Informacija

Binarna klasifikacija kao kognitivna strategija?

Binarna klasifikacija kao kognitivna strategija?



We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Postoji li neko istraživanje koje istražuje ima li ljudski kognitivni sustav tendenciju smanjenja složenih sustava ili spektra podataka u smislu binarnog kontrasta?

Postoji mnogo zdravorazumskih dvostrukih taksonomskih skupova. Neki od njih imaju osnovu u objektivnoj stvarnosti (binarni muškarac/žena pokazala se kao posebno učinkovita evolucijska strategija), za druge se može reći da su više u očima promatrača. Za dan i noć moglo bi se reći da su ekstremi u ciklusu; lijevo i desno, konzervativni i liberalni su rasponi na spektru (usp. prijatelj i neprijatelj; "postoje samo dvije vrste ljudi"). Puno je napisano o rodnom identitetu i seksualnoj orijentaciji u okviru hegelovske dijalektike gospodar/rob, ali ne zanima me odnos između članova u opozicijskom skupu. Strukturalistički teoretičari i antropolozi tvrdili su, a zatim i odbacivali da se društva organiziraju u binarnim skupovima, ali meni je zanimljivije od stvarne organizacije način na koji se percipira stvarnost. Također, kada antropolog ili teoretičar kaže da je većina pojmova definirana suprotno od njihovih suprotnosti, ne mogu se načuditi imamo li u ovom smislu mjerljive podatke.

Nadam se da ću otkriti jesu li ove zdravorazumske binarne taksonomije u korelaciji s kognitivnim/perceptivnim procesima. Posebno mi je zanimljivo pitanje postoje li određene kognitivne strategije niske razine, iako me zanimaju i procesi na visokoj razini (npr. Formalna logika je uglavnom organizirana po binarnim linijama, točno/netočno). Budući da kognitivne znanosti nisu moje područje, bio bih jako zahvalan na upućivanju i na temeljne studije i na „sirovi“ terenski rad. Opći radovi na smanjenju stvarnosti kako bi se prilagodili ograničenoj procesnoj moći također su dobrodošli. Vizualni procesi nisu mi primarni interes, ali ako možete ukazati na jedan "najbolji primer" na filtru koji nam omogućuje da "vidimo" cijelu policu knjiga, ali ne i sve naslove knjiga u jednom pogledu, to bi bio koristan bonus. Ne znam ništa o funkcioniranju bioloških neuronskih mreža, ali ako postoji binarni odabir u bilo kojem trenutku njihovog rada, bio bih jako zahvalan vidjeti to objašnjeno u pristupačnom, ali recenziranom tekstu. Konačno, ključne riječi koje bi mi pomogle da o tome saznam više u tražilicama za stipendije bile bi od velike pomoći.


Mislim da u vašem pitanju postoji pogrešna percepcija. Postoji veliki broj objekata koje nikada ne percipiramo na tako binarni način: boje, voće (jabuke, naranče, šljive ...), vrijeme i u osnovi svi drugi konkretni predmeti. Jedino što binarno percipiramo su apstraktne ideje! Dobro protiv zla. Liberal naspram konzervativaca. I ovdje se možemo pitati o stvarnosti (koja je složenija) i funkciji ovog pojednostavljenja. Odgovor je: brzina donošenja odluka.

Osnovna binarna klasifikacija je negacija: x naspram ne x. Korisnost ove razlike postaje očita kada je stavite u kontekst: Je li ova bobica jestiva ili nije? Želim li vjerovati ovoj osobi ili ne? Sve binarne suprotnosti u svojoj osnovi imaju negaciju i dijele svijet na stvari koje želite izbjeći i na stvari s kojima želite komunicirati.

A budući da ljudska bića moraju odlučivati ​​o milijun stvari svaki dan, olakšavaju život koristeći heuristiku za donošenje većine ovih odluka: jednostavna pravila temeljena na iskustvu, tako da ne morate razmišljati prije nego što glasate za svog sljedećeg predsjednika.

Nekoliko binarnih datoteka koje su manje ili više objektivne su kategorije mjerenja: dugačke/kratke, vruće/hladne, svijetle/tamne itd. Da je fizička stvarnost koja stoji u osnovi ovih mjerenja možda složenija (npr. Hladnoća ne ovisi samo o temperaturi, već također o vlažnosti zraka i brzini vjetra), nije relevantna za jednodimenzionalnost našeg osjeta.

Noć i dan nisu binarni, jer imamo zoru i sumrak te kasno popodne i rano jutro i gluho doba noći kako bismo razlikovali subjektivno vrijeme, relativnu vidljivost, kvalitetu svjetla, odmor/umor itd., Što sve čini značenje "noć", "dan" i druga dnevna imena. Fraza "dan i noć" je binarna samo u određenim izrazima gdje imaju simbolično značenje (npr. "Dan" = dobro, "noć" = zlo, ili "rad noću i danju" = raditi cijelo vrijeme, bez odmora).


Proučavajući razvoj stilova razmišljanja kod studenata, Perry (1970.) je otkrio da s rastom njihovo razmišljanje napreduje od dualističke crno-bijele perspektive do mnoštva istina koje dopuštaju neizvjesnost. Oni također rastu iz čisto intelektualne do etičke perspektive. Tijekom tog razvoja dualističko razmišljanje može poslužiti kao alternativa napredovanju, a osobe koje su se već razvile na višu razinu razmišljanja mogu koristiti dualističko mišljenje kao "povlačenje" (Zang, 2002): "učenik se vraća dualističko usmjerenje za pronalaženje sigurnosti i snage za suočavanje sa izazovnim okruženjem ".

Binarno razmišljanje povezano je s poremećajima osobnosti kao što su granična osobnost i narcizam (Oshio, 2012): "Rezultati su pokazali da razmišljanje podvojeno može dovesti do širokih poremećaja ličnosti."


Izvori:

  • Oshio, A. (2012). Razmišljanje sve ili ništa pretvara se u mrak: Odnosi između dihotomskog mišljenja i poremećaja osobnosti. Japansko psihološko istraživanje, 54(4), 424-429. doi: 10.1111/j.1468-5884.2012.00515.x
  • Perry, W. G. (1970). Oblici intelektualnog i etičkog razvoja u fakultetskim godinama: Shema. New York: Holt, Rinehart i Winston.
  • Zhang, L. F. (2002). Stilovi razmišljanja i kognitivni razvoj. Journal of Genetic Psychology, 163(2), 179-195.

Binarni procesi mogu se promatrati u različitim fazama intuitivnog i promišljenog mišljenja, koje se u nekim slučajevima može vjerovatno modelirati kao kategorije, ali to ćete razmotriti od slučaja do slučaja. Mnogi relevantni procesi su binarni jednostavno zato što, poput formalne logike, uključuju prekidače (true/false).

Heuristika

Pojednostavljujući procesi na koje se aludira u ovom pitanju proučavani su prije svega u obliku heuristike, tj. Mentalnih strategija za prosuđivanje i donošenje odluka koje zaobilaze dobar dio relevantnih proračuna u korist jednostavnih znakova koji izgleda (ali ne moraju) korelirati dobro s uspjehom (Payne, Bettman i Johnson 1993; Gigerenzer i Todd 1999; Czerlinski, Gigerenzer i Goldstein 1999). Postoje različiti modeli, od kojih se većina odnosi na preferencijalno odlučivanje, ali postoje i modeli kategorizacije, koji su u svakom slučaju blisko isprepleteni. Većina modela uključuje binarne procese u procesu odabira, osobito zato što prosuđivanje i odlučivanje uključuju podudaranje objekata prema kriteriju. Primjeri su model donošenja odluka Eliminacija putem aspekata (Tversky 1972) i model kategorizacije Kategorizacija eliminacijom (Beretty, Todd i Blythe 1997), koji se kreću kroz značajke prema silaznoj važnosti i/ili učinkovitosti pri sužavanju izbora. Objekti (opcije) koji ne zadovoljavaju kriterij koji se ispituje isključeni su; moglo bi se stoga reći da na djelu postoji binarni princip podudaranja čak i u slučajevima kada oznaka (npr. aroma vina) nije binarna. Drugi popularno proučavan primjer je heuristika prepoznavanja koja povezuje poznate objekte u skupu s višom vrijednošću kriterija od nepoznatih objekata u istom skupu: ova je strategija modelirana na binarnom znaku (podudaranje ili bez podudaranja, za razliku od stupnjevane ljestvice ). O posebnoj učinkovitosti jednostavne heuristike u situacijama s binarnim znakovima raspravlja se u Hogarth i Karelaia 2006.

Treba ipak napomenuti da neke od najčešće spominjanih studija preferencijalnog odlučivanja uključuju binarni izbor: koje od ta dva? Ova binarna značajka istraživačka je pristranost: binarni izbor minimalni je radni primjer preferencijalnog odlučivanja. Ipak, heuristika prepoznavanja važna je za pitanje upravo zato što ne pruža cjelovitu strategiju za bavljenje raznim objektima s različitim stupnjem poznavanja. Jednostavno kaže da prva strategija može biti razlikovanje potpuno nepoznatog i ne posve nepoznatog, kada se upotreba ove heuristike iscrpljuje i um se okreće drugim strategijama. Stvarni značaj ove heuristike za pitanje stoga ovisi o njezinoj valjanosti i dokumentiranoj primjeni s ne-binarnim skupovima i relativnoj bliskosti; ishod takvih testova bi vam puno rekao o potvrdi dihotomnog razmišljanja u stvarnom svijetu.

U tradiciji Paynea i Gigerenzera prilagodljivost je kritični dio heurističkog procesa: čimbenici okoliša određuju koje redukcijske strategije koristimo. Kada pojednostavljujemo stvarnost heurističkim sredstvima, koja će obilježja opstati u našem kognitivnom modelu svijeta u trenutku prosuđivanja ili donošenja odluka ovisit će o tome zašto uopće pristupamo tim pojmovima. Binarni set poput dana i noći vjerojatnije će nam se javiti pri odlučivanju hoćemo li ponijeti svjetla za bicikl pri izlasku iz kuće, a manje vjerojatno pri zakazivanju pregleda kod zubara (iako i to uključuje binarni set, dostupan/nedostupan).

Lingvistika

Modeli eliminacije razvijeni za donošenje odluka također su korišteni za modeliranje pristupa memorije semantičkom sadržaju. Rachel Giora napisala je niz članaka koji promiču ideju da se prvo pristupa osjetilima riječi koji su istaknuti u mentalnom leksikonu; druga osjetila se aktiviraju ako se prvo ne podudara s kontekstom (npr. Giora 1999). Ista paradigma podudaranja mogla bi se, na primjer, proširiti na mnoge aspekte sintakse.

Ključne riječi

To bi trebao biti početak, ali to je tema nekog opsega. Ključne riječi mogu kombinirati članove sljedećih skupova:

  • kontrast, kontrast, binarnost, dual, dualistika, dihotomija, dihotomija
  • heuristički, kognitivni, isticanje, pojednostavljenje, pojednostavljivanje, prosuđivanje, prosuđivanje, odluka

Komentar @Nicka Staunera i @što odgovor sadrže reference na značajne dodatne načine za istraživanje.

Bibliografija

Berretty, Patricia M., Peter M. Todd i Philip W. Blythe. 1997. “Kategorizacija eliminacijom: brz i štedljiv pristup kategorizaciji.” Zbornik devetnaeste godišnje konferencije Društva kognitivnih znanosti. Eds M.G. Shafto i P. Langley. Mahwah, NJ: Lawrence Erlbaum Associates.

Czerlinski, Jean, Gerd Gigerenzer i Daniel G. Goldstein. 1999. "Koliko su dobre jednostavne heuristike?" Jednostavne heuristike koje nas čine pametnima. Izd. Gerd Gigerenzer i Peter M. Todd. Oxford: Oxford University Press. 97-118 (prikaz, ostalo).

Gigerenzer, Gerd i Peter M. Todd, ur. 1999. godine. Jednostavne heuristike koje nas čine pametnima. Oxford: Oxford University Press.

Giora, Rachel. 1999. "O prioritetu istaknutih značenja: studije doslovnog i figurativnog jezika." Časopis za pragmatiku 31: 99-129.

Hogarth, Robin M. i Natalia Karelaia. 2006. "„ Uzmi najbolje "i druge jednostavne strategije: zašto i kada rade" dobro "s binarnim znakovima." Teorija i odluka 61: 205-49.

Payne, John W., James R. Bettman i Eric J. Johnson. 1993. godine. Prilagodljivi donositelj odluka. Cambridge: tisak Sveučilišta Cambridge.

Tversky, Amos. 1972. "Eliminacija po aspektima: teorija izbora." Psihološki pregled 79.4 (srpanj): 281-99.


Prednosti binarnog mišljenja

Peter Elbow predložio je da bismo mogli upotrijebiti oblik binarnog mišljenja koji je/i, budući da pozdravlja kognitivnu fleksibilnost. Predložio je da bi se i/i mentalitet suprotstavio mentalitetu ili/ili. Iako su oboje vrste binarnog mišljenja, oboje/i pojam trebali bi biti naš krajnji cilj.

Privatni/društveni svijet dat je kao primjer kako bi to izgledalo. Lev Vygotsky sugerirao je da privatna misao proizlazi iz onoga što je u početku bio društveni jezik. Slijedom toga, nitko nije potpuno društven ili potpuno privatan.

Jedan primjer s kojim se svi možemo povezati u kojem nam binarno mišljenje dobro služi je jezik. Promjena koda znači znati govoriti u datim situacijama. Na primjer, neki Afroamerikanci mogu govoriti ebonikom (afroamerički vernakularni engleski) među svojim prijateljima i obitelji, te prodavati engleski u školi i u profesionalnom okruženju.

Neki Latinoamerikanci mogu razmotriti kada govore engleski, a kada španjolski, ovisno o njihovom okruženju. Mogle bi se uzeti u obzir i nijanse uključene u promjenu koda. Na primjer, koju verziju španjolskog treba uzeti u obzir - onu koja je najpoznatija ako razgovaraju sa svojim meksičkim prijateljima ili svojim portorikanskim obiteljima? (izvor)

Simbol yin/yang također je predstavnik binarnog mišljenja. Ovo je još jedan primjer jednakih i supostojećih strana.


Kvantificiranje pet neuropsiholoških pristupa definiranju blagih kognitivnih oštećenja

Ciljevi: Operativne definicije kognitivnih oštećenja uvelike su se razlikovale u dijagnosticiranju blagih kognitivnih oštećenja (MCI). Identificiranje kliničkih podtipova MCI -a dodatno je izazvalo dijagnostičke pristupe jer različite komponente objektivne kognitivne procjene mogu značajno utjecati na dijagnozu. Stoga su autori istraživali primjenjivost dijagnostičkih kriterija za kliničke podtipove MCI u naturalističkom istraživačkom uzorku starijih u zajednici i kvantificirali varijabilnost dijagnostičkih ishoda koja proizlazi iz izmjene neuropsihološke definicije objektivnog kognitivnog oštećenja.

Oblikovati: Presjek i longitudinalna studija.

Postavka: San Diego, CA, Veterans Administration Hospital.

Sudionici: U početku je procijenjeno devedeset starijih odraslih osoba, bez neuroloških vrijednosti, neurološki normalnih, nastanjenih u zajednici, a 73 su viđena na praćenju nakon otprilike 17 mjeseci kasnije.

Mjerenja: Sudionici su putem dijagnoze konsenzusom klasificirani kao oni koji normalno stare ili imaju MCI putem svake od pet dijagnostičkih strategija, što je variralo granično ograničenje za objektivno oštećenje i broj neuropsiholoških testova koji su uzeti u obzir u dijagnostičkom procesu.

Rezultati: Dokazan je niz razlika u postocima identificiranim kao MCI u odnosu na kognitivno normalne, u rasponu od 10-74%, ovisno o korištenim kriterijima klasifikacije. Znatna manjina pojedinaca pokazala je dijagnostičku nestabilnost tijekom vremena i u svim dijagnostičkim pristupima. Dijagnoza neamnestičkog podtipa u jednoj domeni bila je osobito nestabilna (npr. Sklona ponovnoj klasifikaciji u normalu pri praćenju).

