CompModCogPsy
  • 全书介绍和写作计划
  • 第一章 计算认知科学导论
    • 前言
    • 1.1 交叉学科三角
    • 1.2 认知科学的特点
    • 1.3 认知科学的发展历史
    • 1.4 我们为什么需要计算认知
      • 1.4.1 认知科学的基础假设:信息处理理论
      • 1.4.2 挑战与“诞生”
      • 1.4.3 计算认知的必要性
  • 第二章 计算模型基础
    • 2.1 什么是计算模型?
    • 2.2 模型选择
    • 2.3 模型拟合
    • 2.4 模型准确度
    • 2.5 模型可信度
  • 第三章 概率推断和贝叶斯理论
    • 3.1 概率基础
    • 3.2 概率推断
      • 3.2.1 似然函数
      • 3.2.2 最大似然估计
    • 3.3 贝叶斯理论
    • 3.4 拓展阅读:p值
    • 3.5 编程练习-最大似然估计
  • 第四章 心理物理学和信号检测论
    • 心理物理学基础
    • 心理物理曲线
      • 几种常见的心理物理曲线
      • 拟合心理物理曲线
    • 信号检测论
      • dprime
      • 决策标准
      • receiver operating curve (ROC)曲线和area under curve (AUC)
      • dprime和AUC的关系
      • 2AFC的应用
      • Page
    • 展望
  • 第五章 近似推断
    • 马尔科夫链蒙特卡洛采样
      • Metropolis-Hasting算法
    • 变分推断
    • 展望
  • 第六章 知觉决策
    • 模拟一个简单知觉决策
    • 模拟决策和反应时
    • 权衡反应时和正确率
    • 6.4 经典漂移扩散模型
    • 漂移扩散模型的应用
      • 基于价值的决策
      • 精神疾病的应用
      • 社会认知
    • 展望
  • 第七章 价值决策
    • 人类决策基础
    • 前景理论
    • 风险决策
    • 展望
  • 第八章 强化学习
    • 机器学习强化学习基础
      • 动态规划
      • 时间差分学习
      • 基于模型和无模型强化学习
    • 心理学的强化学习
    • 强化学习的交叉关系
    • 强化学习模型和参数估计
    • Rescorlar-wagner模型
    • 二阶段任务
    • 展望
  • 第九章 社会决策和社会学习
    • 社会决策
    • 社会学习
    • 展望
  • 第十章 神经网络
    • 神经网络和心理学引言
    • 神经网络基础
      • 多层感知机
      • 卷积神经网络
      • 循环神经网络
    • 神经网络和人脑加工的关系
      • 感知觉的编解码
      • 工作记忆
      • 长时记忆
      • 学习和决策
    • 展望
由 GitBook 提供支持
在本页
  1. 第一章 计算认知科学导论

1.3 认知科学的发展历史

认知科学的发展历史是一部跨学科合作与知识融合的史诗。虽然在早期,认知科学由于学科间的共识不足而受到忽视,但2013年认知科学学会的定义——“理解人类思维的本质”——为这一领域注入了新的活力。这一定义强调了认知科学的核心特征:多学科的交叉融合。现在,让我们沿着时间的脉络,梳理认知科学的发展轨迹。

  • 第二次世界大战期间:计算机的发明是认知科学发展的重要起点。为了破译敌方密码,盟军需要加快密码的搜索速度,这促使了计算机的发明,以替代人工搜索。这一过程涉及到了不同学科的协作:哲学提供了计算的视角,数学确定了算法,电子工程则关注执行的物理原理。

  • 1956年9月11日:George Miller在麻省理工学院(MIT)举办的跨学科研讨会被广泛认为是认知科学正式诞生的标志。Cybernetics,研究如何利用人脑控制各种工程系统,被视为认知科学的前身。

  • 20世纪中叶:随着计算机技术的兴起和跨学科研究的深入,认知科学迎来了重要的发展时期。David Marr在这个时代背景下提出了著名的认知科学的三层次假设,这为统一认知科学框架提供了基础。他强调认知科学必须成为一个交叉学科,这一观点对认知科学的发展产生了深远影响。Marr的理论将认知过程分解为三个层次:计算层面(Computational level)、算法层面(Algorithmic level)和实现层面(Implementational level)。在计算层面,研究者关注信息处理系统的目标和问题的本质,即系统试图解决的问题是什么。算法层面则涉及实现这些目标所需的具体计算步骤和过程。实现层面则关注这些计算是如何在物理系统中,如大脑中实现的 。Marr的理论不仅为认知科学提供了一个分析和理解心智过程的框架,而且促进了心理学、神经科学、人工智能和哲学等多个学科之间的交叉融合。他的工作为认知科学领域奠定了坚实的基础,并激发了后续研究者对视觉、记忆、语言和思维等领域的深入探索 。

然而,尽管认知科学被寄予厚望,其现状却让人担忧。多学科计划未能顺利过渡到一个成熟且连贯的跨学科领域。从文献计量学的角度来看,该领域在很大程度上被心理学所涵盖,而从教育的角度来看,令人惊讶的是,它缺乏课程共识,这引发了人们对认知科学未来的质疑。

在认知科学的发表单位中,相当大比例来自心理学,而引用者也大多是心理学研究者。此外,认知科学的博士项目相对较少,而这些博士导师的专业背景大多是心理学,这反映出认知科学的发展似乎正在被认知心理学(Cognitive Psychology)所主导。

尽管面临挑战,我们仍需铭记索伦·克尔凯郭尔(Soren Kierkegaard)的教诲:“只有回顾人生,我们才能领悟人生的意义;但无论如何,我们都要迈步向前!”认知科学的历史告诉我们,跨学科的合作和知识融合是推动科学进步的关键。通过回顾过去,我们可以更好地理解现在,并为认知科学的未来指明方向。

最后更新于8个月前