Contrasting Probabilistic and Intentional Accounts of Confidence in Perceptual Decisions

Dit onderzoek toont aan dat vertrouwen in perceptuele beslissingen niet door één enkel mechanisme wordt bepaald, maar dat de implementatie ervan zich aanpast aan de specifieke taakeisen, waarbij een intentioneel model beter werkt bij gemotiveerde taken en een hiërarchisch model bij niet-gemotiveerde taken.

De kern

Stel je voor dat je een keus moet maken, bijvoorbeeld of je links of rechts moet afslaan. Maar je doet niet alleen een keuze; je geeft ook aan hoe zeker je bent. "Ik ga links, en ik ben er 100% zeker van" of "Ik ga links, maar ik twijfel een beetje."

De vraag waar dit artikel over gaat, is: Hoe werkt dat in ons brein? Hoe weten we hoe zeker we zijn?

Er zijn twee grote theorieën over hoe dit werkt, en de auteurs van dit onderzoek hebben gekeken welke theorie het beste past bij verschillende situaties.

De twee theorieën: De "Chef" en de "Rennende Atleten"

1. De Hiërarchische Theorie (De Chef-kok)
Stel je voor dat je eerst een keuze maakt, net als een chef-kok die beslist wat er op het bord komt. Pas nadat het gerecht op het bord ligt, kijkt de chef even naar het bord en zegt: "Hmm, dit ziet er goed uit, ik ben er zeker van" of "Dit ziet er niet zo goed uit, ik twijfel."

• Hoe het werkt: Eerst de keuze, daarna de zekerheid. Het is een twee-stappen proces. Eerst beslissen, dan controleren.

2. De Geïntegreerde Theorie (De Rennende Atleten)
Stel je nu voor dat je niet eerst kiest en dan twijfelt. In plaats daarvan rennen er vier atleten tegelijkertijd in een racebaan:

• Atleet 1: "Links, en ik ben er zeker van!"
• Atleet 2: "Links, maar ik twijfel."
• Atleet 3: "Rechts, en ik ben er zeker van!"
• Atleet 4: "Rechts, maar ik twijfel."
  De eerste atleet die de finishlijn haalt, bepaalt zowel je keuze als je zekerheid. Je hoeft niet eerst te kiezen en dan te controleren; de keuze en de zekerheid ontstaan tegelijkertijd in dezelfde race.

Het Experiment: Twee verschillende spellen

De onderzoekers hebben twee verschillende spellen gespeeld met mensen om te zien welke theorie het beste werkt.

Spel 1: De Puntenspelletjes (Beweging)
Mensen moesten kijken naar stippen die bewogen (naar links of rechts). Ze moesten kiezen en hun zekerheid aangeven.

• De twist: Ze kregen punten voor hun antwoord. Als ze goed en zeker waren, kregen ze veel punten. Als ze fout en zeker waren, kregen ze een boete (minpunten).
• Het resultaat: In dit spel met beloningen en straffen, leek het brein te werken als de Rennende Atleten. De keuze en de zekerheid waren zo nauw met elkaar verbonden dat ze als één race werden gezien. Mensen trainden hun brein om direct te rennen naar de juiste combinatie van "links/rechts" en "zeker/onzeker".

Spel 2: Het Lichte Spel (Helderheid)
Mensen moesten kijken naar twee vlekken en zeggen welke het helderder was.

• De twist: Hier kregen ze geen punten en kregen ze geen feedback of ze het goed hadden. Het was gewoon een simpele opdracht.
• Het resultaat: In dit saaie spel zonder beloning, werkte het brein juist als de Chef-kok. Eerst maakten ze een keuze, en daarna keken ze even terug om te zien hoe zeker ze waren. Het was een twee-stappen proces.

Wat leren we hiervan?

Het belangrijkste verhaal van dit onderzoek is dat ons brein slim en flexibel is. Er is niet één vaste manier waarop we zekerheid berekenen.

