体现的认知挑战

典型的具体认知实验会询问低级的感觉或运动信息是否会影响该任务的执行或执行该任务。 这些期刊充斥着这些实验。 其中一些影响甚至可能是真实的。 假设其中某些影响确实是真实的，那么让我们继续下一个问题：体现认知能解释多少表现差异？体现模型能否在标准模型上进行改进？

我之前已经指出 体现出来的效果充其量是很小的。这是一个例子-统计上有意义的交叉互动-来自相当引人注目的 TMS研究 该研究调查了运动皮层在刺激嘴唇与手部运动区域期间识别与嘴唇和手相关的运动中的作用：

效果大小=〜1-2％ 这是这类研究的典型代表，并为剩余98％至99％的方差求一个理论。

一个挑战

因此，让我在精心设计的非具体语音生成模型的背景下，对具体化的认知人群提出挑战。 让我们以一组通用数据为基础，构建我们的体现和非体现的计算模型，并查看标准与体现模型（或更可能是体现）占了多少数据 零件 较标准的型号）。

这是一个数据库 其中包含来自大量失语症患者的命名数据。 目的是建立一个解释命名错误分布的模型。

这是一个标准的非体现模型 我们称其为语义-词法-听觉-运动的SLAM。 （不，“听觉运动”部分不是体现在理论学家所隐含的意义上，即，网络的这一部分的表示水平是语音的和抽象的。） 这是模型结构的图片：

该模型约占患者命名错误类型分布差异的98％。 这是适合单个患者的示例（来自Walker的图&Hickok，印刷中，PB&R），它显示了患者（虚线）和模型（实线）的各种响应类型类别（正确，语义错误，形式错误等）的响应百分比：

顺便提一句，马特·戈德瑞克（Matt Goldrick）在即将对SLAM模型论文做出的答复中指出，由于患者的语义错误为零，而该模型预测了一些错误，因此这种拟合表示模型完全失败。这是一个有趣的主张，我们必须认真对待并进行定量评估，这一点我们做到了。 But I digress.

关键是，如果您认为体现认知是新的范式，则需要开始将体现模型与非体现模型进行比较，以检验您的主张。 在这里，我们有一个理想的测试平台：使用抽象语言表示法来建立大型数据集的已建立模型。

我的挑战：建立一个击败SLAM的具体模型。 您有2％的改进空间。