Research
연구 주제
연구 주제
Miyake의 집행기능 모형은 집행기능의 핵심 요소들을 공통 집행기능, 전환, 그리고 최신화로 규정한다.
공통 집행기능(common executive function)은 의도적으로 자동적이거나 우세한 반응을 억제하는 기능과 관련이 있다. 억제는 부적절한 반응 중단하는 능력인 반응 억제와 서로 경쟁적인 표상들 사이에서 과제와 무관련한 표상을 억제하거나 과제 수행에 방해가 되는 간섭 정보를 억제하는 능력이다.
전환(shifting)은 다양한 과제들, 다양한 규칙들, 또는 mental sets 간의 이동과 관련이 있다(Monsell, 1996). 따라서 이러한 기능들을 task switching 또는 attention switching로도 불린다. 전환 능력은 현재 목표와 관련된 과제에 주의를 주거나 무관한 과제에 대해 주의를 철회하고, 또한 관련된 과제에 주의를 두는 것뿐만 아니라 이전 과제 규칙을 억제하고 새로운 과제 규칙을 수행하는 것도 포함한다.
최신화(updating)는 작업기억 내의 표상들을 최신화하거나 감시하는 기능과 밀접한 관련이 있다(Jonides & Smith, 1997; Lehto, 1996). 최신화는 과제와 관련된 정보를 감시하고 부호화하는 기능이 요구된다. 즉, 오래되거나 과제와 관련이 없는 정보를 과제를 감시하고 관련된 새로운 정보로 전환하는 기능을 수행한다. 그러나 최신화 기능은 단순히 최신 정보를 저장하는 기능을 수행하는 것이 아니라 목표에 맞게 정보를 조작하는 기능을 수행한다(Lehto, 1996; Morris & Jones, 1990).
일상에서 일의 수행을 향상시키는 것은 오류를 줄이는 것과 관련이 있다. 특히 오류는 치명적인 결과를 초래할 수 있기 때문에 이를 예방하는 것은 중요한 일이다.
목표를 달성하기 위해서는 행동에 대한 정교한 인지적 통제가 필요하다. 이전 연구들은 전두엽이 인지적 통제를 통해 수행을 감독하는 기능을 한다고 제안하였으며, 수행 감독 체계의 변산성이 수행의 성공과 오류를 예측한다는 사실을 밝혔다. 지금까지의 오류 행동 연구는 오류 행동에 따른 수행 감독 체계의 변화와 신경생리학적 특성을 중심으로 오류를 예측하였다. 그러나 오류에 선행하는 행동적 특징으로 오류를 예측하려는 시도는 이루어지지 않았으며, 우리는 이 문제를 다루고자 한다.
기계 학습 (Machine learning)은 인공 지능의 한 분야로, 컴퓨터가 데이터를 학습하고 예측할 수 있도록 하는 알고리즘과 기술을 개발하는 분야이다. 기계 학습에서 사용하는 알고리즘은 엄격한 프로그램의 지시를 따르기 보다는 입력된 데이터를 기반으로 형성된 모델을 통해 데이터를 예측한다.
본 연구실에서는 기계 학습을 이용하여 오류 발생 이전 시행들의 반응시간 추세와 자극 간 간격(inter-trial interval, ITI)추세에 따라 오류 유형을 분류하고 예측하는 연구를 수행하였다(최준식 & 김초복, 2015;이경면 & 김초복, 2016). 또한 행동활성화체계, 행동억제체계, 내외통제성 등 성격특성에 따라 오류의 유형이 다양하게 나타남을 밝혔다(김초복, 허주연, 홍지윤 & 이경면, 2017).
E-prime 2.0
실험 패러다임을 만들고 데이터를 수집하기 위한 소프트웨어
참고: http://www.pstnet.com/eprime.cfm
functional Magnetic Resonance Imaging (fMRI)
뇌의 신경 활동에 따른 생리적 기능의 국소적 변화를 측정하여 두뇌의 활동수준을 추론하는 영상 기법
Analysis tool: SPM, FreeSurfer, CAT, CONN 등
Electroencephalography (EEG)
뇌의 활동과 관련된 전기 신호를 두피에 부착된 전극을 통해 측정하는 방법
사용 기기
- Emotive EPOC: 14 Channels + 2 References
- Enobio: 8 Channels + 2 References
Analysis tool: EEGLAB, ERPLAB 등