📊 statistics

Extending Evidence Accumulation Models to Bounded Continuous Self-report Data

Este artigo apresenta e compara dois novos modelos de acumulação de evidências, o Modelo de Difusão Semi-Circular e o Modelo de Difusão com Deriva Beta, para analisar dados contínuos de autorrelato limitados, utilizando inferência Bayesiana amortizada para permitir estimação robusta de parâmetros e seleção de modelos sem a necessidade de funções de verossimilhança analíticas.

Autores originais: Yufei Wu, Tamás Szűcs, Agnes Moors, Francis Tuerlinckx

Publicado 2026-04-30

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Yufei Wu, Tamás Szűcs, Agnes Moors, Francis Tuerlinckx

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que seu cérebro é uma fábrica movimentada tentando tomar uma decisão. Por décadas, cientistas têm usado uma ferramenta chamada Modelo de Acúmulo de Evidências (EAM) para entender como essa fábrica funciona. Tradicionalmente, essa ferramenta só funcionava para escolhas simples de "Sim/Não" ou "Esquerda/Direita". Ela imaginava um trabalhador reunindo pistas ruidosas até ter o suficiente para gritar "Vá!" e apertar um botão de parada.

Mas o que acontece quando a escolha não é apenas "Esquerda" ou "Direita", mas algo em uma escala deslizante? Pense em avaliar seu humor em um controle deslizante de "Terrível" a "Incrível", ou dizer o quanto você gosta de uma música de 1 a 100. Esses são relatos contínuos limitados. As ferramentas antigas não conseguiam lidar com isso; eram como tentar medir a temperatura de uma sopa com uma régua.

Este artigo apresenta duas novas ferramentas especializadas, projetadas especificamente para essas decisões em escala deslizante. Os autores as chamam de Modelo de Difusão Semi-Circular (HCDM) e Modelo de Difusão com Deriva Beta (BDDM).

Veja como elas funcionam, usando analogias simples:

1. As Duas Novas Ferramentas

O Modelo de Difusão Semi-Circular (HCDM): A "Bola Quicando"
Imagine uma bola rolando em um chão plano com formato de meia-lua (um semicírculo).

O Objetivo: A bola começa em algum lugar no meio e rola em direção à borda curva.
A Regra: Se a bola tentar rolar para fora da borda reta e plana do semicírculo, ela não cai; ela quica de volta (reflete) e permanece dentro da área válida.
A Decisão: O momento em que a bola atinge a borda curva, a decisão é tomada. Onde ela atinge diz o que é a resposta (por exemplo, mais perto de "Negativo" ou "Positivo"), e quanto tempo levou diz quão rápido foi a decisão.
Por que funciona: É uma maneira inteligente de forçar um movimento circular (que é matematicamente fácil) a se ajustar a uma linha reta e limitada (como um controle deslizante).

O Modelo de Difusão com Deriva Beta (BDDM): A "Sala Lotada"
Imagine um corredor longo com 101 pessoas em fila, cada uma representando um ponto diferente na sua escala deslizante.

O Objetivo: Em vez de uma única bola rolando, todos na fila estão reunindo evidências ao mesmo tempo.
A Forma: A "deriva" (a velocidade com que eles reúnem evidências) não é a mesma para todos. Ela forma um formato de colina (como uma curva de sino ou uma montanha). O pico da colina é onde a pessoa está mais confiante.
A Decisão: O momento em que qualquer pessoa na fila reúne evidências suficientes para cruzar uma linha de chegada, a decisão é tomada.
Por que funciona: Este modelo é mais flexível. Ele pode lidar com situações em que as pessoas estão muito inseguras (a colina é plana e larga) ou muito seguras (a colina é alta e estreita). É como ter uma equipe inteira de trabalhadores em vez de apenas um.

2. O Problema: A "Caixa Preta" da Matemática

Geralmente, para usar esses modelos, os cientistas precisam de uma fórmula matemática específica (uma "função de verossimilhança") para dizer quão bem o modelo se ajusta aos dados. Mas, para esses novos e complexos modelos, essa fórmula é muito confusa para ser escrita. É como tentar resolver um quebra-cabeça onde as peças continuam mudando de formato.

A Solução: O "Robô de Treinamento" (Inferência Bayesiana Amortizada)
Como não conseguiam escrever a fórmula, os autores usaram uma solução inteligente. Eles construíram uma rede neural (um tipo de IA) e a treinaram como um estudante:

Simulação: Eles executaram milhões de experimentos falsos em um computador, criando milhares de cenários de decisão "falsos" com respostas conhecidas.
Aprendizado: Eles mostraram esses cenários falsos à IA, ensinando-a: "Quando você vê este padrão de dados, a resposta é aquela."
Aplicação: Uma vez que a IA foi treinada, eles alimentaram com dados reais de humanos. A IA não precisava da fórmula matemática confusa; ela apenas reconhecia os padrões que havia aprendido e fornecia a resposta.

3. O Que Eles Encontraram

Os autores testaram essas ferramentas em dados reais onde pessoas jogaram um jogo, ganharam ou perderam dinheiro e, em seguida, avaliaram seus sentimentos em um controle deslizante contínuo.

