组织行为学中的计算机模拟

可以找到一些计算机论文

Chapter 2 Connectionist Models of Cognition(page 37-65)

Artificial neural networks (ANN) or connectionist systems wikipedia

Introduction

• the use of neural networks 以神经网络计算为核心
• inspired by research into how computation works in the brain 灵感来自对大脑如何计算的研究
• Processing is characterized by patterns of activation across simpleprocessingunitsconnectedtogetherinto complex networks. 处理的模式是把简单处理单元的激活模式连接到复杂的网络中
• Knowledge is stored in the strength of the connections between units 信息存储于单元之间的连接强弱
• connectionism 因此被称为联结主义

Background

3个重要早期模型

• the Interactive Activation model of letter recognition (McClelland & Rumelhart, 1981; RumelhartandMcClelland,1982) 字母识别的交互激活模型
• Rumelhartand McClelland’s (1986) model of the acquisition of the English past tense 英语过去时习得模式
• Elman’s (1991) simple recurrent network for finding structure in time 用于发现结构的简单递归网络

2.1 Historical Context （可输出为时间线）

联结模型的灵感来自于这样一个概念：神经系统的信息处理特性会影响认知理论

神经元的发现成为联结主义的理论来源（19世纪下半页）

• 19世纪下半页，神经细胞发现（参考：[卡哈尔]画的神经元、高尔基），人们开始思考神经元在思维过程的作用。当时流行的一些心理过程的联想主义理论引出了早期神经网络理论
• 1929年的Lashley的脑损伤实验数据显示大脑表现仅和脑损伤区域大小，联结主义理论受到质疑。

再次发展 人们对用数学技术描述神经细胞网络重新产生兴趣（1930s-1940s）

• Warren McCulloch 和 Walter Pitts 于1943年从数学运算的角度描述了二元神经元简单网络的功能，是最早的神经网络模型。
• 1949年，Hebb在《The Organization of Behavior》一书提出认知的细胞组装理论，其重要观点是：学习过程可能产生特定神经突触连接的变化，是最早的神经元学习规则。（就是著名的赫布学习规则）
• 10年后，Rosenblatt 制定了两层神经网络的学习规则，从数学上证明了感知器收敛规则，即感知器。它可以调整连接简单神经元的输入层和输出层的权重，前馈神经网络雏形形成。不过，Minsky and Papert 证明两层可计算函数的集合的局限性。电脑的计算能力不够强，也没有算法来学习系统的连接。
• Rumelhart, Hinton和Williams在1986发表的一篇重要论文证明了使用反向传播训练网络在解决神经网络面临的关键计算和认知挑战方面的有效性。

• 1970年代，序列处理和冯·诺依曼计算机隐喻主导了认知心理学。然而，许多研究人员继续研究神经系统的计算特性。(原文后面接了若干模型，就是下图里的内容)
  
  一个简化的示意图，显示神经网络架构的历史演变的简化示意图。 SRN=simple recurrent network.（page 39）（循环神经网络、Elman网络、长短期记忆网络、双向循环网络...）
• 2006年，深度信念网络（Deep Belief Network） 发表，迎来深度学习的研究热潮。

2.2. Key Properties of Connectionist Models 联结主义的关键属性

联结主义模型的灵感来自神经系统：一组简单的处理单元并行计算，并通过一个加权的网络相互影响激活状态。
Rumelhart, Hinton, and McClelland (1986) identified seven key features that would define a general framework for connectionist processing.

• 第一个特性 处理单元集 ui。比如认知模型中的个体的概念(如字母或单词)。处理单元通常分为输入单元、输出单元和隐藏单元。在关联网络中，输入和输出单元的状态由建模任务定义(至少在训练期间)，隐藏单元是自由参数，其状态可由算法根据需要确定。

• 第二个特征 给定时间(t)的激活状态(a)。单元集的状态通常用实数向量a(t)表示，一般取值[0-1]。

• 第三个特征 连接模式。任何两个单元间的连接强度将决定随后时间点中一个单元的激活状态对另一个单元的激活状态程度的影响。单元i与j之间的连接强度可以用权重值为wij的矩阵W表示。通常单元被安排成层(例如，输入、隐藏、输出)，并且单元的层之间是完全连接的。

• 第四个特性 传播激活状态的规则，适用于整个网络。该规则把发送激活的处理单元的输出值向量a(t)和连接矩阵W结合，生成每个接收单元的总和或净输入。接收单元的净输入由向量和矩阵相乘得到。

• 第五个特性 激活规则，用于指定如何组合给定单元的净输入以生成其新的激活状态。

• 第六个特征 “根据经验修改连接模式的算法”。其观点是，两个单元之间的权重应该根据单元相关活动的比例改变。例如，如果一个单元ui接收到另一个单元uj的输入，那么如果两个单元都是高度活跃的，那么从uj到ui的权重wij就应该加强。

• 连接主义网络的最后一个普遍特征是环境对系统的表征。假定它由一组外部提供的事件或用于生成此类事件的函数组成。事件可以是单个模式，如可视输入;相关模式的集合，如拼写一个字及其相应的声音或意义;或输入序列，如句子中的单词。

