Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.
1/31
認知心理学への実践:
データ生成メカニズムのベイズモデリング
2018年6月30日
広島ベイズ塾第三回ワークショップ
「心理学者のためのベイズ統計学:モデリングの実際と,モデル選択・評価」
武藤 拓之 (Hiroyuki Muto)
...
2/31
自己紹介
 武藤 拓之 (むとう ひろゆき)
• 大阪大学大学院人間科学研究科D3
 研究分野
• 認知心理学 (空間認知の身体性など)
 Twitter : @mutopsy
 Webサイト: http://mutopsy....
3/31
発表の流れ
1. はじめに:データ生成メカニズムとは?
2. 認知心理学におけるベイズモデリングの適用例
2.1. 系列位置曲線のモデリング
2.2. 心的回転関数のモデリング
2.3. 選択のpostdictive illusion...
4/31
1. はじめに:データ生成メカニズムとは?
2. 認知心理学におけるベイズモデリングの適用例
2.1. 系列位置曲線のモデリング
2.2. 心的回転関数のモデリング
2.3. 選択のpostdictive illusionのモデリング...
5/31
認知心理学の考え方:
操作可能な刺激と観察可能な反応の関係から,
観察できない心の中身を推測する (S-O-R心理学)
刺激 反応生活体
系統的に操作 直接観察できない「心」 客観的に観察可能
ここが知りたい
認知心理学の図式
はじめ...
6/31
刺激 反応生活体
系統的に操作 直接観察できない「心」 客観的に観察可能
独立変数 従属変数モデル
ここが知りたい
より良いモデルを目指す
認知心理学の図式
はじめに 適用例1 適用例2 適用例3 まとめ
7/31はじめに 適用例1 適用例2 適用例3 まとめ
よくある研究の流れ
データの世界とモデルの世界の間に隔たりがある。
独立変数 従属変数
1. モデル (理論仮説) から作業仮説を立てる
例)条件Aでは条件Bよりも反応時間が長くなるだろう...
8/31
データ生成メカニズム
モデルの当てはまりの良さやパラメータの推定結果から,
量的な予測や仮説検証が可能。
独立変数 従属変数
モデル
データとモデルの世界
=データ生成メカニズム
独立変数を従属変数に変換
(量的・質的どちらも可能)
...
9/31
1. はじめに:データ生成メカニズムとは?
2. 認知心理学におけるベイズモデリングの適用例
2.1. 系列位置曲線のモデリング
2.2. 心的回転関数のモデリング
2.3. 選択のpostdictive illusionのモデリング...
10/31
適用例1:
系列位置曲線のモデリング
はじめに 適用例1 適用例2 適用例3 まとめ
11/31
系列位置曲線
系列位置
正再生率
0%
100%
50%
0 5 10 15 20 25 30
ひよこ ダイア あくび サラダ ***・・・
記銘 再生
はじめに 適用例1 適用例2 適用例3 まとめ
12/31
記憶のSIMPLEモデル
SIMPLEモデル (Brown, Neath, & Chater, 2007)
Scale-Independent Memory, Perception, and
Learning (スケールに依存しな...
13/31
物理的時間の対数圧縮=心理的時間
検索までの物理的時間 = 𝑻
検索までの心理的時間 = 𝐥𝐨𝐠 𝑻
Adapted from Figure 1 in Brown et al. (2007)
はじめに 適用例1 適用例2 適用例3 ...
14/31
同定課題における項目の粗密と正答率
Adapted from Figure 2 in Brown et al. (2007)
心理的時間において項目が密
= 項目間の類似度が高い
(弁別性が低い)
→ 互いに干渉する
→ 正答率が低...
15/31
モデル式
自由再生実験で項目𝑖が再生される確率θ𝑖のモデル
