Cognitive neuroscience - Neuroscienze cognitive

Obiettivi generali Il corso fornisce le basi teoriche per la comprensione dei processi cognitivi attraverso la lente pratica del-la modellazione computazionale. Le funzioni cognitive saranno interpretate come problemi computazionali e risolte da architetture di elaborazione dell'informazione, in particolare da modelli connessionisti (reti neurali). Gli studenti acquisiranno le competenze essenziali di programmazione R per implementare, simulare e analizzare questi modelli e progettare esperimenti per raccogliere dati empirici su domini cognitivi chiave come la memoria, la percezione e il linguaggio. Il corso fornirà agli studenti strumenti concreti di programmazione informatica per costruire, eseguire, analizzare e interpretare modelli computazionali e imparare a mettere in relazione il loro comportamento con i dati empirici. Alla fine del corso, gli studenti dovrebbero aver sviluppato le capacità critiche per progettare, valutare e confrontare modelli computazionali in grado di collegare in modo predittivo i principi teorici e le prove empiriche delle neuroscienze comportamentali e cognitive. Obiettivi specifici Conoscenza e comprensione Gli studenti acquisiranno i concetti fondamentali della scienza cognitiva computazionale, compresi i livelli di analisi di Marr e le motivazioni della modellazione computazionale. Acquisiranno una comprensione dei principi e degli impegni dei tre principali paradigmi di modellazione: Elaborazione simbolica (panoramica), connessionismo (reti neurali - approfondimento) e struttura bayesiana per l'inferenza e l'apprendimento (solo brevemente). Impareranno a conoscere gli algoritmi fondamentali relativi a questi approcci, come la base concettuale dell'addestramento delle reti neurali (Backpropagation) e acquisiranno la conoscenza delle architetture computazionali (ad esempio, reti associative o reti neurali convoluzionali; CNN) per affrontare problemi cognitivi nella percezione (ad esempio, categorizzazione) o nella memoria (ad esempio, associazione), nonché per simulare gli effetti di un'alterazione dell'elaborazione nelle reti neurali, che è rilevante per esaminare i disturbi neurodegenerativi. I partecipanti acquisiranno inoltre una conoscenza delle tecniche computazionali di elaborazione del linguaggio naturale, tra cui gli N-grammi, la semantica distribuzionale (Word Embeddings) e le reti neurali ricorrenti (RNN). Comprenderanno come questi diversi modelli cercano di catturare e prevedere i modelli di risposta umana. Capacità di applicare conoscenza e comprensione Durante le sessioni di laboratorio, gli studenti acquisiranno competenze pratiche nella programmazione in R, che copriranno la sintassi, le strutture dei dati, il flusso di controllo, le funzioni, la gestione dei dati e la visualizzazione. Impareranno a implementare in R i principali modelli di reti neurali (ad esempio, perceptron, MLP, CNN) utilizzando librerie come “keras” e ad applicarli per simulare processi cognitivi (ad esempio, la memoria attraverso reti associative). Per quanto riguarda il linguaggio, gli studenti applicheranno le classiche tecniche di elaborazione computazionale del testo (N-grammi), esploreranno le in-corporazioni di parole e comprenderanno concetti fondamentali come la semantica distributiva. Acquisiranno inoltre competenze pratiche nell'uso di software per la creazione di esperimenti (ad esempio, OpenSesame) per eseguire semplici esperimenti cognitivi e ottenere dati rilevanti da modellare. Nel complesso, gli studenti impareranno a sviluppare modelli computazionali in linguaggio R e a capire come applicarli ai dati provenienti da esperimenti cognitivi. Capacità di giudizio Partecipando attivamente alle lezioni, leggendo i documenti assegnati e impegnandosi in attività pratiche di laboratorio, gli studenti svilupperanno capacità di pensiero critico applicate alla scienza cognitiva computazionale. Impareranno a valutare criticamente i presupposti teorici, i meccanismi computazionali, i punti di forza e i limiti dei diversi paradigmi di modellazione (ad esempio, connessionista o bayesiano) per spiegare specifici fenomeni cognitivi nei domini della percezione, della memoria e del linguaggio. Gli studenti impareranno a interpretare i risultati e il comportamento dei modelli computazionali e a valutare criticamente la loro capacità di rendere conto dei dati empirici provenienti da esperimenti comportamentali e dei risultati delle neuroscienze cognitive. Abilità comunicative Gli studenti svilupperanno abilità di comunicazione scientifica scritta e orale rilevanti per la ricerca in scienze cognitive computazionali durante il corso. Si eserciteranno a riassumere e discutere criticamente i documenti di ricerca che utilizzano tecniche di modellazione computazionale. Nelle discussioni in classe, gli studenti impareranno a presentare in modo chiaro ed efficace le motivazioni, i metodi computazionali, i risultati e la valutazione critica (comprese le implicazioni teoriche, i punti di forza, le debolezze e le questioni aperte) di studi che coinvolgono modelli computazionali (connessionisti, bayesiani, simbolici) applicati alla memoria, alla percezione e al linguaggio, e la loro rilevanza per le neuroscienze cognitive. Capacità di apprendimento Oltre al materiale di base del corso, gli studenti devono leggere, comprendere e confrontarsi criticamente con i principali articoli scientifici della letteratura sulle scienze cognitive computazionali. Questa esperienza favorirà le loro capacità di apprendimento autonomo e di analisi critica della ricerca primaria. Svilupperanno la capacità di estrarre le idee computazionali fondamentali da diversi paradigmi di model-lazione (connessionista, bayesiano, simbolico), di valutare i metodi e le conclusioni nel contesto dell'evidenza empirica della ricerca sulla memoria, sulla percezione e sul linguaggio e di identificare potenziali direzioni future per la ricerca sulla cognizione umana e sulle sue basi neurali utilizzando approcci computazionali.