Zaključak: Naši nalazi pružaju empirijsku podršku neuropsihološki izvedenoj operativnoj definiciji kliničkih podtipova MCI i ukazuju na važnost korištenja opsežnih neuropsiholoških procjena. Dijagnoze, osobito uključujući neamnestičke MCI, vremenom su bile promjenjive. Primjenjivost i korisnost ovog posebnog podtipa MCI -a zahtijeva daljnje istraživanje.


Dr. Sc. Maturanti


2016. Sazivi - dr. Sc. Diplomski studij psihologije
Ime. (Nadzornik, područje). Naslov diplomskog rada. Trenutno zaposlenje.

BREMNER, Nikola. (Meyer, Industrial/Organizational).  An istraga uloge obilježja društveno odgovornog poslovanja u privlačenju i zadržavanju zaposlenika. Nezavisni konzultant i istraživač u Bremner Consultingu.
CAIRD, Sara. (Martin, Clinical).  Pregled dnevnih stilova humora i zadovoljstva u odnosima u parovima za sastanke.  Therapist, Ottawa Institute of Cognitive Bihevioral Therapy.
VOJVODA, Devin. (Kohler, Bihevioralna i kognitivna neuroznanost).  Neuralna i kognitivna osnova kumulativne procjene poznavanja tijekom života. Znanstveni pisac na Diply.com, London.
Oprostite, Tara. (MacDougall-Shackleton).  Stres u razvoju i učinci na fiziološke i kognitivno-bihevioralne osobine europskih čvorkova.  Analyst, Ministarstvo obrazovanja Alberte.
McLARNON, Matej. (Rothstein, Industrijsko/organizacijsko).  Rezibilnost i dobrobit: Trajektorije promjena tijekom vremena.  Docent, Odsjek za psihologiju, Sveučilište Oakland, Michigan.
MUELLER, Aleksandra. (Timney, Bihevioral and Cognitive Neuroscience).  Effects of Motion Pattern Characteristics on Perception of Visual Acceleration.  Podoktorand, Centar za ADHD, Odjel za bihevioralnu medicinu i kliničku psihologiju, Dječja bolnica u Cincinnatiju 㺕 Medicinski centar , Ohio.
RABI, Rachel. (Minda, spoznaja i percepcija).  Kategorijsko učenje u starijoj odrasloj dobi: Razumijevanje s godinama povezanih deficita.  Podoktorand financiran od društva Alzheimer ’s, Bolnica Baycrest, Toronto.
SCHNEIDER, Travis. (Goffin, industrijsko/organizacijsko).   Mjesta za društveno umrežavanje i odabir osoblja: početna procjena valjanosti.  Menadžer službi za zapošljavanje, Kelowna Community Resources, Kelowna.
SHANAHAN, Matej. (Neufeld, Clinical).  Matematičko modeliranje upravljanja stresom putem kontrole odlučivanja.  Secijalni predavač, King's College, London. Trenutno stječe registraciju na Ontario College of Psychology za   ulazak u privatnu praksu.
VESELKA, Livija. (Vernon, Clinical).  Kada vam život daje limune, iscijedite ih u ljudskim očima: stilovi humora u prilagodljivom i neprilagođenom kontekstu.  Predavač na King's University Collegeu u Londonu.
VELIKA POŠTA, Ashley. (Saklofske, Kliničko).  Striving for Teaching Success: Enhancing Emotional Intelligence in Pre-Service Teachers.  School Psychologist (Supervised P.), Toronto Catholic District School & amp Psychologist (Supervised P.), private practice, Forest Hill CBT.
XUE, Ya. (Moran, klinički).  Čimbenici koji utječu na kontinuitet kvalitete privrženosti u ranom djetinjstvu.  IWK, Halifax.


2015. Sazivi - dr. Sc. Diplomski program iz psihologije  
Ime. (Nadzornik, područje). Naslov diplomskog rada. Trenutno zaposlenje.

BARNES, Kelly. (Esses, Social ME).  Nacionalni identitet i stavovi prema useljenicima: Uloga društvenog uspoređivanja i percepcije konkurencije.  Saradnik za zajednice i istraživač, London.
OBA, Francois. (Dozois, Clinical).  Posrednici promjena u stigmatizaciji depresije među kavkaskim i azijskim stanovništvom.  Klinički psiholog, Vancouver Coastal Health.
BUGDEN, Stephanie.(Ansari, Developmental).  Karakteriziranje trajne razvojne diskalkulije: kognitivno-neuroznanstveni pristup.  Poktorand, Odsjek za psihologiju, Sveučilište Pennsylvania.
EVRAIRE, Lyndsay. (Dozois, Clinical).  Doprinos stilova privrženosti i osvježenja u svakodnevnom raspoloženju i kvaliteti odnosa u romantičnim parovima.  Psiholog, privatna praksa, Ottawa.
KRYSKI, Katie. (Hayden, Clinical).  Biološki i kontekstualni korelati reaktivnosti kortizola u ranom djetinjstvu.  Psiholog, Orion Health Rehabilitation & amp Assessment Centers, Calgary.
LAPŠINA, Natalija. (Esses, Social ME).   Stavovi Kanađana prema useljenicima koji traže diskriminaciju pri zapošljavanju.   Profesor vanrednog istraživanja, Western Univ., London.
MARTIN, Christopher. (Kohler, Bihevioralna i kognitivna neuroznanost).  Prepoznavanje stavki specifičnih za kategoriju i medijalni temporalni režanj.   Stipendist poslijediplomskog studija, Odsjek za psihologiju, U T., Toronto.
MCDERMOTT, Rebecca. (Dozois, Clinical).  Trandijagnostička prevencija emocionalnih poremećaja: nasumično kontrolirana studija.  Psiholog, privatna praksa, Ottawa.
O'CONNOR, Kathleen. (Moran, Clinical).  Odnos veza između braće i sestara i njihove zajedničke majke: obrasci i prediktori. Klinički psiholog u bolnici za rehabilitaciju Glenrose & post-doktorand na Sveučilištu u Alberti#160.
FUNTA, Marija Sol. (Kuiper, Clinical).  Uloga emocionalne podrške u emocionalnoj dobrobiti.  Psiholog. Privatna praksa.
SANKAR, Janani. (Hampson, Clinical).  Uloga androgena u teorijama privrženosti povijesti života.  Poktorand, DBT centar u Vancouveru.
SNOWHOE, Angela. (Hinson, Clinical).  Ljestvica kulturne povezanosti i njezin odnos s pozitivnim mentalnim zdravljem među mladima prvih naroda.  Docent za pedagošku psihologiju, Sveučilište u Regini.
STANTON, Sarah. (Campbell, Social).  Prihvaćanje ponašanja koje "gura partnerove gumbe":  Predignuti i točni pokretači znanja, privrženosti i dinamike odnosa.   Predavač na Sveučilištu u Edinburghu, Škotska.
VI, Yang. (Sorrentino, društveno).  Kad objekti postanu dio sebe: učinci vlasništva i izbora na asocijacije samo-objekata.   Suradnik za istraživanje, Sveučilište u Gentu, Belgija.

Ime. (Nadzornik, područje). Naslov diplomskog rada.Trenutno zaposlenje.

BOWES, Andrea. (Katz, Cognition & amp Perception).  Društveni život metafore.  Viši stručnjak za obrazovanje na UNB -u i Sveučilištu St. Thomas.  
CONWAY, Pavao. (Olson, Social).  Proces disocijacije moralnih sudova: Pojašnjavanje psihologije deontologije i utilitarizma.  Poktorand, Sveučilište ät zu K öln, Njemačka.
DEVOLSKI OKOVI, Amanda. (Esses, Social ME).  Reakcije prema izbjeglicama: Da li jači vjernici u pravednom svijetu kompenziraju, dehumaniziraju i percipiraju izbjeglice kao više  odgovorne za njihov status?  Viši direktor istraživanja, javne politike i evaluacije, United Way velikog Kansas Cityja.
EDWARDS,Kimberly. (Martin, Clinical).  Uloga humora kao snaga karaktera u pozitivnoj psihologiji.  Poktorand, Sick Kids, Toronto.
EVANS (Dyer), Kelly. (Hampson, Bihevioralna i kognitivna neuroznanost).  Seksualna diferencijacija prefrontalnog korteksa kod ljudi:  Proučavanje bihevioralnih spolnih razlika i modulacijske uloge androgena.  PhD Research Methodologist, Numeris, Toronto.
HANCOCK, Megan. (Hoaken, Clinical).  Izvršna disfunkcija: pridonositelj podvrstama nasilja ili općeg kriminaliteta?  Registrirani psiholog, IDEAS, Calgary.
JOURAVLEV, Olessia. (Lupker, Spoznaja i opažanje).  A Bayesov model dodjeljivanja naprezanja u čitanju.  Poktorand, MIT.
JUKES (Morley), Tara. (Moran, Clinical).  Uloga ranih iskustava vezanosti u razvoju samopogleda i nove kognitivne osjetljivosti na depresiju.  Poktorand, B.C. Dječja bolnica, Vancouver.
KOHUT, Taylor. (Fisher, Social).  Ampirijsko istraživanje koncepta "pornografije".  Poktorand, Western Univ., London.
MATSUKI, Kazunaga. (McRae, Spoznaja i opažanje).  Uloge tematskog znanja u razumijevanju rečenica.  Consultant, BEworks, Toronto.
MEDIANU, Stelian. (Esses, Social ME).  Uloga medija u automatskoj dehumanizaciji izbjeglica.  Instruktor & amp  Savjetnik za istraživanje i politiku, Zapadno sveučilište.
MEINZ, Pavao. (Moran, razvojni).  Privezivanje i pažnja: Istraživanje pristranosti u pažnji koje se odnose na sigurnost privrženosti u djetinjstvu i odrasloj dobi.  Analitičar istraživanja, Cosumnes River College, Shingle Springs, CA.
TAPSCOTT, Jennifer. (Hoaken, Clinical).  U susret poboljšanom razumijevanju heterogenosti nasilja: test kliničke korisnosti reaktivno-instrumentalne distinkcije među odraslim muškim zatvorenicima.  Institucionalne službe za mentalno zdravlje, ustanova Bath.
TRINH, Daniel. (Jared, Spoznaja i opažanje).  Uloga fonološkog sloga u prepoznavanju engleskih riječi.

2013. Sazivi - dr. Sc. Diplomski program iz psihologije  
Ime. (Nadzornik, područje). Naslov diplomskog rada. Trenutno zaposlenje.

ILIC-BALAS, Tatjana. (Pepper, I/O).  Pouzdajte se u funkcionalne i disfunkcionalne organizacijske vođe: Uloga stila vodstva, emocije zaposlenika i percepcije povjerenja.  Savjetnik za organizacijsku učinkovitost u Husky Energy, Calgary.
ISAACS,  Corey. (Fisher, Social).  He Kaže, kaže: Dijadički pristup razumijevanju sigurnijeg spolnog ponašanja u intimnim heteroseksualnim odnosima.  Instruktor, King's College, London.
KRIENGWATANA, Pralle Buddhamas. (MacDougall-Shackleton, BCN).  Triming razvojnog stresa i fenotipske plastičnosti: Učinci prehrambenog stresa u različitim razvojnim razdobljima na  fiziološke i kognitivno-bihevioralne osobine zebrine zebe (Taeniopygia guttata).  Poktorand, Svetog Andrije#8217s Sveučilište, Škotska.
MAXWELL-SMITH, Matej. (Seligman, Social).  Kada (i kako) međugrupnog natjecanja i diskriminacije: razlikovanje doprinosa konkurentnih percepcija  i motivacija.  Gostujući profesor na MOS -u, Western Univ., London.
McMILLAN, Neil. (Roberts, BCN).  Kontrola stimulansa prema vremenu u golubovima.  Predvremeni instruktor, Odjel za psihologiju, Sveučilište u Alberti.
MILES,  Sarah. (Minda, spoznaja i percepcija).  Izvršne funkcije i interakcija između sustava za učenje kategorija.  Koordinator istraživanja, bolnica St. Michael, Toronto.
NADLER, Ruby. (Minda, spoznaja i percepcija).  Utjecaj raspoloženja i motivacije na kognitivnu fleksibilnost.  Leadership coach i istraživač znanstvenik, Sigma Assessments, London.
NESVJEDNO, Nadia. (Ansari, Developmental).  An Istraga o povezanosti aritmetičkih postignuća s obradom simboličke i nesimboličke veličine u djece od 5-9 godina: dokazi iz testa s papirom i olovkom.  Docent, Edukacijska psihologija, Andrews Sveučilište, Michigan.
PODNAR, David. (Martin, Clinical).  Prijateljski antagonizam u duhovitim interakcijama: istraživanja prosocijalnog zadirkivanja.  Docent, Odsjek za kliničku zdravstvenu psihu, Univ. Manitoba/psiholog osoblja, Klinika za operativne stresne ozljede, Winnipeg.
SJEMENJE, Pamela. (Dozois, Clinical).  Interpretativna pristranost u kontekstu životnog stresa i depresije: ispitivanje stvaranja stresa i dijatezno-stresnih modela.  Psiholog, Swanson, Moss, Heimpel & amp Associates, psiholozi, Waterloo, Ont. I klinički predavač na Sveučilištu u Waterloou.
TOBON, Juliana. (Reid, Clinical).  Kontinuitet skrbi u mentalnom zdravlju djece: razvoj mjere.  Direktor programa, Wellness centar za mlade, St. Joseph's Healthcare Hamilton.
VOGEL, Stephan. (Ansari, Developmental).  Kortikalno predstavljanje u osnovi semantičke obrade numeričkih simbola: dokazi iz studija za odrasle i razvoj.  Docent, Odsjek za psihologiju, Sveučilište u Grazu, Austrija.

2012. Sazivi - dr. Sc.  Diplomski program iz psihologije  
Ime. (Nadzornik, područje). Naslov diplomskog rada. Trenutno zaposlenje.

BENNETT-ABUAYYASH, Caroline. (Esses, društveni). Iskustvo vjerske pristranosti u ocjenjivanju kandidata za posao koji su se školovali u inozemstvu. Specijalist za zdravstvenu ispravnost, bolnica Mount Sinai, Toronto.
CAMPBELL, Ivan. (A. Katz, Cognition & amp Perception). Istraživanje neophodnih komponenti sarkastičnog konteksta. Vlasnik i psihološki savjetnik u Campbell Consultingu u Londonu i honorarni profesor na Western Univ. U Londonu.
CHEUNG, Irene. (J. Olson, Društveno). Namjerno uvjeravanje u sebe i opraštanje.  Docent, Sveučilišni koledž Huron, London.
DICKSON, Karen. (V. Esses, Društveno). Nisu sve predrasude jednake: različiti odgovori na suptilne i očigledne izraze predrasuda.  Viši analitičar za politiku, planiranje i istraživanje u Uredu za žensku politiku, Vlada Newfoundlanda i Labradora.
SAPERIJA OD SIVA, Naomi. (L. Swartzman, Klinika). Relativni utjecaji znanja, uvjerenja i sklonosti pacijenata na pridržavanje lijekova za prevenciju astme.  Psiholog, Klinika za rehabilitaciju pomoćne tehnologije, bolnica Baycrest, Toronto.
HASTINGS, Stephanie. (J. Finegan, Industrijsko/organizacijsko). Umjeravajući učinak uvjerenja uzajamnosti na radne rezultate.  Viši konzultant, istraživanje i vrednovanje radne snage, Zdravstvene službe Alberta, Calgary.
HOLLOWAY, Ian. (D. Ansari, Razvojni). Simbolizirajući broj: fMRI istraživanja semantičkih, slušnih i vizualnih korelata hindu-arapskih brojeva.  Yoga instruktor u Moksha Yogi, Halifax.
HSIAO, Celia. (G. Moran, Razvojni). Moć dijaloga: Razumijevanje razvojnih podrijetla i procesa koji leže u osnovi razgovora majke i djeteta o prošlim emocionalnim događajima.  Menadžer istraživanja u Save the Children Južna Afrika, Pretorija, Južna Afrika.
JORDAN, Patrica. (B. Morton, Klinička). Pojedinačne razlike u temperamentu i kognitivnim predrasudama u srednjem djetinjstvu: ranjivost na internaliziranu psihopatologiju. Psiholog, Institut za resurse za djecu i roditelje (CPRI), London.
KAM, Chun Seng Chester. (J. Meyer, Industrijsko/organizacijsko). Uloga valencije u debati o konstrukciji dimenzionalnosti.  Docent, Pedagoški fakultet, Sveučilište u Macau.
LEE, Vivien. (P. Hoaken, Klinička). Fleksibilnost u interakcijama roditelj-dijete: primjena metodologije dinamičkih sustava na dijadske procese u djece s problemima u ponašanju.  Psiholog, Centar za ovisnost i mentalno zdravlje, Toronto.
LEITE, Katarina. (N. A. Kuiper, Klinička). Model samoregulacije depresije: sadržaj kognitivnih prikaza i predviđanje traženja lijeka.  
MALTIN, Elyse. (J. Meyer, Industrijsko/organizacijsko). Posvećenost radnom mjestu i dobrobit zaposlenika: meta-analiza i proučavanje profila predanosti.  Consultant, JMW Consultants, Toronto.
McINNIS, Kate. (J. Meyer, Industrijsko/organizacijsko). Psihološki ugovori na radnom mjestu: Projekt dizajna miješanih metoda.  Specijalist za učenje i razvoj vodstva, Marathon Health, Winooski, Vermont.
PEDEDEN, Vanesa. (P. Hoaken, Klinika). Kognitivni, emocionalni i bihevioralni korelati u djece s psihopatskim osobinama.  Psiholog, službe za podršku učenju, školski odbor okruga Thames Valley, London.
ROSS, Erin. (P. Hoaken, Klinika). Postoje li popravni rehabilitacijski programi usmjereni na prekršaje koji utječu na izvršne kognitivne funkcije zatvorenika.  Psihološka pripravnica u zdravstvenom sustavu Henry Ford, Detroit.
UTRLJATI, Harris. (L. Campbell, društveno). Uključujući fitnes, uzajamni altruizam i emocije: Testiranje društveno-funkcionalnog modela bijesa i zahvalnosti u rodbinskim i ne-rodbinskim odnosima. Pomoći. profesor na Sveučilištu Mount Royal, Calgary, Alberta.
TAYLOR, Olusore Anita. (N. Allen, Industrijsko/organizacijsko). Učinci kulture na kontraproduktivna radna ponašanja: meta-analiza. Viši istraživač, Fanshawe College, London.

