Conditional GLMMs for reaction times in choice tasks
यह अध्ययन संज्ञानात्मक प्रसार मॉडलों (cognitive diffusion models) और सामान्यीकृत रैखिक मिश्रित मॉडलों (Generalized Linear Mixed Models - GLMMs) के बीच के अंतर को पाटते हुए यह प्रदर्शित करता है कि प्रतिक्रिया समय वितरणों को प्रतिक्रिया विकल्पों पर आधारित करने से इन्वर्स गौसियन (Inverse Gaussian) और गामा (Gamma) वितरणों का उपयोग प्रतिक्रिया समय को मॉडल करने और अंतर्निहित संज्ञानात्मक प्रक्रियाओं का निष्कर्ष निकालने के लिए किया जा सकता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
मस्तिष्क की गुप्त रेस ट्रैक
कल्पना कीजिए कि आप एक दौड़ देख रहे हैं, लेकिन ट्रैक पर धावकों के बजाय, आपके मस्तिष्क के भीतर दौड़ते हुए विचारों की नन्ही चिंगारियाँ प्रतिस्पर्धी हैं। हर बार जब आप कोई संकेत देखते हैं, कोई आवाज़ सुनते हैं, या स्पर्श महसूस करते हैं, तो आपके मस्तिष्क को यह तय करना होता है कि क्या करना है। उस निर्णय लेने में कितना समय लगता है? किसी उत्तेजना (stimulus) को देखने और बटन दबाने के बीच के उस पल भर के अंतराल को "रिएक्शन टाइम" (प्रतिक्रिया समय) कहा जाता है। एक सदी से अधिक समय से, वैज्ञानिक इन सूक्ष्म देरी के प्रति जुनूनी रहे हैं क्योंकि ये मन की कार्यप्रणाली के भीतर झाँकने वाली एक खिड़की की तरह हैं। हम कितनी तेज़ी से या धीरे प्रतिक्रिया करते हैं, इसे मापकर शोधकर्ता हमारे सिर के भीतर घूम रहे अदृश्य गियरों को समझने की कोशिश करते हैं।
इन प्रतिक्रिया समयों को समझने के लिए, वैज्ञानिक आमतौर पर दो अलग-अलग टूलकिट का उपयोग करते हैं। पहला टूलकिट एक भौतिकी सिमुलेशन (physics simulation) की तरह है: यह मस्तिष्क की कल्पना एक पहाड़ी से नीचे लुढ़कती हुई गेंद के रूप में करता है, जो दीवार से टकराने तक गति प्राप्त करती रहती है। यह "हिटिंग टाइम" (टकराने का समय) वह क्षण है जब आप कोई चुनाव करते हैं। दूसरा टूलकिट एक सांख्यिकीय मानचित्र है जिसे 'जनरलाइज्ड लीनियर मिक्स्ड मॉडल' (GLMM) कहा जाता है। इसे एक सुपर-स्मार्ट स्प्रेडशीट के रूप में सोचें जो अव्यवस्थित डेटा को छाँट सकती है, यह अलग कर सकती है कि आपकी प्रतिक्रिया का कितना हिस्सा कार्य (task) के कारण है और कितना हिस्सा केवल इसलिए है क्योंकि आप अपनी विशिष्टताओं वाले एक अद्वितीय व्यक्ति हैं। बड़ा सवाल हमेशा से यह रहा है: क्या हम सांख्यिकीय मानचित्र का उपयोग करके भौतिकी सिमुलेशन को रिवर्स-इंजीनियर कर सकते हैं? क्या हम बिखरे हुए नंबरों को देखकर कह सकते हैं, "आहा! मस्तिष्क इस विशिष्ट गति से लुढ़क रहा था"?
