DOI: https://doi.org/10.1007/s42113-023-00192-3
PMID: https://pubmed.ncbi.nlm.nih.gov/38425991
تاريخ النشر: 2024-01-11
المؤلف: Niek Stevenson وآخرون
الموضوع الرئيسي: اتخاذ القرار والاقتصاد السلوكي
نظرة عامة
تبحث الدراسة في اتساق المعلمات المستمدة من نماذج تراكم الأدلة (EAMs) عبر أربعة مجالات مختلفة من اتخاذ القرار ونقاط زمنية متنوعة. باستخدام نهج نمذجة مشتركة جديد، تتضمن الدراسة بشكل صريح العلاقات بين المعلمات، بما في ذلك التغايرات والعوامل الأساسية، بينما تتناول أيضًا خطأ القياس وعدم اليقين في هذه التقديرات.
تكشف النتائج أن معلمات EAM تظهر اتساقًا عبر النقاط الزمنية في ثلاثة من أصل أربعة مهام اتخاذ القرار التي تم فحصها. علاوة على ذلك، تشير النموذج المشترك، الذي يستخدم تحليل العوامل على المعلمات، إلى أن القدرة على معالجة المعلومات هي عامل مشترك عبر المجالات المختلفة. ومع ذلك، تظهر الهياكل المعرفية الأخرى، مثل الحذر في الاستجابة والعجلة، قابلية للمقارنة فقط في مجالات مختارة، مما يشير إلى تباين في علاقاتها عبر سياقات اتخاذ القرار المختلفة.
مقدمة
تسلط المقدمة الضوء على أهمية اتخاذ القرار في الحياة اليومية وتمثيله من خلال نماذج تراكم الأدلة (EAMs). تقترح EAMs أن الأفراد يجمعون المعلومات لكل خيار حتى يجمعوا أدلة كافية لاتخاذ قرار. تتضمن هذه النماذج عادة ثلاث عمليات معرفية رئيسية: معدل الانجراف، الذي يؤثر على سرعة تراكم الأدلة؛ عتبة القرار، التي تحدد كمية الأدلة المطلوبة لاتخاذ قرار؛ ووقت غير القرار، الذي يشمل معالجة الحواس وتنفيذ الاستجابة الحركية.
تصف EAMs بشكل فعال كل من أوقات الاستجابة والاختيارات، مما يجعلها قيمة لفهم سلوك اتخاذ القرار عبر سياقات متنوعة، بما في ذلك معالجة الصراع، واتخاذ القرار القائم على الإدراك والقيمة، والتعلم، والذاكرة العاملة، وتجارة السرعة والدقة. إن تطبيقها الواسع وحساسيتها لتلاعبات عملية القرار تبرز أهميتها في البحث النفسي (Donkin & Brown, 2018; Ratcliff et al., 2016).
طرق
تحدد قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المستخدمة، بما في ذلك الكواشف المحددة، والمعدات، وأي عينات بيولوجية، مما يضمن إمكانية تكرار التجارب. تشمل المنهجية البروتوكولات لجمع البيانات، بما في ذلك أي تحليلات إحصائية تم إجراؤها لتفسير النتائج.
بالإضافة إلى ذلك، قد يصف القسم الظروف التجريبية، مثل درجة الحرارة، والمدة، وأي ضوابط تم تنفيذها للتحقق من النتائج. تعتبر وضوح وصرامة الطرق أمرًا حيويًا لتقييم موثوقية النتائج وآثارها في السياق الأوسع للبحث.
نتائج
في هذه الدراسة، شارك المشاركون في أربع مهام مختلفة من اتخاذ القرار، تم تنفيذ كل منها مرتين. تم تحليل البيانات من خلال نماذج مشتركة متنوعة مصممة لتقدير العلاقات بين الجلسات والمهام بشكل صريح. من بين النماذج الخاصة بالمهام المدمجة في النماذج المشتركة، تم اختيار نموذج التعلم المعزز مع التعديل (RL-Rev) ونموذج التعلم المعزز مع ضبط العمل العشوائي (RL-SAT) بناءً على مقارنات النماذج السابقة الموضحة في Miletić et al. (2021). بالإضافة إلى ذلك، تم تطوير النماذج لمهمة التداخل متعددة المصادر (MSIT) ومهمة الكتلة العشوائية (RB) حديثًا وتم اختيارها بعد دراسة مقارنة مخصصة للنماذج، كما هو موضح في قسم “المواد والطرق”.
مناقشة
في هذا القسم، يناقش المؤلفون قابلية نماذج تراكم الأدلة (EAMs) للتكيف مع مهام اتخاذ القرار المختلفة، مؤكدين أنه بينما قد يختلف نوع الأدلة المتراكمة—مثل قوة الذاكرة العاملة للمهام المعرفية مقابل التفضيلات الذاتية في القرارات القائمة على القيمة—تظل البنية الأساسية لتراكم الأدلة متسقة. يبرزون أن الفروق الفردية في سرعة الاستجابة، المتأثرة بمستويات الحذر، قابلة للتطبيق عبر المهام، مما يشير إلى قدرة معالجة معرفية مشتركة. تهدف الدراسة إلى استكشاف مجموعة أوسع من مجالات اتخاذ القرار، بما في ذلك الذاكرة العاملة، واتخاذ القرار القائم على القيمة، والتحكم المعرفي، باستخدام أربع مهام متميزة: مهمة عكس التعلم المعزز (RL-Rev)، ومهمة التداخل متعددة المصادر (MSIT)، ومهمة الإشارة المرجعية (RB)، ومهمة تجارة السرعة والدقة في التعلم المعزز (RL-SAT).
