最优置信度的低维近似

人类决策伴随着置信感。根据贝叶斯决策理论，置信度反映了在给定可用数据（例如，积累的刺激证据和反应时间）的情况下做出正确反应的学习概率。虽然这是最优的，但独立学习所有可能数据组合的这些概率在计算上是无法实现的。本文描述了一种置信度的新模型，实现了该最优但计算不可行解的低维近似。该模型允许有效估计置信度，同时解释个体特质、不同类型的偏差以及与最优正确概率的偏离。我们的模型将由个体对证据可靠性的估计产生的置信偏差（由参数α捕捉）与由一般刺激无关的低估和高估置信度产生的置信偏差（由参数β捕捉）区分开。我们提供实证证据表明，该模型能同时准确拟合选择数据（准确率、反应时间）和逐试次的置信评级。最后，我们测试并实证验证了该模型的两个新预测：1）置信度的变化可以与表现独立；2）有选择地操控模型的每个参数会导致不同的置信判断模式。作为对置信度计算的可行且灵活的解释模型，我们的模型为理解和进一步解决各种置信偏差提供了明确框架。