2대체강제선택

2 대안 강제 선택(2AFC)은 특정 감각 입력, 자극에 대한 사람, 어린이 또는 동물의 민감도를 측정하는 방법이다. 관찰자의 선택 패턴과 두 가지 버전의 감각 입력에 대한 응답 시간을 통해 말이다. 예를 들어, 희미한 빛에 대한 사람의 민감도를 결정하기 위해 관찰자는 희미한 빛이 표시장치 상단 또는 하단에 랜덤하게 있는 일련의 실험을 받게 될 것이다. 각 시험 후에 관찰자는 "상단" 또는 "하단"으로 응답한다. 관찰자는 「모른다」, 「모르겠다」, 「아무것도 보지 않았다」라고 말할 수 없다. 그런 점에서 관찰자의 선택은 두 대안 사이에서 강요된다.

두 옵션 모두 동시에(위의 예와 같이) 또는 순차적으로 두 개의 구간(이중간 강제선택, 2IFC라고도 한다)으로 표시할 수 있다. 예를 들어, 2간격 강제 선택 절차에서 희미한 빛에 대한 Sensisability를 결정하기 위해, 관찰자에게 첫 번째 또는 두 번째 간격에 임의로 희미한 빛이 표시되는 두 개의 하위 트라이얼(간격)으로 구성된 일련의 시험을 제공할 수 있다. 각각의 실험이 끝난 후, 관찰자는 "첫" 또는 "두 번째"만 응답한다.

2AFC라는 용어는 흔히 예스-노 과제를 설명하기 위해 잘못 사용되는데, 관찰자는 어떤 시험에서는 자극을 무작위로 제시하지만 다른 시험에서는 그렇지 않다. 관찰자는 각 시험 후에 "예" 또는 "아니오"로만 응답한다. 예스-노(Yes-No) 과제 결과는 2AFC 과제보다 다양한 대응 편향의 영향을 받을 가능성이 훨씬 높다. 예를 들어, 극도로 어두운 조명으로, 사람은 모든 실험에 대해 완전히 진실하게 "아니오"(즉, "나는 어떤 빛도 보지 못했다")라고 응답할 수 있지만, 반면에, 2AFC 작업의 결과는 그 사람이 동일한 극도로 어두운 조명의 위치(위 또는 아래)를 신뢰할 수 있게 결정할 수 있다는 것을 보여줄 것이다.

2AFC는 구스타프 테오도르 페치너가 개발한 정신물리학 방법이다.^[1]

행동 실험

업무의 설계에는 다양한 조작이 있으며, 선택의 특정한 행동 역학을 시험하도록 설계된다. 주의력 이동을 조사하는 잘 알려진 주의력 실험에서 포스너 큐잉 작업에서는 2AFC 설계를 사용하여 주어진 두 위치를 나타내는 두 개의 자극을 제시한다.^[2] 이 설계에는 어떤 자극(위치)에 참석해야 하는지를 나타내는 화살표가 있다. 그러면 사람은 두 자극(로케이션) 사이에서 유도될 때 반응을 해야 한다. 동물에서, 2AFC 과제는 예를 들어 시험 강화 후 비둘기 선택과 같은 강화 확률 학습을 테스트하기 위해 사용되어 왔다.^[3] 또한 2AFC 과제는 원숭이의 의사 결정과 보상 및 확률 학습의 상호작용을 시험하도록 설계되었다.^[4]

원숭이는 중추 자극을 관찰하도록 훈련을 받은 후 두 가지 두드러진 자극을 나란히 받았다. 그리고 나서 반응은 왼쪽이나 오른쪽 자극에 대한 사카드의 형태로 이루어질 수 있다. 그리고 나서 각 반응 후에 주스 보상이 시행된다. 주스 보상의 양은 선택에 따라 달라진다.

다른 애플리케이션에서, 2AFC는 움직임 인식의 차별성을 시험하도록 설계되었다. 무작위 도트 운동 일관성 태스크는 무작위 도트 키네토그램을 도입하며, 순 일관성 운동 비율이 무작위 도트 전체에 분포한다.^[5][6] 점들이 주어진 방향으로 함께 움직이는 비율은 방향을 향한 움직임의 일관성을 결정한다. 대부분의 실험에서 참가자는 두 방향의 운동(예: 위 또는 아래) 사이에서 선택 응답을 해야 하며, 이는 보통 사카데나 버튼 누름과 같은 운동 반응으로 표시된다.

