Conditional GLMMs for reaction times in choice tasks

De geheime racebaan van het brein

Stel je voor dat je naar een race kijkt, maar in plaats van hardlopers op een baan, zijn de deelnemers kleine vonken van gedachten die door je brein zoeven. Elke keer dat je een teken ziet, een geluid hoort of een aanraking voelt, moet je brein beslissen wat te doen. Hoe lang duurt die beslissing? Dat fractie van een seconde tussen het zien van een stimulus en het indrukken van een knop wordt de "reactietijd" genoemd. Al meer dan een eeuw zijn wetenschappers geobsedeerd door deze minuscule vertragingen, omdat ze als een venster dienen naar de machinerie van de geest. Door te meten hoe snel of langzaam we reageren, proberen onderzoekers de onzichtbare tandwielen te begrijpen die in ons hoofd draaien.

Om reactietijden te begrijpen, gebruiken wetenschappers meestal twee verschillende gereedschapskisten. De eerste gereedschapskist is als een natuurkundige simulatie: het stelt zich het brein voor als een bal die een heuvel afrolt, snelheid opbouwt totdat hij een muur raakt. Dit "botsingstijdstip" is het moment waarop je een keuze maakt. De tweede gereedschapskist is een statistische kaart genaamd een Generalized Linear Mixed Model (GLMM). Denk hierbij aan een super slimme spreadsheet die door rommelige gegevens kan sorteren, waarbij het onderscheid maakt tussen hoeveel van je reactietijd te maken heeft met de taak zelf versus hoeveel het simpelweg komt omdat jij een uniek individu bent met je eigen eigenaardigheden. De grote vraag is altijd geweest: kunnen we de statistische kaart gebruiken om de natuurkundige simulatie te reverse-engineeren? Kunnen we naar de rommelige cijfers kijken en zeggen: "Aha! De bal rolde met deze specifieke snelheid"?

De punten verbinden: Van spreadsheets naar brein-rollen

Dit artikel van Mauricio Tejo, Cristian Meza en Fernando Marmolejo-Ramos is als een vertaler die probeert twee verschillende talen tegelijk te spreken. De auteurs wilden de "natuurkunde" van hoe het brein beslissingen neemt verbinden met de "statistiek" van hoe we die beslissingen meten. Ze richtten zich op een specifiek type mentale race: een keuzetaak waarbij je moet kiezen tussen twee opties, zoals beslissen of een gezicht "verdrietig" of "blij" kijkt.

Hier is de slimme truc die ze gebruikten. In plaats van alle reactietijden bij elkaar te mengen, verdeelden ze de gegevens in twee stapels: de tijden waarop mensen "verdrietig" kozen en de tijden waarop mensen "blij" kozen. Vervolgens pasten ze een speciaal soort statistisch model (een GLMM) toe op elke stapel afzonderlijk. Ze ontdekten dat als ze specifieke wiskundige vormen gebruikten voor deze stapels — specifiek de Inverse Gaussian en Gamma distributies — ze iets magisch konden doen. Deze vormen zijn niet zomaar willekeurige wiskundige trucjes; ze komen daadwerkelijk overeen met de vormen die je krijgt wanneer je een bal simuleert die een heuvel afrolt totdat hij een muur raakt.

Door deze specifieke vormen op echte menselijke gegevens te passen, konden de auteurs achteruit werken. Ze namen de cijfers uit het statistische model en gebruikten die om de "verborgen film" van het besluitvormingsproces van het brein te reconstrueren. Ze konden zaken schatten zoals de "drift rate" (hoe snel de informatie werd verzameld) en het "startpunt" (waar de mentale race begon). Om te bewijzen dat hun methode werkte, voerden ze computersimulaties uit. Ze creëerden nepgegevens die precies deze wiskundige regels volgden, draaiden hun model erop en herstelden succesvol de oorspronkelijke "natuurkunde" die ze erin hadden gestopt. Het was alsof je een huis bouwt op basis van een blauwdruk, en vervolgens het voltooide huis gebruikt om de oorspronkelijke blauwdruk perfect opnieuw te tekenen.

De realiteitstest: Glimlachende gezichten en pen-trucs

Om te zien of dit in de echte wereld werkte, pasten de auteurs hun methode toe op een beroemd experiment met 116 mensen die naar gezichten keken. De gezichten varieerden van "super verdrietig" tot "super blij", met veel grijstinten daartussenin. De deelnemers moesten snel zeggen of het gezicht verdrietig of blij was. Sommigen van hen moesten zelfs een pen tussen hun tanden houden terwijl ze het deden (een vreemde truc bedoeld om een glimlach of een frons te forceren), terwijl anderen geen pen vasthielden.

De resultaten waren fascinerend. Wanneer de gezichten heel duidelijk waren (een super verdrietig gezicht of een super blij gezicht), was de "drift rate" hoog. Dit betekent dat het brein snel en besluitvaardig bewijs verzamelde, wat leidde tot snelle reactietijden. Maar wanneer de gezichten ambigu waren (een beetje beide), vertraagde de drift rate. Het brein moest de bal veel langer laten rollen voordat hij de muur raakte, wat resulteerde in tragere, meer variabele reactietijden.

Interessant genoeg ontdekten de auteurs dat de "pen-in-de-mond"-truc de fundamentele snelheid van het besluitvormingsproces van het brein niet leek te veranderen. Hoewel de pen misschien de manier waarop mensen zich voelden veranderde, leek het de kern- "natuurkunde" van hoe snel ze emoties konden verwerken niet te veranderen. Het statistische model toonde aan dat de beslissingssnelheid van het brein bijna volledig werd gedreven door de duidelijkheid van het gezicht, en niet door het feit of er een pen in iemands mond zat.

Wat dit betekent (en wat het niet betekent)

De auteurs zijn voorzichtig om te zeggen dat dit een "moment-gebaseerde benadering" is. Denk hierbij aan het volgende: ze kijken naar de gemiddelde snelheid en de gemiddelde spreiding van de race om de lay-out van de baan te raden. Het is een zeer goede gok, en hun simulaties laten zien dat het goed werkt, maar het is geen perfecte, pixel-voor-pixel reconstructie van elke individuele gedachte. Ze merkten ook op dat hun model ervan uitging dat de "niet-beslissingstijd" (de tijd die het kost om het gezicht simpelweg te zien en de vinger te bewegen, nog voordat het denken begint) nul was. In werkelijkheid bestaat die tijd wel, maar hun model behandelt het hele proces als één vloeiende rol.

Ze vergeleken ook twee verschillende wiskundige vormen (Gamma en Inverse Gaussian) en vonden dat de Gamma distributie de echte gegevens iets beter paste dan de Inverse Gaussian. Dit suggere de dat voor dit soort emotionele gezichtstaken, de Gamma-vorm de meest nauwkeurige "blauwdruk" is voor het besluitvormingsproces van het brein.

Uiteindelijk beweert dit artikel niet het mysterie van de menselijke geest te hebben opgelost. In plaats daarvan biedt het een krachtige nieuwe brug. Het laat zien dat we standaard statistische tools, die al ingebouwd zijn in veel computerprogramma's, kunnen gebruiken om achter het gordijn te gluren en de verborgen cognitieve processen te zien die onze keuzes aansturen. Het verandert een rommelige stapel reactietijden in een helder verhaal over hoe snel onze hersenen naar een beslissing rollen.