Zwei-alternative Zwangswahl - Two-alternative forced choice

Two-Alternative Forced Choice ( 2AFC ) ist eine Methode zur Messung der Empfindlichkeit einer Person , eines Kindes oder eines Säuglings oder eines Tieres für einen bestimmten sensorischen Input, Stimulus , durch das Auswahlmuster des Beobachters und die Reaktionszeiten auf zwei Versionen des sensorischen Inputs. Um beispielsweise die Empfindlichkeit einer Person gegenüber schwachem Licht zu bestimmen, würde dem Beobachter eine Reihe von Versuchen präsentiert, bei denen ein schwaches Licht zufällig entweder oben oder unten auf der Anzeige war. Nach jedem Versuch antwortet der Beobachter "oben" oder "unten". Der Beobachter darf nicht sagen „Ich weiß nicht“, „Ich bin mir nicht sicher“ oder „Ich habe nichts gesehen“. In diesem Sinne wird die Wahl des Beobachters zwischen den beiden Alternativen erzwungen.

Beide Optionen können gleichzeitig (wie im obigen Beispiel) oder sequentiell in zwei Intervallen (auch bekannt als Two-Interval Forced Choice , 2IFC ) präsentiert werden. Um beispielsweise die Empfindlichkeit gegenüber einem schwachen Licht in einem erzwungenen Auswahlverfahren mit zwei Intervallen zu bestimmen, könnte einem Beobachter eine Reihe von Versuchen präsentiert werden, die zwei Teilversuche (Intervalle) umfassen, in denen das schwache Licht zufällig im ersten oder zweiten präsentiert wird Intervall. Nach jedem Versuch antwortet der Beobachter nur „erster“ oder „zweiter“.

Der Begriff 2AFC wird oft fälschlicherweise verwendet, um eine Ja-Nein-Aufgabe zu beschreiben , bei der einem Beobachter eine Reihe von Versuchen präsentiert wird, bei denen ein Stimulus in einigen Versuchen zufällig präsentiert wird und in anderen nicht. Der Beobachter antwortet nach jedem Versuch nur mit „ja“ oder „nein“. Die Ergebnisse einer Ja-Nein-Aufgabe werden viel eher durch verschiedene Antwortverzerrungen beeinflusst als bei 2AFC-Aufgaben. Bei extrem schwachem Licht kann eine Person beispielsweise bei jedem Versuch völlig wahrheitsgemäß mit "Nein" (dh "Ich habe kein Licht gesehen") antworten, während die Ergebnisse einer 2AFC-Aufgabe zeigen, dass die Person dies zuverlässig bestimmen kann Ort (oben oder unten) des gleichen, extrem schwachen Lichts.

2AFC ist eine von Gustav Theodor Fechner entwickelte Methode der Psychophysik .

Verhaltensexperimente

Es gibt verschiedene Manipulationen beim Design der Aufgabe, die entwickelt wurden, um bestimmte Verhaltensdynamiken der Wahl zu testen. In einem bekannten Aufmerksamkeitsexperiment, das die Aufmerksamkeitsverschiebung untersucht , verwendet die Posner-Cueing-Aufgabe ein 2AFC-Design, um zwei Stimuli zu präsentieren, die zwei gegebene Orte repräsentieren. In diesem Design gibt es einen Pfeil, der anzeigt, auf welchen Stimulus (Ort) man sich konzentrieren soll. Die Person muss dann auf Aufforderung zwischen den beiden Reizen (Orten) eine Antwort geben. Bei Tieren wurde die 2AFC-Aufgabe verwendet, um das Verstärkungswahrscheinlichkeitslernen zu testen , beispielsweise die Auswahl bei Tauben nach der Verstärkung von Versuchen. Eine 2AFC-Aufgabe wurde auch entwickelt, um die Entscheidungsfindung und die Interaktion von Belohnungs- und Wahrscheinlichkeitslernen bei Affen zu testen .

Beispiel für ein Zufallspunkt-Kinetogramm, wie es in einer 2AFC-Aufgabe verwendet wird.

Affen wurden darauf trainiert, auf einen zentralen Reiz zu schauen, und ihnen wurden dann zwei hervorstechende Reize nebeneinander präsentiert. Eine Reaktion kann dann in Form einer Sakkade auf den linken oder rechten Reiz erfolgen. Nach jeder Antwort wird dann eine Saftbelohnung verabreicht. Die Menge der Saftbelohnung wird dann variiert, um die Auswahl zu modulieren.

