Múltiplas escalas de tempo de aprendizagem indicadas por mudanças nas evidências
npj Science of Learning volume 8, Número do artigo: 19 (2023) Cite este artigo
64 Acessos
Detalhes das métricas
Os modelos de acumulação de evidências permitiram grandes avanços em nossa compreensão da tomada de decisões, mas sua aplicação para examinar o aprendizado não tem sido comum. Usando dados de participantes que concluíram uma tarefa dinâmica de discriminação de direção de movimento de ponto aleatório ao longo de quatro dias, caracterizamos alterações em dois componentes da tomada de decisão perceptiva (taxa de deriva do modelo de difusão de deriva e limite de resposta). Modelos de aprendizado contínuo foram aplicados para caracterizar trajetórias de mudança de desempenho, com diferentes modelos permitindo dinâmicas variadas. O modelo de melhor ajuste incluiu a variação da taxa de deriva como uma função exponencial contínua do número de tentativas cumulativo. Em contraste, o limite de resposta mudou dentro de cada sessão diária, mas de maneira independente ao longo das sessões diárias. Nossos resultados destacam dois processos diferentes subjacentes ao padrão de comportamento observado em toda a trajetória de aprendizagem, um envolvendo um ajuste contínuo da sensibilidade perceptiva e outro processo mais variável que descreve o limiar dos participantes quando há evidências suficientes para agir.
A aprendizagem ocorre em quase todos os comportamentos que os seres humanos realizam, desde tarefas cognitivas ou motoras complexas até discriminações perceptivas básicas. Compreender os processos responsáveis pela aprendizagem, portanto, tem implicações para a maioria das ações humanas em contextos que vão desde a educação até a reabilitação1,2. Surpreendentemente, então, a pesquisa sobre processos de aprendizagem muitas vezes tende a ser limitada de várias maneiras. Em primeiro lugar, é bastante comum que a pesquisa sobre aprendizagem se concentre exclusivamente na precisão ou identidade das escolhas3,4 ou no tempo necessário para fazer escolhas (ou seja, tempo de resposta ou RT5,6). Isso ocorre apesar de uma vasta quantidade de pesquisas mostrando que inferências mais ricas sobre os processos em questão tornam-se possíveis quando se considera tanto a velocidade das decisões quanto sua precisão em combinação7,8,9,10. Em segundo lugar, no conjunto limitado de casos em que TR e precisão foram considerados em estudos de aprendizagem, a modelagem quase sempre envolveu agregação substancial entre os participantes e/ou testes de aprendizagem. Freqüentemente, um modelo estacionário separado é ajustado para todas as tentativas de cada sessão de aprendizado individual ou "bloco" de tentativas e, em seguida, o aprendizado é examinado por meio de diferenças nos parâmetros do modelo de sessão para sessão (ou bloco para bloco). Essa agregação permanece comum, apesar de pesquisas mostrarem que pode ser teórica e empiricamente desaconselhável, pois pode levar a inferências perdidas ou errôneas sobre os processos de aprendizagem subjacentes11,12,13. Abaixo, revisamos brevemente (A) abordagens de modelagem para vincular RT e precisão e seu uso anterior na avaliação da aprendizagem no domínio perceptivo e (B) abordagens de tempo contínuo e participante individual para avaliar a aprendizagem no domínio perceptivo, a fim de motivam a necessidade de combinar essas duas abordagens em uma única estrutura. Essa abordagem combinada nos permite abordar questões-chave relacionadas à maneira como aspectos específicos do processo de tomada de decisão perceptual (por exemplo, com que rapidez as evidências perceptuais se acumulam, quanta evidência é necessária antes de desencadear uma resposta) mudam ao longo do tempo em uma sessão múltipla estudo da aprendizagem perceptiva.
O modelo mais proeminente que liga TR e escolha discreta (por exemplo, precisão) conceitua comportamentos como resultado do acúmulo ruidoso de evidências até que um limite de decisão seja alcançado7,9,10,14. Por exemplo, considere uma tarefa em que os participantes visualizam um campo de pontos em movimento (consulte a Fig. 1 complementar). Em cada tentativa, 15% dos pontos se movem coerentemente para a esquerda ou para a direita, enquanto o restante dos pontos se move aleatoriamente. A tarefa dos participantes é, da forma mais rápida e precisa possível, indicar se os pontos em movimento coerente estão se movendo para a esquerda ou para a direita. Sob uma abordagem de modelagem de acumuladores, o sistema perceptivo acumula continuamente evidências em favor das respectivas alternativas (esquerda ou direita), até que a quantidade de evidências em favor de uma das alternativas atinja algum limite, ponto em que a decisão dada é tomada. Este modelo é formalmente definido por um processo de difusão de Wiener limitado9,10. O resultante Drift Diffusion Model (DDM) é caracterizado por quatro parâmetros (ver Fig. 1). Em duas escolhas forçadas alternativas, a evidência começa a acumular em um ponto de viés e prossegue com um ruído constante e uma taxa de desvio (DR) até atingir um limite, com a distância entre os limites sendo definida por um parâmetro de limite de resposta (RB). Um último parâmetro é um valor aditivo ao RT que é teoricamente independente do processo de acumulação de evidências (tempo de não decisão; NDT). Estimar esses parâmetros usando métodos bayesianos hierárquicos tem se tornado cada vez mais comum, o que formula a estimativa do parâmetro DDM como regressão generalizada de efeitos mistos ajustada às distribuições conjuntas de RT e precisão8,15,16. Aqui implementamos métodos semelhantes usando Stan17,18,19.