计算认知神经科学中的推理目标和表征决策：以有限证据积累为例

计算认知模型是增强心理学和认知神经科学定量和理论严谨性的强大工具。因此，模型使用者——包括开发模型的人员、使用现有模型者，或将基于模型的发现整合到自身研究中的人——必须理解这些工具的工作原理、其局限性及在使用时需考虑的因素。为此，我们开发了φ-kit：一套面向行为科学与脑科学中计算认知模型的哲学工具包，旨在促进知情且批判性地使用这些模型。通过汇编建模哲学和女性主义科学哲学的见解，φ-kit阐明了模型构建者的推理目标如何根本影响基于模型的整个研究流程。我们展示了这种哲学视角的实用价值，方法是将φ-kit应用于认知科学中最受欢迎且成功的模型家族之一：两备选项速度决策的累积器模型。案例研究首先探讨了最优性概念，无论是一般意义上的还是累积器模型中的形式化表达。接着，我们展示了对模型最优性的不同假设（即不同的推理目标）如何导致两个“竞争性”扩散模型标准形式的发展，并提出了决定采用哪种模型形式的原则性启发式方法。最后，我们展示了φ-kit及更广泛哲学方法的见解，如何激发了一种关于期望整合进决策的新理论的发展，该理论将先前分散的发现综合进一个共同的概念框架，从而具体展示了哲学如何推动神经科学实践进步。