η𝑖𝑗 = exp(−𝒄 log 𝑇𝑖 − log 𝑇𝑗 ) //項目対の類似度
𝑑𝑖𝑗 = Τη𝑖𝑗 σ 𝑘 𝜂𝑖𝑘 //項目対の弁別可能性
𝑟𝑖𝑗 = Τ1 (1 + ...
16/31
グラフィカルモデル
Adapted from Fig. 15.1 in
Lee & Wagenmakers (2013/2017)
はじめに 適用例1 適用例2 適用例3 まとめ
17/31
事後予測分布のベイズ推定結果
既知の条件の
予測分布
未知の条件の
予測分布
Adapted from Fig. 15.5 in Lee & Wagenmakers (2013/2017)
はじめに 適用例1 適用例2 適用例3 ま...
18/31
ベイズ統計モデリングを使うと,
•先行研究の知見を活かして
量的なモデルを構築できる。
•将来のデータに関する予測を含む,
一般性の高いモデルを構築できる。
このセクションのまとめ
はじめに 適用例1 適用例2 適用例3 まとめ
19/31
適用例2:
心的回転関数のモデリング
はじめに 適用例1 適用例2 適用例3 まとめ
20/31はじめに 適用例1 適用例2 適用例3 まとめ
• このセクションは非公開です。
• 詳細は「たのしいベイズモデリング」(北大路書房)
の8章をご覧ください。(2018年9月発売予定)
21/31
ベイズ統計モデリングを使うと,
•既存のモデルを柔軟に拡張できる。
•集計データだけではなく
ローデータも説明できる。
•データの取り方の自由度が増す。
このセクションのまとめ
はじめに 適用例1 適用例2 適用例3 まとめ
22/31
適用例3:
選択のpostdictive
illusionのモデリング
はじめに 適用例1 適用例2 適用例3 まとめ
23/31
• このセクションは非公開です。
• 何らかの形で公開されるのをお待ちください。
はじめに 適用例1 適用例2 適用例3 まとめ
24/31
ベイズ統計モデリングを使うと,
•概念モデルを確率モデルに翻訳し,
その妥当性を検証できる。
•伝統的な分析手法に縛られない。
このセクションのまとめ
はじめに 適用例1 適用例2 適用例3 まとめ
25/31
1. はじめに:データ生成メカニズムとは?
2. 認知心理学におけるベイズモデリングの適用例
2.1. 系列位置曲線のモデリング
2.2. 心的回転関数のモデリング
2.3. 選択のpostdictive illusionのモデリン...
26/31
ベイズ統計モデリングを使うと,
• 先行研究の知見を活かして量的なモデルを構築できる。
• 将来のデータに関する予測を含む,一般性の高いモデルを
構築できる。
• 既存のモデルを柔軟に拡張できる。
• 集計データだけではなくローデー...
27/31
ベイズ統計モデリングを使うと,
• 先行研究の知見を活かして量的なモデルを構築できる。
• 将来のデータに関する予測を含む,一般性の高いモデルを
構築できる。
• 既存のモデルを柔軟に拡張できる。
• 集計データだけではなくローデー...
28/31
もっと知りたい人は……
29/31
モデルを可視化する意義
http://bayesmax.sblo.jp/article/181823149.html
心だけでなく統計パッケージのブラックボックスも可視化しよう
データ
分析結果
統計パッケージ
ここを可視化
30/31
ベイズ統計モデリングを使うと,
• 先行研究の知見を活かして量的なモデルを構築できる。
• 将来のデータに関する予測を含む,一般性の高いモデルを
構築できる。
• 既存のモデルを柔軟に拡張できる。
• 集計データだけではなくローデー...
31/31
引用文献
Bear, A., & Bloom, P. (2016). A simple task uncovers a postdictive illusion of choice.
Psychological Science, 2...
Upcoming SlideShare
Loading in …5
×

