Tiedot

Mikä yksinkertaisen päätöksenteon kokeilu meidän pitäisi suorittaa saadaksemme miljoona kokeilua?

Mikä yksinkertaisen päätöksenteon kokeilu meidän pitäisi suorittaa saadaksemme miljoona kokeilua?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Konteksti: Kognitiivisten prosessien mallit edellyttävät erittäin suurten tietojoukkojen asentamista. Valitettavasti yhden laboratorion on vaikea saavuttaa tämä yksin. Ehdotan, että työskentelemme yhdessä ja yhteistyössä yhden miljoonan RT -kokeen toteuttamiseksi. Tämä aloite on kuvattu ResearchGate -sivullani, www.researchgate.net/profile/Denis_Cousineau.

Mallin sovittamisen lisäksi tällaisesta aineistosta on hyötyä muihin tarkoituksiin. Esimerkkejä: Ovatko suorituskykyä kuvaavat parametrit normaalisti jakautuneet aiheiden kesken? Tarkoittaako harjoitusvaikutus-tuloksena nopeampi RT-että parametrit kehittyvät yhteen suuntaan? Onko Bayesin arvio todennäköisempää parametrien karakterisoinnissa kuin suurin todennäköisyys? Miten voimme arvioida päätösten ulkopuoliset ajat? Mikä on RT -jakaumien muoto ja miten harjoitusvaikutus muuttaa sen muotoa? Bayesissa, kuinka monen kokeen jälkeen prioreilla ei ole enää vaikutusta arvioihin? jne.

Tehtävän vaatimukset: Tehtävän tulee olla vain käyttäytymiseen perustuva (vasteajat ja vastausvaihtoehdot), koska EEG- tai fMRI -materiaalia ei ole mahdollista siirtää ympäri maailmaa. Tarkka tehtävä ei ole kriittinen este, koska nykyiset kognitiomallit (näytteenottomallit, kuten LBA tai diffuusio) ovat erittäin joustavia; niiden tavoitteena on ennustaa suorituskykyä monenlaisissa tilanteissa.

Ehdotettuja tehtäviä arvioidaan seuraavien kriteerien perusteella:

  • pieni määrä vastausvaihtoehtoja
  • muutamia ehtoja
  • alhaiset virhetasot
  • ärsykkeitä, joita voidaan luonnehtia mallinnustarkoituksiin
  • mahdollisuus laajentaa koulutusta tähän tehtävään.

Mahdollisia ehdokkaiden tehtäviä voivat olla: tarpeeton kohteen havaitsemistehtävä (Miller, 1982) tai samanlainen tehtävä (esim. Bamber, 1969). Nämä tehtävät ovat yksinkertaisia ​​ja tarkkuus on yleensä korkea (yli 90% oikein); ne suoritetaan mahdollisesti käyttämällä jonkinlaista rinnakkaisprosessointia; vasteajat ovat yleensä selvästi alle 700 ms.

Yhteenvetona siis:

Mikä tehtävä ja kokeellinen suunnittelu olisivat sopivimmat edellä mainitut rajoitukset huomioon ottaen?

Katsotaanpa, mitkä ovat mahdolliset tehtävät, kommentoi muiden ehdotuksia ja jos löydät täydellisen tehtävän, äänestä sitä. Pyydä kollegoitasi kommentoimaan tai ehdottamaan uusia tehtäviä.


En pidä ajatuksesta, että tehtävän pitäisi olla pieni virhe, mallinnuksen valinnassa tarvitaan virheitä. En pidä satunnaisesta pisteliikkeestä, koska yksilöissä on suuria eroja, joten on vaikea löytää yhteistä kalibrointipistettä ihmisten päälle. Mieluummin mieluummin määrällisyysarviointi, esim. Onko enemmän kuin alle 50% neliöalueesta (yleensä suuri määrä) sinistä tai oranssia? Voit tehdä taulukosta riittävän suuren saadaksesi hienovaraisen hallinnan vaikeuksista ja valita satunnaisesti, mitkä pikselit ovat jokaisessa värissä (tai kirkkaudessa) kussakin kehyksessä, jos haluat vaikeuttaa tiettyjen strategioiden käyttöä.


Pidän tästä ajatuksesta! Mielestäni tehtävän pitäisi olla sellainen, jossa tietoja voitaisiin käyttää monissa analyysityökaluissa. Tiedot eivät siis hyödyttäisi vain yhtä kysymystä, esimerkiksi parametriarviointeja, vaan myös muita työkaluja, kuten Systems Factorial Technology (katso Townsend & Nozawa, 1995), joka antaa syvemmän käsityksen taustalla olevista kognitiivisista aliprosesseista. arkkitehtuuria ja muuta mielenkiintoista tietoa, kuten prosessin kapasiteettia.

Ehdotan, että tehtävä kunnioittaa ainakin kaksinkertaista tekijäparadigmaa. Tämä malli on hyvin yksinkertainen: 2 x 2 -mallissa on neljä ehtoa, joissa voit muuttaa kahta muuttujaa. Se voi olla mikä tahansa muuttuja, ainoa rajoitus on, että sinun on vaihdeltava niitä itsenäisesti toisistaan. Toisin sanoen jokaisen muuttujan tulisi heijastaa kognitiivista aliprosessia. Yhdessä tilanteessa molemmat muuttujat ovat skenaariossa, jossa aliprosessin pitäisi toimia erittäin tehokkaasti (tai optimaalisesti). Toisessa tilanteessa molemmat muuttujat ovat skenaariossa, jossa aliprosessin pitäisi toimia vähemmän tehokkaasti (tai alioptimaalisesti). Ja kahdessa jäljellä olevassa tilanteessa yksi muuttuja toimii optimaalisesti ja toinen alioptimaalisesti, ja päinvastoin.

Mitä tulee tehtävän yksityiskohtiin, kuten käytettäviin ärsykkeisiin ja erityisiin muuttujiin, minulla ei ole asetuksia. Kirjaimet ovat hyvin muokattavissa, mutta ne sisältävät semanttista (enemmän tai vähemmän). Abstraktit ärsykkeet voivat toimia. Voisimme leikkiä väreillä, muodoilla, monimutkaisuudella jne. Psychonomicsissa tänä vuonna ne olivat monia kokeiluja, joissa käytettiin tätä mallia.

Viite viittaukseen: Townsend, J. T. & Nozawa, G. (1995). Elementation havaitsemisen spatiaaliset ja ajalliset ominaisuudet rinnakkais-, sarja- ja yhteistyöteorioiden tutkiminen. Journal of Mathematical Psychology, 39 (4), 321-359. doi: 10.1006/jmps.1995.1033


Vain muutama kommentti…

Koska yksi suuren tietojoukon eduista on suuri tilastollinen teho, saattaa olla hyvä idea käyttää tehtävää, jossa keskeinen vaikutus on ei on löydetty aiemmista tutkimuksista. Tämä antaisi taatun tuloksen: eli tärkeän nollatuloksen suuritehoisen testin.

Visuaalisen haun ponnahdusikkuna olisi yksi esimerkki (eli ei näytön koon vaikutusta), mutta tämä ei ole ihanteellinen, koska se rajoittaisi projektin mallinnuksen päättymistä. Toisin sanoen ei olisi liian hyödyllistä mallintaa useita olosuhteita, joilla on sama suorituskyky (tai lähes niin).

Parempi esimerkki olisi additiivitekijä-kokeilu (hieman kuten Marc-André Goulet ehdotti). Ehdottaisin yksinkertaista 2x2-mallia, jolle aiemmat tutkimukset olivat raportoineet teoreettisesti tärkeän tekijän additiivisuuden (eli ei-merkittävän vuorovaikutuksen). Suuri tutkimus antaisi suuritehoisen testin tyhjästä vuorovaikutuksesta. Ja niin kauan kuin molemmat päävaikutukset olivat läsnä, mallinnettavana oli neljä erillistä ehtoa. Tämä malli on myös mielenkiintoinen, koska tiedetään paljon olosuhteista, jotka RT -jakautumisten tulisi täyttää tietyissä malleissa (esimerkkejä, katso alla olevat viitteet).

Lopuksi: Tehtävän valitsemisen jälkeen voi olla erittäin hyödyllistä testata suunnitellut analyysit simuloiduista tiedoista, jotka ovat huomattavasti helpompia saada kuin todelliset tiedot. Tämä auttaisi selventämään hankkeen tarkat tavoitteet ja varmistamaan myös, että tavoitteet saavutetaan käyttämällä ehdotettua tietojoukkoa. Se voi myös auttaa paljastamaan, mitkä suunnitellun tehtävän/olosuhteiden osat olivat tarpeellisia informatiivisten tulosten saamiseksi (esim. Vähimmäistehokokot).

Viitteet

Cortese, J. M. & Dzhafarov, E. N. Vasteajan hajoamissääntöjen empiirinen toipuminen II. Sarja- ja rinnakkaisarkkitehtuurien erottamiskyky. Journal of Mathematical Psychology, 1996, 40, 203-218

Dzhafarov, E. N. & Cortese, J. M. Vasteajan hajoamissääntöjen empiirinen toipuminen I. Näytetason hajoamistestit. Journal of Mathematical Psychology, 1996, 40, 185-202

Dzhafarov, E. N. & Schweickert, R. Vasteaikojen hajoaminen: Lähes yleinen teoria. Journal of Mathematical Psychology, 1995, 39, 285-314

Roberts, S. & Sternberg, S.Aditiivisten reaktioaikavaikutusten merkitys: Kolmen vaihtoehdon testit. Teoksessa Meyer, D. E. & Kornblum, S. (toim.) Huomio ja esitys XIV. Synergioita kokeellisessa psykologiassa, tekoälyssä ja kognitiivisessa neurotieteessä., MIT Press, 1992, 611-653


Olen samaa mieltä Marc-Andrén kanssa: valituilla ärsykkeillä ei pitäisi olla semanttista yhteyttä (tai niin vähän kuin mahdollista), minkä vuoksi kannustan käyttämään väriltään vaihtelevia geometrisia muotoja. Lisäksi uskon, että tehtävän tulisi olla mahdollisimman yksinkertainen tietojen yleisen puhtauden edistämiseksi.

Kuten ehdotit, yksi tällainen tehtävä on redundantti attribuutin kohteen havaitsemistehtävä (Miller, 1982). Tässä tehtävässä osallistujia pyydetään pitämään mielessä kohteen mitat (esim. Sininen ja neliö), ja heti kun jokin ulottuvuuksista esitetään näytöllä, osallistujat vastaavat mahdollisimman nopeasti ja tarkasti. Tulokset ovat tyypillisesti nopeita, tarkkoja ja hieman vinoja - sopivia tähän aloitteeseen! Voisimme valita muutamia värejä ja muotoja (jos jatkamme tätä tehtävää) sekä mitä värien harmoniaa tulisi valita.

Lisäksi värit, jotka vaihtelevat "ilmeisyydessä", voivat mahdollisesti antaa meille paremman käsityksen tiettyjen mallien parametreista. Esimerkiksi ilmeisen sinisen pitäisi olla nopeampi RT kuin mykistetty sininen ja kunkin yksittäisen kanavan nopeusparametrin pitäisi heijastaa sitä (olettaen tietenkin, että nopeusparametri liittyy ollenkaan "ilmeisyyteen"). Olen erityisen kiinnostunut tästä näkökulmasta.

Vaikka siirtyminen/ei olisi hyvä tähän tehtävään, uskon myös vahvasti, että 2AFC -tehtävä antaisi paljon mielenkiintoisempia tuloksia ja 1 miljoonan RT -aloite voisi auttaa meitä todella ymmärtämään "rodun" kilpailumalleissa. Tämä voi olla yhtä yksinkertaista kuin tehtävän muuttaminen sellaiseksi, jossa tehdään päätöksiä "kohde läsnä" tai "kohde puuttuu". Selkeämpien RT -suuntausten avulla voimme toivottavasti kerätä tietoa mittojen riippumattomuudesta ja siitä, onko ilmaisimien välillä ylikuulumista.

Lisäksi tällaisten tietojen saaminen hyödyttäisi paitsi mallien sovittamista myös vakaampia arkkitehtuuri -analyysejä. Tämä puolestaan ​​auttaisi meitä saamaan konkreettisemman käsityksen yhteistyökykyisistä arkkitehtuureista (arkkitehtuuri, jota Miller, 1982 ehdotti, oli mukana tämän tyyppisissä tehtävissä), joita ei ole määritelty niin tarkasti kuin muut arkkitehtuurit (kuten Houpt & Townsend, 2011).

MUOKATA:

Houpt, J.W., & Townsend, J.T. (2011). SIC -ennusteiden laajentaminen Wienerin koaktiiviseen malliin. Journal of Mathematical Psychology, 55, 267-270

Miller J. (1982). Hajautettu huomio: Todisteita yhteistoiminnasta redundanttisten signaalien kanssa. Kognitiivinen psykologia, 14,247-279


Olen itse kiinnostunut saamaan tällaisen tietojoukon samaa eri tehtävää varten (Bamber, 1969). Vastaus on binäärinen (sama tai erilainen), tarkkuus on erittäin korkea ja sillä on oppiva vaikutus (ainakin lyhyellä aikavälillä). Ehtojen määrän osalta voisimme yksinkertaistaa alkuperäisen tehtävän siirtyä 14 ehdosta kahdeksaan seuraavilla tavoilla:

  • rajoittaa kirjainten lukumäärän neljään (1, 2, 3 ja 4 sijasta)
  • käyttämällä 1, 2 tai 4 kirjaimen ärsykkeitä ja joissa on 1 tai 2 täsmäystä kahden kirjaimen ärsykkeisiin ja 2 tai 4 ristiriitaa neljän kirjaimen ärsykkeisiin

Toinen vaihtoehto on lähinnä alkuperäistä. Ensimmäinen olisi kuitenkin erittäin informatiivinen neljän kirjaimen ehdosta, koska niistä on vähän tietoa kokeen suunnittelun vuoksi.


Koska monilla yksilöillä (enimmäkseen miehillä) on värien havaitsemisen poikkeavuuksia, voit välttää värejä; haluat myös yksinkertaisen tehtävän, jossa on "helppoja" ärsykkeitä, jotta kokeilujaksot ovat lyhyitä. Visuaalisen haun paradigmat ovat hyviä tähän. Toistan kehotuksen hankkeelle, jossa kokeellinen suunnittelu koskisi jotakin erityisen kiinnostavaa ja ihannetapauksessa sitä olisi vaikea käsitellä "vakiomallilla" (esim. 10 000 datapistettä 1 000 000 sijasta). Käsittelyaikojen jakauman arvioiminen epäsuorista toimenpiteistä pääteltyyn prosessiin voi olla mielenkiintoinen ongelma -alue.

PJ


Äänestän yksinkertaisen satunnaisen pisteliikkeen tehtävän puolesta. Tällä on seuraavat edut: 1. Ohjelmointi on helppoa. Se voidaan toimittaa verkon kautta javascriptin avulla, mikä tekee "monista laboratorioista" -näkökohdan helpoksi. 2. Se on hyvin tutkittu ja ymmärretty. 3. On helppo asettaa 5-vaiheiset koherenssitasot, jotka pyyhkäisevät lähes täyden tarkkuusalueen, sattuman tasosta 100%: iin. Tämä on tärkeää mallien erottamiseksi toisistaan.


Saanko kysyä, oletko ajatellut käyttää olemassa olevia suuria tietojoukkoja, kuten Project Implicitin tarjoamia? Tietojoukko.

(Valitettavasti näyttää siltä, ​​että Project Implicit ei ole tallentanut yksittäisiä datapisteitä, vaan pikemminkin laskettua 'vaikutusta' osallistujaa kohti).


Voinko ehdottaa tietojen keräämistä verkossa?

Uusimmilla selainteknologioilla RT: t ovat erittäin tarkkoja, 5 mikrosekunnin luokkaa (keskustelu). Jopa hieman vanhemmalla selaintekniikalla kerätyt RT: t voivat olla tarkkoja (viite).

On olemassa useita sivustoja, joissa ihmiset vapaaehtoisesti tekevät tutkimusta (keskustelua).

Tietojen kerääminen useilta sivustoilta on varmasti helpompaa, kun sijaintia kohden on aikaa.


Anna minun kyseenalaistaa asetuksesi:

Väitteesi, että tarvitset miljoonan datapisteen mallien erottamiseksi toisistaan, herättää kysymyksen siitä, harjoitatko edelleen pätevää tiedettä. Oletko varma, että mallien väliset erot ovat tieteellisesti riittävän mielenkiintoisia, jotta hirviöprojekti voisi yrittää erottaa ne toisistaan? Varsinkin jos tämä kaikki perustuu yhteen tehtävään. Olen varma, että tehtäväsi johtaa "voittavaan malliin". Mutta en ole varma, että se johtaa yleistettävään tieteelliseen näkemykseen.


Miljoona kokeilua ei todellakaan ole paljon. On monia tehtäviä, joissa voit kerätä 1000 kokeilua tunnissa. Kymmenen henkilön aihepaneelissa, jossa jokainen työskentelee 2 tuntia päivässä (10 tuntia viikossa), voit kerätä miljoona kokeilua 10 viikossa. Olettaen, että maksat 15 USD tunnissa, voit kerätä kaikki tiedot 15 000 USD: sta, mikä on pieni apuraha. Jos haluat ajaa kymmenen hengen paneelia, haluat mieluiten 3 testausasemaa ja RA: n suorittamaan asioita.