의사 결정의 편견

2AFC 과제에서 의사결정에 편견을 도입하는 것이 가능하다. 예를 들어, 한 자극이 다른 자극보다 더 빈번하게 발생하는 경우, 자극에 노출되는 빈도는 대안 발생 가능성에 대한 참가자의 믿음에 영향을 미칠 수 있다.^[4][7] 2AFC 과제에 편견을 도입하는 것은 의사결정을 수정하고 기본 프로세스를 검토하는데 사용된다.

의사결정 모델

2AFC 과제는 의사결정에 대해 일관된 행동 결과를 산출했고, 이는 의사결정의 역학 및 결과의 이론적, 계산적 모델의 개발로 이어졌다.^{[8][9][10][11][12][13][14][15][16][17]}

정규 분포 모형

2AFC 과제에서$$ 두$$ ${\displaystyle {자극\mathrm{}}_{}}$ $x{\displaystyle {}_{}}$ 1 ${\$} $및{\displaystyle {}_{}}$ x ${\displaystyle {2\mathrm{}}_{}}$ ${\$ ${\displaystyle a}$ 및 $b$ ${\displaystyle b}$의 두 가지 범주의 랜덤 변수라고 가정하고$,$ 어떤 것이었는지를 결정하는 것이 과제라고 가정합시다. A common model is to assume that the stimuli came from normal distributions ${\displaystyle N(\mu _{a},\sigma _{a})}$ and ${\displaystyle N(\mu _{b},\sigma _{b})}$. Under this normal model, the optimal decision strategy (of the ideal observer) is to decide which of two bivariate normal di침전물은 튜플 $x{\displaystyle {}_{}}$ ${\displaystyle {1\mathrm{}}_{}}$,${\displaystyle {}_{}{x\mathrm{}}_{}}$ 2 ${\$}}$$: ${\displaystyle a}$ $및$ $b{\displaystyle }$ ${\displaystyle b$ 또는$$ $b{\displaystyle }$ ${\displaystyle b}$ 및 ${\displaystytle a}$의 공동 분포를 생성할 가능성이 더 높다$.$^[18]

오류의 이러한 이상적인 결정 전략으로 그 확률 일반 chi-square 분포:p(e))p(χ일 w, k, λ, 0,02)<>, w-0{\displaystyle p(e)=p\left({\tilde{\chi}}_{{\boldsymbol{w}},{\boldsymbol{k}},{\boldsymbol{\lambda}},0,0}^{2}\right)<0}에 의해 경우 2σ 주어진다. −σ b2 뻗는다, k=[11], λ-12− σ b2[σ 2σ b2]σ. − μ bμ{\displaystyle{\boldsymbol{w}}={\begin{bmatrix}\sigma _{를}^{2}&, -\sigma _{b}^{2}\end{bmatrix}},\,{\boldsymbol{k}}={\begin{bmatrix}1&, 1\end{bmatrix}},\,{\boldsymbol{\lambda}}){\frac{\mu다.{를}-\mu$_{b}}{b}}{a}^-{a}-\bma _{b}^{2}}:{\bmatrix}\bma _{a}^{2}&\bma _{b}^{2}\end{bmatrix}}}}.$$}$

이 모델은 또한 두 자극 각각 그 자체가 다변량 정규 벡터인 경우, 그리고 또한 두 범주의 사전 확률이 다르거나 가능한 결과에 부착된 다른 값으로 인해 결정이 편향된 상황까지 확장될 수 있다.^[18]

드리프트-디퓨전 모델

일반적으로 2AFC를 사용하여 계산 모델에 의해 만들어진 세 가지 가정이 있다.

i) 각 대안을 선호하는 증거는 시간이 지남에 따라 통합되고, ii) 프로세스는 무작위 변동에 노출되며, iii) 충분한 증거가 축적되어 한 대안을 다른 대안보다 선호할 때 결정을 내린다.

