Conditional GLMMs for reaction times in choice tasks

Die geheime Rennstrecke des Gehirns

Stellen Sie sich vor, Sie beobachten ein Rennen, aber anstelle von Läufern auf einer Bahn sind die Teilnehmer winzige Gedankenfunken, die durch Ihr Gehirn sausen. Jedes Mal, wenn Sie ein Schild sehen, ein Geräusch hören oder eine Berührung spüren, muss Ihr Gehirn entscheiden, was zu tun ist. Wie lange dauert diese Entscheidung? Diese Millisekunden-Pause zwischen dem Sehen eines Reizes und dem Drücken eines Knopfes wird als „Reaktionszeit“ bezeichnet. Seit über einem Jahrhundert sind Wissenschaftler von diesen winzigen Verzögerungen besessen, weil sie wie ein Fenster in die Maschinerie des Geistes sind. Indem sie messen, wie schnell oder langsam wir reagieren, versuchen Forscher, die unsichtbaren Zahnräder zu verstehen, die in unseren Köpfen rotieren.

Um diese Reaktionszeiten einzuordnen, verwenden Wissenschaftler normalerweise zwei verschiedene Werkzeugkästen. Der erste Werkzeugkasten gleicht einer physikalischen Simulation: Er stellt das Gehirn wie einen Ball vor, der einen Hügel hinunterrollt und an Geschwindigkeit gewinnt, bis er gegen eine Wand prallt. Diese „Aufprallzeit“ ist der Moment, in dem Sie eine Entscheidung treffen. Der zweite Werkzeugkasten ist eine statistische Landkarte, ein verallgemeinertes lineares gemischtes Modell (GLMM). Betrachten Sie dies als eine superintelligente Tabellenkalkulation, die in der Lage ist, durch ungeordnete Daten zu sortieren und zu trennen, wie viel Ihrer Reaktionszeit auf die Aufgabe selbst zurückzuführen ist und wie viel einfach nur darauf, dass Sie ein einzigartiges Individuum mit Ihren eigenen Eigenheiten sind. Die große Frage war schon immer: Können wir die statistische Landkarte nutzen, um die physikalische Simulation rückwärts zu konstruieren? Können wir auf die chaotischen Zahlen schauen und sagen: „Aha! Der Ball rollte mit genau dieser Geschwindigkeit“?

Die Verbindung der Punkte: Von Tabellenkalkulationen zu Gehirn-Rollen

Diese Arbeit von Mauricio Tejo, Cristian Meza und Fernando Marmolejo-Ramos ist wie ein Übersetzer, der versucht, zwei verschiedene Sprachen gleichzeitig zu sprechen. Die Autoren wollten die „Physik“ der Art und Weise, wie das Gehirn Entscheidungen trifft, mit der „Statistik“ der Art und Weise verbinden, wie wir diese Entscheidungen messen. Sie konzentrierten sich auf eine spezifische Art des mentalen Rennens: eine Wahlaufgabe, bei der man zwischen zwei Optionen wählen muss, wie zum Beispiel die Entscheidung, ob ein Gesicht „traurig“ oder „glücklich“ aussieht.

Hier ist der clevere Trick, den sie anwandten. Anstatt alle Reaktionszeiten vermischt zu betrachten, teilten sie die Daten in zwei Stapel auf: die Zeiten, in denen Menschen sich für „traurig“ entschieden, und die Zeiten, in denen sie sich für „glücklich“ entschieden. Dann wandten sie auf jeden Stapel separat eine spezielle Art von statistischem Modell (ein GLMM) an. Sie entdeckten, dass sie etwas Magisches bewirken konnten, wenn sie für diese Stapel spezifische mathematische Formen verwendeten – insbesondere die Inverse Gaussian- und die Gamma-Verteilung. Diese Formen sind nicht nur zufällige mathematische Spielereien; sie entsprechen tatsächlich den Formen, die entstehen, wenn man einen Ball einen Hügel hinunterrollen lässt, bis er eine Wand trifft.

Indem sie diese spezifischen Formen an reale menschliche Daten anpassten, konnten die Autoren rückwärts arbeiten. Sie nahmen die Zahlen aus dem statistischen Modell und nutzten sie, um den „verborgenen Film“ des Entscheidungsprozesses des Gehirns zu rekonstruieren. Sie konnten Dinge schätzen wie die „Driftrate“ (wie schnell die Information gesammelt wurde) und den „Startpunkt“ (wo das mentale Rennen begann). Um zu beweisen, dass ihre Methode funktionierte, führten sie Computersimulationen durch. Sie erstellten künstliche Daten, die genau diesen mathematischen Regeln folgten, ließen ihr Modell darüberlaufen und konnten die ursprüngliche „Physik“, die sie hineingelegt hatten, erfolgreich wiederherstellen. Es war, als würde man ein Haus nach einem Bauplan bauen und dann das fertige Haus nutzen, um den ursprünglichen Bauplan perfekt neu zu zeichnen.

