Given the ecological importance of face recognition, it is not surprising that the visual system is capable of processing faces with remarkable efficiency. When presented with a face, information is rapidly extracted to detect and categorize it as a face, followed by face-specific information such as age, gender, and identity. According to cognitive and neural models, the processes underlying face recognition encompass a sequence of steps that begin with a perceptual or visual analysis followed by more image-invariant and identity-selective representations. Importantly, it is only familiar faces for which we have acquired long-term face memories that reach the final stages of identity processing to permit robust, image-invariant behavioural recognition. A key aspect of face processing is that it is fast and automatic. This can be said for both high-level categorization (i.e., detecting that a stimulus is a face) and for encoding at the identity-level. The purpose of these experiments was to use novel electrophysiological and psychophysical techniques to characterize these fast and automatic categorization processes. Experiment 1 and 2 used an implicit visual discrimination paradigm (fast periodic visual stimulation; FPVS) combined with electroencephalography (EEG) to isolate identity-specific neural responses to a personally familiar face, the own-face, and an unfamiliar stranger face. Experiment 1 showed that identity-specific responses recorded over the occipito-temporal region were stronger for a personally familiar face compared to the unfamiliar control identity, while the response to the own-face was even greater than to a personally familiar friend. In Experiment 2, identity-specific responses for a given identity were measured in participants both before and after real-world familiarization. As expected, the results showed a significant increase in the identity-specific response once participants became personally familiar with the test identities. In Experiment 3, we used saccadic eye movements to estimate the lower bounds of the speed of face categorization, and in particular to investigate the question of whether this categorization occurs during early feedforward processing. The results support the view that information needed to detect and selectively respond to face stimuli happens during the earliest visual processing. Collectively, these studies provide additional insight on the mechanisms underlying rapid and automatic face detection and face identity recognition. / Graduate

Studying newborns in the first days of life prior to experiencing the world provides remarkable insights into the neurocognitive predispositions that humans are endowed with. First, it helps us to improve our current knowledge of the development of a typical brain. Secondly, it potentially opens new pathways for earlier diagnosis of several developmental neurocognitive disorders such as Autism Spectrum Disorder (ASD). While most studies investigating early cognition in the literature are purely behavioural, recently there has been an increasing number of neuroimaging studies in newborns and infants. Electroencephalography (EEG) is one of the most optimal neuroimaging technique to investigate neurocognitive functions in human newborns because it is non-invasive and quick and easy to mount on the head. Since EEG offers a versatile design with custom number of channels/electrodes, an ergonomic wearable solution could help study newborns outside clinical settings such as their homes. Compared to adult EEG, newborn EEG data are different in two main aspects: 1) In experimental designs investigating stimulus-related neural responses, collected data is extremely short in length due to the reduced attentional span of newborns; 2) Data is heavily contaminated with noise due to their uncontrollable movement artifacts. Since EEG processing methods for adults are not adapted to very short data length and usually deal with well-defined, stereotyped artifacts, they are unsuitable for newborn EEG. As a result, researchers manually clean the data, which is a subjective and time-consuming task. This thesis work is specifically dedicated to developing (semi-) automated novel signal processing methods for noise removal and for extracting reliable neural responses specific to this population. The