— Bogacz et al., The Physics of Optimal Decision Making^[7]

일반적으로 각 대안을 선호하는 증거의 차이는 시간에 따라 추적된 수량이며, 이는 궁극적으로 결정을 알려주는 것이라고 가정하지만, 다른 대안에 대한 증거는 별도로 추적될 수 있다.^[7]

드리프트-확산 모델(DDM)은 잘 정의된^[19] 모델로서, 2AFC에 대해 최적의 의사결정 정책을 구현하기 위해 제안된다.^[20] 무작위 보행 모델의 연속적인 아날로그다.^[7] DDM은 2AFC 과제에서 주체가 각 단계마다 한 가지 또는 다른 대안에 대한 증거를 축적하고 결정 문턱에 도달할 때까지 증거를 통합하는 것으로 가정한다. 증거를 구성하는 감각적 입력이 시끄러우므로, 문턱까지 누적되는 것은 결정론적이기 보다는 확률적이기 때문에 지시된 무작위 보행과 같은 행동이 발생한다. 표류 확산 모델은 2AFC 과제에 대한 인간 데이터의 정확도와 반응 시간을 기술하는 것으로 나타났다.^[13][19]

형식 모델

DDM에서의 증거 축적은 다음 공식에 따라 관리된다.

${\displaystyle dx=Adt+cdW\ ,\x(0)=0}$^[7]

0시, 누적된 증거 x는 0과 동일하게 설정된다. 각 단계마다 2AFC의 두 가지 가능성 중 하나에 대해 일부 증거 A가 축적된다. A는 정확한 응답이 상한 임계값으로 표시되면 양이고, 하한이면 음이다. 또한 입력 시 노이즈를 나타내기 위해 소음 용어인 cdW가 추가된다. 평균적으로 소음은 0으로 통합된다.^[7] 확장 DDM을^[13] 사용하면 별도의 $분포$에서 A ${\displaystyle A}$과(와$)$ (${\displaystyle 0}$){\$displaystyle$ x $(0)}$의 시작 값을 선택할 수 있으므로 정확도와 반응 시간 모두에 대한 실험 데이터에 더 잘 적합할 수 있다.^[21][22]

기타 모델

올슈타인-울렌벡 모델

올슈타인-Uhlenbeck 모델은^[14] 현재 증거 축적에 따라 다른 용어인 $\lambda {\displaystyle }$ ${\displaystyle \lambda$ $\}$을 추가함으로써 DDM을 확장한다. 이는 처음에 선호하는 옵션에 대한 누적 비율을 증가시키는 순효과를 갖는다.

${\displaystyle dx\ =\ (\lambda x+A)dt\ +\cdW}$^[7]

레이스 모델

경기 모델에서,^[11][12][23] 각 대안에 대한 증거는 별도로 축적되며, 축전지 중 하나가 미리 정해진 임계값에 도달했을 때 또는 결정이 강제되었을 때 그리고 나서 가장 높은 증거를 가진 축전지와 관련된 결정을 선택한다. 이를 공식적으로 나타내는 것은 다음과 같다.

${\displaystyle {\displaysty}dy_{\text{1}}\ =\ I_{\text{1}}dt\ +\ cdW_{\text{1}}\\dy_{\text{2}}\ =\ I_{\text{2}}dt\ +\ cdW_{\text{2}}\end{aligned}},\quad y_{\text{1}}(0)\ =\ y_{\text{2}}(0)=0}$^[7]

경주 모델은 DDM으로 수학적으로 축소할 수 없으므로 최적의 의사결정 절차를 구현하는 데 사용할 수 없다.^[7]

상호억제모형

상호 억제 모델도^[16] 경주 모델과 마찬가지로 증거 축적을 모형화하기 위해 두 개의 축전지를 사용한다. 이 모델에서 두 축전지는 서로에게 억제 효과를 가지고 있으므로, 하나의 증거가 축적됨에 따라 다른 하나의 축적에 증거 축적을 감쇠시킨다. 또한 누수 축전기를 사용하므로 시간이 지남에 따라 누적된 증거가 디케이(decay)되는데, 이는 한 방향으로의 짧은 증거 실행에 기초하여 하나의 대안을 향해 폭주하는 축적을 방지하는 데 도움이 된다. 공식적으로 이는 다음과 같이 보여질 수 있다.