• 190102 0012 wjj cut English part

• 190119 1927 wjj add chapter 2.2

• 190119 0129 wjj add chapter 2.1

对「计算认知科学」的全局认识或者其它学科，这四个问题是不能回避的，解答的方法可以使用时间、空间、变量三范式，突出权重意识的方法可以重点关注有趣度。

• 这个学科产生、设立之初要解决的根本问题是什么，因什么而生。

• 这个学科的核心话语体系。即这个学科最抽象、级别最高的概念模型有哪些。

• 二级三级演绎体系有什么。相当于核心话语体系的旁枝，阐述一些具体问题的概念。

• 「其它学科」是如何看待这个学科的。

谷歌直译

ZAPP补充：

• http://www.flinders.edu.au/science_engineering/csem/research/programs/cabs/cabs_home.cfm

• http://cocolab.stanford.edu/resources.html

• http://psiexp.ss.uci.edu/research/madlab.htm

• https://ruccs.rutgers.edu/jacob

• 吴思
  吴思

商业机构

• 国外

  • https://deepmind.com/

  • https://www.simonsfoundation.org/

• 国内

  • 北京心智计算科技有限公司

国内暑校

• http://www.ccnss.org/

ChangeLog

• 190117 ZAPP创建

切割项目尺寸

前言

我们都面临着严重缺乏时间的窘境（例如，我这两周在期末考，下周三(6wd3)才考完最后一科；刘旭同学最近也要同时处理几份紧急事务），那么可以果断地判定，按照原本的思路来完成项目是不可能的了。综合他人的建议和自己的想法，我认为得切割选题。

选题1 找到领域榜样

请分析感兴趣的 1-2 领域，广泛了解领域内的大牛，分析其中 1-2 位大牛的知识结构以及对自己接下来行动的启发点。可为学术牛人、商业牛人等。

也就是说，把我们的项目收束成【1份牛人清单+1份CH2进阶作业②】，也就是【寻找一批领域内的牛人+从中选出一个大牛+运用CH2所教的学者信息分析框架形成此大牛的最小全局认识】。那么这样一来思路就小很多了，而且因为我进阶②的探索度还OK，所以比较清楚接下来该怎么做，以及具体有哪些步骤是我可以胜任的，哪些是我相对薄弱而你们相对擅长的。这样下来就是三人合力完成一份进阶作业，工作量明显降下来，少了许多费时费力的发散摸索。并且任务颗粒度变小了，执行起来清晰很多。

以下是主要内容。

bp-idea-v2.0

PS：*(数字)xxx*是本次项目可分配到个人的最小任务的唯一编码。此节末尾有整理出的一份表格，参见附录一 最小任务清单。

STEP0：5wd5 21:42第一次会议

主题一：明确接下来可全身心投入的时间
主题二：任务分工

STEP1：生成一份牛人清单(1001)。

1. 发散式，沿着各种痕迹和线索，在网络的各个角落找出一个个大牛。收集他们的基本信息（姓名，所在机构，GoogleScholarProfile上的tags，h指数，被引总数，单篇最高被引数，个人主页或所在机构主页）放在我已建好的GoogleDocs文档里。
2. 复制到本地，使用Excel的排序功能将其按h指数排列。
3. 将排序好的文档放回到网上方便共享。
4. 参考IAToolKit制作成GitHub上的信息工具箱。
5. 这个可以一人完成，其它人补充或是进行交叉验证(1002)。

STEP2：选定一个拿来报告的大牛。

• 这是第二次zoom会议的核心议题。
• 依据些什么来选定呢？
  • 信息充足的，例如连Acemap上都有ta的信息。
  • 认知计算/神经兼通的。

STEP3：使用课程所教的信息分析框架分析这个大牛。

学术信息分析框架的四象限：学术论文、知识图谱、专业图书、社会引用。

• 基本信息：生平，身份，踏足领域，主要成就。维基；Google找个人主页。→输出1张人名卡(3101)。
• 学术论文：
  • 保存该学者的全部论文，放至zotero共享目录。(3201)
  • 找出该学者的成名作，贴上标签成名作。(3202)
  • 找出该学者的里程碑著作，贴上标签里程碑。(3203)
  • 找出学者的最新三篇论文，贴上标签最新三篇。(3204)
  • 找出学者引用最高的三篇论文，贴上标签最高被引。(3205)
  • (*难度大)找出学者最早被引的三篇论文，贴上标签最早被引。(3206)
  • 把上述论文列成一个清单。(3207)
  • 第三次zoom会议：每人认领清单中的论文。
  • 结构阅读法阅读上述论文→每篇论文输出1~3张术语卡。(序列 预留3210~3250段)
  • Zotero创建时间轴，定下时间颗粒度后，一段时期一段时期地概括学者的研究主题，输出一张表格（参见附录二）。(3251)
• 知识图谱：
  • 大牛的主要合作伙伴(3301)
    • 谷歌学术(esp. co-authors)
    • 百度学术
    • Bing学术
    • Acemap
    • Neurotree
    • 人肉挖掘文献引文
  • 大牛的主要引用关系(3302)
    • Citespace是不存在的了orz，我们只能找现成的。所以如果Acemap有存这个学者的数据，那自然是最好的。
• 专业图书：（视具体情况，有可能舍去此维度）
  • 找出大牛的专业图书，存入zotero(3303)
  • 选择一本作为阅读对象（阳老师推荐的那本handbook或许可以）
  • 抽样阅读一本大牛的学科代表作→每章节输出一张术语卡（注意，略读就可以了，要的只是术语及其概念）。（若是厚书，可以拆分章节，各自认领）(序列 预留3310~3340段)
• 社会引用：
  • 使用AltMetric了解大众对计算认知科学topic的看法→输出1张任意卡。(3401)

