MARC

 008260126s2025        us                              c    eng  d
■001000017359653
■00520260202105153
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798293839322
■035    ▼a(MiAaPQ)AAI32242590
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a153
■1001  ▼aDu,  Meng.
■24510▼aDecoding  Social  Cognition:  Insights  From  Artificial  and  Biological  Neural  Networks
■260    ▼a[Sl]▼bUniversity  of  California,  Los  Angeles▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a82  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  B.
■500    ▼aAdvisor:  Parkinson,  Carolyn.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2025.
■520    ▼aUnderstanding  people's  thoughts  and  feelings  is  fundamental  to  humans,  yet  the  neurocomputational  mechanisms  underlying  social  cognition  remain  challenging  to  study  with  conventional  methods.  Recent  research  has  highlighted  the  power  of  deep  neural  networks  (DNNs)  and  their  vast  potential  in  brain  sciences,  such  as  in  unraveling  how  the  brain  processes  visual  and  language  information.  Advances  in  deep  learning,  particularly  in  multimodal  models,  have  created  an  unprecedented  opportunity  for  social  neuroscience:  vision-language  models  often  demonstrate  human-like  social  cognitive  abilities,  providing  a  powerful  new  tool  to  investigate  the  computational  strategies  that  support  social  cognition,  and  to  compare  such  strategies  in  models  to  those  in  the  human  brain.  In  this  dissertation,  I  review  DNNs'  unique  contributions  to  human  brain  research,  and  explore  how  similar  DNN-based  approaches  can  be  extended  to  social  cognition.  Through  two  empirical  studies  along  this  line,  I  seek  to  demonstrate:  1)  similarities  and  differences  between  the  attentional  patterns  in  a  vision-language  transformer  model  and  in  human  overt  attention,  and  2)  a  decoding  pipeline  that  reconstructs  the  stimuli  experienced  by  humans  based  on  their  neural  activity  recorded  while  either  viewing  visual  stimuli  or  listening  to  auditory  stimuli.  Importantly,  while  past  research  at  the  intersection  of  artificial  intelligence  and  brain  research  mostly  focused  on  single  modalities  (e.g.,  vision  or  language),  this  work  undertakes  a  novel  investigation  into  the  abstract,  modality-independent  processes  in  both  DNNs  and  the  human  brain.  As  such,  this  dissertation  lays  the  groundwork  for  a  new  methodological  framework  in  social  neuroscience  by  demonstrating  how  the  computational  power  of  deep  neural  networks  can  be  effectively  harnessed  to  study  social  and  other  high-level  processes  in  the  brain.
■590    ▼aSchool  code:  0031.
■650  4▼aCognitive  psychology
■650  4▼aSocial  psychology
■650  4▼aPsychology
■653    ▼aMultimodal  transformer
■653    ▼aSocial  cognition
■653    ▼aSocial  neuroscience
■653    ▼aDeep  neural  networks
■690    ▼a0633
■690    ▼a0800
■690    ▼a0451
■690    ▼a0621
■71020▼aUniversity  of  California,  Los  Angeles▼bPsychology  0780.
■7730  ▼tDissertations  Abstracts  International▼g87-03B.
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359653▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서