Mehrere Zeitskalen des Lernens, die durch Veränderungen in der Evidenz angezeigt werden

npj Science of Learning Band 8, Artikelnummer: 19 (2023) Diesen Artikel zitieren

64 Zugriffe

Details zu den Metriken

Evidenzakkumulationsmodelle haben zu großen Fortschritten in unserem Verständnis der Entscheidungsfindung geführt, ihre Anwendung zur Untersuchung von Lernen war jedoch nicht üblich. Anhand von Daten von Teilnehmern, die über vier Tage hinweg eine dynamische Zufalls-Punktbewegungsrichtungsunterscheidungsaufgabe absolvierten, charakterisierten wir Veränderungen in zwei Komponenten der Wahrnehmungsentscheidung (Drift-Diffusionsmodell-Driftrate und Reaktionsgrenze). Zur Charakterisierung der Verläufe von Leistungsänderungen wurden Modelle des kontinuierlichen Lernens angewendet, wobei verschiedene Modelle unterschiedliche Dynamiken ermöglichten. Das am besten geeignete Modell umfasste die Änderung der Driftrate als kontinuierliche Exponentialfunktion der kumulierten Versuchszahl. Im Gegensatz dazu änderte sich die Reaktionsgrenze innerhalb jeder täglichen Sitzung, jedoch auf unabhängige Weise über die täglichen Sitzungen hinweg. Unsere Ergebnisse heben zwei unterschiedliche Prozesse hervor, die dem über den gesamten Lernverlauf hinweg beobachteten Verhaltensmuster zugrunde liegen: Einer beinhaltet eine kontinuierliche Abstimmung der Wahrnehmungsempfindlichkeit und ein anderer, variablerer Prozess, der die Schwelle der Teilnehmer beschreibt, wann genügend Beweise zum Handeln vorliegen.

Lernen findet in nahezu jedem Verhalten statt, das Menschen ausführen, von komplexen kognitiven oder motorischen Aufgaben bis hin zu grundlegenden Wahrnehmungsunterscheidungen. Das Verständnis der für das Lernen verantwortlichen Prozesse hat daher Auswirkungen auf die meisten menschlichen Handlungen in Kontexten, die von der Bildung bis zur Rehabilitation reichen1,2. Überraschenderweise ist die Forschung zu Lernprozessen daher oft in mehrfacher Hinsicht begrenzt. Erstens konzentriert sich die Lernforschung häufig ausschließlich auf die Genauigkeit oder Identität von Entscheidungen3,4 oder auf die Zeit, die zum Treffen von Entscheidungen benötigt wird (d. h. Reaktionszeit oder RT5,6). Dies trotz umfangreicher Untersuchungen, die zeigen, dass umfassendere Rückschlüsse auf die jeweiligen Prozesse möglich sind, wenn sowohl die Geschwindigkeit von Entscheidungen als auch ihre Genauigkeit in Kombination berücksichtigt werden7,8,9,10. Zweitens umfasste die Modellierung in den begrenzten Fällen, in denen sowohl RT als auch Genauigkeit in Lernstudien berücksichtigt wurden, fast immer eine erhebliche Aggregation über Teilnehmer und/oder Lernversuche hinweg. Oftmals wird ein separates stationäres Modell an alle Versuche jeder einzelnen Lernsitzung oder jedes „Blocks“ von Versuchen angepasst, und dann wird das Lernen anhand der Unterschiede in den Modellparametern von Sitzung zu Sitzung (oder von Block zu Block) untersucht. Eine solche Aggregation ist nach wie vor weit verbreitet, obwohl Untersuchungen zeigen, dass sie sowohl theoretisch als auch empirisch unklug sein kann, da sie zu fehlenden oder falschen Rückschlüssen auf die zugrunde liegenden Lernprozesse führen kann11,12,13. Im Folgenden besprechen wir kurz (A) Modellierungsansätze zur Verknüpfung von RT und Genauigkeit und ihre bisherige Verwendung bei der Bewertung des Lernens im Wahrnehmungsbereich und (B) zeitkontinuierliche und individuelle Teilnehmeransätze zur Bewertung des Lernens im Wahrnehmungsbereich, um dies zu erreichen begründen die Notwendigkeit, diese beiden Ansätze in einem einzigen Rahmen zu kombinieren. Dieser kombinierte Ansatz ermöglicht es uns, wichtige Fragen dazu zu beantworten, wie sich bestimmte Aspekte des Wahrnehmungsentscheidungsprozesses (z. B. wie schnell sich Wahrnehmungsbeweise ansammeln, wie viele Beweise benötigt werden, bevor eine Reaktion ausgelöst wird) im Laufe der Zeit in einer Mehrfachsitzung ändern Studie zum Wahrnehmungslernen.

Das bekannteste Modell, das RT und diskrete Entscheidungen (z. B. Genauigkeit) verknüpft, geht davon aus, dass Verhaltensweisen aus der lauten Anhäufung von Beweisen bis zum Erreichen einer Entscheidungsgrenze resultieren7,9,10,14. Stellen Sie sich beispielsweise eine Aufgabe vor, bei der die Teilnehmer ein Feld aus sich bewegenden Punkten betrachten (siehe ergänzende Abbildung 1). Bei jedem Versuch bewegen sich 15 % der Punkte kohärent entweder nach links oder nach rechts, während sich die übrigen Punkte zufällig bewegen. Die Aufgabe der Teilnehmer besteht darin, möglichst schnell und genau anzugeben, ob sich die kohärent bewegten Punkte nach links oder nach rechts bewegen. Bei einem Akkumulator-Modellierungsansatz sammelt das Wahrnehmungssystem kontinuierlich Beweise zugunsten der jeweiligen Alternativen (links oder rechts), bis die Menge an Beweisen zugunsten einer der Alternativen eine gewisse Grenze erreicht. An diesem Punkt wird die gegebene Entscheidung getroffen. Dieses Modell wird formal durch einen begrenzten Wiener-Diffusionsprozess9,10 definiert. Das resultierende Drift-Diffusions-Modell (DDM) wird durch vier Parameter charakterisiert (siehe Abb. 1). Bei zwei alternativen erzwungenen Entscheidungen beginnt die Anhäufung von Beweisen an einem Bias-Punkt und setzt sich mit einem konstanten Rauschen und einer Driftrate (DR) fort, bis sie eine Grenze erreicht, wobei der Abstand zwischen den Grenzen durch einen Antwortgrenzenparameter (RB) definiert wird. Ein letzter Parameter ist ein additiver Wert zur RT, der theoretisch unabhängig vom Beweisakkumulationsprozess (Nichtentscheidungszeit; NDT) ist. Die Schätzung dieser Parameter mithilfe hierarchischer Bayes'scher Methoden wird immer häufiger eingesetzt. Dabei wird die DDM-Parameterschätzung als verallgemeinerte Mixed-Effects-Regression formuliert, die an die gemeinsamen RT- und Genauigkeitsverteilungen angepasst wird8,15,16. Hier implementieren wir ähnliche Methoden mit Stan17,18,19.

Der Entscheidungsprozess wird durch eine verrauschte Anhäufung von Beweisen (drei Beispiele durch graue Linien dargestellt) mit einem Mittelwert oder einer Driftrate zu einer Unter- oder Obergrenze, auch Antwortgrenze genannt, definiert. Die Evidenzakkumulation beginnt an einem Bias-Punkt (normalerweise ausgedrückt als Anteil der Antwortgrenze), und ein zusätzlicher Parameter für die Nicht-Entscheidungszeit berücksichtigt Aspekte der RT-Verteilungen, die nicht auf den Evidenzakkumulationsprozess zurückzuführen sind.

DDM-Parameter sind theoretisch mit psychologischen Komponenten von Entscheidungsprozessen verbunden (wobei jedoch zu beachten ist, dass häufig über den empirischen Isomorphismus zwischen DDM-Parametern und -Prozessen diskutiert wird7,20, siehe Lit. 21). Sensibilität, die mit besseren oder schlechteren Wahrnehmungsfähigkeiten einhergeht, wird im Allgemeinen mit DR in Verbindung gebracht. Vorsicht bei der Reaktion oder ein „Geschwindigkeits-Genauigkeits-Kompromiss“ wird im Allgemeinen mit RB in Verbindung gebracht. In der vorliegenden Studie wurde modelliert, dass sich nur DR und RB mit der Zeit ändern, wobei Bias und NDT bei den Teilnehmern über die Zeit konstant blieben. Zwar hat sich gezeigt, dass sich Voreingenommenheit und NDT-Parameter ändern, wenn Strategien experimentell manipuliert werden20,22 und die NDT-Variabilität wurde bei einigen Wahrnehmungslernaufgaben reduziert23, es gibt aber auch bekannte Kompromisse bei Schätzmethoden, die zu Schlussfolgerungen führen Unterschiede in der NDT, wenn die tatsächlichen Verteilungsunterschiede auf andere Parameter wie DR und RB14 zurückzuführen sind. Vor diesem Hintergrund wurden Bias und NDT für jeden Teilnehmer als Konstante geschätzt, wobei nur DR und RB als zeitlich variierend gemäß einer exponentiellen Lernfunktion \({\boldsymbol{Asymptote}}{\boldsymbol{+}}{\ betrachtet wurden. Boldsymbol{(}}{\boldsymbol{Start}}{\boldsymbol{-}}{\boldsymbol{Asymptote}}{\boldsymbol{)}}{\boldsymbol{* }}{{\boldsymbol{2}}}^ {{\boldsymbol{trialNumber}}{\boldsymbol{/}}{\boldsymbol{rate}}}\) siehe Methoden und ergänzende Anmerkung; 3,5,24.

Angesichts der mutmaßlichen Zusammenhänge zwischen DDM-Parametern und psychologischen Komponenten des beschleunigten Entscheidungsprozesses kann man davon ausgehen, dass solche Modelle in den meisten verwandten Teilbereichen der Forschung eine herausragende Rolle spielen. Dies ist jedoch nicht unbedingt der Fall. Beispielsweise ist das Wahrnehmungslernen25 ein wichtiger Bereich für das Studium der Grundlagenwissenschaft der Neuroplastizität und ist an vielen Rehabilitations- und beruflichen Anwendungen beteiligt1,26,27,28,29,30. Im Bereich des wahrnehmungsbezogenen Lernens hat die überwiegende Mehrheit der Forschung diskrete Auswahlergebnisse der wahrnehmungsbezogenen Entscheidungsfindung untersucht. Dies trotz der Tatsache, dass die Nichtberücksichtigung einer wichtigen Verhaltensvariablen wie RT ineffizient ist und aufgrund der Möglichkeit verzerrter Schätzungen von Leistungsänderungen sogar irreführend sein kann31.

