Audiencia:

La materia está pensada para estudiantes avanzados de grado y posgrado de la FCEyN (principalmente biología, física, matemática y computación). Sin embargo, dado que el contenido puede ser de interés más amplio, está abierta la inscripción para estudiantes y graduados de otras universidades y carreras.

Descripción

En esta materia se presentan teorías, bases computacionales y experimentos que buscan entender cómo los humanos tomamos decisiones. Se introduce un marco analítico riguroso para estudiar el proceso de decisión apoyándose en ejemplos reales de investigación en áreas diversas como percepción, memoria y consciencia. El curso es por naturaleza interdisciplinario y se propone ser igualmente atractivo para estudiantes de biología, física, matemática o computación. Aunque se hará foco en ciencias cognitivas y del comportamiento humano, se discutirán también conexiones relevantes con la economía, neurociencia, psicología y política. Manteniendo como referencia los principios generales de la cognición, también se presentarán modelos actuales de heurísticas y sesgos, la teoría prospectiva y el rol de las emociones en la toma de decisiones.

Metodología

Las clases teóricas presentarán los temas de forma rigurosa, muchas veces utilizando ejemplos, experimentos en clase y simulaciones. Esto se complementará con la discusión participativa de publicaciones científicas, con especial énfasis en los debates y las controversias aún no resueltas. En las clases prácticas, esencialmente computacionales, la intención es aprender haciendo. Esto quiere decir que se dedicará un tiempo significativo a la implementación y simulación computacional de modelos, así como a la comparación, usando datos empíricos, entre modelos alternativos.

Requisitos

Esta materia no requiere conocimientos previos de biología ni de computación. Alguna experiencia previa de estadística y programación es una ventaja, pero no un requisito. Los conocimientos necesarios de análisis de datos experimentales y modelado matemático-computacional se van a introducir en clase. El material de lectura (en su mayoría publicaciones científicas) puede ser un desafío, pero tampoco debe ser un obstáculo para estudiantes de ninguna carrera. El único requisito real es esfuerzo y dedicación para aprender.

Objetivos

El curso tiene como objetivo principal introducir a los estudiantes en la metodología cuantitativa rigurosa que se usa para estudiar la toma de decisiones y el comportamiento (sobre todo humano, aunque los principios generales se apliquen a otras especies animales). Para introducirse en este tema es necesario entender la sinergia entre teorías, modelos matemáticos y experimentos. Por lo tanto, se espera que los estudiantes adquieran durante la cursada herramientas y conocimientos sobre:- la metodología actual empleada en las ciencias cognitivas y del comportamiento humano..- los principios fundamentales del proceso de toma de decisiones.- el diseño de experimentos comportamentales cuantitativos.- la elaboración y validación de modelos matemático-computacionales del proceso de toma de decisiones.Estos objetivos se enmarcan dentro de una propuesta de enseñanza que busca contribuir al desarrollo del pensamiento científico, apasionado y creativo de los estudiantes. Para ello, se buscará especialmente promover la lectura crítica de publicaciones científicas detectando potenciales limitaciones y defectos.

Evaluación

Un examen parcial, un proyecto especial y un examen final.

Contenidos

Unidad 1:- Teoría de la decisión descriptiva y normativa.- Decisiones racionales. Utilidad.- Decisiones bajo riesgo, ignorancia e incerteza.- Fundamentos de probabilidad y estadística.Unidad 2: - Teoría de detección de señales: sensibilidad y sesgo.- Modelos de difusión. Acumulación de evidencia y tiempos de respuesta.- Teoría de decisiones bayesianas. Modelado bayesiano de la cognición humana.- Confianza, consciencia y metacognición.Unidad 3: - Decisiones grupales.- Razonamiento motivado.- Dual-process models. Heuristics and biases.- Teoría prospectiva.