Käteinen vai luotto? Korvaus psykologian opinnoissa: motivaatiokysymykset

Holly J. Bowen, Elizabeth A. Kensinger Käteinen tai luotto? Korvaus psykologian opinnoissa: motivaatiokysymykset. Kollabra: Psykologia 1. tammikuuta 2017 3 (1): 12. doi: https://doi.org/10.1525/collabra.77

On yleinen käytäntö, että psykologian tutkijat rekrytoivat otoksensa osallistujista perustutkinto -opiskelijoista. Osallistujille maksetaan yleensä osittainen kurssiluotto tai rahamaksu. Nykyinen tutkimus paljastaa, että motivaatio osallistua tutkimukseen (käteinen vastaan ​​kurssiluotto) voi liittyä suoritukseen palkkatavan muistin käyttäytymistehtävässä. Kokeessa 1 perustutkinto -osanottajia rekrytoitiin ja heille maksettiin aika joko osittaisella kurssiluotolla tai käteisellä. Mahdolliset suoritusperusteiset rahapalkinnot ansaittiin palkkionmuistitehtävän aikana, jossa puolet ärsykkeiden oikea tunnistaminen oli korkean ja toinen puoli alhaisen palkkion arvoinen. Korkean palkkion kohteiden muisti oli parempi kuin matalan palkkion kohteet, mutta vain kassaryhmälle. Luottoryhmä ei muuttanut suorituksiaan ärsykkeiden arvon perusteella. Kokeessa 2 opiskelijoille maksettiin osittainen kurssipiste hyvityksestä ja heille annettiin mahdollisuus ansaita bonushyvitystä muistitestin suorittamisesta. Tulokset olivat yhdenmukaisia ​​kokeen 1 luottoryhmän tulosten kanssa, mikä viittaa siihen, että kokeilun 1 raharyhmän suorituskyvyn modulaatiota ei voida ottaa huomioon osallisuusmotivaation ja tehtävän suorittamisesta saatavan palkkion välisen yhdenmukaisuuden perusteella. Metodologisesti merkittävät havainnot osoittavat, että osallistujien rekrytointi ja korvaaminen käteisellä vastaan ​​kurssiluotto voi vaikuttaa palkitun muistitehtävän tuloksiin. Tämä tekijä on otettava huomioon palkitsemismotivaatiotutkimuksissa.


MENETELMÄT

Osallistujat

Kaksikymmentä tervettä vapaaehtoista (10 naista keski -ikä = 25,45 vuotta, SD = 4,5 vuotta) osallistui tämän tutkimuksen skannausosaan. Nämä samat 20 henkilöä osallistuivat myös käyttäytymisistuntoon selvittääkseen heidän kelpoisuutensa osallistua skannausosaan. Osallistujat antoivat tietoisen suostumuksensa ennen molempia istuntoja. Tutkimuksen hyväksyi Harvardin yliopiston eettinen komitea. Osallistujat ansaitsivat 35 dollaria skannausistunnosta ja 10 dollaria käyttäytymisistunnosta sekä suoritusperusteisen bonuksen molemmissa.

Lisäksi rekrytoimme 230 osallistujaa Amazon Mechanical Turk -verkkopalvelun avulla. Kaikille osallistujille annettiin tietoinen suostumus ja heille maksettiin osallistumisesta. Tämän tutkimuksen hyväksyi myös Harvardin yliopiston eettinen komitea.

Suunnittelu ja menettely: fMRI -koe

Seuraavassa kuvataan tehtävää, jonka osallistujat suorittivat skannauskokeessa. Kokeiluja oli kahdenlaisia: "päätökset" ja "mielikuvitus" (kuva 1). Lohko koostui viidestä päätöstutkimuksesta, joita seurasi yksi mielikuvituskoe ja jonka loppuun lisättiin yksi päätöskokeilu, koska olimme erityisen kiinnostuneita päätöksentekokokeista heti mielikuvituskokeen jälkeen. Ajo koostui kahdeksasta lohkosta. Osallistujat suorittivat viisi ajoa skannerissa. Useimmat osallistujat suorittivat kaikki viisi juoksua, mutta joillakin osallistujilla oli poikkeuksia juoksujen määrässä, ja jotkut osallistujat suorittivat vähemmän juoksuja kokeellisten häiriöiden vuoksi (kaksi osallistujaa: kaksi juoksua, yksi osallistuja: kolme juoksua, kaksi osallistujaa: neljä juoksua) ja jotkut alkuvaiheet osallistujat suorittivat enemmän lenkkejä, kun kokeilimme ensimmäistä kertaa (kolme osallistujaa: kuusi juoksua, yksi osallistuja: kahdeksan juoksua).

Kokeellinen suunnittelu. Tässä on esitetty fMRI -tutkimuksen suunnittelu, joka on identtinen käyttäytymistutkimusten suunnittelun kanssa, paitsi että ajoitus oli nopeampi käyttäytymistutkimuksissa (ks. Menetelmät) ja he käyttivät jatkuvaa palkkion ennustamista binaarisen tuomion sijasta. (A) Päätöskokeissa osallistujat kulkivat tilatilaa tekemällä kahden päätöksen sekvenssin, jota seurasi palkinto pääte tilassa. Tilansiirtymäkaavio näkyy oikealla värilliset nuolet vastaavat kunkin tilan käytettävissä olevia toimintoja. (B) Esimerkki palkitsemisjärjestyksestä. Jokainen rivi vastaa päätelaitetta. (C) Mielikuvituskokeissa osallistujat suorittivat tiettyjen päätetilojen saavuttamiseen tarvittavien toimien järjestyksen (näkyy oikealla) ja ennustivat sitten, olisiko palkinto suurempi tai pienempi kuin 0 tässä lopputilassa. Käyttäytymistutkimuksissa osallistujat tekivät jatkuvan numeerisen palkitsemisennusteen.

Kokeellinen suunnittelu. Tässä on esitetty fMRI -tutkimuksen rakenne, joka on identtinen käyttäytymistutkimusten suunnittelun kanssa, paitsi että ajoitus oli nopeampi käyttäytymistutkimuksissa (ks. Menetelmät) ja he käyttivät jatkuvaa palkkion ennustamista binaarisen tuomion sijasta. (A) Päätöskokeissa osallistujat kulkivat tilatilaa tekemällä kahden päätöksen sekvenssin, jota seurasi palkinto pääte tilassa. Tilansiirtymäkaavio näkyy oikealla värilliset nuolet vastaavat kunkin tilan käytettävissä olevia toimintoja. (B) Esimerkki palkitsemisjärjestyksestä. Jokainen rivi vastaa päätelaitetta. (C) Mielikuvituskokeissa osallistujat suorittivat tiettyjen päätetilojen saavuttamiseen tarvittavien toimien sarjan (näkyy oikealla) ja ennustivat sitten, olisiko palkinto suurempi tai pienempi kuin 0 tässä pääte tilassa. Käyttäytymistutkimuksissa osallistujat tekivät jatkuvan numeerisen palkitsemisennusteen.

Päätöstutkimuksissa osallistujat tekivät kaksi peräkkäistä päätöstä vasemmalta tai oikealta ja saivat palautetta jokaisen päätöksen jälkeen.Nämä vasemman- tai oikeanpuoleiset päätökset antoivat osallistujalle mahdollisuuden liikkua eri tiloissa. Jokainen koe alkoi samasta aloitustilasta. Siellä oli kaksi välitilaa (yksi vasemmalle, yksi oikealle) ja neljä päätetilaa (vasemmalle tai oikealle kummastakin toisen tason tilasta). Näitä tiloja edustivat mustavalkoiset kuvat esineistä tai kohtauksista. Siirtymät tilojen välillä olivat deterministisiä. Osoitimme osallistujille näiden tilojen siirtymärakenteen ennen kokeen alkua.

Päätöskokeet alkoivat siitä, että osallistuja näki ensimmäisen tilan ja sai kehotuksen pakotetusta valinnasta, kahdesta vaihtoehdosta (vasen tai oikea). Osallistujilla oli 1,5 sekuntia aikaa tehdä tämä päätös. Jos osallistujat eivät tehneet päätöstä, heille näytettiin kiinnitysristi kokeilulle jäljellä olevan ajan kuluessa (8 sekuntia ensimmäisen kuvan alkamisesta lopullisen palautteen loppuun). Ensimmäisen päätöksen jälkeen osallistujille annettiin palkintopalaute ja heille näytettiin välitilaan liittyvä kuva (yksi kahdesta mahdollisesta tilasta riippuen siitä, valitsivatko he vasemmalle vai oikealle). Palkintopalaute ensimmäisen päätöksen jälkeen oli aina 0 ja sitä näytettiin 1,5 sekuntia. Osallistujia kehotettiin sitten tekemään toinen pakotettu valinta vasemmalle/oikealle. Heillä oli 1,5 sekuntia aikaa tehdä tämä päätös. Jälleen, jos he eivät tehneet päätöstä, heille näytettiin kiinnitysristi oikeudenkäynnille jäljellä olevan ajan kuluessa. Toisen päätöksen tekemisen jälkeen osallistujille annettiin palkintopalaute ja heille näytettiin kuva, joka liittyi heidän valitsemaansa päätetilaan. Palaute kesti 1,5 sekuntia, ennen kuin osallistujille näytettiin kiinnitysristi 2–4 sekunnin värinälle, minkä jälkeen seuraava koe alkoi.

Taustalla olevat palkinnot määritettiin etukäteen jokaiselle kokeelle riippumatta osallistujan valitsemasta polusta. Taustalla oleva palkkarakenne määrittelee totuuden optimaalisen polun. Palkinnot luotiin satunnaisesti jokaisen uuden lohkon aikaan. Palkinnot jakautuivat symmetrisesti siten, että korkeimmat ja pienimmät palkinnot olivat samassa polkurakenteen haarassa (esim. Korkein ja pienin voitaisiin yhdistää kahteen päätetilaan, jotka ovat saavutettavissa vasemmasta välitilasta) ja keskimääräinen odotettu palkkio oli sama molemmissa välitiloissa. Suurin palkkio otettiin tasaisesta jakautumisesta välillä 15–25. Kaksi välipalkintoa otettiin tasaisesta jakaumasta välillä 0–10. Pienin palkinto otettiin tasaisesta jakaumasta –15 ja –5. Palkinnot nollataan keskimäärin joka 10 kokeessa (valitaan tasaisesti 8-12). Nämä palkinnot ajautuivat Gaussin satunnaisen kävelyn mukaan (SD = 0,5), kunnes seuraava nollaus tapahtui. Valitsimme tämän jakauman, joka oli puolueellinen tuottamaan keskimäärin positiivisia palkkioita, jotta osallistujat eivät turhautuisi kokeneensa paljon tappioita. Joillekin osallistujille (n = 39), puun vasemman ja oikean haaran keskimääräiset palkinnot sovitettiin yhteen (eli korkeimpien ja alimpien palkkioiden summa oli suunnilleen sama kuin kahden keskipalkinnon summa). Muiden osallistujien palkinnot olivat vertaansa vailla. Nämä palkintosekvenssit olivat laadullisesti samanlaisia, joten romahdimme eri sekvenssityyppien yli.

Mielikuvituskokeissa osallistujille näytettiin kuva, joka edustaa aloitustilaa ja kuva, joka edustaa yhtä päätelaitetta, ja nuoli osoittaa aloitustilasta päätetilaan. Päätelaite valittiin sattumanvaraisesti yhdestä kolmesta osavaltiosta, jotka eivät tarjonneet suurinta palkkiota. Osallistujia pyydettiin kuvittelemaan toimintojen järjestys, joka vie heidät aloitustilasta osoitettuun päätetilaan, ja osoittamaan sitten oikea vasemman tai oikean päätöksen järjestys (esim. Paina vasemmalle ja oikealle tai vasemmalle ja vasemmalle). Osallistujilla oli 4 sekuntia osoittaa oikea polku, ja 2–4 ​​sekuntia värinää seurasi kuvitellun polun osoittamisen jälkeen. Kiinnitysristiä ei ollut, jos osallistujat eivät tehneet päätöksiä. Osallistujia pyydettiin sitten ennustamaan, saako kuviteltu polku palkkion, joka oli enemmän tai vähemmän kuin nolla. Heillä oli 2,5 sekuntia aikaa vastata ja sitten heille annettiin 2–4 sekuntia värinää ennen seuraavan päätöksenteon alkamista.

Rekrytoimme ensin osallistujat osallistumaan kokeilun käyttäytymisosaan skannerin ulkopuolella. Tässä käyttäytymisistunnossa juoksu koostui kahdeksasta lohkosta, ja lopuksi lisättiin yksi päätöskoe. Jokainen osallistuja suoritti neljä juoksua. Osallistujat harjoittelivat tehtävää yhden kerran ennen varsinaisen kokeen aloittamista. Kun osallistuja oli suorittanut käyttäytymisistunnon, kehotimme heitä palaamaan skannausosalle, jos heidän tietonsa osoittivat suurempaa todennäköisyyttä valita kuvitettu polku päätöstutkimuksissa heti kuviteltujen kokeiden jälkeen (vaikutuksen perusta kokeessa 1). Tehtävän tähän käyttäytymisosaan osallistui 35 osallistujaa, joista 15 jätettiin skannauksen ulkopuolelle, koska joko he eivät osoittaneet vaikutusta tai he kieltäytyivät kutsusta palata skannausistuntoon (8 osallistujaa 35: stä ei osoittanut vaikutusta ja suljettu skannauksen ulkopuolelle vastaavasti 7 osallistujaa 35: stä hylkäsi kutsun palata skannausistuntoon). Vaikka valitsimme osallistujia skannaukseen mielikuvitusvaikutuksen perusteella, havaitsimme silti merkittävän vaikutuksen keskimäärin analysoitaessa kaikkia 35 osallistujaa. Yleisemmin Tulokset -osiossa raportoitu valintakäyttäytyminen oli määrällisesti ja laadullisesti muuttumaton, kun kaikki 35 osallistujaa otettiin mukaan.

Yksittäiset kokeet jätettiin käyttäytymis- ja mallianalyysien ulkopuolelle, jos osallistujat eivät päätyneet lopputilaan (eli he eivät tehneet kahta päätöstä).

Suunnittelu ja menettely: Käyttäytymiskokeet

Kokeessa 1 oli sama kokeellinen paradigma kuin edellä kuvatussa skannauskokeessa, paitsi että osallistujat tekivät jatkuvia (numeerisia) ennusteita mielikuvitustutkimuksessa. Yksittäiset kokeet suljettiin pois, jos osallistujat tekivät ennusteen, jonka absoluuttinen arvo oli suurempi tai yhtä suuri kuin 25. Lisäksi osallistujien oli ilmoitettava oikea kuviteltu polku ennen siirtymistä seuraavaan kokeeseen. Esimerkiksi, jos oikea päätösjakso jätettiin vasemmalle ja sitten oikealle, heitä kehotettiin toistamaan päätösjakso, kunnes he valitsivat oikean. Skannauskokeessa kuvatut aikarajoitukset lievenivät näissä kokeissa. Lohko koostui viidestä päätöskokeesta ja yhdestä mielikuvituskokeesta, ja lopuksi lisättiin yksi päätöskokeilu. Jokainen osallistuja esitti 31 lohkoa.

Koe 2 oli sama kuin edellä kuvattu koe 1, paitsi että kun osallistujat olivat tehneet ennustuksensa, he saivat todellisen palautteen kuviteltuun polkuun liittyvästä palkinnosta.

Koe 3 oli sama kuin edellä kuvattu koe 1, paitsi että osallistujia ei pyydetty kuvittelemaan polkua eikä osoittamaan päätöksiä päästäkseen sinne. He ennustivat vain tietyn päätelaitteen arvon.

Laskentamallien sovittaminen ja vertailu

Sovitamme Tulokset -osiossa kuvatut neljä laskentamallia päätöstestien valintatietoihin. Kunkin parametrin suurimman todennäköisyyden estimaatit saatiin kullekin osallistujalle erikseen käyttäen epälineaarista optimointia (MATLABin fmincon -funktio) viidellä satunnaisella alustuksella paikallisten optimaalien välttämiseksi parametri -estimaatteja, jotka saavuttivat suurimman todennäköisyyden satunnaisten alustusten välillä, käytettiin myöhemmissä analyyseissä. Asetimme parametreille seuraavat rajat: käänteinen lämpötila [0,10], oppimisprosentti [0,1], kelpoisuusjälki [0,1], mielikuvitusbonus [0,20] ja hajoamisen unohtaminen [1,3]. Parametreihin ei tehty muunnoksia mallin asennuksen aikana.

Malleja verrattiin käyttäen satunnaistehosteita Bayesin mallin vertailua (Rigoux, Stephan, Friston ja amp Daunizeau, 2014), joka arvioi kunkin malliluokan esiintyvyyden populaatiossa. Tämän menettelyn syöttö on lokimallitodisteet jokaiselle osallistujalle, jota arvioimme käyttämällä –0,5 × BIC, jossa BIC on Bayesin tietokriteeri. Käytimme mallien vertailumittarina ylityksen todennäköisyyttä (jälkimmäistä todennäköisyyttä, että tietty malli on yleisempää populaatiossa kuin muut tarkasteltavana olevat mallit).

FMRI -tietojen hankinta

Neurokuvatiedot kerättiin käyttämällä 3-T Siemens Magnetom Prisma MRI -skanneria (Siemens Healthcare, Erlangen, Saksa) ja myyjän 32-kanavaista pääkelaa. Anatomiset kuvat kerättiin T1-painotetulla monikanavaisella MPRAGE-sekvenssillä (176 sagittaaliviipaleiden toistoaika = 2530 msek kaikuajat = 1,64, 3,50, 5,36 ja 7,22 msek kääntökulma = 7 ° 1 mm 3 vokselin näkökenttä = 256 mm) . Kaikki BOLD-tiedot kerättiin T2*-painotetun EPI-pulssisekvenssin kautta, joka käytti monikaistaisia ​​RF-pulsseja ja samanaikaisen monileikkauksen (SMS) keräämistä (Xu et ai., 2013 Feinberg et ai., 2010 Moeller et al., 2010). Kuuden tehtävän aikana EPI -parametrit olivat seuraavat: 69 lomitettua aksiaalista -viistoa viipaletta (25 ° kohti koronaalia AC -PC -kohdistuksesta), toistoaika = 2000 ms, kaiun aika = 35 ms, kääntökulma = 80 °, 2,2 -mm 3 vokselia, näkökenttä = 207 mm ja SMS = 3. SMS-EPI-hankinnoissa käytettiin Minnesotan yliopiston CMRR-MB-pulssisekvenssiä.

