Un guide expert pour planifier des tâches expérimentales pour la modélisation de l'accumulation de preuves

Les modèles d'accumulation de preuves (EAM) sont des outils puissants pour comprendre le comportement décisionnel humain et animal. Les EAM ont généré d'importants progrès théoriques en psychologie, économie comportementale et neurosciences cognitives, et sont de plus en plus utilisés comme outil de mesure en recherche clinique et dans d'autres contextes appliqués. Obtenir des inférences valides et fiables à partir des EAM dépend de la connaissance de la manière d'établir une correspondance étroite entre les hypothèses du modèle et les caractéristiques de la tâche/des données auxquelles le modèle est appliqué. Cependant, cette connaissance est rarement explicitée dans la littérature sur les EAM, laissant les débutants dépendre des conseils privés de mentors et collègues, ainsi que d'un apprentissage inefficace par essais et erreurs. Dans cet article, nous fournissons des conseils pratiques pour concevoir des tâches adaptées aux EAM, pour relier les manipulations expérimentales aux paramètres des EAM, pour planifier des tailles d'échantillon appropriées, et pour préparer les données et réaliser une analyse EAM. Nos conseils sont basés sur des études méthodologiques antérieures et sur l'expérience collective substantielle des auteurs avec les EAM. En encourageant de bonnes pratiques de conception de tâches et en alertant sur les pièges potentiels, nous espérons améliorer la qualité et la fiabilité des futures recherches et applications des EAM.