In einer kleinen Anzahl von Artikeln wurde über Untersuchungen von DDM-Analysen des Lernens bei wahrnehmungsbezogenen Entscheidungsaufgaben berichtet. Allerdings sind Ergebnisse, die belegen, inwieweit sich bestimmte Parameter auf verschiedenen Zeitskalen ändern, besonders wichtig, aber nach wie vor selten. In einem frühen Beispiel, in dem Affen eine visuelle Unterscheidungsaufgabe mit okulomotorischen Reaktionen erledigten, wurde festgestellt, dass Veränderungen in der DR mit lernbezogenen Leistungsverbesserungen zusammenhängen32. Studien zum menschlichen Wahrnehmungslernen haben ähnliche Belege für trainingsbedingte Veränderungen bei DR geliefert23,31.

Andere Aufgabenmanipulationen unter Verwendung von DDM-Frameworks haben untersucht, inwieweit verschiedene Arten von Anweisungen die Parameterschätzungen im Laufe des Lernens beeinflussen. Wenn die Lernenden beispielsweise explizit angewiesen wurden, beim Wahrnehmungslernen entweder Geschwindigkeit oder Genauigkeit zu betonen, ließen sich die Effekte am besten durch ein DDM-Modell charakterisieren, das Variationen zwischen Sitzungen in DR, RB und NDT zuließ20. Während sich die gesamte NDT im Laufe der Zeit nicht zuverlässig veränderte, gab es wesentliche Lerneffekte (Vergleich der Parameter auf Sitzungsebene), die auf eine Abnahme der RB und eine Zunahme der DR hindeuteten. In einer Studie mit kürzerem Zeitrahmen33 konvergierte der RB der Teilnehmer über 24 kurze Blöcke (jeweils etwa 1 Minute) tendenziell auf einem optimalen Niveau, wie aus einer Berechnung der Belohnungsrate hervorgeht. Dieses letztgenannte Ergebnis weist darauf hin, dass schnelle messbare Änderungen in RB auf Zeitskalen auftreten können, die zu kurz sind, um typischerweise mit Wahrnehmungslernen in Verbindung gebracht zu werden, und auch zu kurz, um gemessen zu werden, wenn Standardmethoden der Aggregation über große Blöcke zur Messung des Lernens verwendet werden.

Diffusionsmodelle des Lernens wurden auch in Verbindung mit anderen Maßnahmen wie der funktionellen Neurobildgebung verwendet. In einer solchen Studie zum Training der Punktbewegungsrichtungsdiskriminierung wurden spezifische Anstiege des DR bei trainiertem Stimulus beobachtet und mit der fMRI-Aktivierung im zusätzlichen Augenfeld und im ventralen prämotorischen Kortex in Zusammenhang gebracht, während unspezifische Anstiege des RB ebenfalls beobachtet wurden, was bei Modellvergleichen jedoch nicht der Fall war Unterstützung ausbildungsbezogener Änderungen in NDT34. In einer anderen Studie führte kognitives Training zu einem Anstieg des DR und einem Rückgang des RB, obwohl der einzige Zusammenhang zwischen trainingsbedingten Veränderungen der DDM-Komponenten und neuronalen Messungen ein Zusammenhang zwischen Veränderungen des RB und denen der Striatalaktivität war35,36. Die Beziehungen zwischen DDM-Parametern und neuronalen Veränderungen haben somit eindeutig das Potenzial, leistungsstarke Werkzeuge für die kognitive Neurowissenschaft des Lernens zu sein, doch der relative Mangel an Grundlagenforschung zum Einfluss von Erfahrung auf DDM-Parameter führt dazu, dass Tests solcher Korrespondenzen weitgehend unzureichend sind .

Insgesamt haben frühere Untersuchungen des Wahrnehmungslernens mithilfe von DDMs den Nutzen von Evidenzakkumulationsmodellen für das Verständnis der Mechanismen der Veränderungen gezeigt, die während eines solchen Lernens auftreten. Eine potenziell große Einschränkung dieser Forschungsrichtungen besteht darin, dass sie Analysemethoden verwenden, die notwendigerweise bestimmte implizite Annahmen über den zeitlichen Verlauf von Leistung und Lernen instanziieren. Insbesondere umfassten die Beurteilungen von Änderungen sowohl bei DR als auch bei RB häufig den Vergleich von Parametern, die an vollständige Datenblöcke oder Datensitzungen angepasst waren. Das heißt, wenn eine Studie vier separate Lerntage umfasst und jeder Tag 700 Versuche enthält, besteht der typische Analyseansatz darin, ein separates DDM-Modell an die Daten jedes Teilnehmers und jeden Tages anzupassen – über alle 700 Versuche innerhalb der gegebenen Tage hinweg zu aggregieren – und dann zu verwenden tägliche Änderungen der Parameterschätzungen, um Rückschlüsse auf das Lernen zu ziehen. Dies ist problematisch, da ein solcher Ansatz implizit davon ausgeht, dass alle Prüfungen innerhalb eines Tages gleich sind, oder mit anderen Worten, dass an jedem Tag kein Lernen stattfindet und dass sich Lernen nur zwischen den Tagen manifestieren kann. Daher ist wenig über die genaueren Zeitskalen bekannt, in denen Parameteränderungen innerhalb und zwischen Tagen auftreten können, und wie diese Änderungen interagieren können.

Aggregationsbasierte Ansätze zur Beurteilung des Wahrnehmungslernens und der damit verbundenen Probleme sind nicht auf Studien beschränkt, in denen DDM-Modelle verwendet wurden. Stattdessen sind aggregationsbasierte Ansätze in der gesamten Literatur zum Wahrnehmungslernen üblich (z. B. Anpassen eines Schwellenwerts für jeden einzelnen Block oder jede einzelne Sitzung; Verwenden einer Punktschätzung aus einer adaptiven Treppe). Neuere Arbeiten haben gezeigt, dass durch den Verzicht auf Aggregation und die direkte Modellierung der Wahrnehmungsfähigkeit als Funktion der kleinsten Trainingszeiteinheit (d. h. Versuchsanzahl) Kernfragen von theoretischem Interesse am Wahrnehmungslernen im Hinblick auf die Einflüsse von direkter angegangen werden können Erfahrung zur Wahrnehmung13,37,38,39. Beispielsweise wurden verschiedene Formen der Generalisierung, die sich aus dem Wahrnehmungstraining ergeben, mithilfe von versuchsbasierten Modellen getrennt, wobei die Generalisierung in Form des Lernens zu lernen (d. h. eine verbesserte Lernrate) von unmittelbaren Verbesserungen der Wahrnehmung unterschieden wird12.

Ein Hauptgrund dafür, dass gut kalibrierte Lernmodelle bei der Untersuchung des Wahrnehmungslernens von besonderer Bedeutung sind, besteht darin, dass die genaue Identifizierung der funktionalen Form, die das Lernen annimmt, signifikante Rückschlüsse auf die zugrunde liegenden Prozesse ermöglichen kann, sowohl auf Verhaltens- als auch auf mechanistischer Ebene3,5,6 ,40. Dies gilt insbesondere dann, wenn das Lernen über mehrere Tage hinweg stattfindet. Wenn erfahrungsabhängige Veränderungen sowohl während des eigentlichen Trainings als auch bei der Vertiefung zwischen den Sitzungen auftreten, sollten beide Merkmale des Lernverlaufs in das Veränderungsmodell einbezogen werden. Wenn alternativ nur die Gesamtmenge der Aufgabenerfahrung die Wahrnehmungsfähigkeiten beeinflusst (z. B. die kumulative Anzahl von Versuchen über alle Tage), kann die Modellierung von Diskontinuitäten zwischen Tagen zu unnötiger Modellkomplexität und Überanpassung führen.

Solche Fragen sind besonders relevant für das Lernen in der perzeptuellen Entscheidungsfindung, einem Beweisakkumulationsprozess, bei dem sich die zugrunde liegenden DDM-Parameter auf verschiedenen Zeitskalen ändern können. Tatsächlich können Zeitskalen des Lernens im Wahrnehmungstraining zwar aufschlussreich sein, sind aber oft auch umstritten. Während bestimmte Experimente zum Wahrnehmungslernen nur ein paar hundert Versuche umfassten41, wurden bei anderen Experimenten Hunderte von Versuchen als „Aufgabenlernen“ verworfen und stattdessen nur nachfolgende (oft umfangreiche) Veränderungsverläufe berücksichtigt. Diese letztere Sichtweise, bei der ein vollständiger Leistungsverlauf zunächst vom „Aufgabenlernen“ und erst später vom „Wahrnehmungslernen“ dominiert wird, würde voraussagen, dass Veränderungen in der Wahrnehmung durch eine kürzere und dann eine längere Zeitskala der Verbesserung gekennzeichnet sein sollten. Solche Vorhersagen wurden jedoch in Analysen der mathematischen Eigenschaften von Wahrnehmungslernkurven nicht konsequent bestätigt3,24. Dennoch deuten andere Quellen darauf hin, dass sich Prozesse, die Wahrnehmungsverbesserungen zugrunde liegen, auf unterschiedlichen Zeitskalen ändern können. Neuroimaging-Studien haben beispielsweise darauf hingewiesen, dass die anfängliche Plastizität in Sinnesbereichen größeren Veränderungen der Konnektivität vorausgeht42. Ein vielleicht noch auffälligeres Phänomen ist die Rolle der schlafbezogenen Konsolidierung für erfolgreiches Wahrnehmungslernen43,44,45. Im Extremfall, wenn Veränderungen vollständig vom Schlaf abhängen würden, wäre die Leistung innerhalb des Tages völlig stationär und die Lernkurven würden von Diskontinuitäten zwischen den Tagen dominiert. Ein solcher Vorschlag ist mit einer Vielzahl empirischer Beweise unvereinbar3,24,33,39. Im entgegengesetzten Extrem scheinen völlig kontinuierliche Lernverläufe und das völlige Fehlen von Diskontinuitäten zwischen den Sitzungen gleichermaßen unvereinbar mit veröffentlichten Ergebnissen zu sein. Wie könnten dann die beiden Ergebnismuster gelöst werden?