Ambas as ferramentas funcionaram: Elas conseguiram determinar com precisão quão rápido as pessoas estavam pensando e quão confiantes estavam.
A "Bola Quicando" (HCDM) foi ótima para a maioria das pessoas. Foi rápida de calcular e funcionou bem para respostas padrão.
A "Sala Lotada" (BDDM) foi a "ferramenta suprema". Foi melhor em lidar com os extremos. Se uma pessoa era extremamente consistente (sempre escolhendo o mesmo ponto exato) ou extremamente dispersa (saltando por toda a escala), o BDDM se ajustou melhor aos seus dados. Isso ocorre porque o BDDM tem um "controle de ruído" especial que permite lidar com caminhos de decisão muito suaves ou muito irregulares.
A Troca: O BDDM é mais poderoso, mas muito mais lento para treinar. Levou cerca de 13 minutos para o computador treinar o modelo da "Bola Quicando", mas quase 7 horas para treinar o modelo da "Sala Lotada".

4. As Limitações

Os autores observaram que ambas as ferramentas tiveram dificuldades quando as pessoas agiam de forma estranha. Se um participante continuava clicando no mesmo ponto exato repetidamente (como sempre clicar em "Neutro" ou sempre clicar na extremidade), os modelos ficavam confusos. Os modelos assumem que as pessoas estão se movendo suavemente ao longo da escala, então não conseguiam prever perfeitamente esses comportamentos "travados".

Resumo

Em resumo, este artigo oferece aos psicólogos duas novas réguas especializadas para medir decisões em uma escala deslizante. Eles usaram um método inteligente de treinamento de IA para tornar essas réguas complexas utilizáveis. Uma é uma régua rápida e padrão (HCDM), e a outra é uma régua de alta precisão e flexível (BDDM) que lida melhor com comportamentos extremos, mas leva mais tempo para ser calibrada. Isso permite que os pesquisadores finalmente estudem a "velocidade e confiança" de sentimentos e opiniões, e não apenas escolhas simples de sim/não.

1. Declaração do Problema

Os Modelos de Acumulação de Evidências (EAMs), como o Modelo de Difusão de Deriva (DDM), são o quadro padrão para analisar dados de escolha binária e tempo de reação (RT). No entanto, existe uma lacuna significativa na modelagem de dados de autorrelato contínuos limitados (por exemplo, escalas visuais analógicas para intensidade emocional, confiança ou preferência de risco).

Limitações dos Modelos Existentes:
- Modelo de Difusão Circular (CDM): Projetado para tarefas simetricamente rotacionais (por exemplo, estimativa de ângulo). É inadequado para escalas lineares limitadas porque assume um espaço de decisão circular completo.
- Modelo de Difusão Espacialmente Contínua (SCDM): Projetado para estimação perceptiva onde a localização "correta" do estímulo é conhecida externamente (por exemplo, identificar uma cor). Não consegue lidar com autorrelatos subjetivos onde a localização-alvo não é especificada externamente e deve ser inferida a partir da própria resposta.
O Desafio: Os EAMs padrão exigem funções de verossimilhança analíticas para estimação de parâmetros. As adaptações propostas para dados contínuos limitados envolvem processos estocásticos complexos que carecem de verossimilhanças tratáveis, tornando inviáveis a Estimação de Máxima Verossimilhança (MLE) tradicional ou a inferência bayesiana padrão.

2. Metodologia

Os autores propõem duas novas adaptações de modelo e um fluxo de trabalho de inferência livre de verossimilhança para superar o problema da verossimilhança intratável.

A. Modelos Propostos

Modelo de Difusão Semi-Circular (HCDM):
- Conceito: Uma adaptação do CDM onde o espaço de decisão é restrito a um semidisco ( $D'$ ) em vez de um círculo completo.
- Mecanismo: Implementa um mecanismo de reflexão especular na fronteira do diâmetro ( $x_2 = 0$ ). Se a trajetória de difusão tentar cruzar esta borda plana, o deslocamento restante é refletido de volta para a região válida.
- Parametrização: Utiliza um sistema de coordenadas polares para o vetor de taxa de deriva $(l, \phi)$ , onde $l$ é a magnitude e $\phi$ é o ângulo relativo ao arco de decisão. Isso permite que o ponto de partida varie sem restringir as direções de deriva válidas.
- Saída: A resposta é o ângulo polar $\phi$ no tempo de primeira passagem para a fronteira curva.
Modelo de Difusão de Deriva Beta (BDDM):
- Conceito: Uma adaptação do SCDM onde a taxa de deriva é definida sobre um domínio espacial contínuo, mas não está ligada a um estímulo externo.
- Mecanismo: A função de taxa de deriva é modelada como uma função de densidade de probabilidade (PDF) Beta escalonada, parametrizada por média ( $\mu$ ), concentração ( $\kappa$ ) e altura ( $h$ ).
- Ruído: Utiliza um processo gaussiano espacial com um kernel exponencial quadrado para modelar ruído correlacionado através do espaço de decisão, garantindo uma acumulação biologicamente plausível.
- Saída: A resposta é a localização espacial $u$ onde a evidência acumulada cruza a fronteira pela primeira vez.

