Hvordan håndtere forurensede responstider i valg- og reaksjonstidsmodeller?

Modellen vi har utviklet har konvergert, men den gir et klart problem: Estimatet for den ikke-beslutningstiden, $T_0$, er mindre enn 12 millisekunder. Dette er fysiologisk umulig, da forskning på øye-hjerne-lag (Clark, Fan, og Hillyard 1994) viser at forsinkelsen mellom stimulussignalet som mottas på retina og den prosesseringen i hjernen er minst 50 millisekunder. I tillegg er det nødvendig å initiere en motorisk respons, som også tar minst 100 millisekunder. Hvordan kan det da være mulig at modellen gir en så ekstremt rask ikke-beslutningstid? Årsaken er at parameteren $T_0$ kun er begrenset til verdier mellom null og den korteste reaksjonstiden. For å forstå om dette er realistisk, er det viktig å vurdere hva som er den korteste reaksjonstiden i datasettet og hvor mange observasjoner som er under 150 millisekunder.

Først må vi sjekke hva den korteste reaksjonstiden er i datasettet og hvordan dataene fordeler seg rundt dette. Ved å utføre analysen finner vi at de korteste reaksjonstidene er på 16 millisekunder, og at det er svært få observasjoner (kun to) som ligger under 150 millisekunder. Dette antyder at noen reaksjoner er initiert før stimulansen ble presentert, noe som indikerer forurensede responstider. Det er altså behov for å håndtere disse unøyaktige eller tilfeldige reaksjonene.

Forurensede responstider, som kan være enten raskere eller langsommere enn forventet, kan forvrenge estimater og forårsake store problemer i dataanalysen. Ekstremt raske responstider som skyldes anticipering kan gjøre det umulig å estimere den ikke-beslutningstiden på en realistisk måte. En måte å håndtere dette problemet på, er å anta at observasjonene kommer fra en blanding av distribusjoner: én for den sekvensielle prøvetakingsmodellen (som i dette tilfellet er en log-normal race-modell) og én for en uniform distribusjon som er begrenset av den korteste og lengste reaksjonstiden observert i datasettet.

For å kunne modellere usikkerheten i dataene, kan vi bruke en blandingsmodell, som også lar oss ta hensyn til data som ikke er ekstremt forurenset, men som kanskje likevel stammer fra en ikke-gjennomsnittlig respons. I denne modellen brukes en uniform sannsynlighetsfordeling som representerer de forurensede reaksjonene, sammen med en Bernoulli-fordeling for å representere valget som ble gjort, hvor forurensede responser kan være tilfeldige og ikke nødvendigvis knyttet til et spesifikt valg.

En av de største utfordringene med denne tilnærmingen er at den forutsetter at forurensede responser er tilfeldig fordelt (uten noen spesifikk bias mot ord eller ikke-ord), og at de forekommer i et mindretall av tilfellene. Dette kan modelleres ved å bruke en beta-fordeling for å representere sannsynligheten for at en reaksjon er forurenset, og en log-normal fordeling for å modellere reaksjonstiden som følger den vanlige sekvensielle prosessen. Dette gjør at vi kan justere for $T_0$-verdier som ellers kan være urealistisk lave.

I tillegg til disse justeringene, er det også viktig å merke seg at forurensede responser kan føre til at vi får et urealistisk estimat for ikke-beslutningstiden $T_0$, og det er derfor nødvendig å sette priors på disse parameterne på en måte som "skubber" estimatene mot mer realistiske verdier. For eksempel kan vi bruke en log-normal prior for $T_0$ som strengt forhindrer at verdier kommer for nær null.

Når man bygger slike modeller, er det viktig å forstå at håndtering av forurensede responser er en kompleks, men avgjørende del av prosessen for å oppnå pålitelige og realistiske estimater for valg- og reaksjonstider i psykologisk forskning.

Hvordan modellere responstider i kognitive eksperimenter?

Når man arbeider med kognitive eksperimenter, er det viktig å forstå hvordan forskjellige modeller kan brukes for å analysere responstider. Responstider, som ofte blir sett på som en indirekte mål for kognitive prosesser, har lenge vært et sentralt tema innen psykologi og nevrovitenskap. Hvordan disse tidene varierer, og hvordan de kan knyttes til underliggende prosesser som oppmerksomhet, hukommelse og beslutningstaking, har vært studert i mange år. En betydelig utfordring ligger i hvordan man skal modellere disse variasjonene på en robust og meningsfull måte.

Det finnes et bredt spekter av metoder for å analysere responstider, fra klassiske til mer moderne statistiske tilnærminger. Et eksempel på det sistnevnte er Multinomial Processing Tree (MPT)-modellen, som lar oss lage detaljerte modeller for hvordan ulike kognitive prosesser bidrar til responstidens variasjon. Denne modellen kan for eksempel benyttes til å analysere hvordan tid brukt på ulike stadier i en beslutningsprosess (som oppmerksomhet, vurdering og reaksjon) påvirker den totale responstiden.

Et annet viktig aspekt ved modelleringen av responstider er det faktum at responstidens fordeling ikke nødvendigvis følger en enkel, normal fordeling. I mange tilfeller har man med skjevfordelinger å gjøre, der majoriteten av responsene er relativt raske, mens noen få svar tar uvanlig lang tid. Dette fenomenet kan for eksempel være et resultat av underliggende kognitive prosesser som er enten svært raske eller veldig trege, og derfor vanskelig å modellere ved hjelp av standard statistiske metoder.

