前言：本日記僅記錄認知科學領域中個人認為部分有趣和重要的文章及個人見解，技術分享，以及一些學術界的軼事和新聞等。所涉及文章的摘要或部分文摘均為機翻。本學術日記僅供個人學習記錄與隨緣分享，不具有任何解釋和科普責任，但歡迎在評論區(qū)提問或討論，也接受私信（但不負責回答包你滿意）。本專欄不求流量，與本人其他作品無關，隨緣更新。

1.

• NMDA Receptor–Arc Signaling Is Required for Memory Updating and Is Disrupted in Alzheimer’s Disease (2023)

• 我們描述了一種新的轉(zhuǎn)導途徑，通過即時早期基因Arc將NMDA受體（NMDAR）與AKT信號聯(lián)系起來，并評估其在記憶中的作用。使用生物化學工具和轉(zhuǎn)基因小鼠驗證了信號通路，并在突觸可塑性和行為分析中評估了其功能。在人類死后大腦中評估翻譯相關性。其中，Arc被CaMKII動態(tài)磷酸化，并在體內(nèi)結(jié)合NMDAR亞基NR2A/NR2B和先前未研究的PI3K銜接子p55PIK（PIK3R3），以響應急性切片中的新穎性或強直性刺激。NMDAR-Arc-p55PIK募集p110αPI3K和mTORC2來激活AKT。NMDAR-Arc-p55PIK-PI3K-mTORC2-AKT組裝發(fā)生在探索行為的幾分鐘內(nèi)，并定位于整個海馬和皮層區(qū)域的稀疏突觸。使用條件性（Nestin-Cre）p55PIK缺失小鼠的研究表明，NMDAR-Arc-p55PIK-PI3K-mTORC2-AKT具有抑制GSK3的功能，并介導輸入特異性元可塑性，從而保護增強的突觸免受隨后的去極化。p55PIK條件敲除小鼠在包括工作記憶和長期記憶任務在內(nèi)的多種行為中表現(xiàn)正常，但在短期和長期模式中表現(xiàn)出缺陷，表明其更容易受到干擾。NMDAR-AKT轉(zhuǎn)導復合體在早期阿爾茨海默病患者死后大腦中減少?？傊?，Arc的一項新功能介導突觸特異性 NMDAR-AKT 信號傳導和化塑性，有助于記憶更新并在人類認知疾病中受到破壞。

• https://www.sciencedirect.com/science/article/pii/S0006322323000823

NMDA和ARC協(xié)作激活下游多種蛋白激酶在元可塑性中發(fā)揮記憶相關作用，上游CaMKII又一次發(fā)揮重要作用，并且還因為ARC暗示了某種潛在的AMPA和NMDA的關系。這是一項少見的探索了如此豐富的記憶相關轉(zhuǎn)導通路的研究，并且將其結(jié)果和臨床意義結(jié)合起來。然而，鑒于通路的復雜性，要解釋為何其干擾對經(jīng)典赫布可塑性的失敗似乎很困難。

2.

• Pervasive failure to report properties of visual stimuli in experimental research in psychology and neuroscience: Two metascientific studies (2023)

• 研究報告的透明度對于評估研究的再現(xiàn)性和有效性至關重要，包括潛在的混雜因素（內(nèi)部有效性）和可推廣性（外部有效性）。在這里，我們關注視覺刺激——通常用于引發(fā)心理過程和行為的刺激——作為一項案例研究，系統(tǒng)地評估和評估當前報告視覺特征的做法，包括顯示設置、刺激大小、亮度/顏色和對比度。我們的第一項研究仔細審查了神經(jīng)科學和心理學前沿期刊上的最新出版物（N=360），涵蓋了視覺、認知、臨床、發(fā)展和社會/人格心理學。第二項研究檢查了最近發(fā)表的關于臨床樣本中視覺注意偏差的出版物（N=114），涉及已知對視覺特性敏感的任務。通過分析這些文章的全文和補充材料，這兩項研究揭示了當前報道視覺刺激特征的實踐中的系統(tǒng)性失誤。這種報告失敗不是因為作者在網(wǎng)上提供視覺材料，這是罕見的（<20%），不能取代視覺特征的報告。未能報告刺激特性阻礙了建立累積科學的努力：（a）直接復制即使不是不可能，也具有挑戰(zhàn)性；（b） 內(nèi)部有效性可能受到損害；以及（c）過早地假設了刺激特性的可推廣性，并且首先排除了對其的評估。我們的研究結(jié)果對期刊關于報道實踐的策略有著直接的影響，敦促明確強調(diào)刺激屬性的透明報道，特別是當涉及感知成分時。為了協(xié)助這項工作，我們提供了報告研究設置、視覺顯示和視覺刺激的模板。

• https://psycnet.apa.org/record/2024-05957-004

早就有人該罵了，啥圖都能用來做materials。另外應該再罵罵圖片的語義成分。

3.

