Методологическая база исследований
Исследование психической репрезентации реальности требует комплексного методологического подхода, сочетающего субъективные отчёты испытуемых с объективными поведенческими и нейрофизиологическими данными. В работе лаборатории мы придерживаемся принципа триангуляции методов: каждый изучаемый конструкт операционализируется одновременно через самоотчётные шкалы, имплицитные экспериментальные процедуры и, по возможности, нейровизуализационные маркеры. Ниже описаны основные методологические блоки, составляющие инструментальную базу лаборатории.
Валидированные психометрические батареи
Ядро диагностического инструментария составляют опросники и тестовые процедуры, разработанные и стандартизированные сотрудниками лаборатории. Опросник перцептивной гибкости (ОПГ-24) измеряет склонность индивида к пересмотру перцептивных гипотез при столкновении с неоднозначной стимуляцией. Шкала полноты образа мира (ШПОМ) оценивает субъективную дифференцированность и связность представлений о различных сферах реальности (физической, социальной, темпоральной). Для оценки толерантности к перцептивной неоднозначности применяется адаптированная версия шкалы S. Budner в сочетании с собственной методикой оценки реакции на бистабильные стимулы. Все инструменты прошли проверку факторной структуры (confirmatory factor analysis), конвергентной и дискриминантной валидности, а также оценку ретестовой надёжности на выборках от 400 до 2000 респондентов.
Экспериментальные парадигмы
Имплицитные методы занимают центральное место в экспериментальной программе лаборатории, поскольку позволяют обойти ограничения сознательного самоотчёта. Мы используем модифицированные парадигмы семантического прайминга (semantic priming) для оценки силы ассоциативных связей в структуре образа мира: время реакции и величина прайминг-эффекта отражают организацию имплицитной семантической сети испытуемого. Парадигма имплицитных ассоциаций (Implicit Association Test, IAT) адаптирована для измерения автоматических оценочных установок в отношении категорий «реальное — нереальное», «знакомое — незнакомое». Перцептивное сопоставление (perceptual matching task) применяется для оценки скорости интеграции визуальной информации с хранимыми ментальными репрезентациями. Дополнительно используются парадигмы change blindness и inattentional blindness для изучения взаимосвязи между вниманием и субъективной репрезентацией сцены.
Нейровизуализация
Нейрокогнитивные исследования проводятся с применением двух основных модальностей. Функциональная магнитно-резонансная томография (fMRI) используется для локализации мозговых структур, вовлечённых в процессы конструирования и обновления перцептивного образа, — в частности, мы изучаем активность дорсолатеральной префронтальной коры (dlPFC), интрапариетальной борозды (IPS) и ретроспленальной коры в задачах переключения между альтернативными интерпретациями бистабильных стимулов. Электроэнцефалография высокой плотности (128-канальная EEG) обеспечивает высокое временное разрешение и позволяет анализировать динамику событийно-связанных потенциалов (ERP-компоненты P300, N400, late positive potential), а также осцилляторную активность в тета- и гамма-диапазонах, связанную с процессами перцептивного связывания (perceptual binding). Исследования проводятся на базе МЭГ-центра МГУ и Центра нейроэкономики и когнитивных исследований НИУ ВШЭ.
Вычислительное моделирование
Для формализации теоретических представлений о механизмах репрезентации мы применяем методы вычислительного моделирования. Основным фреймворком служат иерархические байесовские модели (hierarchical Bayesian models), позволяющие описать процесс восприятия как байесовский вывод (Bayesian inference), в котором prior beliefs индивида взаимодействуют с текущей сенсорной информацией. Модели predictive coding используются для описания нейронных механизмов формирования prediction error и обновления внутренних генеративных моделей. Параметры моделей оцениваются с помощью марковских цепей Монте-Карло (MCMC) и вариационного вывода. Для сетевого анализа когнитивных карт применяются графовые модели и методы community detection. Вычисления выполняются в средах R (пакеты brms, igraph) и Python (PyMC, NetworkX).