solutions are proposed for both high-density EEG for traditional lab-based research and wearable EEG for clinical applications. To this end, this thesis, first, presents novel signal processing methods applied to newborn EEG: 1) Local Outlier Factor (LOF) for detecting and removing bad/noisy channels; 2) Artifacts Subspace Reconstruction (ASR) for detecting and removing or correcting bad/noisy segments. Then, based on these algorithms and other preprocessing functionalities, a robust preprocessing pipeline, Newborn EEG Artifact Removal (NEAR), is proposed. Notably, this is the first time LOF is explored for EEG bad channel detection, despite being a popular outlier detection technique in other kinds of data such as Electrocardiogram (ECG). Even if ASR is already an established artifact real algorithm originally developed for mobile adult EEG, this thesis explores the possibility of adapting ASR for short newborn EEG data, which is the first of its kind. NEAR is validated on simulated, real newborn, and infant EEG datasets. We used the SEREEGA toolbox to simulate neurologically plausible synthetic data and contaminated a certain number of channels and segments with artifacts commonly manifested in developmental EEG. We used newborn EEG data (n = 10, age range: 1 and 4 days) recorded in our lab based on a frequency-tagging paradigm. The chosen paradigm consists of visual stimuli to investigate the cortical bases of facelike pattern processing, and the results were published in 2019. To test NEAR performance on an older population with an event-related design (ERP) and with data recorded in another lab, we also evaluated NEAR on infant EEG data recorded on 9-months-old infants (n = 14) with an ERP paradigm. The experimental paradigm for these datasets consists of auditory stimulus to investigate the electrophysiological evidence for understanding maternal speech, and the results were published in 2012. Since authors of these independent studies employed manual artifact removal, the obtained neural responses serve as ground truth for validating NEAR’s artifact removal performance. For comparative evaluation, we considered the performance of two state-of-the-art pipelines designed for older infants. Results show that NEAR is successful in recovering the neural responses (specific to the EEG paradigm and the stimuli) compared to the other pipelines. In sum, this thesis presents a set of methods for artifact removal and extraction of stimulus-related neural responses specifically adapted to newborn and infant EEG data that will hopefully contribute to strengthening the reliability and reproducibility of developmental cognitive neuroscience studies, both in research laboratories and in clinical applications.

Making decisions is a dynamic process. Especially when we face a decision between conflicting options, different forces seem to drag our mind from one option to the other one (James, 1890), again and again. This process may last for a long time, sometimes only coming to a decision when we are finally forced to choose, e.g. by an important deadline. Psychology and many other disciplines were interested in how humans make decisions from their beginnings on. Many different influences on decisions were discovered (e.g. Kahneman & Tversky, 1979; Todd & Gigerenzer, 2000). In the face of these advances, it seems odd, that knowledge about the ongoing process of reaching a decision is rare and much of the investigation has focused on the final outcome of choice situations (Townsend & Busemeyer, 1995). A very recent approach, called neuroeconomics, started out to investigate what happens behind the scenes of a final decision. Using modern neuroimaging methods, many neuroeconomists explain decision making in the brain in terms of a hierarchy of different neural modules that work together like a big corporation to finally make the best possible decision (Sanfey, Loewenstein, McClure, & Cohen, 2006). However, the focus on neural modules also limits this approach to a quite static view of decision making and many questions, related to the dynamic aspects of decision making, still remain open: How do we continuously control impulsive or habitual tendencies in our decisions when we pursue long-term goals? How do we shift attention back and forth between (goal) relevant properties of choice