Simple Science

最先端の科学をわかりやすく解説

# 生物学# 動物の行動と認知

意思決定のダイナミクス:新しいモデル

新しいモデルが、意思決定の基準が時間とともにどのように変動するかを明らかにしている。

― 1 分で読む


意思決定の変動意思決定の変動察。選択がどうやってされるかに関する新しい洞
目次

毎日、たくさんの選択をするよね。道を渡るタイミングを決めたり、新しい曲をプレイリストに加えるかどうか、コーヒーとお茶のどっちにするかを決めたり。意思決定って常にやってることで、これをどうやって脳が処理してるのかを理解するのは結構大変。研究者たちは、私たちがどうやって選ぶか、見えるもの、選択の価値、リスク、社会的要因に基づいて決めているかを調べてるんだ。こういう研究の中でよく言われるのが、人は証拠をある基準や閾値と比べて決定を下すってこと。

伝統的な意思決定の考え方では、情報を考えるときにその情報の内部表現を作って、それを「証拠」と呼ぶことが多いんだ。選択をしなきゃいけないときに、この証拠を自分の内部の閾値と比べるんだけど、脳は完璧じゃなくて、同じ情報でも同じ表現になるとは限らない。だから、同じ刺激を何度も見ると、その都度内部の価値が違うこともあるんだ。結果的に、同じ状況に直面しても、反応が違うことがあるんだよね。

意思決定基準の変動

意思決定の閾値の変動は、選択をどう解釈するかに大きな影響を与えることがあるんだ。多くの理論では、私たちは自分の決定価値を内部基準と比べてるって言われてる。これに従うと、価値がある閾値を超えたら選択肢Aを選ぶし、下回ったら選択肢Bを選ぶってわけ。通常、この基準は一連の選択の間は変わらないと考えられてるんだけど、新しい研究では、実際にはこの閾値が時間とともに変わるかもしれないって見てるんだ。

この変化を考える一つの方法は、過去の研究を振り返ること。初期の研究では、人の決定基準が一回の試行から次の試行に移ることがあるって指摘されてた。これは、前の選択からのフィードバックや期待、タスクの指示、報酬、異なる刺激の出現頻度など、いろんな要因に応じて変わることがある。

多くの研究者は、状況を変えない限り、決定基準は一連の試行の中で変わらないだろうと考えてる。このことは研究を単純にするけど、実際の脳の働きを見逃す可能性があるんだ。最近の認知科学への関心は、認知プロセス、特に意思決定が静的じゃなく、時間とともに変わることに焦点を当ててるよ。

データがたくさん集まるにつれて、選択に影響を与える重要な要因が固定されていないことがわかってきた。たとえば、動物の意思決定の研究では、さまざまな試行で異なる状態で行われることが示されていて、それぞれに自分のパラメータがあることがわかってる。他の研究では、意思決定の一般的なバイアスが試行ごとにどう変わるかを調べ始めていて、これらの変動が選択にどう影響するかがわかりはじめてるんだ。

変動が重要な理由

意思決定基準の変動を理解することは、実験データをもっと正確に解釈するのに役立つから重要なんだ。これらの基準がどう変わるかを観察することで、処理される情報への感受性の違いによる反応のばらつきを説明できる。

意思決定は単純なプロセスだと思われがちだけど、これらの変動があることで、もっと複雑だってわかるよ。たとえば、研究者は決定基準の変動が過去の選択からの影響を模倣することがあることを発見していて、これが繰り返し効果みたいなバイアスを引き起こすんだ。つまり、人は基準が安定していたらもっと自由に選ぶのに、以前の選択に固執しがちになるってわけ。

基準の変動に対する階層モデル

この決定基準の変化を研究するために、基準の変動に対する階層モデル(hMFC)って新しいモデルを作ったんだ。このモデルは、決定基準が試行ごとにどう変わるかを捉えることを目指していて、データから信頼できるパラメータを回収できるようにしてる。

hMFCは、参加者ごとの試行数が限られていても機能するように設計されてる。異なる被験者のデータを組み合わせることで、研究者は個別のパターンと全体的なパターンをもっと効果的に推定できるんだ。これによって、意思決定基準が時間とともにどう変動するかをよりよく理解できるようになる。

このモデルはベイズ的アプローチを使っていて、少ないデータポイントでもパラメータをより良く回収できるようになってる。決定基準が特定のパターンに従うと仮定するのではなく、階層モデルはさまざまな変動を探ることを可能にするんだ。

意思決定行動のシミュレーション

このモデルがどう機能するかを理解するために、さまざまな条件下で意思決定行動をシミュレーションできるんだ。異なるデータセットを作って、エージェントが多くの試行で二項選択を行うようにできる。各エージェントは、時間とともに変動する決定基準のもとで動いて、いろんなパラメータの影響を受けるんだ。

シミュレーションによって、これらの変動が前の選択と現在の決定の間に見かけ上の関係を生む方法が示される。たとえば、これらの変動を考慮しないと、人が過去の選択に基づいて基準を調整しているかのように見える偽のパターンが見えてしまうことがある。でも、実際はこの変動は完全にランダムなんだ。

これらのシミュレーションを分析することで、意思決定の性質とその背後にあるダイナミクスをよりよく理解できる。hMFCモデルは、決定基準の変動によって生じるノイズを実際の意思決定プロセスから分離するのに役立つんだ。

