ParAcT-DDM：一种基于扩散的系统性随时间变化认知过程建模框架

随着人们在长时间内执行任务，他们的心理状态会因练习、学习和/或厌倦等因素系统性变化。然而，主流的认知过程建模框架——如证据积累模型——仅考虑实验持续期间对过程的单一估计，通常的理由是这些变化不被关注、变化可能极小和/或可以通过实验程序例如练习阶段消除。我们的研究提出、开发并评估了ParAcT-DDM框架：跨时间参数扩散决策模型——结合了先前练习和决策研究的建模成果。具体而言，我们的框架通过假设其参数非恒定而是遵循理论指导的、随试验或区块变化的函数来对扩散决策模型参数的时间变化进行建模。聚焦于两个扩散模型参数——漂移率（任务效率）和阈值（谨慎）——以及大量候选时间变化函数，我们的模拟结果表明，ParAcT-DDM的大多数变体展现出稳健的推断特性，关键参数被良好识别且不同变体彼此可区分。我们的实证结果显示，ParAcT-DDM变体在三个现有数据集中大幅优于标准扩散模型，其中包括一个参与者在数据开始记录前完成练习区块的数据集，这表明即使实验设计明确尝试消除练习效应，典型认知实验中仍常发生时间变化的认知过程。最后，我们发现时间变化过程的存在会导致标准扩散模型参数估计的系统性偏差，暗示我们的ParAcT-DDM框架对于确保推断稳健性以应对时间变化至关重要，无论这些变化是否为直接关注点。