Humans are surprisingly good at adapting to change, and our lab studies how the brain makes this possible. We focus on how moment-to-moment brain dynamics and pupil-linked arousal signals work together to support flexible thinking — from perceptual decisions to confidence and metacognition — and how these abilities shift with age.

Using EEG and soon OPM-MEG, we examine both rhythmic activity and the “noisy,” irregular components of brain signals that often reveal how the brain adapts. Pupillometry lets us track arousal in real time and link fluctuations in arousal to how people gather evidence, update beliefs, and judge their own certainty.

Computational modelling plays a central role in our research: Bayesian learning, drift-diffusion models, signal detection theory, and metacognitive models help us explain why people differ in the way they make decisions. We also use non-invasive electrical brain stimulation (tRNS) to probe causal links between neural variability, arousal, and cognitive flexibility. Together, this work feeds into our aim of using insights from adaptive cognition to inform and improve treatments for clinical disorders.
 

Deutsche Fassung:
Menschen sind erstaunlich gut darin, sich an Veränderungen anzupassen – und unser Labor untersucht, wie das Gehirn dies möglich macht. Wir erforschen, wie momentane Veränderungen der Hirndynamik und pupillenbasierte Erregungssignale zusammenwirken, um flexibles Denken zu unterstützen – von einfachen Wahrnehmungsentscheidungen bis hin zu Urteilssicherheit und Metakognition – und wie sich diese Fähigkeiten mit dem Alter verändern.

Mit EEG und künftig auch OPM-MEG untersuchen wir sowohl rhythmische Aktivität als auch die „rauschigen“, unregelmäßigen Signalanteile, die oft besonders viel darüber verraten, wie sich das Gehirn anpasst. Durch Pupillometrie können wir Erregung in Echtzeit erfassen und damit verknüpfen, wie Menschen Evidenz sammeln, Überzeugungen aktualisieren und ihre eigene Sicherheit einschätzen.

Ein zentraler Bestandteil unserer Forschung ist die computergestützte Modellierung: Bayesianische Lernmodelle, Drift-Diffusions-Modelle, Signalentdeckungstheorie und metakognitive Modelle helfen uns zu erklären, warum sich Menschen in Entscheidungsstil und Einsichtsvermögen unterscheiden. Zudem nutzen wir nicht-invasive elektrische Hirnstimulation (tRNS), um kausale Zusammenhänge zwischen neuronaler Variabilität, Erregungszustand und kognitiver Flexibilität zu untersuchen. Insgesamt verfolgt unsere Arbeit das Ziel, Erkenntnisse über adaptive Kognition dafür zu nutzen, Behandlungen klinischer Störungen zu informieren und zu verbessern.