In einer anderen Anwendung wurde der 2AFC entwickelt, um die Unterscheidung der Bewegungswahrnehmung zu testen . Die Zufallspunktbewegungskohärenz Aufgabe führt einen Zufallspunkt kinetogram, mit einem Prozentsatz der Netto kohärenter Bewegung über die verteilte Zufall Punkte. Der Prozentsatz der Punkte, die sich in einer bestimmten Richtung zusammen bewegen, bestimmt die Kohärenz der Bewegung in die Richtung. In den meisten Experimenten muss der Teilnehmer eine Wahlreaktion zwischen zwei Bewegungsrichtungen (zB nach oben oder unten) treffen, die normalerweise durch eine motorische Reaktion wie eine Sakkade oder das Drücken eines Knopfes angezeigt wird .

Vorurteile bei der Entscheidungsfindung

Es ist möglich , in der 2AFC-Aufgabe Verzerrungen in die Entscheidungsfindung einzubringen. Zum Beispiel, wenn ein Stimulus auftritt , mit mehr Frequenz als die anderen, dann ist die Häufigkeit der Exposition auf die Reize kann der Teilnehmer Überzeugungen über die beeinflussen Wahrscheinlichkeit des Auftretens der Alternativen. Die Einführung von Verzerrungen in die 2AFC-Aufgabe wird verwendet, um die Entscheidungsfindung zu modulieren und die zugrunde liegenden Prozesse zu untersuchen.

Modelle der Entscheidungsfindung

Die 2AFC-Aufgabe hat konsistente Verhaltensergebnisse zur Entscheidungsfindung erbracht, die zur Entwicklung theoretischer und computergestützter Modelle der Dynamik und Ergebnisse der Entscheidungsfindung führten.

Normalverteilungsmodell

Die optimale Strategie in einer 2AFC-Aufgabe für univariate normale Stimuli aus Kategorien und besteht darin, zwischen den beiden gemeinsamen bivariaten Normalverteilungen und zu klassifizieren . Die Wahrscheinlichkeit der richtigen Wahl beträgt hier 0,74.${\displaystyle a}$${\displaystyle b}$${\displaystyle ab}$${\displaystyle ba}$

Angenommen, die beiden Stimuli und in der 2AFC-Aufgabe sind Zufallsvariablen aus zwei verschiedenen Kategorien und , und die Aufgabe besteht darin, zu entscheiden, welcher welche war. Ein gängiges Modell ist die Annahme, dass die Stimuli von Normalverteilungen und stammen . Unter diesem Normalmodell besteht die optimale Entscheidungsstrategie (des idealen Beobachters ) darin zu entscheiden, welche von zwei bivariaten Normalverteilungen wahrscheinlicher das Tupel erzeugt : die gemeinsamen Verteilungen von und , oder von und . ${\displaystyle x_{1}}$${\displaystyle x_{2}}$${\displaystyle a}$${\displaystyle b}$${\displaystyle N(\mu_{a},\sigma_{a})}$${\displaystyle N(\mu_{b},\sigma_{b})}$${\displaystyle x_{1},x_{2}}$${\displaystyle a}$${\displaystyle b}$${\displaystyle b}$${\displaystyle a}$

Die Fehlerwahrscheinlichkeit bei dieser idealen Entscheidungsstrategie ist durch die verallgemeinerte Chi-Quadrat-Verteilung gegeben : , wobei ${\displaystyle p(e)=p\left({\tilde {\chi}}_{{\boldsymbol {w}},{\boldsymbol {k}},{\boldsymbol {\lambda}},0,0 }^{2}\right)<0}$${\displaystyle {\boldsymbol {w}}={\begin{bmatrix}\sigma _{a}^{2}&-\sigma_{b}^{2}\end{bmatrix}},\;{\ Fettsymbol {k}}={\begin{bmatrix}1&1\end{bmatrix}},\;{\boldsymbol {\lambda}}={\frac {\mu_{a}-\mu_{b}}{ \sigma_{a}^{2}-\sigma_{b}^{2}}}{\begin{bmatrix}\sigma_{a}^{2}&\sigma_{b}^{2} \end{bmatrix}}.}$

Dieses Modell kann sich auch auf Fälle erstrecken, in denen jeder der beiden Stimuli selbst ein multivariater Normalenvektor ist, und auch auf Situationen, in denen die beiden Kategorien unterschiedliche A-priori-Wahrscheinlichkeiten haben oder die Entscheidungen aufgrund unterschiedlicher Werte, die mit den möglichen Ergebnissen verbunden sind, verzerrt sind.

Drift-Diffusions-Modell

Es gibt in der Regel drei Annahmen, die von Rechenmodellen unter Verwendung des 2AFC gemacht werden:

i) Beweise, die jede Alternative begünstigen, werden im Laufe der Zeit integriert; ii) der Prozess unterliegt zufälligen Schwankungen; und iii) die Entscheidung wird getroffen, wenn sich genügend Beweise für eine Alternative gegenüber der anderen angesammelt haben.