Die Verwendung von Evidenzakkumulationsmodellen und gemeinsamen Verteilungen von RT und Genauigkeit bieten in diesem Bereich eine große Chance, da sie mehr Informationen integrieren als jede Datenquelle allein und dies so, dass die Interpretierbarkeit der Parameter erhalten bleibt. Frühere Beweise für einheitliche Veränderungsprozesse3,24 können daher mit Beweisen für mehrere Zeitskalen von Veränderungen oder für Leistungsdiskontinuitäten zwischen Tagen kompatibel sein43,45,46, wobei unterschiedliche Dynamiken in verschiedenen Komponenten der Parameter des Evidenzakkumulationsmodells zum Ausdruck kommen. Das heißt, dass sowohl Diskontinuität zwischen Tagen als auch Kontinuität zwischen Tagen in den Prozessen vorhanden sein können, die während des Wahrnehmungslernens involviert sind, aber diese koexistierenden Zeitskalen der Veränderung sind möglicherweise nur dann offensichtlich, wenn Analysen von Wahrnehmungsfähigkeiten verwendet werden, die Zerlegungen der Leistung auf Prozessebene ermöglichen auf mehreren Zeitskalen.

Die aktuelle Arbeit modellierte die Wahrnehmungsleistung der Lernenden mithilfe eines Wiener-Diffusionsprozesses, der im Laufe der Zeit verschiedene mögliche Formen der Veränderung annehmen könnte. Es wurden Daten aus einer zuvor veröffentlichten47 computergestützten Verhaltensaufgabe verwendet, bei der die Teilnehmer so schnell und genau wie möglich antworten mussten, ob sich ein Punktfeld nach links oder rechts bewegte. An jedem der vier separaten Tage absolvierten die Teilnehmer 700 Versuche dieser Aufgabe (100 Versuche für jede der 7 Ebenen der Bewegungskohärenz, siehe Methoden; beachten Sie, dass in der veröffentlichten Arbeit47 nur der letzte Trainingstag genutzt wurde). Bei jedem Versuch wurde eine akustische Rückmeldung zur Genauigkeit gegeben.

Im Einklang mit der oben besprochenen Arbeit waren DR und RB von vorrangigem Interesse. Es wurden vier mögliche Veränderungsdynamiken (in DR, RB oder beiden) berücksichtigt (Beispiele siehe Abb. 2). Die erste Möglichkeit für jeden Parameter ist ein vollständig stationärer oder „konstanter“ Prozess, bei dem sich ein Parameter über die vier Trainingstage der Teilnehmer an einer 2AFC-Punktbewegungsrichtungsunterscheidungsaufgabe nicht ändert. Die zweite Möglichkeit („kontinuierlich“) beinhaltete die Änderung der Parameter als kontinuierliche Exponentialfunktion der Gesamterfahrung oder der Versuchsanzahl. Die dritte („Tagesrücksetzung“) ermöglichte eine kontinuierliche Änderung innerhalb eines Tages (als Funktion der Anzahl der Versuche innerhalb eines Tages), die sich für jeden Tag wiederholte, was eine vorübergehende und konsistente Abweichung vom Ausgangswert aufgrund der Erfahrung mit Aufgaben innerhalb eines Tages implizierte, aber a wird zwischen den Tagen auf diesen Ausgangswert zurückgesetzt. Die vierte („flexible“) ermöglichte eine kontinuierliche Änderung innerhalb eines Tages, die ebenfalls die gleiche Geschwindigkeit (eine Zeitkonstante, die die Form der Exponentialfunktion definiert), aber jeden Tag unabhängige Start- und asymptotische Niveaus aufwies, wodurch ein hohes Maß an Flexibilität geboten wurde Erfassen sowohl innerhalb eines Tages als auch zwischentägigen Änderungen. Modelle mit konstanten Parametern waren in allen anderen Modellen verschachtelt, die tagesrücksetzende Form der Änderung war in der flexiblen Änderung verschachtelt und die kontinuierliche Änderung konnte durch die flexible Form der Änderung gut nachgeahmt werden.

Es können charakteristische Effekte beobachtet werden (z. B. steigt die Genauigkeit [b] mit zunehmendem DR [c] oder zunehmendem RB [d]; RT [a] nimmt mit zunehmendem DR oder abnehmendem RB ab), obwohl die Stärken spezifischer Verknüpfungen je nach Modell unterschiedlich sein können Ebenen der Reizkohärenzen. Bei den hier gezeigten Werten handelte es sich um die Schätzwerte der posterioren Verteilung mit festem Effekt und das 95 %-KI aus Modellen, die in den Ergebnissen angegeben sind. Sie wurden anhand der mittleren Stimuluskohärenz ausschließlich zum Zweck der Veranschaulichung ausgewertet (siehe auch den Abschnitt „Ergänzende Anmerkung“, Zusammenfassungsausgabe und Tabellen der am besten passenden Modelle). 1–5).

Die verschiedenen Formen der Veränderung und ihre Kombinationen implizieren bestimmte Veränderungsmuster in den Prozessen, die der Wahrnehmungsentscheidung zugrunde liegen. Während wir davon ausgehen, dass die DR aufgrund von Verbesserungen der Wahrnehmungsempfindlichkeit mit zunehmender Erfahrung zunehmen sollte20,32, ermöglichen unsere Methoden darüber hinaus die Beurteilung, ob diese Änderung durch Disjunktionen zwischen den Tagen verursacht wird (möglich in flexiblen DR-Modellen) oder wie angenommen unabhängig von solchen Disjunktionen ist in kontinuierlichen DR-Modellen. Darüber hinaus wurden zwar sowohl langfristige20 als auch kurzfristige33 Modulationen in RB beobachtet, wir testen jedoch explizit, ob diese Dynamiken Teil derselben zugrunde liegenden Multi-Session-Trajektorien (kontinuierliche RB) sind, die hauptsächlich durch innerhalb eines Tages vorgenommene Änderungen abseits des Ausgangsniveaus verursacht werden (Tagesrückstellungs-RB) oder sowohl Änderungen innerhalb eines Tages als auch zwischen Tagen umfassen (flexibler RB).

Bei der Überlegung, dass DR und RB unterschiedliche Formen der Veränderung annehmen könnten, kamen wir zu fünf möglichen dynamischen Modellen (die angesichts früherer empirischer und theoretischer Arbeiten zum Lernen plausibel sind) sowie einem sechsten statischen Modell zum Vergleich. Zu diesen 5 Modellen gehörten [1] ein kontinuierliches DR- und kontinuierliches RB-Modell mit einer Dynamik beider Parameter, die von der kumulativen Gesamterfahrung abhängt und nicht von Diskontinuitäten zwischen den Tagen beeinflusst wird, [2] ein flexibles DR- und RB-Modell mit Änderungen bei beiden Parametern, die von beiden unterschiedlich sind Effekte innerhalb eines Tages und zwischen Tagen sowie die entsprechenden Modelle [3] kontinuierliche DR, flexible RB und [4] flexible DR, kontinuierliche RB, die Änderungen aufgrund der Gesamterfahrung in beiden Modellen zulassen, aber nur Diskontinuitäten oder Eigenheiten zwischen Tagen zulassen ein einzelner DDM-Parameter. Eine zusätzliche Kombination aus [5] kontinuierlichem DR und tagesrücksetzendem RB wurde getestet, um die Möglichkeit auszuschließen, dass die Leistung des flexiblen RB-Modells mit kontinuierlicher DR auf ein reines Zurücksetzen innerhalb eines Tages von RB-Änderungen ohne Zwischentage zurückzuführen ist Unterschiede in RB.

Wir haben zunächst Modelle mit den oben beschriebenen Kombinationen möglicher Parameteränderungen geschätzt. Anschließend haben wir ermittelt, welches Modell am besten zu unseren Wahrnehmungslerndaten zur visuellen Punktbewegungsunterscheidung passt. Die vollständig bayesianische nichtlineare Modellschätzung und der Vergleich mit gemischten Effekten ermöglichten einen robusten und replizierbaren Modellierungsrahmen, da wir öffentlich verfügbare Statistikpakete verwendeten (siehe Methoden). Die zusätzliche Robustheit, die Bayes-Modelle bieten, ergibt sich aus der inhärenten Quantifizierung der Unsicherheit rund um jeden geschätzten Parameter, insbesondere wenn die möglichen Korrelationen zwischen Parametern nicht bekannt sind.

Um unsere Ergebnisse einzuleiten, stellten wir fest, dass das Modell, das die flexibelste Änderung sowohl bei DR als auch bei RB ermöglichte, besser passte als die meisten anderen, einschließlich des Modells, das über den gesamten Zeitraum des Experiments unveränderliche Parameter annahm. Bemerkenswert ist jedoch, dass eine Vereinfachung dieses äußerst flexiblen Modells die Anpassungsindizes weiter verbesserte. Das insgesamt beste Modell umfasste Erhöhungen der DR als relativ einfache und eingeschränkte Exponentialfunktion der Gesamtzahl der Versuche ohne Diskontinuitäten zwischen den Tagen, während für RB flexible Variationen innerhalb und zwischen Tagen modelliert wurden. Kompatible Ergebnisse wurden gefunden, wenn an jeden Teilnehmer separate Modelle angepasst wurden und nicht an alle Teilnehmer gleichzeitig. Unabhängig davon, ob die vollständigen nichtlinearen Mixed-Effects-Modelle oder die einzelnen nichtlinearen Modelle einzelner Teilnehmer verglichen wurden, stützten mehrere Methoden des Modellvergleichs die Annahme, dass Wahrnehmungslernen am besten als Ergebnis einer kontinuierlichen DR-Änderung, begleitet von flexiblen Änderungen der RB, verstanden werden kann.

Wir haben zunächst die Konvergenzen aller Modelle bewertet und dann die Modelle anhand der Änderung des LOOIC (Annäherung an eine weggelassene kreuzvalidierte Abweichung48) sowie der Bayes-Faktoren (geschätzt mithilfe von Brückenstichproben; siehe Methoden) verglichen. Alle Modelle konvergierten (maximaler R-Hat mit festen Effekten < 1,03), wobei das Gewinnermodell eine minimale effektive Stichprobengröße von 311 und keine divergierenden Übergänge aufwies. Für Schätzungen mit festen Effekten aller Modelle verweisen wir den Leser auf die Ergänzende Anmerkung (Abschnitt „Best-Fitting-Modell-Zusammenfassungsausgabe“ und Tabellen 1–5). Wir beurteilten auch, ob das Lernen auf allen Ebenen der Reizkohärenz erkennbar war; Aggregierte Vergleiche nach Teilnehmern zeigten, dass RT für alle Kohärenzniveaus zuverlässig abnahm. Die Genauigkeit stieg inzwischen numerisch für alle Kohärenzniveaus, statistisch zuverlässig war dies jedoch nur für mittlere Kohärenzniveaus (siehe auch ergänzende Abbildungen 4 und 5).

