香港科技大学社会科学部博士生导师Janet H. Hsiao深入解析

今天我们将带大家深入解析香港科技大学社会科学部的博士生导师Janet H. Hsiao，通过这样的“方法论”，让大家学会如何从了解一个导师开始，到后期更好地撰写套磁邮件及其他文书。

研究领域解析和深入探讨

教授的主要研究领域包括Cognitive Science(认知科学)、Computational Modeling(计算建模)、Eye Movement analysis with Hidden Markov Models (EMHMM,隐马尔可夫模型眼动分析)、Visual Cognition(视觉认知)、Learning(学习)、Perceptual Expertise(知觉专业知识)、Face Recognition(面孔识别)、Reading(阅读)、Psycholinguistics(心理语言学)和Explainable AI(可解释的人工智能)。

认知科学是一个跨学科的研究领域,旨在探索人类心智的本质,包括感知、注意、记忆、语言、决策等各个方面。教授采用人工智能、实验心理学、心理语言学和认知神经科学等多学科的方法和理论来研究人类心智。值得一提的是,她开发了Eye Movement analysis with Hidden Markov Models (EMHMM)方法,利用隐马尔可夫模型量化个体在眼动模式和一致性方面的差异,这一创新方法彻底改变了利用眼动数据来理解认知过程的方式。

此外,教授还研究知觉专业知识的获得。知觉专业知识是指在特定领域(如识别鸟类、车辆等)通过大量练习而获得的卓越能力。通过研究专家和新手在眼动模式等方面的差异,有助于揭示专业知识的认知机制,以及如何通过训练提高个体的知觉能力。

精读教授所发表的文章

教授近年在认知科学领域顶级期刊上发表了多篇高质量文章,展现了她在视觉认知计算建模等方面的最新研究成果。以下是对其中几篇代表性文章的概括分析:

Hsiao, J. H., An, J., & Chan, A. B. (2022). Understanding face recognition: A deep learning and dynamic process account. Psychological Review, 129(2), 327–355.这篇发表在著名心理学期刊Psychological Review上的文章提出了一个创新的面孔识别计算模型。该模型结合了深度学习和动态过程分析,能够模拟人类面孔识别的关键特征,如整体处理、注意转移等。模型灵活、可解释性强,为理解人类面孔识别机制提供了新的视角。

An, J., & Hsiao, J. H. (2021). Modulation of mood on eye movement pattern and face recognition performance. Emotion, 21(3), 617–630.这项研究考察了情绪对面孔识别的影响。研究发现,相比中性情绪,积极或消极情绪会显著改变被试的眼动模式,如注视时间分配、扫描路径等。这种眼动模式的改变进而影响了面孔识别的正确率和反应时。该研究揭示了情绪和认知过程的密切关联,拓展了对情绪调节作用的认识。

Hsiao, J. H., Lan, H., Zheng, Y., & Chan, A. B. (2020). Eye movement analysis with hidden Markov models (EMHMM) with co-clustering. Behavior Research Methods, 52, 2473–2482.这篇方法学文章对EMHMM方法进行了扩展,引入了co-clustering技术,使其能够同时考虑被试内和被试间差异,从而更准确地刻画个体在眼动模式方面的特点。通过仿真和实验数据,文章展示了扩展后的EMHMM方法的有效性和优势。这一方法为眼动数据的深入分析提供了新的工具。

Chuk, T., Chan, A. B., & Hsiao, J. H. (2017). Is having similar eye movement patterns during face learning and recognition beneficial for recognition performance? Evidence from hidden Markov modeling. Vision Research, 141, 204–216.这项研究探讨了面孔学习和识别阶段眼动模式的一致性与识别表现之间的关系。利用EMHMM方法,研究量化了被试在两个阶段的眼动模式相似度,发现相似度越高,识别正确率越高。这一发现表明,一致的视觉处理模式有助于形成稳定的面孔表征,从而提高识别表现。该研究为优化学习策略提供了新的思路。

总的来说,教授近期发表的文章聚焦视觉认知领域前沿问题,如面孔识别的计算建模、情绪调节、眼动数据分析方法等。这些研究在方法上创新、在理论上深入,对认知科学研究做出了重要的学术贡献,展现了教授的学术实力。

教授的学术地位

学术兼职:教授担任多个重要学术职务。她现任British Journal of Psychology的主编(Editor-in-Chief),是该领域的顶级期刊之一。她还是Cognitive Science Soceity管理委员会(Governing Board)成员(2022-2028年),参与学会重大事务的决策。此外,她是Cognition的Section Editor(2021年至今)和Cognitive Science的Associate Editor(2018-2022年),负责审稿和组织专刊等编辑工作。这些学术兼职反映了教授在认知科学界的领导地位和学术影响力。

研究项目:教授主持和参与了多个重要的研究项目。她是香港科技大学人工智能研究中心(CAiRE)下属AI Ethics & Governance Lab的联合主任,领导实验室开展人工智能伦理和治理方面的研究。在香港大学工作期间,她担任The State Key Laboratory of Brain and Cognitive Sciences的首席研究员,推动认知科学领域的重大研究计划。这些研究项目展现了教授在组织和开展大型科研工作方面的能力。

学术网络:教授与认知科学界许多知名学者保持密切合作。她的研究涉及跨学科交叉,与计算机科学、心理学、神经科学等领域的专家有广泛的学术交流。她频繁应邀在国际会议上做报告,如Annual Meetings of Cognitive Science Society,并在该会议担任Program Committee Member。广泛的学术网络扩大了教授研究的影响力,也为她带来了新的研究灵感和合作机会。

有话说

教授的研究为认知科学领域带来了诸多启发,同时也引发了进一步的思考和探索。以下是一些基于教授研究的理解和创新思考:

跨学科视角的重要性:教授的研究充分体现了跨学科方法的优势。她将人工智能、心理学、神经科学等学科的理论和方法融合起来,从多角度探讨认知过程的本质。这启示我们,面对复杂的认知现象,单一学科的视角往往有局限性。跨学科合作有助于突破思维定势,产生创新性的研究思路和方法。未来的认知科学研究应进一步加强跨领域交流,鼓励不同背景的研究者合作攻关。

计算建模的科学价值:教授开发的EMHMM等计算模型,为探索认知过程的机制提供了有力工具。这些模型不仅能模拟人类行为,还能揭示潜在的认知过程,提供新的理论解释。计算建模使得认知科学研究更加精确、严谨,能够定量描述和预测复杂的心理现象。未来研究可进一步拓展计算认知模型的应用范围,如结合脑成像技术,建立神经计算模型,深入探讨大脑机制等。

注意在认知中的核心作用:教授多项研究揭示了注意在视觉认知中的关键作用。个体的眼动模式能够反映注意分配和认知策略。关注个体差异和注意的动态变化,有助于全面理解认知过程。未来研究可进一步探索注意与其他认知功能(如记忆、决策等)的交互,以及注意在不同感觉通道(如听觉、触觉等)中的作用机制。同时,发展新的注意测量和分析方法,也是一个值得探索的方向。

研究成果的应用前景:教授在可解释人工智能等方面的研究,展现了基础认知研究成果的应用前景。深入理解人类视觉认知过程,有助于开发更加智能、可解释的AI系统,如在自动驾驶、医疗诊断、人机交互等领域。同时,认知研究也可应用于教育、临床等实践领域,如优化学习策略、干预认知障碍等。未来研究应进一步加强基础研究与应用开发的结合,促进科研成果的转化和应用。