嵌入式顺序采样模型和动态神经场用于决策:当连续性是答案时,为什么在两者之间犹?

科学领域:

• 认知科学 认知科学
• 计算神经科学是一种神经科学.
• 机器人技术 机器人技术 机器人技术

背景情况:

• 两个不同的类型的决策模型,顺序采样模型 (SSM) 和动态神经场 (DNF),已经独立发展了近50年.
• SSM专注于二进制任务的响应时间,而DNF则分析感知和机器人学中的连续传感运动维度.
• 以前的研究还没有充分探讨这两种建模方法之间的兼容性和共享原则.

研究的目的:

• 通过提出一个统一的计算框架来弥合SSM和DNF之间的差距.
• 整合认知和感官运动过程,以实现体内决策.
• 开发适用于二进制和连续响应范式的灵活模型.

主要方法:

• 一个统一的数学公式的代表性 SSM 和 DNF 方程被开发出来.
• 该模型被扩展到通过结合认知和感觉运动过程来结合体现的决策.
• 通过将模型与人类道德决策任务中的实证数据相匹配进行统计验证.

主要成果:

• 创建了一个新的机制模型,能够在试验级别生成决策轨迹.
• 统一模型成功地针对不同的实验范式,包括强制选择和连续响应尺度.
• 使用人类行为数据统计证实了该模型的有效性,证明了其能够捕捉二分法和细微反应的能力.

结论:

• 拟议的统一框架有效地将不同的计算方法与决策联系起来.
• 这种综合模型提供了对心理决策过程的更全面的理解.
• 该研究讨论了不同决策模型和实验范式对基本假设和局限性的影响.