Bachelor-Seminar

Neurokognitive Psychologie: Lernen und Entscheiden

Im Seminar Lernen und Entscheiden werden die neurokognitiven Grundlagen von Lern- und Entscheidungsprozessen behandelt. Hierbei werden verschiedene Mechanismen von klassischer Konditionierung über habituelle bis hin zu zielgerichteten Entscheidungen vorgestellt. Das Seminar beschäftigt sich außerdem mit methodischen Grundlagen zur Erforschung dieser Themen, insbesondere Computermodellierung und Verhaltensexperimenten.

Master-Seminar

Decision Neuroscience

Im Seminar Decision Neuroscience werden die neurowissenschaftlichen Grundlagen von Entscheidungsprozessen behandelt. Dabei werden unterschiedliche Arten von Entscheidungsprozessen berücksichtigt, u.a. perzeptuelle Entscheidungen auf Basis sensorischer Informationen und belohnungsbasierte Entscheidungen in Abhängigkeit von den erwarteten Konsequenzen einer Entscheidung. Weiterhin werden Einblicke in methodische Grundlagen gegeben, beispielsweise Computermodelle und experimentelle Ansätze.

Viele Umgebungen liefern nicht unmittelbar relevante Informationen, die für erfolgreiche Entscheidungen notwendig sind (z.B. Wo soll ich mein Geld investieren?). Stattdessen müssen wir oft Informationen aus vielen Erfahrungen kombinieren, um die Regelmäßigkeiten in der Umgebung zu lernen.

Lernen unter perzeptueller Unsicherheit: Ich beschäftige mich mit den komputationalen Grundlagen des belohnungsbasierten Lernens unter perzeptueller Unsicherheit. Wenn man beispielsweise lernt, welche Beerensorten im Wald essbar sind, ist dies besonders schwierig, wenn die Beeren sehr ähnlich aussehen. In diesem Projekt haben wir Algorithmen entwickelt und experimentell überprüft, die beschreiben, wie Menschen perzeptuelle Unsicherheit beim Lernen in solchen Situationen berücksichtig. In einem laufenden fMRT-Experiment untersuchen wir die neuronalen Mechanismen, die es dem Gehirn ermöglichen, sich beim Lernen an perzeptuelle Unsicherheit anzupassen.

Belief states and categorical-choice biases determine reward-based learning under perceptual uncertainty

Altersbedingte Unterschiede in der Lernenfähigkeit von Kindern und älteren Erwachsenen: Ich untersuche, welche Faktoren altersbedingte Lernunterschiede in sich dynamisch verändernden Umgebungen erklären. Beim Lernen in solchen Umgebungen müssen wir neue Informationen mit Informationen aus früheren Erfahrungen flexibel kombinieren. Dies erfordert eine Abwägung der möglichen Ereignisse, die zu Veränderungen in der Umgebung geführt haben könnten (z.B. ist die Ursache für das schlechte Essen in einem Restaurant, ein neuer Koch oder ein Fauxpas, der sich wahrscheinlich nicht wiederholen wird?) und wie viel bereits über eine Umgebung gelernt wurde (war ich schon einmal in diesem Restaurant oder ist es der erste Besuch?). In einer kürzlich durchgeführten Studie mit jüngeren (20-30 Jahre) und älteren Erwachsene (60-80 Jahre) haben wir bei älteren Erwachsenen Belege für eine geringere Berücksichtigung von Unsicherheit beim Lernen gefunden. Dies deutet darauf hin, dass ältere Menschen beim Lernen weniger Lernerfahrungen berücksichtigen. In einem Folgeprojekt untersuchen wir derzeit Unterschiede in der Lernfähigkeit von Kindern und älteren Erwachsenen über die Lebensspanne.

Default beliefs guide learning under uncertainty in children and older adults

Age differences in learning emerge from an insufficient representation of uncertainty in older adults

Bruckner, R., Heekeren, H. R., and Ostwald, D. (2020). Belief states and categorical-choice biases determine reward-based learning under perceptual uncertainty. bioRxiv. View PDF

Bruckner, R., Nassar, M. R., Li, S.-C., and Eppinger, B. (2020). Default beliefs guide learning under uncertainty in children and older adults. PsyArXiv. View PDF

Frömer, R., Nassar, M. R., Bruckner, R., Stürmer, B., Sommer, W., and Yeung, N. (2020). I knew that! Response-based outcome predictions and confidence regulate feedback processing and learning. bioRxiv. View PDF

Nassar, M. R., Bruckner, R., and Frank, M., J. (2019). Statistical context dictates the relationship between feedback-related EEG signals and learning. eLife. View PDF

Ostwald, D., Schneider, S., Bruckner, R., and Horvarth, L. (2019). Power, positive predictive value, and sample size calculations for random field theory-based fMRI inference. BioRxiv. View PDF

Ostwald, D., Schneider, S., Bruckner, R., and Horvarth, L. (2019). Random field theory-based p-values: a review of the SPM implementation. arXiv. View PDF

van den Bos, W., Bruckner, R., Nassar, M. R., Mata, R., and Eppinger, B. (2018). Computational neuroscience across the lifespan: Promises and pitfalls. Developmental Cognitive Neuroscience, 33:42–53. View PDF

Nassar, M. R., Bruckner, R., and Eppinger, B. (2016). What do we GANE with age? [Invited peer commentary]. Behavioral and Brain Sciences, 39:e218. Link

Nassar, M. R., Bruckner, R., Gold, J. I., Li, S.-C., Heekeren, H. R., and Eppinger, B. (2016). Age differences in learning emerge from an insufficient representation of uncertainty in older adults. Nature Communications, 7:11609. View PDF

Eppinger, B. and Bruckner, R. (2015).Towards a mechanistic understanding of age-related changes in learning and decision making: A neuro-computational approach. NewYork: Academic Press. View PDF