2026年7月13日至17日，北京大学元培学院2023级本科生李沂桉参加了北京大学—伦敦大学学院心理学暑期学校。本次暑期交流聚焦计算心理学、认知神经科学、强化学习以及人工智能与脑科学等前沿交叉领域。活动期间，李沂桉系统参与了理论课程与实践工作坊，积极探索物理学定量建模方法与人类认知机制研究的交叉融合。下文为李沂桉同学对本次暑期学校经历的总结体会。

7月13日至17日，我参加了北京大学—伦敦大学学院心理学暑期学校。本次交流围绕计算心理学、认知神经科学、强化学习、人工智能与脑科学等主题展开。作为元培学院物理学专业本科生，我希望借此补足认知心理学与实验研究方面的理论基础，并将物理学中的定量建模训练、编程能力与对人类认知机制的研究结合起来。

课程首先使我更具体地理解了强化学习模型在解释行为与心理状态中的作用。关于奖励预测误差、前额叶调控和跨物种适应性行为的讲座，使我认识到同一类计算信号在不同脑区和物种中可能具有不同的读取与行为转化方式。关于焦虑的强化学习研究则提醒我，计算模型中的惩罚学习率、敏感性等参数并非只是抽象数字，而可能与真实的情绪障碍机制及干预路径相关。hBayesDM实践工作坊进一步介绍了贝叶斯层级模型、参数估计、模型比较、数据模拟和参数恢复等方法，使我对如何从试次级行为数据中提取稳定、可解释的认知参数形成了更清晰的认识。

在人工智能与认知建模的相关课程中，我尤其受到“以理论、任务和数据共同约束模型”这一思路的启发。人类能够从有限经验中实现快速泛化，而目前人工智能系统在这一方面仍存在重要差距。课程提出应通过结构化过程模型、模型与人类行为的比较以及跨任务泛化等方式，探究行为背后难以直接观测的功能、物理规律、意向性、因果性和效用结构。这与我目前在计算决策实验室开展的跨认知任务预测研究高度相关。过去我更多关注神经网络是否能在不同任务间完成预测；通过本次学习，我进一步认识到，模型的价值不仅在于提高预测指标，更在于提出可检验的认知假设，并说明其内部表征与人类行为之间的关系。

关于注意节律、头向细胞和环形吸引子网络的课程，也使我感受到理论神经科学与物理学训练之间的紧密联系。神经系统对空间、方向和外界刺激的稳定表征，可以通过递归网络动力学和连续吸引子等模型加以描述。实践环节中从基础原理出发构建并模拟网络的过程，让我更加理解了数学模型、神经生理机制和可视化分析之间的对应关系。这种由机制假设出发、再以模型验证其行为后果的研究范式，为我今后开展神经网络建模提供了重要参考。

在社会认知和决策主题的学习中，我了解到利他选择、社会网络学习和社会结构表征都不能仅以个体层面的偏好解释。人们需要在有限认知资源下整合他人信息、推断群体关系，并在复杂社会环境中作出决策。隐马尔可夫模型相关课程展示了如何从行为序列、眼动数据、问卷回答和重复博弈中推断潜在心理状态，也让我意识到行为数据中的时间结构和状态转换值得在现有研究中被认真对待。未来在跨任务预测工作中，我将考虑分析不同任务条件下模型和被试是否存在可区分的潜在策略状态，而不仅将全部数据视为同质样本。

深度神经网络与神经表征分析的工作坊进一步拓展了我的研究视野。课程讨论了如何将深度网络与神经数据结合，并以实际分析流程说明了从研究问题、模型选择到结果解释的完整路径。这使我认识到，使用人工神经网络研究大脑并不意味着将网络结果直接等同于神经机制；更关键的是明确模型回答的科学问题，采用恰当的比较标准，并结合行为、脑成像或其他神经数据进行交叉验证。有关语义记忆、视觉与语言整合以及意识研究的讲座，也进一步说明了认知神经科学的问题需要实验设计、心理物理学、机器学习和神经影像等多种工具共同推进。

最后，我还和组员合作，完成了一次主题为“在强化学习任务中利用RNN捕捉个体差异”的精彩报告。通过同组员的交流讨论，我不仅扎实了我在心理学和认知科学方面的基础，也大大开拓了我的研究视野，对我未来的研究工作颇具指导意义。

通过此次暑期学校，我系统接触了计算心理学和认知神经科学中的重要研究议题与方法，也更加明确了自身后续学习的方向。回国后，我将整理课程笔记和阅读材料，重点学习贝叶斯认知建模、隐马尔可夫模型及模型验证方法，并将“理论约束”“跨任务泛化”和“可解释性”纳入当前跨任务预测模型的设计与评估。同时，我也会继续夯实认知心理学、神经科学和统计推断基础，争取在未来结合行为实验与神经数据，从算法、行为和神经机制三个层面研究人类决策与认知的通用表征。本次交流不仅提升了我的国际学术视野和英文交流能力，更坚定了我以物理学定量方法参与脑科学与计算认知研究的决心。