Human decision-makers terminate evidence accumulation using flexible decision rules

Dit onderzoek toont aan dat mensen bij het nemen van beslissingen op basis van geaccumuleerde bewijslast flexibele regels hanteren die zich gedeeltelijk aanpassen aan veranderende taakomstandigheden om de beloningskans te maximaliseren, wat overeenkomt met een rationeel begrensde implementatie van normatieve principes.

De kern

De Gouden Regel: Wanneer stop je met twijfelen?

Stel je voor dat je in een supermarkt staat en moet kiezen tussen twee soorten appelmoes. Je hebt een beetje twijfel. Je kunt direct kiezen (snel, maar misschien de verkeerde), of je kunt blijven kijken, de prijzen vergelijken en de ingrediënten lezen (nauwkeurig, maar je kost tijd en misschien mis je de korting op de andere producten).

Dit onderzoek gaat over precies dat moment: Wanneer stop je met twijfelen en maak je een keuze?

Wetenschappers dachten lange tijd dat mensen een vaste "stop-regel" hebben. Alsof je in je hoofd een lijntje trekt: "Zodra ik 80% zeker ben, klik ik op de knop." Maar dit nieuwe onderzoek toont aan dat ons brein veel slimmer en flexibeler is. We passen die regel voortdurend aan, afhankelijk van de situatie.

Het Experiment: De Duif die Wandelt

Om dit te testen, lieten de onderzoekers mensen een spelletje spelen met een duif.

• Het spel: Een duifje loopt op het scherm heen en weer (een "willekeurige wandeling") richting een stapel zaden links of rechts.
• Jouw taak: Je moet op een toets drukken om te zeggen waar de duif naartoe gaat.
• De prijs:
  • Snelheid: Elke stap die de duif zet, kost je "stappen" (een soort munt). Als je te lang wacht, heb je geen stappen meer over.
  • Nauwkeurigheid: Als je goed raadt, krijg je munten. Als je fout zit, verlies je munten of stappen.

De onderzoekers keken naar het moment waarop mensen de knop indrukken. Op dat moment was de duif op een bepaalde plek. Die plek is de "grens" die het brein heeft getrokken.

Wat ontdekten ze? (De 3 Grote Regels)

Het onderzoek toont aan dat we onze "stop-regel" aanpassen aan drie verschillende situaties:

1. Pas je regels aan als de beloning verandert (De "Geld-Regel")

Stel je voor dat je in het spel soms snel moet zijn (want fouten kosten niets), en soms heel voorzichtig (want fouten kosten veel geld).

• Wat deden mensen? Ze waren slim! Als fouten duur werden, verhoogden ze hun "grens". Ze wachtten langer en waren nauwkeuriger. Als fouten niets kostten, waren ze sneller en minder nauwkeurig.
• De les: We zijn niet robotachtig. We kijken naar de beloning en passen ons gedrag aan om het meeste voordeel te halen. We zijn niet altijd perfect, maar we zijn "voldoende goed" (wetenschappers noemen dit satisficing).

2. Pas je regels aan als de situatie voorspelbaar is (De "Weersvoorspelling-Regel")

Stel je voor dat je weet dat het de hele week regent (slecht zicht) of de hele week zonnig is (goed zicht).

• Wat deden mensen? Als het de hele week slecht zicht was (moeilijke taak), wachtten ze langer om zeker te zijn. Als het zonnig was (makkelijke taak), waren ze sneller.
• De les: Als we weten dat de situatie verandert (bijvoorbeeld per blok van 10 minuten), passen we onze strategie aan.

3. Wat als de situatie onvoorspelbaar is? (De "Mijnenveld-Regel")

Stel je voor dat je door een mijnenveld loopt, maar je weet niet waar de mijnen zitten. Elke stap kan veilig zijn of gevaarlijk. De moeilijkheid wisselt elke seconde.

• Wat deden mensen? Hier faalden ze een beetje. Ze pasten hun regels niet snel genoeg aan. Ze gebruikten één gemiddelde snelheid voor zowel makkelijke als moeilijke momenten.
• De les: Ons brein is goed in plannen voor de lange termijn, maar slecht in het direct aanpassen aan elke wisselende situatie. Het is te veel werk om elke seconde een nieuwe regel te bedenken.

4. De verrassing: Veranderingen tijdens het wachten

Dit is het coolste deel. Stel je voor dat je begint met slecht zicht, maar halverwege wordt het plotseling zonnig (of andersom).