Bibliografía general


Libros:Baron, J. (2000). Thinking and deciding. Cambridge University Press.Bordens, K. S., & Abbott, B. B. (2002). Research design and methods: A process approach. McGraw-Hill.Farrell, S., & Lewandowsky, S. (2018). Computational modeling of cognition and behavior. Cambridge University Press.Gilovich, T., Griffin, D., & Kahneman, D. (Eds.). (2002). Heuristics and biases: The psychology of intuitive judgment. Cambridge university press.Hastie, R., & Dawes, R. M. (2010). Rational choice in an uncertain world: The psychology of judgment and decision making. Sage.Jaynes, E. T. (2003). Probability theory: The logic of science. Cambridge university press.Kruschke, J. (2014). Doing Bayesian data analysis: A tutorial with R, JAGS, and Stan. Academic Press.Macmillan, N. A., & Creelman, C. D. (2004). Detection theory: A user's guide. Psychology press.McElreath, R. (2016). Statistical Rethinking: A Bayesian Course with Examples in R and Stan (Vol. 122). CRC Press.Newell, B. R., Lagnado, D. A., & Shanks, D. R. (2015). Straight choices: The psychology of decision making. Psychology Press.Peterson, M. (2017). An introduction to decision theory. Cambridge University Press.Lau, R. R., & Redlawsk, D. P. (2006). How voters decide: Information processing in election campaigns. Cambridge University Press.Kahneman, D. (2011). Thinking, fast and slow. Macmillan.Tversky, A., & Kahneman, D. (Eds.). (2000). Choices, values, and frames. Cambridge University Press.
Artículos:Borsboom, D. (2013). Theoretical amnesia [Blog post]. Retrieved from http://osc.centerforopenscience.org/2013/11/20/theoretical-amnesia/Camerer, C. F., Dreber, A., Forsell, E., Ho, T. H., Huber, J., Johannesson, M., ... & Heikensten, E. (2016). Evaluating replicability of laboratory experiments in economics. Science, 351(6280), 1433-1436.Camerer, C. F., Dreber, A., Holzmeister, F., Ho, T. H., Huber, J., Johannesson, M., ... & Altmejd, A. (2018). Evaluating the replicability of social science experiments in Nature and Science between 2010 and 2015. Nature Human Behaviour, 2(9), 637.Colombo, M., & Seriès, P. (2012). Bayes in the brain—on Bayesian modelling in neuroscience. The British journal for the philosophy of science, 63(3), 697-723.Doyen, S., Klein, O., Pichon, C. L., & Cleeremans, A. (2012). Behavioral priming: it's all in the mind, but whose mind?. PloS one, 7(1), e29081.Gelman, A., & Loken, E. (2013). The garden of forking paths: Why multiple comparisons can be a problem, even when there is no “fishing expedition” or “p-hacking” and the research hypothesis was posited ahead of time. Department of Statistics, Columbia University.Goldstein, R. E. (2018). Point of View: Are theoretical results ‘Results’?. eLife, 7, e40018.Kahneman, D., & Tversky, A. (2013). Prospect theory: An analysis of decision under risk. In Handbook of the fundamentals of financial decision making: Part I (pp. 99-127).Kersten, D., Mamassian, P., & Yuille, A. (2004). Object perception as Bayesian inference. Annu. Rev. Psychol., 55, 271-304.Kiani, R., Corthell, L., & Shadlen, M. (2014). Choice certainty is informed by both evidence and decision time. Neuron, 84(6): 1329–1342.Klein, R. A. (2018). Many Labs 2: Investigating variation in replicability across sample and setting.Knill, D. C., & Pouget, A. (2004). The Bayesian brain: the role of uncertainty in neural coding and computation. TRENDS in Neurosciences, 27(12), 712-719.Kunda, Z. (1990). The case for motivated reasoning. Psychological bulletin, 108(3), 480.Maniscalco, B., & Lau, H. (2012). A signal detection theoretic approach for estimating metacognitive sensitivity from confidence ratings. Consciousness & Cognition, 21(1): 422-430.Nuzzo, R. (2014). Scientific method: statistical errors. Nature News, 506(7487), 150.Open Science Collaboration. (2015). Estimating the reproducibility of psychological science. Science, 349(6251), aac4716.Peters, M.A.K. & Lau, H. (2015). Human observers have optimal introspective access to perceptual processes even for visually masked stimuli. eLife, 4:e09651.Rahnev, D., Maniscalco, B., Graves, T., Huang, E., de Lange, F.P., & Lau, H. (2011). Attention induces conservative subjective biases in visual perception. Nature Neuroscience, 14(12): 1513-1515.Ratcliff, R., & McKoon, G. (2008). The diffusion decision model: theory and data for two-choice decision tasks. Neural computation, 20(4), 873-922.Ratcliff, R., & Starns, J.J. (2013). Modeling confidence judgments, response times, and multiple choices in decision making: recognition memory and motion discrimination. Psychological Review, 120(3): 697-719.Ratcliff, R., Smith, P. L., Brown, S. D., & McKoon, G. (2016). Diffusion decision model: current issues and history. Trends in cognitive sciences, 20(4), 260-281.Silberzahn, R., Uhlmann, E. L., Martin, D. P., Anselmi, P., Aust, F., Awtrey, E., ... & Carlsson, R. (2018). Many analysts, one data set: Making transparent how variations in analytic choices affect results. Advances in Methods and Practices in Psychological Science, 1(3), 337-356.Simmons, J. P., Nelson, L. D., & Simonsohn, U. (2011). False-positive psychology: Undisclosed flexibility in data collection and analysis allows presenting anything as significant. Psychological science, 22(11), 1359-1366.Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124-1131.Vasishth, S., Mertzen, D., Jäger, L. A., & Gelman, A. (2018). The statistical significance filter leads to overoptimistic expectations of replicability. Journal of Memory and Language, 103, 151-175.Wixted, John T., and Gary L. Wells. "The relationship between eyewitness confidence and identification accuracy: A new synthesis." Psychological Science in the Public Interest 18.1 (2017): 10-65.