1. ཡུལ་རྟོགས་ཀྱི་དཔེ་གཟུགས་ངོ་སྤྲོད།
Marieke van Vugt
University of Groningen
The Netherlands

2. ང་སུ་རེད་དམ།
པཱེན་སིལ་ཝེ་ནིཡེ་གཙུག་ལག་སློབ་གྲྭ་ནས་སློབ་དཔོན་ཆེན་པོའི་སློབ་སྦྱོང་ཐོན། ༼ཨ་རིའི་མངའ་སྡེ་ཕྷི་ལ་ཌེལ་ཕཱིཡ།༽
མཐོང་ཤེས་ལས་སྐུལ་དྲན་པའི་དཔེ་གཟུགས།
ཀླད་པའི་བརྡར་འགུལ།
Advisor: Michael Kahana

3. ང་སུ་རེད་དམ།
པི་རིནས་ཌན་གཙུག་ལག་སློབ་གྲྭར་མཁས་དབང་ཆེན་མོ་ཚར་བའི་ལས་ཀ་བྱས་པ་ཡིན།
ཐག་གཅོད་བྱེད་པའི་དཔེ་གཟུགས།
ཀླད་པའི་བརྡར་འགུལ།

4. ང་སུ་རེད་དམ།
ནི་ཐར་ལེཌན་དུ་ཡོད་པའི་གྷོ་ནིན་ཇན་གཙུག་ལག་སློབ་གྲྭའི་དགེ་རྒན་ཆེན་མོའི་ལས་རོགས་ཀྱི་ལས་ཀ་བྱེད་བཞིན་ཡོད།
ཐག་གཅོད་བྱེད་ཐུབ་པའི་དཔེ་གཟུགས། སྒོམ་ཉམས་ལེན།
དེ་དང་མཉམ་དུ་སོ་རྒྱལ་རིན་པོ་ཆེའི་སློབ་ཕྲུག་ཀྱང་ཡིན།

5. ཡུལ་རྟོགས་ཀྱི་དཔེ་གཟུགས།
This video explains what modeling of cognition is: to understand cognition we try to build it. We give a computer the same task as a human being and then try to see whether they actually do the same things. When they do not do the same thing, we adapt our model and try again. In this movie you see how we use different simulated cognitive components (simulated eyes, simulated ears, simulated working memory, simulated long term memory … ) to put together how we behave in a cognitive task. We can for example see what happens when you’re multitasking: texting while driving. This is likely to see to problems because when you’re using your eyes to text, you cannot use them to watch the road, and you’ll crash.

6. ཡུལ་རྟོགས་ལས་གཞིའི་བྱེད་སྒོ་ཐོག་དཔེ་གཟུགས་ཀྱི་སྔོན་དཔག།
ཁཱེཐ་རིན་ ཤེ་པཊ་ལགས་ཀྱི་གསུང་བཤད་ལ་ལྟོས་དང།
སྐུལ་བརྡ་འདྲ་མིན་གྱི་ཡ་ལན་རྒྱབ་པའི་དུས་ཡུན་དང་ཡ་ལན་ཏག་ཏག་ཡིན་མིན་གྱི་ཚད་འཇལ་དགོས།
མི་ཞིག་གིས་གོ་ལར་སྣང་ཚུལ་དང་གོ་ལ་ཞེས་པ་དེ་ཅི་ཞིག་ལ་འཛིན་པའི་གནས་ཚུལ་ཐོབ་སའི་གནས་སྟངས་ལ་སྒྱུར་བ་གཏོང་དགོས།
Point: cognitive models are controlled simplifications of the world which are simple enough so we can actually write a computer program to do it. An example of such a task, which I have used a lot is the random dot motion task. The participant sees a cloud of randomly moving dots on the screen and has to tell me what direction the dots are moving in. They should do that as quickly and accurately as possible because they will receive a penny for every correct response. I measure the speed by which they respond as well as the actual responses. This leads to a distribution of accuracies and response times (which will be discussed later in the lecture).

