Tvåalternativ tvångsval

Två-alternativ forcerat val ( 2AFC ) är en metod för att mäta känsligheten hos en person eller ett djur för någon speciell sensorisk input, stimulus , genom den observatörens mönster av val och svarstider på två versioner av sensoriska input. Till exempel, för att fastställa en persons känslighet för svagt ljus, skulle observatören presenteras för en serie försök där ett svagt ljus var slumpmässigt antingen i toppen eller botten av skärmen. Efter varje försök svarar observatören "överst" eller "botten". Observatören får inte säga "Jag vet inte", eller "Jag är inte säker", eller "Jag såg ingenting". I den meningen tvingas betraktarens val mellan de två alternativen.

Båda alternativen kan presenteras samtidigt (som i exemplet ovan) eller sekventiellt i två intervaller (även känd som två-intervall forcerat val , 2IFC ) . Till exempel, för att bestämma känsligheten för ett svagt ljus i en tvåintervallsprocedur med tvångsval, skulle en observatör kunna presenteras för serier av försök som omfattar två delförsök (intervall) där det svaga ljuset presenteras slumpmässigt i den första eller den andra intervall. Efter varje försök svarar observatören bara "första" eller "andra".

Termen 2AFC används ofta felaktigt för att beskriva en ja–nej-uppgift , där en observatör presenteras för en serie försök där en stimulans presenteras slumpmässigt i vissa försök och inte i andra. Observatören svarar efter varje försök endast med "ja" eller "nej". Resultaten av en ja-nej-uppgift är mycket mer sannolikt att påverkas av olika svarsfördomar än 2AFC-uppgifter. Till exempel, med extremt svaga ljus, kan en person svara, helt sanningsenligt, "nej" (dvs. "Jag såg inget ljus") på varje försök, medan resultaten av en 2AFC-uppgift visar att personen på ett tillförlitligt sätt kan fastställa plats (överst eller nedre) av samma, extremt svaga ljus.

2AFC är en psykofysikmetod utvecklad av Gustav Theodor Fechner .

Beteendeexperiment

Det finns olika manipulationer i utformningen av uppgiften, konstruerade för att testa specifik beteendedynamik. I ett välkänt experiment av uppmärksamhet som undersöker uppmärksamhetsförskjutningen , använder Posner Cueing Task en 2AFC-design för att presentera två stimuli som representerar två givna platser. I den här designen finns det en pil som visar vilken stimulans (plats) man ska ta hänsyn till. Personen måste sedan ge ett svar mellan de två stimuli (platserna) när du uppmanas. Hos djur har 2AFC-uppgiften använts för att testa av förstärkningssannolikhet , till exempel val hos duvor efter förstärkning av försök. En 2AFC-uppgift har också utformats för att testa beslutsfattande och samspelet mellan belöning och sannolikhetsinlärning hos apor.

Exempel på ett slumpmässigt punktkinetogram som används i en 2AFC-uppgift.

Apor tränades att titta på en centrumstimulus och presenterades sedan för två framträdande stimuli sida vid sida. Ett svar kan sedan göras i form av en sackad till vänster eller till höger stimulus. En juicebelöning ges sedan efter varje svar. Mängden juicebelöning varieras sedan för att modulera valet.

I en annan applikation är 2AFC designad för att testa diskriminering av rörelseuppfattning . Den slumpmässiga punktrörelsekoherensuppgiften introducerar ett slumpmässigt punktkinetogram, med en procentandel av nettokoherent rörelse fördelat över de slumpmässiga prickarna. Procentandelen av punkter som rör sig tillsammans i en given riktning bestämmer koherensen av rörelsen mot riktningen. I de flesta experiment måste deltagaren göra ett valsvar mellan två rörelseriktningar (t.ex. uppåt eller nedåt), vanligtvis indikerat av ett motoriskt svar som en sackad eller att trycka på en knapp.

Fördomar i beslutsfattande

Det är möjligt att införa fördomar i beslutsfattande i 2AFC-uppgiften. Till exempel, om en stimulans inträffar med mer frekvens än den andra, kan frekvensen av exponering för stimuli påverka deltagarens övertygelse om sannolikheten för att alternativen ska inträffa. Att införa fördomar i 2AFC-uppgiften används för att modulera beslutsfattande och undersöka de underliggande processerna.

Modeller för beslutsfattande

2AFC-uppgiften har gett konsekventa beteendemässiga resultat vid beslutsfattande, vilket leder till utvecklingen av teoretiska och beräkningsmodeller för dynamiken och resultaten av beslutsfattande.

Normalfördelningsmodell

Den optimala strategin i en 2AFC-uppgift för univariata normalstimuli från kategorierna

a

och

b

är att klassificera mellan de två gemensamma bivariata normalfördelningarna

ab

och

ba

. Sannolikheten för rätt val är 0,74 här.