يقدم المؤلفون نهج نمذجة مشتركة جديد يأخذ في الاعتبار بشكل صريح العلاقات بين المعلمات عبر المهام المختلفة، مما يعزز دقة التقدير ويسمح بتقييم العمليات المعرفية الكامنة. تتناقض هذه الطريقة مع الأساليب التقليدية الارتباطية، التي تقدر المعلمات بشكل مستقل قبل حساب الارتباطات. من خلال استخدام إطار هرمي بايزي وتحليل العوامل، تهدف الدراسة إلى كشف العوامل الكامنة التي تمتد عبر عمليات اتخاذ القرار عبر المهام، مما يوفر رؤى حول كيفية ترابط الآليات المعرفية. تشير النتائج إلى أن فهم هذه العلاقات يمكن أن يحسن نمذجة سلوك اتخاذ القرار ويعطي معلومات للبحث المستقبلي في علم النفس المعرفي.
DOI: https://doi.org/10.1007/s42113-023-00192-3
PMID: https://pubmed.ncbi.nlm.nih.gov/38425991
Publication Date: 2024-01-11
Author(s): Niek Stevenson et al.
Primary Topic: Decision-Making and Behavioral Economics
Overview
The research investigates the consistency of parameters derived from evidence accumulation models (EAMs) across four distinct decision-making domains and various time points. Utilizing a novel joint modeling approach, the study explicitly incorporates relationships between parameters, including covariances and underlying factors, while also addressing measurement error and uncertainty in these estimations.
The findings reveal that EAM parameters demonstrate consistency across time points in three out of the four decision-making tasks examined. Furthermore, the joint model, which employs factor analysis on the parameters, suggests that information processing ability is a common factor across the different domains. However, other cognitive constructs, such as response caution and urgency, show comparability only in select domains, indicating variability in their relationships across different decision-making contexts.
Introduction
The introduction highlights the significance of decision-making in daily life and its representation through evidence accumulation models (EAMs). EAMs suggest that individuals collect information for each choice until they gather enough evidence to make a decision. These models typically involve three key cognitive processes: the drift rate, which influences the speed of evidence accumulation; the decision threshold, which determines the amount of evidence required for a decision; and non-decision time, encompassing sensory processing and motor response execution.
EAMs effectively describe both response times and choices, making them valuable for understanding decision-making behavior across various contexts, including conflict processing, perceptual and value-based decision-making, learning, working memory, and the speed-accuracy tradeoff. Their widespread application and sensitivity to decision-process manipulations underscore their importance in psychological research (Donkin & Brown, 2018; Ratcliff et al., 2016).
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the materials used, including specific reagents, equipment, and any biological samples, ensuring reproducibility of the experiments. The methodology encompasses the protocols for data collection, including any statistical analyses performed to interpret the results.
Additionally, the section may describe the experimental conditions, such as temperature, duration, and any controls implemented to validate the findings. The clarity and rigor of the methods are crucial for assessing the reliability of the results and their implications in the broader context of the research.
Results
In this study, participants engaged in four distinct decision-making tasks, each performed twice. The data were analyzed through various joint models designed to explicitly estimate the interrelationships between sessions and tasks. Among the task-specific models incorporated into the joint models, the Reinforcement Learning with Revision (RL-Rev) and Reinforcement Learning with Stochastic Action Tuning (RL-SAT) were chosen based on prior model comparisons outlined in Miletić et al. (2021). Additionally, the models for the Multi-Source Interference Task (MSIT) and the Random Block (RB) task were newly developed and selected following a dedicated model comparison study, as detailed in the “Materials and Methods” section.
Discussion
In this section, the authors discuss the adaptability of Evidence Accumulation Models (EAMs) to various decision-making tasks, emphasizing that while the type of evidence accumulated may differ—such as working memory strength for cognitive tasks versus subjective preferences in value-based decisions—the fundamental architecture of evidence accumulation remains consistent. They highlight that individual differences in response speed, influenced by caution levels, are applicable across tasks, suggesting a shared cognitive processing ability. The study aims to explore a broader range of decision-making domains, including working memory, value-based decision-making, and cognitive control, using four distinct tasks: a reinforcement learning reversal task (RL-Rev), a multisource interference task (MSIT), a reference-back task (RB), and a reinforcement learning speed-accuracy trade-off task (RL-SAT).
The authors introduce a novel joint modeling approach that explicitly accounts for relationships between parameters across different tasks, enhancing estimation precision and allowing for the assessment of latent cognitive processes. This method contrasts with traditional correlational approaches, which estimate parameters independently before calculating correlations. By employing a Bayesian hierarchical framework and a factor analysis decomposition, the study aims to uncover latent factors that span decision-making processes across tasks, thereby providing insights into how cognitive mechanisms are interrelated. The findings suggest that understanding these relationships can improve the modeling of decision-making behavior and inform future research in cognitive psychology.