Bayessisches Vertrauen in optimale Entscheidungen.

Der optimale Weg, unter vielen Umständen Entscheidungen zu treffen, besteht darin, die Differenz der gesammelten Evidenz zugunsten der Optionen zu verfolgen. Das Drift-Diffusions-Modell (DDM) implementiert diesen Ansatz und liefert eine ausgezeichnete Erklärung für Entscheidungen und Reaktionszeiten. Allerdings weisen bestehende DDM-basierte Modelle des Vertrauens gewisse Defizite auf, und viele Theorien des Vertrauens haben alternative, nicht optimale Entscheidungsmodelle verwendet. Motiviert durch den historischen Erfolg des DDM fragen wir, ob einfache Erweiterungen dieses Rahmens es ermöglichen könnten, Vertrauen besser zu erklären. Ausgehend von der Idee, dass das Gehirn keine doppelten Repräsentationen von Evidenz erzeugen wird, basieren in allen Modellvarianten Entscheidungen und Vertrauen auf demselben Evidenzakkumulationsprozess. Wir vergleichen die Modelle mit Benchmark-Ergebnissen und wenden erfolgreich vier qualitative Tests bezüglich der Beziehungen zwischen Vertrauen, Evidenz und Zeit in einer neuen vorregistrierten Studie an. Mithilfe recheneffizienter Ausdrücke zur Modellierung des Vertrauens auf Trialbasis stellen wir fest, dass ein Teil der Modellvarianten auch sehr gute bis ausgezeichnete quantitative Erklärungen der in Vertrauensdaten beobachteten Effekte liefert. Konkret unterstützen unsere Ergebnisse die Hypothese, dass Vertrauen die Stärke der akkumulierten Evidenz widerspiegelt, welche durch die Zeit bis zur Entscheidungsfindung bestraft wird (bayessche Auslese), wobei die Strafe nicht perfekt an den spezifischen Aufgabenkontext angepasst ist. Diese Ergebnisse legen nahe, dass es nicht nötig ist, das DDM oder Einzelakkumulator-Modelle aufzugeben, um erfolgreiche Erklärungen von Vertrauensberichten zu liefern. (PsycInfo Database Record (c) 2024 APA, alle Rechte vorbehalten).