Wir verglichen zunächst das komplexeste Modell (flexibles DR, flexibles RB) mit dem einfachsten Modell (konstantes DR, konstantes RB) und stellten fest, dass das Modell, das eine flexible Änderung der Parameter im Laufe der Zeit ermöglicht, besser passt (∆LOOIC = −3650,5). Nachfolgende Modellvergleiche testeten, ob eine sparsamere Form der Veränderung, bei der DR und RB kontinuierliche Funktionen der Gesamterfahrung waren, das beobachtete Wahrnehmungslernen effektiv erklären könnte. Das kontinuierliche DR- und kontinuierliche RB-Modell verbesserte die Modellanpassung im Vergleich zum flexiblen DR- und flexiblen RB-Modell (∆LOOIC = 1383,1) nicht, ebenso wenig wie das flexible DR- und kontinuierliche RB-Modell (∆LOOIC = 1434,1). Im Gegensatz dazu verbesserte ein Modell, bei dem DR eine kontinuierliche Funktion der Gesamtversuchszahl war, während sich RB flexibel änderte, die Modellanpassung gegenüber dem komplexeren Modell (flexibles DR, flexibles RB) (∆LOOIC = −301,2). Eine andere Einschränkung für RB, die einer sich wiederholenden kontinuierlichen Funktion der Versuchsanzahl innerhalb eines Tages (kontinuierlicher DR-Tagesrücksetzungs-RB), passte nicht besser als das kontinuierliche flexible DR-RB-Modell (∆LOOIC = 1931,6; siehe Abb. 3 für eine Darstellung). der relativen Wahrscheinlichkeiten aller Anpassungen).

LOOIC wurden neu skaliert (umgekehrt, um als relative Wahrscheinlichkeit interpretiert zu werden) und auf das am besten passende Modell normalisiert, das durch 0 dargestellt wird. Diese Skalierung bietet Interpretierbarkeit als Annäherung an einen logarithmischen Bayes-Faktor, sofern der LOOIC analog ist zur Vorhersagewahrscheinlichkeit, die durch ein Bayes'sches Informationskriterium (BIC55) bereitgestellt wird. Alternativ können Unterschiede größer als 4, die auch mehrere Standardfehler überschreiten (d. h. alle Unterschiede in dieser Abbildung), als Hinweis auf eine Verbesserung der Modellanpassung von einem Modell zum anderen interpretiert werden57. Die Zahlen geben eine allgemeine Rangfolge der Modellkomplexität an. Fehlerbalken geben den Standardfehler der modellübergreifenden punktweisen LOOIC-Vorhersagedichte an.

Unter Verwendung des LOOIC-Kriteriums umfasste das beste Modell daher eine kontinuierliche DR-Änderung und eine flexible Änderung der RB. Unter Verwendung von Bayes-Faktoren, die mithilfe modellpaarweiser Brückenstichproben geschätzt wurden, wurden sehr ähnliche Modellvergleichsergebnisse gefunden (siehe Tabelle 1). Das gleiche Modell (kontinuierlicher Gesamtversuchs-DR und flexibler RB) passt besser als jedes der anderen Modelle.

Das am besten passende Modell hat sowohl die Genauigkeit (r = 0,76) als auch die Reaktionszeit (r = 0,56; siehe Methoden und ergänzende Abbildungen 2 und 3) gut wiederhergestellt. Dieses Modell zeigte eine Verbesserung (Zunahme) der DR als exponentielle Funktion der Gesamtzahl der Versuche während des gesamten Experiments (dh Versuche 1 bis 2800). Modellfeste Effekte zeigten, dass DR mit dem Training zunahm (Startmittelwert = 0,44, se = 0,05; Asymptotenmittelwert = 0,96, se = 0,11), mit einer Zeit bis zur Hälfte des Lernens auf Stichprobenebene von 1261 Versuchen. Die DR jedes Teilnehmers wurde als ansteigend eingeschätzt (aus den Punktschätzungen der Teilnehmer: Änderungsmittelwert = 0,516, Standardabweichung = 0,175, Min. = 0,209, Max. = 0,800).

Die Reaktionsgrenzparameter änderten sich über Tage und Teilnehmer hinweg weniger systematisch (siehe Abb. 4). Während auf Gruppenebene scheinbar leichte Rückgänge auftraten, mit einigen „Rücksetzungen“ zwischen den Tagen, ist die Interpretation solcher Effekte auf Gruppenebene aufgrund der großen inter- und intraindividuellen Variabilität schwierig49. Bei den meisten Teilnehmern kam es innerhalb eines Tages zu einem Rückgang der RB (80,9 %, 61,9 %, 76,2 % bzw. 55,1 % der Teilnehmer an jedem der vier Tage). Die zwischentägigen Veränderungen der RB nahmen hauptsächlich von Tag 1 zu Tag 2 ab (95,2 % der Teilnehmer), aber nur eine Minderheit der Teilnehmer nahm vom Ende von Tag 2 zum Anfang von Tag 3 oder vom Ende von Tag 3 zum Anfang ab von Tag 4 (28,6 % der Teilnehmer bei jedem Übergang).

Sowohl für DR [a, b] als auch für RB [c, d] zeigen die linken Felder [a, c] die Gesamtanpassungen für alle Teilnehmer (siehe auch Abb. 1). Die rechten Felder [b, d] zeigen Anpassungen für drei Beispielteilnehmer (ausgewählt, um Muster von Veränderung und Heterogenität zu veranschaulichen). Jeder Tag wird durch einen anderen Linientyp dargestellt.

Wir haben den gleichen Satz von Modellen ohne die Mixed-Effects-Struktur separat an die Daten jedes Teilnehmers angepasst und die Ergebnisse innerhalb der Teilnehmer auf die gleiche Weise verglichen. Die kontinuierliche DR-flexible RB-Parametrisierung war bei 19/21 Teilnehmern, die LOOIC-Vergleiche verwendeten, und bei 15/21 Teilnehmern, die Bayes-Faktor-Vergleiche verwendeten, das am besten passende Modell. Es gab auch eine recht hohe Übereinstimmung zwischen den punktuellen Parameterschätzungen der einzelnen Teilnehmer, wenn Modelle, die an die Teilnehmer angepasst waren, getrennt mit dem Modell verglichen wurden, das am besten an alle Teilnehmer gleichzeitig angepasst war (z. B. Zeitkonstante der Änderung in DR Pearson r = 0,77, asymptotisch). DR r = 0,85). Jeder dieser Vergleiche untermauert somit die Ergebnisse der vollständigen Mixed-Effects-Modelle. Weitere Einzelheiten finden Sie im Ergänzenden Hinweis.

Um einen Vergleich mit typischeren Ansätzen der Wahrnehmungslernforschung zu ermöglichen (die typischerweise nur die Genauigkeit der Teilnehmer berücksichtigen), passen wir mehrere Modelle an, die kontinuierliche zeitliche Änderungen der Schwellenwerte logistischer psychometrischer Funktionen verwenden39,50. Diese Modelle wurden nur an Genauigkeitsdaten und nicht an die gemeinsamen RT- und Genauigkeitsverteilungen angepasst. Zu den Kandidatenmodellen für die Änderung des Schwellenwerts pro Versuch gehörten die in den Primäranalysen beschriebenen kontinuierlichen, tagesaktuellen und flexiblen Formen sowie eine zusätzliche Kombination aus kontinuierlichen und tagesaktuellen Formen (d. h. Hinzufügen eines tagesaktuellen Trajektorienversatzes zum kontinuierliche Funktion). Das am besten passende Modell war dieses letzte mit einem mittleren Komplexitätsgrad (LOOIC = 61182,7). Die anderen Modelle waren in absteigender Reihenfolge der Anpassungsgüte flexibel (LOOIC = 61202,6), kontinuierlich (LOOIC = 61238,6) und tagesaktuell (LOOIC = 61352,3). Diese Ergebnisse stützten, wie auch die Hauptergebnisse, ein Modell mittlerer Komplexität mit zwei Zeitskalen der Veränderung. Im Gegensatz zu den DDM-Modellen konnten die logistischen Anpassungen jedoch keine mechanistische Darstellung darüber liefern, was sich in welchem Zeitrahmen geändert hat. Während das Fehlen konsistenter Verbesserungen der Genauigkeit auf den kleinsten und größten Kohärenzniveaus bedeutet, dass diese Ergebnisse bei den meisten Teilnehmern größtenteils auf Genauigkeitsänderungen auf mittleren Kohärenzniveaus zurückzuführen sind (siehe ergänzende Abbildung 4), zeigt diese Einschränkung der psychometrischen Funktionsanpassungen den Nutzen noch weiter des Verständnisses der gemeinsamen Verteilungen von RT und der Genauigkeit während des Lernens (dh aufgrund der Verbesserungen der RT auf allen Kohärenzebenen; siehe ergänzende Abbildung 5). Weitere Einzelheiten finden Sie im Ergänzenden Hinweis.

Hier verwendeten wir nichtlineare Mixed-Effects-DDMs, um Veränderungen innerhalb und zwischen Tagen während einer Wahrnehmungsentscheidungsaufgabe zu charakterisieren. Es wurde festgestellt, dass sich die DR-Änderungen am besten als exponentielle Funktion der Anzahl der Versuche über vier verschiedene Trainingstage modellieren lassen. Im Gegensatz dazu ließen sich RB-Änderungen am besten durch heterogene Dynamiken mit kontinuierlichen Änderungen innerhalb eines Tages und unsystematischen Schwankungen der Änderungsverläufe zwischen Tagen modellieren. Solche Ergebnisse stützen die Schlussfolgerungen früherer Arbeiten, in denen DR als Index des Wahrnehmungslernens bei Affen32 und Menschen31,34 identifiziert wurde, und fügen gleichzeitig zusätzliche Besonderheiten bei der Beurteilung zwischen Zeitskalen von Veränderungen hinzu.