Antag att de två stimulierna $x_{1}$ och $x_{2}$ i 2AFC-uppgiften är slumpvariabler från två olika kategorier $a$ och $b$ , och uppgiften är att bestämma vilken som var vilken. En vanlig modell är att anta att stimuli kom från normalfördelningar $N(\mu _{a},\sigma _{a})$ och $N(\mu _{b},\sigma _{b})$ . Under denna normala modell är den optimala beslutsstrategin (för den ideala observatören ) att bestämma vilken av två bivariata normalfördelningar som är mer sannolikt att producera tupeln $x_{1},x_{2}$ : de gemensamma fördelningarna av $a$ och $b$ , eller av $b$ och $a$ .

Sannolikheten för fel med denna ideala beslutsstrategi ges av den generaliserade chi-kvadratfördelningen : $p(e)=p\left( {\tilde {\chi }}_{{\boldsymbol {w}},{\boldsymbol {k}},{\boldsymbol {\lambda }},0,0}^{2}\right)<0$ , där ${\boldsymbol {w}}={\begin{bmatrix}\sigma _{a}^{2}&-\sigma _{b}^{2}\end{bmatrix}},\;{\ boldsymbol {k}}={\begin{bmatrix}1&1\end{bmatrix}},\;{\boldsymbol {\lambda }}={\frac {\mu _{a}-\mu _{b}}{ \sigma _{a}^{2}-\sigma _{b}^{2}}}{\begin{bmatrix}\sigma _{a}^{2}&\sigma _{b}^{2} \end{bmatrix}}.$

Denna modell kan också sträcka sig till de fall då var och en av de två stimuli i sig är en multivariat normalvektor, och även till situationer när de två kategorierna har olika tidigare sannolikheter, eller besluten är partiska på grund av olika värden kopplade till de möjliga resultaten.

Drift-diffusionsmodell

Det finns vanligtvis tre antaganden som görs av beräkningsmodeller som använder 2AFC:

i) bevis som gynnar varje alternativ integreras över tid; ii) processen är föremål för slumpmässiga fluktuationer; och iii) beslutet fattas när tillräckliga bevis har samlats som gynnar det ena alternativet framför det andra.

— Bogacz et al., Fysiken för optimalt beslutsfattande

Det antas vanligtvis att skillnaden i bevis som gynnar varje alternativ är den kvantitet som spåras över tiden och den som i slutändan informerar beslutet; dock kunde bevis för olika alternativ spåras separat.

Exempel på sex bevissamlingssekvenser från en opartisk (100 % brus) källa. De streckade linjerna anger tröskelvärdena för beslutsfattande för vart och ett av de två alternativen.

Drift-diffusionsmodellen (DDM) är en väldefinierad modell som föreslås implementera en optimal beslutspolicy för 2AFC. Det är den kontinuerliga analogen av en slumpmässig promenadmodell . DDM antar att i en 2AFC-uppgift samlar försökspersonen bevis för ett eller annat av alternativen vid varje tidssteg, och integrerar det beviset tills en beslutströskel nås. Eftersom den sensoriska input som utgör beviset är bullrig, är ackumuleringen till tröskeln stokastisk snarare än deterministisk – detta ger upphov till det riktade slumpmässiga-walk-liknande beteendet. DDM har visat sig beskriva noggrannhet och reaktionstider i mänskliga data för 2AFC-uppgifter.

Formell modell

Exempel på tio bevisackumuleringssekvenser för DDM, där det sanna resultatet tilldelas den övre tröskeln. På grund av tillägget av brus har två sekvenser gett ett felaktigt beslut.

Ackumuleringen av bevis i DDM styrs enligt följande formel:

$dx=Adt+cdW\ ,\ x(0)=0$

Vid tidpunkten noll sätts det ackumulerade beviset, x, lika med noll. Vid varje tidssteg ackumuleras en del bevis, A, för en av de två möjligheterna i 2AFC. A är positivt om det korrekta svaret representeras av det övre tröskelvärdet, och negativt om det lägre. Dessutom läggs en brusterm, cdW, till för att representera brus i input. I genomsnitt kommer bruset att integreras till noll. Den utökade DDM tillåter val av $A$ och startvärdet för $x(0)$ från separata distributioner – detta ger en bättre anpassning till experimentella data för både noggrannhet och reaktionstider.

Andra modeller

Ornstein–Uhlenbeck modell

Ornstein –Uhlenbeck- modellen utökar DDM genom att lägga till ytterligare en term, ${\displaystyle \lambda } ,$ till ackumuleringen som är beroende av den aktuella ackumuleringen av bevis – detta har nettoeffekten att öka ackumuleringshastigheten mot det initialt föredragna alternativet .

