Non-decision time-informed collapsing threshold diffusion model: A joint modeling framework with identifiable time-dependent parameters

Stellen Sie sich Ihr Gehirn wie einen geschäftigen Gerichtssaal vor, in dem eine Jury versucht, ein Urteil zu fällen. Jahrzehntelang haben Wissenschaftler ein spezifisches „Regelwerk“ verwendet, um zu verstehen, wie diese Jury arbeitet. Das Regelwerk besagt, dass die Jury verrauschte, verwirrende Hinweise (Beweise) sammelt und diese so lange aufsummiert, bis sie eine feste „Schuldig“- oder „Nicht-schuldig“-Linie erreicht. Sobald diese Linie überschritten wird, wird eine Entscheidung getroffen.

Jedoch deutet neue Forschung darauf hin, dass dieses Regelwerk etwas zu starr ist. Im wirklichen Leben warten Geschworene nicht auf eine feste Linie; sie werden im Laufe der Zeit ungeduldiger oder vorsichtiger, was bedeutet, dass sich die „Linie“, die sie überschreiten müssen, tatsächlich nach oben und unten bewegt. Dies wird als zeitabhängiger Schwellenwert bezeichnet.

Das Problem: Ein nebliger Spiegel
Das Problem ist: Wenn Wissenschaftler versuchen zu messen, wie genau sich diese bewegliche Linie verhält, sind die Ergebnisse wie der Blick in einen Spiegel in einem nebligen Raum. Die Zahlen kommen unzuverlässig und wackelig heraus. Aus diesem Grund haben Forscher weitgehend aufgehört, zu interpretieren, was diese Zahlen für den einzelnen Menschen bedeuten, und konzentrieren sich stattdessen nur noch darauf, welches Modell auf dem Papier besser aussieht.

Die Lösung: Ein neues Detektiv-Werkzeug
Dieses Paper führt einen cleveren neuen Weg ein, um diesen Nebel zu lichten. Die Autoren schlagen einen „Joint-Modeling“-Ansatz vor. Stellen Sie sich das so vor:

Stellen Sie sich den Entscheidungsprozess der Jury wie ein Rennen vor. Ein Teil des Rennens ist das eigentliche Denken (das Sammeln von Beweisen), und ein anderer Teil ist die Zeit, die benötigt wird, um das Urteil aufzuschreiben und zu verkünden (genannt Nicht-Entscheidungszeit).

In der Vergangenheit mussten Wissenschaftler raten, wie lange dieser Teil des „Aufschreibens“ dauerte, was die gesamte Rennzeit schwer genau zu berechnen machte. In dieser neuen Studie haben die Forscher einen externen Zeugen hinzugezogen: EEG-Hirnscans.

Sie verwendeten eine spezielle digitale Methode, um den elektrischen Signalen des Gehirns „zuzuhören“ und ein verrauschtes, aber Echtzeit-Messverfahren davon zu extrahieren, wie lange dieser „Aufschreib-Teil“ für jeden einzelnen Durchgang exakt dauerte. Diese Information speisten sie dann direkt in ihr mathematisches Modell ein.

Das Ergebnis: Ein schärferes Bild
Indem sie dem Modell sagten: „Hey, wir wissen genau, wie lange das Aufschreiben für diesen spezifischen Durchgang gedauert hat“, muss das Modell nicht mehr raten. Es kann seine Energie darauf konzentrieren, zu ermitteln, wie sich die bewegliche Entscheidungslinie tatsächlich verhält.

Die Autoren testeten dies auf zwei Arten:

1. Simulationen: Sie erstellten Fake-Daten, um zu beweisen, dass das Hinzufügen dieser Hirnscan-Messungen die Mathematik viel zuverlässiger und stabiler macht.
2. Reale Experimente: Sie analysierten Daten aus zwei echten Experimenten neu, bei denen Menschen visuelle Entscheidungen trafen. Indem sie die Gehirnsignale nutzten, um die „Aufschreibzeit“ festzulegen, fanden sie zwei Dinge heraus:
   • Sie konnten endlich zuverlässige Zahlen dafür erhalten, wie sich der Entscheidungsschwellenwert im Laufe der Zeit verändert.
   • Das Modell passte viel besser zum tatsächlichen menschlichen Verhalten als zuvor.

Kurz gesagt
Das Paper behauptet nicht, Krankheiten zu heilen oder die Zukunft vorherzusagen. Es sagt lediglich: „Wenn Sie verstehen wollen, wie unsere Entscheidungsprozess-'bewegliche Linie' funktioniert, hören Sie auf zu raten, wie lange die Erledigung des Papierkrams dauert. Nutzen Sie Hirnscans, um diese Zeit direkt zu messen, und Ihre Mathematik wird endlich Sinn ergeben.“