Neurokognitive Modellierung trifft Deep Learning: Zum Verständnis kognitiver Unterschiede über die menschliche Lebensspanne

• Antragsteller: Dr. Mischa von Krause
• Fachliche Zuordnung: Allgemeine, Kognitive und Mathematische Psychologie
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 550639909

In einer alternden Gesellschaft wird es immer wichtiger, Altersunterschiede in Kognition zu verstehen. Mathematische Prozessmodelle bieten einen interessanten Ansatz zur Untersuchung kognitiver Parameter über die Lebensspanne, wie z. B. der Tatsache, dass ältere Erwachsene tendenziell langsamere Reaktionszeiten aufweisen als jüngere Erwachsene. Dabei haben modellgestützte Analysen überraschenderweise häufig gezeigt, dass diese Altersunterschiede in den Reaktionszeiten hauptsächlich durch Unterschiede in der Antwortvorsicht und der Geschwindigkeit von Nicht-Entscheidungsprozessen (Enkodierung, motorische Prozesse) erklärt werden können. Im Gegensatz dazu fanden die Studien oft nur geringe Altersunterschiede in der Geschwindigkeit der Evidenzakkumulation bzw. mentalen Geschwindigkeit. Wie bei einem relativ neuen Forschungsgebiet zu erwarten, gibt es jedoch noch offene Fragen. In dem vorgeschlagenen Forschungsprogramm sollen drei wichtige Lücken in der Literatur geschlossen werden, um besser zu verstehen, wann, wie und warum Altersunterschiede bei kognitiven Modell-Parametern auftreten. Erstens ist die Verallgemeinerbarkeit der Ergebnisse über Forschenden-Freiheitsgrade und demografische Faktoren hinweg noch weitgehend unklar. Um diese Lücke zu schließen, ist eine „Multiverse“-Analyse geplant, bei der verschiedene Modellarchitekturen, Schätzverfahren und Datenbereinigungsmethoden verglichen werden; außerdem soll eine Big-Data-Analyse durchgeführt werden, die Alterseffekte über ein breites Spektrum demografischer Faktoren hinweg untersucht. Zweitens haben frühere Studien die mögliche Dynamik von Parametern innerhalb von Versuchsblöcken weitgehend ignoriert. Wir planen daher die Entwicklung und Anwendung eines neuartigen Modells für Altersunterschiede in der Dynamik innerhalb von Blöcken. Drittens sind die Erkenntnisse darüber, wie Altersunterschiede in kognitiven Parametern mit neurophysiologischen Messungen verbunden sind, unklar. Um diese Lücke zu schließen, planen wir sowohl eine quantitative Meta-Analyse, die die bisherigen Forschungsergebnisse zusammenfasst, als auch die Entwicklung eines neuen neurokognitiven Modells, das validiert und auf einen großen Datensatz von zwölf kognitiven Aufgaben angewandt werden soll. Zusammenfassend sollten die geplanten drei Arbeitspakete unser Verständnis von Altersunterschieden in neurokognitiven Parametern erheblich verbessern: Durch die Erweiterung unseres Wissens über die Verallgemeinerbarkeit früherer Ergebnisse, durch die Untersuchung der zeitlichen Dynamik von Parametern, und durch ein besseres Verständnis der neurophysiologischen Grundlagen von kognitiven Altersunterschieden. Alle drei Forschungslücken werden durch den Einsatz modernster Deep-Learning-Methoden adressiert. Diese Methoden sind erst seit kurzem verfügbar und versprechen einen wichtigen Schritt nach vorn beim Verständnis von Altersunterschieden in der Kognition, da sie den Rahmen der möglichen neurokognitiven Modelle erheblich erweitern.

• DFG-Verfahren: Sachbeihilfen