Dvě alternativní nucené volby - Two-alternative forced choice

Dvě alternativní nucené volby (2AFC) je metoda pro měření subjektivní zkušenosti osoby nebo zvířete podle jejich vzorce volby a doby odezvy. Předmět má dvě alternativní možnosti, z nichž pouze jedna obsahuje cíl podnět, a je nucen zvolit, která z nich byla správná volba. Obě možnosti mohou být prezentovány současně nebo postupně ve dvou intervalech (také známé jako dvousekční nucená volba, 2IFC). Termín 2AFC se často mylně používá k popisu běžnějších ano-ne úkol, kde je předmět prezentován pouze s jednou možností a je nucen si vybrat, zda patří do jedné nebo jiné kategorie. 2AFC je metoda psychofyzika vyvinutý uživatelem Gustav Theodor Fechner.^[1]

Behaviorální experimenty

Při navrhování úkolu existují různé manipulace, které jsou navrženy tak, aby testovaly konkrétní vybranou dynamiku chování. V jednom dobře známém experimentu pozornosti, který zkoumá posun pozornosti Posner Cueing Task používá design 2AFC k prezentaci dvou stimulů představujících dvě daná místa.^[2] V tomto designu je šipka, která naznačuje, kterému stimulu (umístění) se věnovat. Osoba pak musí na výzvu reagovat mezi dvěma podněty (místy). U zvířat byla k testování použita úloha 2AFC výztuž pravděpodobné učení, například volby holubů po posílení zkoušek.^[3] Úkol 2AFC byl také navržen pro testování rozhodování a interakce učení odměn a pravděpodobnosti u opic.^[4]

Příklad náhodného kinetogramu teček použitého v úloze 2AFC.

Opice byly vycvičeny, aby se dívaly na středový podnět, a poté jim byly předloženy dva hlavní podněty vedle sebe. Odpověď pak může být provedena ve formě a Saccade na levý nebo pravý podnět. Odměna za šťávu se poté podává po každé odpovědi. Výše odměny za džus se poté mění, aby se modulovala volba.

V jiné aplikaci je 2AFC navržen tak, aby testoval diskriminaci vnímání pohybu. The náhodný úkol koherence pohybu bodů, zavádí a náhodný kinetogram teček s procentem čistého koherentního pohybu distribuovaného po celém prostoru náhodný tečky.^[5][6]Procento bodů pohybujících se společně v daném směru určuje koherenci pohybu ve směru. Ve většině experimentů musí účastník zvolit odpověď mezi dvěma směry pohybu (např. Nahoru nebo dolů), obvykle označenou motorickou odpovědí, například Saccade nebo stisknutím tlačítka.

Předsudky v rozhodování

V systému je možné zavést předsudky rozhodování v úkolu 2AFC. Například pokud jeden podnět se vyskytuje u více frekvence než druhá, pak frekvence vystavení stimulům může ovlivnit víru účastníka o pravděpodobnost výskytu alternativ.^[4][7] K modulaci se používá předpětí v úkolu 2AFC rozhodování a zkoumat základní procesy.

Výpočtové modely rozhodování

Úkol 2AFC přinesl konzistentní výsledky chování při rozhodování, což vedlo k vývoji formálních modelů, které se pokoušejí modelovat dynamiku rozhodování.^{[8][9][10][11][12][13][14][15][16][17]}

Typicky existují tři předpoklady výpočetní modely pomocí 2AFC:

i) důkazy upřednostňující každou alternativu jsou integrovány v průběhu času; ii) proces podléhá náhodný fluktuace; a iii) rozhodnutí je učiněno, když se nashromáždil dostatek důkazů, které upřednostňují jednu alternativu před druhou.