Der Praxistest: Lächelnde Gesichter und Stift-Tricks

Um zu sehen, ob dies in der realen Welt funktioniert, wandten die Autoren ihre Methode auf ein berühmtes Experiment an, bei dem 116 Personen auf Gesichter blickten. Die Gesichter reichten von „super traurig“ bis „super glücklich“, mit vielen Graustufen dazwischen. Die Teilnehmer mussten schnell sagen, ob das Gesicht traurig oder glücklich war. Einige von ihnen mussten sogar einen Stift zwischen den Zähnen halten, während sie dies taten (ein seltsamer Trick, der dazu dient, ein Lächeln oder ein Stirnrunzeln zu erzwingen), während andere keinen Stift hielten.

Die Ergebnisse waren faszinierend. Wenn die Gesichter sehr eindeutig waren (ein super trauriges oder ein super glückliches Gesicht), war die „Driftrate“ hoch. Das bedeutet, das Gehirn sammelte Informationen schnell und entschlossen, was zu schnellen Reaktionszeiten führte. Aber wenn die Gesichter mehrdeutig waren (also ein wenig wie beides aussah), verlangsamte sich die Driftrate. Das Gehirn musste den Ball viel länger rollen lassen, bevor es die Wand traf, was zu langsameren, variableren Reaktionszeiten führte.

Interessanterweise fanden die Autoren heraus, dass der „Stift-zwischen-den-Zähnen“-Trick die grundlegende Geschwindigkeit des Entscheidungsprozesses des Gehirns scheinbar nicht veränderte. Während der Stift vielleicht beeinflusst haben könnte, wie die Menschen sich fühlten, schien er den Kern der „Physik“ der Geschwindigkeit, mit der sie die Emotion verarbeiten konnten, nicht zu verändern. Das statistische Modell zeigte, dass die Entscheidungsgeschwindigkeit des Gehirns fast ausschließlich davon abhing, wie klar das Gesicht war, und nicht davon, ob jemand einen Stift im Mund hatte.

Was dies bedeutet (und was es nicht bedeutet)

Die Autoren sind vorsichtig mit der Aussage, dass dies eine „momentbasierte Approximation“ ist. Stellen Sie sich das so vor: Sie schauen sich die Durchschnittsgeschwindigkeit und die durchschnittliche Streuung des Rennens an, um die Layout der Rennstrecke zu erraten. Es ist eine sehr gute Vermutung, und ihre Simulationen zeigen, dass es gut funktioniert, aber es ist keine perfekte, pixelgenaue Rekonstruktion jedes einzelnen Gedankens. Sie merkten auch an, dass ihr Modell davon ausging, dass die „Nicht-Entscheidungszeit“ (die Zeit, die benötigt wird, um das Gesicht überhaupt zu sehen und den Finger zu bewegen, bevor das eigentliche Denken beginnt) gleich Null ist. In der Realität existiert diese Zeit, aber ihr Modell behandelt den gesamten Prozess als eine einzige, glatte Rollbewegung.

Sie verglichen auch zwei verschiedene mathematische Formen (Gamma und Inverse Gaussian) und fanden heraus, dass die Gamma-Verteilung die realen Daten etwas besser passte als die Inverse Gaussian-Verteilung. Dies deutet darauf hin, dass für diese Arten von emotionalen Aufgaben mit Gesichtern die Gamma-Form die genaueste „Blaupause“ für den Entscheidungsprozess des Gehirns sein könnte.

Letztlich behauptet dieses Paper nicht, das Geheimnis des menschlichen Geistes gelöst zu haben. Stattdessen bietet es eine kraftvolle neue Brücke. Es zeigt, dass wir standardmäßige statistische Werkzeuge, die bereits in vielen Computerprogrammen eingebaut sind, nutzen können, um hinter den Vorhang zu blicken und die verborgenen kognitiven Prozesse zu sehen, die unsere Entscheidungen steuern. Es verwandelt einen ungeordneten Haufen von Reaktionszeiten in eine klare Geschichte darüber, wie schnell unsere Gehirne auf eine Entscheidung zusteuern.