月度归档：2019年11月

工作坊 | 眼动追踪多元化研究应用与实践

培训资讯

内容来源：TobiiPro

眼动追踪多元化研究应用与实践工作坊

邀请函

本次工作坊由Tobii Pro中国与天津师范大学心理与行为研究院合作开展，目的是通过眼动追踪在心理学、语言学、人机交互、工效学与交通、驾驶安全研究等领域的多元化应用的主旨报告介绍眼动追踪工具在不同学术研究领域中的研究方法论与创新的研究思路，探讨方法论与研究范式的特性与共性，为促进基于视觉和认知的跨学科、跨领域研究的发展与科学、合理利用行为研究工具理论知识和提升实践技能提供一个平台。

工作坊包含分组上手实操的环节，通过任务为导向的眼动研究项目的执行过程，巩固与加深眼动实验的相关知识与实践能力，包括：

❶  研究问题的提取与可执行化（眼动追踪工具的能与不能，任务的设计……）

❷ 实验设计需要考虑的要点（刺激材料、样本量、定性/定量……）

❸  如何确保高质量的数据（准确度与精确度的影响因素，数据采集前的关键检查点……）

❹ 眼动数据处理与研究相关信息的提取（Metrics，Visualization，发挥Raw Data的价值……）

工作坊时间与地点

▶ 时间：2019年 11月30日（全天）-12月1日（上午）

▶ 地点：天津师范大学（天津市西青区宾水西道393号）

备注：具体教室待报名确认后邮件通知（请确保预留正确的邮箱）

相关事项 

1.报名截止时间：2019年11月29日

2.报名费用：免费，需报名

3.食宿与交通：本次工作坊提供茶歇与午餐，其他食宿与交通费用请自理

4.报名方式：

   A. 扫描如下二维码

占座，就现在！

   B. 访问网站：tobiipro.mikecrm.com/qo0YR4Q 

5.会务联系人：

       Tracy Ding
       Tel: 15250449739
       E-mail: tracy.ding@tobii.com

工作坊 | 心理学研究中的（统计）模型思维

培训资讯、、、

内容来源：清华大学心理学系

在本次工作坊中，胡博士将以自己博士论文中的部分实验为例，分享不同研究问题可以采用的不同模型。重点包括：假设检验中Bayes factor （贝叶斯因子）及其如何在JASP中实现、认知模型HDDM（Hierarchical drift diffusion model, 层级扩散模型）及其如何Python中实现。胡博士希望通过本次工作坊，能够激发听众思考统计模型思维在研究中的作用，同时学会如何使用JASP计算贝叶斯因子，如何使用HDDM工具包探索反应时数据。

时间：

2019年12月27日（周五）

下午 13:30–17:00；晚上 18:30–20:00

地点：

清华大学伟清楼507室（暂定，具体场地根据报名情况而定）

工作坊初步拟定大纲如下：

1. 引言：研究问题及其对应的统计模型

2. 研究问题类型I：效应是否存在？

2.1 频率主义的NHST

2.2 贝叶斯学派的贝叶斯因子 （重点）

3 研究问题类型 II：效应有多大？

3.1 频率主义的效应量及其置信区间

3.2 贝叶斯学派的估计

4 研究问题类型III：效应的异质性（略讲）

混合线性模型在估计效应异质性中的作用

5 研究问题类型IV：对机制的描述

反应时数据的扩散模型（重点）

对象及费用：

面向所有高年级本科生、研究生（方向不限）

工  作  坊  费  用：免  费

（但需要提前报名，以便主办方做准备）

报名链接：https://www.wenjuan.com/s/ZNZ3Ef/

（扫描报名工作坊）

参考文献
1. Wagenmakers, E.-J., Love, J., Marsman, M., Jamil, T., Ly, A., Verhagen, J., . . . Morey, R. D. (2018). Bayesian Inference for Psychology. Part II: Example Applications with JASP. Psychonomic Bulletin & Review, 25(1), 58-76. doi:10.3758/s13423-017-1323-7
2. Wagenmakers, E.-J., Marsman, M., Jamil, T., Ly, A., Verhagen, J., Love, J., . . . Morey, R. D. (2018). Bayesian inference for psychology. Part I: Theoretical advantages and practical ramifications. Psychonomic Bulletin & Review, 25(1), 35-57. doi:10.3758/s13423-017-1343-3
3. Wiecki, T. V., Sofer, I., & Frank, M. J. (2013). HDDM: Hierarchical Bayesian estimation of the Drift-Diffusion Model in Python. Frontiers in Neuroinformatics, 7. doi:10.3389/fninf.2013.00014
4. 胡传鹏, 孔祥祯, Wagenmakers, E.-J., Ly, A., 彭凯平. (2018). 贝叶斯因子及其在JASP中的实现. 心理科学进展, 26(6), 951-965.  doi:10.3724/SP.J.1042.2018.00951

 

左西年 | Harnessing reliability for neuroscience research

培训资讯

内容来源：医学图像计算青年研讨会

医学图像计算青年研讨会

MICS在线学术讲座：左西年

嘉宾：左西年（中科院心理研究所）

时间：2019年11月5日晚上 20:00（北京时间）

题目：Harnessing reliability for neuroscience research

主持：刘勇（中科院自动化研究所）

直播网址：https://live.polyv.cn/watch/404878

报告摘要：

Neuroscientists are amassing the large-scale datasets needed to study individual differences and identify biomarkers. However, measurement reliability within individual samples is often suboptimal, thereby requiring unnecessarily large samples. I focus my talk on reliability in neuroimaging and provide examples of how the reliability can be increased.

嘉宾简介：

Xi-Nian Zuo has been awarded with the Full Research Professorship at Chinese Academy of Sciences (2010 – now). He is currently the editorial board members of NeuroImage, NeuroImage: Clinical, Network Neuroscience and Frontiers journals including Neuroscience, Neuroinformatics, Psychology and Frontiers for Young Minds. He serves OHBM as a council member and the PC chairship. Since 2017, he has been selected as one of the ESI Highly-Cited Researchers. He founded both Consortium for Reliability and Reproducibility (CoRR) and Chinese Color Nest Project (CCNP).