• Selective and deceptive citation in the construction of dueling consensuses (2023)

• 新冠肺炎大流行為研究科學傳播，特別是共識的傳播提供了一個獨特的機會。在這項研究中，我們展示了“科學傳播者”是如何利用口罩的有效性作為案例研究，將科學證據(jù)轉(zhuǎn)化為兩種對立的共識的。我們通過匯編跨媒體科學傳播的最大的人工編碼引文數(shù)據(jù)集之一來做到這一點，該數(shù)據(jù)集來源于500萬條關于人們討論口罩的推特帖子。我們發(fā)現(xiàn)，科學傳播者有選擇地提升某些已發(fā)表的作品，同時詆毀其他作品，以創(chuàng)造分別支持和反對口罩的證據(jù)。尤其是反口罩的傳播者經(jīng)常選擇性和欺騙性地引用科學工作，并比支持口罩的傳播人更多地批評反對科學。我們的發(fā)現(xiàn)對科學家、科學傳播者和科學出版商都有啟示，他們的知識共享（和糾正）系統(tǒng)極易受到我們所說的對抗性科學傳播的影響。

• 公眾共識往往偏離科學共識（1,2）。在從科學家到公眾的翻譯中，一些東西丟失了，作為“科學傳播者”，包括主流科學記者和實踐中的陰謀論者，以可能偏離作者意圖的方式重塑和轉(zhuǎn)化科學證據(jù)（3）。例如，2015年，一篇論文認為，布口罩會增加醫(yī)院環(huán)境中患呼吸道疾病的風險（4）。在2019冠狀病毒病（新冠肺炎）大流行期間，它成為社交媒體上分享最多的關于口罩的論文之一，在美國最受歡迎的電視新聞節(jié)目之一中被引用，并在對口罩規(guī)定的法律挑戰(zhàn)中被引用（5，6）。然而，該論文的第一作者在新冠肺炎期間的兩年時間里寫了10多篇論文，肯定了口罩的好處，并公開反對對2015年論文的選擇性和誤導性理解，無論是在反口罩媒體上流行之前還是之后（7-16）。

• 在當今媒體豐富的環(huán)境中，科學家們是如何重新想象科學共識的？其含義是什么？對此可以采取什么措施？

• 在這里，我們親手策劃了一個最大的語料庫來調(diào)查這些問題。利用新冠肺炎大流行早期對口罩研究結(jié)果的高需求，我們通過引用分析展示了科學傳播者和實際的陰謀論者是如何利用選擇性和批判性引用制造出共識的外觀，從而對科學知識產(chǎn)生對立的相反看法的。我們發(fā)現(xiàn)，科學出版商和作者對他們的作品如何被科學傳播者濫用以引發(fā)科學誤解毫無準備。

• https://www.science.org/doi/full/10.1126/sciadv.adh1933?et_rid=854144765&af=R&utm_campaign=ADVeToc&et_cid=4911808&utm_medium=email&utm_source=sfmc&utm_content=alert

最危險的是單篇研究被各種媒體和自媒體放大和片面解讀。

4.

• Evaluating the replicability of social science experiments in?Nature?and?Science?between 2010 and 2015 (2018)

• 能夠復制科學發(fā)現(xiàn)對科學進步至關重要1,2,3,4,5,6,7,8,9,10,11,12,13,14,15。我們復制了2010年至2015年間發(fā)表在《自然與科學》雜志上的21項系統(tǒng)選擇的社會科學實驗研究16,17,18,19,20,22,23,24,25,26,27,28,29,30,31,33,34,35,36。復制遵循原始作者審查并在復制前預先注冊的分析計劃。復制是高功率的，樣本量平均比原始研究高出約五倍。我們在13項（62%）研究中發(fā)現(xiàn)了與原始研究相同方向的顯著效果，重復的效果大小平均約為原始效果大小的50%?；パa可復制性指標的可復制性在12項（57%）至14項（67%）研究之間變化。與這些結(jié)果一致，貝葉斯分析中估計的真陽性率為67%。真陽性的相對效應大小估計為71%，這表明假陽性和真陽性的膨脹效應大小都會導致不完美的再現(xiàn)性。此外，我們發(fā)現(xiàn)同伴對可復制性的信念與可復制性密切相關，這表明研究界可以預測哪些結(jié)果會被復制，而復制失敗不僅僅是偶然的結(jié)果。

• https://www.nature.com/articles/s41562-018-0399-z

這里有個小測試，總結(jié)了這些發(fā)表在頂刊上的21個研究的結(jié)論和復制結(jié)果：https://80000hours.org/psychology-replication-quiz。在對原研究不了解的情況下就錯了兩個題。

毫不奇怪，心理學中低復制率甚至是作假文章大多出現(xiàn)在計量/建模，認知和神經(jīng)相關性研究水平很低的研究主題，并且有著吸引人的標題或研究主題，然而這些研究也是不帶腦子的媒體所喜歡的，哪怕是專業(yè)的科學媒體有時也會被某項研究所欺騙。

5.