7

Share

Download to read offline

認知心理学への実践:データ生成メカニズムのベイズモデリング

Download to read offline

広島ベイズ塾第三回ワークショップ「心理学者のためのベイズ統計学:モデリングの実際と,モデル選択・評価」(2018年6月30日,専修大学)で発表した資料です。一部のスライドは非公開にしています。

認知心理学への実践:データ生成メカニズムのベイズモデリング

  1. 1. 1/31 認知心理学への実践: データ生成メカニズムのベイズモデリング 2018年6月30日 広島ベイズ塾第三回ワークショップ 「心理学者のためのベイズ統計学:モデリングの実際と,モデル選択・評価」 武藤 拓之 (Hiroyuki Muto) 大阪大学大学院人間科学研究科・日本学術振興会 はじめに 適用例1 適用例2 適用例3 まとめ
  2. 2. 2/31 自己紹介  武藤 拓之 (むとう ひろゆき) • 大阪大学大学院人間科学研究科D3  研究分野 • 認知心理学 (空間認知の身体性など)  Twitter : @mutopsy  Webサイト: http://mutopsy.net/  統計ブログ:http://bayesmax.sblo.jp/  論文 • Muto, H., Matsushita, S., & Morikawa, K. (2018). Spatial perspective taking mediated by whole-body motor simulation. Journal of Experimental Psychology: Human Perception and Performance, 44, 337-355. • Muto, H. (2015). The effects of linearity on sentence comprehension in oral and silent reading. Japanese Psychological Research, 57, 194-205. はじめに 適用例1 適用例2 適用例3 まとめ
  3. 3. 3/31 発表の流れ 1. はじめに:データ生成メカニズムとは? 2. 認知心理学におけるベイズモデリングの適用例 2.1. 系列位置曲線のモデリング 2.2. 心的回転関数のモデリング 2.3. 選択のpostdictive illusionのモデリング 3. まとめ はじめに 適用例1 適用例2 適用例3 まとめ このスライドでは 非公開
  4. 4. 4/31 1. はじめに:データ生成メカニズムとは? 2. 認知心理学におけるベイズモデリングの適用例 2.1. 系列位置曲線のモデリング 2.2. 心的回転関数のモデリング 2.3. 選択のpostdictive illusionのモデリング 3. まとめ はじめに 適用例1 適用例2 適用例3 まとめ
  5. 5. 5/31 認知心理学の考え方: 操作可能な刺激と観察可能な反応の関係から, 観察できない心の中身を推測する (S-O-R心理学) 刺激 反応生活体 系統的に操作 直接観察できない「心」 客観的に観察可能 ここが知りたい 認知心理学の図式 はじめに 適用例1 適用例2 適用例3 まとめ
  6. 6. 6/31 刺激 反応生活体 系統的に操作 直接観察できない「心」 客観的に観察可能 独立変数 従属変数モデル ここが知りたい より良いモデルを目指す 認知心理学の図式 はじめに 適用例1 適用例2 適用例3 まとめ
  7. 7. 7/31はじめに 適用例1 適用例2 適用例3 まとめ よくある研究の流れ データの世界とモデルの世界の間に隔たりがある。 独立変数 従属変数 1. モデル (理論仮説) から作業仮説を立てる 例)条件Aでは条件Bよりも反応時間が長くなるだろう。 2. データを分析し,仮説が支持されたか否かを検証する 例)条件Aの反応時間は条件Bよりも有意に短かった。 モデル データの世界 モデルの世界 質的な作業仮説の演繹 質的な仮説検証 (有意か否か) 例)t検定モデル
  8. 8. 8/31 データ生成メカニズム モデルの当てはまりの良さやパラメータの推定結果から, 量的な予測や仮説検証が可能。 独立変数 従属変数 モデル データとモデルの世界 =データ生成メカニズム 独立変数を従属変数に変換 (量的・質的どちらも可能) はじめに 適用例1 適用例2 適用例3 まとめ
  9. 9. 9/31 1. はじめに:データ生成メカニズムとは? 2. 認知心理学におけるベイズモデリングの適用例 2.1. 系列位置曲線のモデリング 2.2. 心的回転関数のモデリング 2.3. 選択のpostdictive illusionのモデリング 3. まとめ はじめに 適用例1 適用例2 適用例3 まとめ
  10. 10. 10/31 適用例1: 系列位置曲線のモデリング はじめに 適用例1 適用例2 適用例3 まとめ
  11. 11. 11/31 系列位置曲線 系列位置 正再生率 0% 100% 50% 0 5 10 15 20 25 30 ひよこ ダイア あくび サラダ ***・・・ 記銘 再生 はじめに 適用例1 適用例2 適用例3 まとめ
