Contrasting Probabilistic and Intentional Accounts of Confidence in Perceptual Decisions

Die Studie zeigt, dass sich kein einzelner Mechanismus zur Erklärung von Konfidenz in Wahrnehmungsentscheidungen eignet, da ein hierarchisches Modell unbelohnte Aufgaben besser beschreibt, während ein integriertes, intentionales Modell bei belohnten Aufgaben überlegen ist.

Das Wesentliche

Das große Rätsel: Wie wissen wir, dass wir recht haben?

Stellen Sie sich vor, Sie stehen vor einer Kreuzung und müssen entscheiden, ob Sie links oder rechts abbiegen. Gleichzeitig müssen Sie sich selbst fragen: „Bin ich mir da zu 100 % sicher, oder habe ich nur eine vage Ahnung?"

Wissenschaftler haben lange darüber gestritten, wie unser Gehirn diese beiden Dinge (die Entscheidung und das Vertrauen) berechnet. Es gibt zwei Haupttheorien, die wie zwei verschiedene Baupläne für ein Haus wirken:

1. Der „Zwei-Stufen-Plan" (Hierarchisches Modell):

   • Die Idee: Zuerst trifft das Gehirn eine schnelle Entscheidung („Links!"). Danach, als zweiter Schritt, schaut es sich die Beweise an und berechnet: „Hmm, die Beweise waren stark, also bin ich mir ziemlich sicher."
   • Analogie: Es ist wie ein Richter, der zuerst ein Urteil fällt („Schuldig!") und sich dann erst überlegt, wie stark die Beweislage war, um den Strafmaß zu bestimmen.

2. Der „Ein-Schritt-Plan" (Intentionales/Integriertes Modell):

   • Die Idee: Entscheidung und Vertrauen werden gleichzeitig geboren. Es gibt keine Trennung. Das Gehirn läuft in einem Rennen, bei dem vier verschiedene Optionen gleichzeitig um die Wette laufen: „Links-Sicher", „Links-Unsicher", „Rechts-Sicher", „Rechts-Unsicher". Wer zuerst das Ziel erreicht, gewinnt.
   • Analogie: Es ist wie ein Marathon, bei dem vier Läufer starten. Der Gewinner ist nicht nur der, der links oder rechts läuft, sondern auch, wie schnell er war. Wenn „Links-Sicher" gewinnt, dann haben wir sofort entschieden und sind uns sicher, ohne einen zweiten Gedanken zu verschwenden.

Der große Wettkampf: Zwei verschiedene Spiele

Um herauszufinden, welcher Bauplan der richtige ist, haben die Forscher zwei verschiedene Spiele mit Probanden gespielt:

Spiel 1: Der motivierte Motion-Test (Der „Punkte-Jäger")

• Das Spiel: Die Teilnehmer mussten die Bewegungsrichtung von vielen kleinen Punkten auf einem Bildschirm erkennen.
• Der Clou: Es gab ein Belohnungssystem! Wenn sie sich sicher waren und recht hatten, bekamen sie viele Punkte. Wenn sie sich sicher waren und falsch lagen, verloren sie viele Punkte. Wenn sie unsicher waren, war das Risiko geringer.
• Das Ergebnis: Hier funktionierte der „Ein-Schritt-Plan" am besten. Die Teilnehmer haben ihre Entscheidungen so getroffen, als ob „Links-Sicher" und „Links-Unsicher" direkt gegeneinander angetreten wären. Das Gehirn hat die Belohnung genutzt, um die Strategie anzupassen und alles in einem Rutsch zu erledigen.

Spiel 2: Der entspannte Helligkeits-Test (Der „Entspannte")

• Das Spiel: Die Teilnehmer mussten entscheiden, welcher von zwei Lichtfeldern heller (oder dunkler) war.
• Der Clou: Es gab keine Punkte, keine Belohnung und kein Feedback, ob sie recht hatten. Sie mussten es einfach nur tun.
• Das Ergebnis: Hier funktionierte der „Zwei-Stufen-Plan" viel besser. Ohne den Druck der Belohnung schienen die Teilnehmer erst zu entscheiden und dann ihr Vertrauen zu überprüfen. Das Gehirn hat hier den klassischen, getrennten Weg gewählt.

Was bedeutet das für uns?

Die wichtigste Erkenntnis dieser Studie ist: Unser Gehirn ist nicht starr.

Es gibt nicht den einen Weg, wie wir Vertrauen berechnen. Stattdessen passt sich unser Gehirn der Situation an:

• Wenn es darauf ankommt, Punkte zu sammeln oder Risiken zu minimieren (wie im ersten Spiel), schaltet das Gehirn auf „Effizienz-Modus" und entscheidet alles gleichzeitig (Ein-Schritt-Plan).
• Wenn es nur um eine einfache Beobachtung ohne Konsequenzen geht (wie im zweiten Spiel), nutzt es den klassischen Weg: Erst entscheiden, dann nachdenken (Zwei-Stufen-Plan).