options? How do we adjust and readjust our focus of attention to relevant information in order to avoid distraction by irrelevant or misleading information? And how are we influenced by the environmental context when we make decisions? The present work aims to show how an approach based on the concepts of dynamic systems theory could complement the module oriented approach and enhance our knowledge of the processes of decision making. Chapter 2 elaborates the limits of the module oriented approach, with a special focus on decisions under conflict, when we are faced with conflicting information, and introduces the principles of a complementary dynamic approach. Chapter 3 deduces the dynamic hypothesis of this work: ongoing processes interactions at different time scales can explain specific cognitive functions without postulating specialized modules for this function. To approach this hypothesis, chapter 4 will develop a theoretical and empirical framework to study decision making dynamically. The empirical part, building on the empirical framework, starts with chapter 5 presenting an EEG experiment. Chapter 6 presents two mouse tracking experiments, and chapter 7 presents a modelling study, reproducing the empirical data of chapters 5 and 6. The general discussion in chapter 8 summarizes the theoretical and empirical results and discusses possible limitations. Finally, chapter 9 discusses the implications of the dynamic approach to decision making, presents an outlook on future research projects, and closes the work by offering a dynamic picture of the processes behind the stage of a final decision. / „Man kann nicht beides haben: Den Rahm und die Butter.“ - „Wer die Wahl hat, hat die Qual.“ Mit diesen Sprichwörtern beklagt der Volksmund, womit das Leben uns immer wieder konfrontiert: wir müssen entscheiden, und oftmals führt uns das in Entscheidungskonflikte. Im Dilemma solcher Konflikte mag es begründet sein, dass das Thema der vorliegenden Arbeit, die Entscheidungsforschung, nicht nur in der Psychologie schon immer eine wichtige Rolle spielte, sondern auch in anderen Disziplinen, wie der Ökonomie, der angewandten Mathematik und der Philosophie. Die langjährigen Bestrebungen, diese unterschiedlichen Fachbereiche zu integrieren (z.B. Kahneman & Tversky, 1979; von Neumann & Morgenstern, 1944; Savage, 1972), münden aktuell in das Forschungsgebiet der Neuroökonomie (Camerer, Loewenstein, & Prelec, 2005; Loewenstein, Rick, & Cohen, 2008; Sanfey, Loewenstein, McClure, & Cohen, 2006). Neuroökonomen nutzen vielfach die Methoden der bildgebenden Hirnforschung, um durch die Lokalisierung der neuronalen Basis hierarchisch gegliederter Module Entscheidungsprozesse zu erklären (z.B. Sanfey et al., 2006; Fellows, 2004). Während die Anwendung bildgebender Methoden Potential birgt (z.B. Harrison, 2008), ist es vor allem der modulorientierte Ansatz, der das Risiko einer zu eingeschränkten Sichtweise auf Entscheidungsprozesse trägt (z.B. Ortmann, 2008; Oullier & Kelso, 2006). Dies zeigt sich zum Beispiel im von der kognitiven Psychologie intensiv erforschten Bereich von Entscheidungen unter Konflikt. Eine zentrale Rolle bei dieser Art von Entscheidungen spielen kognitive Kontrollprozesse, die der Umsetzung zielorientierten Verhaltens (Norman & Shallice, 2000) durch Konfliktlösung und -anpassung dienen. Als Bindeglied dieser beiden Prozesse gilt die Detektion von Entscheidungskonflikten, welche die vorherrschende Conflict Monitoring Theory (Botvinick, Braver, Barch, Carter, & Cohen, 2001) entsprechend dem modulorientiertem Ansatz einem speziellen neuronalen Modul zuordnet, das im anterioren cingulären Cortex lokalisiert ist (Botvinick, Cohen, & Carter, 2004). Die Probleme eines einseitigen modulorientierten Ansatzes verdeutlichen hier unter anderem die widersprüchliche Befundlage (z.B. Mansouri, Tanaka, & Buckley, 2009) und die letztlich weiterhin ungeklärte Frage nach den zugrundeliegenden Prozessen. Die Arbeit hat deshalb zum Ziel, den modulorientierten Ansatz um einen komplementären Ansatz auf Basis der Theorie dynamischer Systeme (Dynamical Systems Theory, DST) zu ergänzen. Aus dem grundlegenden DST-Prinzip der kontinuierlichen (z.B. Spivey, 2007) Interaktion rückgekoppelter Komponenten (z.B. Kelso, 1995; Van Orden, Holden, & Turvey, 2003) wird zunächst die dynamische Hypothese