$dx\ =\ (\lambda x+A)dt\ +\ cdW$

Race modell

I racemodellen samlas bevis för varje alternativ separat, och ett beslut fattas antingen när en av ackumulatorerna når en förutbestämd tröskel, eller när ett beslut tvingas fram och sedan väljs det beslut som är associerat med ackumulatorn med högst bevis. Detta kan formellt representeras av:

${\begin{aligned}dy_{\text {1}}\ =\ I_{\text{1}}dt\ +\ cdW_{\text{1}}\\dy_{\text{2}}\ =\ I_{\text{2}}dt\ +\ cdW_{\text{2}}\end{aligned}},\quad y_{\text{1}}(0)\ =\ y_{\text{2}}(0)=0$

Racemodellen är inte matematiskt reducerbar till DDM, och kan därför inte användas för att implementera en optimal beslutsprocedur.

Ömsesidig hämningsmodell

Den ömsesidiga hämningsmodellen använder också två ackumulatorer för att modellera ackumuleringen av bevis, som med rasmodellen. I denna modell har de två ackumulatorerna en hämmande effekt på varandra, så eftersom bevis ackumuleras i den ena dämpar det ackumuleringen av bevis i den andra. Dessutom används läckande ackumulatorer, så att bevis ackumuleras över tid – detta hjälper till att förhindra skenande ackumulering mot ett alternativ baserat på en kort serie bevis i en riktning. Formellt kan detta visas som:

${\begin{aligned}dy_{\text{1}}\ =\ (-ky_{\text{1}}-wy_{\text{2}}+I_ {\text{1}})dt\ +\ cdW_{\text{1}}\\dy_{\text{2}}\ =\ (-ky_{\text{2}}-wy_{\text{1 }}+I_{\text{2}})dt\ +\ cdW_{\text{2}}\end{aligned}},\quad y_{\text{1}}(0)\ =\ y_{\ text{2}}(0)=0$

Där $k$ är en delad avklingningshastighet för ackumulatorerna, och $w$ är hastigheten för ömsesidig hämning.

Feedforward-inhiberingsmodell

Forward-inhiberingsmodellen liknar den ömsesidiga inhiberingsmodellen, men istället för att hämmas av det aktuella värdet på den andra ackumulatorn, hämmas varje ackumulator av en bråkdel av insignalen till den andra. Det kan formellt sägas så här:

${\begin{aligned}dy_{\text{1}}\ =\ I_{\text{1}}dt\ +\ cdW_{\text{ 1}}\ -\ u(I_{\text{2}}dt\ +\ cdW_{\text{2}})\\dy_{\text{2}}\ =\ I_{\text{2}} dt\ +\ cdW_{\text{2}}\ -\ u(I_{\text{1}}dt\ +\ cdW_{\text{1}})\end{aligned}},\quad y_{\ text{1}}(0)\ =\ y_{\text{2}}(0)=0$

Där $u$ är den del av ackumulatorinmatningen som hindrar den alternativa ackumulatorn.

Poolad hämningsmodell

Wang föreslog den poolade hämningsmodellen, där en tredje, sönderfallande ackumulator drivs av ackumulering i båda de ackumulatorer som används för beslutsfattande, och förutom sönderfallet som används i den ömsesidiga hämningsmodellen, var och en av de beslutsdrivande ackumulatorerna självförstärkningsbaserade på deras nuvarande värde. Det kan formellt sägas så här:

${\begin{aligned}dy_{\text{1}}\ =\ ( -ky_{\text{1}}-wy_{\text{3}}+vy_{\text{1}}+I_{\text{1}})dt\ +\ cdW_{\text{1}}\ \dy_{\text{2}}\ =\ (-ky_{\text{2}}-wy_{\text{3}}+vy_{\text{2}}+I_{\text{2}}) dt\ +\ cdW_{\text{2}}\\dy_{\text{3}}\ =\ (-k_{\text{inh}}y_{\text{3}}+w'(y_{\ text{1}}+y_{\text{2}}))dt\end{aligned}}$

Den tredje ackumulatorn har en oberoende avklingningskoefficient, ${\displaystyle k_{\text{inh}}} ,$ och ökar baserat på de aktuella värdena för de andra två ackumulatorerna, med en hastighet som moduleras av $w'$ .

Neurala samband mellan beslutsfattande

Hjärnområden

I parietalloben förutspådde lateral intraparietal cortex (LIP) neuronavfyrningshastighet hos apor valsvaret av rörelseriktning, vilket tyder på att detta område är involverat i beslutsfattande i 2AFC .

Neurala data som registrerats från LIP- neuroner hos rhesusapor stöder DDM, eftersom avfyringshastigheter för de riktningsselektiva neuronala populationerna som är känsliga för de två riktningarna som används i 2AFC-uppgiften ökar avfyringshastigheterna vid stimulansstart, och genomsnittlig aktivitet i neuronpopulationerna är partisk i riktningen för det korrekta svaret. Dessutom verkar det som om en fast tröskel för neuronal spikhastighet används som beslutsgräns för varje 2AFC-uppgift.

Se även