For å overvinne dette problemet, har forskere utviklet utvidede versjoner av tradisjonelle modeller, som inkluderer flere parametere for å fange opp de ulike aspektene av responstiden. Et slikt verktøy er RT-MPT (Response Time Multinomial Processing Tree) modeller, som kan skille mellom ulike typer beslutningsprosesser og tilhørende responstider. Dette gjør det mulig å få en mer detaljert forståelse av hvordan prosessene som skjer i hodet vårt fører til de observerte responstidene. RT-MPT-modellen tar også hensyn til både diskrete valg og kontinuerlige tidsforløp, noe som gir en mer nøyaktig representasjon av den kognitive prosessen.

I tillegg til teoretiske modeller er det viktig å ta i betraktning den praktiske implementeringen av disse modellene. Dette inkluderer valg av programvare og verktøy som kan håndtere de nødvendige beregningene. Flere R-pakker, som for eksempel rtmpt for fitting av responstid-extended MPT-modeller, er utviklet for å gjøre slike analyser lettere tilgjengelige. Videre kan programvare som JASP gi en intuitiv brukeropplevelse for forskere som ønsker å implementere Bayesianske tilnærminger i sine analyser, inkludert modeller for responstid.

Det er også viktig å merke seg at ikke alle kognitive prosesser kan lett oversettes til en matematisk modell. En del av utfordringen ligger i hvordan man balanserer kompleksiteten i modellene med den nødvendige presisjonen. For eksempel kan modeller som er for enkle, overse viktige aspekter av prosessen, mens svært komplekse modeller kan bli vanskelig å tolke eller bruke effektivt i praktiske eksperimenter.

Det er også viktig å forstå at ikke alle delprosesser i en kognitiv oppgave er like raske eller like synlige i responstiden. Noen kognitive prosesser kan finne sted svært raskt, mens andre kan være mer tidskrevende, som for eksempel i tilfeller med kompleks beslutningstaking eller når det er behov for å hente frem informasjon fra langtidsminnet.

Sist men ikke minst, i lys av de nyeste forskningsframstegene, er det viktig å bruke modeller som ikke bare predikerer eller beskriver responstider, men som også gir innsikt i hvordan prosessene som fører til disse tidene kan optimaliseres. Dette er avgjørende for anvendelser som kognitiv trening, behandling av beslutningstaking i usikre situasjoner og til og med i design av menneske-maskin-interaksjonssystemer.

Hvordan utføre en meta-analyse av likhet-basert interferens i setningsforståelse

Meta-analyse gir et kraftig verktøy for å sammenstille data fra flere uavhengige studier og estimere den samlede effekten av en bestemt variabel. Et konkret eksempel på dette kan sees i Jäger, Engelmann, og Vasishth (2017), hvor de utfører en meta-analyse av likhet-basert interferens i setningsforståelse. I denne analysen undersøkes hvordan større likhet mellom to substantiver i en setning kan føre til økt bearbeidingsvanskeligheter, manifestert som lengre lesetider (i millisekunder) når man forsøker å hente ut ett av substantivene for å fullføre en språklig avhengighet (som et subjekt-verb-forhold).

Hensikten med meta-analysen er å beregne den posteriare distribusjonen av denne overordnede effekten, $\zeta$, som representerer den gjennomsnittlige effekten av likhet-basert interferens over alle studiene. Denne relasjonen kan uttrykkes som:

hvor $\tau$ representerer standardavviket mellom studiene, og beskriver variasjonen som finnes i de sanne effektene $\zeta_n$. Dette innebærer at vi antar at de forskjellige studiene kan variere i sine estimerte effekter på grunn av ulikheter i metodikk, deltakerne eller andre eksperimentelle faktorer.

I et hierarkisk rammeverk kan vi modellere denne situasjonen som følger:

Der $\zeta$ representerer den sanne, underliggende effekten, og $\tau$ er standardavviket mellom studiene. Det er viktig å merke seg at analysen av meta-data ofte krever at man setter priors for modellen, det vil si å angi en antatt verdi for effekten før man ser på dataene. I dette tilfellet er priors definert som normale fordelinger, der effekten $\zeta$ antas å ligge et sted mellom −200 og +200 ms med 95% sannsynlighet.

En nyttig bivirkning av en random-effects meta-analyse er muligheten til å bruke den beregnede posteriare distribusjonen som et informativt prior i fremtidige eksperimenter. Dette er særlig viktig når man benytter seg av Bayes-faktorer, som kan hjelpe til med å vurdere evidensen for ulike hypoteser i lys av tidligere resultater. Ved å bruke meta-analysens posteriori som et prior kan man bygge videre på eksisterende kunnskap i kommende studier.

Det er også viktig å være oppmerksom på eventuelle problemer som kan oppstå når ulike avhengige variabler brukes i samme meta-analyse. I det nevnte eksempelet er det brukt både selvstyrte lesetider og førstegangs lesetider fra øyetracking, som er to ulike målinger av lesehastighet. Selv om disse målingene er forskjellige, ble de betraktet som tilstrekkelig like i konteksten av denne meta-analysen, ettersom de begge gir et mål på tidsforskjellen mellom to betingelser, og derfor kan anses som et mål på effekten som ønskes analysert.

Når det gjelder implementering av meta-analysen i praksis, kan man bruke verktøy som brms i R for å tilpasse modellen og estimere de relevante parameterne. En viktig del av prosessen er å justere kontrollparametrene, som \text{adapt_delta} og \text{max_treedepth}, spesielt når man arbeider med et begrenset datasett og relativt uinformative priors.

Endtext