Una evaluación de la recuperación de parámetros de una amplia clase de modelos de acumulación de evidencia para la toma de decisiones.

El modelado computacional se ha vuelto indispensable para investigar la dinámica de los procesos de toma de decisiones. Una categoría destacada de modelos en este ámbito son los Modelos de Acumulación de Evidencia (EAMs), que modelan tanto las decisiones que las personas toman como el tiempo que tardan. Se han propuesto muchas variaciones que modifican la tasa de deriva, tasa de difusión y umbrales de decisión, codificando dinámicas cada vez más complejas dentro del marco EAM. Sin embargo, agregar características al modelo complica la recuperación de parámetros, haciendo que la interpretación del modelo sea más difícil. En este trabajo, realizamos un estudio de recuperación de parámetros en una variedad de EAMs comunes para elección binaria, identificamos los desafíos específicos para cada uno y exploramos cómo mejorar su recuperabilidad de parámetros. Aunque estudios previos han abordado esta cuestión, han sido fragmentados en naturaleza, con diferentes grupos aplicando distintos métodos computacionales para estudiar diferentes modelos. Nuestro objetivo es unificar este cuerpo de literatura usando los mejores métodos computacionales disponibles actualmente. Además, presentamos el primer análisis bayesiano de modelos de conflicto de difusión, según nuestro conocimiento. Nuestro propósito aquí es ser exhaustivos, no exhaustivos o completos. Con esto en mente, este artículo cataloga una serie de resultados, algunos previamente mostrados y otros nuevos. Además, ilustra diferentes enfoques para el análisis de modelos. Este artículo está destinado a ser un recurso para investigadores interesados en utilizar EAMs para estudiar procesos de toma de decisiones, proporcionando información sobre los desafíos asociados a estos modelos, cómo analizarlos a la luz de esos desafíos y ejemplos de cómo abordarlos.