跳到主要內容

diffusion model

--- ---

diffusion model: 認知歷程估計模型

反應時間是認知作業常用的指標,我們很常使用平均反應時間的差異來指涉不同的認知歷程的差異。例如在常見的叫色測驗(Stroop task)當中會使用一致嘗試(congruent trial)以及不一致嘗試(incongruent trial)的平均反應時間的差異大小來作為認知抑制功能的高低。

不過這樣子的做法對於反應時間只使用到它的平均數,其他與反應時間有關的訊息都被忽略了(例如反應時間的分佈情況、變異程度)。Ratcliff(1978)提出了diffusion model,可以完整的使用反應時間的分佈相關的資訊。藉由這個模型可以估計出幾個不同的參數,而且每一個參數都代表著一種認知歷程,因此在理論的驗證上可以做出更精準的假設以及驗證。

The Basic Diffusion Model


基本的diffusion model會估計四個參數,分別代表四個不同的認知歷程

  • ν\nu: drift rate, the speed of information uptake

    • 訊息處理能力,受到個體的認知能力以及作業難度的影響。如果是比個體間的差異,兩麼就是前者,而若是比較作業間的差異就是後者
  • aa: threshold seperation, the amount of information that is considered for a decision

    • 較保守的決策風格,會有比較大的aa
    • 對於speed versus accuracy的指導語很敏感
  • zz: starting point, bias to behave toward one kind of response. usually reported as zr=z/az_r = z/a. if zrz_r is not 12a\frac{1}{2}a, it is biased.

    • 這個會受到許多因素的影響,例如說reward。如果回答某一個反應的reward明顯地比較高,會偏向那一個回答。
  • t0t_0 or terrt_{err}: duration of nondecisional processes

    • Such processes may comprise basic encoding processes, the configuration of working memory for a task, and processes of response execution (i.e., motor activity).
    • 通常會假設t0t_0在兩種反應是一樣的。然而實際上也有可能是不同的,可以將這個參數定為要隨著刺激不同而不同的要估計的參數。

但要使用這個模型在實驗派典的使用以及作業要測量的認知歷程都有限制以及假設,下面簡單介紹。

diffusion model基本假設

  • Binary Decisions: Diffusion Model用來描述binary choice decision process,也就是要做A反應或是B反應。它假設決策的歷程可以用Wiener diffusion process來描述相關訊息累進的過程。當訊息累積到一定程度(超過閾值)便會做出決策反應。

  • Continuous Sampling: decisions are based on a continuous sampling process

    • many simple decision tasks information sampling can be conceived as a continuous process.
  • Single-Stage Decisions: 一開始的發展是假設決策的歷程只有一步。如果是兩階段以上的決策歷程並不適用。

    • 然而現在已有研究者提出多階段歷程的模型
    • belief bias task應該就要考量多階段的(有的時候會多想)
  • Constancy of Parameter Values Over Time:

    • 通常會假設模型參數是常數(現已有提出隨機變數的模型),不會隨著時間而改變。所以不會作業一開始是某個值,作業快要完成時卻變成另一個值。
  • Decision Times:

    • 通常用在latency < 1 second
    • 如果決策時間很長(例如大於10秒),很有可能違反上述的假設。
  • Numbers of Trials and Percentage of Errors

    • trials數量要夠多(沒有一個絕對值,隨著估計的方法以及參數的數量而變)
    • 錯誤數(或者說另一種反應的反應數)要夠多,才有辦法估出兩個歷程。

心得

雖然diffusion model看來好像很厲害,但在認知心理學領域當中使用尚未普遍。可能是受限於過去電腦運算的能力不佳而發展較慢,也可能是適用的作業需要驗證才能夠確定是否能符合其假設。若要將這個模型應用到評估工具可能還需要更多更完整的發展以及驗證。但現在似乎開始有人嘗試進行相關的研究工作了。

這些被估計出來的參數所能夠反應的認知歷程實際上到底是什麼,也是研究者在使用上需要仔細討論的。在使用上可能更需要理論基礎。


參考文獻以及圖片來源
Voss, A., Nagler, M., & Lerche, V. (2013). Diffusion Models in Experimental Psychology: A Practical Introduction. Experimental Psychology, 60(6), 385–402. https://doi.org/10.1027/1618-3169/a000218

留言

這個網誌中的熱門文章

尋找研究核心

尋找研究核心 找到自己的研究核心是關係到我未來有沒有飯吃的重要課題。過去我很少會細想它,反正船到橋頭自然直。不過該來的總是會來,時候到了,也該要面對了。 在我苦惱之前先來看看我的母系的老師們過去十多年的人生都幹了些什麼 原來老師你在這上面花了不少青春 系上的老師很多,我只選擇幾個比較感興趣的老師來瞭解一下。這些老師都做了十年以上的研究,幾乎都可以從他們身上看到在過去十年都將他們的青春投資在某些特定的主題上。 梁庚辰 老師一開始的研究題目主要與用動物模型來研究記憶歷有關,發表了數篇相關的文獻。可能從中發現了許多與海馬迴可能也和制約有關,後來梁老師的研究多了與fear conditioning相關的探討。但總結來看,梁老師的研究核心是圍繞著記憶,以及相關的神經機制(海馬迴)去延伸的。 徐永豐 老師的研究乍看之下好像五花八門,有精神病相關的生理機制,有投票行為,有反應時間,也有決策。不過仔細一看可以發現這些都是用數學模型去預測以及建構人的行為表現。所以雖然表面上看來徐老師的研究很多樣,都核心都是以數理模型建構人的行為。 葉素玲 老師的研究一開始與視知覺歷程有關,後來延伸到了無意識的處理歷程以及視覺和其他感官的跨感官處理,而近年來則是藍光對於知覺以及認知功能的影響。葉老師的研究議題感覺較為多元,但也都算是視覺知覺的延伸,有脈絡可尋。 連韻文 老師最早做思考,接下來是創意、工作記憶與執行控制能力,而近年來則與身心鍛練、意識狀態有關。與其他的老師相比,研究的主題較沒有限縮。但從較廣的角度來看,這些都是人類的高等認知功能。 謝伯讓 老師最早進行的是motion perception(應該叫運動知覺吧?),也算是知覺歷程的一環。不過後來開始進行神經科學,而且竟然有fMRI分析的方法學相關發表。進來謝老師也開始進行無意識歷程的研究,感覺和葉老師的發展有點類似。也許是知覺研究容易導引的方向。 那我的研究核心要是什麼呢? 過去十年,我的研究與思緒、意識內容的控制與覺察有關,不過是否要繼續投入似乎該要有其他的考量(例如:是否可以吃到飯) 從我自己的觀點來看,覺察應該是有未來發展性的,因為這個能力跟認知功能的使用以及心理健康都有關係,如果沒有覺察的話,很多行為改變都不太可能會發生。 不過我在 expertscape 找尋與awareness在台灣有沒有相關的研究者,出現...

glmmTMB vs. GLMMadaptive

--- title: glmmTMB vs. GLMMadaptive author: Ju tags: - blog - R/packages --- 記錄一下分析資料時使用 glmmTMB 以及 GLMMadaptive 的心得 glmmTMB GLMMadaptive 估計方法 Laplace approximation adaptive Gauss-Hermite quadrature 預測值 可以進行單純count part預測、zero part預測,以及兩部份模型加起來的期望值預測 沒辦法只進行count part預測,只能做zero part預測,以及兩部份模型加起來的期望值預測 估計方法的差異在本次zero-inflated model使用過程中有很大的使用經驗差異。 glmmTMB 比較常出現convergent problem,而 GLMMadaptive 幾乎沒有。根據 glmmTMB 的troubleshooting說明,會出現問題主要是和random effect有關,如果拿掉zero part random intercept就不會再跳出錯誤訊息了。而根據 GLMMadaptive 做的模型比較,有沒有zero part random intercept其實沒有顯著的差異。因此如果不強求一定要納入zero part random intercept,兩個packages的結果是一致的。不過如果一定要納入zero part random intercept,那就只能使用 GLMMadaptive 才不會有錯誤警告出現。 兩個套件的另一個差異是在進行預測(predict)時, glmmTMB 可以只根據count part的結果進行預測,而 GLMMadaptive 不行。會有這個需求是因為很常只有count part的預測變項有顯著的結果,但是zero part沒有顯著的預測變項,因此若只想要看count part的預測線時, GLMMadaptive 沒辦法給我這個結果 1 。 文獻上討論Laplace approximation和adaptive Gauss-Hermite quadrature哪一種估計方法比較準的有好幾篇,我大概看了一下他們的結論,其實不同研究的結果並不一...

認知彈性的定義與作業分析

認知彈性定義與作業分析 認知彈性的定義 認知彈性是執行控制功能的核心能力之一 [1] ,是一種高等的認知功能。關於認知彈性的定義在過去的研究中有些不同的看法。根據Ionescu [2] 的整理,認知彈性在過去的研究中可以分為四種定義 是一種可以在不同的作業間快速切換注意力的能力 是一種同時處理或是表徵多組訊息的能力 能夠以不同的角度(或方式)思考同一件事情的能力 對於環境變動能夠適應的認知歷程 這四種定義所指涉的認知彈性層次不太一樣。前兩種是一種認知能力,看來與認知資源或是注意力有高度關係,與認知資源或是注意力資源的使用的好壞或是效率有關。而第三種則是較高等的一種思考歷程,應該也包含了第2個定義的能力,要能夠同時知道同一個事物的不同面向的訊息,才有辦法從另一個角度來理解或是看待它。而第四種定義則是一種認知系統,其複雜程度比起前面的能力或是歷程更高,可能是多種不同的能力或是認知機制、歷程間的合作或是交互作用後的產物。 我認為第4個定義最符合我心中對於認知彈性的想像,能屈能伸,能隨著環境的變化而產生相對應的策略或是反應,比較像是一個「有彈性的人」。要能夠測量到這個能力,作業本身需要會變化,而且要能夠捕捉個體是否能隨著作業需求的改變而做出調整。 測量認知彈性的作業 有許多測量認知彈性的作業,不同的作業所測量到的認知彈性並不相同。 其中歷史最悠久,在臨床上被使用最多的應該是Wisconsin Card Sorting Task,而在認知實驗室當中被研究最多的大概是task switch、Stroop test,或者是Alternative uses task。而這些測驗之外,還有一些對於適用對象的修改版測驗,以下分別介紹。 Wisconsin Card Sorting Task (WCST) WCST是一個經典的神經心理衡鑑作業。受測者的作業目的就是一張一張地將卡片分類。他們可以根據卡片上圖案的不同的屬性來分類。施測者的心中有一套分類的規則,但是不會告訴受測者,受測者只能依據每一張分類之後施測者的回饋來猜測他心中的規則是什麼,以達到最高正確率的分類表現。 然而,規則是會變的,可能在幾次正確的分類之後,規則就改變了。受測者要能夠覺察到自己分類規則已經不適用了,需要換一個規則來分類試試。 最後完成測驗時所正確分類的卡片數量就是一個認知彈性的指標。 在這個測驗當中,作業的要求沒有...