最优决策中的贝叶斯置信度。

在许多情况下，做出最优决策的方式是跟踪支持各选项的证据差异。漂移扩散模型（DDM）实现了这一方法，并很好地解释了决策和反应时间。然而，现有基于DDM的置信度模型存在某些不足，且许多置信度理论使用了非最优的决策模型。受DDM历史成功的启发，我们探讨是否通过对该框架的简单扩展可以更好地解释置信度。基于大脑不会复制证据表征的理念，在所有模型变体中，决策和置信度均基于相同的证据积累过程。我们将模型与基准结果进行比较，并在一项新的预注册研究中成功应用了四个关于置信度、证据和时间关系的定性测试。利用计算成本较低的表达式对每个试次的置信度建模，我们发现部分模型变体还能很好甚至极好地解释观察到的置信度数据中的精确量化效应。具体而言，结果支持置信度反映了累积证据强度，但受到达到决策所用时间的惩罚（贝叶斯读取），且该惩罚未完全根据具体任务背景校准。结果表明，无需放弃DDM或单积累器模型，便可成功解释置信度报告。 (PsycInfo Database Record (c) 2024 APA, all rights reserved)。