FMRI -tietojen esikäsittely ja analyysi

Tietojen esikäsittely ja tilastolliset analyysit suoritettiin käyttämällä SPM12: tä (Wellcome Department of Imaging Neuroscience, Lontoo, Iso -Britannia). Funktionaaliset (EPI) kuvien tilavuudet muutettiin korjaamaan skannausten välillä esiintyviä pieniä liikkeitä. Tämä prosessi tuotti kohdistetun kuvasarjan ja keskimääräisen kuvan osallistujaa kohden. Kunkin osallistujan T1-painotettu rakenteellinen magneettikuvaus rekisteröitiin sitten uudelleen kohdistettujen kuvien keskiarvoon ja segmentoitiin erottamaan harmaa aine, joka normalisoitiin harmaaseen aineeseen mallikuvassa, joka perustuu Montrealin neurologisen instituutin viiteaivoihin. Tämän normalisointiprosessin parametreja käyttämällä toiminnalliset kuvat normalisoitiin Montrealin Neurological Institute -mallin mukaan (uudelleen näytteenotettu vokselin koko = 2 mm isotrooppinen) ja tasoitetaan 8 mm FWHM Gaussin ytimellä. Matalataajuisen kohinan poistamiseen käytettiin 1/128 Hz: n ylipäästösuodatinta, ja ajallisen autokorrelaation korjaamiseen käytettiin ensimmäisen kertaluvun autoregressiivistä mallia.

Määritelimme kaksi yleistä lineaarista mallia (GLM) fMRI -tietojen analysoimiseksi. Molemmat GLM: t sisälsivät ärsyketapahtumia (vihjeitä ja tuloksia) impulssiregregoreina, jotka liittyivät kanoniseen hemodynaamiseen vastefunktioon (HRF). GLM1: ssä boxcar -regressori määriteltiin koko mielikuvituskokeen ajan ja sen jälkeen se yhdistettiin kanonisen HRF: n kanssa. Mielikuvituskokeisiin arvioitiin erilliset regressiokertoimet, joita seurasi kuvitellun polun valinta, ja kokeita, joita seurasi optimaalisen polun valinta. GLM2 -ohjelmassa mielikuvituksen + unohtamisen mallin aikaeron ennustamisvirhe syötettiin parametriseksi modulaattoriksi päätöstutkimusten tulostapahtumille ja ortogonalisoitiin suhteessa tulostapahtuman regressoriin ja muodostettiin kanonisen HRF: n kanssa.

Ryhmätason tulokset analysoitiin käyttäen t ristiriidassa klusteripohjaisen FWE-kynnysarvon kanssa koko aivojen tasolla (s & lt .05) käyttämällä klusterin muodostuskynnystä s & lt .001.

Vatsan striatum-analyysissä käytimme kahdenvälistä anatomista naamiota, joka oli otettu automatisoidusta anatomisesta merkintäatlasista (Tzourio-Mazoyer et ai., 2002).


TULOKSET

Käyttäytymistiedot

Päätöstehtävän RT -arvot ja virhetasot on esitetty kuvassa 2, erikseen kokeille 1 ja 2. Väärät vastaukset ja poikkeamat (RT & gt 2.5*) SD, joka laskettiin erikseen kullekin osallistujalle ja koeolosuhteille) jätettiin RT -analyysin ulkopuolelle (keskimäärin 3,05 [SD = 1,43] ja 3,53 [SD = 1,30] poikkeamia osallistujia kohti kokeissa 1 ja 2, vastaavasti). Jos oletetaan, että määritteiden haku on peräkkäistä, TTB ennustaa, että RT: t lisääntyvät haettavien määritteiden lukumäärän funktiona (kun taas korvaava strategia ei ennusta tällaista lisäystä, vrt. Bergert & amp Nosofsky, 2007 Bröder & amp; Gaissmaier, 2007). Kuten voidaan nähdä, kasvu oli selvästi nähtävissä molemmissa kokeissa, mikä osoittaa, että osallistujat käyttivät TTB -strategiaa ohjeiden mukaisesti.

RT: t ja virhetasot (ts. Vastaukset, jotka poikkeavat TTB -heuristiikan mukaisista oikeista vastauksista) päätöstehtävässä, erikseen kokeille 1 ja 2 (virhepalkit ovat keskihajontoja osallistujien välillä). TTB-heuristiikan ennusteiden mukaisesti RT kasvoi haettavien määritteiden lukumäärän funktiona. Lisäksi virhetasot noudattivat samaa kaavaa, mikä osoitti, että mitä enemmän virheellisiä vastauksia tehtiin, sitä enemmän määritteitä oli haettava ja vertailtava.

RT: t ja virhetasot (ts. Vastaukset, jotka poikkeavat TTB -heuristiikan mukaisista oikeista vastauksista) päätöstehtävässä, erikseen kokeille 1 ja 2 (virhepalkit ovat keskihajontoja osallistujien välillä). TTB-heuristiikan ennusteiden mukaisesti RT kasvoi haettavien määritteiden lukumäärän funktiona. Lisäksi virhetasot noudattivat samaa kaavaa, mikä osoitti, että mitä enemmän virheellisiä vastauksia tehtiin, sitä enemmän määritteitä oli haettava ja vertailtava.

Toistettujen mittausten ANOVA-arvot osoittivat merkittäviä päävaikutuksia haettavien määritteiden määrään (lukuun ottamatta kontrolliehtoa), F(2, 32) = 133.98, s & lt .001 ɛ (Huynh & amp; Feldt, 1976 jälkeen) = .624 kokeelle 1 ja F(2, 28) = 69.70, s & lt .001 ɛ = .682 kokeelle 2. Suunniteltu t riippuvaisille näytteille tehdyt testit osoittivat, että RT: t olivat merkittävästi korkeammat kokeissa, joissa vaadittiin kahden määritteen noutamista, verrattuna yhteen määritteeseen, sekä kokeisiin, joissa vaadittiin kolmen tai neljän hakua, verrattuna kahteen määritteeseen. Lisäksi RT: t olivat pidempiä kokeissa, joissa vaadittiin yhden attribuutin hakemista, verrattuna kontrolleissa suoritettuihin kokeisiin (s & lt .001 kaikille t testit).

Vaikka osallistujia kehotettiin ottamaan TTB käyttöön jokaisessa päätökokeessa, on periaatteessa mahdollista, että he oppivat peräkkäin kunkin yrityksen suhteellisen menestyksen ja käyttivät tätä tietoa yhä enemmän päätöksenteossa. Jos näin olisi, yhdenmukaisen RT: n kasvun suuruus vertailujen kasvaessa pitäisi kuitenkin pienentyä hakuvaiheen fMRI -ajoissa. Tietojen silmämääräinen tarkastus tai jälkikokeelliset selvitykset eivät antaneet todisteita tästä mahdollisuudesta (kummassakin kokeessa). Toisin sanoen, meillä ei ole mitään syytä olettaa, että osallistujat eivät noudattaneet TTB -strategiaa koko päätöksenteon ajan.

Kuvio 2 osoittaa, että virhetasot olivat keskimäärin melko alhaiset. Silmämääräinen tarkastus ehdottaa mallia, joka on rinnakkainen RT: lle saadun mallin kanssa. ANOVA: t osoittivat haettavien määritteiden lukumäärän päävaikutuksia, F(2, 28) = 7.27, s = .003 ɛ = .929 kokeelle 1 (15 osallistujan tietojen perusteella, koska kaksi osallistujaa oli suljettava pois lokitiedostoissa olevan koodausvirheen vuoksi) ja F(2, 28) = 9.97, s = .001 ɛ = 1 kokeelle 2. Suunniteltu t testit osoittivat, että virhetaso oli alhaisempi kokeissa, joissa vaadittiin yhden määritteen noutamista, verrattuna kahteen määritteeseen kokeessa 2 ja kokeisiin, jotka vaativat kahta määritettä, verrattuna kokeeseen 1 (kolme tai neljä määritettä)s & lt .01 molemmille t testit). Lisäksi virhetasot olivat korkeammat kokeissa, joissa vaadittiin yhden määritteen noutamista, verrattuna kontrollitilanteessa tehtäviin kokeisiin (s & lt .01 ensimmäistä ja s & lt .05 toisessa kokeessa). Nämä tulokset osoittavat, että mitä enemmän määritteitä on haettava ja käsiteltävä, sitä enemmän virheitä TTB: n käytössä tapahtui.

FMRI -tiedot

Prefrontal Control -prosessit: Materiaalikohtainen aktivointi, joka heijastaa haettavien ominaisuuksien määrää

Muistinhallintamallien (Badre & amp; Wagner, 2007 Buckner & amp; Wheeler, 2001) perusteella odotimme, että päätöstehtävän ohjausprosessit heijastuvat parametriseen aktivointiin PFC: ssä, joka kasvaa järjestelmällisesti noutettujen määritteiden määrän myötä. Kuten kuvion 3 yläosasta voidaan nähdä, vasen dorsolateraalinen PFC (DLPFC keskimmäinen etuosan gyrus, BA 9/46) reagoi maksimaalisesti kasvaviin käsittelyvaatimuksiin (ts. Haettavien ominaisuuksien määrään). Tämän enimmäismäärän läheinen sopivuus molemmissa kokeissa (joilla oli eri määritteiden hierarkiat, ks. Taulukko 1) viittaa siihen, että PFC: n aktivointi on riippumaton määritettävistä ominaisuuksista, jotka on haettava ja käsiteltävä. Toinen alue (myös DLPFC), joka osoittaa materiaalille epäspesifisen tasaisen signaalin lisääntymisen, havaittiin ylimmässä parietaalisessa kuorissa (katso kuva 3). Kuvan 3 kaksi alinta paneelia esittävät tapahtumiin liittyvät hemodynaamiset signaalit (aika-lukittu yritysparin esitykseen), jotka on uutettu alueilta, jotka osoittivat maksimaalisen aktivaation kahdessa kokeessa. Kuten voidaan nähdä, molemmissa kokeissa signaali kasvoi tasaisesti haettavien määritteiden määrän kanssa. Lisäksi voidaan nähdä, että kontrollitilassa - jossa ei tarvinnut noutaa määritetietoja - ei vastattu lainkaan (itse asiassa kuvio 3 viittaa siihen, että tässä tilassa oli jopa pieni negatiivinen vastaus). Saattaa vaikuttaa hämmentävältä, että tapahtumakohtainen signaali ohjausolosuhteille näyttää voimakkaan vastauksen noin 9 sekunnin kuluttua. Huomaa kuitenkin, että tämä aktivointi kuvastaa (keskimääräistä) vastausta seuraavaan kokeiluun.

Aivot, jotka osoittavat järjestelmällistä aktivoitumista, lisääntyvät haettavien määritteiden määrän myötä. Molemmissa kokeissa haettavien määritteiden määrän parametriset kontrastit (kynnysarvo on s & lt .005, RFX korjaamaton) paljasti vahvimman parametrisen aktivoinnin vasemmassa DLPFC: ssä (keskimmäinen etuosan gyrus, BA 9), mikä osoittaa, että tämä alue heijastaa yleisiä käsittelyvaatimuksia, jotka ovat riippumattomia määritteen hierarkiasta eli järjestyksestä, jossa ominaisuuksia pitää verrata. Myös vasemmanpuoleinen DLPFC, ylempi parietaalinen aivokuori, osoitti tämän vaikutuksen, vaikkakin heikommassa määrin. Tilastolliset kartat heijastettiin yhden osallistujan hieman täytettyyn aivokuoren rekonstruktioon, jossa kovera kaarevuus (eli sulci) näkyy tummassa ja kupera kaarevuus (eli gyri) vaaleanharmaana. Alla on esitetty tapahtumiin liittyvien hemodynaamisten signaalien käyrät (keskimäärin yritysparin esitykseen) maksimaalisen aktivoinnin alueelta kussakin kokeessa. Tämä alue johdettiin nostamalla tilastollinen kynnys arvoon s & lt .001, joka tuottaa tarkasti vastaavat sijainnit kahdessa vasemman DLPFC: n kokeessa (vrt. taulukko 1).

Aivot, jotka osoittavat järjestelmällistä aktivoitumista, lisääntyvät haettavien määritteiden määrän myötä. Molemmissa kokeissa haettavien määritteiden määrän parametriset kontrastit (kynnysarvo on s & lt .005, RFX korjaamaton) paljasti vahvimman parametrisen aktivoinnin vasemmassa DLPFC: ssä (keskimmäinen etuosan gyrus, BA 9), mikä osoittaa, että tämä alue heijastaa yleisiä käsittelyvaatimuksia, jotka ovat riippumattomia määritteen hierarkiasta eli järjestyksestä, jossa ominaisuuksia pitää verrata. Myös vasemmanpuoleinen DLPFC, ylempi parietaalinen aivokuori, osoitti tämän vaikutuksen, vaikkakin heikommassa määrin. Tilastolliset kartat heijastettiin yhden osallistujan hieman täytettyyn aivokuoren rekonstruktioon, jossa kovera kaarevuus (eli sulci) näkyy tummassa ja kupera kaarevuus (eli gyri) vaaleanharmaana. Alla on esitetty tapahtumiin liittyvien hemodynaamisten signaalien käyrät (keskimäärin yritysparin esitykseen) maksimaalisen aktivoinnin alueelta kussakin kokeessa. Tämä alue johdettiin nostamalla tilastollinen kynnys arvoon s & lt .001, joka tuottaa tarkasti vastaavat sijainnit kahdessa vasemman DLPFC: n kokeessa (vrt. taulukko 1).

Muistipohjaiseen päätöksentekoon liittyvät esivalvontaprosessit: sijainnit (anatominen etiketti ja Brodmannin alue), huippu t Aivojen alueiden merkittävästi aktivoitujen vokselien arvot ja numerot, jotka heijastavat haettavien ominaisuuksien määrää

Alue . BA . X . Y . Z . t . Vokselit .
Koe 1
s & lt .005
L keskimmäinen etuosa 6/9/46 −50 19 34 4.34 1984
L keskimmäinen etuosa 6 −43 6 39 5.02 1837
L ylempi etuosa gyrus 6 −48 2 55 3.70 81
L alempi parietaalilohko 7/19 −33 68 43 4.18 1055
s & lt .001
L keskimmäinen etuosa 9 −48 22 35 4.34 85
Koe 2
s & lt .005
L keskimmäinen etuosa 6/9/46 −47 17 34 4.92 3135
L keskimmäinen etuosa 6 −41 1 38 4.03 38
L keskimmäinen etuosa 6 −31 −1 55 4.11 325
L mediaalinen etuosan gyrus 6 −8 11 52 3.97 346
L alempi parietaalilohko 7/19 −33 −66 42 4.34 1532
s & lt .001
L keskimmäinen etuosa 9 −47 17 36 4.92 598
Alue . BA . X . Y . Z . t . Vokselit .
Koe 1
s & lt .005
L keskimmäinen etuosa 6/9/46 −50 19 34 4.34 1984
L keskimmäinen etuosa 6 −43 6 39 5.02 1837
L ylempi etuosa gyrus 6 −48 2 55 3.70 81
L alempi parietaalilohko 7/19 −33 68 43 4.18 1055
s & lt .001
L keskimmäinen etuosa 9 −48 22 35 4.34 85
Koe 2
s & lt .005
L keskimmäinen etuosa 6/9/46 −47 17 34 4.92 3135
L keskimmäinen etuosa 6 −41 1 38 4.03 38
L keskimmäinen etuosa 6 −31 −1 55 4.11 325
L mediaalinen etuosan gyrus 6 −8 11 52 3.97 346
L alempi parietaalilohko 7/19 −33 −66 42 4.34 1532
s & lt .001
L keskimmäinen etuosa 9 −47 17 36 4.92 598

Aktivointia korkeammalla merkitsevyystasolla käytettiin kuviossa 3 esitettyjen tapahtumiin liittyvien hemodynaamisten signaalikäyrien poimimiseen. L = vasen.

Muuttaako aktivointi materiaalikohtaisilla taka-alueilla TTB: n peräkkäiset hakutarpeet?

Ensimmäisessä vaiheessa tunnistimme materiaalikohtaiset käsittelyalueet takakuoressa käyttämällä toiminnallisia lokalisointiskannauksia. Nämä alueet määriteltiin ROI: ksi materiaalikohtaisten ärsykkeiden aktivoimiseksi, jotka edustavat päätöstehtävässä vaadittuja ominaisuuksia. Kuten kuviosta 4 ja taulukosta 2 nähdään, pystyimme tunnistamaan materiaalikohtaiset ROI: t kokeessa 1 vasemmassa keskimmäisessä niskakyhmyssä sijainneissa, oikeassa fusiformisessa gyrossa kasvoille ja vasemmassa kielellisessä gyrusissa esineille ja Koe 2 vasemmassa ylivoimaisesta huonompaan parietaalilohkoon paikkoihin, oikeaan fusiformiseen gyrus kasvoihin ja vasempaan cuneukseen esineitä varten. Lisäksi rakennukset (jotka korvasivat värit kokeessa 2) tuottivat luotettavan ROI: n vasemmassa parahipokampuksen kuorissa (osa fusiform gyrus).