2011. Sazivi - dr. Sc.  Diplomski program iz psihologije
te diplomski program iz neuroznanosti s nadzornicima psihologije  
Ime. (Nadzornik, područje). Naslov diplomskog rada. Prvo zaposlenje.

BATTISTA , Michael. (Vernon, Osobnost i mjerenje). Voli li itko zaista horor filmove? Osobnost i automatske efektne reakcije na zastrašujuće filmove. Analitičar istraživanja, InfoTech Research Group, London, Ontario.
KUGLICE , Ben. (Kohler, Neuroznanost). Doprinosi mehanizama za otkrivanje signala i predstavljanja semantičke memorije. Postdoktorand, Odsjek za psihologiju, Sveučilište Stanford, Stanford, Kalifornija.
BROCHU , Paula. (Esses, društveni). Paradoks predrasuda (ili diskriminacija nije mrtva): sustavna diskriminacija u odlukama o zapošljavanju prisilnog izbora. Postdoktorand, Odsjek za psihologiju, Sveučilište Yale, New Haven, Connecticut.
TORBAR , Brendan. (Corneil, Neuroznanost). Kontekstualna kontrola orijentacije pomaka pogleda očiju i ruku u majmuna.
TORBAR , Craig. (Goodale, Bihevioralna i kognitivna neuroznanost). Mentalni blokovi: Učinci ponašanja i neuronsko kodiranje prepreka pri dosezanju i hvatanju. Postdoktorand, Odsjek za psihologiju, Sveučilište British Columbia, Vancouver, BC.
COULOMBE , Aimee. (Reid, klinički). Roditeljstvo u ponoć: Mjerenje razmišljanja i strategije roditelja kako bi pomogli maloj djeci da prespavaju cijelu noć. Postdoktorski istraživač, Centar za istraživanje pedijatrijske boli, Sveučilište Dalhousie, Halifax, NS.
DUMAS , Tara M. (Zarbatany, Razvojni). Promatračka procjena doprinosa vršnjačkih skupina za postdoktorski suradnik Odjela za društvena i epidemiološka istraživanja, CAMH, London, Ontario.
HAMILTON , Leah K. (Esses & amp Finegan, Industrial/Organizational). Model percipirane podzaposlenosti među useljenicima u Kanadi.
LACKENBAUER , Sandra. (Campbell, društveno). Osjećam li nesklad zbog tebe? Rodne razlike u iskustvu disonance za romantične partnere. Instruktor, Fanshawe College, London, Ontario.
LAZAR , Noah. (Cain, Clinical). Učinci gena prolin dehidrogenaze i receptora retikulon-4 na razvoj shizofrenije Psiholog, privatna praksa, Toronto, Ontario.
LEBEL , Etienne. (Gawronski, Društveno). Korisnost i izvedivost metričke kalibracije za temeljna psihološka istraživanja. Postdoktorand, Odsjek za psihologiju, Sveučilište Western Ontario, London, Ontario.
LEWIS , Rhys. (Goffin & amp Gawronski, Industrial/Organizational). Istraživanje razdvajanja procesa alat za istraživanje diskriminacije u situacijama zapošljavanja. Izdavač testa, Research Psychologists Press, London, Ontario.
MASAK , Agnes A. (Hinson, klinička). Korištenje kapaciteta kao pokazatelj automatske obrade: Je li pušenje automatsko? Privatna praksa, London, Ontario.
O'CONNOR , Christopher. (McRae, Spoznaja i percepcija). Uzročnost i sličnost u autobiografskoj strukturi događaja: istraživanje pomoću označavanja događaja i latentne semantičke analize. Istraživački analitičar, InfoTech Research Group, London, Ontario.
O'NEILL , Thomas. (Allen, Industrial/Organizational). Integrativni model upravljanja sukobima i sukobima u organizacijskim radnim timovima. Docent, Sveučilište u Calgaryju, Calgary, Alberta.
PERI , Jason. (Lupker, Spoznaja i percepcija). Istraživanje maskiranih mehanizama punjenja u zadacima binarne klasifikacije.
PETERS , Kurt R. (Gawronski, Društveno). Rezbarenje spoznaje na svojim spojevima: uvidi iz interakcije između eksplicitne i implicitne društvene spoznaje. Docent, Sveučilište Norwich, Northfield, Vermont.
ROSS , Sarah J. (Allen, Industrial/Organizational). Analiza društvenih odnosa transaktivne memorije u grupama. Predavač, Odsjek za psihologiju, Sveučilište Western Ontario, London, Ontario.
SHULTZ , Sandy Richard Clarence. (Cain, Neuroznanost). Ozljeda udarom tekućinom kod štakora kao životinjski model potresa mozga: kumulativni učinci ponavljanog potresa mozga i njegovo liječenje antitijelom protiv CD11d.
SNIHUR , Adrian. (Hampson, Neuroznanost). Seksualna diferencijacija u slušnom sustavu: istraživanje prenatalnih i odraslih spolnih steroidnih utjecaja na otoakustične emisije. Analitičar, SHI Consulting, Toronto, Ontario.
VALYEAR , Kenneth. (Culham, Neuroznanost). Opažanje susreće djelovanje: fMRI i bihevioralna istraživanja uporabe ljudskih alata. Postdoktorand, Odsjek za psihologiju, Sveučilište Oregon, Eugene, Oregon, SAD.
VOSKAR , Matej. (Morton, razvojni). Odvojive i dinamičke komponente kognitivne kontrole: razvojno elektrofiziološko istraživanje.
WILBUR , Chris. (Campbell, društveno). Ocjenjivanje omota prema njihovim knjigama: ocjene prigodne privlačnosti kao odgovor na povratnu informaciju o pripadnosti. Docent, Odsjek za psihologiju, Sveučilište Wisconsin - Marathon County, Wausau, WI

Jesen 2009., proljeće i jesen 2010. Sazivi - dr. Sc. Diplomski studij psihologije
te diplomski program iz neuroznanosti s nadzornicima psihologije  
Ime. (Nadzornik, područje). Naslov diplomskog rada. Prvo zaposlenje.

MOŽE, Jonathan. (M. Goodale, Neuroznanost). fMRI i bihevioralna istraživanja obrade oblika i svojstava površine u percepciji objekata. Postdoktorand, Laboratorij znanosti o viziji, Odsjek za psihologiju, Sveučilište Harvard, Cambridge, Massachussets.
CARRASCO, Andreas. (S. Lomber, Neuroznanost). Funkcionalne interakcije između polja u slušnoj kori. Postdoktorand, Laboratorij za cerebralne sustave, Odsjek za psihologiju, Sveučilište Western Ontario, London, Ontario.
FEENEY, Miranda. (W. A. ​​Roberts, Bihevioralna i kognitivna neuroznanost). Mentalno putovanje kroz vrijeme u odraslih Chickadees s crnim kapicama (Poecile Atricapillus).
FRIESEN, Deanna. (D. Jared, Spoznaja i percepcija). Semantička aktivacija u dvojezičnom vizualnom prepoznavanju riječi. Predavač na Sveučilištu Western Ontario, London, Ontario.
JACKSON, Timoteja. (J. Meyer, Industrijsko/organizacijsko). Vodstvo, predanost i kultura: meta-analiza.Management Consulting, Jackson Leadership Systems, Toronto, Ontario.
KLEIN, Dana Ruzicka. (N. A. Kuiper, Klinička). Stilovi humora: uporaba, utjecaj i odnos prema kognitivnim procjenama. Privatna praksa, London, Ontario.
LAWSON, Andrea. (V. Esses, Društveno). Udruga useljenika s bolestima: uzroci i posljedice.
LEWIS, Rhys. (R. Goffin & amp. B. Gawronski, Industrial/Organizational). Istraživanje razdvajanja procesa alat za istraživanje diskriminacije u situacijama zapošljavanja. Vlasnik malih poduzeća, Britanska Kolumbija.
MCINTYRE-SMITH, Aleksandra. (W. A. ​​Fisher, Klinička). Razumijevanje ženskog orgazma: informacije-motivacija-analiza bihevioralnih vještina. Psiholog, Klinika za operativne stresne ozljede, Program za brigu o veteranima, London, Ontario.
SZETO, Andrija. (R. Sorrentino, društveno). Međukulturalni test teorije orijentacije na neizvjesnost: izvedba kao funkcija orijentacije na neizvjesnost i motivi povezani s postignućima u Kanadi i Japanu. Istraživač suradnik, Odsjek za psihologiju, Sveučilište Western Ontario, London, Ontario.
WARD, Jennie. (R. Martin, Klinika). Interpersonalne uporabe humora i dobrobiti psiholog, Edmonton, Alberta.

Jesen 2008., proljeće 2009. Sazivi - dr. Sc. Diplomski studij psihologije
te diplomski program iz neuroznanosti s nadzornicima psihologije  
Ime. (Nadzornik, područje). Naslov diplomskog rada. Prvo zaposlenje.

BARZEL, Mor. (G. Reid, Klinička). Roditeljstvo nad djetetom s dijabetesom: odnos između su-roditeljstva i prilagodbe djeteta. Pedijatrijski psiholog, Dječja bolnica Stollery, Edmonton, Alberta.
MESAC, Bethany. (L. Campbell, društveno). Promjene privrženosti odraslih tijekom vremena: učinci pozitivnog i negativnog međuljudskog ponašanja. Istraživački analitičar u Infotech Research Group u Londonu, Ontario.
PROMJENI, Janet. (X. Chen, Razvojni). Društveno funkcioniranje vršnjačke skupine: kontekstualni učinci na društvenu, školsku i psihološku prilagodbu kineske djece. Istraživač suradnik, psihologija, Sveučilište Western Ontario, London, Ontario.
KOTROS, Nikola. (P. Gribble, Neuroznanost). Učenje više motoričkih vještina. Student medicine, Medicinski fakultet Sveučilišta MacMaster.
PORAZE, Amy. (M. Joanisse, Spoznaja i opažanje). Fonologija u vremenskom tijeku prepoznavanja izgovorenih riječi: njezina uloga u tipičnom razvoju i disleksiji. Postdoktorski znanstveni suradnik, Laboratorij za razvojne kognitivne neuroznanosti, Sveučilište Northwestern, Evanston, Illinois.
EVANS, Elspeth. (D. Pederson, Clinical). Razumijevanje majčinske traume. Psiholog, Savjetovalište Centra za razvoj studenata, Sveučilište Western Ontario.
FORBES, Lindsey. (G. Moran, Klinika). Izrazi neorganizirane privrženosti izvan čudne situacije: prethodnici i korelati u naturalističkom i eksperimentalnom kontekstu. Klinički psiholog, obrazovne usluge Riverside (privatna praksa), London, Ontario.
FREWEN, Pavao. (D. Dozois, Klinički). Svijest, izražavanje i odgovor na emocije u posttraumatskom stresnom poremećaju. Docent, Odsjeci za psihijatriju i psihologiju, Sveučilište Western Ontario.
FUDGE, Melisa. (K.-P. Ossenkopp & amp M. Kavaliers, Neuroznanost). Modulatori receptora estrogena proizvode kondicioniranje okusa. Postdoktorand, odsjek za fiziologiju, Sveučilište Queens.
HAWKINS, Erinn. (G. Moran, Klinika). Ponovno pregledani interni radni modeli: prema razvoju reprezentativne mreže vezanosti. Klinički psiholog, Alberta Health Services.
HUSSEY, Karen. (A. Katz, Spoznaja i percepcija). Kad je profesor suh umjesto dosadnog: metaforički jezik i rod u diskursu. Predavačica psihologije na Sveučilištu Western Ontario, London, Ontario.
KLAMMER, Radost. (N. Allen, Industrijsko/organizacijsko). Heterogenost površinske i duboke razine u timovima: istraživanje moderatora vremena kontakta i samonadzora. Kanadska vojska, Kingston, Ontario.
MCNORGAN, Chris. (K. McRae, Spoznaja i percepcija). Integriranje konceptualnog znanja unutar i između reprezentativnih modaliteta. Postdoktorand, Odsjek za komunikacijske znanosti i poremećaji u razvoju, Sveučilište Northwestern, Evanston, Illinois.
PARFYONOVA, Natalija. (J. Meyer, Industrijsko/organizacijsko). Motivacija, uspješnost i dobrobit zaposlenika: uloga menadžerske podrške za potrebe autonomije, kompetentnosti i povezanosti. Analitičar istraživanja, Grupa za sustave ljudskih resursa, Ottawa, Ontario.
QUINLAN, Derek. (J. Culham, Neuroznanost). Kinematika zahvata i zahvata koji zahvaćaju usta. Predavač i voditelj istraživačkog projekta, Odsjek. psihologije, Sveučilište Zapadni Ontario.
SHANLEY, Dianne C. (G. Reid, Clinical). Predstavljanje roditelja o problemima mentalnog zdravlja djece: razvoj mjere samoizvještavanja. Docent, psihologija, Sveučilište New England, Armidale, Australija.
WANG, Xiaohua Frank. (J. Howell, Industrijsko/organizacijsko). Istraživanje učinaka transformacije vodstva na dvije razine na sljedbenike i temeljne procese utjecaja. Predavač, Grant MacEwan College, Edmonton, Alberta.
WOYCHESHIN, David. (R. Goffin, Industrijsko/organizacijsko). Testiranje dimenzionalnosti ponašanja organizacijskog građanstva i kontekstualnog učinka pomoću ocjena samih sebe, vršnjaka i nadzornika Canadian Military, Victoria, BC.

Sazivi za jesen 2007. i proljeće 2008. - dr. Sc. Diplomski studij psihologije
te diplomski studij iz neuroznanosti sa supervizorima psihologije
Ime. (Nadzornik, područje). Naslov diplomskog rada. Prvo zaposlenje.