—  Bogacz et al., Die Physik der optimalen Entscheidungsfindung

In der Regel wird davon ausgegangen, dass der Unterschied in der Evidenz für jede Alternative die im Laufe der Zeit verfolgte Menge und diejenige ist, die letztendlich die Entscheidung beeinflusst; Beweise für verschiedene Alternativen könnten jedoch getrennt nachverfolgt werden.

Beispiel für sechs Beweisakkumulationssequenzen aus einer unverzerrten (100% Rauschen) Quelle. Die gestrichelten Linien geben die Schwellenwerte für die Entscheidungsfindung für jede der beiden Alternativen an.

Das Drift-Diffusions-Modell (DDM) ist ein wohldefiniertes Modell, das vorgeschlagen wird, um eine optimale Entscheidungspolitik für 2AFC zu implementieren. Es ist das kontinuierliche Analogon eines Random-Walk- Modells. Das DDM geht davon aus, dass das Subjekt in einer 2AFC-Aufgabe in jedem Zeitschritt Beweise für die eine oder andere der Alternativen sammelt und diese Beweise integriert, bis eine Entscheidungsschwelle erreicht ist. Da der sensorische Input, der die Evidenz ausmacht, verrauscht ist, ist die Akkumulation bis zur Schwelle eher stochastisch als deterministisch – dies führt zu dem gerichteten zufälligen Walk-ähnlichen Verhalten. Das Drift-Diffusions-Modell beschreibt nachweislich Genauigkeit und Reaktionszeiten in Humandaten für 2AFC-Aufgaben.

Formales Modell

Beispiel für zehn Beweisakkumulationssequenzen für das DDM, wobei das wahre Ergebnis dem oberen Schwellenwert zugeordnet wird. Aufgrund des Hinzufügens von Rauschen haben zwei Sequenzen eine ungenaue Entscheidung erzeugt.

Die Ansammlung von Beweismitteln im DDM richtet sich nach folgender Formel:

${\displaystyle dx=Adt+cdW\ ,\ x(0)=0}$

Zum Zeitpunkt Null wird der akkumulierte Beweis x gleich Null gesetzt. Bei jedem Zeitschritt wird ein Beweis, A, für eine der beiden Möglichkeiten in der 2AFC gesammelt. A ist positiv, wenn die korrekte Antwort durch den oberen Schwellenwert dargestellt wird, und negativ, wenn der untere Schwellenwert angegeben wird. Außerdem wird ein Rauschterm, cdW, hinzugefügt, um das Rauschen in der Eingabe darzustellen. Im Durchschnitt integriert sich das Rauschen auf Null. Das erweiterte DDM ermöglicht die Auswahl und den Startwert von separaten Verteilungen – dies bietet eine bessere Anpassung an experimentelle Daten sowohl in Bezug auf Genauigkeit als auch Reaktionszeiten. ${\displaystyle A}$${\displaystyle x(0)}$

Andere Modelle

Ornstein-Uhlenbeck-Modell

Das Ornstein-Uhlenbeck- Modell erweitert das DDM, indem es der Akkumulation einen weiteren Term hinzufügt , der von der aktuellen Evidenzakkumulation abhängig ist – dies hat den Nettoeffekt, dass die Akkumulationsrate in Richtung der anfänglich bevorzugten Option erhöht wird. ${\displaystyle \lambda}$

${\displaystyle dx\ =\ (\lambda x+A)dt\ +\ cdW}$

Rennmodell

In dem Race-Modell werden Beweise für jede Alternative separat akkumuliert und eine Entscheidung getroffen, entweder wenn einer der Akkumulatoren einen vorbestimmten Schwellenwert erreicht, oder wenn eine Entscheidung erzwungen wird und dann die Entscheidung gewählt wird, die dem Akkumulator mit der höchsten Beweiskraft zugeordnet ist. Dies kann formal dargestellt werden durch:

${\displaystyle {\begin{aligned}dy_{\text{1}}\ =\ I_{\text{1}}dt\ +\ cdW_{\text{1}}\\dy_{\text{2}} \ =\ I_{\text{2}}dt\ +\ cdW_{\text{2}}\end{ausgerichtet}},\quad y_{\text{1}}(0)\ =\ y_{\text {2}}(0)=0}$

Das Race-Modell ist mathematisch nicht auf das DDM reduzierbar und kann daher nicht verwendet werden, um eine optimale Entscheidungsprozedur zu implementieren.