Materiaalikohtaiset ROI: t takakuoressa, jotka tunnistetaan toiminnallisten lokalisointiskannausten avulla. Oletuksen (joka on kuvattu yksityiskohtaisesti kokeellisen suunnittelun yleiskatsauksessa) perusteella, että ärsykkeiden esitykset sijaitsevat samoilla aivokuoren alueilla, jotka ovat myös mukana tietojen havainnollisessa käsittelyssä, nämä alueet määriteltiin kohdealueiksi määritteet.

Materiaalikohtaiset ROI: t takakuoressa, jotka tunnistetaan toiminnallisten lokalisointiskannausten avulla. Sen oletuksen perusteella (joka on kuvattu yksityiskohtaisesti kokeellisen suunnittelun yleiskatsauksessa), että ärsykkeiden esitykset sijaitsevat samoilla aivokuoren alueilla, jotka osallistuvat myös tietojen havainnolliseen käsittelyyn, nämä alueet määriteltiin kohdealueiksi määritteet.

Materiaalikohtaiset käsittelyalueet posteriorisessa aivokuoressa: sijainnit, huippu t Merkitsevästi aktivoitujen vokselien arvot ja määrät (s & lt .0001, korjaamaton) materiaalikohtaisista taka-alueista, jotka on tunnistettu toiminnallisen paikallistimen skannauksilla

Alue . BA . X . Y . Z . t . Vokselit .
Koe 1
Paikat: L keskimmäinen niskakyhmy 18/19 −28 −79 10 7.26 1408
Kasvot: R fusiform gyrus 19 22 −76 −8 10.84 2901
Objektit: L lingual gyrus 18/19 −19 −54 0 10.44 3951
Koe 2
Paikat: L ylempi/huonompi parietaalilohko 7/40 −37 −45 40 7.02 823
Kasvot: R fusiform gyrus 37 39 −43 −16 7.93 116
Esineet: L cuneus 18 −3 −77 14 10.27 6846
Rakennukset: L fusiform gyrus 37 −28 −58 −10 11.53 4472
Alue . BA . X . Y . Z . t . Vokselit .
Koe 1
Paikat: L keskimmäinen niskakyhmy 18/19 −28 −79 10 7.26 1408
Kasvot: R fusiform gyrus 19 22 −76 −8 10.84 2901
Objektit: L lingual gyrus 18/19 −19 −54 0 10.44 3951
Koe 2
Paikat: L ylempi/huonompi parietaalilohko 7/40 −37 −45 40 7.02 823
Kasvot: R fusiform gyrus 37 39 −43 −16 7.93 116
Esineet: L cuneus 18 −3 −77 14 10.27 6846
Rakennukset: L fusiform gyrus 37 −28 −58 −10 11.53 4472

Toisessa vaiheessa otimme ROI: sta keskimääräiset hemodynaamiset vasteet päätöksenteon aikana, erikseen kokeellisen tekijän eri tasoille "haettavien määritteiden määrä". Kuten kuvista 5 ja 6 voidaan nähdä, kaikissa ROI: ssa on monotonisesti kasvava vaste, eli aktivoinnin maksimimäärä kasvaa päätöksen tekemiseen tarvittavien määritteiden määrän kanssa. Ensi silmäyksellä se tosiasia, että tällainen kasvu havaitaan periaatteessa kaikille ROI: ille, näyttää puhuvan LTM -esitysten hallittua aktivointia vastaan. Sen sijaan se ehdottaa, että kaikki yritykseen liittyvät määritteet aktivoidaan automaattisesti - vaikka attribuutilla ei olisikaan merkitystä päätöksenteossa. Väitämme kuitenkin, että tällainen johtopäätös ei ole perusteltu. Esimerkiksi se, että kasvokohtainen ROI aktivoidaan silloinkin, kun positioita on haettava, voi johtua yksinkertaisesti siitä, että kasvojen alue vastaa jossain määrin asentoja. Kuten kuvio 4 osoittaa, koodauksen päällekkäisyys oli ilmeistä kaikissa ROI: ssa. Näyttää fysiologisesti epätodennäköiseltä olettaa, että alueet reagoivat kaikella tai ei millään tavalla vain yhteen tiettyyn visuaaliseen ärsykkeeseen, mutta eivät muihin. Siksi pidättäydymme päättelemästä, että on olemassa automaattinen hakuprosessi, joka perustuu havaintoon siitä, että kaikkien sijoitetun pääoman tuottoprosentit kasvavat tasaisesti. Kysymme sen sijaan, onko olemassa todisteita järjestelmällisistä poikkeamista yhtenäisestä signaalin kasvusta? Tällaiset poikkeamat osoittavat, että esitysten hallittu modulaatio on olemassa, vaikka osa aktivoinnista olisi automaattista.

Järjestelmällisen signaalin lisäyksen valikoiva modulointi määritteellisillä alueilla. Toiseksi tärkeintä ominaisuutta edustavat alueet osoittavat, että suurin mahdollinen hemodynaaminen vaste on lisääntynyt, kun ei tarvitse hakea vain eniten, vaan myös toiseksi tärkeimmät ominaisuudet. On kuitenkin tärkeää, että kun kolme tai neljä attribuuttia on haettava, aktivoinnin lisäys on melko pieni. Toisin sanoen aktivoituminen lisääntyy voimakkaasti vain niissä kokeissa, joissa kyseinen ominaisuus tulee päätöksen kannalta merkitykselliseksi.

Järjestelmällisen signaalin lisäyksen valikoiva modulointi määritteellisillä alueilla. Toiseksi tärkeintä ominaisuutta edustavat alueet osoittavat, että suurin mahdollinen hemodynaaminen vaste on lisääntynyt, kun ei tarvitse hakea vain eniten, vaan myös toiseksi tärkeimmät ominaisuudet. On kuitenkin tärkeää, että kun kolme tai neljä attribuuttia on haettava, aktivoinnin lisäys on melko pieni. Toisin sanoen aktivoituminen lisääntyy voimakkaasti vain niissä kokeissa, joissa kyseinen ominaisuus tulee päätöksen kannalta merkitykselliseksi.

Järjestelmällisen signaalin lisäyksen valikoiva modulointi määritteellisillä alueilla. Vain niissä kokeissa, joissa on haettava enintään neljä attribuuttia, hemodynaamisen vasteen laskeva kylki alueilla, jotka edustavat vähiten tärkeää ominaisuutta (eli kohteet kokeessa 1 ja sijainnit kokeessa 2), pidentyy, eikä laskeudu tasaisesti lähtötilanteeseen sen jälkeen, kun se on saavuttanut maksiminsa - kuten voidaan odottaa tarkasti yhdenmukaisella signaalimodulaatiolla (katso vasemman ja oikean alakulman kartat). Toisin sanoen attribuutit, jotka ovat merkityksellisiä suhteellisen myöhään päätöksentekoprosessin aikana (eli ne, joilla on vähäinen merkitys), osoittavat yleensä pitkittyneen vasteen hemodynaamisen vasteen laskevan osan aikana. Kun attribuutit ovat tärkeitä, sitä vastoin näin ei ole (katso vasemman ja oikean yläkulman kartat).

Järjestelmällisen signaalin lisäyksen valikoiva modulointi määritteellisillä alueilla. Vain niissä kokeissa, joissa on haettava enintään neljä attribuuttia, hemodynaamisen vasteen laskeva kylki alueilla, jotka edustavat vähiten tärkeää ominaisuutta (eli kohteet kokeessa 1 ja sijainnit kokeessa 2), pidentyy, eikä laskeudu tasaisesti lähtötilanteeseen sen jälkeen, kun se on saavuttanut maksiminsa - kuten voidaan odottaa tarkasti yhdenmukaisella signaalimodulaatiolla (katso vasemman ja oikean alakulman kartat). Toisin sanoen attribuutit, jotka ovat merkityksellisiä suhteellisen myöhään päätöksentekoprosessin aikana (eli ne, joilla on vähäinen merkitys), osoittavat yleensä pitkittyneen vasteen hemodynaamisen vasteen laskevan osan aikana. Kun attribuutit ovat tärkeitä, sitä vastoin näin ei ole (katso vasemman ja oikean yläkulman kartat).

Tarkempi tarkastelu ROI: ista kerätyistä BOLD -signaaleista paljastaa todellakin tällaisia ​​järjestelmällisiä poikkeamia. Kuten jäljempänä on esitetty, nämä poikkeamat heijastavat ominaisuuksien tärkeyttä päätöksenteossa. Seuraavassa keskitymme niihin kokeellisiin olosuhteisiin, joissa on haettava useampi kuin yksi ominaisuus, emmekä ota huomioon ehtoa, jossa vain yksi attribuutti on haettava, koska on mahdollista, että vertailuehtoon verrattuna aktivointi tämä ehto voi vain viitata visuaalisten ärsykkeiden hakuun yleensä, eikä tietyn ominaisuuden noutamiseen. Jos TTB johtaa hallittuun noutamiseen, aktivointia tulisi lisätä valikoivasti erityisesti niissä ROI -arvoissa, jotka edustavat vertailun kannalta merkityksellisiä määritteitä.

Siirrytään ensin kokeen 1 tuloksiin. Kuvan 5 vasemmassa yläkulmassa näkyy kasvokohtaisen ROI: n (joka edustaa toiseksi tärkeintä ominaisuutta) vastaukset, jotka on haettava vain, kun sijainnit (tärkein ominaisuus) eivät saa tehdä syrjintää yritysten välillä. Kuten voidaan nähdä, kasvokohtaisessa ROI: ssa aktivoidaan jonkin verran, vaikka TTB vaatii vain sijaintien haun (vaaleanvihreä viiva tämän aktivoinnin enimmäismäärän osoittaa sininen nuoli). Kuitenkin, kun kasvot tulevat merkityksellisiksi päätöksenteossa (eli kun kaksi attribuuttia-sijainnit ja kasvot-on haettava, koska sijainnit eivät erota keskipitkän vihreää viivaa), kasvukohtainen ROI aktivoituu entisestään, mikä heijastaa tämän määritteen hakeminen (osoitettu toisella sinisellä nuolella). On kuitenkin tärkeää, että kun on haettava kolme tai neljä attribuuttia (eli värit ja värit ja objektit, vastaavasti tummanvihreä viiva), aktivoitumisen lisäkasvu kasvokohtaisessa ROI: ssa on melko pieni. Toisin sanoen kasvokohtainen ROI aktivoituu voimakkaasti vain niissä kokeissa, joissa kasvot ovat merkityksellisiä päätöksenteolle.

Tämän visuaalisen vaikutelman todistamiseksi tilastollisesti otimme BOLD-signaalien maksimiamplitudit kasvokohtaisessa ROI: ssa kullekin osallistujalle erikseen eri koeolosuhteissa. Yhdenmukainen visuaalisen vaikutelman kanssa, riippuvainen näyte t testit osoittivat, että aktivointi lisääntyi merkittävästi, kun kaksi attribuuttia on haettava yhteen määritykseen verrattuna, t(16) = 6.89 s & lt .001. Kuitenkin, kun kolme tai neljä ominaisuutta on haettava verrattuna kahteen, nousu oli melko pieni, t(16) = 1.97 s = .067. Toinen t testi vahvisti, että nousu yhdestä kahteen ominaisuuteen oli merkittävästi suurempi kuin nousu kahdesta kolmeen tai neljään ominaisuuteen, t(16) = 4.63 s & lt .001.

Tämän havainnon vahvistamiseksi etsimme seuraavaksi vastaavaa mallia kokeesta 2. Tärkeää on huomioida, että kokeessa 2 rakennukset kuin kasvot olivat toiseksi tärkein ominaisuus (eri merkityshierarkiat on kuvattu kuvioiden keskipaneeleissa) 5 ja 6). Vastaavasti kokeen 1 havaintojen kanssa, kuvan 5 ylhäällä oleva oikea käyrä osoittaa, että rakennuksen spesifinen ROI kasvaa selvästi niissä kokeissa, joissa on kaksi ominaisuutta (objektit ja rakennukset) on haettava, mutta ei lisää, kun myös kasvot tai kasvot ja sijainnit on haettava (osoitettu jälleen kahdella sinisellä nuolella). Kuten kokeessa 1, tämä visuaalinen vaikutelma todistettiin tilastollisesti: Rakennuskohtaisessa sijoitetun pääoman tuottoprosentissa nousi merkittävästi, kun kaksi attribuuttia on haettava yhteen määritykseen verrattuna, t(14) = 2.74 s = .016, mutta ei silloin, kun kolme tai neljä, eikä kaksi attribuuttia on haettava, t(14) = 0.31 s = .763. Lisäksi lisäys yhdestä kahteen määritteeseen oli suurempi kuin nousu kahdesta kolmeen tai neljään ominaisuuteen, t(14) = 1.90 s = .078.

Yhteenvetona voidaan todeta, että määritteitä edustavat alueet toiseksi korkein tärkeys (kasvot kokeessa 1 ja rakennukset kokeessa 2) osoittavat, että suurin BOLD -vaste kasvaa, kun toiseksi tärkein attribuutista tulee relevantti verrattuna siihen, kun tärkein ominaisuus johtaa jo päätökseen. Kuitenkin, kun kolme tai neljä ominaisuutta on haettava, toiseksi tärkeintä ominaisuutta edustavien alueiden lisäkasvu on paljon pienempi tai jopa puuttuu kokonaan. Tärkeää on, että kokeessa 2, jossa kasvot eivät ole enää toiseksi tärkein ominaisuus (kuva 5, oikea alakaavio), kasvokohtainen ROI ei näytä tämä vaikutus. Tämä hermoston aktivoinnin valikoiva modulaatio, joka noudattaa TTB: n mukaista hakujärjestystä, tukee hallittujen noutoprosessien käsitettä. Kaiken kaikkiaan BOLD-vastauksen enimmäismäärä attribuuttikohtaisissa sijoitetun pääoman tuottoprosentteissa näyttää lisääntyvän vain silloin, kun kyseinen ominaisuus on päätöksen kannalta merkityksellinen.

Jos toiseksi tärkein ominaisuus vaikuttaa BOLD-vasteen maksimiin, niin kolmanneksi tärkeimmän ja vähiten tärkeän attribuutin pitäisi vaikuttaa signaalin osiin maksimin jälkeen. Itse asiassa, tarkempi tarkastelu kuvan 5 oikeassa alakulmassa osoittaa mielenkiintoisen mallin hemodynaamisen vasteen ajanjaksoissa kasvokohtaisessa ROI: ssa kokeessa 2: Vain niissä kokeissa, joissa on haettava kolme tai neljä attribuuttia hemodynaamisen vasteen laskeva kylki näyttää pidentyneen pikemminkin kuin laskeutuvan tasaisesti lähtötasoon sen jälkeen, kun se on saavuttanut maksiminsa - kuten voitaisiin olettaa tarkasti yhtenäisellä signaalimodulaatiolla. Toisin sanoen attribuutit, jotka ovat merkityksellisiä suhteellisen myöhään päätöksentekoprosessin aikana (eli ne, joilla on vähäinen merkitys), osoittavat yleensä pitkittyneen vasteen hemodynaamisen vasteen laskevan osan aikana. Harkitse havainnollistamiseksi esimerkiksi sijainti- ja objektimääritteitä, joiden arvot määritteiden hierarkiassa ovat täsmälleen päinvastaisia ​​kokeiden 1 ja 2 välillä (sijainnit ovat tärkein ominaisuus kokeessa 1 - ja siten relevantteja jokaisessa kokeessa - mutta vähiten tärkeä ominaisuus kokeessa 2. - ja siten merkityksellisiä vain silloin, kun kaikki neljä määritettä on haettava objektimääritteelle, päinvastoin). Kuten voidaan nähdä kuviosta 6 (osoitettu sinisillä nuolilla vasemmassa ja oikeassa alakulmassa), sekä sijaintikohtaisissa että kohdekohtaisissa ROI: ssa on pitkäaikainen laskeva osa hemodynaamisesta vasteesta, kun attribuutit ovat vähäisiä . Kun attribuutit ovat tärkeitä, sitä vastoin näin ei ole (katso vasemman ja oikean yläkulman karttoja kuviossa 6).

Vahvistaaksemme tämän havainnon pitkittyneistä vasteista tilastollisesti tarvitsimme toimenpiteen, joka pystyi tallentamaan poikkeamat sujuvasta paluusta lähtötasoon. Koska mikä tahansa tällainen poikkeama tuottaa välttämättä ylimääräisen käännepisteen, joka tapahtuu aikaisemmin kuin odotettaisiin sujuvasti laskevan signaalin alla, keskityimme ensimmäisen taivutuspisteen aikaan signaalin maksimin jälkeen taka -ROI: iden eri käyrille. Kontrollianalyysinä analysoimme PFC: n signaaleja (katso kuva 3), joissa tällaisten pitkittyneiden vasteiden ei pitäisi olla seurausta, PFC: ssä taivutuspisteiden tulisi riippua vain signaalin maksimiamplitudista ja siten tapahtuu myöhemmin, mitä enemmän määritteitä on haettava.