• Wat deden mensen? Ze merkten dit op! Als het zicht plotseling beter werd, wachtten ze iets langer om die extra zekerheid te benutten. Als het plotseling slechter werd, maakten ze een snellere keuze om tijd te besparen.
• De les: Ons brein kan tijdens het nadenken zijn strategie veranderen als de regels van het spel plotseling veranderen.

Waarom is dit belangrijk?

Vroeger dachten we dat ons brein werkt als een strakke computer met vaste lijnen. Dit onderzoek laat zien dat ons brein meer lijkt op een ervaren kapitein op zee.

• Als de storm (de moeilijkheid) voorspelbaar is, past hij de koers aan.
• Als de beloning (de schat) groot is, is hij geduldiger.
• Maar als de storm te chaotisch is, houdt hij vast aan een gemiddelde koers omdat het te vermoeiend is om constant te sturen.

Kortom: We zijn niet perfect, maar we zijn slim genoeg om onze beslissingen aan te passen aan wat er om ons heen gebeurt, zolang het maar niet te chaotisch is. We zoeken niet altijd de beste oplossing, maar wel de voldoende goede oplossing om tijd en energie te besparen.

Technische samenvatting

Probleemstelling

Decisies die gebaseerd zijn op het accumuleren van informatie over tijd vereisen regels om te bepalen wanneer het verzamelproces moet stoppen en een keuze moet worden gemaakt. Traditionele "sequential-sampling" modellen, zoals het Drift-Diffusion Model (DDM), gaan er vaak van uit dat dit proces stopt wanneer de geaccumuleerde bewijslast een vaste, vooraf gedefinieerde drempel (bound) bereikt.

De hoogte van deze drempel balanciert de inherent afweging tussen snelheid en nauwkeurigheid:

• Een lage drempel bevordert snelheid maar verlaagt de nauwkeurigheid.
• Een hoge drempel bevordert nauwkeurigheid maar kost meer tijd.

Bestaande benaderingen hebben twee belangrijke beperkingen:

1. Ze modelleren vaak gemiddelde beslissingsregels over veel proefjes, waardoor inzicht in regels voor individuele beslissingen ontbreekt.
2. Ze gaan er vaak van uit dat beslissingsrelevante grootheden (zoals de kwaliteit van het bewijs) statisch zijn binnen een proefje. In dynamische omgevingen waar de kwaliteit van het bewijs verandert, zouden flexibele aanpassingen de prestaties kunnen verbeteren, maar de aard van deze aanpassingen is nog niet goed begrepen.

Het centrale vraagstuk is: Gebruiken mensen flexibele beslissingsregels die zich aanpassen aan veranderende omstandigheden (zowel tussen proefjes als binnen een proefje) om de beloningssnelheid te maximaliseren?

Methodologie

De auteurs ontwikkelden een nieuwe taak, de "Pigeon Task", om beslissingsdrempels direct te meten in plaats van ze af te leiden uit gemiddelde reactietijden.

• De Taak: Een duif maakt een "gebiasde random walk" op het scherm, startend in het midden en bewegend naar links of rechts (naar twee zaadpiles). De positie van de duif is een visuele representatie van de interne beslissingsvariabele. De deelnemer moet op een toets drukken om de loop te stoppen en aan te geven naar welke pile de duif uiteindelijk zal gaan.
• Afweging: Snel beslissen bespaart stappen (beperkt tot 600 per blok), maar gaat ten koste van nauwkeurigheid. Wachten verbetert de nauwkeurigheid (en dus de verdiende munten), maar kost stappen.
• Design: Er werden drie cohorten van elk 60 deelnemers getest met verschillende variaties in de taak:
  1. Cohort 1: Variatie in beloning en kostenstructuren tussen blokken (bijv. hoge straf voor fouten vs. geen straf).
  2. Cohort 2: Variatie in de Signaal-Ruisverhouding (SNR) van het bewijs. Dit gebeurde ofwel tussen blokken (voorspelbaar) of tussen proefjes (onvoorspelbaar, willekeurig per proefje).
  3. Cohort 3: Variatie in SNR binnen een proefje. De SNR veranderde op een voorspelbaar tijdstip (een "changepoint") van laag-naar-hoog of hoog-naar-laag.
• Data-analyse: De beslissingsdrempel werd gedefinieerd als de positie van de duif op het moment van de reactie (correctie voor niet-beslissingstijd). De auteurs gebruikten simulaties om meetfouten bij korte reactietijden te corrigeren.

