Conditional GLMMs for reaction times in choice tasks
本研究通过证明将反应时间分布以响应备选方案进行条件化，使得使用逆高斯分布和伽马分布来建模反应时间并推断潜在认知过程成为可能，从而架起了认知扩散模型与广义线性混合模型（GLMMs）之间的桥梁。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
大脑的秘密赛道
想象一下你正在观看一场比赛，但赛道上的竞争者不是奔跑者，而是穿梭在你大脑中的微小思绪火花。每当你看到一个标志、听到一个声音或感受到一次触摸，你的大脑都必须决定该如何应对。这个决定需要多长时间？在看到刺激与按下按钮之间的这瞬间停顿被称为“反应时间”。一个多世纪以来，科学家们一直痴迷于这些微小的延迟，因为它们就像是窥探大脑机制的一扇窗户。通过测量我们反应的速度快慢，研究人员试图理解我们脑海中转动的无形齿轮。
为了理清这些反应时间的逻辑，科学家通常使用两种不同的工具箱。第一个工具箱就像是一个物理模拟：它将大脑想象成一个从山上滚落的小球，不断积累速度，直到撞上一堵墙。这个“撞击时间”就是你做出选择的那一刻。第二个工具箱是一个被称为广义线性混合模型（GLMM）的统计地图。你可以把它想象成一个超级智能的电子表格，能够处理杂乱的数据，将反应时间中有多少是由任务本身引起的，以及有多少仅仅是因为你作为一个独特的个体所具备的个人特质区分开来。一直以来的核心问题是：我们能否利用这个统计地图来逆向工程出那个物理模拟？我们能否通过观察这些杂乱的数字并说出：“啊哈！大脑当时是以这个特定的速度在滚动”？
连接点滴：从电子表格到大脑滚动
由 Mauricio Tejo、Cristian Meza 和 Fernando Marmolejo-Ramos 撰写的这篇论文就像是一位试图同时使用两种不同语言进行交流的翻译官。作者想要将大脑如何做决策的“物理学”与我们如何测量这些决策的“统计学”联系起来。他们专注于一种特定的心理竞赛：一种你在两个选项中进行选择的任务，比如判断一张脸看起来是“悲伤”还是“快乐”。
这就是他们使用的巧妙技巧。他们没有将所有的反应时间混合在一起观察，而是将数据分成了两堆：人们选择“悲伤”时的反应时间，以及人们选择“快乐”时的反应时间。然后，他们分别为这两堆数据应用了一种特殊的统计模型（GLMM）。他们发现，如果他们为这些数据堆使用特定的数学形状——具体来说是逆高斯分布（Inverse Gaussian）和伽马分布（Gamma）——他们就能完成某种神奇的操作。这些形状不仅仅是随机的数学技巧；它们实际上与模拟小球滚下山坡并撞墙时产生的形状相匹配。
通过将这些特定的形状拟合到真实的真人数据中，作者可以实现逆向推导。他们从统计模型中提取数字，并利用它们重建大脑决策过程的“隐藏电影”。他们可以估算诸如“漂移率”（信息收集的速度）和“起始点”（心理竞赛开始的位置）等参数。为了证明他们的方法有效，他们运行了计算机模拟。他们创建了遵循这些精确数学规则的伪数据，并在其上运行模型，成功找回了他们最初设定的“物理”参数。这就像是根据蓝图盖了一座房子，然后利用这座建好的房子完美地重新绘制出原始的蓝图。
现实世界的测试：微笑的面孔与笔的把戏
为了验证这在现实世界中是否可行，作者将他们的方法应用于一个涉及 116 名受试者观察面孔的著名实验。这些面孔涵盖了从“极度悲伤”到“极度快乐”的范围，中间还有许多灰色地带。参与者必须快速判断这张脸是悲伤还是快乐。有些人甚至在做这件事时还要用牙齿咬着一支笔（这是一个奇怪的技巧，旨在强迫人们微笑或皱眉），而另一些人则没有。
结果非常有趣。当面部表情非常清晰（极度悲伤或极度快乐的面孔）时，“漂移率”很高。这意味着大脑收集证据的速度很快且果断，从而导致了较快的反应时间。但当面部表情模糊不清（看起来既有点像悲伤又有点像快乐）时，漂移率就会减慢。大脑必须让小球滚动更长时间才能撞到墙，从而导致更慢、更具变异性的反应时间。
有趣的是，作者发现“牙咬笔”的把戏似乎并没有改变大脑决策过程的基本速度。虽然笔可能会改变人们的“感觉”，但它似乎并未改变他们处理情绪的核心“物理学”。统计模型显示，大脑的决策速度几乎完全是由面部表情的清晰度驱动的，而不是由嘴里是否叼着笔决定的。
这意味着什么（以及并不意味着什么）
作者谨慎地指出，这是一种“基于矩的近似法（moment-based approximation）”。你可以这样理解：他们是通过观察比赛的平均速度和平均离散程度来推测赛道的布局。这是一个非常好的推测，他们的模拟也表明这种方法效果良好，但它并不是对每一个念头进行像素级的完美重建。他们还注意到，他们的模型假设“非决策时间”（即在开始思考之前，仅仅是看到脸部并移动手指所需的时间）为零。在现实中，这段时间确实存在，但他们的模型将整个过程视为一次平滑的滚动。
他们还比较了两种不同的数学形状（伽马分布和逆高斯分布），并发现伽马分布比逆高斯分布更贴合真实数据。这表明对于这类情绪面孔任务，伽马形状可能是大脑决策过程最准确的“蓝图”。
最终，这篇论文并不声称已经解开了人类心灵的谜团。相反，它提供了一个强大的新桥梁。它表明，我们可以利用现有的标准统计工具（这些工具已经内置在许多计算机程序中），来窥探幕后驱动我们选择的隐藏认知过程。它将一堆杂乱的反应时间变成了一个关于我们大脑如何向决策方向滚动的清晰故事。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。