증거의 변화로 나타나는 다양한 학습 기간

npj 학습 과학 8권, 기사 번호: 19(2023) 이 기사 인용

64 액세스

측정항목 세부정보

증거 축적 모델은 의사 결정에 대한 이해를 크게 향상시켰지만 학습 검토에 적용하는 경우는 흔하지 않습니다. 4일에 걸쳐 동적 무작위 도트 모션 방향 식별 작업을 완료한 참가자의 데이터를 사용하여 지각 의사 결정의 두 가지 구성 요소(드리프트 확산 모델 드리프트 속도 및 응답 경계)의 변경을 특성화했습니다. 다양한 역학을 허용하는 다양한 모델을 사용하여 성능 변화의 궤적을 특성화하기 위해 연속 시간 학습 모델이 적용되었습니다. 가장 적합한 모델에는 누적 시행 횟수의 연속적인 지수 함수로 변화하는 드리프트 속도가 포함되었습니다. 대조적으로, 반응 경계는 각 일일 세션 내에서 변경되었지만 일일 세션 간에는 독립적인 방식으로 변경되었습니다. 우리의 결과는 전체 학습 궤적에 걸쳐 관찰된 행동 패턴의 근간을 이루는 두 가지 다른 프로세스를 강조합니다. 하나는 지각 민감도의 지속적인 조정을 포함하고, 다른 하나는 행동하기에 충분한 증거가 존재하는 시점에 대한 참가자의 임계값을 설명하는 보다 다양한 프로세스입니다.

학습은 복잡한 인지 또는 운동 작업부터 기본적인 지각 차별에 이르기까지 인간이 수행하는 거의 모든 행동에서 발생합니다. 따라서 학습을 담당하는 프로세스를 이해하는 것은 교육에서 재활에 이르기까지 대부분의 인간 행동에 영향을 미칩니다1,2. 놀랍게도 학습 과정에 대한 연구는 종종 여러 면에서 제한되는 경향이 있습니다. 첫째, 학습에 관한 연구에서는 선택의 정확성이나 동일성3,4 또는 선택하는 데 걸리는 시간(예: 응답 시간 또는 RT5,6)에만 초점을 맞추는 것이 매우 일반적입니다. 이는 의사결정 속도와 정확성을 모두 고려하면 진행 중인 프로세스에 관해 더 풍부한 추론이 가능하다는 것을 보여주는 방대한 양의 연구에도 불구하고7,8,9,10입니다. 둘째, 학습 연구에서 RT와 정확성을 모두 고려한 제한된 사례에서 모델링은 거의 항상 참가자 및/또는 학습 시험 전체에 걸쳐 상당한 집계를 포함했습니다. 종종 별도의 고정 모델이 각 개별 학습 세션 또는 시도의 "블록"의 모든 시도에 적합하고 세션 간(또는 블록 간) 모델 매개변수의 차이를 통해 학습이 검사됩니다. 이러한 집계는 기본 학습 프로세스에 대한 누락되거나 잘못된 추론으로 이어질 수 있기 때문에 이론적으로나 경험적으로 부적절할 수 있다는 연구 결과에도 불구하고 여전히 일반적입니다11,12,13. 아래에서는 (A) RT와 정확성을 연결하는 모델링 접근 방식과 지각 영역에서 학습 평가에 대한 이전 사용, (B) 지각 영역에서 학습을 평가하기 위한 연속 시간 및 개인 참여 접근 방식을 간략하게 검토합니다. 이 두 가지 접근 방식을 단일 프레임워크에 결합해야 할 필요성을 동기를 부여합니다. 이러한 결합된 접근 방식을 통해 우리는 지각적 의사 결정 프로세스의 특정 측면(예: 지각적 증거가 얼마나 빨리 축적되는지, 반응을 유발하기 전에 얼마나 많은 증거가 필요한지)이 다중 세션에서 시간에 따라 변하는 방식에 관한 주요 질문을 해결할 수 있습니다. 지각 학습 연구.

RT와 이산 선택(예: 정확성)을 연결하는 가장 눈에 띄는 모델은 결정 경계에 도달할 때까지 시끄러운 증거 축적의 결과로 행동을 개념화합니다7,9,10,14. 예를 들어, 참가자가 움직이는 점 필드를 보는 작업을 고려하십시오(보충 그림 1 참조). 각 시도에서 점의 15%는 왼쪽이나 오른쪽으로 일관되게 이동하고 나머지 점은 무작위로 이동합니다. 참가자의 임무는 일관되게 움직이는 점이 왼쪽 또는 오른쪽으로 움직이는지 가능한 한 빠르고 정확하게 나타내는 것입니다. 누산기 모델링 접근 방식에서 지각 시스템은 대안 중 하나에 유리한 증거의 양이 특정 경계에 도달할 때까지 각 대안(왼쪽 또는 오른쪽)에 유리한 증거를 지속적으로 축적하며, 이 시점에서 주어진 결정이 내려집니다. 이 모델은 제한된 Wiener 확산 프로세스9,10에 의해 공식적으로 정의됩니다. 결과적인 DDM(Drift Diffusion Model)은 4가지 매개변수로 특성화됩니다(그림 1 참조). 두 가지 대체 강제 선택에서 증거는 바이어스 지점에서 축적을 시작하고 경계에 도달할 때까지 일정한 노이즈와 드리프트 속도(DR)로 진행되며, 경계 사이의 거리는 반응 경계(RB) 매개변수에 의해 정의됩니다. 마지막 매개변수는 증거 축적 과정(비결정 시간, NDT)과 이론적으로 독립적인 RT에 대한 추가 값입니다. 계층적 베이지안 방법을 사용하여 이러한 매개변수를 추정하는 것이 점점 보편화되었으며, 이는 DDM 매개변수 추정을 조인트 RT 및 정확도 분포8,15,16에 맞는 일반화된 혼합 효과 회귀로 공식화합니다. 여기서는 Stan17,18,19를 사용하여 유사한 방법을 구현합니다.