BEISSEL, Klara. (D. Wolfe, Klinička). Zapažanja zanemarenih majki i njihove djece: prema razumijevanju majčinskih atributa. Psiholog, privatna praksa, London, Ontario.
BOMAN, Jennifer. (H. Murray, Obrazovno). Ishodi programa osposobljavanja za asistenta u nastavi. Predavač na Sveučilištu King ’s, London, Ontario.
BRINKER, Jaylene. (D. Dozois, Klinički). Dispozicijsko premišljanje i depresivno raspoloženje. Docent, Škola psihologije, Australsko nacionalno sveučilište, Canberra, Australija.
CANN, David. (A. Katz, Spoznaja i percepcija). Određivanje i ispitivanje komponenti suštine koje doprinose lažnom pamćenju. Predavač, King ’s University College i University of Western Ontario, London, Ontario.
CHAN, Alan. (L. Swartzman, Klinika). Radni savez kao konceptualni okvir usmjeren na pacijenta: razvoj inventara radnog saveza primarne zdravstvene zaštite. Postdoktorand, Odsjek za psihologiju, bolnica Baycrest, Toronto, Ontario.
COVIN, Roger. (D. Dozois, Klinički). Promjena organizacije samo-sheme primjenom postupka procjene uvjetovanja. Psiholog, klinika, London, Ontario.
FAZAKAS-DEHOOG, Laura. (D. Dozois, Klinički). Integrativni kognitivni model samoubilačkog mišljenja i ponašanja. Psiholog, psihijatrijska bolnica St. Thomas, St. Thomas, Ontario i predavač, odsjek za psihologiju, Sveučilište Western Ontario, London, Ontario.
HAIGH, Corinne. (D. Jared, Spoznaja i percepcija). Dvojezično ’s aktiviranje fonoloških prikaza iz tiskanih riječi. Postdoktorand, Centar za istraživanje jezika, uma i mozga, Sveučilište McGill, Montreal, Quebec.
HAYNES, Graeme. (D. Olson, društveno). Istraživanje dinamike preopterećenja izbora. Postdoktorand, Odsjek za psihologiju, Sveučilište Cornell, Ithaca, New York.
HERNANDEZ-SMITH, Aleksandra. (S. MacDougall-Shackleton, Bihevioralna i kognitivna neuroznanost). Razvoj preferencija za geografsku pjesmu i neuronski odgovori na ptice ptice ptice lokalne geografske pjesme. Postdoktorand, Lab. Ecologie et Neuro-Ethologie Sensorielles, Universit é Jean Monnet, Francuska.
HONG, Ryan Yee-Shiun. (S. Paunonen, Osobnost i mjerenje). Ranjivosti osobnosti u psihopatologiji: istraživanje odnosa između struktura osobina i društveno-kognitivnih procesa. Docent, Odsjek za psihologiju, Nacionalno sveučilište u Singapuru, Singapur.
ZADAVAC, Jennifer. (D. Sherry, Neuroznanost). Predavač, Odsjek za psihologiju, Sveučilište Western Ontario, London, Ontario.
KIELAR, Aneta. (M. Joanisse, Spoznaja i opažanje). Reprezentacija jezika u mozgu: bihevioralna i slikovna istraživanja engleske morfologije prošlog vremena. Postdoktorski znanstveni suradnik, Laboratorij za razvojne kognitivne neuroznanosti, Sveučilište Northwestern.
PETERMAN, Andrea. (W. A. ​​Fisher, Klinička). Savjetovanje o prevenciji spolno prenosivih bolesti koje je započeo liječnik: usmjeravanje žena na dosezanje parova Psiholog. Oakville Centar za kognitivnu terapiju, Oakville, Ontario.
POWELL, Deborah. (R. Goffin, Industrijsko/organizacijsko). Procjena osobnosti u intervjuu za zapošljavanje: utjecaj obuke ocjenjivača i individualne razlike na točnost ocjenjivanja. Docent, Odsjek za psihologiju, Sveučilište St. Mary ’s, Halifax, Nova Škotska.
ROBERTSON, Erin. (M. Joanisse, Spoznaja i opažanje). Odnos između disleksije i specifičnih jezičnih oštećenja: višestruki nedostaci fonološke obrade. Postdoktorand, Odsjek za psihologiju, L ’Universit é du Qu ébec à Montr éal, Montreal, Quebec.
TENK, Christine. (K.-P. Ossenkopp & amp M. Kavaliers, Neuroznanost). Učinci neonatalnog LPS -a na ponašanje odraslih. Postdoktorand, Odsjek za fiziologiju i farmakologiju, Sveučilište Western Ontario i honorarni predavač, Odjel društvenih znanosti, Sveučilišni koledž Brescia, London, Ontario.
TSE, Hennis. (X. Chen, Razvojni). Viktimizacija i prilagođavanje vršnjaka: Ublažavanje učinaka društvenog funkcioniranja, etničke pripadnosti i imigracijskog statusa. Školski psiholog, školski odbor okruga York, Ontario.

Sazivi za jesen 2006. i proljeće 2007. - doktorat  Diplomski program iz psihologije  
i   Diplomski studij iz neuroznanosti sa supervizorima psihologije  
Ime. (Savjetnik, područje ili program). Naslov diplomskog rada. Prvo zaposlenje.

BOKSMAN, Kristine. (R. W. J. Neufeld, Psihologija: klinička). Istraživanje učinkovite povezanosti u shizofreniji pomoću funkcionalne magnetske rezonancije i zadaća prepoznavanja Sternbergovih stavki. Psiholog, program psihoze rane intervencije, bolnica Hotel Dieu, Kingston, Ontario.
DESOUZA, Amanda. (X. Chen, Psihologija: razvojna). Inhibicija i iskustvo djetinjstva u kontekstu interakcija s vršnjacima Psihoobrazovni savjetnik, Toronto Catholic Districk School Board, Toronto, Ontario.
HEATHCOTE, Joanna. (J. Meyer, Psihologija: industrijska/organizacijska). Predviđanje poštenog ponašanja: Korištenje empatije za razumijevanje proceduralne i interakcijske pravde menadžera. Predavač, Odsjek za menadžment, Sveučilište u Torontu u Scarboroughu, Toronto, Ontario.
ZADAVAC, Jennifer. (D. Sherry, Neuroznanost). Sezonska neuroplastičnost u odraslih čikada s crnim kapicama. Predavač, Odsjek za psihologiju, Sveučilište Western Ontario, London, Ontario.
KAN, Sarah. (B. Timney, Neuroznanost). Učinak alkohola na vizualnu vremensku obradu. Postdoktorand i predavač, Odsjek za psihologiju, Sveučilište Western Ontario, London, Ontario.
LATTANZIO , Sara. (D. Sherry, Psihologija: bihevioralna i kognitivna neuroznanost). Spolne i sezonske razlike u smeđeglavih krava. Porodiljni dopust.
MADIGAN, Šeri. (D. Pederson, Psihologija: klinička). Istraživanje korelata i razvojnih posljedica anomalnog majčinskog ponašanja i neorganiziranih odnosa privrženosti. Postdoktorski istraživač, Centar za ovisnost i mentalno zdravlje (CAMH), Toronto, Ontario.
MIHIĆ, Ljiljana. (V. Esses, Psihologija: klinička). Ranjivost osobnosti i procesi stresa. Privatna praksa, Srbija.

Sazivi za jesen 2005. i proljeće 2006. - dr. Sc. Diplomski studij psihologije i neuroznanosti
Ime. (Savjetnik, područje). Naslov diplomskog rada. Prvo zaposlenje.

ANGLIN-BODRUG, Kristin. (H. Murray, Obrazovno). Ocjenjivanje učenika nastavnika u srednjoj školi: točnost ocjenjivanja, formativne povratne informacije i istodobna valjanost. Psiholog, školski odbor okruga Thames Valley, London, Ontario, Kanada.
BOISVERT, Michael. (D. Sherry, Bihevioralna i kognitivna neuroznanost). Mjerenje intervala od strane bumbara, bombus impatiens. Predavač, odsjek za psihologiju, Sveučilište Western Ontario, London, Ontario.
DUTRIZAC, Gwen Larsen. (Martin, Klinika). Kad tko jesam uključuje bliske odnose: ispitivanje uloge relacijske samokonstrukcije u društvenoj i emocionalnoj dobrobiti. Privatna praksa s grupom psihologa, Waterloo, Ontario.
ELLIS, Wendy Belbin. (Zarbatany, Razvojni). Status grupe vršnjaka kao moderator grupnog utjecaja na ponašanje i stavove djece. Postdoktorand, CAMH Centar za znanost o prevenciji, London, Ontario.
FRANJO, Karen. (Wolfe, Klinička). Kognitivni i afektivni čimbenici među očevima koji zlostavljaju i koji ih ne maltretiraju. Psiholog, bolnica Chedoke-McMaster, Hamilton, Ontario.
Škrga, Harjinder. (Finegan, industrijsko/organizacijsko). Reakcija na nepravdu: razvoj i potvrđivanje mjere. Docent, Odsjek za psihologiju, Sveučilište Guelph, Guelph, Ontario, Kanada.
GILLESPIE, Joanne. (Rollman, Clinical). Uloga temperamenta u dječjeg predictina, iskustvo i prisjećanje imunizacijske boli. Pedijatrijski psiholog, Dom zdravlja IWK, Halifax, Nova Škotska.
KIRŠ, Gillian. (Kuiper, Klinička). Generiranje i recepcija humora: Odnosi sa samopoimanjem i dobrobiti. P/T psiholog na školskom odboru Toronto District, bolnici St. Joe's u Hamiltonu i istraživanju u bolnici za bolesnu djecu, Toronto, Ontario.
REGRUTOVATI, Lawrence. (Neufeld, Klinička). Empirijska instalacija teorijskog modela kaosa i suočavanja sa stresom: Dokazi o "rubu kaosa" putem elektroničke ekološke trenutne procjene. Privatna praksa, Toronto, Ontario.
MCKENZIE, Tammy. (Roberts, Bihevioralna i kognitivna neuroznanost). Uloga varijabilnosti kategorije i percepcijske sličnosti u kategorizaciji golubova. Docent, Sveučilište Brandon, Brandon, Manitoba.
SHUPER, Pavao. (Fisher, društveno). Nezaštićen spolni odnos među HIV seropozitivnim homoseksualcima i biseksualnim muškarcima: uloga spolnog uzbuđenja, partnerske karakteristike i virusno opterećenje HIV -om. Docentica istraživačica, Centar za zdravlje/Intervenciju i prevenciju HIV -a, Sveučilište Connecticut, Storrs, Connecticut.
STELZL, Monika. (Seligman, društveni). ZBIRANJE: Strateško korištenje dvojnih društvenih identiteta drugog. Docent, Odsjek za psihologiju, Sveučilište St. Thomas, Fredericton, NB.
TAYLOR, Tamsen. (Lupker, Spoznaja i percepcija). Kritična uloga percepcije vremena u ubrzanom reagiranju. Konzultant, Humansystems Inc., Guelph, Ontario.
VEENVLIET, Scott. (Seligman, društveni). Razvoj vjere u prirodu i postojanje zle ljestvice. Docent za psihologiju, Sveučilište i sjemenište Tyndale University, Toronto, Ontario.


Sazivi za jesen 2004. i proljeće 2005. - dr. Sc. Diplomski studij psihologije
Ime. (Savjetnik, područje). Naslov diplomskog rada. Prvo zaposlenje.

ČIPMAN, Karen. (E. Hampson, Bihevioralna i kognitivna neuroznanost). Spolne razlike u praktičnoj funkciji udova djece i odraslih. Neuropsiholog, bolnica Nova Scotia, Dartmouth, Nova Škotska.
HILDYARD, Kathryn. (D. Wolfe, Klinička). Istraživanje kognitivnih mehanizama i procesa na kojima se temelji zanemarivanje skrbi. Psiholog, privatna praksa, Oakville, Ontario.
JONES, Kevin. (G. Rollman, Klinika). Selektivna pristranost pozornosti za eksperimentalno izazvanu bol. Psiholog, Jedinica za upravljanje kroničnom boli Chedoke bolnica, Hamilton, Ontario.
KOSTER-BAIER, Andrea. (L. Swartzman, Klinika). Prediktori roditeljskog zbrinjavanja dječje boli nakon dječje ambulantne kirurgije. Psiholog, Halton Služba za djecu i mlade, Burlington, Ontario.
KRAJEWSKI, Henryk. (R. Goffin, Industrijsko/organizacijsko). Razvoj i validacija pristupa Suočavanje s ljestvicama učinkovitosti: predviđanje kvalitete za radni vijek i prilagodljive ishode. Savjetnik za vodstvo, Jackson Leadership Systems, Inc., Toronto.
VLAST, Tara. (L. Swartzman, Klinika). Odluka o genetskom testiranju na BRCA1/2 u uzorku zajednice aškenazijskih židovskih žena: suočavanje s rizikom od raka ili s predviđenim emocijama. Postdoktorand, Kanadsko društvo za borbu protiv raka, Calgary.
PUHLIK-DORIS, Patricia. (R. Martin, Klinika). Upitnik o stilovima humora: Istraživanje uloge humora u psihološkoj dobrobiti. Docent, Odsjek za psihologiju, King's College, London, Ontario.
STANLEY, David. (J. Meyer, Industrijsko/organizacijsko). Mjerenje utjecaja s dvodimenzionalnim krugom: odabir prave rotacije. Docent, Odsjek za psihologiju, Sveučilište Guelph, Guelph, Ontario.

Sazivi za jesen 2004. i proljeće 2005. - dr. Sc. Diplomski studij iz neuroznanosti - studenti sa savjetnikom Fakulteta psihologije

PREKRASNI MELLOR, Shelley. (K.-P. Ossenkopp & amp M. Kavaliers). Učinci ponašanja hranjenja LPS -om i LiC1 -om. Postdoktorand, Odsjek za psihologiju, Sveučilište Wilfrid Laurier, London, Ontario.
KROLICZAK, Greg. (M. Goodale.) Percepcijski i semantički znakovi odozgo prema dolje i vizualna kontrola dosezanja i hvatanja. Postdoktorand, Grupa za akciju i percepciju CIHR -a, Sveučilište Western Ontario, London, Ontario.

Sazivi za jesen 2003. i proljeće 2004. - dr. Sc. Diplomski studij psihologije
Ime. (Savjetnik, područje). Naslov diplomskog rada. Prvo zaposlenje.

BAILEY, Heidi. (G. Moran, Klinika). Povezanost između povijesti zlostavljanja u djetinjstvu, neriješene privrženosti i simptoma traume u uzorku visokorizičnih majki. Docent, Odsjek za psihologiju, Sveučilište Guelph, Guelph, Ontario.
DJEČAKI, Kathleen. (J. Howell, Industrijsko/organizacijsko). Utjecaj vodstva, mentalnih modela timskog rada i utjecaj na povjerenje u tim te percepciju timske izvedbe i održivosti. Docent, Poslovna škola John Molson, Sveučilište Concordia, Montreal, Quebec.
CARSWELL, Julie. (S. Pepper, Industrijsko/organizacijsko). Osiguranje predanosti višeg menadžmenta organizacijskim promjenama: uloga strategija utjecaja. Konzultantska tvrtka za upravljanje, Toronto, Ontario.
GOLDBERG, Esther. (P. A. Vernon, Obrazovno). Doprinos ponašanja savjetnika mjerilima uspjeha i zadovoljstva diplomiranih studenata. Psiholog za obrazovanje, Školski odbor okruga Thames Valley, London, Ontario.
HERSCOVITCH, Lynne. (J. Meyer, Industrijsko/organizacijsko).Otpor organizacijskim promjenama: ka višedimenzionalnoj konceptualizaciji. Independent Management Consulting Practice, Toronto, Ontario.
JELLEY, R. Blake. (R. Goffin, Industrijsko/organizacijsko). Rater Personality i Performance-Evaluation Leniency. Jedinica za istraživanje i vrednovanje, Policijski fakultet Ontario, Aylmer, Ontario.
JETTE, Jennifer. (R.W.J. Neufeld, Kliničko). Empirijska provjera šestodimenzionalnog nelinearnog dinamičkog sustava naprezanja i suočavanja. Psiholog, ustanova za sigurno liječenje, Hull Child & amp Family Services, Calgary, Alberta.
LIU, Mowei. (X. Chen, Razvojni). Autonomija nasuprot roditeljskom ponašanju usmjerenom na povezanost kod majki Kineza i Kanađanke. Docent, Odsjek za psihologiju, Sveučilište Trent, Peterborough, Ontario.
RUŽA, Kristofer. (R. Martin, Klinika). Utjecaj raspoloženja na dostupnost i važnost regulatornog cilja fokusiranja. Klinički psiholog, privatna praksa, Toronto, Ontario.  

Sazivi za jesen 2003. i proljeće 2004. - dr. Sc. Diplomski studij iz neuroznanosti - studenti sa savjetnikom Fakulteta psihologije

KONONLJIVO, Jason. (M. Goodale.) Neuronski korelati pripremnog skupa. Postdoktorand, Odsjek za biologiju, Kalifornijski tehnološki institut.

