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

A modelagem computacional tornou-se indispensável na investigação da dinâmica dos processos de tomada de decisão. Uma categoria proeminente de modelos neste domínio são os Modelos de Acumulação de Evidências (EAMs), que modelam tanto as decisões que as pessoas tomam quanto o tempo que levam. Muitas variações foram propostas que modificam a taxa de deriva, taxa de difusão e limiares de decisão, codificando dinâmicas cada vez mais complexas na estrutura do EAM. Contudo, adicionar características ao modelo complica a recuperação dos parâmetros, tornando a interpretação do modelo mais difícil. Neste trabalho, realizamos um estudo de recuperação de parâmetros em uma variedade de EAMs comuns de escolha binária, identificamos os desafios específicos de cada um e exploramos como melhorar a recuperabilidade de seus parâmetros. Embora estudos anteriores tenham abordado essa questão, eles foram fragmentados na natureza, com diferentes grupos aplicando métodos computacionais distintos para estudar modelos diferentes. Nosso objetivo é unificar esse corpo de literatura usando os melhores métodos computacionais disponíveis atualmente. Além disso, apresentamos a primeira análise bayesiana, até onde sabemos, dos 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 pretende 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 enfrentar tais desafios.