Dr. Christiane Ahlheim

 

 

 

 

Abgeschlossenes Projekt

Überrascht oder unsicher? Statistische Strukturen beobachteter Handlungen

Die meisten Dinge in unserer Umwelt ereignen sich nicht völlig zufällig, sondern folgen bestimmten Regelmäßigkeiten. Es konnte schon in verschiedenen Studien zum statistischen Lernen gezeigt werden, dass Menschen diese Regelmäßigkeiten wahrnehmen und nutzen können, um zukünftige Ereignisse vorherzusagen, wie zum Beispiel bei der Beobachtung von Handlungen (Baldwin et al., 2008), Sprachverarbeitung (Saffran, 2001), Musik (Paraskevopoulos et al., 2012), oder auch bei der Wahrnehmung abstrakter Ereignisse (Bubic et al., 2009; Turk-Browne et al., 2010). Diese Vorhersagen können auf der Basis verschiedener Arten von Information gebildet werden – zum Beispiel Häufigkeiten von bestimmten Ereignissen, Übergangswahrscheinlichkeiten zwischen Ereignissen, oder auch explizites Wissen über Regeln bezüglich des Eintretens von Ereignissen. Um Vorhersagen möglichst effizient zu gestalten, ist es wichtig, zwischen relevanter Information und irrelevanter Information zu unterscheiden und eher irrelevante Informationen zu ignorieren. Ich untersuche, unter welchen Umständen Menschen zwischen verschiedenen Informationsquellen unterscheiden und wie sich die verschiedenen Informationsarten in ihren neuralen Effekten unterscheiden. Ich beschäftige mich hier sowohl mit Vorhersagen, die auf Basis neu erworbenen Wissens gebildet werden, wie zum Beispiel wenn eine Handlung oder eine Sequenz abstrakter Stimuli artifiziellen Regeln folgt (sogenannte Markov-Sequenzen), als auch mit Vorhersagen, die auf bereits existierendem Wissen beruhen, wie etwa bei der Beobachtung von Alltagshandlungen. Zur Operationalisierung von Unsicherheit zukünftiger Ereignisse und des Informationsgehalts einzelner Ereignisse verwende ich Maße der Informationstheorie (Shannon, 1948), wie Entropie, ein Maß für Unsicherheit, oder Surprisal, ein Maß des übermittelten Informationsgehalts. Ich verwende behaviorale Methoden (Reaktionszeiten), Hautleidwiderstand (SCR) und neurowissenschaftliche Methoden, wie funktionelle Magnetresonanztomographie (fMRT) und transkranielle Magnetstimulation (TMS).

Literatur

Baldwin DA, Andersson A, Saffran J, Meyer M (2008). Segmenting dynamic human action via statistical structure. Cognition 106:1382–1407.

Bubic A, von Cramon DY, Jacobsen T, Schröger E, Schubotz RI (2009). Violation of expectation: neural correlates reflect bases of prediction. J Cogn Neurosci 21:155–168.

Paraskevopoulos E, Kuchenbuch A, Herholz SC, Pantev C (2012). Statistical learning effects in musicians and non-musicians: an MEG study. Neuropsychologia 50:341–349.

Saffran J (2001). The Use of Predictive Dependencies in Language Learning. J Mem Lang 44:493–515.

Shannon CE (1948). A mathematical theory of communication. Bell Syst Tech J 27:379–423.

Turk-Browne NB, Scholl BJ, Johnson MK, Chun MM (2010) Implicit Perceptual Anticipation Triggered by Statistical Learning. J Neurosci 30:11177–11187

 

Publikationen

Trempler, I., Schiffer, A. M., El-Sourani, N., Ahlheim, C., Fink, G. R., & Schubotz, R. I. (2017). Frontostriatal contribution to the interplay of flexibility and stability in serial prediction. Journal of Cognitive Neuroscience. 29(2), 298-309.

Ahlheim, C., Schiffer, A.M., Schubotz., R.I. (2016). Prefrontal cortex activation reflects efficient exploitation of higher-order statistical structure. Journal of Cognitive Neuroscience, 28(12), 1909-1922.

Ahlheim, C., Stadler, W., & Schubotz, R.I. (2014). Dissociating dynamic probability and predictability in observed actions – an fMRI study. Frontiers in Human Neuroscience, 8, 273.

Schiffer, A.M., Ahlheim, C., Ulrichs, K., Schubotz, R.I. (2013). Neural changes when actions change: Adaptation of strong and weak expectations. Human Brain Mapping, 34(7), 1713-27.

Schiffer, A. M., Ahlheim, C., Wurm, M.F., Schubotz, R.I. (2012). Surprised at all the Entropy: Hippocampal, Caudate and Midbrain Contributions to Learning from Prediction Errors. PLOS ONE, 7(5), e36445.

 

Aktuelle Position

Data Scientist bei Google in London