Kuten kuviosta 3 voidaan nähdä, PFC: n signaali kasvaa tasaisesti, ja ensimmäinen käännepiste viivästyy peräkkäin ajassa, kun haettavien määritteiden määrä kasvaa. Tarkemmin sanottuna kokeessa 1 (vasen kuvaaja kuviossa 3) taivutuspisteet tapahtuivat keskimäärin 4,13 sekuntia kontrollitilassa (eli kun mitään attribuuttia ei tarvitse hakea), 7,87 sekuntia, kun yksi ominaisuus on haettu, 8,93 sekuntia, kun kaksi määritettä on haettava, ja 9,73 sekuntia, kun kolme tai neljä määritettä on haettava. Kokeessa 2 (oikea kuvaaja kuviossa 3) taivutuspisteet esiintyivät vastaavasti 5.40, 8.00, 9.77 ja 11.41 sek. t testit, joiden taivutuspisteet kustakin ehdosta otettiin kullekin osallistujalle, osoittivat, että kokeessa 1 taivutuspiste tapahtui merkittävästi myöhemmin, kun yksi, ei ei, attribuutti on haettava, t(16) = 5.83 s & lt .001. Lisäksi käännepiste tapahtui merkittävästi myöhemmin, kun kaksi ominaisuutta on haettava yhden sijasta, t(16) = 5.60 s & lt .001 ja kun kolme tai neljä määritettä on haettava kahden sijasta, t(16) = 2.67 s = .017. Samoin kokeessa 2 käännepiste tapahtui merkittävästi myöhemmin, kun yksi, ei ei, ominaisuus, t(14) = 6.42 s & lt .001 ja kun kaksi määritettä on haettu yhden sijasta, t(14) = 2.87 s = .012. Kasvu kahdesta ominaisuudesta kahteen ei ollut merkittävä.

Toisin kuin nämä yhtenäiset signaalin lisäykset PFC: ssä, posterioriset ROI: t osoittavat melko erilaisen kuvion. Erityisesti, kun sijainnit ja objektit ovat vähiten tärkeitä määritteitä (esim. Kokeet 2 ja 1), hemodynaamisten vasteiden taivutuspisteet vastaavissa ROI -arvoissa (vasen ja oikea kartta kuvassa 6 kokeille 2 ja 1) esiintyä aikaisemmin (eikä myöhemmin) kuin silloin, kun vain kaksi attribuuttia on haettava: 7,41 vs 8,06 sekuntia, t(16) = 2.02, s = .060 (koe 1, kohteen ROI) ja 8,93 vs. 10,13 sekuntia, t(14) = 2.28, s = .039 (koe 2, sijainnin ROI).Sitä vastoin, kun sijainnit ja esineet ovat tärkeimpiä ominaisuuksia, taivutuspiste vastaavilla aivojen alueilla tapahtuu merkittävästi myöhemmin, kun kolme tai neljä ominaisuutta on haettava kahden sijasta, 8,71 vs 10,29 sekuntia, t(16) = 7.85 s & lt .001 (Koe 1, sijaintikohtainen sijoitetun pääoman tuottoprosentti, ks. kaavion 6 vasen yläkaavio) ja 8,73 vs. 9,27 sekuntia, t(14) = 3.74 s = .002 (kokeilu 2, kohdekohtainen ROI, ks. Kaavion 6 oikea yläkaavio). Tämä on yhdenmukaista sen kanssa, mitä voidaan odottaa yhtenäiseltä signaalin lisääntymiseltä, kuten PFC: ssä havaitaan.

Yhteenvetona voidaan todeta, että vaikka taka -alueilla oli kasvavia aktivointikuvioita kaikilla ROI -alueilla - mikä saattaisi viitata siihen, että TTB: n käyttö liittyy automaattiseen hajautuksen aktivointiin - löysimme todisteita tämän aktivoinnin systemaattisista modulaatioista, jotka heijastavat attribuuttihierarkian määräämää noutojärjestystä . Nämä systemaattiset modulaatiot ovat johdonmukaisia ​​hypoteesin kanssa päätöksen kannalta merkityksellisten määritetietojen kontrolloidusta noutamisesta.


Tehokas numeroiden koodaus selittää päätöksentekovirheitä ja kohinaa

Tarkistettu tammikuussa 2021
(Arthur Prat-Carrabinin kanssa)
Lataa paperi

Abstrakti: Ihmiset painavat eri tavoin erilaisia ​​ärsykkeitä tehtävien keskiarvoistamisessa. Tämän on tulkittu heijastavan puolueellista ärsykekoodausta, mutta vaihtoehtoinen hypoteesi on, että ärsykkeet koodataan kohinalla ja sitten dekoodataan optimaalisesti. Lisäksi tehokkaalla koodauksella melun määrän pitäisi vaihdella ärsykkeen sisällä ja riippua ärsyketilastoista. Tutkimme näitä ennusteita tehtävän avulla, jossa osallistujia pyydetään vertaamaan kahden numerosarjan keskiarvoja, joista kukin on otettu näytteistä aikaisemmasta jakaumasta, joka vaihtelee eri tutkimuslohkojen välillä. Osoitamme, että kohteet koodaavat numeroita, joilla on sekä biasointi että kohina, jotka riippuvat numerosta. Harvoin esiintyvät numerot koodataan enemmän kohinaa. Tehokkaan koodauksen ja Bayesin dekoodauksen yhdistävä malli kuvaa parhaiten kohteiden käyttäytymistä. Tuloksemme viittaavat siihen, että Wein ja Stockerin "ihmisen käsityksen laki", joka liittyy aistien estimaattien harhaan ja vaihtelevuuteen, koskee myös numerotunnistusta.


Keskustelu

Ihmiset vaihtelevat suuresti valinta- ja päätöstehtävissä (Stanovich ja West, 2000 Stanovich, 2003 Newell, 2005). Tässä käytimme yksinkertaista nelivaiheista ryöstötehtävää, jossa aiheet on jaettu suoritusten perusteella lähes tasan kahteen ryhmään: ne, jotka oppivat suosimaan optimaalisen toiminnan valintaa, ja ne, jotka eivät. Tämän ryhmäeron hermopohjan määrittämiseksi tarkistimme molemmat ryhmät fMRI: llä, kun he suorittivat tehtävän, ja analysoimme hermoaktiivisuuttamme vahvistavan oppimismallin avulla. Havaitsimme, että nämä ryhmät eroavat toisistaan ​​merkittävästi siinä, missä määrin striatumin RL -signaalit ovat sitoutuneet. Kun oppijat osoittivat vankat ennustusvirhesignaalit sekä ventraali- että dorsaalisessa striatumissa oppimisen aikana, ei -oppineet osoittivat merkittävästi vähentynyttä ennustusvirhesignaalia. Lisäksi hermoaktiivisuus selkärangan alueella (ja vain siellä) korreloi merkittävästi enemmän PE -signaaleilla oppijoilla kuin ei -oppilailla. Huomaa, että nämä tulokset eivät ole ristiriitaisia, koska ne syntyvät testeistä, joissa esitetään erilaisia ​​tilastollisia kysymyksiä. Vaikka näkyvä ero kunkin ryhmän kynnyskarttojen välillä saattaa viitata siihen, että ne eroavat toisistaan ​​sekä selkä- että vatsan striatumissa, kun verraamme muodollisesti ryhmiä, voimme vain hylätä nollahypoteesin siitä, että eroa ei ole rajoitetummalla selkärangan alueella.

Nämä havainnot viittaavat siihen, että yksi ratkaiseva tekijä, joka erottaa ne kohteet, jotka onnistuvat oppimaan valitsemaan edullisesti yksinkertaisista päätöksenteko -tehtävistä, niistä, jotka eivät, on RL -signaalien kytkemisaste. Nämä tulokset ovat johdonmukaisia ​​instrumentaalisen ehdollistamisen vahvistamisoppioteorioiden kanssa, jolloin palkitsemisen ennustamisvirhesignaali on toiminnallisesti mukana käyttäytymiseen ilmaistussa oppimisessa. Tällaisia ​​signaaleja ehdotetaan kuljettavan dopamiinineuronien vaiheen aktiivisuudella, joka heijastuu voimakkaasti sekä vatsan että selän striatumiin (Schultz, 2002). Aiemmissa ihmisen kuvantamistutkimuksissa on raportoitu PE -signaaleista koko striatumissa sekä klassisen että instrumentaalisen käsittelyn aikana (O'Doherty, 2004). Dopamiinin moduloinnin antamalla systeemisesti dopaminergisiä agonisteja ja antagonisteja on myös osoitettu moduloivan PE -aktiivisuutta striatumissa ja muuttavan käyttäytymiskykyä (Pessiglione et ai., 2006). Tämä tutkimus osoittaa, että jopa luonnollisissa olosuhteissa, ilman lääkkeiden ulkoista antamista, hermoston PE -signaalit liittyvät spontaanisti esiintyviin eroihin käyttäytymiskyvyssä. Laajennamme myös näitä tuloksia näyttämällä käyttäytymiseen ja hermoon liittyvien mittausten välisen luokitellun suhteen (ryhmäkohtaisen eron lisäksi). Tämä jälkimmäinen havainto auttaa sulkemaan pois sen mahdollisuuden, että tuloksemme johtuvat ryhmämme luokittelumenettelystä. Pikemminkin nämä havainnot viittaavat siihen, että tuloksemme heijastavat jatkuvampaa suhdetta suorituskyvyn ja ennustusvirheen signaloinnin välillä. Yhdessä aikaisempien havaintojen kanssa nämä tulokset tukevat mahdollisuutta, että striatumin virhesignaalit ovat kausaalisesti liittyvät käyttäytymiseen suorituskykyyn palkitsemiseen liittyvissä instrumentaalisissa päätöksentekotehtävissä ihmisillä.

Kuten edellä keskusteltiin, kun taas opettamattomat osoittivat, että sekä vatsan että selän striatumissa ei ollut merkittäviä ennustusvirhesignaaleja, havaitsimme vain merkittävän eron PE -aktiivisuudessa ryhmien välillä selkärangan alueella. Nämä havainnot ovat pitkälti yhdenmukaisia ​​selän striatumin roolin kanssa, joka on samanlainen kuin "näyttelijä" instrumentaalisen kondicionoinnin näyttelijä/kriitikomalleissa (Joel et ai., 2002 Suri, 2002 O'Doherty, 2004), jossa erityisesti selkäranka on mukana palkitsemiseen perustuvan toiminnan valinnan toteuttaminen (O'Doherty et al., 2004 Morris et al., 2006), kun taas ventraalinen striatum osallistuu palkitsemiseen yleensä. Havaitsemme merkittävän korrelaation molemmissa ryhmissä yksittäisten oppilaiden suorituskyvyn ja ennustevirheaktiivisuuden asteen välillä selkärangan alueella osoittavat, että tuloksemme eivät ole vain artefakti niistä erityisistä kriteereistä, joita käytimme jakamaan aiheet oppijoiden ja ei -oppilaiden ryhmiin, vaan pikemminkin , vaikka kohteita ei ole jaettu mielivaltaisiin ryhmiin, tehtävän suoritus voidaan selittää selän striatum -toiminnalla. Lohrenzin et ai. (2007) lisää lisätukea väitteelle, jonka mukaan selkäreuna on mukana palkitsemiseen perustuvan toiminnan valinnan toteuttamisessa. Tässä tutkimuksessa kirjoittajat käyttivät monimutkaisempaa päätöksentekoa koskevaa palkitsemistehtävää ja havaitsivat, että dorsaalisen striatumin signaalit korreloivat uuden "kuvitteellisen virheen" signaalin kanssa, joka ennusti voimakkaasti tutkittavien käyttäytymistä myöhemmissä päätöksissä.

Vaikka olemme osoittaneet, että striatumin ennustusvirheaktiviteetti syrji oppilaita ei -oppilaista, tässä tutkimuksessa ei ole käsitelty sitä, miksi nämä kaksi ryhmää eroavat toisistaan ​​PE -aktiivisuuden aikaansaamisessa. Yksi arkipäiväinen mahdollisuus on, että oppilaat, jotka eivät ole oppineet, olivat yksinkertaisesti vähemmän motivoituneita suorittamaan tehtävänsä hyvin ja/tai eivät osallistuneet tehtävään. Tuloksemme, että oppija- ja ei -oppilasryhmät eivät eronneet merkittävästi reaktioaikoista tehtävän ja/tai kontrollin aikana, eivätkä myöskään eronneet onnistuneesti suoritettujen kokeiden lukumäärästä, tarjoavat suhteellisen vahvaa näyttöä tätä tulkintaa vastaan. Jos yhden ryhmän koehenkilöt olisivat olleet vähemmän motivoituneita tai vähemmän sitoutuneita tehtävään, tämän olisi pitänyt heijastua johdonmukaiseen eroon valinnan tekemiseen kuluneessa kussakin kokeessa tai jääneiden kokeiden määrässä. Oppija- ja ei -oppilasryhmät eivät eronneet iän, koulutuksen vuosien tai Israelin SAT -pisteiden vastaavuuden suhteen. Molemmilla ryhmillä oli keskimäärin 15 vuoden muodollinen koulutus ja n. 1,5 SD: tä Israelin väestön keskiarvon yläpuolella SAT -pisteissä. Näin ollen ei -oppilaiden epäoptimaalinen suoritus tehtävässä ei todennäköisesti johdu heikosta älystä tai koulutuksesta. Lisäksi ryhmät eivät eronneet vakioiduista persoonallisuuskyselyistä, mikä viittaa siihen, että suorituskykyerot eivät näytä liittyvän yleisesti mitattuihin persoonallisuuspiirteisiin.

Dopaminergisilla lääkkeillä on osoitettu olevan erilaisia ​​vaikutuksia yksilöiden välillä (Cools ja Robbins, 2004), mikä oletettavasti heijastaa eroja taustalla olevien dopaminergisten toimintojen välillä. Samalla tavalla kaksi ryhmäämme voivat poiketa endogeenisen striataalisen dopamiinin vapautumisasteen suhteen tai muuten striataalisten neuronien herkkyysasteessa aferenssille dopaminergiselle modulaatiolle. Tärkeä tuleva askel on mitata dopamiinin ottoa käyttämällä ligandin PET -mittauksia näissä kahdessa ryhmässä sen määrittämiseksi, eroavatko ne dopamiinin perustoiminnoista. Tällaiset toiminnalliset erot voivat ilmetä geneettisen polymorfismin tai kokemuksesta riippuvaisten vaikutusten seurauksena. Lisäksi on hyödyllistä selvittää, säilyvätkö suorituserot tutkittavien välillä toistuvan altistuksen jälkeen samoille tai niihin liittyville päätöksentekotehtäville. Jos nämä ryhmät osoittavat vakaita ja johdonmukaisia ​​eroja suorituskyvyssä, tämä viittaa siihen, että nämä ryhmät edustavat erillisiä alaryhmiä, joilla on erilainen kyky tuottaa palkkio -PE -signaaleja ja siten oppia valitsemaan mukautuva yksinkertaisissa valintatehtävissä.

Yksinkertaisempi hypoteesi on kuitenkin, että oppijat ja opettamattomat eivät eroa toisistaan ​​dopaminergisen fysiologian suhteen, vaan pikemminkin niiden konstruktiona päätöksenteko-ongelman olennaisista piirteistä tai vahvistamis-oppimisen termeistä: heidän tila-tilan mallistaan ​​(Daw et al., 2006a). Tämän selityksen mukaan palkkion PE -signaali kytkeytyy opettamattomiin, mutta se reagoi päätösongelman erilaisiin ja epäolennaisiin piirteisiin. Tämä johtaisi tehtävän oppimisen epäonnistumiseen ja signaalien havaitsemiseen, koska tutkimme niiden suhdetta tehtävään liittyviin ominaisuuksiin. Jos tämä hypoteesi pitää paikkansa, oppilaat, jotka eivät ole oppineet, voisivat oppia tehtävän onnistuneesti, kun heille on annettu asianmukaiset ohjeet tehtävän asiaankuuluvista ärsykkeistä ja tiloista.

Yhteenvetona voidaan todeta, että tässä tutkimuksessa osoitamme, että ennustusvirheaktiivisuus ihmisen striatumissa korreloi käyttäytymiskyvyn erojen kanssa yksinkertaisessa valintaperusteisessa päätöksentekotehtävässä. Nämä havainnot viittaavat siihen, että PE -signaalien sitoutumisella, joka todennäköisesti tulee keskiaivojen dopaminergisistä neuroneista, voi olla kriittinen rooli helpottamaan ihmisten ruokahalua.


Tätä työtä tukivat Medical Research Council Fellowship (MR/P014097/1), Christ Church Junior Research Fellowship ja Christ Church Research Center Grant to P.L.L. ja Wellcome Trust -apuraha (106164/A/14/Z) ja lääketieteellisen akatemian (SBF001 1008) apuraha M.J.C. M.C.K.-F. Sir Henry Wellcome -apuraha (103184/Z/13/Z). Wellcome Center for Integrative Neuroimaging tukee Wellcome Trustin perusrahoitusta (203139/Z/16/Z). Kiitämme rouva Eloise Coplandia ja tri Hongbo Yua avusta tietojen keräämisessä tri Marco Wittman, tohtori Peter Smittenaar, tohtori Quentin Huys, tri Elsa Fouragnan ja tohtori Mehdi Keramati avusta tietojen analysoinnissa ja tohtori Matthew Apps, professori Nathaniel Daw, professori Peter Dayan, tohtori Wouter Kool, tohtori Thomas Akam ja neiti Mary Montgomery hyödyllisistä keskusteluista. Rahoittajilla ei ollut roolia tutkimuksen suunnittelussa, tietojen keräämisessä ja analysoinnissa, julkaisemispäätöksessä tai käsikirjoituksen valmistelussa.

    1 Kenelle kirjeenvaihto voidaan osoittaa. Sähköposti: p.l.woodwoodbham.ac.uk, miriam.klein-fluggepsy.ox.ac.uk tai molly.crockettyale.edu.

↵ 2 P.L.L. ja M.C.K.-F. myötävaikuttanut tähän työhön.

Tekijän osallistuminen: P.L.L., M.C.K.-F., A.A. ja M.J.C. suunniteltu tutkimus P.L.L. ja A.A. suoritti tutkimuksia P.L.L., M.C.K.-F. ja M.J.C. analysoituja tietoja ja P.L.L., M.C.K.-F. ja M.J.C. kirjoitti lehden.

