Computational Growth Modeling: Assessing Longitudinal Change with Joint Models
Dit artikel introduceert en valideert "computationele groeimodellering", een gezamenlijke modelleringsbenadering die hiërarchische computationele modellen integreert met longitudinale data om individuele veranderingen in gedragsprocessen over de tijd nauwkeuriger te schatten dan traditionele twee-fasenmethoden, waardoor verbeterde inzichten worden geboden in de etiologie van psychopathologie.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Menselijk gedrag is zelden een enkel snapshot; het is een verhaal dat zich in de loop van de tijd ontvouwt. Om te begrijpen waarom mensen de keuzes maken die ze maken, vragen psychologen hen vaak om taken uit te voeren die onthullen hoe zij leren van beloningen en straffen. Een dergelijke taak, bekend als de Iowa Gambling Task, vraagt deelnemers om kaarten te kiezen uit verschillende stapels. Sommige stapels bieden grote winsten maar ook nog grotere verliezen, terwijl andere kleinere, stabielere winsten bieden. Door te observeren welke stapels mensen kiezen, kunnen onderzoekers zien of zij leren om de risicovolle opties te vermijden. Jarenlang hebben wetenschappers computermodellen gebruikt om deze keuzes te vertalen naar getallen, waarbij zaken worden geschat zoals hoe snel een persoon zijn verwachtingen bijhoudt na een winst of een verlies. Deze getallen, genaamd parameters, fungeren als een venster naar het leerproces van de geest. Echter, een hardnekkig probleem is geweest hoe deze getallen te volgen zijn terwijl ze veranderen. Wanneer onderzoekers willen zien hoe leren evolueert over maanden of jaren, hebben zij doorgaans vertrouwd op een tweestaps-proces: eerst berekenen ze de leergetallen van een persoon voor een enkele sessie, en vervolgens behandelen ze die getallen als perfecte feiten om te zien hoe ze later veranderen. Deze methode gaat ervan uit dat de eerste berekening foutloos was, waarbij de natuurlijke vaagheid en onzekerheid die gepaard gaan met het meten van menselijk gedrag worden genegeerd.
Een team van onderzoekers onder leiding van Jeremy Haynes aan de Georgia Southern University heeft een andere manier voorgesteld om naar dit probleem te kijken, een manier die de meting en de verandering als één verbonden verhaal beschouwt. In een nieuwe studie introduceerden zij een methode die zij computational growth modeling noemen. In plaats van de berekening van iemands leerstijl te scheiden van het volgen van hoe die stijl in de loop van de tijd verandert, doet deze nieuwe aanpak beide tegelijkertijd. Door de twee met elkaar te verweven, kunnen de onderzoekers rekening houden met de onzekerheid in de initiële metingen, waardoor de gegevens van de ene sessie de kennis van de volgende kunnen informeren. Om te testen of dit idee werkt, creëerde het team eerst een enorme simulatie. Ze genereerden duizenden nep-datasets die mensen vertegenwoordigden die een eenvoudig besluitvormingsspel speelden over drie sessies. In deze simulaties kenden ze de exacte waarheid over hoe de leersnelheden van de deelnemers zouden moeten veranderen. Ze vergeleken hun nieuwe, geïntegreerde methode vervolgens met de traditionele tweestaps-aanpak. De resultaten waren duidelijk: de nieuwe methode was veel beter in het herstellen van de ware patronen van verandering. Het identificeerde correct hoe snel mensen leerden en hoe hun startpunten varieerden, terwijl de oude methode vaak de plank missloeg, vooral wanneer het probeerde te zien hoe individuele verschillen in startvaardigheid gerelateerd waren aan de snelheid van verbetering. De nieuwe aanpak slaagde erin de "mist" van meetfouten te vangen die de oude methode negeerde, wat leidde tot een veel scherper beeld van hoe gedrag evolueert.
Gestimuleerd door deze simulaties, pasten de onderzoekers hun methode toe op echte gegevens die over een periode van drie jaar bij volwassenen zijn verzameld. Deze deelnemers speelden de play-or-pass versie van de Iowa Gambling Task vijf aparte keren. In deze versie kunnen spelers ervoor kiezen om een risico te nemen en een stapel kaarten te spelen, of te passen en de beurt over te slaan. Met behulp van hun nieuwe geïntegreerde model was het team in staat om te traceren hoe de leergewoonten van de deelnemers over de vijf sessies verschoven. Ze ontdekten dat naarmate mensen meer ervaring opdeden, hun gevoeligheid voor directe beloningen en straffen daadwerkelijk afnam, wat suggereert dat ze minder reactief werden op een enkele winst of verlies en meer gefocust raakten op de lange termijn. Tegelijkertijd nam hun gevoeligheid voor hoe vaak ze wonnen of verloren toe, en ontwikkelden ze een sterkere neiging om te spelen, ongeacht de specifieke stapel. Dit patroon van verandering suggereerde dat deelnemers hun strategie verfijnden, waarbij ze weg bewogen van impulsieve reacties en naar een meer berekende aanpak.
De kracht van deze nieuwe methode werd nog duidelijker toen de onderzoekers persoonlijke geschiedenis in de mix brachten. Ze onderzochten of de geschiedenis van een persoon met angst, depressie of middelengebruik, evenals hun geslacht, invloed had op hoe hun leren in de loop van de tijd veranderde. Het model onthulde duidelijke verschillen. Zo vertoonden mannen bijvoorbeeld een hogere basisgevoeligheid voor straf dan vrouwen, wat betekent dat ze aanvankelijk reactiever waren op verliezen. Nog opmerkelijker was dat het model liet zien dat mensen met een geschiedenis van depressie begonnen met een hogere gevoeligheid voor hoe vaak ze wonen of verloren, maar dat hun gevoeligheid voor straf veel sterker afnam over de tijd in vergelijking met mensen zonder een dergelijke geschiedenis. Dit suggereert dat de manier waarop depressie het besluitvormingsproces beïnvloedt niet alleen een statische eigenschap is, maar een dynamisch proces dat verandert naarmate een persoon meer ervaring opdoet. De onderzoekers merkten op dat deze bevindingen over depressie en leersnelheden specifisch waren voor de langere tijdlijn van hun studie, een nuance die mogelijk gemist zou zijn met minder datapunten.
Dit werk beweert niet het mysterie van menselijke besluitvorming te hebben opgelost, maar biedt een betrouwbaarder instrument om het te zien ontvouwen. De auteurs benadrukken dat hun methode bijzonder nuttig is voor het begrijpen van hoe gedragsprocessen zich ontwikkelen en hoe ze mis kunnen gaan bij mentale ziekte. Door te erkennen dat onze metingen van de geest nooit perfect nauwkeurig zijn, en door die onzekerheid direct in de analyse van verandering in te bouwen, biedt de computational growth modeling-aanpak een helderder, eerlijker beeld van hoe wij leren. Het stelt wetenschappers in staat om niet alleen te zien waar iemand op een bepaalde dag staat, maar ook hoe zij bewegen, en hoe die beweging kan verschillen op basis van hun unieke geschiedenis en biologie. Zoals de onderzoekers opmerken, kan dit kader worden aangepast aan vele verschillende soorten taken en zelfs dierstudies, wat een veelzijdige manier biedt om de fluïde aard van gedrag door de tijd heen te bestuderen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.