Detailansicht
Theory and application of Bayesian inference in social neuroscience
Lukas Lengersdorff
Art der Arbeit
Dissertation
Universität
Universität Wien
Fakultät
Fakultät für Psychologie
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Doktoratsstudium Naturwissenschaften: Psychologie
DOI
10.25365/thesis.79099
URN
urn:nbn:at:at-ubw:1-14096.51782.816466-8
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
In den letzten Jahren hat das Bayessche Denken in der Psychologie und den Neurowissenschaften eine bemerkenswerte Renaissance erfahren. In dieser kumulativen Dissertation untersuche ich, wie die Bayessche Inferenz unser Verständnis menschlichen Sozialverhaltens und seiner neuronalen Grundlagen vertiefen kann. Die Arbeit gliedert sich in zwei Teile, die den zweifachen Schwerpunkt meiner Forschung widerspiegeln. Im ersten Teil befasse ich mich mit der Frage, wie Bayessche Methoden die Inferenz in klassischen experimentellen Designs verbessern können. In einer fMRT-Studie zu den Effekten gewalthaltiger Videospiele auf Empathie zeige ich, wie Bayessche Analysen Aussagen sowohl über das Vorhandensein als auch das Fehlen experimenteller Effekte ermöglichen. Anschließlich behandle ich in einem theoretischen Beitrag typische Missverständnisse über den Begriff der statistischer „Power“, und diskutiere Unterschiede zwischen bayesianischer und frequentistischer Inferenz. Im zweiten Teil steht die Anwendung Bayesscher kognitiver Modelle – insbesondere von Reinforcement-Learning-Modellen – in den Sozialen Neurowissenschaften im Fokus. Ich präsentiere zunächst eine experimentelle fMRT-Studie zur neuronalen Basis prosozialen Lernens und Entscheidens. Aufbauend auf Erkenntnissen aus dieser empirischen Arbeit diskutiere ich anschließend typische Interpretationsfehler und „best practices“ beim Einsatz von Reinforcement-Learning-Modellen. Abschließend entwickle ich eine effiziente Methode zur Bayesschen Testung restringierter Hypothesen, und zeige exemplarisch, wie sich damit Theorien über menschliches Lernverhalten testen lassen. Diese fünf Beiträge veranschaulichen, wie Bayessche Modellierung als pragmatisches Werkzeug zur Datenanalyse eingesetzt werden kann, aber auch wie Bayessches Denken unser Verständnis für den wissenschaftlichen Prozess an sich vertiefen kann. Ziel der Arbeit ist es, empirische Neurowissenschaft und statistische Theorie zu verbinden und das Potenzial eines vielfältigen methodischen Instrumentariums aufzuzeigen.
Abstract
(Englisch)
Recent years have seen a renaissance of Bayesian thinking in psychology and neuroscience. In this cumulative dissertation, I explore how the use of Bayesian inference can deepen our understanding of human social behavior and its neural bases. The thesis is structured in two parts, reflecting the dual focus of my research. In the first part, I investigate how Bayesian methods can enhance inference in standard experimental designs. In an fMRI study on the effects of violent video games on empathy, I demonstrate how Bayesian analyses allow statements about the presence and absence of experimental effects. In a theoretical paper, I then critique common misunderstandings about statistical power, and discuss how Bayesian and classical frequentist perspectives differ in what they allow us to infer from data. In the second part, I focus on the use of Bayesian cognitive modelling, specifically reinforcement learning models, in social neuroscience. I first present an experimental fMRI study investigating the neurocomputational basis of prosocial learning and decision-making. Based on insights from this empirical work, I then discuss common pitfalls and best practices for the application of reinforcement learning models. Finally, I develop an efficient approach to the Bayesian testing of constrained hypotheses, and demonstrate how it can be used to test scientific expectations about human reinforcement learning. Together, these five contributions illustrate how Bayesian modelling can serve as a pragmatic tool for data analysis, and how Bayesian thinking can broaden our understanding of the scientific process itself. My aim is to bridge empirical neuroscience and statistical theory, and to illustrate the potential of a diverse methodological toolkit.
Schlagwörter
Schlagwörter
(Deutsch)
Bayesianische Inferenz Soziale Neurowissenschaften Mathematische Modellierung
Schlagwörter
(Englisch)
Bayesian Inference Social Neuroscience Mathematical Modelling
Autor*innen
Lukas Lengersdorff 
Haupttitel (Englisch)
Theory and application of Bayesian inference in social neuroscience
Paralleltitel (Deutsch)
Theorie und Anwendung von Bayesianischer Inferenz in den sozialen Neurowissenschaften
Publikationsjahr
2025
Umfangsangabe
xi, 211 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*innen
Christoph Korn ,
Michael Nunez
AC Nummer
AC17623445
Utheses ID
76890
Studienkennzahl
UA | 796 | 605 | 298 |