Tekijät eivät ilmoita kilpailevan intressin.

Tämä artikkeli on PNAS -suora lähetys. F.C. on toimituskunnan kutsuma vieraileva toimittaja.

Tämä avoimen käytön artikkeli on jaettu Creative Commons Attribution License 4.0 (CC BY) -lisenssillä.


Mikä kokeilu yksinkertaisessa päätöksenteossa tulisi suorittaa, jotta saisimme miljoona kokeilua? - Psykologia

Tällä sivulla käsitellään neljää asiaa:

Tämän osan lukemisen jälkeen sinun pitäisi pystyä kuvaamaan tieteellisen ongelmanratkaisun tärkeimmät vaiheet.

Mikä on TIETEELLINEN MENETELMÄ?

Tiede on yleensä hauskaa. Useimmat tutkijat nauttivat työstään, ja onneksi siitä on joskus hyötyä yhteiskunnalle. Koska tutkijat ovat pikemminkin ihmisiä kuin koneita, he käyttäytyvät kuten muutkin ihmiset. He voivat olla huonolaatuisia, sianpäisiä, kateellisia muiden menestykselle ja valheellisia. Siitä huolimatta tutkijoiden käyttämä työmalli tieteellinen metodi, on tehokkain työkalu, joka on vielä kehitetty luonnon maailman ongelmien analysointiin ja ratkaisemiseen. Menetelmää voidaan soveltaa yhtä paljon jokapäiväisiin tilanteisiin kuin perinteisiin "tieteellisiin" ongelmiin. Maailma voisi olla jopa onnellisempi paikka, jos useammat ihmiset yrittäisivät ratkaista ongelmansa "tieteellisellä" tavalla.

Tieteellisessä ongelmanratkaisussa on useita tunnistettavia vaiheita:

Tarkkaile ilmiötä, joka on jollain tavalla mielenkiintoinen tai hämmentävä.

Arvaus ilmiön selityksestä.

Suunnitellaan testi sen osoittamiseksi, kuinka todennäköistä tämä selitys on totta tai epätosi.

Suorittaa testin ja päättää tulosten perusteella, onko selitys hyvä vai ei. Jälkimmäisessä tapauksessa uusi selitys tulee (onneksi) "mieleen" ensimmäisen testin tuloksena.

Tiede riippuu monesta kohdasta alkuperäisestä ajattelusta. Yksi on, kun teemme alkuperäisen "arvauksen" - jota yleensä kutsutaan an hypoteesi. Toinen on, kun suunnittelemme testin tai koe osoittamaan, kuinka todennäköisesti hypoteesi pitää paikkansa. Hyvä tiedemies luottaa inspiraatioon samalla tavalla kuin hyvä taiteilija. [Jotkut opettajat ovat huolissaan siitä, että tämä kohta jätetään suurelta osin huomiotta nykyajan luonnontieteellisessä opetuksessa.]

TIETEELLINEN MENETELMÄ käytännössä - kaksi jokapäiväistä esimerkkiä

Esimerkit muodostavat sellaisen tarinan, jonka voisit lukea sanomalehdestä. Yritämme analysoida näitä tarinoita TIETEELLINEN MENETELMÄ. Yleinen piirre on tiukan testitilanteen puute alkuperäisissä tarinoissa. TIETEELLISEN MENETELMÄN vahvuus on suurelta osin sellaisten testien kehittämisessä, jotka kykenevät erottamaan eri hypoteesit.

1. Koira, joka ymmärtää ranskaa

Morningsiden herra Smith on opettanut koiransa Roverin ymmärtämään ranskaa. Herra Smith huomasi, että joka ilta, illallisen jälkeen, kun hän meni ovelle päällystakki ja sanoi "kävelyt", Rover ymmärsi heti ja juoksi. Smith oli menossa kesäksi Ranskaan ja päätti kansainvälisen ymmärryksen kokeiluna opettaa Roverille ranskaa. Hän alkoi sanoa "Allons" ja "Walkies". Hänen ilokseen Rover ymmärsi nopeasti ja lähti juoksemaan.

Koira ilmeisesti vastaa "allonien" kutsuun.

Mikä on herra Smithin hypoteesi?

Koira ymmärtää sanan "kävelytieinä".

Onko tämä ainoa selitys?

Ei. Koira voi vastata kokonaistilanteeseen (illallisen jälkeen, menemällä ovelle, takki päälle, puhelu), josta se, mitä kutsutaan, on vain pieni osa. Puhelun muutoksella ei välttämättä ole koiralle suurta merkitystä.

Voimmeko suunnitella testin näiden mahdollisuuksien erottamiseksi toisistaan?

On useita. Esimerkiksi:

a) Kutsu "Allonit" koiralle, joka on eri tilanteessa: esimerkiksi aamulla, kun hän ei yleensä lähde kävelylle.

(b) Mene ovelle tavalliseen tapaan (takki päälle, illallisen jälkeen) soittamatta mitään.

(c) Tee samoin ja kutsu jotain typerää, kuten "raparperi".

Näiden ja vastaavien testien tulosten pitäisi osoittaa, reagoiko Rover erityisesti sanaan & quotallons & quot; vai (todennäköisemmin) yleiseen tilanteeseen, johon hän on tottunut.

Huomaa, että nämä testit eivät kerro meille mitään koiran kyvystä oppia ranskalaisia ​​sanoja. He ovat huolissaan vain yhdestä ranskalaisesta sanasta vastaamisesta. Näemme myöhemmin, että ekstrapolointi erityisestä yleiseen on erittäin tärkeää tieteellisessä metodologiassa.

2. Tulevaisuuden ennustajan pitkäaikainen menestys

Psykologisen tutkimuksen instituutti teki tutkimuksen tunnettujen ennustajien suorituskyvystä. Positiivisimpia tuloksia ovat Arnold Woodchuck, joka jokaisen vuoden alussa tekee kymmenen ennusteen sarjan tulevalle vuodelle valtakunnallisessa tabloid -sanomalehdessä. Instituutti on havainnut, että herra Woodchuck on johdonmukaisesti oikeassa noin 80 prosentissa ennusteistaan. Esimerkiksi vuonna 1995 hän ennusti poliittisen kriisin Euroopassa (entisessä Jugoslaviassa?), Suuren inhimillisen katastrofin Afrikassa (Ruanda?), Kiistan julkisen sektorin palkasta (sairaanhoitajat?) Ja merkittävän jalkapallojohtajan kuoleman (Mr. Graham?). Hän oli valitettavasti väärässä ennustaessaan Englannin voittavan Rugby Unionin maailmancupin. Instituutin tiedottaja oli ”optimistinen” Woodchuckia koskevista tulevista tutkimuksista.

Ilmeinen havainto on, että herra Woodchuckilla on enemmän ennusteita kuin olisi sattumalta odotettu. Instituutin hypoteesi olisi, että Woodchuckilla on jonkinlainen "psyykkinen voima". Voimmeko esittää vaihtoehtoisen hypoteesin?

Tässä on kyse todennäköisyydestä. Jos heität kertoimattoman kolikon, saamme keskimäärin saman määrän päitä kuin häntiä. Jos pyytäisimme jotakuta ennustamaan heiton lopputuloksen, emme olisi kauheasti yllättyneitä, jos hän saisi pienestä määrästä kokeita neljä viidestä. Mutta jos hän jatkaisi 80% menestystä pitkän sarjan aikana, alkaisimme epäillä: (1) puolueellista kolikkoa (2) huijaamista (3) psyykkisiä voimia.

Woodchuck saa säännöllisesti 80%. Onko hänen "kolikonsa" puolueellinen, pettääkö hän vai onko hänellä psyykkisiä voimia? Todennäköisin selitys on "puolueellinen kolikko", toisin sanoen, että hänen ennustamillaan tapahtumilla ei ole 1: 1 todennäköisyys, mutta ehkä todennäköisyys lähempänä 4 tai 5: 1 toisin sanoen, erittäin suuri todennäköisyys, että ne esiintyä.

Meillä on siis kahdenlaisia ​​testejä:

Analyysi ennustettujen tapahtumien todellisista todennäköisyyksistä.

Esimerkiksi lähes poikkeuksetta joka vuosi Euroopassa on ainakin yksi ”poliittinen kriisi” ja ”suuri inhimillinen katastrofi” Afrikassa. Samoin jalkapallojohtajilla on lyhyt säilyvyysaika. Julkisen sektorin työntekijät (kuten sairaanhoitajat, rautatiekuljettajat tai jopa yliopiston opettajat) ovat vuosien ajan kokeneet olevansa alipalkattuja, kun taas heidän päällikönsä eivät voi tai eivät pysty vastaamaan asianmukaisesti.Sitä vastoin Englannin lehdistö korosti mahdollisuuksia Englannin voittaa Rugby Unionin maailmancup - ja tämä ennuste epäonnistui.

Analyysi herra Woodchuckin onnistumisesta ennustaa oikein tapahtumia, joilla on todella pieni todennäköisyys.

Tämän tutkimuksen tulokset olisivat jälleen rajalliset. Ne todennäköisesti osoittavat, että "puolueellinen kolikon" selitys on todennäköisin. Ne eivät osoita (a) onko Woodchuckilla jonkinlaista psyykkistä voimaa tai (b) ovatko psyykkiset voimat mahdollisia.

Huomaa myös, että jopa suuri poikkeama odotetusta tuloksesta voi tapahtua sattumalta pienessä näytteessä (esim. Saada neljä viidestä kolikonheittoa koskevasta arvauksesta oikein). Tämä on erittäin tärkeää biologiassa ja perusta tilastollisten menetelmien käytölle biologisessa analyysissä.

Tämän osan lukemisen jälkeen sinun pitäisi pystyä erottamaan hyvä ja huono kokeellinen suunnittelu.

Hypoteesin testaamiseen sopivan kokeen suunnittelu vaatii usein kekseliäisyyttä ja epäilyttävää luonnetta. Nykyaikaisessa biologiassa kokeeseen voi kuulua erittäin kehittyneitä laitteita. Mutta on olemassa monia ominaisuuksia, jotka ovat yhteisiä kaikille hyville kokeille (ja usein puuttuvat pahoilta), jotka ovat olemassa teknisistä yksityiskohdista riippumatta. Yhteenvetona nämä ovat:

Syrjintä

Kokeiden pitäisi pystyä erottamaan selvästi eri hypoteesit. Usein käy ilmi, että kaksi tai useampi hypoteesi antaa erottamattomia tuloksia, kun niitä testataan huonosti suunnitelluilla kokeilla.

Toistaminen ja yleisyys

Elävä materiaali on tunnetusti vaihtelevaa. Yleensä kokeet on toistettava tarpeeksi monta kertaa, jotta tulokset voidaan analysoida tilastollisesti. Samoin biologisen vaihtelevuuden vuoksi meidän on oltava varovaisia ​​tulostemme yleistämisessä joko yksittäisistä olennoista saman lajin muille tai muille lajeille. Jos esimerkiksi hypoteesimme koskee nisäkkäitä, on riittämätöntä yksinkertaisesti suorittaa kokeita laboratoriorottien kanssa. Samoin on vaarallista ekstrapoloida terveistä opiskelijoista eliittiurheilijoihin.

Säätimet

Kokeen on oltava hyvin hallinnassa. Meidän on poistettava asianmukaisilla tarkastuksilla mahdollisuus, että muut tekijät yleisessä testitilanteessa tuottavat havaitsemamme vaikutuksen sen sijaan, että olisimme kiinnostuneita.

Esimerkki: Kasvuhormonia erittyy vasteena useille aineille, mukaan lukien aminohappo arginiini. Tämä osoitettiin injektoimalla vapaaehtoisia arginiinilla. Kontrollina tutkijat pistivät vapaaehtoisia suolaliuokseen. Yllätyksekseen kasvuhormonia erittyi jälleen. Tutkijat heiluttivat sitten ruiskua ja neulaa vapaaehtoistensa edessä ja havaitsivat, että se aiheutti myös kasvuhormonin eritystä. Kasvuhormonin tiedetään nyt erittyvän vastauksena stressiin (samoin kuin arginiini).

Teknisemmällä tasolla meidän on oltava varmoja siitä, että mittausmenetelmämme on toistettavissa päivittäin saman laboratorion käyttäjien välillä tai laboratorioiden välillä. Vaikka voimme olla varmoja tasapainosta tai hallitsijasta, voisimmeko olla yhtä varmoja esimerkiksi menetelmästä hemoglobiinin mittaamiseksi? Saavatko kaksi opiskelijaryhmää, jotka mittaavat samoja näytteitä samoilla menetelmillä, samat tulokset? Laadunvalvonta auttaa tässä.

"Sokeat" mallit

Tutkijat voivat alitajuisesti "sekoittaa" tietonsa, jos he tietävät, minkä tuloksen he haluavat löytää. Vastaus on tehdä koe sokeana, joten tutkijat (ja koehenkilöt, jos ihmisiä tutkitaan) eivät tiedä, minkä hoidon vaikutusta he havaitsevat. Tämä voi tehdä kokeilun logistiikasta monimutkaisempaa: esimerkiksi määritettäessä mies- ja naispuolisten luokan jäsenten hemoglobiinipitoisuutta.

On tarina professorista, joka suunnitteli sokkelon rottien älykkyyden mittaamiseen. Eräänä päivänä hän antoi teknikolleen, joka todella teki mittaukset, kolme rotaryhmää. Hän kertoi heille, että yksi ryhmä oli erityisesti kasvatettu älykkyyttä varten, toinen tyhmyyttä varten ja kolmas keskimääräinen. Teknikot arvioivat rottien älykkyyttä ja vahvistivat, että "kirkas" ryhmä toimi parhaiten ja "tyhmä" ryhmä huonoimmin. Asia on tietysti se, että professori oli asettanut eläimet satunnaisesti kolmeen ryhmään. He eivät eronneet älykkyydeltään.

Mittaus

Hyvät kokeet sisältävät usein, mutta eivät aina, jotain mittaamista: esimerkiksi painon. Kun teet mittauksia, on tärkeää tietää molemmat tarkkuus ja tarkkuutta mittausjärjestelmästäsi. Nämä kaksi termiä eivät ole synonyymejä: 'tarkkuudella' tarkoitetaan menetelmän kykyä antaa keskimäärin puolueeton vastaus, kun taas 'tarkkuus' on menetelmän toistettavuuden indeksi. Ihannetapauksessa menetelmän tulisi olla sekä tarkka (eli antaa todellinen keskiarvo) että tarkka (eli sen keskihajonta on pieni). Joskus toinen on tärkeämpi kuin toinen. Jos esimerkiksi etsit pieniä muutoksia ajan mittaan (kuten urheilijan hemoglobiinipitoisuus), tarvitset sen tarkan mittauksen pikemminkin kuin tarkan.

Tarkkuus ja tarkkuus yhdessä auttavat sinua arvioimaan tietojen luotettavuutta. Ne auttavat myös arvioimaan kuinka monta merkittäviä lukuja sinun pitäisi lainata tuloksiasi. Jos käytät esimerkiksi tasapainolukua lähimpään grammaan, sinun on annettava tulokset lähimpään grammaan, ei esimerkiksi gramman kymmenesosaan.

Joitakin kokeita on erittäin vaikea tehdä, koska ei ole selvää, mitä voidaan mitata. Tämä on todellinen ongelma eläinten käyttäytymisessä: esimerkiksi "emotionaalista tilaa" varten ei ole selvää yksikköä tai mittaria. Yleensä on välttämätöntä erottaa mitattavat käyttäytymiskomponentit. Siten nopeus, jolla tiikeri kulkee häkkiä ylös ja alas, voi antaa jonkin verran viitteitä eläimen sisäisestä tilasta, mutta ei voi koskaan antaa täydellistä kuvaa siitä.

Monet näistä kohdista ovat melko abstrakteja, mutta niiden pitäisi tulla selkeämmiksi, kun ajatellaan seuraavia esimerkkejä.

Esimerkki 1: Poistavatko kasvit vesihöyryä?

Neljäkymmentä ruukuissa kasvavia papukasveja peitettiin eräänä iltapäivänä yksittäisillä lasisäiliöillä ja jätettiin laboratorioon yön yli. Seuraavana aamuna kunkin säiliön kannen sisäpuolen havaittiin olevan peitetty nesteen pisaroilla, jotka osoittautuivat vedeksi.

Kasvit yleensä päästävät vesihöyryä.

Vesi olisi voinut tulla kasveista, maaperästä, ruukuista tai purkin ilmasta. Näiden mahdollisuuksien testaamiseksi olisi pitänyt tehdä kontrollikokeita.

2. Johtopäätös sisältää kohtia, jotka eivät pidä paikkaansa.

a) Koe tehtiin yön yli, joten se ei voi kertoa meille mitään kasvien käyttäytymisestä muina vuorokauden aikoina. sana "yleensä" ei ole perusteltua.

b) Se suoritettiin riittävän monilla papukasveilla, mutta se ei voi kertoa meille mitään muista kasveista, joten sana "kasvit" olisi luokiteltava.

(c) Kokeessa ei ole näyttöä siitä, että vesi pääsee höyryksi.

Esimerkki 2: Onko supermarkettisi pesukonejauheen oma tuotemerkki yhtä hyvä kuin kansallisesti mainostettu?

Eric Triton pahoitteli sitä, että hänen vaimonsa Ariel vaati pesemään vaatteensa paikallisen supermarketin omalla jauhemerkillä. Hän oli varma, että tunnettu brändi, jonka hän näki tekevän ihmeitä televisiossa useimpina iltoina, toimisi paremmin. Siksi hän päätti todistaa niin paljon.