STEP4：FINAL ROUND (4001)

1. 汇总、整理信息（按照时空变量维度）
2. 拼接卡片成文
3. 输出PPT
4. 预演，迭代

后记

尴尬的是，接下来一波比这周重得多的考试即将到来，所以我最早只能下周三下午之后开始工作。

所以需要大家确认一下自己接下来可以全身心投入开智项目的时间。

明确了这些之后，我基于积蓄已久的爆肝之力，即便只有三天时间，也有很高的成功率做出BP的demo。

可参考的资料

• 作业
  • 王涤宇同学
  • 王杨同学
  • 张弘同学
  • 淡暖同学
  • beibei同学
  • 胡丽同学
  • 舟舟同学
• 卡片
  • 构建优雅的知识创造系统 - 阳志平的网志
  • 跨年答疑（3）：卡片十二问 - 阳志平的网志
  • 跨年答疑（1）：学习十二问 - 阳志平的网志
  • 读书十二问 - 阳志平的网志

持续更新。

附录

附录一 最小任务清单

放在这个谷歌文档里。

附录二 学者关注话题的动向

模板表格。

changelog

190110 1250 麦云飞建立文档。

#思路--→实践策略

结合学术信息分布规律和学术信息分析框架

学术论文

知识图谱

可以通过知识图谱网站获得（Acemap），也可以通过谷歌学术搜索的大牛高引论文分析，进行交叉验证

社会引用

我觉得社会引用可以作为有趣度切入的一个点，从社会问题到学术认识
Altmetric

参考文献

• 按照学科、年代、引用频次分类
• 了解**源头
• 论文introduction/discussion部分引用重要文献--→学科时间脉络、关键人物（不要被枝节带跑，可以作为交叉验证）
• 其他（可作为交叉验证）

维基百科

维基百科学科分类表

• eyeplore维基百科小工具，查看关键词相关词
• 学科分类表
  在国家标准全文公开系统搜索关键词 学科分类与代码 获得文件

神经生物学

神经生物物理学
神经生物化学
神经形态学
细胞神经生物学
神经生理学
发育神经生物学
分子神经生物学
比较神经生物学
系统神经生物学
其他

心理学-认知心理学

认知神经科学

心理学-生理心理学

心理神经免疫学

• Nature

学科分类表

Google学术分类表搜索到Social Sciences > Cognitive Science 的期刊排名

Citespace 的话确实对写综述帮助不大，不过可以输出情报类的文章。参考《图书情报工作》的期刊文章： 基于SCI与语言相关脑科学研究热点分析 - **知网

这段时间我思考了很多事情，对我的中长期规划做了调整，调整的结果是，我没法参与写论文，或者说无法主要地参与，只能跟着你们学习、提出疑问，并帮忙衔接、润饰、检查论文的内容。除非大家觉得把时间拉长一两年也行，那么我可以在大二大三时积极配合输出文段。

从本科生更需做些什么，亦或是一般学习过程的循序渐进、脚踏实地，的角度，我目前的问题是严重缺基础，无论是英语还是认知科学。抓好课内学习的内容，保证好高绩点很重要（特别是上学期期末考还有一科险些翻车……），而且这和“脚踏实地”是重合的。

另外为了能更好的进入计算认知这个领域，还得打一些计算机科学的基础。

（此外，下学期的专业课程量加倍了，增加的内容包括实验心理学和心理统计学这两大重要科目）

所以我今年的基调（特别是前半年的）已经大致定了，专业基础知识打扎实和培养重要素养占七成，其它活动占三成。我这一年要配合好校内进度学习好实验心理学、心理统计学、认知心理学、概率论；参加开智的四月的论证分析和五月的python；英文词汇垒到一万；辅修计算机专业。这些都是至关重要的基础素养，我想先把它们搞好。

然后大二中后期时应该就可以真的去做偏学术的事情了，能看懂文章的更多内容（而不是像现在这样到处都只能碰壁……）并进行输出。于是就可以来参与论文写作了。

因为没有写论文经验，所以不太清楚写篇文章要多久。假如是几个月或一年的话，那么我就类似信分时那样做些综合的工作，以及边缘的打杂，以旁观、学习你们的做法为主。假如是拉开时间跨度到一两年以上的话，我后期或许就能够更多地参与进来。

另外，此仓库已有若干人收藏，那么就作为awesome留下来吧。我专门为论文写作建了一个私有仓库，已经给你们发了collaborate申请。

CCN 2019 • Home • 2019 Conference on Cognitive Computational Neuroscience | 13-16 September 2019 | Berlin, Germany