Sazivi za jesen 2002. i proljeće 2003. - dr. Sc. Diplomski program iz psihologije  
Ime. (Savjetnik, područje). Naslov diplomskog rada. Prvo zaposlenje.

CLOW, Kimberley. (V. M. Esses, društveno). Osporavanje sveprisutnosti spolnih i rasnih kategorizacija: Gledajući mentalnu reprezentaciju poznatih drugih. Predavač na Sveučilištu Western Ontario, London, Ontario.
CREE, George. (K. McRae, Spoznaja). Istraživanje čimbenika na kojima se temelji struktura i izračunavanje značenja konkretnih imenica: ograničenja nametnuta semantičkim deficitima specifičnim za kategoriju. Postdoktorand, Odsjek za psihologiju, Sveučilište Britanska Kolumbija.
HECHT, Tracy Doreen. (N. J. Allen, Industrijsko/organizacijsko). Osobina i posao prilagođena dimenziji polikroniciteta: ispitivanje veza s dobrobiti i učinkom. Docent, Poslovna škola I. H. Asper, Sveučilište u Manitobi, Winnipeg, Manitoba.
HONG, Sungjin. (R. A. Harshman, Mjerenje). Metode faktorske analize korisne za rotacijske i dimenzijske neodređenosti. Postdoktorand, Offordski centar za dječje studije, Hamilton Health Sciences, Sveučilište McMaster, Hamilton, Ontario.
JANES, Leslie. (J. M. Olson, društveno). Učinak ciljeva na samoocjenjivanje naspram samozaštite. Docent, Sveučilišni koledž Brescia, London, Ontario.
MacDONALD, Pavao. (S. V. Paunonen, Mjerenje). Računalni adaptivni test za mjerenje faktora osobnosti pomoću teorije odgovora stavke. Viši konzultant, Strategije procjene uključene, Ottawa, Ontario.
MASGORET, Anne-Marie. (R. C. Gardner, Osobnost). Ispitivanje međukulturne prilagodbe i utjecaj nastavnika stranih jezika na postignuća drugog jezika. Postdoktorski suradnik, Škola psihologije, Sveučilište Victoria u Wellingtonu, Novi Zeland.
McCARTHY, Julie. (R. D. Goffin, Industrijsko/organizacijsko). Anksioznost podnositelja zahtjeva i intervju za zapošljavanje: razvoj novog područja. Docent, Odsjek za menadžment, Sveučilište u Torontu u Scarboroughu, Scarborough, Ontario.
LIVADE, Ken N. (L. Zarbatany, razvojni). Agencija i zajedništvo: Višestruki ili jedinstveni konstrukti. Studentski savjetnik za tranziciju, Centar za nove studente, Sveučilište Western Ontario, London, Ontario.
NOWICKI, Elizabeta. (R. Sandieson, Obrazovno). Analiza razvoja negativnih predrasuda o djeci prema djeci s poteškoćama u učenju. Docent, Pedagoški fakultet Sveučilišta Western Ontario, London, Ontario.
PRATT, Adelle. (R. A. Martin, Klinička). Odnosi između prikaza privrženosti odraslih, utjecajne regulacije i izražavanja utjecaja u bračnim odnosima. Klinički psiholog, bolnica, Halifax, Nova Škotska.

Sazivi za jesen 2002. i proljeće 2003. - dr. Sc. Diplomski studij neuroznanosti sa savjetnikom na Fakultetu psihologije

JOHNSTON, Kevin. (B. Timney). Učinci etanola na mjere lateralne inhibicije. Postdoktorand, Sveučilište Western Ontario, London, Ontario.

Sazivi u proljeće 2002. -  Ph.D. Diplomski studij neuroznanosti sa savjetnikom na Fakultetu psihologije

JAMES, Thomas W. (M. Goodale, Bihevioralna i kognitivna neuroznanost). Karakteristike odgovora fMRI odgovora regija mozga za obradu objekata. Istraživač suradnik, Vanderbilt Vision Research Group, Odsjek za psihologiju, Sveučilište Vanderbilt, Nashville, Tennessee.

Sazivi za jesen 2000. i proljeće 2001. - dr. Sc. Diplomski studij psihologije

BAXTER, Bruce. (R. Hinson, Klinička). Je li pušenje automatsko? Uloga pažnje i namjere u ponašanju pušenja. Psiholog, Saskatoon, Saskatchewan.
CARTER, Jeffrey Robert Roy. (R.W.J. Neufeld, Kliničko). Analiza izraza lica u shizofreniji. Psihologinja, dječja služba gospođe Vanier, London, Ontario.
ZAMAK, Daniel. (D. Jared, Spoznaja). Učinci dosljednosti pravopisa i zvuka u imenovanju dvosložnih riječi. Istraživač suradnik, Centar za zdravstvenu politiku i evaluaciju u Manitobi, Sveučilište u Manitobi.
DESTUN, Lisa Marija. (N. Kuiper, Klinička). Percepcije stvarnosti stvarnih i izmišljenih stresnih događaja iz djetinjstva: učinci razrade i individualne razlike. Psiholog, Centar za razvoj studenata, Sveučilište Western Ontario, London, Ontario.
KONZERVIRANJE VLASTI, Sarah. (E. Hampson, Bihevioralna i kognitivna neuroznanost). Seksualna diferencijacija radne memorije kod ljudi. Postdoktorand, Odjel za kognitivnu neurologiju, Bolnica ženskog koledža Sunnybrook & amp, Toronto, Ontario.
FERRETTI, Todd Randall. (K. McRae, Spoznaja). Situacione sheme, tematske uloge i gramatičke morfeme. Postdoktorand, Sveučilište Kalifornija u San Diegu.
GLEASON, Karin Elizabeth. (D. Pederson, Clinical). Teorije vezanosti i vezanosti objekta: Razumijevanje odnosa između adolescentne majke i djeteta. Psiholog na djetetu, Parent Research Institute, London, Ontario.
HOH, Timothy En-ming. (P. Cain, Psihobiologija i klinička neuropsihologija). Istraživanje uloge neokorteksa u vodenom labirintu Zadatak pomoću detaljnih analiza ponašanja i Golgi-Coxove metode. Student inženjerstva, Detroit, Michigan.
McDERMID, Ann. (G. Rollman, Klinika). Opća hipervigilancija u bolesnika s kroničnom boli. Psiholog, privatna praksa, London, Ontario.
OLTHOF, Anneke. (W. A. ​​Roberts, Učenje i ponašanje životinja). Pojedinačno predstavljanje i zbrajanje simbola povezanih s količinama hrane. Postdoktorand, Sveučilište Kalifornija u San Diegu.
PELLIZZARI, Josip Robert. (D. Evans, Klinička). Istraživanje strukturnih odnosa među komponentama dobrobiti i kvalitete života. Psiholog, London Health Sciences Center, London, Ontario. |
QUINN, Kimberly Ann. (J. Olson, Društveno). Očekivanja i obrada društvenih informacija: implikacije za percepciju i pamćenje osobe. Postdoktorand, sjeverozapadno sveučilište, Evanston, Illinois.
TOMES, Jennifer. (A. Katz, Spoznaja). Iluzorna sjećanja: Istraživanje razlika između ‘ sjećanja ', Udruga Povjerenje-točnost i druga pitanja. Docent, Odsjek za psihologiju, Sveučilište Mount Allison, Sackville, New Brunswick.
ZEBIAN, Samar. (P. Denny, Spoznaja). Utjecaji kulturnih artefakata i društvenih praksi na konceptualizaciju broja: eksperimentalni i etnografski pristupi svakodnevnoj numeričkoj spoznaji. Docent, Američko sveučilište u Bejrutu.

Sazivi za jesen 2000. - dr. Sc. Diplomski studij neuroznanosti sa savjetnikom na Fakultetu psihologije

NICHOLSON, Karen. (K. Humphrey, Osjećaj i percepcija). Uloga površinskih znakova u prepoznavanju rotiranih objekata.

Sazivi za jesen 1999. i proljeće 2000. - dr. Sc. Diplomski studij psihologije
Ime. (Savjetnik). Naslov disertacije. Trenutno zaposlenje.

ANDERSON,   David. (D. N. Jackson). Osobnost, samoefikasnost i ponašanje menadžerskog vodstva. Konzultant za upravljanje, Towers Perrin, Toronto, Ontario.
BALZOM,   Rod. (R. Martin). Obrada informacija o poticajima prijetnji zdravlju kod pojedinaca s visokom negativnom afektivnošću. Predavač na Sveučilištu Western Ontario, London, Ontario i psiholog, Psihijatrijska bolnica St. Thomas.
ZVONO, David. (J. Olson). Polarizacija ambivalencije i odgovora prema domorocima: motivacijska perspektiva. Predavač na Sveučilištu Western Ontario, London, Ontario.
DINDOFF,   Kathleen. (M. Rothstein). Dojmovi zaposlenika o mogućnosti zapošljavanja i organizacijskog prilagođavanja pri provjeri životopisa: tri terenske studije. Murray Axmith & amp Izv. Nadmašivanje.
ELLISON,   Deborah. (D. Pederson). Interakcije majke i djeteta s djecom s poteškoćama u razvoju: studija intervencije. Predavač na Sveučilištu Zapadni Ontario i direktor programa za autizam, dijete, Parent Research Institute, London, Ontario.
HODSON,   Gordon. (R. Sorrentino). Neizvjesnost u grupnom kontekstu: kategorizacijski učinci na obradu uvjerljivih poruka i favoriziranje grupe. Postdoktorand, Sveučilište Western Ontario, London, Ontario i Sveučilište Colgate, Hamilton, New York.
LEE,   Kibeom. (N. Allen). Utjecaj na posao kao prediktor ponašanja organizacijskog građanstva i odstupanja na radnom mjestu. Docent, Odsjek za psihologiju, Sveučilište Zapadne Australije.
NICOL, Adelheid. (S. Paunonen). Mjera poštenja na radnom mjestu.   Kingston, Ontario.
ZIMA, Kathy Ann. (N. A. Kuiper). Teorija kognitivnih emocija: kognitivni postdoktorand, ocjene, temeljne teme i individualne razlike. Postdoktorand, bolnica Kitchener-Waterloo.

Sazivi za jesen 1999. i proljeće 2000. - dr. Sc. Diplomirao  Program iz neuroznanosti sa savjetnikom Fakulteta za psihologiju.

MACUDA,   Todd. (B. Timney). Vizija boje konja. Postdoktorand, The Zanvyl Krieger Mind/Brain Institute, Baltimore, Maryland.

ASHTON, MICHAEL. (S. Paunonen). Usporedba strategija odabira stavki osobnosti. Znanstveni suradnik, Sveučilište Western Ontario, London, Ontario.
BELLISARIO, LISA. (G. Moran). Rodno utemeljeni procesi u identifikaciji roditelja.
CHOVAZ MCKINNON, KATI. (D. Pederson). Prikazi odnosa gluhih odraslih osoba. Robarts škola za gluhe, London, Ontario.
HANA, STEVEN. (R. Sorrentino). Osobna relevantnost, usporedni kontekst i orijentacija na neizvjesnost kao odrednice uočene homogenosti skupine.
HARIS, JULIE. (P. A. Vernon). Osobnost i mjerena inteligencija. Znanstvenik 2, Centar za ovisnost i mentalno zdravlje, London, Ontario.
McKEE, ŠERI. (R. Hinson). Odrednice društvenog učenja očekivanih očekivanih ishoda alkohola. Postdoktorand, Odsjek za psihijatriju, Medicinski fakultet, Sveučilište Yale, New Haven, Connecticut.
MITCHELL, STJEPAN. (P. A. Vernon). Analiza faktora s dva načina na tri načina (223): Rješenje problema rotacije faktora pomoću tehnika pokretanja i nasumične reprodukcije. Službenik za procjenu resursa koji radi na standardiziranom testiranju i vrednovanju, Alberta Learning (ranije Alberta Education), Edmonton, Alberta.
PEXMAN, PENELOPE. (S. Lupker). Strateško upravljanje i fonološka obrada u vizualnom prepoznavanju riječi. Docent, Sveučilište u Calgaryju, Calgary, Alberta.
PHILLIPS, JENNIFER. (G. Moran). Stjecanje reprezentativnih sposobnosti u kontekstu odnosa privrženosti. (umrla)
TREMBLAY, PAVLE. (R. C. Gardner). Razvoj i konstrukcija provjere valjanosti inventara akademske motivacije. Direktor razvoja testova, Research Psychologists Press, Inc., Edmonton, Alberta.
IZRASLINA, FRANCUSE. (L. Swartzman). Ispitivanje relativnih utjecaja neuroticizma i hipohondrije na zdravstveno ponašanje povezano sa sindromom iritabilnog crijeva. Psihoterapeut/pomoćnik psihologije, Layh & amp Associates, Yellow Springs, Ohio.

Sazivi za jesen 1998. i proljeće 1999. - dr. Sc. Diplomski studij iz neuroznanosti

MAROTTA, JONATHAN. (M. Goodale). Vizualna kontrola hvatanja: uloga statičkih monokularnih znakova. Postdoktorand, Sveučilište u Pittsburghu, Pittsburgh, Pennsylvania.
LOTECKI, NANCY. (B. Timney). Vremenska integracija binokularnog i kanala. Odjel za zdravstvo regije Peel, Brampton, Ontario.


Psihologija 102 - 8. poglavlje - Kognitivna psihologija

• Noam Chomsky (1957.)
- Prezentirano usvajanje jezika kao & quotwired-in & quot
procesu te je 1959. Watsonov manifest iskočio iz kolosijeka.

• Posner i Mitchell (1967.)
- Jedna od prvih eksperimentalnih studija kognitivnih sposobnosti
procesa.

• Fergus Craik (1972.)
- Predložen novi model za razumijevanje memorijskih procesa

- Ljudi imaju mehanizme koji im pomažu u prosijavanju informacija i donošenju odluka

- Naš mozak pokušava upotrijebiti minimalnu količinu napora potrebnu za dovoljan završetak zadatka.

- Koristi kontekstualne informacije s već postojećim konceptima i shemama za razumijevanje.

2. Središnja analiza:
• Trenutna situacija uspoređuje se sa željenom situacijom/krajnjim ciljem

2. Različito mišljenje:
• Namjerno identificiranje različitih načina rada smanjuje vjerojatnost mentalnih sklopova i funkcionalne fiksiranosti.

- Uvijek vodi do točnog odgovora ako se pravilno slijedi.

- Ništa nije sigurno, prisiljavajući ljude da koriste procjene vjerojatnosti za donošenje odluka.

• Iskustvo i psihološki čimbenici (npr. Heuristika) utječu na procjene.

- Kruta strategija ili pristup rješavanju problema
ponekad se razvija.

3. Sidrenje i podešavanje

4. Vjera u male brojeve

• Vezano za reprezentativnost, dostupnost, sidrenje i prilagodbe utječu na pretjeranu samopouzdanje.

• Vezano za reprezentativnost, dostupnost, sidrenje i prilagodbe utječu na pretjeranu samopouzdanje.

- Nejasni koncepti ponekad se nazivaju & quotFuzzy Concepts & quot

• Jezik je skup simbola, obično riječi, koji prenose značenje.

- Često se izražava gestama
- Odvija se u društvenom kontekstu
- Isprepletene s kulturom isprepletene su

• Kultura ima veliki utjecaj na jezik i mišljenje.

- Engleski se jezik razvio na takav način da riječi definiraju mnoge moćne uloge kao muške.

• Muškarci su tradicionalno opisani aktivnim,
pozitivne riječi.
• Žene se tradicionalno opisuju riječima
implicira pasivnost.


CNN uvijek predviđa 0 ili 1 za binarnu klasifikaciju

Koristim Kaggleov skup podataka o karakteristikama stresa, izvedenom iz EKG signala, i htio bih naučiti CNN da prepoznaje stresne/ne stresne situacije.

Izgradio sam model u Kerasu:

gdje su U1, U2 i U3 parametri koje sam mijenjao kako bih pronašao pravu kombinaciju kako bih osigurao najbolje performanse.