Herra Triton päätti verrata kahden tuotteen tehokkuutta siihen, mitä hänen vaimonsa kutsui "vaikeaksi" likaksi: ruohotahroiksi valkoisissa pellava -nenäliinoissa. Hän osti 4 kiloa tunnettua tuotemerkkiä 5,17 euroon supermarketistaan ​​ja totesi, että sama paino oman tuotemerkin jauhetta olisi maksanut 4,47 euroa. Hän noudatti täsmälleen pakkauksissa olevia ohjeita, punnitsi saman määrän jauhetta ja käytti pesukoneen ohjelmaa valkoisille liinavaatteille. Herra Triton oli tietoinen puhtausindeksin tarpeesta ja kehitti siksi subjektiivisen asteikon, joka vaihteli 10: stä ("valkoisempi kuin valkoinen") 0: een (likaisuuden alkutaso).

Tritonin usko vahvistui olennaisesti. Hän teki kansallisen tuotemerkin puhdistamasta nenäliinasta vaikuttavan 8, kun taas oman tuotemerkin jauhe onnistui vain 7. Voitokkaasti hän kertoi tuloksesta vaimolleen. Rouva Triton ei kuitenkaan vaikuttunut. Hän huomautti miehelleen, että hänen kokeessaan oli useita puutteita, ja vakuutti hänet, että tulos ei ollut "todistettu".

Mitkä olivat mielestäsi ne puutteet, jotka rouva Triton olisi voinut havaita?

Miten herra Tritonin olisi pitänyt tehdä kokeilu?

Lisätietoja: Barnard C, Gilbert F ja McGregor P (1993) Kysymyksiä biologiasta, Longmans.

On tarina eräästä kuuluisasta Cambridgen professorista, joka piti paperin tieteellisessä kokouksessa ja häneltä kysyttiin, "mitä tilastollista testiä käytit tulostesi tarkistamiseen?" Professori selitti käyttäneensä omaa tilastollista testiään:

& quot; Osastollamme on pitkä käytävä, jonka toisessa päässä on ilmoitustaulu. Piirrän histogrammin tuloksistani, kiinnitän sen ilmoitustauluun ja kävelen sitten käytävän toiseen päähän. Jos näen silti eron hoitojen välillä, se on merkittävä "

Tämän tarinan merkitys on siinä, mitä se on ei sanoa! Jos koe suunnitellaan ja toteutetaan oikein - kuten odottaisimme arvostetulta tiedemieheltä - tulokset usein puhuvat puolestaan. Tämä voi esimerkiksi koskea kokeita, joissa mutantteja luodaan (tai geenejä lisätään) organismiin, mikä saa aikaan selvän muutoksen käyttäytymiseen, kuten resistenssin antibiootille tai uuden ominaisuuden ilmentymisen. Tällaisia ​​"tai ei mitään" -vaikutuksia tarvitsee harvoin tukea tilastollisilla testeillä, mutta ne tarvitsevat silti hyvää kokeellista suunnittelua.

Monilla biologian aloilla työskentelemme kuitenkin vaihtelevilla vaikutuksilla - eroilla organismien kasvunopeuksissa, määrällisissä eroissa antibioottiresistenssissä tai koossa tai biokemiallisten reaktioiden nopeudessa jne. Tarvitsemme paitsi tilastollisia testejä näiden erojen analysoimiseksi. tarvitsemme myös hyvää kokeellista suunnittelua varmistaaksemme, ettemme ole saaneet tuloksiamme puolueettomasti huomaamatta sitä.

Hyvä kokeellinen suunnittelu on avain hyvään tieteeseen. Mutta se ei ole niin helppoa kuin miltä se saattaa näyttää.

Monissa tapauksissa hyvä kokeellinen suunnittelu edellyttää selkeää käsitystä siitä, miten analysoimme tuloksia, kun saamme ne. Siksi tilastotieteilijät kertovat meille usein Ajattele käyttämiämme tilastollisia testejä ennen kokeen aloittamista.

Kolme tärkeää askelta hyvässä kokeellisessa suunnittelussa

1. Määrittele tavoitteet. Tallenna (eli kirjoita muistiin) tarkalleen, mitä haluat testata kokeessa.

2. Keksi strategia. Kirjaa tarkasti, miten voit saavuttaa tavoitteesi. Tämä sisältää kokeilun koon ja rakenteen miettimisen - kuinka monta hoitoa? montako toistoa? miten tulokset analysoidaan?

3. Määritä kaikki toiminnalliset yksityiskohdat. Miten koe suoritetaan käytännössä? Missä järjestyksessä asiat tehdään? Pitäisikö hoidot satunnaistaa tai noudattaa tiettyä rakennetta? Voiko kokeilun tehdä päivässä? Onko lounaalle aikaa? jne.

Jos kaikki tämä kuulostaa triviaalilta tai ilmeiseltä, lue sitten. Se ei ole niin helppoa kuin luulet!

Esimerkki 1. Kokeet, jotka eivät tuota hyödyllisiä tuloksia, koska emme keränneet tarpeeksi tietoja

Oletetaan, että haluamme testata Mendelin geneettisen ristin tuloksia. Aloitamme kahdella genotyypin vanhemmalla AABB ja aabb (missä A ja a edustavat yhden geenin hallitsevia ja resessiivisiä alleeleja, ja B ja b edustavat toisen geenin hallitsevia ja resessiivisiä alleeleja).

Tiedämme, että kaikki F.1 sukupolvella (näiden vanhempien ensimmäisen sukupolven jälkeläisillä) on genotyyppi AaBb ja että niiden fenotyypissä näkyy molemmat hallitsevat alleelit (esim.1 sukupolvella on punaiset silmät pikemminkin kuin valkoiset silmät, ja normaalit siivet kuin tylsät siivet).

Tämä F1 sukupolvi tuottaa 4 tyyppisiä sukusoluja (AB, Ab, aB ja ab), ja kun ylitämme F: n itse1 sukupolven päädymme eri F2 genotyypit (katso alla oleva taulukko).

Kaikki nämä genotyypit jakautuvat neljään fenotyyppiin, jotka on esitetty taulukon väreillä: kaksinkertainen hallitseva, yksi hallitseva A, yksi hallitseva B ja kaksinkertainen resessiivinen. Ja me tiedämme, että klassisessa Mendelin genetiikassa näiden fenotyyppien suhde on 9: 3: 3: 1

Useimmat ihmiset tietävät myös, että käytämme a chi -neliötesti geneettisten risteytysten tulosten analysoimiseksi: teemme kokeemme, laskemme F: n määrän2 jälkeläisiä, jotka kuuluvat eri luokkiin, ja testaa, vastaavatko tulokset odotuksiamme. Tässä tapauksessa odotetaan, että tulokset sopivat suhteeseen 9: 3: 3: 1.

Mutta et ehkä tiedä, että chi -neliötesti on pätevä vain, jos jokainen odotettu luokka on tässä tapauksessa 5 tai enemmän (sillä ei ole väliä mikä todellinen määrä on kussakin luokassa, mutta odotettu lukumäärä on 5 tai enemmän). Toisin sanoen, meillä on oltava vähintään 80 F.2 jälkeläisiä voidakseen käyttää chi -neliötestiä tässä kokeessa, koska silloin pienimmällä luokalla - kaksinkertaisella resessiivisellä - olisi odotettavissa viisi yksilöä (yksi kuudestoistaosa 80: stä on 5). [Täydellisempi selitys tästä on annettu Chi -neliötestissä.]

Samoin, jos haluat verrata kahta lukua (esim. Bakteerien laimennuslevytyslaskelmia) Poisson -jakauman avulla, sinun on laskettava noin 30 pesäkettä valitulla laimennustasolla. [Poisson -jakauman taustalla olevat periaatteet eivät päde tätä pienempiin lukuihin]

Toisena esimerkkinä samoilla linjoilla, voisimme haluta verrata kasvien kallusviljelmän tuottamaa biomassaa eri ravinneliuoksia sisältävissä pulloissa. Tiedämme, että tarvitsemme useamman kuin yhden pullon kutakin ravintoliuosta (eli tarvitsemme toistoja), ja käytämme Opiskelijan t-testata vertailla kunkin liuoksen keskimääräistä kasvua. [Pohjimmiltaan t-testi vertaa näiden kahden keskiarvon välistä eroa suhteessa hoitojen vaihtelun määrään. Toisin sanoen saamme merkittävän tuloksen, jos keskiarvojen välinen ero on suuri ja/tai toistojen välinen vaihtelu on pieni].

Joten kuinka monta kopiota meidän pitäisi käyttää? Tämä on harkintakysymys (ja käytettävissä olevat resurssit), mutta jos tarkastelemme t-taulukkoa, voimme tehdä järkeviä päätöksiä. Jos käytämme 2 pulloa jokaiseen käsittelyyn (yhteensä 4 pulloa), meillä olisi 2 vapausastetta. Tämä termi on selitetty muualla, mutta toistaiseksi voimme huomata, että vapausasteiden määrä kussakin hoidossa on yksi vähemmän kuin toistojen määrä. Toisin sanoen kahdella 2 pullohoidolla on kaksi vapausastetta. Kahdella 10 pullon käsittelyllä on 18 vapausastetta.

Kun analysoimme tuloksia opiskelijoiden mukaan t-testi, laskemme a t arvoa ja vertaa sitä t arvo todennäköisyydelle 0,05 t-pöytä. Hoitomme eroavat merkittävästi, jos laskettu t -arvo on suurempi kuin taulukossa oleva arvo.

Katso taulukkoa t arvo (4,30) kahdelle vapausasteelle. Se on melko korkea, ja löydämme merkittävän eron hoitojemme välillä vain, jos meillä on melko suuri ero keinojen välillä ja myös vähäinen vaihtelu toistossamme. Mutta jos käyttäisimme 4 toistoa kustakin hoidosta (6 vapausastetta), meillä olisi paljon paremmat mahdollisuudet löytää merkittävä ero (t arvo 2.45) samojen keskiarvojen välillä. Mutta katso vielä alempana t- pöytä - esim. alaspäin 10 vapausasteesta (t-arvo 2.23) - ja näemme, että voisimme hyvin vähän, jos käyttäisimme lisää kopioita. Olisimme pienenevän tuoton valtakunnassa ja saisimme hyvin vähän ylimääräisestä ajasta ja resursseista.

Näiden esimerkkien viesti on, että käyttämämme tilastollisen testin tuntemus auttaa meitä suunnittelemaan kokeemme oikein.

Esimerkki 2 . Kokeet, jotka näyttävät antavan hyödyllisiä tuloksia, mutta käytäntömme pettävät meidät!

Tämän otsikon alla käsittelemme varsinaista kokeilun suorittamista - tehtävää, jossa on monia piilotettuja sudenkuoppia.

Oletetaan, että päätämme verrata 4 hoitoa, joista jokaisella on 4 toistoa - yhteensä 16 bakteeripulloa, 16 ruukkukasveja, 16 biokemiallista reaktiota mitattavaksi spektrofotometrillä jne. Teemme kokeen, saamme hienoja tuloksia, analysoimme niitä Testi olisi varianssianalyysi) ja löydettäisiin merkittäviä eroja hoitojen välillä. Kirjoitamme tulokset ylös, saamme Nobel -palkinnon tai hyvän arvosanan tai mitä tahansa. Tarinan loppu.

Vai onko se? Vastaus tähän kysymykseen riippuu siitä, miten teimme kokeilun. Esimerkiksi saattoi olla hyvä "käytännöllinen" (eli kätevä) syy asettaa kaikki hoidon 1 toisinnot, sitten (esimerkiksi) vaihtaa pipetti ja asettaa kaikki hoidon 2 toisinnot jne. Ongelma on seuraava: miten voimme olla varmoja, että ero, jonka löysimme hoitojen välillä, johtui niiden hoidoista, eivätkä ne vaikuttaneet järjestykseen, jossa asetimme ne? Vaikka olisimme varmoja, kokeilumme on luonnostaan ​​puolueellinen, eikä kukaan luottaisi tuloksiin, jos sanoisimme, miten teimme sen! [On melkein ääretön määrä syitä, miksi olosuhteet saattavat muuttua kokeilun aloittamiseen kuluvan ajan kuluessa. Saatamme esimerkiksi olla jatkuvasti tehokkaampia tai väsyneempiä. Vesihauteen (tai minkä tahansa muun) lämpötila saattaa muuttua hieman tänä aikana. Jokainen pipetti on hieman erilainen kuin seuraava jne. Jne.]

Entäpä jos teet yhden toiston hoidosta 1, sitten toisen hoidosta 2, sitten 3, sitten 4 ja teet sitten toisen toiston hoidosta 1, toisen hoidon 2 jne.? Todellisuudessa tämä poistaisi vain osan luontaisesta harhasta - keskimäärin, hoitoa 1 valmistellaan edelleen ennen hoitoa 2 jne.

Ainoa tapa ratkaista tämä on suunnitella etukäteen. Meillä on periaatteessa kaksi vaihtoehtoa.

  • Voisimme satunnaistaa jokaisen testin asettamisjärjestyksen niin, että on täysin sattumanvaraista, tehdäänkö & quottreatment 1, replicate 1 & quot ensin vai viimeisenä vai jossain keskellä.
  • Voisimme rakentaa kokoonpanon (tai kokeen näytteenoton) siten, että ensin tehdään yksi kopio kustakin hoidosta (satunnaisessa järjestyksessä), sitten suoritetaan jokaisen hoidon seuraava kopio (jälleen satunnaisessa järjestyksessä) ja niin edelleen. Tämä olisi järkevää, jos tietäisimme (tai epäilisimme), että olosuhteet todennäköisesti muuttuvat kokeilun aloittamisen aikana, koska varianssianalyysi (tilastollinen testi, jota käytämme tuloksissamme) voisi erottaa & aikaviiveen vaikutuksen. & quottreatments & quot. vaikutuksesta. Tällaista kokeellista suunnittelua kutsutaan a satunnaistettu lohko design.Se on esitetty alla olevassa ruudukossa, jossa rivit edustavat lohkoja ja käsittelyjen järjestys (A, B, C ja D) lohkojen sisällä määritetään satunnaisesti. [Mutta huomaa, että alla oleva ruudukko on täydellinen - harvoin saat sen, jos tilaat hoidot satunnaisesti lohkojen sisällä. Tämän tyyppistä ruudukkoa kutsutaan a Latinalainen neliö, ja joihinkin tarkoituksiin se on luultavasti parempi kuin satunnaistettu lohko]

Ja vielä viimeinen kohta - samoja periaatteita olisi sovellettava kokeilun muihin käytännön osa -alueisiin. Oletko esimerkiksi koskaan testannut lämpötilagradienttia laboratoriohautomossa tai (vielä pahempaa) sisäänkäynnissä olevassa kasvuhuoneessa? Lämpömittari saattaa tallentaa "30 o C", mutta pystysuuntainen (tai sivusuuntainen) lämpötilagradientti on todennäköisesti 2-3 o tai enemmän. Älä siis koskaan yhdistä kaikkia yhden hoidon toistoja yhteen. Satunnaista ne.

Useimmissa kokeissa satunnaistamme hoidot ja toistot. Tähän on tärkeä tilastollinen syy, koska kaikki tilastolliset menettelyt perustuvat perusolettamukseen, jonka mukaan vaihtelu on satunnaista: toisin sanoen, että se määräytyy sattuman perusteella. Mutta "esto" tulee hyödylliseksi tai jopa välttämättömäksi, jos tiedämme (tai vahvasti epäilemme), että & quotextraneous & quot -tekijät tuovat vaihtelua, jolla ei ole merkitystä testattavien vaikutusten kannalta ja jotka voivat peittää hoitojemme vaikutukset. Tässä on kaksi esimerkkiä, ja voit ajatella monia muita samoilla linjoilla.

  1. Oletetaan, että haluamme testata lannoitehoidon (tai torjunta -aineiden käsittelyn jne.) Vaikutusta satoon. Perustimme kenttätutkimuksen tontteihin, jotka saavat erilaisia ​​hoitoja. Kaikki tietävät, että olosuhteet voivat vaihdella eri pelloilla - pintamaa voi olla joissain paikoissa ohuempi tai kuivempi kuin toisissa, mikä johtaa eroihin sadon kasvussa. Emme voi hallita tätä, joten olisi järkevää merkitä kolme (tai useampia) lohkoa ja käyttää lohkoja (satunnaistettuja hoitoja) näiden lohkojen sisällä. Sitten voimme varianssianalyysin avulla erottaa hoidostamme johtuvan vaihtelun maaperän tai alueen tekijöiden aiheuttamasta vaihtelusta (jotka eivät liity kysymykseen, jota yritämme esittää).
  2. Oletetaan, että kokeen ottaminen tai näytteenotto kestää kauan, emmekä voi olla varmoja siitä, että olosuhteet pysyvät vakioina tänä aikana - laboratorio saattaa lämmetä, kosteus nousta jne. Sitten on järkevää sulkea koe tiettyihin ajanjaksoihin - ennen kahvia, kahvin jälkeen, lounaan jälkeen. Tämä ei tietenkään ole ihanteellinen. Mutta kokeita tehdään todellisessa maailmassa.

Oletetaan, että mittaamme solujen kokoa, puiden korkeutta, mikrobiviljelmien biomassaa, munien lukumäärää pesissä tai mitä tahansa muuta. Asiaa, jota mittaamme tai tallennamme (esim. Solukoko, kasvin korkeus jne.), Kutsutaan a muuttuja.

Jokainen tallentamamme mittaus (esim. Kunkin solun koko) on a arvo tai havainto.

Saamme useita arvoja (esim. 100 soluille), ja tämä on meidän näyte.

