Dissertação
Diffusion augmentation in latent program spaces as a cognitive model of psychedelic action EVALUATED
A investigação das drogas psicadélicas encontra-se numa fase de renascimento devido ao seu potencial no tratamento de doenças psicológicas. Estudos indicam que os psicadélicos podem levar os pacientes a terem experiências profundas, que podem catalisar mudanças psicológicas duradouras. No entanto, ainda há uma enorme lacuna na compreensão das interações neurofarmacológicas destas substâncias e como estas afetam a atividade neuronal e os efeitos positivos observados na psicoterapia assistida por psicadélicos. Investigar modelos computacionais, na área da neurociência cognitiva, pode ser um passo essencial para melhorar a compreensão destas drogas. Nesta tese, propõe-se um método computacional baseado num modelo de Bayesian Program Learning (BPL) que pretende simular o efeito dos psicadélicos no cérebro. A hipótese é que durante a experiência psicadélica, os modelos internos que as pessoas têm do mundo são modulados de alguma forma, permitindo-lhes formular "novas perspetivas". A metodologia desenvolvida estabelece uma analogia entre os efeitos das drogas psicadélicas e uma pipeline de programação probabilística, através 1) do aumento de dados de treino por meio de um procedimento de perturbações difusivas num espaço latente generativo e 2) da avaliação do seu impacto na performance do modelo na realização de uma tarefa de classificação. Os resultados mostram que a framework desenvolvida resulta num ligeiro melhoramento da performance do modelo em comparação com a experiência de controlo realizada, sugerindo que a abordagem deve ser futuramente explorada e refinada não apenas no contexto de modelos de machine learning, mas também no domínio da investigação dos psicadélicos e da ciência cognitiva.
abril 21, 2023, 10:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Cláudia Alexandra Martins Lobato da Silva
Departamento de Bioengenharia (DBE)
Professor Associado
