Анализ психометрических функций на основе множественных ответов

Введение в исследование психометрических функций

В экспериментах, где рейтинги уверенности используются для оценки различимости стимулов или проверки психофизических моделей, зачастую предъявляется недостаточное количество значений переменной стимула. Это затрудняет определение формы психометрической функции (PMF — англ. Psychometric Function). Традиционно исследователи ограничиваются бинарным выбором, однако использование трех и более упорядоченных категорий ответов позволяет генерировать целое семейство функций, каждая из которых основана на различном разделении ответов.

Методология разделения ответов

Когда наблюдатель делает выбор из набора более чем двух категорий (например, «выше», «такой же», «ниже» или при оценке временного порядка событий), каждая точка разделения позволяет построить уникальную PMF. Этот метод помогает декомпозировать наблюдаемые данные на отдельные вклады от сенсорных процессов (восприятие самого стимула) и процессов принятия решений (критерии, которые устанавливает наблюдатель).

«Различия между PMF в одном семействе зависят исключительно от процессов принятия решений, тогда как сами функции определяются как сенсорными, так и решающими факторами» — отмечают авторы.

Математическое обоснование: Кумулянты

Для описания формы и разброса функций авторы используют кумулянты — ряд статистических характеристик (аналогичных моментам), которые описывают распределение вероятностей. Ключевым преимуществом является свойство аддитивности кумулянтов: если PMF представлена как сумма двух стохастически независимых случайных величин (S — сенсорная информация и D — решение), то кумулянты всей функции равны сумме кумулянтов этих составляющих.

Модели принятия решений

Детерминированная модель

В этой модели предполагается наличие фиксированных критериев (θ). Наблюдатель выбирает ответ «i», если сенсорная переменная S попадает в определенный диапазон. Если критерии фиксированы, все полученные психометрические функции должны быть параллельны, различаясь только сдвигом по оси стимула.

Вероятностная модель и флуктуирующие критерии

Более гибкие модели допускают, что критерии могут колебаться от испытания к испытанию. Если критерии являются случайными величинами, то PMF больше не обязаны быть идеально параллельными. Авторы анализируют следующие подходы:

• Модель порогового интервала: учитывает область неопределенности вокруг нуля, где стимулы неразличимы.
• Модель успеха (Successiveness Model): объясняет данные в экспериментах с оценкой временного порядка, где точность суждения о последовательности может отличаться от точности суждения об очередности.

Анализ эмпирических данных

Авторы применяют предложенный метод к реальным экспериментальным данным (включая исследования Allan, 1975 и van Eijk et al., 2008). Анализ показывает, что большинство моделей с «фиксированными критериями» не выдерживают проверки, так как наблюдаемые функции PMF не параллельны и имеют различную асимметрию. Модели, допускающие флуктуацию критериев или учитывающие специфику суждений о «одновременности», показывают гораздо более высокую точность описания данных.

Выводы исследования

Использование множественных ответов в психофизике значительно расширяет возможности для анализа восприятия. Метод кумулянтов позволяет:

• Фальсифицировать неадекватные теоретические модели.
• Отделить шум, связанный с процессом принятия решений, от истинной сенсорной чувствительности.
• Проводить параметрически независимые тесты, что делает результаты более надежными.

Таким образом, для будущих исследований в области психофизики (особенно в изучении временного порядка или сравнении интенсивности стимулов) рекомендуется использовать расширенные шкалы ответов с последующим кумулянтным анализом семейства полученных психометрических функций.