Ono što sam učinio je, konkretno:

  1. podijelite uzorke u skupu za obuku i testiranje (nemam skup provjere valjanosti jer je broj dostupnih uzoraka mali)
  2. normalizirati i obuku i skup provjere valjanosti dijeleći ih s najvećom vrijednošću koja se nalazi u uzorcima
  3. trenirajte mrežu raznim kombinacijama U1, U2 i U3 kako biste pronašli one koje osiguravaju najbolje performanse.

Obuka se odvija na sljedeći način:

Mreža se jako dobro ponaša i na skupu za obuku i na testu, postižući točnost od 99,3% na skupu testova (i 99,5% na skupu za obuku).

Međutim, kada se primijeni na stvarne podatke (uzimanjem EKG -a, računanjem značajki i njihovom normalizacijom prema istoj vrijednosti normalizacije koja se koristi na gore navedenim vježbama i testovima), mreža uvijek predviđa:

  • oznaka 0,0 za "normalne" EKG -ove
  • oznaka 1,0 za bučne EKG -ove (koji se uzimaju kao EKG -ovi pod stresom).

Smeta mi što se nikad ne vraćaju druge oznake osim 0.0 ili 1.0. Istina je da ponekad mreža predviđa oznake od točno 0,0 ili točno 1,0 i za uzorke u skupu za obuku i provjeru valjanosti, ali nikad vidjeti da se oznaka različita od 0,0 i 1,0 u podacima iz stvarnog svijeta čini čudnim.

Je li to problem mreže? Ili je problem u skupu podataka? Možda bi se to moglo povezati s činjenicom da stvarni EKG podaci koje koristim nisu izvučeni iz iste distribucije Kaggleovog skupa podataka? Vidim da, na primjer, podaci iz stvarnog svijeta imaju duboke razlike u vrijednostima u odnosu na podatke u skupu podataka Kaggle (tolika razlika da čak i nakon normalizacije vrijednosti nisu stvarno normalizirane), ali ne znam je li to valjani razlog koji opravdava problem koji vidim.


Rasprava

OxFAB upitnik uspio je identificirati veliki broj često korištenih strategija i otkriti povezanost između obrazaca korištenja strategije i promjene težine. Ova analiza otkriva velike međuindividualne razlike u korištenju specifičnih strategija i skupina strategija (domena). Utvrdio je povezanost između uporabe strategija koje se odnose na kontrolu prehrambenih impulsa, planiranje i praćenje mršavljenja, motivacijsku podršku, traženje informacija i samonadzor te veće smanjenje tjelesne težine nakon tri mjeseca. Također su postojale značajne povezanosti između promjene težine nakon tri mjeseca i korištenja strategija u teorijski vođenom modelu onih za koje se smatra da su bitne za promjenu težine. Zajedno ovo pruža korisne uvide za usmjeravanje razvoja programa samoupravljanja za mršavljenje.

Ovo je prva studija koja koristi OxFAB taksonomiju i ne može se izravno usporediti s drugim studijama, iako je obavljen određeni srodni rad. Američki nacionalni registar za kontrolu tjelesne težine (NWCR) procijenio je brojne strategije ponašanja, ali uključuje samo ljude koji su godinu dana ili duže održavali gubitak težine> 30 kg. [21] Iako se profil sudionika OxFAB-a izrazito razlikuje od onih u NWCR-u, i iako se NWCR usredotočuje na održavanje za razliku od početnog gubitka, postoje važne paralele, uključujući nalaze koji ukazuju na važnost ograničavanja prehrane i samo-vaganja. [22– 24] Međutim, strategije koje na kraći rok najbolje doprinose gubitku težine mogu se razlikovati od onih koje najbolje pomažu u održavanju gubitka težine. [18] Izvan kohortnih studija, rezultati velikog istraživanja američkog stanovništva 2006. godine ukazali su na važnost samonadzora unosa hrane, no ovo je bilo retrospektivno istraživanje bez provjerenih alata za procjenu uporabe strategije i usredotočeno na održavanje, a ne na početni gubitak. [25] U smislu onih strategija koje se odnose na kontrolu impulsa u prehrani, nedavni sustavni pregled tehnika za promjenu impulzivnih procesa povezanih s nezdravom prehranom uključivao je 92 studije i pronašao obećavajuće promjene u konzumiranju nezdrave hrane i žudnji za hranom. [26]

Ovo je bila istraživačka studija koja je koristila i podatke i apriorno pristupi ispitivanju povezanosti između skupina strategija i mršavljenja. Oba su pristupa uspjela u identificiranju strategija povezanih s većim uspjehom u mršavljenju. U smislu statističke značajnosti otkrivenih asocijacija, p vrijednosti su bile manje za apriorno pristup (≤0,001], ali došlo je do preklapanja između strategija identificiranih kroz oba pristupa. Postojala je značajna povezanost između veće uporabe strategija u apriorno model i veće smanjenje tjelesne težine, a faktorska analiza dala je dva obrasca povezana s većim gubitkom težine: kontrola prehrambenih impulsa te planiranje i praćenje mršavljenja. Obje ove vrste strategije bile su zastupljene i u našoj apriorno model, a analiza povezanosti domena i gubitka težine također je dala obećavajuće rezultate za samonadzor, kao i za motivacijsku podršku (također uključeno u naš apriorno model] i traženje informacija (nije uključeno u naš apriorno model]. Ukratko, neke vrste strategija bile su obećavajuće u različitim pristupima, naime kontrola prehrambenih impulsa, samonadzor, motivacijska podrška i planiranje. Analiza koju vode domene također je pokazala da traženje informacija može pridonijeti uspjehu mršavljenja.

Jasno je da su potrebne daljnje studije kako bi se procijenile veze između kognitivnih i strategija ponašanja za mršavljenje i naknadnu promjenu težine, posebno u svjetlu nekih ograničenja svojstvenih ovoj studiji. Uzorak korišten u ovoj studiji nije reprezentativan, što ograničava primjenjivost nalaza u čitavom nizu populacijskih skupina. Osim toga, nedostajući podaci bili su problem u studiji, što ograničava općenitost naših zaključaka. No, s obzirom na ograničen broj varijabli koje smo prikupili, ne bismo mogli pravilno imputirati nedostajuće podatke, pa smo se odlučili za analizu cijelog slučaja. Kao opservacijska studija, kohorta OxFAB -a ne može pokazati uzročnost, a mogu postojati i nemjerene varijable koje objašnjavaju povezanost između uporabe strategije i promjene težine. Međutim, vrste strategija za koje smo otkrili da su povezane s promjenom težine pokazale su se uspješnima drugdje, povećavajući naše povjerenje u nalaze. Treće ograničenje ove studije je njezino oslanjanje na samoprijavljene podatke, točnost samoprijavljene težine je poznato pitanje i ograničenje je u svim studijama ovog tipa. [27] Konkretno, podaci ukazuju na to da će ljudi vjerojatno podcijeniti svoju težinu pri samoizvještavanju. Ohrabrujuće je da su samoprijavljene i promatrane težine usko povezane. Dvije velike studije koje uspoređuju samoprijavljenu težinu na webu i promatranu težinu nedavno su zaključile da je samoprijavljeni gubitak težine usporediv s opaženim. [28, 29]. U ovoj studiji, i težina na početku i na kraju su se sami prijavili, pa nema razloga pretpostaviti da je promjena težine pristrana. Konkretno, ocjenjujemo da je malo vjerojatno da se bilo koja pristranost u odnosu na težinu samoizvješća razlikuje ovisno o uporabi ili nekorištanju određene strategije ili skupine strategija, pa će stoga podaci o povezanosti uporabe strategije i promjene težine vjerojatno biti valjani. Konačno ograničenje je da se korištenje web stranice studije samo po sebi može smatrati strategijom kojoj su bili izloženi svi sudionici.


Rezultati

Opisne statistike

Opisuju se statistički podaci o RT -u i greškama, prosječno prema podražajima za svakog ispitanika, a zatim prosječno prema subjektima u Tablici 2. Kako bi se ispitale statističke razlike u prikupljenim podacima između govornika istine i lažova, pokrenuta je prva analiza pomoću softvera R (&# x0201Cez anova ” paket https://cran.r-project.org/web/packages/ez/ez.pdf) (pogledajte Dodatnu datoteku 1 za podatke i Dodatnu datoteku 2 za ANOVA R kôd Pogledajte Dodatnu datoteku 4 za sve neobrađene datoteke sadrži podatke o 40 sudionika skupa za obuku).

Tablica 2. Prosječna RT i pogreške lažova i TELLERS -a za kontrolu, jednostavna i složena pitanja.

- generalno, odgovori lažova bili su duži od odgovora onih koji govore istinu [Ž(1, 38) = 38.39 str < 0,001]. Slika 1 uspoređuje RT lažova i istinoljubiva u složenim pitanjima NO

- složena pitanja bila su sporija od jednostavnih pitanja i za lažove i za istinoljupce [Ž(2, 76) = 147.45 str < 0,001], ali složene rečenice bile su mnogo sporije, s obzirom na jednostavne rečenice, u lažljivcima nego u govornicima istine [Ž(2, 76) = 25.22, str < 0,01]. Zapravo, razlika u RT -u između složenih i jednostavnih rečenica bila je 848 ms za lažljivce i samo 463 ms za one koji govore istinu

- nema glavnog učinka vrste odgovora (da/ne) [Ž(1, 38) = 2.34, str > 0,01]. Vrsta odgovora skupine X interakcija, tip odgovora tipa X i tip odgovora tipa X pitanja tipa X ne pokazuju statistički značajne rezultate (respektivno [Ž(1, 38) = 1.88, str > 0,01], [Ž(2, 76) = 4.62, str > 0,01] i [Ž(2, 76) = 2.91, str > 0,01]). To znači da općenito i lažljivci i oni koji govore istinu imaju iste RT kada odgovaraju na pitanja s da ili ne. Isključuje mogućnost da je učinak zapažen u složenim rečenicama posljedica čina negiranja, a ne same laži.

Slika 1. Okvirni zapleti uspoređuju RT lažova i istinoljubiva u složenim pitanjima koja su zahtijevala odgovor NE.

Vrijedi napomenuti da je broj grešaka koje su lažovi učinili u prosjeku bio 5,6 puta veći od broja grešaka onih koji govore istinu.

Odabir značajki

Ovdje navedene analize provedene su pomoću softvera za strojno učenje WEKA 3.8 (Hall i sur., 2009.). Postoji širok konsenzus o činjenici da je u razvoju modela strojnog učenja (ML) za klasifikaciju preliminarna identifikacija ne-redundantnih značajki (prediktora) važan korak u razvoju učinkovitog modela predviđanja koji maksimizira generalizaciju (Hall, 1998). Neprekomjerne značajke su one koje imaju visoku korelaciju sa ovisnom varijablom (istinoljubac protiv lažljivca), a među njima ima nisku međusobnu povezanost. Da bismo bolje razumjeli ovu točku, moglo bi biti korisno promatrati korelacijsku matricu između svih varijabli navedenih u Dodatnoj datoteci 6. Nezavisne varijable koje su ušle u odabir značajki su one navedene u Dodatku 2. Neprekomjerne značajke izvučene su pomoću birač značajki temeljen na korelaciji (CFS Hall, 1998.). Ova vrsta algoritma procjenjuje vrijednost podskupa značajki uzimajući u obzir individualnu sposobnost predviđanja svake značajke zajedno sa stupnjem redundancije s ostalim prediktorima. Poželjni su podskupovi značajki koje su jako povezane s klasom (ovisna varijabla), a imaju nisku međusobnu povezanost. Postoje različite metode koje algoritam može koristiti za pretraživanje podskupa prediktora kroz prostore značajki. Ovdje je korištena Greedy Stepwise metoda pretraživanja. Izvodi pohlepno pretraživanje prema naprijed ili unatrag (u ovom slučaju korišteno je pretraživanje prema naprijed) kroz prostor podskupa prediktora. Može početi s ne/svim atributima ili s proizvoljne točke u prostoru (ovdje je počelo bez atributa). Zaustavlja se kada dodavanje/brisanje preostalih atributa rezultira smanjenjem procjene. Pokretanjem ovog algoritma identificirani su sljedeći prediktori: (1) Jednostavno Da RT rpb = 0,67, (2) Složeni Tot RT rpb = 0,73, (3) Kompleks br. RT rpb = 0,77, (4) Srednja ukupna pogreška rpb = 0,55 i (5) Srednje pogreške jednostavnog tota rpb = 0,66, gdje je rpb je korelacijska vrijednost prediktora sa zavisnom varijablom.

Klasifikacija strojnog učenja

Razvili smo brojne modele ML za procjenu točnosti klasifikacije. Dolje navedeni rezultati prikupljeni su 10-strukom tehnikom unakrsne provjere valjanosti. Unakrsna provjera valjanosti tehnika je koja se koristi za procjenu modela predviđanja podjelom izvornog uzorka (u ovom slučaju, jednog od 40 sudionika) na dva podskupa podataka: podskup koji se naziva skup za obuku, koji se koristi za izgradnju modela predviđanja i podskup. naziva skup za provjeru valjanosti koji se koristi za procjenu modela izgrađenog na skupu za obuku. U deseterostrukoj unakrsnoj provjeri valjanosti, izvorni uzorak nasumično je podijeljen u 10 poduzorka jednake veličine. Od 10 poduzorka, jedan poduzorak je zadržan kao validacijski podatak za testiranje modela, a preostalih 10-1 poduzorka korišteni su kao podaci o obuci. Postupak unakrsne provjere valjanosti zatim se ponovio 10 puta (nabori), pri čemu se svaki od 10 poduzorka upotrijebio točno jednom kao podaci provjere valjanosti. 10 konačnih rezultata iz nabora zatim je prosječno izrađeno za jednu procjenu točnosti predviđanja. Prednost ove metode je što se sva opažanja koriste i za obuku i za provjeru valjanosti, a svako se opažanje koristi za provjeru valjanosti točno jednom.

Točnost predviđanja procijenili smo pomoću pet različitih modela pranja novca kako bismo procijenili jesu li rezultati stabilni u različitim klasifikatorima i ne ovise o posebnim pretpostavkama koje čini svaki od modela. Zapravo, pet korištenih klasifikatora reprezentativno su za različite temeljne strategije klasifikacije. Logistika mjeri odnos između kategorijalno ovisne varijable i nezavisnih varijabli procjenom vjerojatnosti pomoću logističke funkcije (le Cessie i van Houwelingen, 1992.). Support Vector Machine (SVM) je nevjerojatni binarni linearni klasifikator, koji preslikava prostor i dijeli primjere zasebnih kategorija jasnim razmakom što je moguće širim (Platt, 1999. Keerthi i sur., 2001). Na ïve Bayes vjerojatni je klasifikator temeljen na Bayesovom#teoremu koji pretpostavlja neovisnost između značajki (John i Langley, 1995.). Slučajna šuma (Breiman, 2001) djeluje tako da konstruira mnoštvo stabala odlučivanja, a stablo logističkog modela (LMT) kombinira logističku regresiju i učenje stabla odluka (Landwehr i sur., 2005). Štoviše, kako bismo bolje razumjeli pravila odlučivanja na kojima se temelje rezultati klasifikacije, pokrenuli smo model klasifikacije stabla J48 (Quinlan, 1993.). Jedan je od najjednostavnijih —i nije najjednostavniji —klasifikator u smislu transparentnosti operacija izračunatih algoritmom i omogućuje jednostavno isticanje logike klasifikacije (čak i ako nije najučinkovitiji Mitchell, 1997.). Drugim riječima, korisno je objasniti operacije koje algoritam izvodi nad podacima kako bi se dobio izlaz klasifikacije.

Zadani parametri korišteni su kako bi se smanjilo prekomjerno prilagođavanje (za sve pojedinosti o parametrima klasifikatora pranja novca vidi dodatnu datoteku 3).

Rezultati su pokazali da su svi klasifikatori klasificirali 40 sudionika kao lažljivce ili govornike istine s najmanje 90% točnosti. Konkretno: Logistika = 90%, Stroj za vektorske podrške (SVM) = 95%, Na ïve Bayes = 90%, Slučajna šuma = 90%, LMT = 95%i J48 = 85%.

Da bismo usporedili performanse različitih klasifikatora, proveli smo eksperiment u WEKA -i (Hall i sur., 2009.) koristeći uparene t-ispitivač. Rezultati su pokazali da nijedna usporedba algoritama u paru nije dosegla razinu značajnosti (str > 0,05), što ukazuje da klasifikatori imaju usporedivu točnost.