• Separating desire from prediction of outcome value (2023)

• 個人通常想要他們期望喜歡的東西，通常是基于對以前積極經(jīng)歷的記憶。然而，在某些情況下，欲望可以與記憶和對結(jié)果價值的習得預測完全脫鉤。欲望與預測分離的可能性來自于控制動機激勵顯著性的獨立操作規(guī)則。激勵顯著性，或“想要”，是一種為適應目標而進化的中邊緣欲望，但也會產(chǎn)生適應不良的成癮。這里給出了兩個原則證明的例子，以表明動機“想要”如何超越基于記憶的結(jié)果價值預測：（i）“想要記住的令人厭惡的東西”，以及（ii）“想要預測會傷害的東西”。因此，即使被記憶和預測為消極厭惡的結(jié)果也可能成為積極的“想要”。同樣，在人類成癮中，人們可能會經(jīng)歷強烈的線索引發(fā)的對結(jié)果的渴望，而這些結(jié)果預計不會令人愉快。

• https://doi.org/10.1016/j.tics.2023.07.007

探討了不同類型的獎勵在聯(lián)想學習和動機中的區(qū)別，尤其是指出了動機/激勵顯著性對聯(lián)想學習的逆轉(zhuǎn)，這讓人想起巴甫洛夫?qū)ぞ卟僮鲗W習的影響。然而，沒有討論目標性和習慣性行為的形成和聯(lián)系。未來該討論將得益于解釋動機和聯(lián)想學習尤其是RL的關系。

6.

• The common effect of value on prioritized memory and category representation (2023)

• 概念表征/類別表征不僅受頻率（頻繁的對象類型的影響更大）的影響，還受價值（被判斷為良好的對象類型影響更大的）的影響。 因此，例如，原型表示可能會受到統(tǒng)計上頻繁發(fā)生的信息和有價值的判斷的影響。 值得注意的是，最近對記憶的研究表明，優(yōu)先記憶還受到統(tǒng)計頻率和價值判斷的影響。 盡管概念表征的研究和優(yōu)先記憶的研究迄今為止幾乎完全獨立進行，但現(xiàn)有研究結(jié)果的模式為這兩種現(xiàn)象之間的聯(lián)系提供了證據(jù)。 現(xiàn)有的理論工作指出，概念表征和記憶單個物體的能力之間存在著密切的聯(lián)系。特別是，這些模式為以下假設提供了證據(jù)：價值對概念表征的影響源于其與優(yōu)先記憶的相互依賴關系。因此，價值對優(yōu)先記憶和類別表征的影響可能源于一組常見的心理現(xiàn)象。

• https://doi.org/10.1016/j.tics.2023.06.007

價值對記憶的影響是理所當然的，但對分類/概念能力的影響是新穎的。考慮到語義記憶在概念形成中作用，用價值將優(yōu)先記憶和類別表征聯(lián)系起來并不奇怪。然而作者使用記憶模型進行了定量的討論，并暗示圖式/概念表征對記憶的影響。不過，優(yōu)先記憶不僅只由價值誘導，未來如感知顯著性等將進一步補充記憶在概念中的作用。

7.

• MAPTree: Beating "Optimal" Decision Trees with Bayesian Decision Trees (2023)

• 決策樹仍然是當今最受歡迎的機器學習模型之一，這主要是由于其開箱即用的性能和可解釋性。在這項工作中，我們提出了一種通過樹上后驗分布的最大后驗推理來進行決策樹歸納的貝葉斯方法。我們首先證明了決策樹的最大后驗推理和“與或”搜索之間的聯(lián)系。利用這種連接，我們提出了一種稱為MAPTree的AND/OR搜索算法，該算法能夠恢復最大后驗樹。最后，我們展示了最大后驗樹在合成數(shù)據(jù)和現(xiàn)實環(huán)境中的經(jīng)驗性能。在16個真實世界的數(shù)據(jù)集上，MAPTree要么優(yōu)于基線，要么表現(xiàn)出類似的性能，但樹要小得多。在合成數(shù)據(jù)集上，MAPTree還展示了比現(xiàn)有方法更大的噪聲魯棒性和更好的泛化能力。最后，MAPTree比現(xiàn)有的采樣方法更快地恢復最大后驗樹，并且與這些算法相比，能夠提供最優(yōu)性證書。我們實驗的代碼可以在這個https URL上找到。

• https://arxiv.org/abs/2309.15312

盡管LLM的流行和更先進的ML算法，鑒于決策樹在很多場合仍然發(fā)揮巨大用處，利用貝葉斯的優(yōu)點改進決策樹可同時得到符號樹模型和概率模型的優(yōu)勢。