MSc Computational Cognitive Neuroscience | Goldsmiths, University of London

人时地

参与人：王婧靖、刘旭、张美凤、麦云飞

会议时间：190118 2100-2220

会议地点：Zoom

主要内容

主题一 交代项目重要节点

周六18：42 项目demo上交。

周日 最终完成BBP。

周一19：30 路演。我们可能第二个讲，尽可能到齐。

主题二 汇报进展

王婧靖：学术内容进展比预期慢，Chapter2不太能看得懂。

麦云飞：学术内容卡住了。PPT开了点小头。以及不太明白联结主义（神经网络）和深度学习的关系，它们总是一起出现，于是这是同一个学派还是两个学派？

刘旭：明天开始，把ACT-R弄明白。

主题三 自由讨论

刘旭：感觉现在缺主线。

麦云飞：（展示keynote）

刘旭：我觉得空间这样分不太好，比较散，不好形成组块，别人不太能理解。

麦云飞：手册里的其它流派该怎么处理？

刘旭：这些小流派放在“其它”里吧。

主题四 下一步行动

大家：准备“组员介绍环节”的基本信息，一个头像+两三个关键词。

麦云飞：想办法解决贝叶斯的历史脉络。以及明天赶紧读一下《算法之美》获取一些通俗的反常识点/有趣点/变量关系。继续打磨PPT思路。

王婧靖：继续输出联结主义的脉络。其它两个小学派搁置。周一辅助路演。

刘旭：确认深度学习这个学派。列出自己构想的PPT大纲。

张美凤：收集学者头像打包发上来，作为PPT备用素材。通过AltMetric了解四大流派的领头大牛的高引用论文的社会引用情况。周日周一协助打磨PPT和演讲。

changelog

190119 0007 麦云飞完成初稿。

摘要

1. 明确接下来的时间节点安排，以及三位组员各自的可用时间。
2. 明确分工安排，王婧靖是消化文献的主力，麦云飞是非消化文献类工作（发散并收束思路、收集整理学者机构信息、制作PPT并演讲）的主力，刘旭挤时间消化文献以及补充思路。
3. 明确接下来的主要工作是消化学术内容输出卡片、搜集大牛信息、整理大牛和机构的清单。
4. 明确项目的目的：在国内刊物发表一份计算认知科学的综述论文，进行学术套利。
5. 接下来会遇到的难点：①寻找「有趣度」；②将相对晦涩的学术内容较通俗地呈现给观众；③Keynote/PPT的制作。
   • 走一步是一步，先输出卡片再说；keynote没法快速上手就果断PPT。

人时地

参与人：王婧靖、刘旭、麦云飞

会议时间：190111 1900-1940

会议地点：Zoom

主要内容

以下内容不按讨论的时间顺序整理。以及以下会有一些新补充上去的会议时没明确提的小细节。

主题1：明确时间安排

1、每人报告自己情况

• 麦云飞：本周六到下周二(5wd6-6wd2)没空，下周三(6wd3)上午考完期末考，下午开始可以完全投入。也就是说，接下来的可用时间是下周三开始的最后几天(6wd3-7w)（爆肝之力！）。
• 刘旭：事务繁忙，每天晚上可以挤一点时间出来。
• 王婧靖：接下来到最后每天都有时间。

2、明确时间点和时间安排

1. 5wd6-6wd3，称为阶段①。
   • 王婧靖、刘旭消化学术内容，输出卡片。（具体见主题2）
   • 麦云飞备考+考试。
2. 6wd3/d4，节点①。
   • 麦云飞消化现有信息，衔接王婧靖、刘旭的工作。开展第2次会议。
3. 6wd4-6wd6，阶段②。
   • 麦云飞全力完成认领的工作，王婧靖、刘旭提供协助。
4. 6wd6，节点②。
   • 18:42提交项目demo。
5. 6wd6-7wd1，阶段③。
   • 打磨项目，排练演讲。
6. 6wd7，节点③。
   • 可能有预路演。
7. 7wd1/d2，节点④。
   • 正式结业路演。

主题2：明确主要工作

1

刘旭：先弄出来个最小的，不用在意对错。最主要的四个流派，每个流派找几个人物。然后机构也可以追踪。接着补充些杂七杂八的。

麦云飞：也就是输出人物清单和机构清单。以及吸收那两本书。

2

麦云飞：确认一下思路，看一下GitHub上的idea-2.0。不过加上消化书籍的话工作量挺大的，因此需要删减。然后补充些知识图谱和社会引用，还有收集大牛和机构信息，这些我可以解决。

刘旭：Python那本书东西不太多，主要还是剑桥那本。

3

麦云飞：那么就是消化这本剑桥手册了。大家认领一下吧。（分工见主题3）

刘旭：这里不用花太多时间，不用很细地阅读。

麦云飞：是的，而且也读不过来。就参考阳老师文章里提到的读书法，每章节输出几张卡片就行了吧。例如说第三章贝叶斯流派，拎出个「贝叶斯（流派）」，还有它的二级话语（术语），然后每个核心话语都写一张术语卡。接着把所有卡片拼接起来，就变成了「变量关系」维度的全局认识小报告。

4

王婧靖：不逼着自己的话可能会拖很久。

麦云飞：额，那具体是怎样倒逼你输出。

王婧靖：每两三天在GitHub上输出吧。

麦云飞：好的，那就周日和周二吧。我还是有空来查看一下进度的，到时在微信上提醒一下。（细节补在## 后续行动里）

5

刘旭：阳老师说的四个主要流派我已经整理了三个，应该还需要去书里找到第四个。

6

刘旭：还有一点，就是关于我搜集的这些内容（展示的是报告区的回帖），还不知道怎样呈现。

麦云飞：可以模仿开智的信息分析工具箱，做一个计算认知科学的信息工具箱。这个不急，可以放在后面。BP的时候提一下有这个东西，可以给大家使用，就行了。

主题3：明确分工安排

王婧靖：

• 认领剑桥手册的第2、4、5章内容。输出若干张术语卡。

刘旭：

• 确认第四个流派。
• 认领剑桥手册的第6章内容。输出若干张术语卡。
• 补充学者和机构的信息。

麦云飞：

• 认领剑桥手册的第3张内容。输出若干张术语卡。
• 提醒王婧靖和刘旭及时输出术语卡。
• 收集每个流派的学者信息。（借助谷歌、维基）输出人名卡和学者清单。
• 输出机构清单。
• 收集学者文献的社会应用情况，输出若干张任意卡。
• 整合所有信息，制作幻灯。练习演讲。
• 模仿IAToolKit制作计算认知科学信息工具箱。

