Description du projet
Identifier comment l’esprit se rapproche des modèles bayésiens
Les explications bayésiennes se sont répandues dans le domaine des sciences cognitives pour expliquer le comportement dans divers domaines, de la physique intuitive et de l’apprentissage causal à la perception, au contrôle moteur et au langage. Pourtant, les gens produisent des réponses étonnamment incorrectes, même aux questions les plus simples sur les probabilités. Une explication potentielle à ce paradoxe tient au fait que l’esprit se rapproche des solutions bayésiennes en extrayant des échantillons, mais la façon dont il le fait reste inconnue. Le projet SAMPLING, financé par l’UE, identifiera d’abord les algorithmes utilisés par l’esprit pour extraire des échantillons. Par la suite, il démontrera comment ces algorithmes d’échantillonnage génèrent des erreurs classiques de raisonnement probabiliste chez les individus, bouleversant le consensus de longue date sur ces effets. Enfin, il utilisera cette approche pour offrir une nouvelle perspective sur la prise de décision en groupe.
Objectif
Over the past two decades, a wave of Bayesian explanations has swept through cognitive science, explaining behaviour in domains from intuitive physics and causal learning, to perception, motor control and language. Yet people produce stunningly incorrect answers in response to even the simplest questions about probabilities. How can a supposedly Bayesian brain paradoxically reason so poorly with probabilities? Perhaps Bayesian brains do not represent or calculate probabilities at all and are, indeed, poorly adapted to do so. Instead the brain could be approximating Bayesian inference through sampling: drawing samples from its distribution over likely hypotheses over time.
This work aims to put meat on the bones of this hypothesis by identifying the kinds of algorithms used by the brain to draw samples. Previous proposals of simple sampling algorithms both do not match human data, nor scale well to more complex probability distributions and hypothesis spaces. In our first work programme, we will investigate advanced algorithms that have been developed in computer science and statistics, to see which one is employed by the brain to draw samples.
A catalog of reasoning errors has been used to argue against a Bayesian brain, but only with infinite samples does a Bayesian sampler conform to the laws of probability. In our second work programme, we will show how with finite samples the sampling algorithm we identify systematically generates classic probabilistic reasoning errors in individuals, upending the longstanding consensus on these effects. In our third work programme, we will apply the algorithm to group decision making, investigating how the sampling algorithm provides a new perspective on group decision making biases and errors in financial decision making, and harness the algorithm to produce novel and effective ways for human and artificial experts to collaborate.
Mots‑clés
Les mots-clés du projet tels qu’indiqués par le coordinateur du projet. À ne pas confondre avec la taxonomie EuroSciVoc (champ scientifique).
Les mots-clés du projet tels qu’indiqués par le coordinateur du projet. À ne pas confondre avec la taxonomie EuroSciVoc (champ scientifique).
Programme(s)
Programmes de financement pluriannuels qui définissent les priorités de l’UE en matière de recherche et d’innovation.
Programmes de financement pluriannuels qui définissent les priorités de l’UE en matière de recherche et d’innovation.
-
H2020-EU.1.1. - EXCELLENT SCIENCE - European Research Council (ERC)
PROGRAMME PRINCIPAL
Voir tous les projets financés dans le cadre de ce programme
Thème(s)
Les appels à propositions sont divisés en thèmes. Un thème définit un sujet ou un domaine spécifique dans le cadre duquel les candidats peuvent soumettre des propositions. La description d’un thème comprend sa portée spécifique et l’impact attendu du projet financé.
Les appels à propositions sont divisés en thèmes. Un thème définit un sujet ou un domaine spécifique dans le cadre duquel les candidats peuvent soumettre des propositions. La description d’un thème comprend sa portée spécifique et l’impact attendu du projet financé.
Régime de financement
Régime de financement (ou «type d’action») à l’intérieur d’un programme présentant des caractéristiques communes. Le régime de financement précise le champ d’application de ce qui est financé, le taux de remboursement, les critères d’évaluation spécifiques pour bénéficier du financement et les formes simplifiées de couverture des coûts, telles que les montants forfaitaires.
Régime de financement (ou «type d’action») à l’intérieur d’un programme présentant des caractéristiques communes. Le régime de financement précise le champ d’application de ce qui est financé, le taux de remboursement, les critères d’évaluation spécifiques pour bénéficier du financement et les formes simplifiées de couverture des coûts, telles que les montants forfaitaires.
ERC-COG - Consolidator Grant
Voir tous les projets financés dans le cadre de ce programme de financement
Appel à propositions
Procédure par laquelle les candidats sont invités à soumettre des propositions de projet en vue de bénéficier d’un financement de l’UE.
Procédure par laquelle les candidats sont invités à soumettre des propositions de projet en vue de bénéficier d’un financement de l’UE.
(s’ouvre dans une nouvelle fenêtre) ERC-2018-COG
Voir tous les projets financés au titre de cet appelInstitution d’accueil
La contribution financière nette de l’UE est la somme d’argent que le participant reçoit, déduite de la contribution de l’UE versée à son tiers lié. Elle prend en compte la répartition de la contribution financière de l’UE entre les bénéficiaires directs du projet et d’autres types de participants, tels que les participants tiers.
CV4 8UW COVENTRY
Royaume-Uni
Les coûts totaux encourus par l’organisation concernée pour participer au projet, y compris les coûts directs et indirects. Ce montant est un sous-ensemble du budget global du projet.