Множественные временные рамки обучения, на которые указывают изменения в фактических данных
npj Science of Learning, том 8, Номер статьи: 19 (2023) Цитировать эту статью
64 доступа
Подробности о метриках
Модели накопления доказательств позволили добиться значительного прогресса в нашем понимании процесса принятия решений, однако их применение для изучения обучения не получило широкого распространения. Используя данные участников, выполнявших динамическую задачу по распознаванию направления случайного движения точек в течение четырех дней, мы охарактеризовали изменения в двух компонентах перцептивного принятия решений (скорость дрейфа модели дрейфа-диффузии и граница реакции). Модели непрерывного обучения применялись для характеристики траекторий изменения производительности, причем разные модели учитывали различную динамику. Наиболее подходящая модель включала изменение скорости дрейфа как непрерывную экспоненциальную функцию совокупного количества испытаний. Напротив, граница ответа менялась в течение каждого ежедневного сеанса, но независимо от ежедневных сеансов. Наши результаты подчеркивают два разных процесса, лежащих в основе модели поведения, наблюдаемой на всей траектории обучения: один включает в себя непрерывную настройку перцептивной чувствительности, а другой, более изменчивый процесс, описывает порог участника, когда имеется достаточно доказательств для действия.
Обучение происходит практически во всех проявлениях человеческого поведения: от сложных когнитивных или двигательных задач до базовых перцептивных различий. Таким образом, понимание процессов, ответственных за обучение, имеет значение для большинства действий человека в контексте, начиная от образования и заканчивая реабилитацией1,2. Удивительно, но исследования процессов обучения часто имеют тенденцию быть ограниченными по нескольким причинам. Во-первых, исследования по обучению довольно часто сосредотачиваются исключительно либо на точности или идентичности выбора3,4, либо на времени, затраченном на принятие решения (т.е. времени ответа или RT5,6). И это несмотря на огромное количество исследований, показывающих, что более подробные выводы относительно рассматриваемых процессов становятся возможными, если учитывать как скорость принятия решений, так и их точность в сочетании7,8,9,10. Во-вторых, в ограниченном наборе случаев, когда в исследованиях обучения учитывались как RT, так и точность, моделирование почти всегда включало существенное агрегирование данных по участникам и/или обучающим испытаниям. Часто ко всем испытаниям из каждого отдельного сеанса обучения или «блока» испытаний подгоняется отдельная стационарная модель, а затем обучение проверяется на основе различий в параметрах модели от сеанса к сеансу (или от блока к блоку). Такое агрегирование остается распространенным, несмотря на исследования, показывающие, что оно может быть нецелесообразным как с теоретической, так и с эмпирической точки зрения, поскольку может привести к пропущенным или ошибочным выводам о лежащих в основе процессах обучения11,12,13. Ниже мы кратко рассмотрим (А) подходы к моделированию, позволяющие связать RT и точность, и их предыдущее использование при оценке обучения в перцептивной области, а также (Б) подходы непрерывного времени и индивидуального участия к оценке обучения в перцептивной области, чтобы мотивируют необходимость объединения этих двух подходов в единую структуру. Этот комбинированный подход позволяет нам ответить на ключевые вопросы относительно того, как конкретные аспекты процесса принятия решений (например, как быстро накапливаются перцептивные данные, сколько доказательств необходимо, прежде чем инициировать ответ) изменяются со временем в ходе многосессионного сеанса. исследование перцептивного обучения.
Самая известная модель, связывающая RT и дискретный выбор (например, точность), концептуализирует поведение как результат шумного накопления доказательств до тех пор, пока не будет достигнута граница принятия решения7,9,10,14. Например, рассмотрим задачу, в которой участники просматривают поле движущихся точек (см. дополнительный рисунок 1). В каждом испытании 15% точек движутся согласованно либо влево, либо вправо, а остальные точки движутся хаотично. Задача участников — как можно быстрее и точнее указать, движутся ли связно движущиеся точки влево или вправо. При подходе накопительного моделирования система восприятия непрерывно накапливает доказательства в пользу соответствующих альтернатив (левых или правых), пока количество доказательств в пользу одной из альтернатив не достигнет некоторой границы, после чего принимается данное решение. Эта модель формально определяется ограниченным диффузионным процессом Винера9,10. Полученная модель дрейфовой диффузии (МДМ) характеризуется четырьмя параметрами (см. рис. 1). В двух альтернативных вариантах принудительного выбора доказательства начинают накапливаться в точке систематической ошибки и продолжаются с постоянным шумом и скоростью дрейфа (DR), пока не достигнут границы, при этом расстояние между границами определяется параметром границы ответа (RB). Последний параметр представляет собой дополнительную величину к RT, которая теоретически не зависит от процесса сбора доказательств (время отсутствия принятия решения; NDT). Оценка этих параметров с использованием иерархических байесовских методов становится все более распространенной, что формулирует оценку параметров DDM как обобщенную регрессию со смешанными эффектами, адаптированную к совместному распределению RT и точности8,15,16. Здесь мы реализуем аналогичные методы, используя Stan17,18,19.