Im weiteren Sinne bestätigt diese Arbeit die bei der Wahrnehmungsentscheidung beobachteten schnellen Anpassungen von RB33 und liefert gleichzeitig eine mögliche vereinheitlichende Erklärung für zwei scheinbar widersprüchliche Beobachtungen beim Wahrnehmungslernen: Verbesserungen als kontinuierliche Funktion der Erfahrung39 und große Diskontinuitäten zwischen den Tagen43. Die vorliegende Arbeit legt nahe, dass jedes dieser Phänomene auf seinen eigenen Zeitskalen auftreten könnte. Wichtig ist, dass es darauf hinweist, dass sich die verschiedenen Prozesse, die die Entscheidungsfindung vermitteln (insbesondere DR und RB), mit recht unterschiedlicher Dynamik verändern. Frühere Arbeiten haben eine entscheidende Rolle der hemmenden neuronalen Aktivität zwischen Trainingseinheiten (insbesondere während des Schlafs) für die Erhöhung der Widerstandsfähigkeit von Verbesserungen gegenüber rückwirkenden Störungen identifiziert51, wobei unsere Ergebnisse ergänzende Beweise für mehrere Prozesse liefern. Während sich Verbesserungen der Wahrnehmungsempfindlichkeit mit dem Training allmählich anhäufen (z. B. verbunden mit höherem DR und mit erregenden und plastischen neuronalen Zuständen), können häufig beobachtete Verhaltensschwankungen tatsächlich das Ergebnis von Modulationen in inhibitorischen Prozessen sein (z. B. verbunden mit höheren Entscheidungskriterien RB und RB). mit hemmenden und stabilen neuronalen Zuständen). Das heißt, die Geschwindigkeit, mit der hemmende Prozesse hoch- oder herunterreguliert werden können, kann viel schneller sein als die Geschwindigkeit, mit der Wahrnehmungsprozesse veränderbar sind, was zu großen Verhaltensvariationen sowie wichtigen Prozessen der Konsolidierung und Widerstandsfähigkeit gegen Störungen führt.

Daher könnte die Verwendung nur dürftiger diskreter Entscheidungsverhaltensdaten mögliche Rückschlüsse auf Lernverläufe verhindern oder verzerren31. Beispielsweise kam es nur bei einigen Kohärenzniveaus zu deutlichen Leistungsverbesserungen bei der Genauigkeit, wohingegen RT weitreichendere Verbesserungen aufwies. Die Integration beider in einen einzigen modellbasierten Ansatz ermöglichte es uns, Variationsquellen besser aufzuschlüsseln und Veränderungen in der Wahrnehmungsempfindlichkeit und Entscheidungsprozessen zu identifizieren. Praktisch liefert die vorliegende Arbeit eine klare Rechtfertigung für die Verwendung des DR-Parameters von Diffusionsmodellen als Index des Wahrnehmungslernens als Funktion jedes einzelnen Trainingsversuchs. Die Interpretierbarkeit von RB ist aufgrund des Vorhandenseins sowohl innertägiger als auch zwischentägiger Dynamiken komplexer. Während solche Veränderungen im Einklang mit RB stehen und adaptive Entscheidungen während der Entscheidungsfindung widerspiegeln, wie z. B. mehr oder weniger Risikoscheu, ist die Ursache dieser großen Heterogenität über den Tag und zwischen den Teilnehmern nach wie vor kaum bekannt. Konvergente Messungen (z. B. Neuroimaging) oder formalisierte Leistungsvorhersagen (z. B. „optimale“ Warnstufen33) können künftig Klarheit über die Veränderungsprozesse liefern, die auf dieser schnelleren und unzusammenhängenderen Zeitskala stattfinden.

Ein wichtiger Bestandteil der vorliegenden Arbeit besteht darin, dass sie fortschrittliche, aber relativ zugängliche quantitative Methoden verwendet (siehe Ergänzende Anmerkung für den Code des am besten passenden Modells). Die immer weiter verbreitete Verfügbarkeit der DDM-Schätzmethoden in Statistikpaketen trägt dazu bei, einer größeren Anzahl von Forschern die Werkzeuge zur Verfügung zu stellen, die sie zur Durchführung der hier beschriebenen Analysen benötigen. Obwohl die benötigten Rechenressourcen umfangreich waren (mindestens mehrere Wochen Computerzeit für jedes Modell), sollte diese Einschränkung weniger problematisch werden, da Computer mit immer höherer Leistung üblicher werden. Darüber hinaus können diese Modelle, sobald die Grundlagen für geeignete Modellparametrisierungen für das Lernen geschaffen wurden, als Testfälle zur Entwicklung und Bewertung effizienterer Anpassungsmethoden verwendet werden. Wir sind uns bewusst, dass die hier vorgestellten Modelle nur einen kleinen Teil der möglichen Modelle für Veränderungen im Wahrnehmungslernen darstellen. Dennoch glauben wir, dass sie für neuartige und informative Schlussfolgerungen ausreichen, und wir haben verschiedene Zwischenmodelle aufgrund ihres wahrscheinlichen Mangels an Aussagekraft und der umfangreichen Rechenressourcen, die zur Schätzung der Modellparameter erforderlich sind, nicht angepasst.

Ebenso wie die breite Anwendbarkeit von DDMs auf kognitive und wahrnehmungsbezogene Prozesse hat der hier angewandte Ansatz Anwendungsmöglichkeiten, die weit über das Erlernen der visuellen Bewegungswahrnehmung hinausgehen. Der Einsatz von DDMs zum besseren Verständnis von Mechanismen, die zu Lernverläufen beitragen, kann beim Lernen von Wörtern52, beim kognitiven Training oder in anderen Lernkontexten nützlich sein, in denen schnell und genau auf Informationen reagiert werden muss.

Wahrnehmungsbezogenes Lernen birgt viele Versprechungen hinsichtlich der Übersetzung und dient als Fenster zu Mechanismen der Neuroplastizität bei Erwachsenen. Das Verständnis von Wahrnehmungslernen hängt jedoch von geeigneten Schlussfolgerungen aus der Wahrnehmungsentscheidung der Lernenden ab. Durch die Verwendung eines formalen Modells der Evidenzakkumulation wahrnehmungsbezogener Entscheidungsfindung können scheinbar widersprüchliche Aussagen zu Lernverläufen erklärt werden: Verschiedene Komponenten der Evidenzakkumulation können sich innerhalb von Trainingssitzungen und zwischen Tagen auf unabhängigen Zeitskalen ändern. Hier haben wir Beweise dafür vorgelegt, dass sich die Wahrnehmungsempfindlichkeit (DR) als kontinuierliche Funktion der Versuchsanzahl ändert, während sich die Menge an Beweisen, die zum Hervorrufen einer Entscheidung (RB) erforderlich sind, sowohl kontinuierlich innerhalb einer Trainingssitzung als auch unsystematisch zwischen Tagen dynamisch ändert.

Die Daten wurden archiviert und für dieses Papier wurden nur sekundäre Datenanalysen durchgeführt. Die Verfahren wurden ursprünglich von der Ethikkommission der Universität Rochester genehmigt und von jedem Teilnehmer wurde eine Einverständniserklärung eingeholt. Daten, die ursprünglich von Green, Pouget und Bavelier47 berichtet wurden, wurden von 21 männlichen jungen erwachsenen Teilnehmern gesammelt, die an jeweils vier aufeinanderfolgenden Tagen eine Punktbewegungsunterscheidungsaufgabe absolvierten53,54. Im Originalpapier wurden nur die Daten des letzten Tages gemeldet. Ursprünglich wurden die Teilnehmer entweder in die Gruppe „Action-Videospielspieler“ (Durchschnittsalter = 18,8) oder in die Gruppe „Nicht-Action-Videospielspieler“ (Durchschnittsalter = 20,6) eingeteilt. Ein Teilnehmer wurde aus der ursprünglichen Stichprobe von 22 aufgrund einer ungeklärten, sehr langen Antwortzeitverteilung in einer Sitzung ausgeschlossen. In der vorliegenden Arbeit geht es nicht in erster Linie um mögliche Unterschiede zwischen Spielergruppen, auf die nicht eingegangen wird, obwohl jedes Modell feste Effekte zwischen Subjekten beinhaltet, die mögliche Unterschiede zwischen Gruppen bei jedem Parameter des Diffusionsmodells kontrollieren (siehe unten). Solche festen Effektparameter sollten eine mögliche Bimodalität bei Parametern auf Teilnehmerebene abschwächen. Die Reize wurden auf einem 75-Hz-CRT-Monitor mit Psychtoolbox (Brainard 1997) präsentiert. Die Prozentsätze der linken oder rechten Kohärenz betrugen 0,8 %, 1,6 %, 3,2 %, 6,4 %, 12,8 %, 25,6 % oder 51,2 % in zufälliger Reihenfolge.

Um versuchsweise zeitkontinuierliche Driftdiffusionsmodelle anzupassen, verwendeten wir das brms-Paket in R, das selbst das Stan-Bayesian-Modellierungsframework17,18,19 verwendet. Bei den Modellen handelte es sich im Wesentlichen um nichtlineare verallgemeinerte Regressionen der gemeinsamen RT- und Genauigkeitsverteilungen, wobei die Driftdiffusionsparameter jedes Versuchs entweder über alle Versuche hinweg statisch oder eine Funktion der Versuchsanzahl waren (auf verschiedene Arten parametrisiert; siehe nächster Abschnitt). Die DDM-Parameter jedes Modells wiederum waren, unabhängig davon, ob sie sich nicht änderten oder sich auf bestimmte Komponenten zeitbezogener Änderungen bezogen, selbst der Anpassungswert eines verallgemeinerten linearen Mixed-Effects-Modells (parallel geschätzt, siehe Lit. 38). Ein solcher Rahmen ermöglichte die gleichzeitige Schätzung aller Parameter für alle Teilnehmer. Ein weiterer entscheidender Vorteil unseres Ansatzes bestand darin, dass, da brms Standard-Prioritäten für verallgemeinerte lineare Wiener-Diffusionsmodelle enthält, die einzigen Prioren, die manuell angegeben werden mussten, diejenigen waren, die sich auf die nichtlinearen Komponenten der Modelle bezogen (d. h. die für die Änderung benötigte Zeit und eine NDT). mit einem kleinen additiven Offset von 0,001 Sekunden). Standard-Prioritäten verbessern die direkte Anwendbarkeit unserer Implementierung auf neuartige Datensätze und erhöhen die Leichtigkeit, mit der andere solche Analysen durchführen können. Dies geht jedoch auf Kosten einer wahrscheinlichen Verringerung der Effizienz und einer größeren Schwierigkeit bei der Interpretation unserer Bayes-Faktor-Ergebnisse (d. h. weil dies bei Priors nicht der Fall war). explizit an unseren Datensatz oder unsere Hypothesen angepasst). Einzelheiten finden Sie in der Ergänzenden Anmerkung.