abgeleitet, dass sich Effekte auf verschiedenen Zeitskalen gegenseitig bedingen und einander hervorbringen. Für Entscheidungen unter Konflikt bedeutet dies, dass sich die Prozesse der Konfliktlösung und anpassung durch ihre direkte Interaktion im kognitiven System gegenseitig erzeugen. Zur Überprüfung dieser Hypothese werden innerhalb der Arbeit generelle empirische Strategien entwickelt, welche die Untersuchung von Entscheidungsprozessen auf verschiedenen Zeitskalen ermöglichen. Im empirischen Teil der Arbeit werden sodann zwei dieser Strategien zur Anwendung gebracht, um den Erkenntnisgewinn des dynamischen Ansatzes zu illustrieren. Zunächst wird in einer EEG-Studie eine Frequency-Tagging-Methode (z.B. Müller & Hübner, 2002; Müller, Andersen, & Keil, 2007) auf die Untersuchung der kognitiven Kontrollprozesse in einer Flanker-Aufgabe (Eriksen & Eriksen, 1974) adaptiert. Die neue Kombination einer kontinuierlichen neurophysiologischen Methode und eines klassischen Konflikt-Paradigmas ermöglicht die gleichzeitige Untersuchung kontinuierlicher Veränderungen der Aufmerksamkeit auf relevante und irrelevante Information. Die Ergebnisse der Studie stützen die Hypothese einer direkten Interaktion von Prozessen der Konfliktlösung und -anpassung und stellen bereits einen Widerspruch zur Conflict Monitoring Theory dar. Als weitere empirische Strategie wird in zwei Experimenten die Methode des Maus-Tracking (z.B. Buetti & Kerzel, 2009; Song & Nakayama, 2009; Spivey, Grosjean, & Knoblich, 2005) im Rahmen einer Simon-Aufgabe (Simon, 1969) eingesetzt. Die erneute Kombination einer kontinuierlichen Methode, diesmal auf Reaktionsebene, mit einem klassischen Konflikt-Paradigma erlaubt die Messung von Verhaltenstendenzen im Verlauf des gesamten Entscheidungsprozesses. Mit Hilfe einer neu entwickelten regressionsbasierten Analysemethode werden die Subprozesse einzelner Entscheidungen separiert und Einblicke in die Dynamik von Konfliktlösung und -anpassung gewonnen. Die Ergebnisse zeigen ein komplexes Muster zeitlicher Interaktion zwischen den beiden kognitiven Kontrollprozessen, wobei die Konfliktanpassung zeitlich unabhängig von der Verarbeitung irrelevanter Information ist. Dies steht erneut im Widerspruch zu Annahmen der Conflict Monitoring Theory. Zusammenfassend stützen die empirischen Ergebnisse die dynamische Hypothese der kontinuierlichen Interaktion rückgekoppelter Komponenten und werden im nächsten Schritt in einem dynamisch-konnektionistischen Netzwerkmodell integriert. Als Alternative zum Modell der Conflict Monitoring Theory verzichtet es entsprechend dem dynamischen Ansatz auf ein Conflict Monitoring Modul (Botvinick et al., 2001). Es verfügt stattdessen über Verarbeitungs-Prozesse auf verschiedenen Zeitskalen (Kiebel, Daunizeau, & Friston, 2008) und eine Rückkopplung zwischen der Netzwerkschicht, die der Informationsverarbeitung dient, und jener, die der Zielrepräsentation dient (Gilbert & Shallice, 2002; Cohen & Huston, 1994). Die Ergebnisse der Simulation zeigen, dass das Modell sowohl die klassischen Befunde zur Konfliktlösung und anpassung (z.B. Gratton, Coles, & Donchin, 1992), als auch das in den empirischen Studien gefundene kontinuierliche Datenmuster von Entscheidungsprozessen reproduziert. Die empirischen Befunde und die Ergebnisse der Modellierung bestätigen somit die postulierte dynamische Hypothese, dass sich Effekte auf verschiedenen Zeitskalen gegenseitig bedingen und einander hervorbringen. Dies verdeutlicht den komplementären Wert des dynamischen Ansatzes zum modulorientierten Ansatz, welcher vielfach in der Neuroökonomie verfolgt wird. Der hier entwickelte DST-basierte Ansatz bietet somit sowohl ein komplementäres Denkmodell, welches wie der modulorientierte Ansatz eine Verbindung zwischen den Phänomenen auf neuronaler und Verhaltensebene herstellt, als auch neue empirische Methoden zur dynamischen Erforschung von Entscheidungen. Daraus wird abschließend eine Fokuserweiterung für die zukünftige Forschung abgeleitet: zum einen auf die kontinuierlichen Prozesse, welche zu einer Entscheidung führen, und zum anderen auf die Interaktionsdynamik dieser Prozesse. Die Arbeit schließt mit dem Bild eines Entscheidungsprozesses als einer selbstorganisierten, metastabilen Balance (z.B. Kelso, 1995) bei der Lösung verschiedener Entscheidungsdilemmata (Goschke, 2003).