Gegenseitiges Hemmungsmodell

Das Modell der gegenseitigen Hemmung verwendet ebenfalls zwei Akkumulatoren, um die Ansammlung von Beweisen zu modellieren, wie beim Rassenmodell. In diesem Modell haben die beiden Akkumulatoren eine hemmende Wirkung aufeinander, so dass die Anhäufung von Beweisen in einem die Anhäufung von Beweisen in dem anderen dämpft. Darüber hinaus werden undichte Akkumulatoren verwendet, damit im Laufe der Zeit die akkumulierten Beweise zerfallen – dies hilft, eine unkontrollierte Akkumulation in Richtung einer Alternative basierend auf einer kurzen Reihe von Beweisen in eine Richtung zu verhindern. Formal kann dies dargestellt werden als:

${\displaystyle {\begin{aligned}dy_{\text{1}}\ =\ (-ky_{\text{1}}-wy_{\text{2}}+I_{\text{1}})dt \ +\ cdW_{\text{1}}\\dy_{\text{2}}\ =\ (-ky_{\text{2}}-wy_{\text{1}}+I_{\text{2 }})dt\ +\ cdW_{\text{2}}\end{ausgerichtet}},\quad y_{\text{1}}(0)\ =\ y_{\text{2}}(0)= 0}$

Wo ist eine gemeinsame Zerfallsrate der Akkumulatoren und ist die Rate der gegenseitigen Hemmung. ${\displaystyle k}$${\displaystyle w}$

Feedforward-Hemmungsmodell

Das Vorwärtskopplungs-Hemmungsmodell ist dem gegenseitigen Hemmungsmodell ähnlich, aber anstatt durch den aktuellen Wert des anderen Akkumulators gehemmt zu werden, wird jeder Akkumulator durch einen Bruchteil der Eingabe des anderen gehemmt. Formal lässt sich das so formulieren:

${\displaystyle {\begin{aligned}dy_{\text{1}}\ =\ I_{\text{1}}dt\ +\ cdW_{\text{1}}\ -\ u(I_{\text{ 2}}dt\ +\ cdW_{\text{2}})\\dy_{\text{2}}\ =\ I_{\text{2}}dt\ +\ cdW_{\text{2}}\ -\ u(I_{\text{1}}dt\ +\ cdW_{\text{1}})\end{ausgerichtet}},\quad y_{\text{1}}(0)\ =\ y_{ \text{2}}(0)=0}$

Wo ist der Anteil der Akkumulatoreingabe, der den alternativen Akkumulator sperrt. ${\displaystyle u}$

Modell der gepoolten Hemmung

Wang schlug das Modell der gepoolten Hemmung vor, bei dem ein dritter, zerfallender Akkumulator durch Akkumulation in beiden Akkumulatoren, die für die Entscheidungsfindung verwendet werden, angetrieben wird, und zusätzlich zu dem Zerfall, der im Modell der gegenseitigen Hemmung verwendet wird, jeder der entscheidungstreibenden Akkumulatoren sich selbstverstärkend auf ihren aktuellen Wert. Formal lässt sich das so formulieren:

${\displaystyle {\begin{aligned}dy_{\text{1}}\ =\ (-ky_{\text{1}}-wy_{\text{3}}+vy_{\text{1}}+I_ {\text{1}})dt\ +\ cdW_{\text{1}}\\dy_{\text{2}}\ =\ (-ky_{\text{2}}-wy_{\text{3 }}+vy_{\text{2}}+I_{\text{2}})dt\ +\ cdW_{\text{2}}\\dy_{\text{3}}\ =\ (-k_{ \text{inh}}y_{\text{3}}+w'(y_{\text{1}}+y_{\text{2}}))dt\end{ausgerichtet}}}$

Der dritte Akkumulator hat einen unabhängigen Abklingkoeffizienten , und erhöht sich basierend auf den aktuellen Werten der anderen zwei Akkumulatoren mit einer durch modulierten Rate . ${\displaystyle k_{\text{inh}}}$${\displaystyle w'}$

Neuronale Korrelate der Entscheidungsfindung

Hirnareale

In den Parietallappen , seitlicher intraparietal cortex (LIP) neuron Feuerungsrate in monkeys vorhergesagte Antwort der Wahl der Bewegungsrichtung dieses Gebiet darauf hindeutet , wird in dem in 2AFC Entscheidungsfindung beteiligt.

Neuronale Daten, die von LIP- Neuronen in Rhesusaffen aufgezeichnet wurden, unterstützen das DDM, da die Feuerraten für die richtungsselektiven neuronalen Populationen, die auf die beiden in der 2AFC-Aufgabe verwendeten Richtungen ansprechen, die Feuerraten bei Reizbeginn erhöhen und die durchschnittliche Aktivität in den neuronalen Populationen im Richtung der richtigen Antwort. Darüber hinaus scheint es, dass ein fester Schwellenwert der neuronalen Spiking-Rate als Entscheidungsgrenze für jede 2AFC-Aufgabe verwendet wird.

Siehe auch

• Auswahlmodellierung
• Auswahlset
• Julian Rotter

Verweise