Descrizione del progetto
Riconoscere il modo in cui la mente approssima i modelli bayesiani
Le soluzioni bayesiane si sono diffuse nel campo delle scienze cognitive per spiegare il comportamento in vari ambiti: dalla fisica intuitiva all’apprendimento causale, dalla percezione al controllo motorio e al linguaggio. Eppure, le persone danno risposte incredibilmente errate anche alle domande più semplici sulle probabilità. Per risolvere questo paradosso si può pensare che la mente approssimi le soluzioni bayesiane estraendo dei campioni, ma il modo in cui lo fa rimane sconosciuto. Il progetto SAMPLING, finanziato dall’UE, individuerà in primo luogo gli algoritmi utilizzati dalla mente per estrarre campioni. Successivamente, dimostrerà come tali algoritmi di campionamento generino i classici errori di ragionamento probabilistico negli individui, stravolgendo il consenso di lunga data su questi effetti. Infine, utilizzerà questo approccio per fornire una nuova prospettiva sul processo decisionale di gruppo.
Obiettivo
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.
Parole chiave
Parole chiave del progetto, indicate dal coordinatore del progetto. Da non confondere con la tassonomia EuroSciVoc (campo scientifico).
Parole chiave del progetto, indicate dal coordinatore del progetto. Da non confondere con la tassonomia EuroSciVoc (campo scientifico).
Programma(i)
Programmi di finanziamento pluriennali che definiscono le priorità dell’UE in materia di ricerca e innovazione.
Programmi di finanziamento pluriennali che definiscono le priorità dell’UE in materia di ricerca e innovazione.
-
H2020-EU.1.1. - EXCELLENT SCIENCE - European Research Council (ERC)
PROGRAMMA PRINCIPALE
Vedi tutti i progetti finanziati nell’ambito di questo programma
Argomento(i)
Gli inviti a presentare proposte sono suddivisi per argomenti. Un argomento definisce un’area o un tema specifico per il quale i candidati possono presentare proposte. La descrizione di un argomento comprende il suo ambito specifico e l’impatto previsto del progetto finanziato.
Gli inviti a presentare proposte sono suddivisi per argomenti. Un argomento definisce un’area o un tema specifico per il quale i candidati possono presentare proposte. La descrizione di un argomento comprende il suo ambito specifico e l’impatto previsto del progetto finanziato.
Meccanismo di finanziamento
Meccanismo di finanziamento (o «Tipo di azione») all’interno di un programma con caratteristiche comuni. Specifica: l’ambito di ciò che viene finanziato; il tasso di rimborso; i criteri di valutazione specifici per qualificarsi per il finanziamento; l’uso di forme semplificate di costi come gli importi forfettari.
Meccanismo di finanziamento (o «Tipo di azione») all’interno di un programma con caratteristiche comuni. Specifica: l’ambito di ciò che viene finanziato; il tasso di rimborso; i criteri di valutazione specifici per qualificarsi per il finanziamento; l’uso di forme semplificate di costi come gli importi forfettari.
ERC-COG - Consolidator Grant
Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento
Invito a presentare proposte
Procedura per invitare i candidati a presentare proposte di progetti, con l’obiettivo di ricevere finanziamenti dall’UE.
Procedura per invitare i candidati a presentare proposte di progetti, con l’obiettivo di ricevere finanziamenti dall’UE.
(si apre in una nuova finestra) ERC-2018-COG
Vedi tutti i progetti finanziati nell’ambito del bandoIstituzione ospitante
Contributo finanziario netto dell’UE. La somma di denaro che il partecipante riceve, decurtata dal contributo dell’UE alla terza parte collegata. Tiene conto della distribuzione del contributo finanziario dell’UE tra i beneficiari diretti del progetto e altri tipi di partecipanti, come i partecipanti terzi.
CV4 8UW COVENTRY
Regno Unito
I costi totali sostenuti dall’organizzazione per partecipare al progetto, compresi i costi diretti e indiretti. Questo importo è un sottoinsieme del bilancio complessivo del progetto.