主题4：明确目的

刘旭：我们做这个项目要解决的核心问题是什么，最后想实现什么目的。“想实现了解全局认识”，这不是一个很明确的目的。就像他们在讨论的（指5wd4的线上讨论）一样，最终是想套利还是怎样，这个会约束我们之后的行为。

麦云飞：这个应该也比较好解决。我们可以把目标设为，基于此次探索成果，加上寒假恶补一下Citespace，捣鼓一下，之后在国内期刊上发一份关于计算认知科学的综述论文（笑）。国内做这些的人应该还很稀少。

刘旭：我试着检索了一下没有找到的。我们可以按照四个流派写一下。

麦云飞：嗯我们就是把它们的内容转成中文版的。

刘旭：再补充些些别的，就成为一篇综述论文吧。

麦云飞：可以去找一些综述论文模仿下思路。这些就得靠你们指导了。

刘旭：投在《心理科学进展》可能难度还比较大，不过我们可以找找一些新办的期刊，那些机会大些。

麦云飞：先尽力吧，之后再说。我们还是可以大胆点把目标调大点，就投在《心理科学进展》或《心理科学》，然后我们尽力提高自己的能力。今年阳老师不是主要在研发论证分析嘛，这个我肯定是要去参加的（笑），不断学习完善自己的能力。

主题5：注意下一步的挑战

1 有趣度、通俗介绍

刘旭：这些术语对于没学过心理学的人可能太抽象了。我们需要找到反常识点或者说有趣点，这样通俗易懂点。

麦云飞：这个应该还好解决。我可能算是个中介吧，或者说，「结构洞」（知识处理方面的）。因为我自己就是个大一萌新还没学些什么东西，就是个门外汉。因此你们输出卡片之后我自己也得费力理解一下，然后可能就能明白怎样讲大众能更容易听明白点。我们目前的重心还是输出卡片和清单。

2 内容可能太少

刘旭：输出内容太少的话可能讲不够十分钟的，那四个流派每个流派讲点东西时间很快就过去了的。所以能不能再找点东西来支撑。

麦云飞：每个学派拎一两个学者出来，套用开智的学术信息分析框架（见idea2.0）。人名卡，这个好输出。学术论文维度就放过吧，前面阅读剑桥手册那里可以代替了。知识图谱的话，如果搞不定图谱，至少自己还可以人肉出一些学者的网络关系，例如谷歌学者profile（topic标签、co-authors页面）、其它学术网站，还有Acemap应该也可以找到些现成的图谱吧（我们还是偏计算机领域的，应该有数据吧）。社会引用维度也可以试着找找。不过时间还有可能不够吧，那就走一步是一布。目前的重心还是输出卡片，先解决这个，有一点的原始材料之后，才能基于此思考。先走出一步后，我想我应该还是可以继续生成新的后续思路的。我觉得可以下周会议再说。至于有趣度，目前我们在这里强调了，意识到它的重要性就OK了。

王婧靖：也就是要先有个最小行动，要先有了第一步的行动之后才能进一步思考怎么做吧。

麦云飞：是的。所以这些放在下周的第二次会议来讨论吧。

3 幻灯制作

刘旭：对了，keynote的制作会吗。

麦云飞：到时可以摸索，这个应该难度还不大，实在不行我也可以用PPT。

后续行动

• 下次会议时间：下周周三或周四(6wd3/6wd4)的晚上。具体时间点类似今天(5wd5)这样可以灵活一点地敲定。可能会出现的议题：
  • 解决此次会议的主题4。
  • 阶段②中王婧靖和刘旭的分工。
  • 各人发表自己遇到的阻碍。
  • 确认接下来是否有必要每天都上线碰头一次(每日例行小会议)。（10-40min）
  • 项目报告的title。（应该得与有趣度挂钩了）

阶段①期间。

• 王婧靖：消化认领的学术内容。
• 刘旭：消化认领的学术内容。
• 麦云飞：监控项目进展（术语卡的输出情况）、适时在群上灌水（提醒）。
  • ⚠️刚刚讨论时未细化：麦云飞周日、周二的晚上去看一下GitHub。大家在21：42分前把自己阅读文献输出的卡片放在GitHub上的报告区|项目进展情况这条issue里。

后记

• 建议大家阅读下阳老师提及的写卡片方法。

  • 构建优雅的知识创造系统 - 阳志平的网志
  • 跨年答疑（3）：卡片十二问 - 阳志平的网志
  • 跨年答疑（1）：学习十二问 - 阳志平的网志
  • 读书十二问 - 阳志平的网志

