Ein Expertenleitfaden zur Planung experimenteller Aufgaben für Evidence-Accumulation-Modelle

Evidence-Accumulation-Modelle (EAMs) sind leistungsstarke Werkzeuge, um das Entscheidungsverhalten von Menschen und Tieren zu verstehen. EAMs haben bedeutende theoretische Fortschritte in Psychologie, Verhaltensökonomie und kognitiver Neurowissenschaft erzielt und werden zunehmend als Messinstrument in der klinischen Forschung und anderen angewandten Bereichen verwendet. Gültige und zuverlässige Rückschlüsse aus EAMs hängen davon ab, wie gut die Modellannahmen mit den Merkmalen der Aufgabe/daten, auf die das Modell angewendet wird, übereinstimmen. Dieses Wissen wird jedoch in der EAM-Literatur selten explizit dargestellt, sodass Anfänger auf private Ratschläge von Mentoren und Kollegen sowie ineffizientes Lernen durch Versuch und Irrtum angewiesen sind. In diesem Artikel bieten wir praktische Anleitungen zur Gestaltung von Aufgaben, die für EAMs geeignet sind, zur Verknüpfung experimenteller Manipulationen mit EAM-Parametern, zur Planung angemessener Stichprobengrößen sowie zur Datenvorbereitung und Durchführung einer EAM-Analyse. Unsere Empfehlungen basieren auf früheren methodischen Studien und unserem umfassenden kollektiven Erfahrungsschatz mit EAMs. Durch die Förderung guter Aufgaben-Design-Praktiken und das Aufzeigen möglicher Fallstricke hoffen wir, die Qualität und Vertrauenswürdigkeit zukünftiger EAM-Forschung und -Anwendungen zu verbessern.