Академические итоги года 2025

Каждый год я стараюсь подводить какие-то итоги - такой взгляд назад на то, что было сделано, напоминает о том, откуда и куда примерно я иду в крупных временных масштабах:

🧠 Скатался в Амстердам на классную конференцию Computational Cognitive Neuroscience и на школу по evidence accumulation models
🧠 Добавил 197 статей в Zotero (и большинство прочитал, хотя конечно же не все из них помню в деталях)
🧠 Поучаствовал в организации невероятно интересной серии семинаров, посвящённых природе неопределённости и её изучению в разных дисциплинах ("Uncertainty: Navigating the Unpredictable in Society, Cognition, and Existence" при поддержке NOMIS Foundation)
🧠 Наконец-то опубликовал результаты магистерского диссера в Scientific Reports - надеюсь, что топ-2 самых цитируемых статей в моём гугл сколаре в ближайшие годы больше не будет включать в себя статьи по психологии киберспорта как сейчас
🧠 В феврале собрал 120 человек в эксперименте по измерению боли в деньгах, недавно провёл пилот по второму эксперименту, где мы оцениваем тест-ретестовую надёжность денежных шкал
🧠 За осенний семестр прошёл курс Behavioral Economics для PhD-студентов и чуть лучше (надеюсь) стал понимать культуру исследований у экономистов
🧠 Летом сдал свой Research Proposal, где я предлагаю 3 последовательных проекта на свой PhD-диссер - первый уже в ближайшее время надеюсь отправить на публикацию, по второму уже есть интересные предсказания из симуляций нескольких моделей в разных задачах, а третий надеюсь лучше проработать и начать весной
🧠 Провёл лекцию магистрам-экономистам про время реакции в экономических решениях
🧠 Осенью предпринял третью попытку поучить немецкий и закончил курс на А1 - вполне успешно, но чёт любви с этим языком опять не случилось и мотивации учить дальше нет, особенно когда вокруг в Швейцарии все говорят на каком-то неправильном немецком

За осенний семестр я сильно устал и в последние месяца полтора свалился в глубокую прокрастинацию, чередуя нетфликс с играми в стиме. Поэтому в новом году желаю себе не распыляться как обычно по миллионам дел и сфокусироваться на самых важных.

А вам желаю академических и прочих всевозможных успехов, новых идей, интересных проектов и многообещающих коллабораций! Всех с наступающим!

Хорошая идея!

И ещё одна интересная инициатива

Получил свой первый СОП (студенческую оценку преподавания) - да, всего за одну лекцию в курсе, и да, всего от 7 человек, но всё равно приятно!

Стоило опубликовать одну статью в Scientific Reports, как теперь в спам ежедневно приходят приглашения в какие-то хищнические журналы и на конференции, и почти всегда почему-то на медицинские темы, вот примеры лишь за последнюю неделю:

* 2nd International Conference on Ophthalmology and Vision Science (ICOVS-2026)
* International Journal of Bone Marrow Research
* Reports on Global Health Research (дважды)
* International Journal of Cognition and Behaviour
* Surgical Technolgy International
* Archives of Pulmonology and Respiratory Care
* Archives of Anatomy and Physiology
* 3rd International Conference on Mental Health and Human Resilience
* 6th Current Issues in Business and Economic Studies (CIBES) Conference
* Trends in Computer Science and Information Technology
* Global Conference on Addiction and Psychiatry (GAP 2026)

Можно подумать, что я известный офтальмолог, психиатр, пульмонолог, специалист по костному мозгу и вдобавок бизнесмен и айтишник, а не простой PhD-студент город Цюрих.

Ещё кст кто-то настойчиво несколько раз предлагал продать мне какое-то оборудование и реагенты для работы с CRISPR-Cas, потому что в моих публикациях они где-то нашли редактирование генов.

У кого спам тоже полон таких приглашений? После публикаций в каком журнале вам стало такое приходить? Интересно, как эти ребята вообще работают.

Нейроинтерфейсы? Нейроэкономика? Нейропсихология? А может лучше...

