Eine Abschätzung der Parameter-Rückgewinnung für eine breite Klasse von Evidenzakkumulationsmodellen der Entscheidungsfindung.

Computationales Modellieren ist unverzichtbar geworden zur Untersuchung der Dynamik von Entscheidungsprozessen. Eine herausragende Modellkategorie in diesem Bereich sind Evidenzakkumulationsmodelle (EAMs), die sowohl die Entscheidungen, die Menschen treffen, als auch die dafür benötigte Zeit modellieren. Es wurden viele Varianten vorgeschlagen, welche die Driftgeschwindigkeit, Diffusionsrate und Entscheidungsgrenzen modifizieren und immer komplexere Dynamiken in das EAM-Rahmenwerk einfließen lassen. Das Hinzufügen von Modellmerkmalen erschwert jedoch die Rückgewinnung der Parameter, was die Interpretation des Modells erschwert. In dieser Arbeit führen wir eine Parameter-Rückgewinnungsstudie an einer Vielzahl gängiger binärer Entscheidungs-EAMs durch, identifizieren die spezifischen Herausforderungen für jedes Modell und untersuchen, wie man deren Parameter-Rückgewinnbarkeit verbessern kann. Obwohl frühere Studien diese Fragestellung adressiert haben, waren sie fragmentarisch, wobei verschiedene Gruppen unterschiedliche computationale Methoden für unterschiedliche Modelle anwendeten. Wir beabsichtigen, diese Literatur mit den derzeit besten verfügbaren computationalen Methoden zu vereinheitlichen. Zudem präsentieren wir, unseres Wissens nach, die erste Bayessche Analyse von Diffusionskonfliktmodellen. Unser Ziel ist hierbei Gründlichkeit, nicht Erschöpfung oder Vollständigkeit. Vor diesem Hintergrund katalogisiert dieser Artikel eine Reihe von Ergebnissen, teils bereits gezeigt, teils neu. Weiterhin illustriert er verschiedene Ansätze zur Modellanalyse. Dieser Artikel soll eine Ressource für Forschende sein, die EAMs zur Untersuchung von Entscheidungsprozessen nutzen möchten, und bietet Einblicke in die damit verbundenen Herausforderungen, wie man sie angesichts dieser Herausforderungen analysiert und Beispiele zur Bewältigung dieser Herausforderungen.