Fazit

Stellen Sie sich Ihr Gehirn nicht als einen starren Computer vor, der immer nach demselben Programm läuft. Es ist eher wie ein schlau verkleideter Schauspieler.

• In einer dramatischen Szene (mit Belohnung/Bestrafung) spielt es die Rolle des schnellen, integrierten Akteurs, der alles auf einmal erledigt.
• In einer ruhigen Szene (ohne Konsequenzen) spielt es die Rolle des vorsichtigen Richters, der erst urteilt und dann die Beweise prüft.

Die Studie zeigt also, dass unser „Bauchgefühl" (Vertrauen) kein festes Bauteil ist, sondern ein flexibles Werkzeug, das je nach den Anforderungen der Situation anders funktioniert.

Technische Zusammenfassung

Titel: Kontrastierende probabilistische und intentionale Erklärungen von Konfidenz in perzeptuellen Entscheidungen

1. Problemstellung und Hintergrund

Die Fähigkeit, den eigenen Wissenszustand zu bewerten (Metakognition), wird häufig durch Paradigmen untersucht, bei denen Probanden eine Entscheidung treffen und anschließend ihre Konfidenz (Zuversicht) in die Richtigkeit melden. Dies hat zu hierarchischen Modellen geführt, bei denen Konfidenz als ein vom Entscheidungsprozess getrennter metakognitiver Prozess betrachtet wird, der die Wahrscheinlichkeit der Richtigkeit der gewählten Option schätzt.

Ein alternatives Konzept ist die intentionale Architektur, die besagt, dass Wahl und Konfidenz gleichzeitig durch einen mehrdimensionalen Drift-Diffusionsprozess bestimmt werden. In diesem Modell repräsentiert jede Dimension eine spezifische Kombination aus Wahl und Konfidenz (z. B. „Links-Hochkonfidenz"). Die Entscheidung, Reaktionszeit und Konfidenz entstehen gemeinsam, sobald einer dieser Akkumulatoren eine Entscheidungsgrenze erreicht.

Das Ziel der Studie ist es, diese beiden konkurrierenden Architekturen empirisch zu vergleichen und zu klären, ob Konfidenz auf einem einzigen universellen Rechenmechanismus beruht oder ob die Implementierung an die spezifischen Anforderungen und die Struktur der Aufgabe angepasst wird.

2. Methodik

Experimentelle Aufgaben:
Die Studie verglich zwei verschiedene perzeptuelle Aufgaben mit vier Teilnehmern pro Aufgabe:

1. Zufalls-Punkt-Bewegungsdiskriminierung (Motion Task):
   • Teilnehmer bestimmten die Bewegungsrichtung (links/rechts) eines Punktfelds.
   • Besonderheit: Die Konfidenz wurde durch ein asymmetrisches Punktesystem incentivisiert (Belohnung für korrekte Hochkonfidenz-Antworten, Bestrafung für falsche Hochkonfidenz-Antworten).
   • Wahl und Konfidenz (Hoch/Niedrig) wurden simultan über eine Robotersteuerung gemeldet.
2. Luminanz-Diskriminierungsaufgabe (Luminance Task):
   • Teilnehmer verglichen die Helligkeit zweier Patch-Paare (Wahl: heller oder dunkler).
   • Besonderheit: Keine Feedback- oder Anreizsysteme für die Konfidenz.
   • Wahl und Konfidenz wurden simultan über Tastatureingaben gemeldet.

Modellierung:
Es wurden zwei formale Modelle an die Verhaltensdaten angepasst (Wahl, Reaktionszeit und Konfidenz):

• Hierarchisches Modell: Ein zweidimensionales Drift-Diffusions-Modell (DDM) für die Wahl. Die Konfidenz wird nach der Wahl durch einen separaten „Readout"-Mechanismus berechnet, der den Zustand des verlierenden Akkulators und die verstrichene Zeit nutzt, um die Posterior-Wahrscheinlichkeit der Richtigkeit zu schätzen.
• Integriertes (Flaches) Modell: Ein Wettlauf-Modell (Race Model) mit vier parallelen Drift-Diffusions-Prozessen. Jeder Prozess entspricht einer Kombination aus Wahl und Konfidenz (Links-Hoch, Links-Niedrig, Rechts-Hoch, Rechts-Niedrig). Die Entscheidung entsteht, wenn einer dieser vier Akkumulatoren eine Grenze erreicht.

Auswertung:
Die Modelle wurden mittels Maximum-Likelihood-Schätzung an die Einzelversuchsdaten angepasst. Die Modellgüte wurde durch den Akaike-Information-Kriterium (AIC) und das Bayesian Information Criterion (BIC) verglichen. Zusätzlich wurden gemischte Regressionsmodelle zur Analyse der Verhaltensmuster und psychophysikalische Kernel zur Untersuchung des Einflusses von Stimulus-Rauschen auf die Konfidenz verwendet.

