题目：层级贝叶斯计算建模在心理科学中的应用

主讲人：张磊（伯明翰大学心理学院）

时间：2026年7月9日  上午10：00~12：00  下午14：30~18：00

地点：心理学院大楼213

主讲人简介：张磊，英国伯明翰大学心理学院副教授。于2011年毕业于北京师范大学心理学院（现心理学部），并于西班牙巴斯克认知、语言与大脑研究所取得硕士学位（2013年），于德国汉堡大学医学中心系统神经科学研究所取得博士学位（最高荣誉毕业；2018年），后在奥地利维也纳大学心理学院从事研究与教学工作。研究致力于解析复杂社会情境中人类灵活性与适应性行为的认知神经基础，以及相应的在精神障碍疾患中出现的认知神经缺陷。综合采用功能磁共振成像以及计算建模，尤其是强化学习模型等技术研究人类的社会决策、社会互动、社会学习。主要工作发表在Science Advances，PLOS Biology，eLife、Psychological Methods等杂志。担任Communications Biology、PLOS Computational Biology等期刊编委会成员，以及欧盟ERC、英国UKRI、以及瑞士SNSF等科研基金委审稿专家。2022获美国美国心理科学协会学术新星表彰（APS Rising Star Award）。

讲座内容：认知计算建模为研究者提供了一套富有洞见的定量分析框架，藉此可精确考察内在认知变量，并揭示潜藏的心理加工机制。然而，该方法常被视作过于技术化，致使众多研究者，尤其是早期职业研究者（ECR），在将其整合至自身研究时面临较大困难。本次工作坊由三部分构成，旨在弥补这一鸿沟。第一部分将系统回顾贝叶斯建模的基本原理，并引介一种相对新兴的统计编程语言——Stan，该语言依托马尔可夫链蒙特卡洛（MCMC）算法，可实现（层级）贝叶斯模型的参数估计。第二部分将以强化学习（RL）模型为例（该模型是学习与决策领域应用最为广泛的模型之一），演示如何借助 hBayesDM 软件包（Ahn, Haines, Zhang, 2017）运行该模型。第三部分将聚焦高阶议题，重点探讨如何依据不同的实验设计类型合理构建模型，以充分发挥 Stan 的灵活性优势。诚邀与会者携各自的研究任务、模型或理论构想参与深度研讨，并共同探索将其应用于自身研究的模型实现路径。