Unabhängig von der genauen Kombination der implementierten Parameteränderungen wurden Änderungen immer als DDM-Parameter definiert, der eine Exponentialfunktion der Versuchsnummer ist (siehe Gleichung 1). Für jeden Teilnehmer wurde der Satz von DDM-Parametern des Modells geschätzt, wobei die oben beschriebene Mixed-Effects-Struktur (dh zufällige Abschnitte pro Teilnehmer) verwendet wurde. Bei dieser Parametrisierung war die Zeitkonstante der Änderung (Rate oder Umkehrgeschwindigkeit) unabhängig sowohl vom Start als auch von der Asymptote eines bestimmten Parameters. Die entscheidenden Unterschiede zwischen den verglichenen Modellen betrafen den Zeitrahmen der Änderung (d. h., ob es sich bei „trialNumber“ um eine Versuchszahl innerhalb eines Tages oder um eine über alle Tage kumulierte Zahl handelte) und, falls die Versuchszahl innerhalb eines Tages berücksichtigt wurde, ob die Start- und Asymptotenparameter über alle Tage hinweg gemeinsam waren oder ob sie von Tag zu Tag variieren durften. Der Geschwindigkeitsparameter war der binäre Logarithmus einer Zeitkonstante bis 50 % der Änderung. Die zur Rate hinzugefügte Konstante 2 verhinderte, dass die Trajektorien in weniger als 2 Versuchen eine Änderung von 50 % anzeigten, was die Identifizierbarkeit und Schätzung des Modells erleichtert. Beachten Sie, dass param DR oder RB sein kann.

Die verglichenen Modelle begannen mit „konstanten“ Modellen, bei denen sich die Parameter im Laufe der Zeit nicht änderten. Bei diesem Vergleich war die Kohärenz entweder linear (untransformiert) oder logarithmisch transformiert und dann medianzentriert. Unser Vergleich zwischen diesen beiden Modellen legte die empirische Grundlage für die lineare Beziehung zwischen DR und Kohärenz53 fest. Bei diesem Vergleich zur Bestimmung der Skalierung der Reizstärke in Bezug auf DR stellten wir fest, dass das Konstantparametermodell mit einer logarithmisch transformierten Reizkohärenz-DR viel schlechter passte als dasselbe Modell mit DR als linearer Funktion der Kohärenz (∆LOOIC = 3781.3). Aus diesem Grund verwendeten alle nachfolgenden Analysen eine lineare Kohärenzfunktion.

Anschließend durften die Parameter als kontinuierliche Funktion der Gesamtzahl der Versuche (kontinuierlich) oder als kontinuierliche Funktion der Anzahl der Versuche innerhalb eines Tages mit konstanten Starts und Asymptoten innerhalb des Teilnehmers über den Tag hinweg (Tagesrücksetzung) variieren. Das komplexeste Modell (flexibel) ermöglichte eine Änderung innerhalb eines Tages mit separaten Starts und Asymptoten für jeden Tag; Jeder Teilnehmer hatte nur einen Tarif, um die Schätzung zu erleichtern.

Diese Formen der Veränderung ermöglichten Modellvergleiche, um zwischen unterschiedlichen potenziellen Mechanismen für erfahrungsabhängige Veränderungen zu entscheiden. Ein Änderungsmechanismus, der ausschließlich auf der kumulativen Erfahrung mit der Aufgabe oder dem Wirkungsgesetz beruht, würde der kontinuierlichen Form der Änderung gegenüber der flexiblen Form der Änderung aufgrund seiner größeren Sparsamkeit (dh einer geringeren Parameteranzahl) zugute kommen. In ähnlicher Weise würde ein Änderungsmechanismus, der eine Abweichung von der Basislinie jedes Teilnehmers innerhalb eines Tages und eine Rückkehr zu dieser Basislinie innerhalb eines Tages beinhaltet, durch die tageweise zurücksetzende Parametrisierung der Änderung angezeigt, die ebenfalls sparsamer ist als die vollständig flexible Form der Änderung. Wenn Modellvergleiche hingegen flexible Trajektorien für einen Parameter unterstützen, deutet dies darauf hin, dass die Änderungsmechanismen für diesen Parameter wahrscheinlich heterogen sind. Viele mögliche generative Modelle sind mit dieser flexiblen Form der Veränderung kompatibel, und die selektive Anwendung von Einschränkungen (wie es bei den kontinuierlichen und tagesaktuellen Modellen der Fall ist) ermöglicht Tests, ob die Komplexität des flexiblen Modells gerechtfertigt ist oder ob die sparsameren und mechanistisch interpretierbaren Modelle gerechtfertigt sind gerechtfertigt.

Wie in Gl. beschrieben. In 1 wurden Parameter als 3-Parameter-Exponentialfunktionen der Zeit mit Startwerten, asymptotischen Werten und einer Zeitkonstante von 50 % der Änderung definiert, die die Änderungsrate definiert3,24,37. Kontinuierliche Änderung und tagesrücksetzende Änderung, jeweils geschätzt ein Start, eine Rate und eine Asymptote für jeden Teilnehmer; Die beiden Formen der Veränderung unterschieden sich nur hinsichtlich der Zeitskala dieser Veränderung. Die flexible Änderung veranschlagte eine Rate für jeden Teilnehmer über die vier Tage hinweg, plus eine Start- und eine Asymptote pro Tag für jeden Teilnehmer. Bei allen Priors handelte es sich nach Möglichkeit um Standardwerte, wobei die Ratenparameter normale Priors hatten, die sich auf 25 % der maximalen Versuchszahl konzentrierten (d. h. 175 für Änderungen innerhalb eines Tages und 700 für Änderungen während des gesamten Experiments). Die SD dieser Prioren betrug 1, was dazu führte, dass der Großteil der Dichte (dh zwischen +2 und -2 SD) zwischen der gesamten Zeitskala der Veränderung und 1/16 dieser Zeitskala der Veränderung lag.

Aus Gründen der Klarheit und der Ähnlichkeit mit der R-Implementierung berichten wir über Modellformeln im gängigen „Wilkensen“-Format (Beispiel: driftRate ~ prädiktorA + (prädiktorB | gruppierungsVariable)). In dieser Syntax steht die vorhergesagte Variable (hier der Driftdiffusionsparameter) links von einer Tilde. Die Prädiktoren befinden sich rechts von der Tilde. Eine 1 gibt einen geschätzten Intercept-Wert an. Komponenten der Prädiktoren in Klammern sind Zufallseffekte, wobei sich die Prädiktoren links vom vertikalen Balken und die Gruppierungsvariable rechts vom vertikalen Balken befinden.

Alle Modelle hatten die folgenden gemeinsamen Funktionen:

Es wurden sowohl Action-Videospielspieler (AVGP) als auch Nicht-Action-Videospielspieler (NVGP) einbezogen, wobei feste Haupteffekte alle Unterschiede zwischen den Gruppen bei jedem Parameter in einem bestimmten Modell kontrollierten. (Alle Parameter verfügen auch über geschätzte Koeffizienten auf Teilnehmerebene). Studien mit RTs unter 0,16 oder über 2,5 wurden ausgeschlossen. Zeitveränderliche Komponenten wurden als binäres Logarithmus (dh zur Basis 2) der Zeitkonstante auf 50 % der Änderung geschätzt.

Die Driftrate wurde ohne Linkfunktion geschätzt. Der Prior wurde auf den Standard-brms-Prior für die Driftrate (anhand unserer Daten) student_t(3,1,10) gesetzt. In allen Modellen wurde die Driftrate immer mit einem festen Effektschnittpunkt, einem subjektbezogenen Schnittpunkt und einer subjektbezogenen Steigung für medianzentrierte Kohärenz geschätzt (d. h. die Driftrate variierte linear je Subjekt als Funktion der Reizkohärenz). . Es wurden Modelle getestet, die entweder „rohe“ Kohärenzprozentsätze oder deren logarithmische Transformationen enthielten, um die Annahme zu testen, dass die Beziehung zwischen Kohärenz und Driftrate linear wäre. Beispielformeln: feste Driftrate: drift_rate ~ 1 + VGPstatus + (Kohärenz || subj), Asymptote einer sich zeitlich entwickelnden Driftrate: drAsym ~ 1 + VGPstatus + (Kohärenz || subj).

Die Reaktionsgrenze wurde auf einer logarithmischen Skala geschätzt. Der Prior wurde für alle Modelle auf den Standard-brms-Prior für die Antwortgrenze (anhand unserer Daten) eingestellt, normal (-0,6, 1,3). Es wurden themenspezifische Intercepts und Fixed-Effects-Intercepts geschätzt. Beispielformeln: feste Antwortgrenze: Response_boundary ~ 1 + VGPstatus + (1 || subj), Asymptote einer sich zeitlich entwickelnden Antwortgrenze: rbAsym ~ 1 + VGPstatus + (1 || subj).

Die Nichtentscheidungszeit wurde anhand einer Exponentialverteilung mit einem Offset von 0,001 und einem Mittelwert von 0,15 geschätzt. Dieser Offset-Ansatz beschränkte die Stichprobenziehung auf plausible Werte und verbesserte die Modelleffizienz. Da alle Modelle diesen Ansatz verwenden, sollte es bei den Modellen oder Vergleichen keine Verzerrungen geben. Es wurden sowohl Fix-Effect-Intercepts als auch Subjekt-Intercepts geschätzt. Beispielformel: ndt ~ 0,001 + ndtOffset; ndtOffset ~ 1 + (1 || subj). Der Bias-Term wurde mit einem Fix-Effect-Intercept und einem Subjekt-Intercept geschätzt (dh Bias ~ 1 + VGPstatus + (1 || Subj)). Der Bias wurde auf einer Logit-Skala geschätzt und sein Prior war normal (0,1).

Angesichts der oben genannten Änderungsformen haben wir Kombinationen zeitlich variierender DR- und RB-Parameter getestet (siehe Einleitung). Während wir darüber nachgedacht haben, auch zeitvariable Nicht-Entscheidungszeiten zu testen, haben wir uns entschieden, diese Modelle nicht in unser aktuelles Manuskript aufzunehmen, da die Möglichkeit besteht, dass empirische Änderungen der Nicht-Entscheidungszeit-Parameter falsche Muster aufgrund mangelnder Wiederherstellbarkeit zwischen ihnen widerspiegeln könnten Nicht-Entscheidungszeit und RB14. Der primäre Modellvergleich verwendete eine effiziente Näherung, um eine einmalige Kreuzvalidierung48 wegzulassen (siehe auch die Dokumentation zum loo R-Paket). Mit dieser Methode geben wir das LOO-Informationskriterium (LOOIC) an, das auf einer Abweichungsskala liegt (dh niedrigere Werte sind besser) und ähnlich wie ein AIC- oder BIC-Wert interpretierbar ist, siehe z. B. 55,56. Darüber hinaus sind LOOIC-Differenzwerte von Modellen größer als 4 im Hinblick auf die Anzahl der Standardfehler der Differenzen interpretierbar57.

