連合推論課題における迅速な意思決定のための学習による精度と反応時間の分離

科学分野:

• 認知神経科学
• 計算神経科学
• 動物行動学

背景:

• 連合推論（TI）は、意思決定のために抽象的な関係の内部表現を使用することを含みます。
• 連合学習メカニズムは知られていますが、学習中および推論中の意思決定ダイナミクスはさらに理解する必要があります。
• ドリフト拡散モデル（DDM）は、知覚的意思決定のフレームワークです。

研究 の 目的:

• DDMがTI転移課題における意思決定をモデル化できるかどうかを調査すること。
• 標準的な精度と反応時間（RT）モデルから逸脱する迅速な意思決定パターンを分析すること。
• 象徴的推論とシリアル関係学習へのDDMの適用可能性を探ること。

主な方法:

• 6匹のマカクモンキーに7枚の画像を含むTI転移課題を訓練しました。
• 眼球運動またはリーチング運動を使用して決定を記録しました。
• 精度とRTデータに適合させるために、一般化されたDDM実装（PyDDM）を適用しました。

主要な成果:

• サルは200〜300回の試行でリスト構造を一貫して学習しました。
• 行動は象徴的な距離効果を示し、精度は順序項目距離とともに増加しました。
• 精度が向上しても、RTは学習中に安定していました。
• DDMフィッティングは、証拠蓄積の増加と意思決定境界の崩壊を伴うRT分布を捉えました。
• 学習と転移はドリフト率を変更することによってモデル化され、他のDDMパラメータの変更は最小限でした。
• 眼球運動とリーチング運動は同様のダイナミクスを示し、非決定時間がRTの違いを説明しました。

結論:

• DDMフレームワークは、連合推論課題における意思決定ダイナミクスをうまく説明できます。
• この研究は、象徴的推論とシリアル関係学習に適用可能なDDMのダイナミクスレジームを特定しました。
• 発見は、知覚的タスクを超えて複雑な認知プロセスへのDDMの有用性を拡張します。