Springe direkt zu Inhalt

Dr. Rasmus Bruckner

Rasmus Bruckner

Arbeitsbereich Biologische Psychologie und Kognitive Neurowissenschaft

Wissenschaftlicher Mitarbeiter

Adresse
Habelschwerdter Allee 45
Raum JK 25/218
14195 Berlin

Sprechstunde

Nach Vereinbarung

Forschungsschwerpunkt

Ich entwickle und verwende Computermodelle um Lernen und Entscheidungsfindung formal zu beschreiben. Der Schwerpunkt meiner Forschung liegt auf Lernen durch Erfahrungen in sogenannten unsicheren Umgebungen, die eine komplexe Informationsverarbeitung erfordern. Zur Untersuchung der neuronalen und kognitiven Prozesse, die diesen Lernfähigkeiten beim Menschen zugrunde liegen, führe ich Verhaltens- und Neuroimaging-Experimente durch.

Seit 2020 Wissenschaftlicher Mitarbeiter (Post-Doktorand)
Arbeitsbereich Biologische Psycholgie und
Kognitive Neurowissenschaft
2015 - 2020 Dr. rer. nat. Psychologie ("Summa cum laude")
Freie Universität Berlin
International Max Planck Research School LIFE
Max Planck School of Cognition
Max-Planck-Institut für Bildungsforschung Berlin
2012 - 2015 M.Sc. Psychologie, Humboldt-Universität zu Berlin
2008 - 2011 B.Sc. Psychologie, Radboud Universität Nijmegen

Bachelor-Seminare

Empirisch-Experimentelles Praktikum (WiSe 21/22)

Das übergreifende Thema dieses Lehrforschungsprojekts  ist "Lernen und Entscheidungsfindung". Wir beschäftigen uns mit den kognitiven Grundlagen des menschlichen Lern- und Entscheidungsverhaltens. Studierende erarbeiten sich zunächst aufgrund aktueller Literatur eine Fragestellung (z.B. Faktoren, die Lernkurven oder Entscheidungspräferenzen beeinflussen) und dazugehörige Hypothesen. Danach wird die Fragestellung in ein simples Experiment inkl. Datenerhebung und -analyse übertragen. Die Versuchsergebnisse werden am Ende in einem unbenoteten Bericht zusammengefasst. Die Arbeit wird in Gruppen durchgeführt.

Neurokognitive Psychologie: Lernen und Entscheiden (WiSe 20/21 & SoSe 21)

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 (WiSe 20/21 - SoSe 22)

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. Im ersten Semester beschäftigen wir uns mit aktuellen Theorien, methodischen Ansätzen und verschiedenen klinischen Anwendungen. Im zweiten Semester erarbeiten sich die Studierenden ein eigenes Forschungsprojekt, welches auf den Themen des ersten Semesters aufbaut und am Ende anhand eines Posters präsentiert wird.

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.

Differences in adaptive learning across the lifespan are driven by satisficing

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

Frömer, R., Nassar, M. R., Bruckner, R., Stürmer, B., Sommer, W., and Yeung, N. (2021). Response-based outcome predictions and confidence regulate feedback processing and learning. eLife, 10:e62825. View PDF

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). Differences in adaptive learning across the lifespan are driven by satisficing. PsyArXivView PDF

Nassar, M. R., Bruckner, R., and Frank, M., J. (2019). Statistical context dictates the relationship between feedback-related EEG signals and learning. eLife, 8:e46975. 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. bioRxivView PDF

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