  12. 12. 12/31 記憶のSIMPLEモデル SIMPLEモデル (Brown, Neath, & Chater, 2007) Scale-Independent Memory, Perception, and Learning (スケールに依存しない記憶・知覚・学習) 記憶に関する様々な現象を統一的に説明できる。 ここでは自由再生実験で得られる系列位置曲線に 関するモデルを紹介する。 はじめに 適用例1 適用例2 適用例3 まとめ
  13. 13. 13/31 物理的時間の対数圧縮=心理的時間 検索までの物理的時間 = 𝑻 検索までの心理的時間 = 𝐥𝐨𝐠 𝑻 Adapted from Figure 1 in Brown et al. (2007) はじめに 適用例1 適用例2 適用例3 まとめ
  14. 14. 14/31 同定課題における項目の粗密と正答率 Adapted from Figure 2 in Brown et al. (2007) 心理的時間において項目が密 = 項目間の類似度が高い (弁別性が低い) → 互いに干渉する → 正答率が低下 はじめに 適用例1 適用例2 適用例3 まとめ
  15. 15. 15/31 モデル式 自由再生実験で項目𝑖が再生される確率θ𝑖のモデル η𝑖𝑗 = exp(−𝒄 log 𝑇𝑖 − log 𝑇𝑗 ) //項目対の類似度 𝑑𝑖𝑗 = Τη𝑖𝑗 σ 𝑘 𝜂𝑖𝑘 //項目対の弁別可能性 𝑟𝑖𝑗 = Τ1 (1 + exp(−𝒔(𝑑𝑖𝑗 − 𝒕)) //項目対の検索確率 (注1) θ𝑖 = 1 − ς 𝑘(1 − 𝑟𝑖𝑘) //項目𝑖の正再生率 (注2) 推定されるパラメータ: 𝒄: 弁別力 ─ 心理的距離が近い項目の弁別のしやすさ 𝒕: 閾値 ─ 検索確率が50%になるときの弁別性の値 𝒔: 閾値ノイズ ─ 閾値付近におけるロジスティック関数の傾き 1系列再生課題において項目iがj番目に再生される確率を表す。 2Lee & Pooley (2013) によって修正された部分。 はじめに 適用例1 適用例2 適用例3 まとめ
  16. 16. 16/31 グラフィカルモデル Adapted from Fig. 15.1 in Lee & Wagenmakers (2013/2017) はじめに 適用例1 適用例2 適用例3 まとめ
  17. 17. 17/31 事後予測分布のベイズ推定結果 既知の条件の 予測分布 未知の条件の 予測分布 Adapted from Fig. 15.5 in Lee & Wagenmakers (2013/2017) はじめに 適用例1 適用例2 適用例3 まとめ
  18. 18. 18/31 ベイズ統計モデリングを使うと, •先行研究の知見を活かして 量的なモデルを構築できる。 •将来のデータに関する予測を含む, 一般性の高いモデルを構築できる。 このセクションのまとめ はじめに 適用例1 適用例2 適用例3 まとめ
  19. 19. 19/31 適用例2: 心的回転関数のモデリング はじめに 適用例1 適用例2 適用例3 まとめ
  20. 20. 20/31はじめに 適用例1 適用例2 適用例3 まとめ • このセクションは非公開です。 • 詳細は「たのしいベイズモデリング」(北大路書房) の8章をご覧ください。(2018年9月発売予定)
  21. 21. 21/31 ベイズ統計モデリングを使うと, •既存のモデルを柔軟に拡張できる。 •集計データだけではなく ローデータも説明できる。 •データの取り方の自由度が増す。 このセクションのまとめ はじめに 適用例1 適用例2 適用例3 まとめ
  22. 22. 22/31 適用例3: 選択のpostdictive illusionのモデリング はじめに 適用例1 適用例2 適用例3 まとめ
  23. 23. 23/31 • このセクションは非公開です。 • 何らかの形で公開されるのをお待ちください。 はじめに 適用例1 適用例2 適用例3 まとめ
  24. 24. 24/31 ベイズ統計モデリングを使うと, •概念モデルを確率モデルに翻訳し, その妥当性を検証できる。 •伝統的な分析手法に縛られない。 このセクションのまとめ はじめに 適用例1 適用例2 適用例3 まとめ
  25. 25. 25/31 1. はじめに:データ生成メカニズムとは? 2. 認知心理学におけるベイズモデリングの適用例 2.1. 系列位置曲線のモデリング 2.2. 心的回転関数のモデリング 2.3. 選択のpostdictive illusionのモデリング 3. まとめ はじめに 適用例1 適用例2 適用例3 まとめ
  26. 26. 26/31 ベイズ統計モデリングを使うと, • 先行研究の知見を活かして量的なモデルを構築できる。 • 将来のデータに関する予測を含む,一般性の高いモデルを 構築できる。 • 既存のモデルを柔軟に拡張できる。 • 集計データだけではなくローデータも説明できる。 • データの取り方の自由度が増す。 • 概念モデルを確率モデルに翻訳し,その妥当性を検証できる。 • 伝統的な分析手法に縛られない。 紹介した3つの事例から見えたこと はじめに 適用例1 適用例2 適用例3 まとめ
