提高心理学研究水平
近年来，理解大脑活动的努力又有了新的紧迫感。不仅仅是心理和神经紊乱——从阿尔茨海默氏症、中风到自闭症和焦虑——变得越来越普遍，新的工具和方法已经出现，允许科学家以更大的粒度来探索大脑的结构和内部活动。
白宫于2013年4月2日推出了大脑倡议，其目标是支持开发和应用创新技术，可以创造对大脑功能的动态理解。该倡议支持超过10亿美元的研究，并导致新的见解，新药和新技术，以帮助脑疾病的个体。
但斯坦福大学(Stanford University)的心理学教授罗素•波德拉克(Russell Poldrack)表示，这些丰富的研究同时也面临着挑战。心理学和神经科学努力建立在不同研究人员的知识基础上。
“科学意味着累积，但方法论和概念性问题都受到了心理科学的累积进展，”来自斯坦福，达特茅斯学院和亚利桑那州立大学的Poldrack和合作者在一个中写道自然通信论文将于2019年5月发表。
数据档案
部分问题是实用的。随着百分之百的研究组进行原始研究，需要一个中央存储库来托管和共享数据，比较和结合研究，并鼓励数据重用。为了解决这个策略挑战，2010年，Poldrack推出了一个称为OpenFMRI的平台，用于共享FMRI研究。
“我想了很长时间数据共享由于多种原因非常重要，“Poldrack解释道”，用于透明度和再现性，并帮助我们汇总大量的小型研究，以改善我们回答问题的权力。“
OpenFMRI增长到近百个数据集，并于2016年被归入Openneuro，这是一个更通用的托管脑成像研究的平台。今天的平台有超过220个数据集，包括“斯德哥尔摩困倦的大脑研究”和“抑郁症的情绪音乐和非刺激的神经处理”，已经下载了数百次。
脑成像数据集相对较大，需要一个大型存储库来容纳它们。当他正在开发OpenFmri时，Poldrack在奥斯汀大学的德克萨斯大学德克萨斯高级计算中心（Tacc）转向奥斯汀，以举办并提供数据。
Arnold基础的授权让他在亚马逊Web服务上举办Openneuro几年，但最近的Poldrack再次转到Tacc和其他国家是NSF资助的极端科学和工程发现环境（XSEDE）的一部分服务作为数据库的CyberInfrasture。
该项目成功的一部分是由于开发共同标准，BIDS-Brain成像数据结构（BIDS） - 该研究人员允许研究人员以苹果到苹果方式进行比较和结合研究。由Poldrack和其他2016年推出，它始终接近即时接受，并已成为神经影像画数据的语言弗朗卡。
作为标准创建的一部分，Poldrack和他的合作者建立了一个基于Web的验证器，可以轻松确定一个人的数据是否符合标准。
Poldrack说:“研究人员将他们的数据转换成bid格式，上传数据，并在上传时进行验证。”“一旦通过验证并上传，只需点击一个按钮，它就可以被共享。”
数据共享本身并不是这些努力的最终目标。最终，Poldrack希望开发出能够以多种方式快速分析大脑成像数据集的计算管道。他正在参与加拿大蒙特利尔麦吉尔大学的CBrain项目，该项目旨在创建容器化的工作流，研究人员可以使用这些工作流来执行这些分析，而不需要大量的高级计算专业知识，并且独立于他们所使用的系统。
他也与另一个名为Brainlife.io的项目合作，基于印第安纳大学，它使用XSEDE资源，包括Tacc的资源来处理数据，包括来自Openneuro的数据。
Openneuro的许多数据集现在都可以在Brainlife上获得，并且这些数据集上有一个按钮，它直接在Brainlife的相关页面上，可以使用各种科学家开发的应用程序进行处理和分析。
他解释说:“除了共享数据之外，这种通用数据标准还能提供给我们自动分析数据的能力，以及我们经常对成像数据进行的预处理和质量控制。”“你只要把容器指向数据集，它就会运行它。”
重新思考Discipline-Wide假设
如果格式化、存储和共享是该字段面临的唯一问题，那么事情就简单了。但是，如果研究人员用于分析研究的常见方法引入了偏差和错误，导致重复性不足怎么办?此外，如果关于大脑运作方式的基本假设从根本上是有缺陷的，那又会怎样呢?
2018年发布的一项研究自然人类行为试图复制21篇社会和行为科学论文自然和科学发现只有13个可以成功复制。另一项由开放科学中心(Center for Open Science)赞助的元研究对28项经典和当代心理学研究进行了重新研究，发现有14项未能复制。这导致人们对几十年的结果产生了追溯性的怀疑。
Poldrack和他的合作者在他们最近的研究中解决了方法和假设问题自然通信纸张通过应用更严格的统计方法来尝试揭示心灵的潜在结构，他们称之为数据驱动的过程本体论发现。'
研究人员对自我监管的研究方法进行了测试，测试了调查问卷和基于任务的研究的能力，以预测个人对酗酒，肥胖，药物虐待或其他与自我监管相关问题有可能的可能性。
在他们的研究中，522名参与者采取了23项自我报告研究，并进行了37项行为任务。从这60个措施中的每一个，团队导出了多个依赖变量认为捕获心理学构建。使用依赖变量，团队首先尝试创建“一种心理空间” - 量化从属变量之间的距离，以确定通常被视为单独的群集或相互关联的各种类型的行为。它们使用这些“本体指纹”来确定各种心理构建对最终预测模型的贡献。
这项研究中使用的统计方法，由TACC的超级计算机实现，远远超过了典型心理学研究中使用的标准方法。
“我们带来了严重的机器学习方法，以确定与该研究领域仍然相当新的方法相关的相关机器，以及更广泛的预测准确性，”Poldrack说。
他们发现，一些预测目标，如心理健康和肥胖，只有简单的本体论指纹，如“情绪控制”和“饮食问题”，但其他指纹则更为复杂。他们还发现，基于任务的研究——在心理学研究中很常见——几乎没有预测能力。
Poldrack说:“我总是怀疑我们的研究将有助于诊断，但它几乎肯定将有助于更好地理解如何进行诊断，以及与某些结果(如吸烟、酗酒或肥胖)相关的潜在功能。”
推动这种努力的是重新审视我们谈论精神疾病的方式。
他说：“将这些疾病分解为诊断类别，如精神分裂症，双相情感障碍或抑郁症等，这不是生物学上的现实。”“遗传学和神经科学都表明，这些疾病在遗传学和神经生物学方面具有比差异更重叠。所以，我认为有可能出现的新范式，这将通过更好地理解大脑来帮助。”
高性能计算允许研究人员应用更复杂的方法来确定知识分布并弄清楚结果有多重要。
“我们可以使用抽样技术将数据随机化5000次，并多次重新运行大型模型，”Poldrack说。“如果没有超级计算机，这实际上是不可能的。”
过去的情况是，科学的进步依赖于创造分子或合成化学物质的能力。但科学的进步越来越依赖于对大数据集提出正确问题的能力，然后能够切实地得到这个问题的答案。
“而且，”Poldrack说，“有很多问题，如果没有高性能计算，你无法得到切实可行的答案。”
波特拉克认为，尽管近年来这个领域出现了信仰危机心理科学有很多话要说，对为什么人类做到他们所做的事情是非常可靠的，而神经科学为我们提供了理解的方式。
“我们正试图了解真正复杂的东西，”他说。“必须意识到我们所说的一切可能是错误的，但希望是它可以让我们更接近正确的东西。”
进一步探索
用户评论