Об актуальности "бритвы Оккама" и новом взгляде на "экономность" моделей [1/3]

Известный принцип "бритва Оккама" гласит: не следует множить сущности без необходимости. Однако, как утверждают авторы недавней статьи в PNAS, сегодня не всё так однозначно.

Авторы выделяют два вида экономности (parsimony) моделей:
1. Экономность по ограничениям (by constraints) - модель экономна, если она менее гибкая относительно паттернов данных, которые она может воспроизвести.
Пример: предсказание отсутствия эффекта у тестируемого лекарства экономичнее, чем предсказание, что у лекарства будет хоть какой-то эффект.

2. Экономность по количеству компонент - модель экономна, если у неё меньше компонент (параметров, входных переменных, причин).
Пример: лингвистическая теория с 3 универсальными правилами экономичнее, чем теория с 1000 специфическими правилами.

Всегда ли мы должны соблюдать принцип экономности или иногда всё-таки более сложные теории/модели могут оказаться полезнее?

⬇️⬇️⬇️

Об актуальности "бритвы Оккама" и новом взгляде на "экономность" моделей [2/3]

Авторы обсуждают 6 факторов, которые стоит учитывать при выборе экономной или более сложной модели.

1. Точность предсказаний
Если вы уверены в надёжности предпосылок, на которых строите модель, то принцип экономности помогает. Если нет - может навредить, так как исходно неправильная модель может предсказывать неадекватные паттерны данных. И тут могут помочь очень сложные модели.

Да, они склонны к "переобучению", то есть плохо обобщаются на новые данные, при этом хорошо предсказывая тренировочные данные. Однако авторы рассказывают о феномене "double descent": увеличение сложности модели сначала снижает точность (ведёт к переобучению), но по мере дальнейшего увеличения сложности погрешность снова снижается (например, когда вы постепенно повышаете количество параметров в регрессии). Это приводит к имплицитной регуляризации модели. Картинку с этим феноменом прикреплю в конце.

2. Интерпретируемость
Авторы разделяют внутреннюю и внешнюю интерпретируемость. Первая скорее о том, что простые модели более прозрачны и интуитивно понятны. Однако это не всегда правда: нелинейные модели с одним параметром или нейросети с всего лишь двумя нейронами уже могут вести себя довольно сложно. При этом для действительно сложных ИИ-моделей активно развивается область "Explainable AI", помогающая объяснять решений нейронок.

Внешняя интерпретируемость же о том, как ваша модель соотносится с реальным миром. Если модель простая, а изучаемая вами часть реального мира слишком сложная, то её польза будет очень ограничена.

3. Эффективность в направлении исследований
Простые модели служат как "насосы интуиции" - они важны для коммуникации между учёными, облегчая обмен идеями. Они также важны для построения гипотез и понимания направлений исследований в целом.

Однако излишняя экономность моделей может вести к тому, что мы застреваем в "игрушечных проблемах", используя ограниченный набор простых заданий просто потому что они хорошо подходят под нашим простые модельки (чем особенно отличаются когнитивная наука, нейроэкономика). Хуже того, если в основе этих моделей лежат неправильные предпосылки, то и все эксперименты и гипотезы в дальнейшем могут пойти в неправильном направлении.

4. Эффективность использования ресурсов
Более экономные модели требуют меньше памяти и времени как на тренировку, так и на их использование, что особенно важно для учёных. Но и тут нюансы.

Во-первых, можно заставить сложную модель выучить структуру данных, а потом попробовать её "сжать" или изучать её части. Например, если у вас есть готовая большая модель сети реальных нейронов, то можно сосредоточиться на изучении лишь некоторой подгруппы нейронов в этой сети.

Во-вторых, иногда даже большие модели можно быстрее и легче оптимизировать. Например, в химии и физике нередко встречаются системы дифференциальных уравнений (авторы ссылаются на Chemical Master Equation), описывающих как состояние системы меняется со временем. Иногда оказывается, что аппроксимация решений таких уравнений нейросетями оказывается гораздо более быстрой и практичной, чем точный поиск решений.