• Als er beloningen op het spel staan (zoals in het eerste spel), schakelt ons brein over naar een snelle, geïntegreerde manier van werken. We trainen ons om de juiste keuze en het juiste vertrouwen tegelijkertijd te vinden, alsof we een sportwedstrijd spelen.
• Als er geen beloning is (zoals in het tweede spel), gebruiken we de traditionele, stap-voor-stap methode. Eerst kiezen, dan nadenken over hoe zeker we zijn.

De conclusie in één zin

Onze zekerheid is niet vast in ons brein geprogrammeerd; het past zich aan de situatie aan. Soms rennen we als atleten in een race, en soms staan we als een chef-kok achter het fornuis om even te proeven. Het hangt er allemaal vanaf of er iets op het spel staat!

Technische samenvatting

Hieronder volgt een gedetailleerde technische samenvatting van het manuscript "Contrasting Probabilistic and Intentional Accounts of Confidence in Perceptual Decisions", geschreven in het Nederlands.

Probleemstelling

Het vermogen om de eigen kennis te evalueren (metacognitie) wordt vaak bestudeerd door deelnemers een perceptuele beslissing te laten nemen, gevolgd door een rapportage van hun zekerheid (confidence). De dominante theorie in dit domein is de hiërarchische architectuur. Hierbij wordt aangenomen dat de keuze en de zekerheid twee gescheiden processen zijn: eerst wordt een keuze gemaakt via een drift-diffusieproces, en daarna leest een apart metacognitief systeem de interne beslissingsvariabelen uit om de waarschijnlijkheid van correctheid te schatten.

Een alternatief, de intentionele (of "flat") architectuur, stelt dat keuze en zekerheid gelijktijdig worden bepaald. In dit kader accumuleert het bewijs niet alleen voor de keuze, maar direct voor specifieke combinaties van keuze en zekerheidsniveau (bijv. "Links-Hoge Zekerheid" vs. "Links-Lage Zekerheid") in een enkel concurrentieproces.

Het centrale probleem dat dit artikel adresseert, is de vraag welke van deze twee computationele architecturen het menselijke gedrag het beste beschrijft, en of deze afhankelijk is van de context van de taak (bijv. aanwezigheid van beloningen of feedback).

Methodologie

Experimentele Opzet:
De auteurs vergeleken twee perceptuele taken met vier deelnemers per taak:

1. Random Dots Motion Discrimination Task: Deelnemers bepaalden de richting van bewegende stippen. Zekerheidsrapportages werden geïncentiveerd via een asymmetrisch puntensysteem (hoge zekerheid gaf meer punten bij juistheid, maar zware straffen bij fouten). Feedback over juistheid en punten werd na elke trial gegeven.
2. Luminance Discrimination Task: Deelnemers bepaalden welke van twee lichtvlekken lichter (of donkerder) was. Er was geen feedback en geen incentives voor zekerheid. Keuze en zekerheid werden gelijktijdig ingevoerd via toetsenbord.

Modellen:
De auteurs pasten twee wiskundige modellen aan op de gedragsdata (keuze, reactietijd en zekerheid):

• Hiërarchisch Model: Een 2D drift-diffusiemodel (DDM) met twee accumulators (Links/Rechts). Zodra een accumulator een drempel bereikt, wordt de keuze vastgesteld. Zekerheid wordt vervolgens berekend via een Bayesiaanse "readout" die de staat van de verliezende accumulator en de verstreken tijd combineert om de posterior-kans op correctheid te schatten.
• Geïntegreerd (Intentioneel) Model: Gebaseerd op het RTCON-model. Dit model bevat vier parallelle drift-diffusieprocessen (races), elk corresponderend met een unieke combinatie van keuze en zekerheid (Links-Hoog, Links-Laag, Rechts-Hoog, Rechts-Laag). De driftsnelheid van elke race wordt bepaald door het deel van de bewijsverdeling dat binnen specifieke interne criteria valt. De eerste race die een grens bereikt, bepaalt zowel de keuze als de zekerheid.

Analyse:
De modellen werden gefit op de data door de gezamenlijke waarschijnlijkheid (likelihood) van keuze, reactietijd en zekerheid te maximaliseren. De prestaties werden vergeleken met behulp van de Akaike Information Criterion (AIC) en Bayesian Information Criterion (BIC) om overfitting te corrigeren.