— Bogacz a kol., Fyzika optimálního rozhodování^[7]

Typicky se předpokládá, že rozdíl v důkazech upřednostňujících každou alternativu je sledované množství v čase a ten, který nakonec informuje rozhodnutí; důkazy o různých alternativách lze však sledovat samostatně.^[7]

Model drift-difúze

Příklad šesti sekvencí akumulace důkazů z nezkresleného zdroje (100% šumu). Tečkované čáry označují prahové hodnoty pro rozhodování pro každou ze dvou alternativ.

Model drift-difúze (DDM) je dobře definován^[18] model, který je navržen k implementaci optimální politiky rozhodování pro 2AFC.^[19] Je to spojitý analog a náhodná procházka Modelka.^[7]DDM předpokládá, že v úkolu 2AFC subjekt shromažďuje důkazy pro jednu nebo druhou z alternativ v každém časovém kroku a integruje tyto důkazy, dokud není dosaženo prahové hodnoty pro rozhodnutí. Jelikož smyslový vstup, který tvoří důkaz, je hlučný, je akumulace na prahovou hodnotu stochastický spíše než deterministický - to vede k namířenému náhodnému chodu. Ukázalo se, že model Drift Diffusion Model popisuje přesnost a reakční časy v lidských datech pro úkoly 2AFC.^[13][18]

Formální model

Příklad deseti sekvencí akumulace důkazů pro DDM, kde je skutečný výsledek přiřazen horní hranici. Díky přidání šumu vedly dvě sekvence k nepřesnému rozhodnutí.

Shromažďování důkazů v DDM se řídí podle následujícího vzorce:

${ displaystyle dx = ADT + cdW , x (0) = 0}$^[7]

V čase nula je akumulovaný důkaz x nastaven na nulu. V každém časovém kroku se nahromadí nějaký důkaz A pro jednu ze dvou možností v 2AFC. A je pozitivní, pokud je správná odpověď reprezentována horní prahovou hodnotou, a negativní, pokud je spodní prahová hodnota. Navíc je přidán šumový člen, cdW, který představuje šum na vstupu. V průměru se hluk integruje na nulu.^[7] Rozšířené DDM^[13] umožňuje výběr ${ displaystyle A}$ a počáteční hodnota ${ displaystyle x (0)}$ ze samostatných distribucí - to poskytuje lepší přizpůsobení experimentálním datům jak přesnosti, tak reakčních časů.^[20][21]

Ostatní modely

Ornstein – Uhlenbeckův model

The Ornstein – Uhlenbeck Modelka^[14] rozšiřuje DDM přidáním dalšího výrazu, ${ displaystyle lambda}$, k akumulaci, která je závislá na aktuální akumulaci důkazů - to má čistý účinek zvýšení rychlosti akumulace směrem k původně preferované možnosti.

${ displaystyle dx = ( lambda x + A) dt + cdW}$^[7]

Závodní model

V závodním modelu^[11][12][22] důkazy pro každou alternativu se shromažďují samostatně a rozhoduje se buď tehdy, když jeden z akumulátorů dosáhne předem stanovené prahové hodnoty, nebo když je rozhodnutí vynuceno a poté je vybráno rozhodnutí spojené s akumulátorem s nejvyšším důkazem. To může být formálně reprezentováno:

${ displaystyle { begin {aligned} dy _ { text {1}} = I _ { text {1}} dt + cdW _ { text {1}} dy _ { text {2}} = I _ { text {2}} dt + cdW _ { text {2}} end {zarovnaný}}, quad y _ { text {1}} (0) = y _ { text {2}} (0) = 0}$^[7]

Závodní model není matematicky redukovatelný na DDM,^[7] a proto jej nelze použít k provedení optimálního rozhodovacího postupu.