Belangrijkste Bijdragen

1. Directe meting van beslissingsdrempels: In plaats van parameters te schatten via modelfitting op gemiddelde data, maakt de "Pigeon Task" het mogelijk om de drempelwaarde op het moment van de beslissing direct te observeren voor elke individuele proef.
2. Onderzoek naar flexibiliteit: Het studie toont aan dat mensen hun beslissingsregels dynamisch aanpassen aan de voorspelbaarheid en structuur van de omgeving, in plaats van vast te houden aan een statische drempel.
3. Validatie van "Satisficing": De resultaten ondersteunen het idee dat mensen niet altijd strikt optimaliseren (maximaliseren van beloning), maar eerder "satisficing" (voldoende goede) strategieën hanteren die robuust zijn binnen een breed scala aan drempelwaarden, vooral wanneer de beloningsfunctie vlak is rond het maximum.

Resultaten

1. Basisgedrag en Drempelstabiliteit
Deelnemers gebruikten over het algemeen drempels die consistent waren met accumulate-to-bound modellen. De drempels waren relatief constant over tijd binnen een blok, met een lichte neiging tot "instorten" (collapsing) op langere tijdsduur. Er was een sterke correlatie tussen de gemiddelde beslissingstijd en de gemiddelde drempel per deelnemer.

2. Aanpassing aan Beloningsstructuur (Cohort 1)
Deelnemers pasten hun drempels systematisch aan op basis van de kosten van fouten:

• Bij lage straf voor fouten (snelheid belangrijk) gebruikten ze lagere drempels.
• Bij hoge straf voor fouten (nauwkeurigheid belangrijk) verhoogden ze hun drempels.
• Ze pasten zich echter niet aan wanneer de beloningsfunctie vlak was (geen extra winst te halen door aanpassing), wat wijst op een "satisficing"-gedrag.

3. Aanpassing aan Kwaliteit van Bewijs (SNR) (Cohort 2)

• Voorspelbare veranderingen (tussen blokken): Deelnemers pasten hun drempels correct aan. Bij lage SNR (moeilijke taak) gebruikten ze hogere drempels om meer bewijs te verzamelen; bij hoge SNR gebruikten ze lagere drempels.
• Onvoorspelbare veranderingen (tussen proefjes): Wanneer de SNR willekeurig per proefje veranderde, pasten deelnemers hun drempels niet aan per proefje. Ze gebruikten een gemiddelde drempel die meer leek op die voor de hoge SNR-conditie. Dit suggereert dat ze niet de moeite nemen om de SNR per proefje te infereren en de drempel daarop af te stemmen, waarschijnlijk omdat de beloningswinst te klein is voor de cognitieve kosten.

4. Aanpassing binnen een Proefje (Cohort 3)
Dit was een cruciale vondst. Wanneer de SNR op een voorspelbaar moment binnen een proefje veranderde:

• Bij een overgang van laag-naar-hoog SNR: Deelnemers verhoogden hun drempel na het changepoint (waardeer het betere bewijs).
• Bij een overgang van hoog-naar-laag SNR: Deelnemers verlaagden hun drempel na het changepoint (vermijd tijdverspilling met slecht bewijs).
• Deze aanpassingen correleerden positief met de theoretisch optimale veranderingen voor het maximaliseren van de beloningssnelheid.

Significantie en Conclusie

Deze studie biedt empirisch bewijs dat menselijke besluitvorming niet wordt geregeerd door starre, statische regels, maar door flexibele controlemechanismen die reageren op de temporaliteit en voorspelbaarheid van informatie.

• Theoretische impact: Het bevestigt dat normatieve modellen (die optimale strategieën voorspellen) geldig zijn, maar dat de menselijke implementatie "bounded rationality" (beperkte rationaliteit) vertoont. Mensen zijn gevoelig voor veranderingen die voorspelbaar zijn (tussen blokken of binnen een proefje), maar negeren onvoorspelbare veranderingen (tussen proefjes) als de kosten van aanpassing de baten overstijgen.
• Neurobiologische implicaties: De bevindingen suggereren dat neurale circuits die beslissingsdrempels vertegenwoordigen (zoals in de LIP of FEF gebieden) flexibel zijn en niet slechts een vaste activatiedrempel hebben. Ze kunnen dynamisch worden bijgestuurd op basis van context en verwachtingen.
• Toekomstige richting: Het inzicht dat beslissingsregels adaptief zijn, is cruciaal voor het begrijpen van hoe het brein snelheid en nauwkeurigheid balanciert in complexe, veranderende omgevingen, en voor het ontwikkelen van betere modellen voor menselijke en dierlijke gedrag.

Kortom, mensen gebruiken beslissingsregels die aanpasbaar zijn aan de structuur van de omgeving, maar binnen de grenzen van wat "voldoende goed" is voor de beloning, in plaats van strikt optimaal te zijn in elke mogelijke situatie.