Making decisions is a dynamic process. Especially when we face a decision between conflicting options, different forces seem to drag our mind from one option to the other one (James, 1890), again and again. This process may last for a long time, sometimes only coming to a decision when we are finally forced to choose, e.g. by an important deadline. Psychology and many other disciplines were interested in how humans make decisions from their beginnings on. Many different influences on decisions were discovered (e.g. Kahneman & Tversky, 1979; Todd & Gigerenzer, 2000). In the face of these advances, it seems odd, that knowledge about the ongoing process of reaching a decision is rare and much of the investigation has focused on the final outcome of choice situations (Townsend & Busemeyer, 1995). A very recent approach, called neuroeconomics, started out to investigate what happens behind the scenes of a final decision. Using modern neuroimaging methods, many neuroeconomists explain decision making in the brain in terms of a hierarchy of different neural modules that work together like a big corporation to finally make the best possible decision (Sanfey, Loewenstein, McClure, & Cohen, 2006). However, the focus on neural modules also limits this approach to a quite static view of decision making and many questions, related to the dynamic aspects of decision making, still remain open: How do we continuously control impulsive or habitual tendencies in our decisions when we pursue long-term goals? How do we shift attention back and forth between (goal) relevant properties of choice options? How do we adjust and readjust our focus of attention to relevant information in order to avoid distraction by irrelevant or misleading information? And how are we influenced by the environmental context when we make decisions? The present work aims to show how an approach based on the concepts of dynamic systems theory could complement the module oriented approach and enhance our knowledge of the processes of decision making. Chapter 2 elaborates the limits of the module oriented approach, with a special focus on decisions under conflict, when we are faced with conflicting information, and introduces the principles of a complementary dynamic approach. Chapter 3 deduces the dynamic hypothesis of this work: ongoing processes interactions at different time scales can explain specific cognitive functions without postulating specialized modules for this function. To approach this hypothesis, chapter 4 will develop a theoretical and empirical framework to study decision making dynamically. The empirical part, building on the empirical framework, starts with chapter 5 presenting an EEG experiment. Chapter 6 presents two mouse tracking experiments, and chapter 7 presents a modelling study, reproducing the empirical data of chapters 5 and 6. The general discussion in chapter 8 summarizes the theoretical and empirical results and discusses possible limitations. Finally, chapter 9 discusses the implications of the dynamic approach to decision making, presents an outlook on future research projects, and closes the work by offering a dynamic picture of the processes behind the stage of a final decision.:Statement I Brief Contents III Contents V Figures IX Chapter 1 Introduction 1 Chapter 2 Decision making under conflict 3 Chapter 3 Investigating decision making under conflict dynamically 14 Chapter 4 Making decisions with a continuous mind 17 Chapter 5 The dynamics of cognitive control: evidence for within trial conflict adaptation from frequency tagged EEG 56 Chapter 6 How decisions evolve: the temporal dynamics of action selection 77 Chapter 7 Dynamic goal states: adapting cognitive control at different time scales without conflict monitoring 97 Chapter 8 General discussion 115 Chapter 9 Conclusion and outlook 123 References 130 Deutsche Zusammenfassung 153 Appendix I Supplementary material for chapter 5 159 Appendix II Model formulas for chapter 7 163 / „Man kann nicht beides haben: Den Rahm und die Butter.