7. ང་ཚོས་ཐག་གཅོད་ཇི་ལྟར་བྱེད་ཐུབ་བམ།
༡༽ གནས་ཚུལ་གྱི་མྱོང་བ། ༼དཔེར་ན། མཐོང་བྱེད་ཀླད་ཤུན། གཡོ་འགུལ་སྣང་བའི་གནས།༽
Before we go deeper into the exact task, let’s take a step back and consider theories about how we decide.

8. ང་ཚོས་ཐག་གཅོད་ཇི་ལྟར་བྱེད་ཐུབ་བམ།
༡༽ གནས་ཚུལ་གྱི་མྱོང་བ། ༼དཔེར་ན། མཐོང་བྱེད་ཀླད་ཤུན། གཡོ་འགུལ་སྣང་བའི་གནས།༽
༢༽ དུས་འགྲོ་རིམ་བཞིན་དུ་ཁུངས་སྐྱེལ་རྣམས་གསོག་པ། ༼ཀླད་གཙུག་ཀླད་ཤུན།༽

9. ང་ཚོས་ཐག་གཅོད་ཇི་ལྟར་བྱེད་ཐུབ་བམ།
༡༽ གནས་ཚུལ་གྱི་མྱོང་བ། ༼དཔེར་ན། མཐོང་བྱེད་ཀླད་ཤུན། གཡོ་འགུལ་སྣང་བའི་གནས།༽
༢༽ དུས་འགྲོ་རིམ་བཞིན་དུ་ཁུངས་སྐྱེལ་རྣམས་གསོག་པ། ༼ཀླད་གཙུག་ཀླད་ཤུན།༽
༣༽ གཡོ་འགུལ་ཡ་ལེན།

10. ཐག་གཅོད་བྱེད་པའི་དཔེ་གཟུགས།
གསོག་བྱེད་དཔེ་གཟུགས།
སྣོན་ཤུགས་སྦྱོང་བ།

11. ལས་སུ་ཡོད་པའི་གསོག་བྱེད་དཔེ་གཟུགས།

12. རང་གིས་ཐབས་ཤེས་བྱེད་ཐུབ་པའི་དཔེ་གཟུགས།
མྱོང་བའི་ཐག་གཅོད་བྱེད་པའི་ལས་གཞིའི་སྙན་ཐོ།
Linear ballistic accumulator model: specific version of accumulator model
left
How do cognitive models work? If you want, you can try out a specific model after class on your own laptop. Here we’ll walk through the steps of using such a model. Note: this requires a bit of math and computation skill! The linear ballistic accumulator simplifies the accumulation process by saying that the evidence accumulation is a linear trajectory, of which the speed differs between trials.
right

13. སྙན་ཐོ་རྣམས་ག་འདྲ་འདུག་གམ།
When participants do a task such as the random dot motion task, they produce a set of responses and response times in the different task conditions. These are then stored in a datafile that you can store on your computer. You can see in the first column a number indicating the task condition (e.g, 1= easy trials; 2=difficult trials), in the second column a number indicating a correct (1) or incorrect (0) response, and in the third column the response time in milliseconds. These form the input of the model