• 最小任务清单放在这个谷歌文档里。

• （也许是因为鼻炎……）我发现我讲话急促，一想到东西就会下意识急着说出来打断别人orz 这习惯太差，很不友好。得改掉这个坏习惯，并调整一下自己的语调。

• mark些贝叶斯的文章备用。

  • 今天，你贝叶斯了吗？

changelog

180111 2240 麦云飞完成初稿。

结业bp分享会

1.往期结业作业分享

胡丽

没有经历bp的人生是不完整的
因初心而坚持，因队友而不放弃

• 协作
• 收获
  • 过度收集信息|善用课程分析框架，学术or商业？--设置项目边界，设置ddl
  • 协作工具|GitHub转到Notion--越简单越好，减少学习成本
  • 项目进度等争议|先demo还是先收集信息？--真诚沟通，明确分歧，用行动说话
  • 内容太多|组员打磨、利用课程框架--大幅删减、反复演练

雅琳

• 遇到问题

  • 没有方向|尽早确定，节约时间
  • 输出太少
  • 内容太多|卡包：有趣度，删减内容可以最后清单呈现
  • 时间

• 大作业收获

  • 熟悉课程的策略
  • 集体智慧
  • 路演考验综合能力

• 建议

  • 做大作业|踩坑填坑
  • 输出
  • 约束|项目方向、内容
  • 项目难推进|卡片输出作为最小行动

2.已有项目疑问

【Q1】路演时间
【A1】15min，包括项目演示和回答问题

【Q2】婉嫣同学

【A2】

【阳】

• 结构要有所约束
• 搜索 GitHub 已有仓库数据
• 可以去城市规划局
• 寻找反常识的信息点

【李仁冲】

• 参考陈虎平老师那个视频
  陈虎平. (2017a, 九月 13). 陈虎平：市井雄心——城市演化与人生设计（上） | 开智大会主题演讲 [mp]. 取读于 2018年12月26日, 从 https://mp.weixin.qq.com/s/glL-toD_kTHX1WDG4_eZqQ
  陈虎平. (2017b, 九月 14). 陈虎平：市井雄心——城市演化与人生设计（下）| 开智大会主题演讲 [mp]. 取读于 2018年12月26日, 从 https://mp.weixin.qq.com/s/rKhzhSLgniSkx_nFcVOGRQ

【Q3】搜索关键词
【A3】针对提问阳老师给出了更多相关关键词，比如网络科学，更多的检索词是系统类科学，数学图论，物理统计力学；社会学的社会网络分析……

【A4】针对若干个项目，阳老师统一回复的策略：

• 新信息，面向未来，或者反常识……
• 项目定义不要太大，否则陷入信息汪洋。约束边界。确定不研究的内容，精确入手角度。
• 交叉学科，跨学科形成全局认识，需要从专家从综述等获得一些前置信息。
• 知道查找一些手册，了解跨学科研究学者形成的一些学科共识。比如某个学科的通识读物，或者教材导论，或者综述或者学科wiki等等

【Q5】 我是战略小组成员，我们尝试建立战略的最小全局，输出时间，空间和变量三张大表，作为第一部分的学术展示。第二部分准备展示战略及案例，但是在案例过程中无从下手，尝试着做，觉得对战略吃不透，套起案例很吃力。但是时间又有限，该如何有效进入后面的案例中。阳老师有没有好的建议
【A5】某个学科的通识读物，或者教材导论，或者综述或者学科wiki等等。约束边界，约束边界。

【Q6】这是计算认知小组实践策略，请问阳老师有什么补充？
【A6】
这些基本就是未来涉及的参考文献。计算认知科学，核心是这几本，这块就几乎没中文参考了：

• The Cambridge Handbook of Computational Psychology (豆瓣)

这本是最重要的。大师们的合集。
• Computational Neuroscience and Cognitive Modelling (豆瓣)

这本书更接地气。直接教你如何用 Python 代码来对人类心智建模。也是一本近些年的计算认知科学与计算神经科学入门好书。
• 还有一本非常关键的，我得找找。

关于计算认知科学主要有4个流派，每个流派都有代表人物。（具体内容见书）

【Q7】要做的事太多，可用的时间却不够？
【A7】算法 we live by
That’s the premise of Algorithms to Live By, a book by Brian Christian and Tom Griffiths.
这是布赖恩•克里斯蒂安(Brian Christian)和汤姆•格里菲思(Tom Griffiths)合著的新书《赖以生存的算法》(Algorithms to Live By)中提出的主张。

【A8】阳老师补充核心脉络

• 信息是无穷的，要抓住变化比较少的
• 学术渊源脉络
• 研究机构 流域作为分界
• 抓主要矛盾
• 领域中最简洁的分类框架, 任何领域都可以，比如学校分为超一流...
• 约束边界，挖掘别人未知的信息，项目要能给大家一些新的指导

