概述¶
本部分的核心问题¶
计算模型只是一个理论的数学实现，那么一个模型的生物实现（神经机制）是怎么样的？为了从数学抽象跨越到生物具体，我们需要首先能够采集到神经数据，然后把它与行为数据、模型数据相结合。
在本部分，你将从心理学的角度了解神经科学从基础概念到数据分析的知识。
学习目标¶
- 理解神经信号的类型、来源及常见测量技术
- 掌握从神经数据预处理到统计推断的分析逻辑
- 学会将行为变量与神经信号进行模型驱动整合
- 能基于研究问题选择合适的神经科学方法
本部分的组织结构¶
第11章 神经信号的种类与测量原理¶
核心内容： - 神经电信号、磁信号与血流信号的差异 - EEG/MEG/fMRI/fNIRS/ECoG 等技术的原理与权衡 - 时间分辨率与空间分辨率的研究匹配
学完后，你能：根据研究问题判断应优先使用哪类神经测量手段
第12章 神经数据的分析逻辑¶
核心内容： - 神经数据分析的通用流程（预处理、特征、统计） - GLM、多重比较校正与可重复性规范 - 行为变量和模型变量（如预测误差）进入神经分析的方法
学完后，你能：从原始神经信号构建到可检验结论的完整分析路径
第13章 计算神经科学¶
核心内容： - Marr 三层次与行为-神经映射框架 - 强化学习、贝叶斯、DDM、吸引子等模型的神经实现线索 - 行为-神经联合建模的思路与最小可执行方案
学完后，你能：把“行为理论”与“神经机制”连接成可检验研究方案
关键概念¶
- 神经信号
- 神经血管耦合
- 时间分辨率/空间分辨率
- GLM 与多重比较校正
- 模型驱动神经分析
- Marr 三层次
- 生成模型与可识别性
正文¶
为什么心理学研究需要神经科学？¶
行为数据能告诉我们“发生了什么”，但未必能回答“如何实现”。
例如：
- 两个模型都能解释相同选择行为，但它们预测的神经动态不同
- 两组被试行为表现相似，但神经策略可能完全不同
因此，神经科学在本教程中的角色是：
- 为认知理论提供生物实现证据
- 帮助区分在行为层难区分的竞争模型
- 让“可解释的计算建模”走向“可验证的机制建模”
本部分的主线¶
本部分沿着一条清晰主线推进：
- 先认识信号（第11章）：你测到的到底是什么
- 再学习分析（第12章）：如何从噪声中提取可信证据
- 最后连接模型（第13章）：如何把行为算法映射到神经实现
这条路线对应研究中的真实工作流：
- 先做“问题-信号匹配”
- 再做“分析-推断”
- 最后做“机制解释与模型比较”
与第3部分（计算模型）的衔接¶
第3部分回答“模型如何解释行为”；第4部分进一步回答“这些计算如何在大脑中被实现”。
你会反复用到第3部分的模型变量，例如：
- 强化学习中的预测误差 \(\delta_t\)
- DDM 中的漂移率和阈限
- 贝叶斯模型中的不确定性与后验信念
在第4部分，这些变量将成为神经分析中的关键解释量。
小结¶
- 第4部分的目标不是学习某一种技术，而是建立“问题-信号-分析-机制”的完整视角。
- 你将学会在时间精度、空间精度、可行性之间做方法选择，并避免常见分析陷阱。
- 最终你应能把行为建模结果与神经证据整合，形成更强的理论解释。
练习与思考¶
- 选择一个你感兴趣的心理学问题，写出它在第4部分主线中的三步方案：测什么信号、如何分析、如何连接模型。
- 回顾第3部分一个你熟悉的模型，列出至少两个可用于神经映射的变量，并说明它们可能对应的神经指标。
- 思考一个“行为结果相同但神经机制可能不同”的研究情境，说明你会如何设计实验去区分这两种机制。