即损伤）引起的神经功能变化（即异常）可以定义个人生活方式中当前和未来行为预期的参数。结合对凝聚成行为表达的生物心理社会因素的进一步了解，神经心理学家可以全面了解什么是正常或异常行为。随着我们对脑损伤恢复的了解不断提高，这种理解为纠正（恢复或调整）紊乱行为提供了现实的期望。
焦虑的大脑：一种组合数据融合机学习方法来预测形态特征的特质焦虑
摘要：特质焦虑涉及体验和报告负面情绪和思想的稳定倾向，例如在不同情况下恐惧和担忧，以及对环境的稳定看法，其特征是威胁性刺激。先前的研究试图研究与焦虑相关的神经解剖学特征，主要是使用单变量分析，从而导致对比结果。这项研究的目的是通过利用联合数据融合机学习方法来构建脑形态特征中特质焦虑中个体差异的预测模型，以允许对新病例的概括。此外，我们旨在进行网络分析，以测试与焦虑相关网络在调节其他与焦虑无关的其他网络中具有核心作用的假设。最后，我们想检验以下假设：特质焦虑与特定的认知情绪调节策略有关，以及焦虑是否随着衰老而减少。使用数据融合无监督的机器学习方法（Parallel ICA）的158名参与者的结构性大脑图像第一次分解为独立的灰色和白质网络。然后，使用监督的机器学习（决策树）和向后回归来提取和测试特质焦虑的预测模型的普遍性。两个协调的灰色和白质独立网络成功地预测了特质焦虑。我们还发现，性状焦虑与灾难性，反思，其他和自称的焦虑呈正相关，并且与重新聚焦和重新评估的积极重新关联和负相关。第一个网络主要包括顶叶和时间区域，例如中心后，前后和中部和上颞回，而第二个网络包括额叶和顶叶区域，例如上颞回和中间回，前缘和前扣带和前胎。此外，特质焦虑与年龄负相关。本文提供了有关预测大脑和心理特征性状焦虑焦虑中个体差异的新见解，并可以为将来的诊断预测焦虑症铺平道路。
单次脑电图解码揭示了驱动快速语音分类决策的功能性大脑连接的独特状态
摘要 目的。分类感知 (CP) 是语音感知的固有属性。听众对语音识别的感知反应时间 (RT) 对个体差异高度敏感。虽然已经从大脑区域对行为的贡献角度对 CP 的神经相关性进行了深入研究，但表示听众对语音分类的速度 (RT) 的个体差异的功能连接模式尚不清楚。在本研究中，我们介绍了一种新方法来解决这些问题。方法。我们对 EEG 采用了几种计算方法，包括图挖掘、机器学习（即支持向量机）和稳定性选择，以研究预测听众行为决策速度的独特大脑状态（功能性神经连接）。主要结果。我们推断：(i) 听者的感知速度与其大脑连接组的动态变化直接相关，(ii) 全局网络的协同性和效率区分了快速、中速和慢速 RT，(iii) 对于较慢的 RT，加速决策背后的功能网络的负协同性增加（即变为不协同），(iv) 较慢的分类语音决策导致神经资源的过度使用和 CP 回路内更异常的信息流，(v) 反应较慢的人倾向于过度（或不恰当地）使用功能性大脑网络，而反应较快的人（全局效率较低）使用相同的神经通路但组织更受限制。意义。研究结果表明，神经分类器 (SVM) 加上稳定性选择可以正确地从功能连接中对行为 RT 进行分类，准确率超过 92%（AUC = 0.9）。我们的结果证实了以前的研究，通过使用完全数据驱动的方法支持 CP 中相似的颞叶（STG）、顶叶、运动和前额叶区域的参与。
人类基因组学和生物医学中的人工智能
摘要 • 大量复杂数据的日益普及使得人类基因组学及其在（生物）医学中的应用成为人工智能（AI）以高级机器学习（ML）方法形式出现的一个有吸引力的领域。这些方法不仅与改善诊断和药物开发的希望有关。相反，它们还可能推动生物医学中的关键问题，例如了解人类基因组中的个体差异如何导致特定的特征或疾病。我们分析了人工智能和基因组学日益融合、相应创新系统的出现，以及这些关联人工智能方法与生物医学研发（R&D）和医疗实践中对因果知识的需求之间的关系。最后，我们研究了临床实践的机遇和挑战以及这种融合对治理问题的影响。