3.小组讨论

没有组队小伙伴互相勾搭

changelog
190111 0016 王婧婧完成结业bp分享会内容整理

此issue用于反馈任务进展。

todolist_流程ver

1 收集信息 输出文件

• 时间：学科发展脉络
  • 每个学派的发展脉络
    • Connectionist Models of Cognition
    • Bayesian Models of Cognition
    • Dynamical Systems Approaches to Cognition
    • Declarative/Logic-Based Cognitive Modeling
    • Constraints in Cognitive Architectures
  • 提炼、概括，汇总至一个时间轴（是汇总一条线还是分四个学派，待定）
• 空间：大牛和重要机构的清单及分布情况
  • 大牛
    • 大牛清单
    • 挑选出主要大牛
      • 制作人名卡
      • 收集学者关系
      • 收集学者主要著作的社会引用情况
  • 机构
    • 机构清单
    • 机构分布状况可视化
  • 合并
    • 学者机构分布状况可视化
• 变量关系：研究主题（主要的话语及其体系）
  • 每个学派的核心话语
    • Connectionist Models of Cognition
    • Bayesian Models of Cognition
    • Dynamical Systems Approaches to Cognition
    • Declarative/Logic-Based Cognitive Modeling
    • Constraints in Cognitive Architectures

2 将文件合并成项目

• 制作PPT框架
• 把各个小组块丢进PPT
• 添加有趣度，润饰PPT
• 完善PPT，练习演讲

todolist_成品大纲ver

• 引入（小故事）
• 正文
  • 时间（按四个流派或是合一？待定）
  • 空间
    • 大牛、机构的分布
    • 大牛与大牛的关系
  • 变量（按四个流派展开主要话语体系）
  • 社会关注情况
• 项目最终目的
• 成员介绍&灌水

此外，收集到了些杂货也可补充在这里。

当前成果：谷歌表格-学者和机构清单

这个表格是很重要很关键的东西之一。

艾森克, & 基恩. (2009). 认知心理学. 华东师范大学出版社.

CH2 进阶作业

目录

1. 摘要

2. 背景

3. 目的及问题分析

   3.1 目的

   3.2 方法一

   3.3 方法二

4. 反思

1. 摘要

@todo

2. 背景

运用至少两种实践策略，形成对「心理学」或自己感兴趣领域的全局认识，记录探索过程，完成一份信息分析报告。

注意：使用的实践策略中须包含「批量下载 1000 篇论文」。

3. 目的及问题分析

   3.1 目的

   认知科学主流的研究方向是认知神经科学、计算认知科学和认知心理学。本次想了解计算认知科学的发展现况，建立全局认识。构建一份由42位大牛组成的清单，以大牛为基本单位着手，不断完善作业，最后和其他同学一起完成大的BP。通过时间、空间、变量关系为切入点，具体探索的问题包括：学科诞生的时间、设立之初想要解决的根本问题是什么，因为什么原因而产生的。该学科高级别的概念模型有哪些？其底层体系有哪些？学科 的发展现况，可追踪的期刊、会议有哪些？

   3.2 方法一

   3.2.1 检索该领域大牛

   使用Google学术，从一个大牛入手。从阳老师博客中了解到MIT的Joshua B. Tenenbaum 在做计算认知科学的研究。Google学术找到其个人档案，发现标签太多，无法定位到其它大牛。「认知科学、人工智能、机器学习、计算神经科学、认知心理学」这些标签中，对认知心理学相对熟悉，先尝试使用「认知心理学」验证Google学术排名的准确性，用「认知心理学」标签检索出前十位大牛。

   3.2.2 批量下载大牛文献

   起初尝试使用Google学术批量下载论文，即使限定数量—十几篇下载一次，下载次数多了后仍被封掉。就转换到APA的PsycINFO数据库，该数据库收录了心理学和相关学科领域内的200多万篇学术期刊文章、书刊章节、书籍和论文的引文及概要，97% 的收录文献经过同行评审。检索方法是直接以作者姓名为检索词进行检索。PsycINFO数据库的检索能一次批量导出50篇文献。使用PsyINFO数据库批量下载认知心理学中Google学术排名前10的大牛，总计下载了1000篇左右。

   3.2.3 交叉验证

   下载完毕，批量阅读摘要，没有找到「千篇一律」的感觉。之后进行交叉验证。使用Acemap输入「cognitive psychology」，找到认知心理学的期刊，获取Acemap提供的优秀作者，进行检索。使用wiki, 检索「cognitive psychology」有列出63位有影响力的认知心理学家。使用这份清单，进行验证。结果发现Google学术提供的排名和交叉验证使用的结果有很大出入。交叉验证结果表明使用Google学术的「label」入手，效果不好。

   3.3 方法二

   3.3.1 检索该领域期刊

   检索计算认知科学方向的核心期刊有哪些？从期刊入手，定位大牛。通过检索「Journal AND computational cognitive science」，找到一本专门的期刊《computational cognitive science》，由Springer 在2015年创办的，但到了2016年这个期刊就停刊了，两卷只收录了10篇文献。其它期刊还在继续探索。。。。。@todo

   3.3.2 检索该领域实验室

   通过Google、google researchgate、Quora等信息源，检索到几个专门研究该领域的实验室，可以用来追踪进展。Charles Kemp、computation and cognition lab、computational Cognitive Science、Geoffrey E. Hinton、MIT Computationan Cognitive Science Group、Tom Mitchell homepage、Matthew M Botvinick、UNSW Computational Cognitive Science、Indiana_Computational Cognitive Neuroscience Laboratory.