Näyte (esim. 100 solua) on osa a väestö. Tässä tapauksessa populaatio (biologisesti) on kaikki viljelmän solut (tai kaikki metsän puut jne.). Teoreettisesti voisimme mitata jokaisen solun tai puun saadakseen täsmällisen mittauksen tästä populaatiosta. Mutta usein haluamme pystyä sanomaan enemmän kuin tämä - jotain yleistä merkitystä otoksemme perusteella. Esimerkiksi jos joku mittaisi kyseisen organismin soluja, he löytäisivät tietyn keskiarvon ja tietyn vaihteluvälin. Tässä on 3 erilaista asiaa, jotka haluat ehkä sanoa.

  • Optimaalinen lämpötila bakteerin kasvulle Escherichia coli on 37 o C, kun taas optimaalinen lämpötila Bacillus cereus on 30 o C.
  • Aikuisten miesten keskimääräinen korkeus Britanniassa on 175 cm, kun taas naisten keskimääräinen korkeus on 162 cm.
  • Rotilla LD50 lääkkeen "Zappit" määrä on 3 mg kg -1 ruumiinpaino. [LD50 on laskettu (tappava) annos, joka tappaa 50% hoidetuista yksilöistä]

Tällaiset yleiset lausunnot perustuvat aina otokseen, koska emme voineet koskaan testata kaikkia mahdollisia kantoja E. coli, älä mittaa kaikkia mahdollisia aikuisia tai testaa kaikkia mahdollisia rotia, jotka voisivat koskaan elää. Niinpä näissä ja monissa muissa tapauksissa väestöä voidaan pitää äärettömänä. Tässä mielessä tilastotieteilijät käyttävät termiä "väestö" - kaikkiin mahdollisiin tietyn tyyppisiin mittauksiin tai tapahtumiin (eli kaikkiin muuttujan mahdollisiin arvoihin).

Tilastoissa käytämme NÄYTTEITÄ populaation parametrien arvioimiseksi.

Tilastolliset menettelyt perustuvat melko monimutkaiseen matematiikkaan. Mutta sen ei tarvitse koskea meitä ollenkaan, koska menettelyt ovat itse asiassa hyvin yksinkertaisia. Pohjimmiltaan meidän näyte laskemme:

  • Keskimäärin, tai tarkoittaa. Näytteen keskiarvon merkintä on (lausutaan "X bar").
  • Jotkut mitta datan hajonnasta (vaihtelualue) otoksen keskiarvon ympärillä. Tätä varten käytämme vaihtelua (merkintä on S2 ) ja sieltä keskihajonta (S).

Kun olemme saaneet nämä arvot, käytämme niitä arvioidaksemme väestö tarkoittaa ja väestön vaihtelu. Erottaakseen siitä, mitä mittaamme (näytteet) ja mitä haluamme arvioida (populaatiot) näytteistä, monet tilastotieteilijät käyttävät kreikkalaisia ​​kirjaimia väestö tarkoittaa (joka on merkitty m (mu) näytteen keskiarvon sijasta) ja väestön vaihtelu (joka on merkitty s 2 (sigma neliö) sen sijaan S 2 näytteen varianssille).

Käsittelemme nämä kohdat kuvailevissa tilastoissa. Mutta ennen kuin siirrymme siihen, meidän on pohdittava lyhyesti, miten vaihtelu jakautuu tilastollisesti.

Jos mittaamme soluja tai ihmisiä tai kasveja tai biokemiallisia reaktioita (absorbanssiarvoina spektrofotometrissä) jne., Löydämme vaihteluvälin. Kun teimme yhä enemmän tämän tyyppisiä mittauksia, ne näyttäisivät jatkuvaa vaihtelua. Jos sijoittaisimme nämä mittaukset sopiviin luokkiin tai luokkavälejä (esimerkiksi kaikki mittaukset, jotka ovat välillä 1,0 ja alle 2,0, kaikki välillä 2,0 ja alle 3,0 jne.) ja piirrä sitten kunkin luokan numerot histogrammina, se näyttää tältä:

Ottaen huomioon riittävät mittaukset (ja riittävän pienet luokkavälit) tämä olisi täysin symmetrinen, kellon muotoinen käyrä. Tämän tyyppisten tietojen sanotaan olevan normaalisti jaettu. Suurin osa mittauksistamme (datapisteet) olisi lähellä keskiarvoa ja vähitellen harvemmin poistuisi laajasti keskiarvosta.

Suurin osa tällä sivustolla tarkastelluista tilastollisista testeistä koskee normaalisti jaettua dataa.

Mutta on myös muita jakelutyyppejä. Jos esimerkiksi mittaamme miesten ja naisten korkeudet yhtenä populaationa, he voivat muodostaa a bimodaalinen jakautuminen - kaksi kuoppaa, joiden välissä on lasku, koska naiset ovat keskimäärin lyhyempiä kuin miehet. Sitten meidän pitäisi kohdella heitä kahdena populaationa, ei yhtenä. Muuntyyppiset tiedot, kuten laskut, kuuluvat luonnollisesti & quoteither/tai & quot luokkiin. Näitä käsitellään eri tavoilla, joista osa selitetään myöhemmin.

Ennen tilastollisen testin suorittamista kokeilijan on tarkistettava, millainen jakauma koskee tietoja. Usein tähän riittää logiikka, yksinkertainen havainto ja aiempi kokemus.

TILASTOTESTIT:
Opiskelijan t-testata kahden näytteen keskiarvon vertaamiseksi
Parinäytteiden testi. (kuten t-testi, mutta sitä käytetään, kun tiedot voidaan yhdistää pariksi)
Varianssianalyysi kolmen tai useamman näytteen keskiarvon vertailuun:


Materiaalit ja menetelmät

Työhön osallistui 48 aikuista, enimmäkseen korkeakoulu- ja jatko -opiskelijoita. Osallistujat jaettiin kahteen ryhmään: 24 osallistujaa, 12 miestä ja 12 naista (keski -ikä: 22,96 vuotta vanha, SD: 1,92 vuotta) saivat AACC -version ja 24 osallistujaa, 12 miestä ja 12 naista (keski -ikä: 23,04 vuotta vanha) , SD: 2,33 vuotta) sai BBDD -version. Jokainen osallistuja suoritti vain yhden sarjan tasapainoisia korttipaikkoja (kuten AACC, ACCA, ACAC, CCAA, CAAC ja CACA) estääkseen sijaintivaikutuksen eli neljä osallistujaa (2) miehet ja 2 narttua). Lisäksi jokainen osallistuja suoritti pelin kahdesti ja heidän mieltymyksensä ensimmäisen ja toisen vaiheen aikana jäljitettiin. Ensimmäisen vaiheen jälkeen jokainen osallistuja täytti välittömästi kyselylomakkeen mieltymystensä osoittamiseksi. Kaksivaiheisessa suunnittelussa osallistujille ilmoitettiin, että he olivat täysin vapaita valitsemaan kansit ja että pelin pelaamisessa ei ollut aikarajoituksia. Osallistujat suorittivat toisen ajon heti ensimmäisen istunnon pelin ja kyselylomakkeen päätyttyä. Lisäksi osallistujille ilmoitettiin, että toisessa pelissä oli samat sisäiset säännöt kuin ensimmäisessä pelissä.

Kannen asennon vastapaino yksinkertaistetussa IGT: ssä. Kuvio esitti vuokaavion AACC- ja BBDD -versioiden luomisesta alkuperäisestä IGT: stä ja järjesti ne uudelleen kuuden koostumuksen tuottamiseksi AACC- ja BBDD -versioissa sijaintivaikutuksen vastapainoksi. Jokaisen koostumuksen suorittivat kaksi mies- ja kaksi naispuolista aikuista sukupuolivaikutuksen hallitsemiseksi.


Viitteet

Anderson, C., & amp; Berdahl, J. L. (2002). Kokemus vallasta: Tarkastellaan vallan vaikutuksia lähestymis- ja esto -taipumuksiin. Journal of Personality and Social Psychology, 83, 1362–1377.

Anderson, C., & amp; Galinsky, A. D. (2006). Voimaa, optimismia ja riskinottoa. European Journal of Social Psychology, 36, 511–536.

Avolio, B. J., & amp; Yammarino, F. J. (2003). Muutos ja karismaattinen johtajuus: tie eteenpäin. Oxford, Iso -Britannia: Elsevier Press.

Ayman, R., Chemers, M. M., & amp; Fiedler, F. (1995). Johtamisen tehokkuuden valmiusmalli: sen analyysitaso. Johtajuus neljännesvuosittain, 6(2), 147–167.

Beyer, J. M. (1999). Karisman kesyttäminen ja edistäminen organisaatioiden muuttamiseksi. Johtajuus neljännesvuosittain, 10(2), 307–330.

Blass, T. (1999). Milgramin paradigma 35 vuoden jälkeen: Jotkut asiat, jotka nyt tiedämme tottelevaisuudesta auktoriteettiin. Journal of Applied Social Psychology, 29, 955–978.

Borge, C. (2007). Perus vaistot: Pahan tiede. Haettu osoitteesta http://a.abcnews.com/Primetime/Story?id=2765416&page=1.

Chemers, M. M. (2001). Johtamisen tehokkuus: Kattava katsaus. Julkaisussa M. A. Hogg & amp; R. S. Tindale (toim.), Blackwellin sosiaalipsykologian käsikirja: Ryhmäprosessit (s. 376–399). Oxford, Iso -Britannia: Blackwell.

Chen, S., Lee-Chai, A. Y., & amp; Bargh, J. A. (2001). Suhteeseen suuntautuminen sosiaalisen vallan vaikutusten valvojana. Journal of Personality and Social Psychology, s. 80(2), 173–187.

Conger, J. A., & amp; Kanungo, R. N. (1998). Karismaattinen johtajuus organisaatioissa. Thousand Oaks, CA: Salvia.

Cronshaw, S. F., & amp Lord, R. G. (1987). Luokittelun, attribuution ja koodausprosessien vaikutukset johtamisen käsityksiin. Journal of Applied Psychology, s. 72, 97–106.

Depret, E., & amp; Fiske, S. T. (1999). Voimakkaiden havaitseminen: kiehtovia yksilöitä vastaan ​​uhkaavia ryhmiä. Journal of Experimental Social Psychology, 35(5), 461–480.

Dirks, K. T., & amp; Ferrin, D. L. (2002). Luottamus johtamiseen: Meta-analyyttiset havainnot ja vaikutukset tutkimukseen ja käytäntöön. Journal of Applied Psychology, s. 87, 611–628.

Driefus, C. (2007, 3. huhtikuuta). Toivon löytäminen pahan universaalin kyvyn tuntemisesta. New Yorkin ajat.

Fiske, S. T. (1993). Muiden ihmisten hallinta: Vallan vaikutus stereotypioihin. Amerikkalainen psykologi, 48, 621–628.

French, J. R. P., & amp Raven, B. H. (1959). Sosiaalisen vallan perusteet. Cartwright (toim.), Sosiaalisen vallan opintoja (s. 150–167). Ann Arbor, MI: Yhteiskuntatutkimuslaitos.

Galinsky A. D., Gruenfeld, D.H., & amp; Magee, J. C. (2003). Voimasta toimintaan. Journal of Personality and Social Psychology, 85, 453–466.

Heath, T. B., McCarthy, M. S. ja Mothersbaugh, D. L. (1994). Puheenjohtajan mainetta ja eloisuutta koskevat vaikutukset aiheeseen liittyvän ajattelun yhteydessä: Kilpailuympäristön hillitsevä rooli. Journal of Consumer Research, 20, 520–534.

Henrich, J., & amp; Gil-White, F. (2001). Arvovallan kehitys: Vapaasti myönnetty asema mekanismina kulttuurinvälityksen etujen lisäämiseksi. Evoluutio ja ihmisen käyttäytyminen, 22, 1–32.

Hogg, M.A. (2001). Johtajuuden sosiaalisen identiteetin teoria. Persoonallisuus- ja sosiaalipsykologian katsaus, 5,184–200.

Hogg, M.A. (2010). Vaikutus ja johtajuus. Julkaisuissa S.F. Fiske, D. T. Gilbert, & amp.Lindzey (Toim.), Sosiaalipsykologian käsikirja (Vuosikerta 2, s. 1166–1207). New York, NY: Wiley.

Hogg, M. A., & amp; Knippenberg, D. (2003). Sosiaalinen identiteetti ja johtamisprosessit ryhmissä. Kokeellisen sosiaalipsykologian edistysaskeleet, 35, 1–52.

Tuomari, T, Bono, J., Ilies, R., & amp; Gerhardt, M. (2002). Persoonallisuus ja johtajuus: Laadullinen ja määrällinen tarkastelu, Journal of Applied Psychology, s. 87, 765–780.

Kamins, A. M. (1989). Julkkis ja ei-julkkis kaksipuolisessa kontekstissa. Journal of Advertising Research, 29, 34–42.

Kelman, H. (1961). Mielipideprosessit. Yleinen mielipide neljännesvuosittain, 25, 57–78.

Keltner, D., Gruenfeld, D.H., & amp; Anderson, C. (2003). Voima, lähestymistapa ja esto. Psykologinen katsaus, 110(2), 265–284.

Kenny, D. A., & amp; Zaccaro, S. J. (1983). Arvio varianssista johtamisen ominaisuuksista johtuen. Journal of Applied Psychology, 68, 678–685.

Kilham, W., & amp; Mann, L. (1974). Tuhoisan kuuliaisuuden taso lähettimen ja toimeenpanijan roolien funktiona Milgramin tottelevaisuusmallissa. Journal of Personality and Social Psychology, 29, 692–702.

Kipnis, D. (1972). Korruptoiko valta? Journal of Personality and Social Psychology, 24, 33–41.

Meeus, W. H., & amp; Raaijmakers, Q. A. (1986). Hallinnollinen tottelevaisuus: Psykologisen ja hallinnollisen väkivallan käyttämistä koskevien määräysten toteuttaminen. European Journal of Social Psychology, 16, 311–324.

Milgram, S. (1974). Kuuliaisuus auktoriteetille: kokeellinen näkemys. New York, NY: Harper & amp Row.

Molm, L. D. (1997). Pakkovoima sosiaalisessa vaihdossa. New York, NY: Cambridge University Press.

Platow, M. J., & amp; Knippenberg, D. (2001). Johdon hyväksynnän sosiaalisen identiteetin analyysi: Johtajan ryhmän sisäisen prototyyppisyyden ja jakautumisen välisen oikeudenmukaisuuden vaikutukset. Persoonallisuus- ja sosiaalipsykologian tiedotteet, 27, 1508–1519.

Podsakoff, P. M., MacKenzie, S. B., Moorman, R. H., & amp; Fetter, R. (1990). Muuttuvat johtajien käyttäytymiset ja niiden vaikutukset seuraajien luottamukseen johtajaan, tyytyväisyyteen ja organisaation kansalaiskäyttäytymiseen. Johtajuus neljännesvuosittain, 1, 107–142.

Raven, B. H. (1992). Ihmissuhteiden vaikutus-/vuorovaikutusmalli: ranska ja Raven kolmekymmentä vuotta myöhemmin. Journal of Social Behavior and Personality, 7(2), 217–244.

Reicher, S. D., & amp; Hopkins, N. (2003). Johtamisen taiteesta. Teoksissa D. van Knippenberg ja M. A. Hogg (toim.), Johtajuus ja valta: Identiteettiprosessit ryhmissä ja organisaatioissa (s. 197–209). Lontoo, Iso -Britannia: Sage.

Reicher, S., & amp Haslam, S. A. (2006). Tyrannian psykologian uudelleenarviointi: BBC: n vankilatutkimus. British Journal of Social Psychology, s. 45(1), 1–40.

Simonton, D. K. (1988). Presidentin tyyli: persoonallisuus, elämäkerta ja esitys. Journal of Personality and Social Psychology, 55, 928–936.

Simonton, D. K. (1994). Suuruus: Kuka tekee historiaa ja miksi. New York, NY: Guilford Press.

Simonton, D. K. (1995). Persoonallisuus ja älylliset johtajuuden ennustajat. Julkaisussa D. H. Saklofske et ai. (Toim.), Kansainvälinen käsikirja persoonallisuudesta ja älykkyydestä. Näkökulmia yksilöllisiin eroihin (s. 739–757). New York, NY: täysistunto.

Sorrentino, R. M., & amp; Boutillier, R. G. (1975). Suullisen vuorovaikutuksen määrän ja laadun vaikutus johtamiskyvyn arviointiin. Journal of Experimental Social Psychology, 11, 403–411.

Stanfordin vankilakokeilu. Haettu osoitteesta http://www.prisonexp.org/links.htm.

Tepper, B. J., Carr, J. C., Breaux, D. M., Geider, S., Hu, C., & amp Hua, W. (2009). Väärinkäyttövalvonta, aikomukset lopettaa ja työntekijöiden poikkeama työpaikalta: teho-/riippuvuusanalyysi. Organisaation käyttäytyminen ja ihmisen päätöksentekoprosessit, 109(2), 156–167.

van Kleef, G. A., Oveis, C., van der Löwe, I., LuoKogan, A., Goetz, J. & amp; Keltner, D. (2008). Voima, ahdistus ja myötätunto: Sulkemalla silmät muiden kärsimykselle. Psykologinen tiede, 19(12), 1315–1322.

Wilson, E. J., & amp. Sherrell, D. L. (1993). Lähdevaikutukset viestinnässä ja vakuuttamisessa: Vaikutuksen koon meta-analyysi. Journal of the Academy of Marketing Science, 21, 101–112.

Yukl, G. A. (2002). Johtajuus organisaatioissa. Upper Saddle River, NJ: Prentice Hall.

Zaccaro, S. J. (2007). Piirteisiin perustuvat johtamisen näkökulmat. Amerikkalainen psykologi, 62, 6–16.


Katso video: Junes Lokan esitys verotuksesta - Latekoe sekoaa ja solvaa (Saattaa 2022).