⬇️⬇️⬇️

Об актуальности "бритвы Оккама" и новом взгляде на "экономность" моделей [3/3]

5. Пригодность для небольших и зашумленных наборов данных
Считается, что если данных мало, то и модель для них должна быть простой (что в целом правда). Но имплицитная регуляризация из первого пункта предыдущего поста верна и для малых данных. Более того, некоторые науки (например, климатология) часто используют не одну "самую правильную" модель, а ансамбли моделей, иногда конфликтующих между собой. Авторы при этом подмечают, что этот пункт верен скорее для моделирования с целью предсказания, а не для большего понимания мира.

6. Соответствие реальности
Ещё со времён Коперника считалось, что окружающий мир не сложен:

"We thus follow Nature, who producing nothing in vain or superfluous, often prefers to endow one cause with many effects".

Однако многие феномены в нейронауке, психологии, физике, социальных и политических науках сложны по своей природе. Предпочитая экономичные теории и модели, мы можем приходить к неправильным заключениям и упускать из виду важные переменные.

Некоторые ученые считают, что истинная природа изучаемой системы более сложна, даже если данные позволяют им различать только простые закономерности (например, в психологии). Напротив, другие ученые утверждают, что их система может быть действительно лаконичной, несмотря на наблюдения, которые кажутся сложными.

Заключение
В конце авторы предлагают альтернативный фреймворк для современной науки. Они предлагают не начинать с простых моделей и постепенно усложнять их по мере поступления новых данных. Наоборот, они предлагают начинать сложно и заканчивать просто. Можно начинать изучать структуру данных с помощью сложных моделей (вроде нейросетей), а по мере понимания закономерностей в этих данных, как бы очищать и урезать эту сложную модель, делая её всё более экономной.

Мне не показалось, что эти идеи новы, в разных областях я уже такое встречал. Например, я как-то упоминал (тут и тут) disentangled RNNs, которые пытаются моделировать в динамике латентные переменные, порождающие наблюдаемое поведение и определяемые нейросетями из поведенческих данных. Такие нейронки не делают предположений о механизмах, порождающих поведение, и в том числе могут использоваться и для совместного моделирования поведенческих и нейровизуализационных данных. А затем, постепенно упрощая исходную модель, можно прийти к чему-то более лаконичному.

При этом в самой статье как будто речь шла скорее о моделях вроде регрессии и нейронных сетей, а не условно механистических (и зачастую экономных) моделях, которые так часто используются в когнитивных науках. Но, как говорится, заставляется задуматься.

Double descent (двойное снижение?) ошибки предсказания на примере полиномиальной регрессии

Зелёными обозначена функция третьей степени, сгенерировавшая данные. Затем к этим данным подбираются параметры для функций первой, третьей, двадцатой и тысячной степени (розовым цветом, слева направо). Низкая ошибка предсказания достигается как для моделей третьей, так и тысячной степени.

Подписчик прислал интересный комментарий к предыдущим постам от ллмки Claude Opus про Эйнштейна:

Интересные посты! Но с Эйнштейном история скорее иллюстрирует обратное тому, что ты описал — и при этом отлично ложится на фреймворк из статьи.
До Эйнштейна физика как раз пыталась латать относительно простую ньютоновскую механику всё более сложными «костылями»: гипотетический эфир для объяснения распространения света, дополнительные планеты для объяснения аномалий орбиты Меркурия, преобразования Лоренца как ad-hoc поправки. То есть шла классическим путём «начинаем просто, постепенно усложняем».
Эйнштейн же сделал нечто парадоксальное с точки зрения бритвы Оккама. Общая теория относительности математически намного сложнее ньютоновской гравитации — это тензорные уравнения на римановых многообразиях. Но при этом она экономнее по ограничениям (первый тип из поста): у неё меньше ad-hoc допущений, она выводит гравитацию из одного элегантного принципа — искривления пространства-времени массой.
Так что это хороший пример того, что «простота» — понятие неоднозначное. Модель может быть одновременно сложнее по количеству компонент, но экономнее по ограничениям. И это прямо перекликается с заключением статьи: иногда полезно начать со сложной структуры, а потом «очистить» её до чего-то элегантного — что, по сути, Эйнштейн и сделал, переосмыслив накопленные наблюдения через более мощный, но концептуально цельный формализм.