   3.3 方法三

   使用PsycINFO检索「Cognitive Science」下载了1000篇论文，待分割研究，找到「计算认知科学」部分。

4. 反思

   • 检索过程中发现「computational cognitive science」这个检索词检索效果差。还需要尝试其它检索词，如「Computational cognition」、「computational psychology」。

   • 这样检索很难批量下载到1000篇文献，并且耗时费力。接下来的思路，直接从「Cognitive Science」上位词入手，批量下载1000篇文献，再利用Zotero高级检索功能筛选。之所以没有一开始就使用「Cognitive Science」检索，在于其涉及的领域太多，容易区分不开。

   • zotero踩过的坑。

     • 导入文件放入新的集合中取消勾选的话，会直接放入到我的文库中。

     • 使用zotero Scholar Citations 如果出现JavaScript Application 警告的话，那就是被Google学术封锁了，换IP也是不行的。按照作者在Github—README.md 的说法，唯一的办法就是等一段时间，直到解锁。

ChangeLog

• 181223 添加部分细节内容。

• 181222 刘旭写下部分内容，定下大体框架。

队长写的那个流程清单很详细、具体，可以按照那个整理。可能出现的问题是，限入细节中，如果遇到什么坑就先跳过。总的认识可以按照这个框架来填入相应信息。

task1

• 任务：把咱们三个人已经整理好的文献汇总，按照这四个象限，对文献进行梳理。
• 目的：得到各个象限的一个清单列表，和相应的总结。
  

task2

• 任务：按照时间、空间、变量关系对资料进行拆解梳理。
• 目的：
  • 得到学科发展的时间脉络「诞生时间、转折点、重大事件 etc」
  • 得到学科的空间分布，如学术科研重镇
  • 找到「认知科学」作为自变量和因变量，相关的影响因素
  • 汇总成一个最小全局认识。如该学科诞生的目的是为了解决什么问题，其核心理论是什么 etc.

task3

• 任务：按照这个2 x 2 的表格找相应的知识点。
• 目的：在单一维度或者交叉的象限中得到罗列几个知识点，重点是有趣的反常识
  

ChangeLog

• 190107 ZAPP 创建

The Cambridge Handbook of Computational Psychology

• discusses the general methodology of computational cognitive modeling
• justifies its use in cognitive science and beyond

keywords

• computational cognitive modeling 计算认知建模
• algorithmic specificity 算法特性
• model of cognition 认知模型
• hybrid connectionist-symbolic systems ？

model (see, e.g., Bechtel & Graham, 1998)

• Connectionist Models
• Bayesian Models
• Dynamical Systems Approaches
• Declarative/Logic-Based Cognitive Modeling

• computational model 计算模型 主要
• mathematical model 数学模型
• verbal-conceptual model 语言概念模型

Computational models present process details using algorithmic descriptions. Mathematical models present relationships betweenvariablesusingmathematicalequations. Verbal-conceptual models describe entities, relations, and processes in rather informal natural languages. Each model, regardlessofitsgenre,mightaswellbeviewed as a theory of whatever phenomena it purports to capture (as argued before by, e.g., Newell, 1990; Sun, 2005).

1.What is computational cognitive modeling?

• A computational model may often be viewed as a theory of the phenomena it aims to capture and may be highly intellectually enlightening in this way.
• process-based theories（基于过程理论） ？
• computational model may lie somewhere along the continuum from pure product theories to pure process theories

1970s, a variety of influential symbolic “cognitive” models were proposed in artificial intelligence. Many computational cognitive models were inspired by symbolic AI work at that time (Newell & Simon, 1976).

Conferences

• Annual Conferences of the Cognitive Science Society
• International Conferences on Cognitive Modeling

Journal

• Cognitive Science
• Cognitive Systems Research

Person

• Newell

software, tools, models, and systems

• http://www.cogsci.rpi.edu/∼rsun/arch.html
• http://books.nap.edu/openbook.php?isbn=0309060966
• http://www.isle.org/symposia/cogarch/archabs.html.

specific

• http://psych.colorado.edu/∼oreilly/PDP++/PDP++.html
• http://www.cogsci.rpi.edu/∼rsun/clarion.html
• http://act-r.psy.cmu.edu/
• http://sitemaker.umich.edu/soar/home
• http://www.eecs.umich.edu/∼kieras/epic.html

timeline

• symbolic “cognitive” models were proposed in artificial intelligence.

They were usually broadandcapableofasignificantamountof informationprocessing.However,theywere usually not rigorously matched against humandata.Therefore,itwashardtoestablish thecognitivevalidityofmanyofthesemodels.

• neural network models in the 1980s

Instead of symbolic models that rely on a variety of complex data structures that store highly structured pieces of knowledge (such asSchank’sscriptsorMinsky’sframes),simple, uniform, and often massively parallel numerical computation was used in these neural network models (Rumelhart et al., 1986). Many of these models were meant to be rigorous models of human cognitive processes, and they were often evaluated in relation to human data in a quantitative way.

• Hybrid models that combine the strengths of neural networks and symbolic models emerged in the early 1990s

Such models could be used to model a wider variety of cognitive phenomena because of their more diverse and thus more expressive representations.

2.What is computational cognitive modeling good for?

3.Multiple Levels of Computational Cognitive Modeling

Chanpter 2 Connectionist Models of Cognition(page 37-65)

Artificial neural networks (ANN) or connectionist systems wikipedia

参考

• 机器之心 https://www.jiqizhixin.com

update to page 135 and to be continued

changelog

• 190114 2144 wjj add details of chapter 4
• 190114 1105 wjj add introduction of chapter 4
• 190112 0131 wjj add notes of introduction of handbook