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

अपने मस्तिष्क की कल्पना एक व्यस्त अदालत के रूप में करें जहाँ एक जूरी (जूरी) निर्णय लेने की कोशिश कर रही है। दशकों से, वैज्ञानिक इस बात को समझने के लिए एक विशिष्ट "नियम पुस्तिका" का उपयोग करते रहे हैं कि यह जूरी कैसे काम करती है। नियम पुस्तिका कहती है कि जूरी शोर-शराबे वाले, भ्रमित करने वाले सुरागों (साक्ष्य) को इकट्ठा करती है और उन्हें तब तक जोड़ती रहती है जब तक कि वे एक निश्चित "दोषी" या "निर्दोष" रेखा तक नहीं पहुँच जाते। एक बार जब वह रेखा पार हो जाती है, तो निर्णय ले लिया जाता है।

हालाँकि, नए शोध से पता चलता है कि यह नियम पुस्तिका थोड़ी बहुत कठोर है। वास्तविक जीवन में, जूरी एक निश्चित रेखा का इंतज़ार नहीं करती; वे समय बीतने के साथ या तो अधीम हो जाते हैं या अधिक सतर्क हो जाते हैं, जिसका अर्थ है कि जिस "रेखा" को उन्हें पार करने की आवश्यकता है, वह वास्तव में ऊपर और नीचे चलती रहती है। इसे समय-निर्भर थ्रेशोल्ड (time-dependent threshold) कहा जाता है।

समस्या: एक धुंधला दर्पण
मुश्किल यह है कि जब वैज्ञानिक यह मापने की कोशिश करते हैं कि वह चलती हुई रेखा वास्तव में कैसे व्यवहार करती है, तो परिणाम एक धुंधले दर्पण में प्रतिबिंब देखने जैसे होते हैं। संख्याएँ अविश्वसनीय और अस्थिर आती हैं। इस कारण से, शोधकर्ताओं ने मुख्य रूप रूप से यह व्याख्या करना बंद कर दिया है कि वे संख्याएँ व्यक्तिगत लोगों के लिए क्या मायने रखती हैं, और इसके बजाय केवल इस पर ध्यान केंद्रित किया है कि कौन सा मॉडल कागज़ पर बेहतर दिखता है।

समाधान: एक नया जासूसी उपकरण
यह शोध पत्र उस धुंध को साफ करने का एक चतुर नया तरीका पेश करता है। लेखक एक "संयुक्त मॉडलिंग" (joint modeling) दृष्टिकोण का प्रस्ताव करते हैं। इसे इस प्रकार समझें:

कल्पना करें कि जूरी की निर्णय प्रक्रिया एक दौड़ है। दौड़ का एक हिस्सा वास्तविक सोच (साक्ष्य एकत्र करना) है, और दूसरा हिस्सा वह समय है जो निर्णय को लिखने और घोषित करने में लगता है (जिसे नॉन-डिसीजन टाइम कहा जाता है)।

अतीत में, वैज्ञानिकों को यह अनुमान लगाना पड़ता था कि वह "लिखने वाला" हिस्सा कितना समय लेता था, जिससे पूरी दौड़ का समय सटीक रूप से निकालना कठिन हो जाता था। इस नए अध्ययन में, शोधकर्ताओं ने एक बाहरी गवाह को शामिल किया: ईईजी (EEG) ब्रेन स्कैन।

उन्होंने मस्तिष्क के विद्युत संकेतों को "सुनने" और वास्तविक समय में यह मापने के लिए एक विशेष डिजिटल विधि का उपयोग किया कि प्रत्येक परीक्षण के लिए वह "लिखने वाला" हिस्सा ठीक कितना समय ले रहा था। फिर उन्होंने इस जानकारी को सीधे अपने गणितीय मॉडल में डाल दिया।

परिणाम: एक स्पष्ट तस्वीर
मॉडल को यह बताकर कि, "हे, हम जानते हैं कि इस विशिष्ट परीक्षण के लिए लिखने में कितना समय लगा," मॉडल अब अनुमान लगाने के लिए मजबूर नहीं है। यह अपनी पूरी ऊर्जा इस बात को समझने में लगा सकता है कि चलती हुई निर्णय रेखा वास्तव में कैसे व्यवहार करती है।

लेखकों ने इसका परीक्षण दो तरीकों से किया:

1. सिमुलेशन (Simulations): उन्होंने यह साबित करने के लिए नकली डेटा बनाया कि इन ब्रेन-स्कैन मापों को जोड़ने से गणित बहुत अधिक विश्वसनीय और स्थिर हो जाता है।
2. वास्तविक प्रयोग: उन्होंने दृश्य निर्णयों (visual decisions) वाले दो वास्तविक प्रयोगों के डेटा का पुन: विश्लेषण किया। मस्तिष्क के संकेतों का उपयोग करके "लिखने के समय" को सटीक रूप से निर्धारित करके, उन्होंने दो चीजें पाईं:
   • वे अंततः विश्वसनीय संख्या प्राप्त कर सके कि निर्णय थ्रेशोल्ड समय के साथ कैसे बदलता है।
   • मॉडल पहले की तुलना में वास्तविक मानव व्यवहार के साथ बहुत बेहतर तरीके से फिट हुआ।

संक्षेप में
यह शोध पत्र यह दावा नहीं करता कि यह बीमारियों का इलाज करता है या भविष्य की भविष्यवाणी करता है। यह केवल यह कहता है: "यदि आप समझना चाहते हैं कि हमारा निर्णय लेने वाला 'चलती हुई रेखा' कैसे काम करती है, तो कागजी कार्रवाई को पूरा करने में लगने वाले समय का अनुमान लगाना बंद करें। उस समय को सीधे मापने के लिए ब्रेन स्कैन का उपयोग करें, और आपका गणित अंततः समझ में आने लगेगा।"