Experiments in research on memory, language, and in other areas of cognitive science are increasingly being analyzed using Bayesian methods. This has been facilitated by the development of probabilistic programming languages such as Stan, and easily accessible front-end packages such as brms. The utility of Bayesian methods, however, ultimately depends on the relevance of the Bayesian model, in particular whether or not it accurately captures the structure of the data and the data analyst's domain expertise. Even with powerful software, the analyst is responsible for verifying the utility of their model. To demonstrate this point, we introduce a principled Bayesian workflow (Betancourt, 2018) to cognitive science. Using a concrete working example, we describe basic questions one should ask about the model: prior predictive checks, computational faithfulness, model sensitivity, and posterior predictive checks. The running example for demonstrating the workflow is data on reading times with a linguistic manipulation of object versus subject relative clause sentences. This principled Bayesian workflow also demonstrates how to use domain knowledge to inform prior distributions. It provides guidelines and checks for valid data analysis, avoiding overfitting complex models to noise, and capturing relevant data structure in a probabilistic model. Given the increasing use of Bayesian methods, we aim to discuss how these methods can be properly employed to obtain robust answers to scientific questions. All data and code accompanying this article are available from https://osf.io/b2vx9/. (PsycInfo Database Record (c) 2020 APA, all rights reserved).

中文翻译：

---

迈向认知科学中的原则性贝叶斯工作流程。

越来越多地使用贝叶斯方法分析记忆、语言和其他认知科学领域的研究实验。这得益于 Stan 等概率编程语言和 brms 等易于访问的前端包的开发。然而，贝叶斯方法的效用最终取决于贝叶斯模型的相关性，特别是它是否准确地捕获了数据的结构和数据分析师的领域专业知识。即使使用功能强大的软件，分析师也要负责验证其模型的实用性。为了证明这一点，我们向认知科学引入了一个有原则的贝叶斯工作流（Betancourt，2018 年）。使用一个具体的工作示例，我们描述了人们应该问的关于模型的基本问题：先验预测检查，计算忠实度、模型敏感性和后验预测检查。用于演示工作流程的运行示例是有关阅读时间的数据，其中对宾语与主语从句进行语言处理。这个有原则的贝叶斯工作流还演示了如何使用领域知识来通知先验分布。它为有效数据分析提供指导和检查，避免复杂模型过度拟合噪声，并在概率模型中捕获相关数据结构。鉴于贝叶斯方法的使用越来越多，我们旨在讨论如何正确使用这些方法来获得科学问题的可靠答案。本文随附的所有数据和代码均可从 https://osf.io/b2vx9/ 获得。（PsycInfo 数据库记录 (c) 2020 APA，保留所有权利）。和后验预测检查。用于演示工作流程的运行示例是有关阅读时间的数据，其中对宾语与主语从句进行语言处理。这个有原则的贝叶斯工作流还演示了如何使用领域知识来通知先验分布。它为有效数据分析提供指导和检查，避免复杂模型过度拟合噪声，并在概率模型中捕获相关数据结构。鉴于贝叶斯方法的使用越来越多，我们旨在讨论如何正确使用这些方法来获得科学问题的可靠答案。本文随附的所有数据和代码均可从 https://osf.io/b2vx9/ 获得。（PsycInfo 数据库记录 (c) 2020 APA，保留所有权利）。和后验预测检查。用于演示工作流程的运行示例是有关阅读时间的数据，其中对宾语与主语从句进行语言处理。这个有原则的贝叶斯工作流还演示了如何使用领域知识来通知先验分布。它为有效数据分析提供指导和检查，避免复杂模型过度拟合噪声，并在概率模型中捕获相关数据结构。鉴于贝叶斯方法的使用越来越多，我们旨在讨论如何正确使用这些方法来获得科学问题的可靠答案。本文随附的所有数据和代码均可从 https://osf.io/b2vx9/ 获得。（PsycInfo 数据库记录 (c) 2020 APA，保留所有权利）。用于演示工作流程的运行示例是有关阅读时间的数据，其中对宾语与主语从句进行语言处理。这个有原则的贝叶斯工作流还演示了如何使用领域知识来通知先验分布。它为有效数据分析提供指导和检查，避免复杂模型过度拟合噪声，并在概率模型中捕获相关数据结构。鉴于贝叶斯方法的使用越来越多，我们旨在讨论如何正确使用这些方法来获得科学问题的可靠答案。本文随附的所有数据和代码均可从 https://osf.io/b2vx9/ 获得。（PsycInfo 数据库记录 (c) 2020 APA，保留所有权利）。用于演示工作流程的运行示例是有关阅读时间的数据，其中对宾语与主语从句进行语言处理。这个有原则的贝叶斯工作流还演示了如何使用领域知识来通知先验分布。它为有效数据分析提供指导和检查，避免复杂模型过度拟合噪声，并在概率模型中捕获相关数据结构。鉴于贝叶斯方法的使用越来越多，我们旨在讨论如何正确使用这些方法来获得科学问题的可靠答案。本文随附的所有数据和代码均可从 https://osf.io/b2vx9/ 获得。（PsycInfo 数据库记录 (c) 2020 APA，保留所有权利）。这个有原则的贝叶斯工作流还演示了如何使用领域知识来通知先验分布。它为有效数据分析提供指导和检查，避免复杂模型过度拟合噪声，并在概率模型中捕获相关数据结构。鉴于贝叶斯方法的使用越来越多，我们旨在讨论如何正确使用这些方法来获得科学问题的可靠答案。本文随附的所有数据和代码均可从 https://osf.io/b2vx9/ 获得。（PsycInfo 数据库记录 (c) 2020 APA，保留所有权利）。这个有原则的贝叶斯工作流还演示了如何使用领域知识来通知先验分布。它为有效数据分析提供指导和检查，避免复杂模型过度拟合噪声，并在概率模型中捕获相关数据结构。鉴于贝叶斯方法的使用越来越多，我们旨在讨论如何正确使用这些方法来获得科学问题的可靠答案。本文随附的所有数据和代码均可从 https://osf.io/b2vx9/ 获得。（PsycInfo 数据库记录 (c) 2020 APA，保留所有权利）。鉴于贝叶斯方法的使用越来越多，我们旨在讨论如何正确使用这些方法来获得科学问题的可靠答案。本文随附的所有数据和代码均可从 https://osf.io/b2vx9/ 获得。（PsycInfo 数据库记录 (c) 2020 APA，保留所有权利）。鉴于贝叶斯方法的使用越来越多，我们旨在讨论如何正确使用这些方法来获得科学问题的可靠答案。本文随附的所有数据和代码均可从 https://osf.io/b2vx9/ 获得。（PsycInfo 数据库记录 (c) 2020 APA，保留所有权利）。