感受性測定への影響

研究者は、個人が異なる刺激を区別できる能力に興味を持っているんだ。この区別は、心理計量傾斜や信号検出測度d′を使って測定されることが多い。通常、これらの指標は感受性の信頼できる評価を提供するの。

でも、決定基準が変動すると、これらの指標がバイアスされることがあるんだ。たとえば、心理計量傾斜は一定のままでいるけど、変動がこの傾斜を見かけ上低く見せることがある。これは、研究者が感受性に関連するデータを解釈する際に影響を与えるから、変動する基準から生じるバイアスが、個人が異なる刺激を区別する能力について誤った結論を導くことがあるんだ。

連続的な影響と選択の履歴

意思決定における連続的な影響は、過去の試行が現在の選択に影響を与えることを指す。たとえば、誰かがある選択肢を選んだ直後に、次の試行でもその選択肢を選ぶ可能性が高くなるってこと。これは多くの種で観察されていて、意思決定は孤立して行われるのではなく、時間とともに相互接続されていることを示唆しているんだ。

でも、hMFCモデルを適用すると、これらの連続的な影響が決定基準のランダムな変動からも生じることが明らかになる。変動を含むデータをシミュレーションすることで、これらが選択履歴バイアスのように見えるパターンを生むことがわかる。つまり、観察されるバイアスは、前の反応からの直接的な影響ではなく、変動から来ている可能性があるんだ。

連続的な影響が、決定基準に体系的な調整がないときにどう起こるかを理解することは、研究者が結果を解釈する際に注意が必要だって意味だ。hMFCは、これらの変動を考慮する方法を提供して、意思決定プロセスの根本的な理解を深めるんだ。

研究におけるhMFCの応用

hMFCモデルは、意思決定データのバイアスを修正するためのツールだけでなく、それ自体が豊かな研究の領域を提供するんだ。意思決定基準の変動に焦点を当てることで、研究者はこれらの変化が脳の活動や他の生理的要因にどう関係するかをさらに調査できる。

このモデルは、条件や個人によって決定基準がどう異なるかを探るのにも使える。これによって、意思決定のダイナミクスやそれらが認知プロセス、習慣、好みにどう関連するかについて新しい洞察を得られるかもしれない。

さらに、モデルの階層的な性質により、さまざまな被験者からデータを集めて、結果をより強固で適用可能にすることができる。これはサンプルサイズが限られることが多い人間の認知神経科学にとって特に有用なんだ。

結論

意思決定は日常生活の基本的な部分で、時間とともに変わるさまざまな要因に影響される。意思決定基準の変動は、私たちが経験を解釈し、選択を行う上で重要な役割を果たしているんだ。伝統的なモデルは、固定された意思決定基準を仮定していることが多くて、これが誤解や不正確さを招くことがある。

基準の変動に対する階層モデル(hMFC)は、意思決定の理解において重要な一歩を示すもので、動的な性質を捉えることで、研究者が意思決定のバイアスを解きほぐして、認知プロセスを改善する方法を提供するんだ。このモデルは、意思決定基準の変動とその行動や認知に与える影響を探る新しい研究の道を開くんだ。

要するに、意思決定の複雑さを受け入れて、基準の変動を考慮に入れることで、選択の仕方についてより深い洞察を得られるし、認知科学や行動研究の将来の研究への道を切り開くことができるんだ。

オリジナルソース

タイトル: A Bayesian Hierarchical Model of Trial-to-Trial Fluctuations in Decision Criterion

概要: Classical decision models assume that the parameters giving rise to choice behavior are stable, yet emerging research suggests these parameters may fluctuate over time. Such fluctuations, observed in neural activity and behavioral strategies, have significant implications for understanding decision-making processes. However, empirical studies on fluctuating human decision-making strategies have been limited due to the extensive data requirements for estimating these fluctuations. Here, we introduce hMFC (Hierarchical Model for Fluctuations in Criterion), a Bayesian framework designed to estimate slow fluctuations in the decision criterion from limited data. We first showcase the importance of considering fluctuations in decision criterion: incorrectly assuming a stable criterion gives rise to apparent history effects and underestimates perceptual sensitivity. We then present a hierarchical estimation procedure capable of reliably recovering the underlying state of the fluctuating decision criterion with as few as 500 trials per participant, offering a robust tool for researchers with typical human datasets. Critically, hMFC does not only accurately recover the state of the underlying decision criterion, it also effectively deals with the confounds caused by criterion fluctuations. Lastly, we provide code and a comprehensive demo at www.github.com/robinvloeberghs/hMFC to enable widespread application of hMFC in decision-making research.

著者: Robin Vloeberghs, A. E. Urai, K. Desender, S. W. Linderman

最終更新: 2024-10-02 00:00:00

言語: English

ソースURL: https://www.biorxiv.org/content/10.1101/2024.07.30.605869

ソースPDF: https://www.biorxiv.org/content/10.1101/2024.07.30.605869.full.pdf

ライセンス: https://creativecommons.org/licenses/by/4.0/

変更点: この要約はAIの助けを借りて作成されており、不正確な場合があります。正確な情報については、ここにリンクされている元のソース文書を参照してください。

オープンアクセスの相互運用性を利用させていただいた biorxiv に感謝します。

類似の記事