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

Résumé technique : Modèle de diffusion à seuil de collapse informé par le temps de non-décision

Énoncé du problème
Les modèles d'accumulation de preuves ont servi de cadre dominant pendant soixante ans pour expliquer les mécanismes neuronaux et comportementaux de la prise de décision, agissant fréquemment comme des instruments de mesure de construits cognitifs latents. Une hypothèse fondamentale de ces modèles est que les décideurs accumulent des preuves bruitées jusqu'à ce qu'un seuil de décision fixe soit atteint. Cependant, des considérations comportementales, neuroscientifiques et de l'optimalité théorique suggèrent que les seuils de décision ne sont pas statiques mais varient au cours du temps. Bien que les modèles de seuil dépendant du temps fournissent souvent des comptes plus précis des données empiriques par rapport aux modèles à seuil fixe, ils souffrent d'une limitation critique : l'estimation peu fiable de leurs paramètres. Cette instabilité d'estimation a forcé les chercheurs à privilégier les comparaisons d'ajustement de modèles plutôt que l'interprétation de valeurs de paramètres spécifiques ou l'analyse des différences individuelles dans la dynamique du seuil de décision.

Méthodologie
Pour répondre aux problèmes de fiabilité inhérents aux modèles de diffusion à seuil dépendant du temps, les auteurs proposent un cadre de modélisation conjoint qui intègre directement des observations externes du temps de non-décision ($t_{nd}$) dans le modèle. L'innovation centrale réside dans le lien entre le modèle de diffusion et des mesures bruitées, au niveau de l'essai, du temps de non-décision dérivées d'enregistrements d'électroencéphalographie (EEG). Ces mesures du temps de non-décision ont été extraites en utilisant la méthode du motif multivarié caché. En contraignant le paramètre du temps de non-décision avec ces observations externes basées sur l'EEG, le cadre vise à stabiliser l'estimation des paramètres de seuil dépendants du temps restants.

Contributions clés et résultats
L'article présente deux lignes de preuves principales soutenant le cadre proposé :

1. Simulations de récupération de paramètres : Les auteurs ont mené des simulations démontrant que le fait d'informer le modèle de diffusion avec des mesures bruitées du temps de non-décision au niveau de l'essai améliore considérablement la fiabilité de l'estimation des paramètres pour les modèles de seuil dépendant du temps. Cette approche atténue efficacement l'instabilité d'estimation qui a historiquement tourmenté de tels modèles.
2. Réanalyse empirique : Le cadre a été appliqué pour réanalyser les données expérimentales de deux tâches de prise de décision perceptuelle. Les résultats ont confirmé la faisabilité de l'approche, montrant que la contrainte du temps de non-décision permet non seulement une estimation fiable des paramètres, mais améliore également l'ajustement absolu aux données comportementales.

Signification
L'article affirme que cette approche de modélisation conjointe résout une barrière de longue date dans l'application des modèles de seuil dépendant du temps. En permettant une estimation fiable des paramètres, le cadre permet aux chercheurs de dépasser les simples mesures de comparaison de modèles pour commencer à interpréter des valeurs de paramètres spécifiques. De plus, cela ouvre la voie à l'étude des différences individuelles dans la dynamique du seuil de décision, une capacité qui était auparavant entravée par l'imprévisibilité de l'estimation. Ce travail démontre que l'intégration de données neurophysiologiques (EEG) avec la modélisation comportementale peut améliorer à la fois la robustesse statistique et le pouvoir explicatif des modèles d'accumulation de preuves.