3. Wichtige Ergebnisse

Verhaltensdaten:

• In beiden Aufgaben korrelierte die Genauigkeit positiv mit der Stimulusstärke.
• Unterschied 1: Im Motion-Task stieg die Konfidenz bei sowohl korrekten als auch falschen Entscheidungen mit der Stimulusstärke an. Im Luminanz-Task stieg die Konfidenz nur bei korrekten Entscheidungen mit der Stimulusstärke an, nicht jedoch bei Fehlern.
• Unterschied 2: Der Anteil der Hochkonfidenz-Antworten war im incentivierten Motion-Task (ca. 76 %) deutlich höher als im nicht-incentivierten Luminanz-Task (ca. 28 %), obwohl die Entscheidungsgenauigkeit ähnlich war.

Modellvergleich:

• Motion-Task (mit Anreizen): Das integrierte (flache) Modell lieferte eine überlegene Anpassung an die Daten. Es konnte die starke positive Korrelation zwischen Konfidenz und Stimulusstärke (auch bei Fehlern) sowie die Beziehung zwischen Reaktionszeit und Konfidenz besser abbilden als das hierarchische Modell. Das hierarchische Modell neigte dazu, den Einfluss der Konfidenz auf die Genauigkeit zu überschätzen.
• Luminanz-Task (ohne Anreize): Das hierarchische Modell passte die Daten deutlich besser an. Das integrierte Modell scheiterte daran, die niedrige Häufigkeit von Hochkonfidenz-Antworten bei gleichzeitig schnellen Reaktionszeiten für diese Kategorie zu erklären. Im integrierten Modell würde eine hohe Geschwindigkeit für Hochkonfidenz-Antworten zwangsläufig zu einer höheren Wahrscheinlichkeit führen, dass dieser Akkulator gewinnt, was den beobachteten Daten widerspricht.

Zusätzliche Befunde:

• Im Luminanz-Task wurde ein instruktionsabhängiger positiver Evidenz-Bias (PEB) bestätigt: Die Helligkeitsfluktuationen des ausgewählten Patches hatten einen stärkeren Einfluss auf die Konfidenz als die des nicht ausgewählten Patches. Dieser Effekt war umgekehrt, je nachdem, ob die Aufgabe „Wähle heller" oder „Wähle dunkler" lautete. Dies zeigt, dass die sensorische Verarbeitung nicht symmetrisch ist, was eine Schwäche der einfachen hierarchischen Modelle auf der Ebene der sensorischen Variablen aufzeigt, aber nicht deren übergeordnete Architektur widerlegt.

4. Hauptbeiträge

1. Kontextabhängigkeit der Konfidenz-Computation: Die Studie liefert starke Evidenz dafür, dass es keinen einzigen universellen Mechanismus für Konfidenz gibt. Stattdessen scheint das Gehirn die Architektur der Konfidenzbildung an die Aufgabenstruktur anzupassen.
2. Einfluss von Anreizen: Die Anwesenheit von Belohnungen und Feedback (Motion-Task) scheint die Strategie in Richtung einer integrierten, flachen Konkurrenz zu verschieben, bei der Wahl und Konfidenz gemeinsam optimiert werden. Ohne Anreize (Luminanz-Task) dominiert eine hierarchische Strategie, bei der Konfidenz als sekundäre Bewertung nach der Entscheidung entsteht.
3. Neurophysiologische Implikationen: Die Ergebnisse stützen die Hypothese, dass in Aufgaben mit Anreizen neuronale Populationen, die für die Aktionsvorbereitung zuständig sind (z. B. im LIP-Kortex), direkt für spezifische Wahl-Konfidenz-Kombinationen kodieren (unterstützt durch neuere Primatenstudien).

5. Bedeutung und Fazit

Die Arbeit widerlegt die Annahme, dass Konfidenz immer als eine zweite Ordnung (metakognitiv) nach der primären Entscheidung berechnet wird. Stattdessen zeigt sie, dass die kognitive Architektur flexibel ist:

• Unter incentivierten Bedingungen (wo Konfidenz direkt belohnt wird) nutzt das Gehirn wahrscheinlich einen intentionalen, integrierten Ansatz, bei dem die Entscheidungsgrenzen für verschiedene Konfidenzniveaus direkt im Aktionsraum konkurrieren.
• In neutralen Umgebungen (ohne explizite Belohnung für Konfidenz) scheint das Gehirn effizienter mit einem hierarchischen Ansatz zu arbeiten, bei dem die Konfidenz als separate Bewertung des Entscheidungszustands erfolgt.

Dies hat weitreichende Konsequenzen für das Verständnis der neuronalen Implementierung von Metakognition und deutet darauf hin, dass die Trennung zwischen „Entscheidung" und „Konfidenz" nicht starr ist, sondern eine funktionale Anpassung an die ökonomischen Anforderungen der Umgebung darstellt.