Za provjeru generalizacije modela razvijenih pomoću desetostruke unakrsne provjere valjanosti, upotrijebili smo drugi uzorak od 10 prethodno opisanih sudionika (vidi Dodatnu datoteku 5 za podatke o neobrađenim značajkama 10 sudionika testnog skupa, vidi Dodatnu datoteku 3 za upute za ponavljanje rezultata klasifikacije na treningu i skupu testova). Rezultati dobiveni u ovoj skupini od 10 sudionika bili su sljedeći: Logistika = 80%, SMO (SVM) = 80%, Na ïve Bayes = 90%, Slučajna šuma = 80%, LMT = 80%i J48 = 90%. Unatoč neznatnom smanjenju ukupne točnosti, točnost generalizacije treba smatrati odgovarajućom.

Modele pranja novca, poput nekih od gore navedenih, teško je interpretirati. Nije jasno mehanizam koji daje klasifikator za identifikaciju pojedinačnog sudionika kao lažljivca ili istinoljupca. Međutim, drugi modeli pranja novca mogu rasvijetliti koji prediktori uglavnom pridonose odgovarajućoj klasifikaciji. Jedan od takvih modela je model orezanog stabla nazvan J48 (Quinlan, 1993.). Stablo odlučivanja ima niz prednosti: (i) lako ih je razumjeti (ii) lako se pretvaraju u skup pravila proizvodnje i (iii) ne postoje apriorne pretpostavke o prirodi podataka. Ovaj model, kada se izvodi na skupini od 40 ispitanika, dao je točnost od 85% i točnost od 90% za klasifikaciju 10 sudionika ispitne skupine. Kriteriji klasifikacije stabla odlučivanja (J48) prikazani su na slici 2.

Slika 2. Ovo stablo odlučivanja prevedeno u riječi ukazuje da su govornici istine oni subjekti koji imaju prosječnu RT do složene reakcije NO ispod 2.035 ms i ne prave greške. Ako je RT ispod 2,035 ms i subjekt griješi u odgovoru na jednostavne rečenice, ali je prosječan ukupni broj pogrešaka i dalje ispod 0,01, onda on ili ona govore istinu. Nasuprot tome, ako je prosječan ukupan broj pogrešaka iznad 0,02 ili je RT u složenim rečenicama NO iznad 2,035 ms, odgovor je lažov.

Gore navedena analiza provedena je na sirovim podacima pomoću dvije skupine sudionika (lažljivci i istinoljupci) koji su bili slični po dobi, kulturološkoj razini i tipkanju. Moglo bi se tvrditi da su rezultati RT modulirani brojnim različitim varijablama, kao što su dob, kulturna razina itd. Kako bi rezultati bili općeniti, bilo bi zanimljivo vidjeti vrijede li slični rezultati ne samo za neobrađene podatke, već i za normalizirani prediktori. Prema ovom gledištu, sirovi RT za DA odgovore mogao bi se zamijeniti omjerom istih podataka s prosječnim RT -om svih odgovora ispitanika. Ovaj omjer kalibrira rezultat s prosječnom brzinom sudionika, što bi pak moglo ovisiti o brojnim čimbenicima. Iz tog razloga ponovno smo pokrenuli klasifikacijske modele koristeći samo normalizirane prediktore, koji bi trebali biti manje osjetljivi na međuindividualne i okolišne varijable. Cjeloviti popis normaliziranih prediktora dat je u Dodatku 2.

Isti postupak odabira atributa koji je prethodno prijavljen istaknuo je podskup normaliziranih prediktora (rpb broj se odnosi na korelaciju nezavisne varijable s grupom). Predviđači su sljedeći: (1) Kontrola Da RT/Ukupno RT rpb = 0,59, (2) Složeni ukupni RT/Ukupni RT rpb = 0,56, (3) Kompleks br. RT/Ukupno RT rpb = 0,66, (4) (Složeno Da RT – Složeno Ne RT)/Ukupno RT rpb = 0,39 i (5) Greške u sirovom jednostavnom totu/pogreške u neobrađenom sirovom upravljanju rpb = 0,60. Slično, rezultati 40 sudionika bili su sljedeći: (1) Logistika = 85%, (2) SVM = 87,5%, (3) Na ïve Bayes = 90%, (4) Slučajna šuma = 90%, (5) ) LMT = 85% i (6) J48 = 77,5%. Opet u paru t-test potvrđuje da šest klasifikatora ima usporedivu točnost (str > 0,5).

Rezultati klasifikatora primijenjenih na testni uzorak od 10 ispitanika bili su sljedeći: (1) Logistička = 90%, (2) SVM = 80%, (3) Na ïve Bayes = 80%, (4) Slučajna šuma = 90%, (5) LMT = 90%i (6) J48 = 90%. Ukratko, kada smo koristili normalizirane prediktore, primijetili smo slične rezultate kao i oni na neobrađenim podacima. Usvajanje takvih normaliziranih prediktora umjesto neobrađenih podataka čini, u teoriji, generalizaciju snažnijom i na nju manje utječu učinci dobi, stupnja vještine itd. Na RT.

Analiza po stimulansima

Gore navedeni rezultati dobiveni su analizom ispitanika, pa se stoga točnost klasifikatora odnosi na točnost klasificiranja pojedinačnih ispitanika kao lažova ili govornika istine.

Zanimljivo je pitanje može li se subjekt klasificirati na temelju njegovih pojedinačnih odgovora većinom glasova. S obzirom na to da su odgovori na složene rečenice koji zahtijevaju odgovor NE oni koji pokazuju veću korelaciju s grupom (lažljivac protiv istinoljupca), klasifikaciju smo proveli podražajima koristeći samo ove odgovore. Prikupljeno je ukupno 400 odgovora (40 ispitanika koji su odgovorili svaki na 10 rečenica koje su zahtijevale NE odgovor, za ukupno 400 rečenica). Prediktori su bili RT predstavljene rečenice i kategorička varijabla koja je indeksirala je li odgovor točan ili pogrešan. Koristeći ove dvije neovisne varijable, rezultati deseterostruke unakrsne validacije bili su sljedeći: (1) Logistička = 75,5%, (2) SVM = 73%, (3) Na ïve Bayes = 73,5%, (4) Slučajna šuma = 69,25%, (5) LMT = 74,5%i (6) J48 = 73%.

Par t-test pokazuje da svi klasifikatori imaju usporedivu točnost (str > 0,05), osim slučajnih šuma i J48 koje imaju značajno različite performanse (str < 0,05) s nižim ocjenama.

Razina generalizacije ovih klasifikatora procijenjena je na ukupno 100 novih rečenica (složeno NE) izvedenih od 10 sudionika testnog uzorka (10 sudionika odgovorilo je na po 10 rečenica). Rezultati su bili sljedeći: (1) Logistika = 74%, (2) SVM = 70%, (3) Na ïve Bayes = 69%, (4) Slučajna šuma = 70%, (5) LMT i (6) J48 = 72%. Rezultati se mogu sažeti na sljedeći način: svaki od 10 odgovora koje je sudionik dao na složenu rečenicu NE može se sa 70% točnosti identificirati kao da potječe od istinoljublja ili lažljivca. Koristeći pravilo većine za klasifikaciju sudionika kao istinoljupca ili lažljivca, 10 sudionika validacijskog uzorka ispravno je klasificirano 80% vremena (svi su govornici istine bili ispravno klasificirani, dok su dva lažljivca pogrešno klasificirana). Intuicija o tome kako se sudionik može učinkovito klasificirati mogla bi se izvesti iz modela klasifikacije stabla J48 (gore opisanog), koji je dao točnost od 73% na 400 podražaja. Takav je rezultat ponovljen u 100 podražaja prikupljenih od 10 ispitanika testnog uzorka (ukupna točnost = 72%). Drvo odlučivanja, J48, koje je dalo prethodne rezultate, bilo je sljedeće:

- Ako je RT < = 1870 ms i pogreške = 0, tada je odgovor istinoljubac (s točnošću = 75%).

- Ako je RT < = 1870 ms i pogreške = 1, odgovor je istinoljubac (s točnošću = 70%).

- Ako je RT > 1870 ms, tada je odgovor lažov (s točnošću = 78%).

Ukratko, ako je RT brz (ispod 1870 ms) i odgovor točan, onda je odgovor istinoljubac.

Ako je RT spor (iznad 1870 ms), tada je odgovor lažov. Konačno, ako je RT brz, ali je odgovor pogreška, kazivač istine klasificiran je kao da ima malo smanjenu točnost.


Automatizirano strojno učenje u Power BI -u

Automatsko strojno učenje (AutoML) za tijekove podataka omogućuje poslovnim analitičarima da obučavaju, provjeravaju i pozivaju modele strojnog učenja (ML) izravno u Power BI. Uključuje jednostavno iskustvo za stvaranje novog modela pranja novca gdje analitičari mogu koristiti svoje tijekove podataka za specifikaciju ulaznih podataka za obuku modela. Usluga automatski izdvaja najvažnije značajke, bira odgovarajući algoritam te podešava i potvrđuje model ML.Nakon što se model obuči, Power BI automatski generira izvješće o izvedbi koje uključuje rezultate provjere valjanosti. Model se tada može pozvati na sve nove ili ažurirane podatke u toku podataka.

Automatsko strojno učenje dostupno je samo za tijekove podataka koji se hostiraju na Power BI Premium i ugrađenim kapacitetima.

Rad s AutoML -om

Tokovi podataka nude samouslužnu pripremu podataka za velike podatke. AutoML je integriran u tijekove podataka i omogućuje vam da iskoristite svoje napore za pripremu podataka za izgradnju modela strojnog učenja, izravno u Power BI -u.

AutoML u Power BI -u omogućuje analitičarima podataka da koriste tijekove podataka za izradu modela strojnog učenja s pojednostavljenim iskustvom, koristeći samo Power BI vještine. Većinu znanosti o podacima koja stoji iza stvaranja ML modela automatizira Power BI. Ima zaštitne ograde kako bi se osiguralo da proizvedeni model ima dobru kvalitetu i daje pregled procesa koji se koristi za izradu vašeg modela ML.

AutoML podržava stvaranje Binarno predviđanje, Klasifikacija, i Regresijski modeli za tijekove podataka. To su vrste nadziranih tehnika strojnog učenja, što znači da uče iz poznatih ishoda prošlih opažanja kako bi predvidjele ishode drugih opažanja. Ulazni skup podataka za obuku AutoML modela skup je redaka koji su označen s poznatim ishodima.

AutoML u Power BI integrira automatizirano ML iz Azure Machine Learninga za stvaranje vaših ML modela. No, za upotrebu AutoML -a u Power BI -u nije vam potrebna pretplata na Azure. Proces obuke i hostiranja ML modela u potpunosti upravlja uslugom Power BI.

Nakon obuke ML modela, AutoML automatski generira Power BI izvješće koje objašnjava vjerojatne performanse vašeg ML modela. AutoML naglašava objašnjenje ističući ključne utjecaje među vašim inputima koji utječu na predviđanja koja je vratio vaš model. Izvješće također uključuje ključne metrike za model.

Ostale stranice generiranog izvješća prikazuju statistički sažetak modela i pojedinosti o obuci. Statistički sažetak zanimljiv je korisnicima koji bi željeli vidjeti standardne mjere znanosti o izvedbi modela. Pojedinosti o obuci sažimaju sve iteracije koje su pokrenute za izradu vašeg modela, s pridruženim parametrima modeliranja. Također opisuje kako je svaki ulaz korišten za stvaranje ML modela.

Zatim možete primijeniti svoj ML model na svoje podatke radi bodovanja. Kad se tijek podataka osvježi, vaši se podaci ažuriraju predviđanjima iz vašeg modela ML. Power BI također uključuje individualno objašnjenje za svako specifično predviđanje koje ML model proizvodi.

Izrada modela strojnog učenja

Ovaj odjeljak opisuje kako stvoriti AutoML model.

Priprema podataka za izradu ML modela

Da biste stvorili model strojnog učenja u Power BI -u, najprije morate stvoriti tok podataka za podatke koji sadrže povijesne podatke o ishodu, a koji se koriste za obuku ML modela. Također biste trebali dodati izračunate stupce za sve poslovne mjerne podatke koji mogu biti snažni prediktori ishoda koji pokušavate predvidjeti. Pojedinosti o konfiguriranju tijeka podataka potražite u odjeljku Konfiguriranje i korištenje protoka podataka.

AutoML ima posebne zahtjeve za podatke za obuku modela strojnog učenja. Ti su zahtjevi opisani u donjim odjeljcima, na temelju odgovarajućih tipova modela.

Konfiguriranje ulaza modela ML

Da biste stvorili AutoML model, odaberite ikonu ML u Radnje stupac tablice protoka podataka i odaberite Dodajte model strojnog učenja.

Pokreće se pojednostavljeno iskustvo koje se sastoji od čarobnjaka koji vas vodi kroz proces stvaranja ML modela. Čarobnjak uključuje sljedeće jednostavne korake.

1. Odaberite tablicu s povijesnim podacima i stupac ishoda za koji želite predviđanje

Stupac ishoda identificira atribut oznake za obuku modela ML, prikazan na sljedećoj slici.

2. Odaberite vrstu modela

Kada navedete stupac ishoda, AutoML analizira podatke naljepnica kako bi preporučio najvjerojatniju vrstu modela ML koja se može obučiti. Možete odabrati drugu vrstu modela kao što je prikazano u nastavku klikom na "Odaberi drugi model".

Neki tipovi modela možda neće biti podržani za podatke koje ste odabrali i stoga bi bili onemogućeni. U gornjem primjeru regresija je onemogućena jer je kao stupac ishoda odabran stupac teksta.

3. Odaberite ulaze koje želite da model koristi kao prediktivne signale

AutoML analizira uzorak odabrane tablice kako bi predložio ulaze koji se mogu koristiti za obuku ML modela. Objašnjenja bi se dala uz stupce koji nisu odabrani. Ako određeni stupac ima previše različitih vrijednosti ili samo jednu vrijednost ili nisku ili visoku korelaciju s izlaznim stupcem, to se ne bi preporučilo.

Svi ulazi koji ovise o stupcu ishoda (ili stupcu oznake) ne smiju se koristiti za obuku modela pranja novca, jer će utjecati na njegovu izvedbu. Takvi stupci bili bi označeni kao "sumnjivo visoka korelacija s izlaznim stupcem". Uvođenje ovih stupaca u podatke o obuci uzrokuje curenje oznaka, gdje se model dobro ponaša pri validaciji ili podacima ispitivanja, ali se ne može podudarati s tim učinkom kada se koristi u proizvodnji za bodovanje. Propuštanje naljepnica moglo bi biti moguća zabrinutost u AutoML modelima, kada su performanse modela treninga previše dobre da bi bile istinite.

Ova se preporuka značajki temelji na uzorku podataka, pa biste trebali pregledati korištene inpute. Imate mogućnost promijeniti odabire tako da uključuju samo stupce za koje želite da model proučava. Također možete odabrati sve stupce odabirom potvrdnog okvira pored naziva tablice.

4. Imenujte svoj model i spremite konfiguraciju

U posljednjem koraku možete imenovati model i odabrati Spremi i treniraj čime počinje obuka ML modela. Možete odlučiti skratiti vrijeme treninga kako biste vidjeli brze rezultate ili povećati vrijeme provedeno na treningu kako biste dobili najbolji model.

Obuka za model ML

Obuka AutoML modela dio je osvježavanja toka podataka. AutoML prvo priprema vaše podatke za obuku. AutoML dijeli povijesne podatke koje pružate u skupove podataka za obuku i testiranje. Testni skup podataka je skup zadržavanja koji se koristi za provjeru uspješnosti modela nakon treninga. To se ostvaruje kao Obuka i testiranje tablice u toku podataka. AutoML koristi unakrsnu provjeru valjanosti za provjeru modela.

Zatim se analizira svaki stupac unosa i primjenjuje imputacija, koja zamjenjuje sve nedostajuće vrijednosti zamjenskim vrijednostima. AutoML koristi nekoliko različitih strategija imputiranja. Za ulazne atribute koji se tretiraju kao numeričke značajke, srednja vrijednost stupaca koristi se za imputiranje. Za ulazne atribute koji se tretiraju kao kategorijske značajke, AutoML koristi način vrijednosti stupaca za imputaciju. Srednja vrijednost i način korištenja vrijednosti za imputiranje izračunava se u okviru AutoML -a na poduzorkovanom skupu podataka za obuku.