Belangrijkste Resultaten

1. Gedrag in de Motion Task (Geïncentiveerd):

   • In de taak met beloningen en feedback presteerde het geïntegreerde model significant beter dan het hiërarchische model (voor 3 van de 4 deelnemers).
   • Het geïntegreerde model kon de sterke positieve correlatie tussen stimulussterkte en zekerheid (zowel bij juiste als foutieve antwoorden) nauwkeurig reproduceren.
   • Het hiërarchische model had moeite om de steile toename van zekerheid bij fouten te verklaren en neigde tot het overschatten van het effect van lage zekerheid op nauwkeurigheid.

2. Gedrag in de Luminance Task (Niet-geïncentiveerd):

   • In de taak zonder beloningen of feedback was het hiërarchische model duidelijk superieur.
   • Het geïntegreerde model faalde volledig om de data te fiten. Een structureel probleem van het geïntegreerde model is dat het de frequentie van hoge zekerheidsantwoorden koppelt aan de snelheid ervan. Om snelle hoge-zekerheidsantwoorden te genereren, moet de bijbehorende accumulator een hoge driftsnelheid hebben, wat onvermijdelijk leidt tot een hoog percentage hoge-zekerheidsantwoorden. Dit botst met de data van de luminance-taak, waar lage zekerheid veel vaker voorkwam dan hoge zekerheid.
   • Het hiërarchische model kon wel de observatie reproduceren dat hoge zekerheid sneller en accurater is, en dat zekerheid alleen toeneemt met stimulussterkte bij juiste antwoorden (niet bij fouten).

3. Asymmetrie in Zekerheid (Positive Evidence Bias):

   • In de luminance-taak werd een instructie-afhankelijke "Positive Evidence Bias" (PEB) waargenomen: fluctuaties in de luminantie van de gekozen patch hadden een sterkere invloed op de zekerheid dan fluctuaties in de niet-gekozen patch.
   • Hoewel dit een beperking is voor de onderliggende sensorische verwerking in beide modellen, beïnvloedt het niet de conclusie over de architectuur: het hiërarchische model bleef beter passen bij de globale gedragspatronen in de niet-geïncentiveerde taak.

Bijdragen en Significance

• Contextafhankelijkheid van Metacognitie: De belangrijkste bevinding is dat er geen universeel mechanisme is voor het berekenen van zekerheid. Het brein past de computationele architectuur aan op basis van de taakeisen.

  • Bij geïncentiveerde taken met feedback (Motion task) lijkt het brein een geïntegreerde strategie te hanteren, waarbij keuze en zekerheid als één actiecompetitie worden behandeld. Dit is efficiënter en sluit aan bij neurofysiologische bevindingen in het LIP (Laterale Intrapariëtale Cortex) bij apen.
  • Bij niet-geïncentiveerde taken (Luminance task) lijkt het brein terug te vallen op een hiërarchische strategie, waarbij zekerheid een tweede-orde evaluatie is van de eerste beslissing.

• Neurobiologische Implicaties: De resultaten suggereren dat de vraag of een computationeel probleem hiërarchisch moet worden geïmplementeerd in de hersenen, afhangt van de gedragscontext. De geïntegreerde modellen voorspellen dat neuronen die actie voorbereiden (zoals $T_{in}$-neuronen) direct gekoppeld zijn aan zowel keuze als zekerheid, wat wordt ondersteund door recente neurofysiologische data bij primaten in geïncentiveerde taken.

• Theoretische Vooruitgang: Het artikel biedt een nuance in het debat tussen probabilistische (hiërarchische) en intentionele modellen. Het toont aan dat beide modellen geldig kunnen zijn, maar voor verschillende gedragsregimes. Dit helpt om eerdere tegenstrijdige bevindingen in de literatuur te reconciliëren.

Conclusie:
De studie concludeert dat zekerheid niet afhankelijk is van één enkel computationeel mechanisme. De implementatie is flexibel en adapteert zich aan de structuur van de taak: een geïntegreerde, "flat" competitie in beloningsgevoelige contexten versus een hiërarchische, tweede-orde evaluatie in contexten zonder expliciete incentives.