  27. 27. 27/31 ベイズ統計モデリングを使うと, • 先行研究の知見を活かして量的なモデルを構築できる。 • 将来のデータに関する予測を含む,一般性の高いモデルを 構築できる。 • 既存のモデルを柔軟に拡張できる。 • 集計データだけではなくローデータも説明できる。 • データの取り方の自由度が増す。 • 概念モデルを確率モデルに翻訳し,その妥当性を検証できる。 • 伝統的な分析手法に縛られない。 紹介した3つの事例から見えたこと つまり自由! はじめに 適用例1 適用例2 適用例3 まとめ
  28. 28. 28/31 もっと知りたい人は……
  29. 29. 29/31 モデルを可視化する意義 http://bayesmax.sblo.jp/article/181823149.html 心だけでなく統計パッケージのブラックボックスも可視化しよう データ 分析結果 統計パッケージ ここを可視化
  30. 30. 30/31 ベイズ統計モデリングを使うと, • 先行研究の知見を活かして量的なモデルを構築できる。 • 将来のデータに関する予測を含む,一般性の高いモデルを 構築できる。 • 既存のモデルを柔軟に拡張できる。 • 集計データだけではなくローデータも説明できる。 • データの取り方の自由度が増す。 • 概念モデルを確率モデルに翻訳し,その妥当性を検証できる。 • 伝統的な分析手法に縛られない。 結論 Thank you! 発表者:武藤拓之 (@mutopsy) はじめに 適用例1 適用例2 適用例3 まとめ
  31. 31. 31/31 引用文献 Bear, A., & Bloom, P. (2016). A simple task uncovers a postdictive illusion of choice. Psychological Science, 27, 914–922. Brown, G. D. A., Neath, I., & Chater, N. (2007). A temporal ratio model of memory. Psychological Review, 114, 539–576. Kung, E., & Hamm, J. P. (2010). A model of rotated mirror/normal letter discriminations. Memory & Cognition, 38, 206–220. Lee, M. D., & Pooley, J. P. (2013). Correcting the SIMPLE model of free recall. Psychological Review, 120, 293–296. Lee, M. D., & Wagenmakers, E. -J., (2013). Bayesian cognitive modeling: A practical course. Cambridge University Press. (リー, M. D.・ワーゲンメイカーズ, E. –J. 井関 龍太(訳) (2017). ベイズ統計で実践モデリング──認知モデルのトレーニング── 北大路書房) 水原 啓太・武藤 拓之・入戸野 宏 (準備中). 自由選択課題における意思決定タイミングの知覚. 武藤 拓之 (印刷中). 傾いた文字は正しい文字か?鏡文字か?──心的回転課題の反応時間を説明する 混合プロセスモデル── 豊田 秀樹 (編著) たのしいベイズモデリング (第8章) 北大路書房 Searle, J. A., & Hamm, J. P. (2012). Individual differences in the mixture ratio of rotation and nonrotation trials during rotated mirror/normal letter discriminations. Memory & Cognition, 40, 594–613. はじめに 適用例1 適用例2 適用例3 まとめ ※灰色の文献は非公開部分で引用された文献
  • ssuserfdb87d

    Apr. 20, 2021
  • SeitoNakamura

    Feb. 1, 2021
  • ChinatsuFukumoto

    Feb. 6, 2019
  • hirokiiida165

    Nov. 22, 2018
  • satoeshimizu

    Oct. 4, 2018
  • hugokawamura

    Jul. 1, 2018
  • MasatoMiyahara

    Jul. 1, 2018

広島ベイズ塾第三回ワークショップ「心理学者のためのベイズ統計学:モデリングの実際と,モデル選択・評価」(2018年6月30日,専修大学)で発表した資料です。一部のスライドは非公開にしています。

Views

Total views

7,650

On Slideshare

0

From embeds

0

Number of embeds

3,921

Actions

Downloads

39

Shares

0

Comments

0

Likes

7

×