Unterstützung des zeitvarianten Drift-Raten-Modells der Wahrnehmungsdiskrimination bei dynamischem und statischem Rauschen mittels Bayesscher Modellanpassung

Das Drift-Diffusions-Modell (DDM) ist ein gängiger Ansatz zum Verständnis menschlicher Entscheidungsfindung. Es betrachtet Entscheidungsfindung als Akkumulation von Evidenz über visuelle Stimuli, bis ausreichende Evidenz erreicht ist, um eine Entscheidung (Entscheidungsgrenze) zu treffen. Kürzlich schlugen Smith und Kollegen eine Erweiterung des DDM vor, das zeitvariante DDM (TV-DDM). Hier wird die standardmäßige Vereinfachung, dass die Evidenzakkumulation auf einer vollständig ausgeformten Repräsentation von Wahrnehmungsinformationen basiert, durch eine Wahrnehmungsintegrationsstufe ersetzt, die die Evidenzakkumulation moduliert. Sie legten nahe, dass dieses Modell besonders die Entscheidungsfindung hinsichtlich Stimuli mit dynamischem Rauschen erfasst. Wir testeten dieses neue Modell in zwei Studien mithilfe bayesscher Parameterschätzung und Modellvergleich anhand marginaler Likelihoods. Die erste Studie replizierte Smith und Kollegen Ergebnisse unter Verwendung der klassischen Random-Dot-Kinematogramm (RDK)-Aufgabe, die das Urteilen der Bewegungsrichtung von zufällig bewegten Punkten verlangt (Bewegungsdiskriminationsaufgabe). In der zweiten Studie verwendeten wir einen neuartigen Stimulus, der RDKs ähnelt, jedoch mit zufällig variierender Farbnuance stationärer Punkte (Farbdiskriminationsaufgabe). Diese Studie ergab ebenfalls, dass das TV-DDM überlegen ist, was darauf hindeutet, dass Wahrnehmungsintegration auch bei statischem Rauschen relevant ist, möglicherweise dort, wo Integration über den Raum erforderlich ist. Wir fanden auch Unterstützung für innerhalb-durchlaufende Veränderungen der Entscheidungsgrenzen ("kollabierende Grenzen"). Interessanterweise und im Gegensatz zu den meisten Studien nahmen die Grenzen mit zunehmender Aufgabenschwierigkeit (Rauschmenge) zu. Künftige Studien müssen dieses Ergebnis in einem formalen Modell überprüfen.