बिंदुओं को जोड़ना: स्प्रेडशीट्स से मस्तिष्क के लुढ़कने तक
मौरिसियो टेजो, क्रिस्टियन मेज़ा और फर्नांडो मारमोलेजो-रामोस का यह शोध पत्र एक अनुवादक की तरह है जो एक साथ दो अलग-अलग भाषाएँ बोलने की कोशिश कर रहा है। लेखक यह जोड़ना चाहते थे कि मस्तिष्क निर्णय कैसे लेता है (भौतिकी) और हम उन निर्णयों को कैसे मापते हैं (सांख्यिकी)। उन्होंने एक विशिष्ट प्रकार की मानसिक दौड़ पर ध्यान केंद्रित किया: एक चॉइस टास्क जहाँ आपको दो विकल्पों के बीच चयन करना होता है, जैसे कि यह तय करना कि एक चेहरा "दुखी" दिख रहा है या "खुश"।
यहाँ वह चतुर युक्ति है जो उन्होंने उपयोग की। सभी प्रतिक्रिया समयों को मिला देने के बजाय, उन्होंने डेटा को दो ढेरों में विभाजित किया: वे समय जब लोगों ने "दुखी" चुना और वे समय जब लोगों ने "खुश" चुना। फिर उन्होंने प्रत्येक ढेर पर अलग-अलग एक विशेष प्रकार के सांख्यिकीय मॉडल (GLMM) को लागू किया। उन्होंने पाया कि यदि वे इन ढेरों के लिए विशिष्ट गणितीय आकृतियों—विशेष रूप से इनवर्स गौसियन (Inverse Gaussian) और गामा (Gamma) वितरणों—का उपयोग करते हैं, तो वे कुछ जादु적인 कर सकते हैं। ये आकृतियाँ केवल यादृच्छिक गणितीय युक्तियाँ नहीं हैं; वे वास्तव में उन आकृतियों से मेल खाती हैं जो तब मिलती हैं जब एक गेंद पहाड़ी से नीचे लुढ़ककर दीवार से टकराती है।
इन विशिष्ट आकृतियों को वास्तविक मानव डेटा पर फिट करके, लेखक पीछे की ओर काम करने में सक्षम हुए। उन्होंने सांख्यिकीय मॉडल से नंबर लिए और उनका उपयोग मस्तिष्क की निर्णय प्रक्रिया के "छिपे हुए मूवी" (hidden movie) को पुनर्गठित करने के लिए किया। वे "ड्रिफ्ट रेट" (सूचना कितनी तेज़ी से एकत्र हो रही थी) और "स्टार्टिंग पॉइंट" (मानसिक दौड़ कहाँ से शुरू हुई) जैसी चीज़ों का अनुमान लगा सके। अपने तरीके को सिद्ध करने के लिए, उन्होंने कंप्यूटर सिमुलेशन चलाए। उन्होंने नकली डेटा बनाया जो इन्हीं सटीक गणितीय नियमों का पालन करता था, उस पर अपना मॉडल चलाया, और मूल "भौतिकी" को सफलतापूर्वक पुनः प्राप्त किया जिसे उन्होंने डाला था। यह एक ब्लूप्रिंट से घर बनाने जैसा था, और फिर उस बने हुए घर का उपयोग करके मूल ब्लूप्रिंट को पूरी तरह से फिर से बनाने जैसा था।
वास्तविक दुनिया का परीक्षण: मुस्कुराते चेहरे और पेन की तरकीबें
यह देखने के लिए कि क्या यह वास्तविक दुनिया में काम करता है, लेखकों ने 116 लोगों के शामिल एक प्रसिद्ध प्रयोग पर अपना तरीका लागू किया, जो चेहरों को देख रहे थे। चेहरे "अत्यधिक दुखी" से लेकर "अत्यधिक खुश" तक थे, जिनमें बीच के कई रंग भी शामिल थे। प्रतिभागियों को जल्दी से बताना था कि चेहरा दुखी है या खुश। उनमें से कुछ को इसे करते समय अपने दांतों में एक पेन भी पकड़ना पड़ा (एक अजीब तरकीब जिसका उद्देश्य मुस्कान या उदासी पैदा करना था), जबकि अन्य ने कोई पेन नहीं पकड़ा था।