Zatim se uzorkovanje i normalizacija primjenjuju na vaše podatke prema potrebi. Za klasifikacijske modele, AutoML pokreće ulazne podatke putem stratificiranog uzorkovanja i uravnotežuje klase kako bi osigurao da su brojevi redaka jednaki za sve.

AutoML primjenjuje nekoliko transformacija na svaki odabrani ulazni stupac na temelju njegove vrste podataka i statističkih svojstava. AutoML koristi ove transformacije za izdvajanje značajki za uporabu u obuci vašeg ML modela.

Proces obuke za AutoML modele sastoji se od do 50 ponavljanja s različitim algoritmima modeliranja i postavkama hiperparametara za pronalaženje modela s najboljim performansama. Obuka može rano završiti s manjim ponavljanjem ako AutoML primijeti da se ne primjećuje poboljšanje performansi. Učinkovitost svakog od ovih modela procjenjuje se validacijom pomoću skupa podataka o zadržavanju testa. Tijekom ovog koraka obuke, AutoML stvara nekoliko cjevovoda za obuku i provjeru valjanosti ovih iteracija. Proces ocjenjivanja izvedbe modela može potrajati, bilo gdje od nekoliko minuta do nekoliko sati do vremena obuke konfiguriranog u čarobnjaku, ovisno o veličini vašeg skupa podataka i raspoloživim resursima kapaciteta.

U nekim slučajevima, konačni generirani model može koristiti učenje ansambla, gdje se koristi više modela za pružanje bolje prediktivne izvedbe.

Objašnjenje AutoML modela

Nakon što je model obučen, AutoML analizira odnos između ulaznih značajki i izlaznog modela. On procjenjuje veličinu promjene u izlazu modela za skup podataka ispitivanja zadržavanja za svaku ulaznu značajku. Ovo je poznato kao značajka značajke. To se događa kao dio osvježavanja nakon što trening završi. Stoga vaše osvježavanje može potrajati duže od vremena treninga konfiguriranog u čarobnjaku.

Izvješće o modelu AutoML

AutoML generira Power BI izvješće koje sažima performanse modela tijekom provjere valjanosti, zajedno s globalnom važnošću značajki. Ovom izvješću možete pristupiti s kartice Model strojnog učenja nakon uspješnog osvježavanja toka podataka. Izvješće sažima rezultate primjene modela pranja novca na podatke o ispitivanju zadržavanja i usporedbe predviđanja s poznatim vrijednostima ishoda.

Možete pregledati izvješće modela kako biste razumjeli njegove performanse. Također možete potvrditi da su ključni utjecaji modela usklađeni s poslovnim uvidima o poznatim ishodima.

Grafikoni i mjere koji se koriste za opisivanje performansi modela u izvješću ovise o vrsti modela. Ove tablice učinka i mjere opisane su u sljedećim odjeljcima.

Dodatne stranice u izvješću mogu opisati statističke mjere o modelu iz perspektive znanosti o podacima. Na primjer, Binarno predviđanje izvješće uključuje grafikon dobitaka i ROC krivulju za model.

Izvještaji također uključuju a Detalji o obuci stranicu koja sadrži opis načina na koji je model treniran, te grafikon koji opisuje performanse modela tijekom svake ponovljene iteracije.

Drugi odjeljak na ovoj stranici opisuje otkriveni tip ulaznog stupca i metodu imputacije koja se koristi za popunjavanje nedostajućih vrijednosti. Također uključuje parametre koje koristi konačni model.

Ako proizvedeni model koristi učenje ansambla, tada se Detalji o obuci stranica također sadrži grafikon koji prikazuje težinu svakog sastavnog modela u ansamblu, kao i njegove parametre.

Primjena AutoML modela

Ako ste zadovoljni performansama stvorenog modela ML, možete ga primijeniti na nove ili ažurirane podatke kada se tijek podataka osvježi. To možete učiniti iz izvješća o modelu odabirom datoteke Primijeni u gornjem desnom kutu ili gumb Primijeni model ML pod radnjama na kartici Modeli strojnog učenja.

Da biste primijenili ML model, morate navesti naziv tablice na koju se mora primijeniti i prefiks za stupce koji će se dodati u ovu tablicu za izlaz modela. Zadani prefiks za nazive stupaca je naziv modela. The Primijeni funkcija može uključivati ​​dodatne parametre specifične za tip modela.

Primjenom modela ML stvaraju se dvije nove tablice tijeka podataka koje sadrže predviđanja i individualizirana objašnjenja za svaki redak koji se boduje u izlaznoj tablici. Na primjer, ako primijenite PurchaseIntent model prema Mrežni kupci tablice, izlaz će generirati Mrežni kupci obogatili su PurchaseIntent i Online kupci obogatili su objašnjenja PurchaseIntent -a tablice. Za svaki redak u obogaćenoj tablici, Objašnjenja je podijeljen u više redaka u obogaćenoj tablici objašnjenja na temelju značajke unosa. An ObjašnjenjeIndeks pomaže mapirati retke iz obogaćene tablice objašnjenja u redak u obogaćenoj tablici.

Također možete primijeniti bilo koji Power BI AutoML model na tablice u bilo kojem toku podataka u istom radnom prostoru pomoću AI Insights u pregledniku funkcija PQO. Na ovaj način možete koristiti modele koje su stvorili drugi u istom radnom prostoru, a da niste nužno vlasnik toka podataka koji ima model. Power Query otkriva sve Power BI ML modele u radnom prostoru i izlaže ih kao dinamičke funkcije Power Query. Možete pozvati te funkcije tako što ćete im pristupiti s vrpce u programu Power Query Editor ili izravno pozvati funkciju M. Ova je funkcija trenutačno podržana samo za tokove podataka Power BI i za Power Query Online u usluzi Power BI. Imajte na umu da se to jako razlikuje od primjene ML modela u toku podataka pomoću čarobnjaka AutoML. Ne postoji tablica objašnjenja izrađena ovom metodom, a osim ako niste vlasnik tijeka podataka, ne možete pristupiti izvješćima o obuci modela niti ponovno obučiti model. Ako se izvorni model uredi (dodavanjem ili uklanjanjem ulaznih stupaca) ili se model ili izvor podataka izbriše, tada će se ovaj ovisni tijek podataka prekinuti.

Nakon što primijenite model, AutoML uvijek ažurira vaša predviđanja kad god se tijek podataka osvježi.

Da biste koristili uvide i predviđanja iz ML modela u Power BI izvješću, možete se povezati s izlaznom tablicom iz Power BI Desktop koristeći tokovi podataka priključak.

Modeli binarnog predviđanja

Binarni modeli predviđanja, formalno poznatiji kao binarni klasifikacijski modeli, koriste se za klasifikaciju skupa podataka u dvije grupe. Koriste se za predviđanje događaja koji mogu imati binarni ishod. Na primjer, hoće li se prodajna prilika pretvoriti, hoće li se račun raširiti, hoće li se faktura platiti na vrijeme, je li transakcija lažna itd.

Rezultat modela binarnog predviđanja je ocjena vjerojatnosti koja identificira vjerojatnost da će se ciljni ishod postići.

Obučavanje modela binarnog predviđanja

Proces stvaranja modela binarnog predviđanja slijedi iste korake kao i drugi AutoML modeli, opisani u odjeljku Konfiguriranje ulaza modela ML iznad. Jedina razlika je u koraku "Odabir modela" gdje možete odabrati ciljnu vrijednost ishoda koja vas najviše zanima. Također možete navesti prijateljske oznake za ishode koji će se koristiti u automatski generiranom izvješću koje će sažeti rezultate validacije modela.

Izvješće o modelu binarnog predviđanja

Model binarnog predviđanja proizvodi kao izlaz vjerojatnost da će red postići ciljni ishod. Izvješće uključuje odsječak za prag vjerojatnosti, koji utječe na to kako se tumače rezultati iznad i ispod praga vjerojatnosti.

Izvješće opisuje performanse modela u smislu Istinski pozitivni, lažno pozitivni, istinski negativni i lažni negativni. Istinski pozitivni i istinski negativni ispravno su predviđeni ishodi za dvije klase u podacima o ishodu. Lažno pozitivni redovi su redovi za koje se predviđalo da će imati ciljani ishod, ali zapravo nisu. Obrnuto, lažni negativi su redovi koji su imali ciljni ishod, ali je predviđeno da ga nemaju.

Mjere, poput Precision i Recall, opisuju učinak praga vjerojatnosti na predviđene ishode. Pomoću rezača praga vjerojatnosti možete odabrati prag kojim se postiže uravnotežen kompromis između Preciznosti i Opoziva.

Izvješće također uključuje alat za analizu troškova i koristi koji će pomoći identificirati podskup stanovništva koji bi trebao biti usmjeren na ostvarivanje najveće dobiti. S obzirom na procijenjeni jedinični trošak ciljanja i jedinicnu korist od postizanja ciljanog ishoda, analiza troškova i koristi pokušava povećati profit. Pomoću ovog alata možete odabrati prag vjerojatnosti na temelju maksimalne točke u grafikonu kako biste povećali profit. Također možete upotrijebiti grafikon za izračun dobiti ili troškova za vaš izbor praga vjerojatnosti.

The Izvješće o točnosti stranica izvješća modela uključuje Kumulativni dobici grafikona i ROC krivulje za model. To su statističke mjere performansi modela. Izvješća uključuju opise prikazanih grafikona.

Primjena modela binarnog predviđanja

Za primjenu modela binarnog predviđanja morate navesti tablicu s podacima na koje želite primijeniti predviđanja iz modela ML. Ostali parametri uključuju prefiks naziva izlaznog stupca i prag vjerojatnosti za klasifikaciju predviđenog ishoda.

Kad se primijeni model binarnog predviđanja, dodaje četiri izlazna stupca u obogaćenu izlaznu tablicu: Ishod, PredictionScore, PredviđanjeObjašnjenje, i ObjašnjenjeIndeks. Imena stupaca u tablici imaju prefiks naveden prilikom primjene modela.

PredictionScore je postotna vjerojatnost, koja identificira vjerojatnost da će se ciljni ishod postići.

The Ishod stupac sadrži oznaku predviđenog ishoda. Zapisi s vjerojatnostima koje prelaze prag predviđaju se kao vjerojatni za postizanje ciljanog ishoda i označeni su kao True. Predviđa se da zapisi ispod praga vjerojatno neće postići ishod i označeni su kao lažni.

The PredviđanjeObjašnjenje stupac sadrži objašnjenje sa posebnim utjecajem koji su značajke unosa imale na PredictionScore.

Modeli klasifikacije

Modeli klasifikacije koriste se za klasifikaciju skupa podataka u više grupa ili klasa. Koriste se za predviđanje događaja koji mogu imati jedan od višestrukih mogućih ishoda. Na primjer, postoji li vjerojatnost da će kupac imati vrlo visoku, visoku, srednju ili nisku životnu vrijednost, je li rizik neispunjenja obveza visok, umjeren, nizak ili vrlo nizak itd.

Rezultat klasifikacijskog modela je ocjena vjerojatnosti koja identificira vjerojatnost da će red postići kriterije za datu klasu.

Obučavanje klasifikacijskog modela

Ulazna tablica koja sadrži vaše podatke o obuci za klasifikacijski model mora imati niz ili cijeli broj stupac kao stupac ishoda, koji identificira prošle poznate ishode.

Proces stvaranja klasifikacijskog modela slijedi iste korake kao i drugi AutoML modeli, opisani u odjeljku Konfiguriranje ulaza modela ML iznad.

Izvješće o modelu klasifikacije

Izvješće o modelu razvrstavanja izrađuje se primjenom modela ML na podatke testa zadržavanja i usporedbom predviđene klase za red sa stvarnom poznatom klasom.

Izvješće modela uključuje grafikon koji uključuje analizu ispravno i pogrešno klasificiranih redova za svaku poznatu klasu.

Daljnja radnja specifična za klasu omogućuje analizu distribucije predviđanja za poznatu klasu. Ovo pokazuje ostale klase u kojima je vjerojatno da će redovi te poznate klase biti pogrešno klasificirani.

Objašnjenje modela u izvješću također uključuje najbolje prediktore za svaku klasu.

Izvješće o modelu klasifikacije također uključuje stranicu Pojedinosti o obuci sličnu stranicama za druge tipove modela, kako je opisano u odjeljku Izvješće o modelu AutoML ranije u ovom članku.

Primjena klasifikacijskog modela

Da biste primijenili model klasifikacije ML, morate navesti tablicu s ulaznim podacima i prefiksom naziva izlaznog stupca.

Kad se primijeni klasifikacijski model, dodaje pet izlaznih stupaca u obogaćenu izlaznu tablicu: KlasifikacijaRezultat, Klasifikacija Rezultat, KlasifikacijaObjašnjenje, Vjerojatnosti klase, i ObjašnjenjeIndeks. Imena stupaca u tablici imaju prefiks naveden prilikom primjene modela.

The Vjerojatnosti klase stupac sadrži popis ocjena vjerojatnosti za redak za svaku moguću klasu.

The KlasifikacijaRezultat je postotna vjerojatnost, koja identificira vjerojatnost da će red postići kriterije za datu klasu.

The Klasifikacija Rezultat stupac sadrži najvjerojatniju predviđenu klasu za redak.

The KlasifikacijaObjašnjenje stupac sadrži objašnjenje sa posebnim utjecajem koji su značajke unosa imale na KlasifikacijaRezultat.

Regresijski modeli

Regresijski modeli koriste se za predviđanje numeričke vrijednosti. Na primjer: prihod koji će se vjerojatno ostvariti od prodajnog posla, doživotna vrijednost računa, iznos fakture za potraživanje koja će vjerojatno biti plaćena, datum na koji se račun može platiti itd.

Rezultat regresijskog modela je predviđena vrijednost.

Obučavanje modela regresije

Ulazna tablica koja sadrži podatke o obuci za regresijski model mora imati numerički stupac kao stupac ishoda koji identificira poznate vrijednosti ishoda.

Proces stvaranja regresijskog modela slijedi iste korake kao i drugi AutoML modeli, opisani u odjeljku Konfiguriranje ulaza modela ML iznad.

Izvješće o regresijskom modelu

Kao i druga izvješća o modelu AutoML, izvješće o regresiji temelji se na rezultatima primjene modela na podatke testiranja zadržavanja.

Izvješće modela uključuje grafikon koji uspoređuje predviđene vrijednosti sa stvarnim vrijednostima. U ovom grafikonu udaljenost od dijagonale označava pogrešku u predviđanju.

Tablica zaostalih pogrešaka prikazuje raspodjelu postotka prosječne pogreške za različite vrijednosti u skupu testa zadržavanja. Vodoravna os predstavlja srednju vrijednost stvarne vrijednosti za skupinu, a veličina mjehurića prikazuje učestalost ili broj vrijednosti u tom rasponu. Okomita os je prosječna zaostala pogreška.

Izvješće o modelu regresije također uključuje stranicu Pojedinosti o obuci, poput izvješća za druge tipove modela, kako je opisano u odjeljku Izvješće o modelu AutoML iznad.

Primjena regresijskog modela

Za primjenu regresijskog ML modela morate navesti tablicu s ulaznim podacima i prefiksom naziva izlaznog stupca.

Kad se primijeni regresijski model, dodaje tri izlazna stupca u obogaćenu izlaznu tablicu: Regresijski rezultat, Objašnjenje regresije, i ObjašnjenjeIndeks. Imena stupaca u tablici imaju prefiks naveden prilikom primjene modela.

The Regresijski rezultat stupac sadrži predviđenu vrijednost retka na temelju ulaznih stupaca. The Objašnjenje regresije stupac sadrži objašnjenje sa posebnim utjecajem koji su značajke unosa imale na Regresijski rezultat.


Kako izbjeći binarno razmišljanje i jasnije razmišljati

Nažalost, živimo u svijetu ili/ili, s nama ili protiv nas, crnog ili bijelog razmišljanja. Vi ste ili konzervativni ili liberalni. Vi & rsquore za prava homoseksualaca ili protiv njih. Zaboga, sada vi & rsquore ili za stavljanje maske na lice ili protiv nje. Sve to ima veze s ljudskom sklonošću da se uključi u binarno razmišljanje.

Sadržaj