B. Framework de Inferência: Inferência Bayesiana Amortizada (ABI) e Comparação (ABMC)

Como as verossimilhanças analíticas não estão disponíveis, os autores empregam inferência livre de verossimilhança:

Treinamento Baseado em Simulação: Grandes conjuntos de dados são simulados a partir dos modelos usando parâmetros "verdadeiros" conhecidos.
Redes Neurais:
- Rede de Resumo: Comprime dados de tamanho variável em estatísticas suficientes de tamanho fixo (usando SetTransformers).
- Rede de Inferência: Aprende o mapeamento dos dados para a distribuição posterior dos parâmetros (para ABI) ou probabilidades de modelo (para ABMC).
Comparação de Modelos (ABMC): Utiliza Deep Ensembles (múltiplas redes treinadas independentemente) para estimar Probabilidades de Modelo Posterior (PMPs) e mitigar a sensibilidade à especificação incorreta do modelo. Dados contaminados (5% de ruído) são adicionados durante o treinamento para garantir robustez.

3. Principais Contribuições

Extensão Teórica: Estende com sucesso o quadro EAM para dados de autorrelato contínuos limitados, preenchendo a lacuna entre modelos de decisão binária e relato subjetivo contínuo.
Fluxo de Trabalho Metodológico: Demonstra um pipeline completo para ajustar EAMs complexos e livres de verossimilhança usando ABI e ABMC, tornando esses modelos acessíveis para pesquisa psicológica prática.
Ciência Aberta: Fornece código totalmente documentado, conjuntos de dados de exemplo e pesos de redes neurais treinados para facilitar a adoção na comunidade de psicologia experimental.
Interpretabilidade de Parâmetros: Estabelece interpretações psicológicas claras para os novos parâmetros (por exemplo, magnitude da taxa de deriva como velocidade de processamento, fronteira como cautela e parâmetros Beta como clareza da evidência).

4. Resultados

Os modelos foram aplicados a um conjunto de dados empírico envolvendo uma tarefa de recompensa probabilística onde os participantes relataram estados afetivos em um controle deslizante contínuo.

Recuperação de Parâmetros: Tanto o HCDM quanto o BDDM demonstraram alta precisão na recuperação de parâmetros verdadeiros a partir de dados simulados (correlações $r > 0,95$ para a maioria dos parâmetros).
Ajuste Empírico:
- HCDM: Os parâmetros correlacionaram-se fortemente com estatísticas de resumo empíricas. O ângulo de deriva ( $\phi$ ) previu as médias de avaliações afetivas ( $r=0,992$ ) e a fronteira ( $a$ ) previu o RT médio ( $r=0,615$ ).
- BDDM: Mostrou correlações semelhantes, mas ofereceu flexibilidade superior. A moda da taxa de deriva ($modedrift$) previu as médias de avaliações ( $r=0,992$ ) e o intervalo interquartil ( $IQR_{drift}$ ) previu a variabilidade das avaliações.
Comparação de Modelos:
- Resultados ABMC: Aproximadamente 70 participantes favoreceram fortemente o BDDM, enquanto ~40 favoreceram o HCDM.
- Fator de Seleção: O BDDM superou o HCDM principalmente para conjuntos de dados com distribuições de resposta extremas (altamente concentradas ou altamente dispersas). O parâmetro de kernel do BDDM ( $\rho$ ) permite modelar trajetórias de ruído irregulares ou planas, capturando variabilidade extrema que o HCDM (que assume dispersão moderada) não consegue.
- Ajuste (GOF): O $\Delta$ GOF (diferença no ajuste) alinhou-se perfeitamente com as PMPs; participantes que favoreceram o BDDM mostraram menores erros de previsão para distribuições de avaliação extremas.
Limitações: Ambos os modelos tiveram dificuldades com distribuições multimodais e agrupadas (por exemplo, participantes ancorando estritamente em "neutro" ou extremos), violando as suposições de continuidade dos modelos.

5. Significado e Implicações

Novo Kit de Ferramentas para Psicólogos: Este trabalho fornece um kit de ferramentas amigável para modelar a dinâmica cognitiva de autorrelatos contínuos, indo além de análises categóricas ou binárias simples.
Compromisso Computacional: O estudo destaca um compromisso entre flexibilidade e eficiência. O BDDM oferece ajuste superior para dados complexos, mas requer significativamente mais recursos computacionais (400 minutos vs. 13 minutos para treinamento) devido à sua arquitetura de 101 acumuladores discretizados.
Direções Futuras: Os autores sugerem que trabalhos futuros devem abordar estratégias de resposta discretas/ancoradas (por exemplo, via modelos inflados de zero e um) e vincular esses parâmetros a medidas neurais.
Generalizabilidade: O uso de métodos bayesianos amortizados demonstra que EAMs complexos e não padrão podem ser efetivamente implantados em pesquisa do mundo real sem exigir soluções de verossimilhança de forma fechada.