COMPUTATIONAL COGNITIVE SCIENCE

Canale 1
MORENO IGNAZIO COCO Scheda docente

Programmi - Frequenza - Esami

Programma
Lezioni: - Introduzione alla scienza cognitiva computazionale: Obiettivi, quadri di riferimento (livelli di Marr) e paradigmi di modellazione chiave (Connectionist, panoramica bayesiana, panoramica simbolica). - Fondamenti computazionali: Algoritmi, probabilità e pensiero computazionale. - Modellazione connessionista: Principi, modelli fondamentali (Perceptron, MLP, RNN, CNN) e algoritmi di apprendimento (Backpropagation). - Applicazioni delle reti alla cognizione: Modellazione della memoria e simulazione di aspetti rilevanti per la neurodegenerazione tramite dinamiche di rete e ablazione. - Visione computazionale: Problemi e modelli per il riconoscimento e la categorizzazione degli oggetti, compresi gli approcci alle reti neurali. - Linguaggio computazionale: Problemi, modelli statistici (N-grammi) e approcci di spazio vettoriale/rete neurale (Embeddings, RNNs). - Collegamento dei modelli computazionali ai dati empirici e alle neuroscienze cognitive; attuali frontiere della ricerca. Laboratori: - Competenze fondamentali di R: Impostazione dell'ambiente, costrutti di programmazione, gestione dei dati e visualizzazione. - Implementazione di reti neurali in R: Costruzione, addestramento e utilizzo di modelli fondamentali (Perceptron, MLP) con librerie come keras. - Modellazione di reti di memoria e neurodegenerazione in R: Costruire semplici reti di memoria e simulare l'ablazione/danneggiamento della rete per esplorare gli impatti funzionali. - Utilizzo del software Experiment Builder: Apprendimento e applicazione di strumenti (OpenSesame/PsychoPy) per progettare esperimenti cognitivi per la ricerca sulla percezione e sul linguaggio. - Analisi e modellazione computazionale in R (applicazioni): Applicazione di tecniche computazionali per analizzare i dati ed esplorare modelli (categorizzazione, CNN, N-grammi, Embeddings, RNN) relativi alla percezione e al linguaggio. - Integrazione di tecniche apprese per progetti di analisi o modellazione.
Prerequisiti
Possono frequentare questo corso gli studenti in possesso di una laurea triennale in Psicologia o equivalente secondo il regolamento internazionale. Conoscenze di base di programmazione informatica, psicologia generale, statistica e psicofisiologia sono indispensabili per seguire le lezioni a pieno, anche se si cercherà di assecondare il più possibile le differenze nei livelli di partenza.
Testi di riferimento
Sun, R. (Ed.). (2023). The Cambridge Handbook of Computational Cognitive Sciences. Cambridge University Press. Chollet, F., & Allaire, J. J. (2018). Deep Learning with R. Manning Publications. Grolemund, G., & Wickham, H. (2017). R for Data Science. O'Reilly Media.
Frequenza
La frequenza è fortemente consigliata per tutte le lezioni frontali, mentre la partecipazione alle attività di laboratorio è obbligatoria.
Modalità di esame
Obiettivo della valutazione La valutazione sommativa valuterà la conoscenza teorica e la competenza critica degli argomenti trattati durante l'intero modulo. Tali valutazioni, dettagliate di seguito, saranno distribuite in tre tipi di prove: esame scritto, compito di programmazione e progetto computazionale con la seguente ponderazione. Esame scritto (30%) Valuta: Comprensione teorica dei concetti fondamentali del CCS, principi dei principali paradigmi di modellazione (connessionista, bayesiano, simbolico), comprensione concettuale di specifici tipi di modelli e algoritmi, capacità di confrontare e contrapporre i modelli, comprensione del legame tra teoria, modelli e risultati empirici. Compito di programmazione (40%): Valuta: Abilità pratiche di programmazione in R, capacità di implementare/utilizzare tecniche di modellazione specifiche insegnate nei laboratori (Perceptrons, MLPs, calcoli bayesiani, simulazioni di rete, N-grammi, embeddings), gestione dei dati, visualizzazione, analisi di base dei risultati dei modelli. Progetto computazionale (30%): Valuta: Applicazione di molteplici abilità apprese a un problema specifico, sintesi di conoscenze teoriche e abilità pratiche, lavoro indipendente, analisi