Model vzájemné inhibice

Model vzájemné inhibice^[16] také používá dva akumulátory k modelování hromadění důkazů, stejně jako u závodního modelu. V tomto modelu mají dva akumulátory navzájem inhibiční účinek, takže když se důkazy hromadí v jednom, tlumí to hromadění důkazů v druhém. Kromě toho se používají netěsné akumulátory, takže se časem akumulované důkazy rozpadají - to pomáhá zabránit hromadění uprchlíků směrem k jedné alternativě na základě krátkého průběhu důkazů v jednom směru. Formálně to lze zobrazit jako:

${ displaystyle { begin {aligned} dy _ { text {1}} = (-ky _ { text {1}} - wy _ { text {2}} + I _ { text {1}}) dt + cdW _ { text {1}} dy _ { text {2}} = (-ky _ { text {2}} - wy _ { text {1}} + I _ { text {2 }}) dt + cdW _ { text {2}} end {zarovnáno}}, quad y _ { text {1}} (0) = y _ { text {2}} (0) = 0}$^[7]

Kde ${ displaystyle k}$ je sdílená rychlost rozpadu akumulátorů a ${ displaystyle w}$ je míra vzájemné inhibice.

Model inhibice zpětné vazby

Model dopředné inhibice^[23] je podobný modelu vzájemné inhibice, ale místo toho, aby byl inhibován aktuální hodnotou druhého akumulátoru, je každý akumulátor inhibován zlomkem vstupu do druhého. Formálně lze konstatovat takto:

${ displaystyle { begin {aligned} dy _ { text {1}} = I _ { text {1}} dt + cdW _ { text {1}} - u (I _ { text { 2}} dt + cdW _ { text {2}}) dy _ { text {2}} = I _ { text {2}} dt + cdW _ { text {2}} - u (I _ { text {1}} dt + cdW _ { text {1}}) end {zarovnaný}}, quad y _ { text {1}} (0) = y_ { text {2}} (0) = 0}$^[7]

Kde ${ displaystyle u}$ je zlomek vstupu akumulátoru, který inhibuje alternativní akumulátor.

Sloučený inhibiční model

Wang^[24] navrhl model sdružené inhibice, kde třetí, rozpadající se akumulátor je poháněn akumulací v obou akumulátorech použitých pro rozhodování, a kromě rozkladu použitého v modelu vzájemné inhibice se každý z rozhodovacích akumulátorů sám posiluje na základě jejich aktuální hodnota. Formálně lze konstatovat takto:

${ displaystyle { begin {aligned} dy _ { text {1}} = (-ky _ { text {1}} - wy _ { text {3}} + vy _ { text {1}} + I_ { text {1}}) dt + cdW _ { text {1}} dy _ { text {2}} = (-ky _ { text {2}} - wy _ { text {3 }} + vy _ { text {2}} + I _ { text {2}}) dt + cdW _ { text {2}} dy _ { text {3}} = (-k_ { text {inh}} y _ { text {3}} + w '(y _ { text {1}} + y _ { text {2}})) dt end {zarovnáno}}}$^[7]

Třetí akumulátor má nezávislý koeficient rozpadu, ${ displaystyle k _ { text {inh}}}$a zvyšuje se na základě aktuálních hodnot ostatních dvou akumulátorů rychlostí modulovanou pomocí ${ displaystyle w '}$.

Neurální koreláty rozhodování

Mozkové oblasti

V temenní lalok, laterální intraparietální kůra (RET) neuron rychlost střelby u opic předpověděla výběr reakce směru pohybu, což naznačuje, že tato oblast je zapojena do rozhodování v 2AFC.^[4][23][25]

Neurální data zaznamenaná z LIP neurony v opice rhesus podporuje DDM, protože rychlosti střelby pro směrově selektivní neuronové populace citlivé na dva směry použité v úkolu 2AFC zvyšují rychlost střelby na začátku stimulu a průměrná aktivita v neuronových populacích je vychýlena ve směru správné odpovědi.^{[23][26][27][28]} Kromě toho se zdá, že jako hranice rozhodování pro každou úlohu 2AFC se používá pevná prahová hodnota rychlosti neuronálního stouhání.^[29]

Viz také

• Volba modelování
• Sada možností
• Julian Rotter

Reference