附录C 资源导航¶

学习目标¶

• 为第10章每类模型找到可复现学习资源
• 能从教程、工具和论文三个层次搭建学习路径

关键概念¶

• 工具链
• 可复现代码
• 参数恢复
• 模型比较

正文¶

C1 入门教材（先概念后实现）¶

1. Decision and Choice Models in Cognitive Science（教材/综述）
   重点：效用、RL、DDM 的统一视角。
2. Computational Modeling of Cognition and Behavior（课程材料）
   重点：从理论到代码的建模流程。
3. Bayesian Cognitive Modeling（Kruschke）
   重点：贝叶斯建模思想与层次模型基础。

C2 常用实现工具（按任务选择）¶

任务	推荐工具	说明
RL/效用模型拟合	PyMC / Stan / NumPyro	适合层次参数估计
DDM 拟合	HDDM / PyDDM	可建模 RT + 选择
卡尔曼滤波	filterpy / pykalman	状态空间模型上手快
HGF	hBayesDM（部分任务）/ 自定义 Stan	常需按研究问题定制
吸引子动力学	Brian2 / PyTorch / JAX	可做连续时间数值模拟

C3 推荐论文方向（按模型）¶

1. 卡尔曼滤波器：动态学习率与不确定性追踪。
   关键词：Kalman learning rate, uncertainty tracking, volatile environment。
2. HGF：精神病理学中的不确定性推断。
   关键词：hierarchical gaussian filter, volatility, precision-weighted prediction error。
3. 吸引子模型：工作记忆、双稳态知觉与决策神经动力学。
   关键词：attractor network, working memory persistent activity, bistable perception。

C4 最小可复现实践清单¶

1. 明确数据结构：是否有 trial-level 选择、反馈、RT。
2. 先实现最简模型（如 RL 单学习率、DDM 固定边界）。
3. 做参数恢复（至少 100 组模拟）。
4. 做模型恢复（候选模型两两可分）。
5. 再加入复杂机制（层次结构、动态噪声或吸引子动力学）。

C5 阅读与复现顺序建议¶

1. 先复现 RL 或效用模型（低门槛）。
2. 再加 DDM（引入 RT 的过程解释）。
3. 再做卡尔曼滤波（不确定性与动态学习率）。
4. 最后学习 HGF 与吸引子模型（层级与动力系统）。

小结¶

• 学习路径建议从“可解释的简单模型”逐步过渡到“层次和动力系统模型”。
• 每增加模型复杂度，都应同步增加验证（参数恢复、模型恢复）。

练习与思考¶

1. 为你的研究问题挑选一个 C2 工具，列出最小实现步骤。
2. 选一个 C3 关键词组合，检索 3 篇近五年论文并比较其模型验证策略。