Я уже придумал тему исследования: "Импульсивный Крош или неуверенный Ёжик? Изучение индивидуальных различий в принятии решений у Смешариков с помощью диффузионных моделей принятия решений"

Осталось спросить научника, покроет ли универ участие в конфе по Smeshariki Studies 🙈

💙 Дорогие друзья, мы очень рады сообщить, что открываем прием заявок на третью конференцию «ФЕНОМЕНАЛЬНО!», которую мы проведем совместно с ГК РИКИ 11-12 апреля

🔍 В этот раз мы решили сосредоточиться на научно-популярном формате. На прошлой конференции собралась широкая и многочисленная аудитория, которую объединила любовь к Смешарикам и желание понять их глубже. Нам показалось, что стоит воспользоваться возможностью общения одновременно с юными и взрослыми зрителями — общения на доступном, научно-популярном языке. Это язык одинаково ясно и увлекательно объяснит законы термодинамики и принципы классицизма.

Мы ждем докладчиков с интересными темами и яркими выступлениями. Использование подручных средств, макетов, визуальных материалов только приветствуется — будем рады вашим экспериментам! Особенно настойчиво приглашаем коллег из технических и естественно-научных областей.

📌 Требования к тезисам и темам вы найдете на нашем лендинге. Для вдохновения советуем обратиться к программам прошлых конференций. Главное: доклад длится не более 15 минут, тезисы не превышают 300 слов, поэтому подготовка не займет у вас много времени. Участие преимущественно очное, но мы готовы обсудить с вами возможность удаленного выступления.

📆 Конференция пройдет 11-12 апреля, о площадке сообщим позднее.
📌 Дедлайн приема заявок — 15 марта.
📍Подача заявок доступна на нашем сайте: https://rikiteam.ru/fenomenalno

Академическое изучение Смешариков остается для нас актуальным, обязательно вернемся к нему, а пока — приглашаем вас поделиться любовью к сериалу и науке на нашей конференции! Она остается важной точкой сбора сообщества молодых исследователей, с нетерпением ждем встречи с вами

Будем благодарны, если вы поделитесь этой новостью со своими друзьями 🙏

Прошлой весной на нашей серии семинаров было много гостей, аффилированных с Complexity Science Hub в Вене. Одним из них был Пётр Турчин, основатель клиодинамики - области исследований, пытающейся тестировать исторические гипотезы на количественных данных и строить математические модели социальных и исторических процессов. Не знаю, насколько его идеи приняты в кругах историков, но читать об этом довольно увлекательно.

А тут наткнулся на видео с визуализацией его структурно-демографической теории и с интригующим названием Math Predicting the Death of Nations. В нём визуализируются дифференциальные уравнения, описывающие связь в популяции количества доступных ресурсов, элит, commoners (обычных людей) и государства (как инструмента увеличения доступных популяции ресурсов за счёт налогов).

В теории довольно много неопределённости лично для меня - например, не всегда понятно, как определяются элиты и контр-элиты. Из лекций и постов Петра на сабстаке я понял, что в контексте США, например, он часто определяет элиты как людей либо с высшим образованием, либо просто богатых - хотя того же Трампа он называл контр-элитой, по крайней мере до его президентства. А с нашего семинара я нашёл забавную цитату про то, что выпускники юриспруденции самые опасные:

One problem is that the Law school graduates is one of the most dangerous segments of population because there is a disproportionate number of counter-elites that have been successful revolutionaries (Castro, Lenin, Robespierre, and others).

В любом случае видос посмотреть рекомендую, особенно если вам нравятся красивые визуализации и даже если вы не очень любите уравнения.

https://www.youtube.com/watch?v=B5cMfyFqKmM