Uma avaliação de recuperação de parâmetros de uma ampla classe de modelos de acumulação de evidências para tomada de decisão

Resumo A modelagem computacional tornou-se indispensável na investigação da dinâmica dos processos de tomada de decisão. Uma categoria proeminente de modelos nesse domínio são os Modelos de Acumulação de Evidências (EAMs), que modelam tanto as decisões que as pessoas tomam quanto o tempo que levam para tomá-las. Muitas variações foram propostas que modificam a taxa de deriva, a taxa de difusão e os limiares de decisão, codificando dinâmicas cada vez mais complexas no framework dos EAMs. No entanto, adicionar características ao modelo complica a recuperação dos parâmetros, dificultando a interpretação do modelo. Neste trabalho, realizamos um estudo de recuperação de parâmetros em uma variedade de EAMs comuns para escolha binária, identificamos os desafios específicos para cada um e exploramos como melhorar a recuperabilidade de seus parâmetros. Embora estudos anteriores tenham abordado esta questão, eles foram esparsos por natureza, com diferentes grupos aplicando diferentes métodos computacionais para estudar diferentes modelos. Nosso objetivo é unificar esse corpo de literatura usando os melhores métodos computacionais atualmente disponíveis. Ademais, apresentamos, que ao nosso conhecimento, é a primeira análise Bayesiana de modelos de conflito de difusão. Nosso propósito aqui é ser minucioso, não exaustivo ou abrangente. Com isso em mente, este artigo cataloga uma série de resultados, alguns previamente mostrados e outros novos. Além disso, ilustra diferentes abordagens para análise de modelos. Este artigo é destinado a ser um recurso para pesquisadores interessados em utilizar EAMs para estudar processos de tomada de decisão, fornecendo insights sobre os desafios associados a esses modelos, como analisá-los à luz desses desafios e exemplos de como abordar tais desafios.