Zusätzliche Modellvergleiche verwendeten Bayes-Faktoren, die mithilfe von Brückenstichproben geschätzt wurden58. Fünfzehn Bridge-Sampling-Läufe wurden unter Verwendung einer verzerrten multivariaten Normalvorschlagsverteilung durchgeführt, die robuster ist als die standardmäßige multivariate Normalvorschlagsverteilung. Bayes-Faktoren wurden mit einem Logarithmus zur Basis 3 transformiert, so dass herkömmliche Schwellenwerte für die Modellauswahl (d. h. dreimal so viele Beweise für ein Modell gegenüber dem anderen als „substanzielle Beweise“) mit den Grenzwerten bei -1 und +1 übereinstimmen würden. Von den 15 Bridge-Sampling-Läufen berichten wir über die zweideutigsten (dh BFlog3 liegt am nächsten bei 0).

Die absolute Modellanpassung (d. h. die Wiederherstellung der Rohdaten) wurde bewertet, indem die Daten in 25 Versuchsblöcke (insgesamt 112 Blöcke pro Teilnehmer) gruppiert wurden und RT und Genauigkeit innerhalb jedes Blocks für jede Kohärenzebene gemittelt wurden. Sowohl die Daten als auch die vorhergesagten Werte des am besten passenden Modells folgten diesem Verfahren. Angesichts dieser gruppierten Durchschnittswerte dienten Produkt-Moment-Korrelationen nullter Ordnung zwischen den Daten und den Modellvorhersagen dazu, die Modellwiederherstellung von Mustern in den Rohdaten anzuzeigen. Weitere Visualisierungen sind in den ergänzenden Abbildungen zu sehen. 2 und 3.

Zusätzliche Vergleiche passen jedes der 6 in den Hauptergebnissen verglichenen Modelle separat an die Teilnehmer an und verwenden teilnehmerinterne Bayes-Faktoren und LOOIC. Bei den Anpassungen nach Teilnehmern wurde derselbe Satz von Modellen (Formeln und Prioritäten, je nach Relevanz für einzelne Teilnehmer) verwendet, wie bei den Mixed-Effects-Modellen, die für alle Teilnehmer gleichzeitig angepasst wurden. Ebenso wurden für Vergleiche LOOIC-Vergleiche und Bayes-Faktoren unter Verwendung von Brückenstichproben verwendet. Alle Indizes zeigten Konvergenz.

Vergleiche mit konventionelleren Methoden zur Anpassung wahrnehmungsbezogener Entscheidungsdaten (d. h. nur unter Berücksichtigung der Genauigkeit) wurden mithilfe logistischer psychometrischer Funktionen durchgeführt50. Logistische Modelle nutzten einen Ansatz, der eher den klassischen Analysen der Psychophysik entspricht, nämlich die Anpassung einer logistischen psychometrischen Funktion, die Kohärenz mit der Wahrscheinlichkeit verknüpft, dass ein Teilnehmer darauf antwortet, dass die Bewegung in eine bestimmte Richtung erfolgt. Es wurde eine Stornorate von 1 % verwendet. Wie in den Hauptergebnissen wurde die Leistung (hier der Schwellenwert) als kontinuierliche Exponentialfunktion der Zeit modelliert, wobei „Zeit“ der Anzahl der Versuche innerhalb der Sitzung, der Gesamtzahl der Versuche oder einer Kombination aus beiden entspricht. Die Antwortzeiten wurden mit einem Z-Score bewertet und für jeden der Start- und asymptotischen Schwellenwertparameter wurden zufällige Steigungen der Antwortzeiten pro Teilnehmer geschätzt, als grobe Methode zur Einbeziehung aller Informationen in die Logistikmodelle, die auch in den DDM-Modellen enthalten waren

Weitere Informationen zum Forschungsdesign finden Sie in der mit diesem Artikel verlinkten Nature Research Reporting Summary.

Alle Daten sind unter https://doi.org/10.5281/zenodo.7025263 verfügbar.

Der Modellcode ist auf Anfrage beim entsprechenden Autor erhältlich.

Deveau, J., Lovcik, G. & Seitz, A. Die therapeutischen Vorteile des Wahrnehmungslernens. Curr. Trends Neurol. 7, 39–49 (2013).

PubMed PubMed Central Google Scholar

Mayer, RE Was nützt die Pädagogische Psychologie? Der Fall von Erkenntnis und Unterricht. Educ. Psychol. 36, 83–88 (2001).

Artikel Google Scholar

Dosher, BA & Lu, Z.-L. Die funktionale Form der Leistungsverbesserung beim Wahrnehmungslernen: Lernraten und Transfer. Psychol. Wissenschaft. 18, 531–539 (2007).

Artikel PubMed Google Scholar

Gold, JI & Ding, L. Wie Mechanismen der Wahrnehmungsentscheidung die psychometrische Funktion beeinflussen. Prog. Neurobiol. 103, 98–114 (2013).

Artikel PubMed Google Scholar

Heathcote, A., Brown, S. & Mewhort, DJ Das Potenzgesetz wurde aufgehoben: Argumente für ein exponentielles Gesetz der Praxis. Psychon. Stier. Rev. 7, 185–207 (2000).

Artikel CAS PubMed Google Scholar

Newell, A. & Rosenbloom, PS Mechanismen des Kompetenzerwerbs und das Gesetz der Praxis. in Kognitive Fähigkeiten und deren Erwerb (Hrsg. Anderson, JR) 1–51 (Lawrence Erlbaum, 1981).

Heathcote, A. & Hayes, B. Diffusion versus lineare ballistische Akkumulation: Unterschiedliche Modelle für die Reaktionszeit mit unterschiedlichen Schlussfolgerungen über psychologische Mechanismen? Dürfen. J. Exp. Psychol./Rev. canadienne de. psychologie exp.érimentale 66, 125–136 (2012).

Google Scholar

Pedersen, ML, Frank, MJ & Biele, G. Das Driftdiffusionsmodell als Auswahlregel beim Reinforcement Learning. Psychon. Stier. Rev. 24, 1234–1251 (2017).

Artikel PubMed PubMed Central Google Scholar

Ratcliff, R. Eine Theorie des Gedächtnisabrufs. Psychol. Rev. 85, 59–108 (1978).

Artikel Google Scholar

Ratcliff, R. & Tuerlinckx, F. Schätzung der Parameter des Diffusionsmodells: Ansätze zum Umgang mit Kontaminationsreaktionszeiten und Parametervariabilität. Psychon. Stier. Rev. 9, 438–481 (2002).

Artikel PubMed PubMed Central Google Scholar

Gallistel, CR Die Organisation des Lernens. (MIT Press, 1993).

Kattner, F., Cochrane, A., Cox, CR, Gorman, TE & Green, CS PerceptuaL Learning Generalisierung aus sequentiellem Wahrnehmungstraining als Veränderung der Lernrate. Curr. Biol. 27, 840–846 (2017).

Artikel CAS PubMed Google Scholar

Zhang, P., Zhao, Y., Dosher, BA & Lu, Z.-L. Beurteilung des detaillierten zeitlichen Verlaufs der Änderung der Wahrnehmungsempfindlichkeit beim Wahrnehmungslernen. J. Vis. 19, 9 (2019).

Artikel PubMed PubMed Central Google Scholar

Dutilh, G. et al. Die Qualität der Antwortzeitdateninferenz: eine verblindete, kollaborative Bewertung der Gültigkeit kognitiver Modelle. Psychon. Stier. Rev. 26, 1051–1069 (2019).

Artikel PubMed Google Scholar

Frank, MJ et al. fMRT- und EEG-Prädiktoren dynamischer Entscheidungsparameter beim Human Reinforcement Learning. J. Neurosci. 35, 485–494 (2015).

Artikel CAS PubMed PubMed Central Google Scholar

Vandekerckhove, J., Tuerlinckx, F. & Lee, MD Hierarchische Diffusionsmodelle für Two-Choice-Reaktionszeiten. Psychologische Methoden 16, 44–62 (2011).

Artikel PubMed Google Scholar

Bürkner, P.-C. brms: Ein R-Paket für Bayesianische Mehrebenenmodelle unter Verwendung von Stan. J. Stat. Weich. 80, 1–28 (2017).

Artikel Google Scholar

Stan-Entwicklungsteam. Stan Modeling Language Benutzerhandbuch und Referenzhandbuch. (2022).

Stan-Entwicklungsteam. Rstan: die R-Schnittstelle zu Stan. (2022).

Zhang, J. & Rowe, JB Dissoziierbare Mechanismen des Geschwindigkeits-Genauigkeits-Kompromisses beim visuellen Wahrnehmungslernen werden durch ein hierarchisches Drift-Diffusions-Modell aufgedeckt. Vorderseite. Neurosci. 8, 69 (2014).

Artikel PubMed PubMed Central Google Scholar

Shadlen, MN & Kiani, R. Entscheidungsfindung als Fenster zur Erkenntnis. Neuron 80, 791–806.

Artikel CAS PubMed Google Scholar

Mulder, MJ, Wagenmakers, E.-J., Ratcliff, R., Boekel, W. & Forstmann, BU Bias im Gehirn: eine Diffusionsmodellanalyse der vorherigen Wahrscheinlichkeit und potenziellen Auszahlung. J. Neurosci. 32, 2335–2343 (2012).

Artikel CAS PubMed PubMed Central Google Scholar

Petrov, AA, Van Horn, NM & Ratcliff, R. Durch Diffusionsmodellanalyse aufgedeckte dissoziierbare Wahrnehmungs-Lernmechanismen. Psychon. Stier. Rev. 18, 490–497 (2011).

Artikel PubMed Google Scholar

Cochrane, A. & Green, CS Bewertung der Funktionen, die dem Lernen zugrunde liegen, mithilfe von Modellen nach Versuchen und nach Teilnehmern: Erkenntnisse aus zwei Paradigmen des visuellen Wahrnehmungslernens. J. Vis. 21, 5 (2021).

Artikel PubMed PubMed Central Google Scholar

Fahle, M. Wahrnehmungslernen: Spezifität versus Generalisierung. Curr. Meinung. Neurobiol. 15, 154–160 (2005).

Artikel CAS PubMed Google Scholar

Ahissar, M., Nahum, M., Nelken, I. & Hochstein, S. Umgekehrte Hierarchien und sensorisches Lernen. Philos. Trans. R. Soc. B: Biol. Wissenschaft. 364, 285–299 (2009).