14. Rstudio ནང་སྙན་ཐོ་རྣམས་ནང་འཇུག་བྱེད་པ།

15. གོམ་པ་རྗེས་མ། རང་གི་གློག་ཀླད་ལ། སྙན་ཐོ་ཀློག་དགོས་པ་བཤད་དགོས།
source(‘fitDotsBias.R’)
left
རང་གི་གློག་ཀླད་ལ།
སྙན་ཐོ་ཀློག་དགོས་པ་བཤད་དགོས།
དགོས་ངེས་བྱུང་ཚེ་སྙན་ཐོ་རྣམས་མེད་པའང་བཟོ་དགོས། ༼མཉམ་བཞུག་པ་ཚོས་རྟག་པར་ང་ཚོའི་སྤྲད་པའི་ལས་གཞི་དེ་བྱེད་ཀྱི་མེད།༽
གློག་ཀླད་ཀྱིས་ཐབས་ཤེས་འདྲ་མིན་རྩོལ་ནས་སྙན་ཐོ་ལེགས་ཤོས་སྐྲུན་པའི་ཐབས་དེ་འཚོལ་གྱི་ཡོད།
right
Here I explain that a parameter is like a knob that you can turn to produce a certain pattern of results. The particular knobs you have to turn to create a person’s data says something about the underlying cognitive process. Types of knobs that this model has are the attentional fluctuations (variability in the slope of the line), decision threshold (how much information you accumulate before deciding, this says something about your level of caution)
གྲུབ་འབྲས། སྔོན་དཔག་བྱས་པའི་སྙན་ཐོ། མི་མཐུན་པའི་ཚད་འཇལ་བ།

16. དཔེ་གཟུགས་མཇུག་འབྲས།
དཔྱད་པ་དང་བཅོས་སྒྲིག་ཡ་ལེན་སྒྲིག་པ་༼སྟེང།༽ དང་ནོར་བའི་ ༼འོག༽ ཡ་ལེན་གྱི་དུས་ཡུན་འགྲན་པ།
You can graph these data in terms of a histogram: a response time distribution. Here I’ll spend some time explaining how you actually construct a RT distribution.

17. དཔེ་གཟུགས་མཇུག་འབྲས།
Estimates of parameters for an individual:
s A Ter b1 b b b v
(s = variability in drift; A = bias; Ter = non-decision time; b=decision threshold; v=drift)
Image shows a normal distribution, which has a variance and a mean. When you draw random numbers many times and make a histogram, this is what you get.

18. དཔེ་གཟུགས་མཇུག་འབྲས།
Parameters say something about cognition:
s = variability in drift -> fluctuations in attention
A = starting point -> bias for a choice option
left
right

19. དཔེ་གཟུགས་མཇུག་འབྲས།
Ter = non-decision time -> fixed perceptual/motor latencies
B = threshold -> how conservative are you?
V = drift -> how strong is your attention and/or evidence?
(larger drift -> higher slope of
accumulation process)
left
right

20. ང་ཚོས་སྙན་ཐོ་གང་ཐོབ་པ་དེ་བད་སྤྱོད་གང་དུ་བྱེད་ཀྱི་ཡོད་དམ།
མི་སྒེར་འདྲ་མིན་དབར་ཁྱད་པར་འགྲན་པ།
གནས་སྟངས་གསར་པ་ཞིག་ཡོང་བའི་སྔོན་དཔག་བྱེད་པ།
དཔེ་གཟུགས་རྣམས་རན་པར་བཟོ་བ།
Figure shows a comparison of meditators and controls in accumulator model parameters decision threshold (a) and drift (b)
van Vugt & Jha (2011)

21. མཐའ་སྡོམ།
ཡུལ་རྟོགས་དཔེ་གཟུགས་བཟོས་པ་ནི། ང་ཚོའི་བསམ་པའི་མིའི་བྱེད་ལས་སྐུལ་མ་གཏང་བའི་གློག་ཀླད་ཀྱི་གསང་བརྡ་བྲིས་པ་དང་གཅིག་མཚུངས་ཡིན།
དེ་ནས་དཔེ་གཟུགས་ཀྱི་སྔོན་དཔག་དེ་མིའི་སྤྱོད་པ་དངོས་དང་བསྡུར་དགོས།
དེ་ནས་ཡང་བསྐྱར་འགོ་བཙུག་དགོས།
སློབ་འཁྲིད་མཇུག་མ། མཐོང་ཐུབ་པའི་དངོས་པ་ཞིག་དང་གཞི་གནས་ཀྱི་དཔེ་གཟུགས་ཇི་ལྟར་བཟོ་ཐུབ་བམ།
left
right