“ - „Wer die Wahl hat, hat die Qual.“ Mit diesen Sprichwörtern beklagt der Volksmund, womit das Leben uns immer wieder konfrontiert: wir müssen entscheiden, und oftmals führt uns das in Entscheidungskonflikte. Im Dilemma solcher Konflikte mag es begründet sein, dass das Thema der vorliegenden Arbeit, die Entscheidungsforschung, nicht nur in der Psychologie schon immer eine wichtige Rolle spielte, sondern auch in anderen Disziplinen, wie der Ökonomie, der angewandten Mathematik und der Philosophie. Die langjährigen Bestrebungen, diese unterschiedlichen Fachbereiche zu integrieren (z.B. Kahneman & Tversky, 1979; von Neumann & Morgenstern, 1944; Savage, 1972), münden aktuell in das Forschungsgebiet der Neuroökonomie (Camerer, Loewenstein, & Prelec, 2005; Loewenstein, Rick, & Cohen, 2008; Sanfey, Loewenstein, McClure, & Cohen, 2006). Neuroökonomen nutzen vielfach die Methoden der bildgebenden Hirnforschung, um durch die Lokalisierung der neuronalen Basis hierarchisch gegliederter Module Entscheidungsprozesse zu erklären (z.B. Sanfey et al., 2006; Fellows, 2004). Während die Anwendung bildgebender Methoden Potential birgt (z.B. Harrison, 2008), ist es vor allem der modulorientierte Ansatz, der das Risiko einer zu eingeschränkten Sichtweise auf Entscheidungsprozesse trägt (z.B. Ortmann, 2008; Oullier & Kelso, 2006). Dies zeigt sich zum Beispiel im von der kognitiven Psychologie intensiv erforschten Bereich von Entscheidungen unter Konflikt. Eine zentrale Rolle bei dieser Art von Entscheidungen spielen kognitive Kontrollprozesse, die der Umsetzung zielorientierten Verhaltens (Norman & Shallice, 2000) durch Konfliktlösung und -anpassung dienen. Als Bindeglied dieser beiden Prozesse gilt die Detektion von Entscheidungskonflikten, welche die vorherrschende Conflict Monitoring Theory (Botvinick, Braver, Barch, Carter, & Cohen, 2001) entsprechend dem modulorientiertem Ansatz einem speziellen neuronalen Modul zuordnet, das im anterioren cingulären Cortex lokalisiert ist (Botvinick, Cohen, & Carter, 2004). Die Probleme eines einseitigen modulorientierten Ansatzes verdeutlichen hier unter anderem die widersprüchliche Befundlage (z.B. Mansouri, Tanaka, & Buckley, 2009) und die letztlich weiterhin ungeklärte Frage nach den zugrundeliegenden Prozessen. Die Arbeit hat deshalb zum Ziel, den modulorientierten Ansatz um einen komplementären Ansatz auf Basis der Theorie dynamischer Systeme (Dynamical Systems Theory, DST) zu ergänzen. Aus dem grundlegenden DST-Prinzip der kontinuierlichen (z.B. Spivey, 2007) Interaktion rückgekoppelter Komponenten (z.B. Kelso, 1995; Van Orden, Holden, & Turvey, 2003) wird zunächst die dynamische Hypothese abgeleitet, dass sich Effekte auf verschiedenen Zeitskalen gegenseitig bedingen und einander hervorbringen. Für Entscheidungen unter Konflikt bedeutet dies, dass sich die Prozesse der Konfliktlösung und anpassung durch ihre direkte Interaktion im kognitiven System gegenseitig erzeugen. Zur Überprüfung dieser Hypothese werden innerhalb der Arbeit generelle empirische Strategien entwickelt, welche die Untersuchung von Entscheidungsprozessen auf verschiedenen Zeitskalen ermöglichen. Im empirischen Teil der Arbeit werden sodann zwei dieser Strategien zur Anwendung gebracht, um den Erkenntnisgewinn des dynamischen Ansatzes zu illustrieren. Zunächst wird in einer EEG-Studie eine Frequency-Tagging-Methode (z.B. Müller & Hübner, 2002; Müller, Andersen, & Keil, 2007) auf die Untersuchung der kognitiven Kontrollprozesse in einer Flanker-Aufgabe (Eriksen & Eriksen, 1974) adaptiert. Die neue Kombination einer kontinuierlichen neurophysiologischen Methode und eines klassischen Konflikt-Paradigmas ermöglicht die gleichzeitige Untersuchung kontinuierlicher Veränderungen der Aufmerksamkeit auf relevante und irrelevante Information. Die Ergebnisse der Studie stützen die