परिणाम दिलचस्प थे। जब चेहरे बहुत स्पष्ट थे (एक अत्यंत दुखी चेहरा या एक अत्यंत खुश चेहरा), तो "ड्रिफ्ट रेट" अधिक था। इसका अर्थ है कि मस्तिष्क ने तेज़ी से और निर्णायक रूप से साक्ष्य एकत्र किए, जिससे प्रतिक्रिया समय तेज़ रहा। लेकिन जब चेहरे अस्पष्ट थे (जो थोड़ा दोनों जैसा लग रहे थे), तो ड्रिफ्ट रेट धीमा हो गया। मस्तिष्क को दीवार से टकराने से पहले गेंद को बहुत लंबे समय तक लुढ़काना पड़ा, जिसके परिणामस्वरूप प्रतिक्रिया समय धीमा और परिवर्तनशील हो गया।
दिलचस्प बात यह है कि लेखकों ने पाया कि "दांतों में पेन" वाली तरकीब ने मस्तिष्क की निर्णय लेने की मौलिक गति को नहीं बदला। हालांकि पेन ने लोगों को कैसा महसूस कराया होगा, उससे फर्क पड़ सकता था, लेकिन इसने इस बात को नहीं बदला कि वे भावनाओं को कितनी तेज़ी से प्रोसेस कर सकते हैं। सांख्यिकीय मॉडल ने दिखाया कि मस्तिष्क की निर्णय गति लगभग पूरी तरह से इस बात से प्रेरित थी कि चेहरा कितना स्पष्ट था, न कि इस बात से कि किसी के मुँह में पेन था या नहीं।
यह क्या दर्शाता है (और क्या नहीं)
लेखक सावधानी बरतते हुए कहते हैं कि यह एक "मोमेंट-बेस्ड एप्रोक्सिमेशन" (क्षण-आधारित सन्निकटन) है। इसे इस तरह समझें: वे ट्रैक के लेआउट का अनुमान लगाने के लिए दौड़ की औसत गति और औसत फैलाव को देख रहे हैं। यह एक बहुत अच्छा अनुमान है, और उनके सिमुलेशन दिखाते हैं कि यह अच्छी तरह काम करता है, लेकिन यह हर एक विचार का सटीक, पिक्सेल-दर-पिक्सेल पुनर्निर्माण नहीं है। उन्होंने यह भी नोट किया कि उनके मॉडल ने माना कि "नॉन-डिसीजन" समय (वह समय जो चेहरा देखने और उंगली हिलाने में लगता है, इससे पहले कि सोचने की प्रक्रिया शुरू हो) शून्य था। वास्तव में, वह समय मौजूद है, लेकिन उनका मॉडल इस पूरी प्रक्रिया को एक सुचारू रोल के रूप में मानता है।
उन्होंने दो अलग-अलग गणितीय आकृतियों (गामा और इनवर्स गौसियन) की तुलना की और पाया कि गामा वितरण ने इनवर्स गौसियन की तुलना में वास्तविक डेटा को थोड़ा बेहतर तरीके से फिट किया। यह सुझाव देता है कि इस प्रकार के भावनात्मक चेहरे वाले कार्यों के लिए, गामा आकृति मस्तिष्क की निर्णय प्रक्रिया के लिए सबसे सटीक "ब्लूप्रिंट" हो सकती है।
अंततः, यह शोध पत्र यह दावा नहीं करता है कि इसने मानव मन के रहस्य को सुलझा लिया है। इसके बजाय, यह एक शक्तिशाली नए सेतु (bridge) की पेशकश करता है। यह दिखाता है कि हम मानक सांख्यिकीय उपकरणों का उपयोग कर सकते हैं, जो पहले से ही कई कंप्यूटर प्रोग्रामों में मौजूद हैं, ताकि पर्दे के पीछे झाँक सकें और उन छिपी हुई संज्ञानात्मक प्रक्रियाओं को देख सकें जो हमारे विकल्पों को संचालित करती हैं। यह प्रतिक्रिया समय के बिखरे हुए ढेर को हमारे निर्णयों की ओर मस्तिष्क कितनी तेज़ी से लुढ़कता है, इसकी एक स्पष्ट कहानी में बदल देता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।