approfondita, valutazione critica di modelli/risultati, capacità di collegare il lavoro computazionale a questioni cognitive/neuroscienze, comunicazione scritta (e potenzialmente orale) dei risultati scientifici. Per gli studenti non frequentanti la sessione d'esame sarà inevitabilmente più lunga di quella di uno studente frequentante, per consentire un tempo sufficiente a coprire l'ampiezza e la profondità richieste. Saranno esaminati in un unico esame scritto che coprirà le seguenti sezioni: Sezione 1: Concetti e paradigmi fondamentali (circa il 20-25% dei voti totali) Tipi di domande: Risposta breve, definizioni, confronto. Sezione 2: Principi e meccanismi del modello (circa il 25-30% del punteggio totale) Tipi di domande: Spiegazione, interpretazione di diagrammi o pseudocodice, risoluzione di problemi (concettuali). Sezione 3: Applicazioni e interpretazione (circa 30-35% del punteggio totale) Tipi di domande: Domande basate su scenari, interpretazione dei risultati, spiegazione dell'applicazione. Sezione 4: Valutazione critica e sintesi (circa 20-25% del punteggio totale) Tipi di domande: Stile saggio, analisi critica, confronto di approcci. Valutazione finale La valutazione finale si ottiene su tutte le componenti di valutazione sopra descritte secondo lo schema di ponderazione che è stato dettagliato. Voto 28-30: Gli studenti fanno un uso eccellente di materiale empirico e teorico, offrendo argomentazioni strutturate nel loro lavoro. Gli studenti scrivono saggi e domande d'esame esaurienti e il loro lavoro mostra una forte evidenza di pensiero critico e di lettura approfondita. Voto 24-27: Gli studenti mostrano una buona comprensione teorica e pratica del problema e offrono un livello sufficiente di analisi critica. Voto 21-23: Gli studenti producono un lavoro accettabile, che dimostra una comprensione elementare dei concetti teorici e pratici discussi. Tuttavia, il lavoro è carente dal punto di vista della struttura (ad esempio, l'organizzazione dei risultati) e/o della logica delle argomentazioni e richiede quindi un miglioramento. Voto 18-20: Gli studenti passano a malapena perché il lavoro copre i punti più elementari che sono stati toccati. Tuttavia, ci sono preoccupazioni più serie riguardo alla profondità con cui le questioni sono state comprese, e quindi mostra un impegno superficiale nei confronti del contenuto del modulo. Voto <18: Gli studenti hanno prodotto un lavoro insufficiente, che mostra chiaramente che il contenuto non è stato compreso. L'analisi critica è scarsa o assente, la struttura è molto carente e la logica delle argomentazioni non scorre. La qualità del lavoro evidenzia uno scarso impegno nello studio delle teorie e nella loro applicazione alle pratiche insegnate.
Bibliografia
Sun, R. (Ed.). (2023). The Cambridge Handbook of Computational Cognitive Sciences. Cambridge University Press. Chollet, F., & Allaire, J. J. (2018). Deep Learning with R. Manning Publications. Grolemund, G., & Wickham, H. (2017). R for Data Science. O'Reilly Media.
Modalità di erogazione
Il corso combina lezioni e sessioni pratiche di laboratorio. Durante le lezioni, gli studenti esploreranno i concetti fondamentali, i principali paradigmi di modellazione computazionale (connessionista, bayesiano) e la loro applicazione a domini cognitivi chiave (memoria, percezione e linguaggio). Impareranno a conoscere i fondamenti teorici dei diversi modelli e il loro rapporto con i risultati empirici delle neuroscienze cognitive. Nei laboratori, gli studenti acquisiranno esperienza pratica con il linguaggio di programmazione R e con il software di costruzione di esperimenti (OpenSesame/PsychoPy). Implementeranno, simuleranno, analizzeranno e applicheranno i modelli computazionali discussi nelle lezioni, lavorando in gruppo per sviluppare le loro capacità di programmazione e modellazione e progettare esperimenti cognitivi.
  • Codice insegnamento10621027
  • Anno accademico2025/2026
  • CorsoCognitive neuroscience - Neuroscienze cognitive
  • CurriculumCurriculum unico
  • Anno1º anno
  • Semestre2º semestre
  • SSDM-PSI/01
  • CFU6
  • Ambito disciplinarePsicologia generale, fisiologica e psicometria