Hypothese einer direkten Interaktion von Prozessen der Konfliktlösung und -anpassung und stellen bereits einen Widerspruch zur Conflict Monitoring Theory dar. Als weitere empirische Strategie wird in zwei Experimenten die Methode des Maus-Tracking (z.B. Buetti & Kerzel, 2009; Song & Nakayama, 2009; Spivey, Grosjean, & Knoblich, 2005) im Rahmen einer Simon-Aufgabe (Simon, 1969) eingesetzt. Die erneute Kombination einer kontinuierlichen Methode, diesmal auf Reaktionsebene, mit einem klassischen Konflikt-Paradigma erlaubt die Messung von Verhaltenstendenzen im Verlauf des gesamten Entscheidungsprozesses. Mit Hilfe einer neu entwickelten regressionsbasierten Analysemethode werden die Subprozesse einzelner Entscheidungen separiert und Einblicke in die Dynamik von Konfliktlösung und -anpassung gewonnen. Die Ergebnisse zeigen ein komplexes Muster zeitlicher Interaktion zwischen den beiden kognitiven Kontrollprozessen, wobei die Konfliktanpassung zeitlich unabhängig von der Verarbeitung irrelevanter Information ist. Dies steht erneut im Widerspruch zu Annahmen der Conflict Monitoring Theory. Zusammenfassend stützen die empirischen Ergebnisse die dynamische Hypothese der kontinuierlichen Interaktion rückgekoppelter Komponenten und werden im nächsten Schritt in einem dynamisch-konnektionistischen Netzwerkmodell integriert. Als Alternative zum Modell der Conflict Monitoring Theory verzichtet es entsprechend dem dynamischen Ansatz auf ein Conflict Monitoring Modul (Botvinick et al., 2001). Es verfügt stattdessen über Verarbeitungs-Prozesse auf verschiedenen Zeitskalen (Kiebel, Daunizeau, & Friston, 2008) und eine Rückkopplung zwischen der Netzwerkschicht, die der Informationsverarbeitung dient, und jener, die der Zielrepräsentation dient (Gilbert & Shallice, 2002; Cohen & Huston, 1994). Die Ergebnisse der Simulation zeigen, dass das Modell sowohl die klassischen Befunde zur Konfliktlösung und anpassung (z.B. Gratton, Coles, & Donchin, 1992), als auch das in den empirischen Studien gefundene kontinuierliche Datenmuster von Entscheidungsprozessen reproduziert. Die empirischen Befunde und die Ergebnisse der Modellierung bestätigen somit die postulierte dynamische Hypothese, dass sich Effekte auf verschiedenen Zeitskalen gegenseitig bedingen und einander hervorbringen. Dies verdeutlicht den komplementären Wert des dynamischen Ansatzes zum modulorientierten Ansatz, welcher vielfach in der Neuroökonomie verfolgt wird. Der hier entwickelte DST-basierte Ansatz bietet somit sowohl ein komplementäres Denkmodell, welches wie der modulorientierte Ansatz eine Verbindung zwischen den Phänomenen auf neuronaler und Verhaltensebene herstellt, als auch neue empirische Methoden zur dynamischen Erforschung von Entscheidungen. Daraus wird abschließend eine Fokuserweiterung für die zukünftige Forschung abgeleitet: zum einen auf die kontinuierlichen Prozesse, welche zu einer Entscheidung führen, und zum anderen auf die Interaktionsdynamik dieser Prozesse. Die Arbeit schließt mit dem Bild eines Entscheidungsprozesses als einer selbstorganisierten, metastabilen Balance (z.B. Kelso, 1995) bei der Lösung verschiedener Entscheidungsdilemmata (Goschke, 2003).:Statement I Brief Contents III Contents V Figures IX Chapter 1 Introduction 1 Chapter 2 Decision making under conflict 3 Chapter 3 Investigating decision making under conflict dynamically 14 Chapter 4 Making decisions with a continuous mind 17 Chapter 5 The dynamics of cognitive control: evidence for within trial conflict adaptation from frequency tagged EEG 56 Chapter 6 How decisions evolve: the temporal dynamics of action selection 77 Chapter 7 Dynamic goal states: adapting cognitive control at different time scales without conflict monitoring 97 Chapter 8 General discussion 115 Chapter 9 Conclusion and outlook 123 References 130 Deutsche Zusammenfassung 153 Appendix I Supplementary material for chapter 5 159 Appendix II Model formulas for chapter 7 163