${\displaystyle {\displaysty}dy_{\text{1}}\ =\(-ky_{\text{1}-{1}-message_{\text{2}}+I_{\text{1}dt\ +\cdW_{\text{1}\cdW}\{\text{1}\dy_{\text{2}}\\\-ky_{2}}-wy_{\text{1}}}+I_{\text{2}}:dt\ +\cdW_{\text{2}}\end{aigned},\quad y_{\text{1}:{\text{1}}\y_{\text}}}=0}$^[7]

여기서 $k{\displaystyle }$ ${\displaystyle k}$은 축전지의 공유 붕괴율이고 $w{\displaystyle }$ ${\displaystyle w}$은 상호 억제율이다.

피드포워드 억제 모델

피드포워드 억제 모델은^[24] 상호 억제 모델과 유사하지만, 다른 축전지의 현재 값에 의해 억제되는 대신, 각 축전지는 다른 축전지에 대한 입력의 일부에 의해 억제된다. 다음과 같이 공식적으로 언급할 수 있다.

${\displaystyle {\displaysty}dy_{\text{1}}\ =\ I_{\text{1}dt\ +\cdW_{\text{1}\\cdW_{\text{1}\ -\ u(I_{\text{2}}dt\ +\cdW_{\text{\text}2}})\\dy_{\text{2}}\ =\ I_{\text{2}}dt\ +\ cdW_{\text{2}}\ -\ u(I_{\text{1}}dt\ +\ cdW_{\text{1}})\end{aligned}},\quad y_{\text{1}}(0)\ =\ y_{\text{2}}(0)=0}$^[7]

여기서 $u{\displaystyle }$ ${\displaystyle u}$은(는) 대체 축전지를 억제하는 축전지 입력의 일부분이다.

풀링 억제 모델

Wang은^[25] 세 번째 붕괴 축전지가 의사결정에 사용되는 축전지의 축적에 의해 구동되는 풀링 억제 모델을 제안했고, 여기에는 상호 억제 모델에 사용된 축전지와 더불어 각각의 결정 추진 축전지가 현재 값에 기초하여 자체 강화된다. 다음과 같이 공식적으로 언급할 수 있다.

${\displaystyle {\displaysty}dy_{\text{1}}\ =\(-ky_{\text{1}-{1}-context_{\text{3).}}}+vy_{\text{1}+I_{\text{1}dt\ +\cdW_{\text{1}}\\dy_{\text{2}}\\-ky_{2}}-wy_{\text{3}2}}+vy_{\text{2}}+I_{\text{2}})dt\ +\cdW_{\text{2}}\\dy_{\text{3}}}\ =\(-k_{\text}}y_{\text}}{\text{3)}}}+w'(y_{\text{1).}}}+y_{\text{2}}))dt\end{aigned}}$^[7]

세 번째 축전지는 독립적인 붕괴 계수인 k ${\displaystyle {\text{inh}}_{}}$ ${\$을(를) 가지며 $w{\displaystyle {}^{}}$ ${\displaystyle {\prime }^{}}$ ${\$에 의해 변조된 속도로 다른 두 축전지의 현재 값에 기초하여 증가한다$.$

신경은 의사 결정의 상관 관계

뇌영역

두정엽에서 원숭이의 측면 내피질(LIP) 뉴런 발화율은 이 영역이 2AFC의 의사결정에 관여한다는 것을 암시하는 움직임 방향의 선택 반응을 예측했다.^[4][24][26]

붉은털원숭이의 LIP 뉴런에서 기록된 신경 데이터는 2AFC 과제에 사용되는 두 방향에 민감한 선택적 뉴런 집단의 발화율이 자극 개시시 발화율을 증가시키고, 뉴런 집단의 평균 활성도가 올바른 반응의 방향으로 치우쳐 있기 때문에 DDM을 지지한다.^{[24][27][28][29]} 또한, 각 2AFC 과제의 결정 경계로 뉴런 스파이킹 속도의 고정된 임계값이 사용되는 것으로 보인다.^[30]

참고 항목

• 선택 모델링
• 초이스 세트
• 줄리언 로터

참조