Download as PDF, PPTX
Uploaded byHiroyuki Muto
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【※Docswellにも同じものを上げています】
【2022/3/14追記】Slideshareが使い物にならなくなったため，今まで上げていた資料はより高機能なDocswellに上げ直しました。混乱防止のため，Slideshare上の資料はそのうち消すかもしれませんので了承ください。 Docswellの動画リスト: https://www.docswell.com/user/mutopsy 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【※Docswellにも同じものを上げています】
- 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 (HiroyukiMuto) 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. 2/31 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. 3/31 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. 4/31 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. 5/31 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. 6/31 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. 7/31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.
- 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.
- 11. 11/31 系列位置曲線 系列位置 正再生率 0% 100% 50% 0 5 1015 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. 12/31 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. 13/31 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. 14/31 同定課題における項目の粗密と正答率 Adapted from Figure2 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. 15/31 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(−𝒄log 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. 16/31 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. 17/31 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.
- 19.
- 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.
- 22.
- 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.
- 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. 26/31 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. 27/31 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.
- 29.
- 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 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