ParAcT-DDM: Ein diffusionsbasiertes Framework zur Modellierung systematischer, zeitlich variierender kognitiver Prozesse

Wenn Menschen über längere Zeiträume hinweg Aufgaben ausführen, verändern sich ihre psychologischen Zustände systematisch aufgrund von Faktoren wie Übung, Lernen und/oder Langeweile. Die dominanten Frameworks zur Modellierung kognitiver Prozesse – wie Beweissammelmodelle – betrachten jedoch typischerweise nur eine einzige Schätzung eines Prozesses über die Dauer eines Experiments, mit der Rechtfertigung, dass diese Änderungen nicht von Interesse sind, wahrscheinlich minimal sind und/oder durch experimentelle Verfahren wie Übungsblöcke eliminiert werden können. Unsere Studie schlägt das ParAcT-DDM-Framework vor, entwickelt es weiter und bewertet es: das Parameter-über-Zeit-Diffusionsentscheidungsmodell – welches frühere Modellierungsbemühungen aus der Übungs- und Entscheidungsforschung vereint. Konkret modelliert unser Framework zeitlich variierende Änderungen der Parameter des Diffusionsentscheidungsmodells, indem es annimmt, dass ihre Schätzungen nicht konstant über die Zeit sind, sondern theoriegeleitet trial-variierende oder block-variierende Funktionen über die Zeit folgen. Mit Fokus auf zwei Diffusionsmodellparameter – Drift-Rate (Aufgabeneffizienz) und Schwellenwert (Vorsicht) – und einer großen Anzahl an Kandidaten für zeitlich variierende Funktionen deuten unsere Simulationsergebnisse darauf hin, dass die meisten Varianten des ParAcT-DDM-Frameworks robuste Inferenz-Eigenschaften aufweisen, sowohl hinsichtlich der guten Identifikation der Schlüsselparameter als auch der Unterscheidbarkeit der verschiedenen Varianten voneinander. Unsere empirischen Ergebnisse zeigen, dass die ParAcT-DDM-Varianten das Standard-Diffusionsmodell in drei bestehenden Datensätzen deutlich übertreffen, einschließlich eines, bei dem Teilnehmende einen Übungsblock absolvierten, bevor die Datenaufnahme begann, was darauf hindeutet, dass zeitlich variierende kognitive Prozesse in typischen kognitiven Experimenten häufig auftreten, selbst wenn das experimentelle Design explizit versucht, Übungseffekte zu eliminieren. Schließlich stellen wir fest, dass das Vorhandensein von zeitlich variierenden Prozessen systematische Verzerrungen in den Parameterschätzungen des Standard-Diffusionsmodells verursacht, was darauf hindeutet, dass unser ParAcT-DDM-Framework entscheidend sein kann, um die Robustheit der Schlussfolgerungen gegenüber zeitlich variierenden Änderungen zu gewährleisten, unabhängig davon, ob diese Änderungen von direktem Interesse sind.