「ドリフト拡散モデル」の版間の差分

ドリフト拡散モデル (ソースを閲覧)

2021年8月25日 (水) 17:48時点における版

サイズ変更なし、 2021年8月25日 (水)

細

→‎適用事例

Kentaro Katahira

135

回編集

@@ 95行目: / 95行目: @@
 　ドリフト拡散モデルを用いることで，反応分布の形状の情報を利用することが可能となり，単純な平均反応時間の解析では取りこぼされていた情報を利用して詳細なプロセスを検討することができる。
-　例えば，開始点パラメータ<math>z</math>を増加させることと，ドリフト率<math>v</math>を増加させることはいずれも反応Aの選択確率を増加させ，その平均的な反応時間を短くする効果があるが，その反応時間分布の形状に与える影響が異なる。図3の左のパネルでは，開始点パラメータ<math>z</math>を固定し，ドリフト率を増加させている (実線が増加後)。この場合，反応Aの確率が高くなり，速い反応時間の密度が増加するため平均反応時間は短くなるが，反応時間の分布のピーク (最も密度が高くなる位置) はほとんど変化しない。一方，開始点パラメータ<math>z</math>を<math>a</math>に近づけた場合 (図3右) は，反応Aの反応時間分布のピークが速い時間帯にシフトし，分布の歪みが大きくなっている。
+　例えば，開始点パラメータ<math>z</math>を増加させることと，ドリフト率<math>v</math>を増加させることはいずれも反応Aの選択確率を増加させ，その平均的な反応時間を短くする効果があるが，その反応時間分布の形状に与える影響が異なる。図3の左のパネルでは，開始点パラメータ<math>z</math>を固定し，ドリフト率を増加させている (実線が増加後)。この場合，反応Aの確率が高くなり，速い反応時間の密度が増加するため平均反応時間は短くなるが，反応時間の分布のピーク (最も密度が高くなる位置) はほとんど変化しない。一方，開始点パラメータ<math>z</math>を<math>a</math>に近づけた場合 (図3右) は，反応Aの反応時間分布のピークが早い時間帯にシフトし，分布の歪みが大きくなっている。
 　ヒトやその他の動物の意思決定には，現在の感覚入力や過去の選択の結果のみならず，過去の選択履歴が次の選択に影響することが知られている。同じ選択を繰り返す傾向は選択の慣性 (inertia) や固執性 (perseverance) と呼ばれている<ref><pubmed>24333055</pubmed></ref>。そのような傾向はドリフト拡散モデルにおいてエビデンスの蓄積の開始点にバイアスを与えるという解釈が可能である。