Artikel Google Scholar

Johnston, IA et al. Wahrnehmungsbezogenes Lernen der Blinddarmentzündungsdiagnose in radiologischen Bildern. J. Vis. 20, 16 (2020).

Artikel PubMed PubMed Central Google Scholar

Kellman, PJ & Garrigan, P. Wahrnehmungsbasiertes Lernen und menschliches Fachwissen. Physik. Life Rev. 6, 53–84 (2009).

Artikel PubMed Google Scholar

Lu, Z.-L., Lin, Z. & Dosher, BA Wahrnehmungslernen aus dem Labor in Anwendungen übertragen. Trends Cogn. Wissenschaft. 20, 561–563 (2016).

Artikel PubMed PubMed Central Google Scholar

Polat, U., Ma-Naim, T., Belkin, M. & Sagi, D. Verbesserung des Sehvermögens bei Amblyopie bei Erwachsenen durch Wahrnehmungslernen. Proz. Natl Acad. Wissenschaft. USA 101, 6692–6697 (2004).

Artikel CAS PubMed PubMed Central Google Scholar

Liu, CC & Watanabe, T. Berücksichtigung des Kompromisses zwischen Geschwindigkeit und Genauigkeit beim Wahrnehmungslernen. Vis. Res. 61, 107–114 (2012).

Artikel PubMed Google Scholar

Eckhoff, P., Holmes, P., Law, C., Connolly, PM & Gold, JI Über Diffusionsprozesse mit variablen Driftraten als Modelle für die Entscheidungsfindung beim Lernen. NJ Phys. 10, nihpa49499 (2008).

Artikel CAS Google Scholar

Evans, NJ & Brown, SD Menschen übernehmen durch einfache Entscheidungsfindung nach Übung und Anleitung optimale Richtlinien. Psychon. Stier. Rev. 24, 597–606 (2017).

Artikel PubMed Google Scholar

Jia, K. et al. Visuelles Wahrnehmungslernen moduliert das Entscheidungsnetzwerk im menschlichen Gehirn: Erkenntnisse aus Psychophysik, Modellierung und funktioneller Magnetresonanztomographie. J. Vis. 18, 9 (2018).

Artikel PubMed Google Scholar

Schmiedek, L. & Lindenberger Hundert Tage kognitives Training verbessern umfassende kognitive Fähigkeiten im Erwachsenenalter: Ergebnisse der COGITO-Studie. Vorderseite. Alternde Neurowissenschaften. https://doi.org/10.3389/fnagi.2010.00027 (2010).

Artikel PubMed PubMed Central Google Scholar

Kühn, S. et al. Gehirnbereiche stehen konsistent mit individuellen Unterschieden in der Wahrnehmungsentscheidung bei jüngeren und älteren Erwachsenen vor und nach dem Training in Zusammenhang. J. Cogn. Neurosci. 23, 2147–2158 (2011).

Artikel PubMed Google Scholar

Cochrane, A. TEfits: nichtlineare Regression für sich zeitlich entwickelnde Indizes. J. Open Source Softw. 5, 2535 (2020).

Artikel Google Scholar

Cochrane, A. & Green, CS Trajektorien von Leistungsänderungen weisen auf mehrere dissoziierbare Verbindungen zwischen Arbeitsgedächtnis und flüssiger Intelligenz hin. npj Sci. Lernen. 6, 33 (2021).

Artikel PubMed PubMed Central Google Scholar

Kattner, F., Cochrane, A. & Green, CS Versuchsabhängige psychometrische Funktionen, die das Wahrnehmungslernen bei 2-AFC-Diskriminierungsaufgaben berücksichtigen. J. Vis. 17, 3 (2017).

Artikel PubMed Google Scholar

Newell, KM, Mayer-Kress, G., Hong, SL & Liu, Y.-T. Anpassung und Lernen: charakteristische Zeitskalen der Leistungsdynamik. Summen. Mov. Wissenschaft. 28, 655–687 (2009).

Artikel PubMed Google Scholar

Poggio, T., Fahle, M. & Edelman, S. Schnelles Wahrnehmungslernen bei visueller Hyperacuity. Science 256, 1018–1021 (1992).

Artikel CAS PubMed Google Scholar

Kang, D.-W. et al. In einer späteren Phase des visuellen Wahrnehmungslernens verändert sich die strukturelle und funktionale Konnektivität über den visuellen Kortex hinaus. Wissenschaft. Rep. 8, 5186 (2018).

Artikel PubMed PubMed Central Google Scholar

Karni, A. & Sagi, D. Der zeitliche Verlauf des Erlernens einer visuellen Fähigkeit. Nature 365, 250–252 (1993).

Artikel CAS PubMed Google Scholar

Mednick, SC, Cai, DJ, Kanady, J. & Drummond, SPA Vergleich der Vorteile von Koffein, Nickerchen und Placebo auf das verbale, motorische und wahrnehmungsbezogene Gedächtnis. Verhalten. Gehirnres. 193, 79–86 (2008).

Artikel CAS PubMed PubMed Central Google Scholar

Tamaki, M. et al. Belohnung erleichtert das visuelle Wahrnehmungslernen erst, wenn der Schlaf eintritt. Proz. Natl Acad. Wissenschaft. USA 117, 959–968 (2020).

Artikel CAS PubMed Google Scholar

Yotsumoto, Y., Watanabe, T. & Sasaki, Y. Unterschiedliche Dynamiken der Leistung und Gehirnaktivierung im zeitlichen Verlauf des Wahrnehmungslernens. Neuron 57, 827–833 (2008).

Artikel CAS PubMed PubMed Central Google Scholar

Green, CS, Pouget, A. & Bavelier, D. Verbesserte probabilistische Inferenz als allgemeiner Lernmechanismus bei Action-Videospielen. Curr. Biol. 20, 1573–1579 (2010).

Artikel CAS PubMed PubMed Central Google Scholar

Vehtari, A., Gelman, A. & Gabry, J. Praktische Bayesianische Modellbewertung unter Verwendung von Leave-One-Out-Kreuzvalidierung und WAIC. Stat. Comput 27, 1413–1432 (2017).

Artikel Google Scholar

Brown, S. & Heathcote, A. Mittelung der Lernkurven zwischen und innerhalb der Teilnehmer. Verhalten. Res Methods Instrum. Comput 35, 11–21 (2003).

Artikel PubMed Google Scholar

Dale, G., Cochrane, A. & Green, CS Individuelle Differenzprädiktoren für Lernen und Generalisierung beim Wahrnehmungslernen. Um zehn. Wahrnehmung. Psychophyse. https://doi.org/10.3758/s13414-021-02268-3 (2021).

Artikel PubMed Google Scholar

Tamaki, M. et al. Komplementäre Beiträge von Nicht-REM- und REM-Schlaf zum visuellen Lernen. Nat. Neurosci. 23, 1150–1156 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Dutilh, G., Vandekerckhove, J., Tuerlinckx, F. & Wagenmakers, E.-J. Eine Diffusionsmodellzerlegung des Übungseffekts. Psychon. Stier. Rev. 16, 1026–1036 (2009).

Artikel PubMed Google Scholar

Palmer, J., Huk, AC & Shadlen, MN Die Wirkung der Reizstärke auf die Geschwindigkeit und Genauigkeit einer Wahrnehmungsentscheidung. J. Vis. 5, 376–404 (2005).

Artikel PubMed Google Scholar

Watamaniuk, SNJ & Sekuler, R. Zeitliche und räumliche Integration in dynamische Zufallspunktreize. Vis. Res. 32, 2341–2347 (1992).

Artikel CAS PubMed Google Scholar

Wagenmakers, E.-J. Eine praktische Lösung für die allgegenwärtigen Probleme der p-Werte. Psychon. Stier. Rev. 14, 779–804 (2007).

Artikel PubMed Google Scholar

Wagenmakers, E.-J. & Farrell, S. AIC-Modellauswahl mit Akaike-Gewichten. Psychon. Stier. Rev. 11, 192–196 (2004).

Artikel PubMed Google Scholar

Sivula, T., Magnusson, M., Matamoros, AA & Vehtari, A. Unsicherheit im bayesianischen Leave-One-Out-Kreuzvalidierungsmodellvergleich. Vorabdruck unter http://arxiv.org/abs/2008.10296 (2022).

Gronau, QF, Singmann, H. & Wagenmakers, E.-J. Bridgesampling: Ein R-Paket zum Schätzen von Normalisierungskonstanten. J. Stat. Weich. 92, 1–29 (2020).

Artikel Google Scholar

Referenzen herunterladen

Diese Arbeit wurde zum Teil vom Office of Naval Research N00014-20-1-2074 der DB und zum Teil vom Office of Naval Research Grant N00014-17-1-2049 der CSG unterstützt. Die Finanzierungsquellen waren nicht direkt am Studiendesign und der Datenerfassung beteiligt , Analyse, Manuskripterstellung oder jede andere direkte Beteiligung an dieser Forschung.

Universität Genf, Genf, Schweiz

Aaron Cochrane & Daphne Bavelier

Campus Biotech, Genf, Schweiz

Aaron Cochrane & Daphne Bavelier

Brown University, Providence, Rhode Island, USA

Aaron Cochrane

Rensselaer Polytechnic Institute, Troy, NY, USA

Chris R. Sims

Hamilton College, Clinton, NY, USA

Vikranth R. Bejjanki

University of Wisconsin – Madison, Madison, WI, USA

C. Shawn Green

Sie können diesen Autor auch in PubMed Google Scholar suchen

AC führte Datenanalysen und Manuskripterstellung durch. CSG und DB berieten bei Datenanalysen und Manuskripterstellung. CS und VRB führten vorläufige Datenanalysen durch und kommentierten das vorbereitete Manuskript. Alle Autoren stimmten dem endgültigen Manuskript zu.

Korrespondenz mit Aaron Cochrane.

Die Autoren erklären keine konkurrierenden finanziellen Interessen, sondern die folgenden konkurrierenden nichtfinanziellen Interessen: DB ist Gründungsmitglied von Akili Interactive, Boston.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Cochrane, A., Sims, CR, Bejjanki, VR et al. Mehrere Zeitskalen des Lernens, angezeigt durch Veränderungen in Beweisansammlungsprozessen während der wahrnehmungsbezogenen Entscheidungsfindung. npj Sci. Lernen. 8, 19 (2023). https://doi.org/10.1038/s41539-023-00168-9

Zitat herunterladen

Eingegangen: 12. September 2022

Angenommen: 15. Mai 2023

Veröffentlicht: 08. Juni 2023

DOI: https://doi.org/10.1038/s41539-023-00168-9

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt