Как несоответствующие доказательства влияют на уверенность в принятии решений

Уверенность в принятии решений: Механизмы и искажения

Люди обладают удивительной способностью чувствовать уверенность в правильности своих решений и других внутренних когнитивных процессов. Это явление называется метапознанием. Например, мы можем быть очень уверены, что узнали старого друга на улице, или, наоборот, испытывать низкую уверенность, сворачивая налево в незнакомом городе. Такие сигналы уверенности могут помочь оптимизировать поведение и способствовать обучению, особенно в отсутствие внешней обратной связи.

Чем выше корреляция между уверенностью и объективной точностью, тем более достоверным становится этот прокси-сигнал обратной связи. Однако, конечно, уверенность — это не «хрустальный шар»; если бы мы могли надежно обнаруживать все свои ошибки, поведение человека было бы безупречным. Действительно, исследования показали, что уверенность и точность в лучшем случае коррелируют умеренно. Эти выводы вызвали интерес к исследованию того, как формируется уверенность внутри нас и на каких сигналах она основана.

Ключевой вопрос: Источники уверенности

Один из ключевых вопросов в этом направлении исследований заключается в том, являются ли выбор и уверенность трансформациями одних и тех же лежащих в основе переменных, как предсказывают некоторые нормативные модели (например, сигнальная теория обнаружения или модели SDT), или же уверенность может быть отделена от доказательств, управляющих выбором. Несколько недавних исследований подтверждают второе: уверенность основана на субоптимальном сочетании доказательств.

Более конкретно, исследования показали, что суждения об уверенности преимущественно основаны на информации, соответствующей ответу (response-congruent information). Например, в задаче с искаженными изображениями лиц/домов Петерс и коллеги использовали внутричерепные записи, чтобы продемонстрировать, что выбор надежно предсказывается нейронной активностью, связанной как с выбранным, так и с невыбранным вариантом ответа, тогда как уверенность была связана только со степенью нейронных доказательств для выбранного, но не для невыбранного варианта ответа.

Слепота уверенности к несоответствующим доказательствам

Слепота уверенности к доказательствам, не соответствующим выбору, часто называется позитивным смещением доказательств (positive evidence bias) по названию экспериментального метода, используемого для его вызова: исследователи избирательно манипулировали доказательствами, поддерживающими два доступных варианта ответа, в результате чего доказательства, поддерживающие выбранный вариант (позитивные доказательства), как правило, переоцениваются для уверенности. Здесь мы будем использовать более нейтральный термин доказательства, соответствующие ответу (response congruent evidence; RCE effect), чтобы обозначить эмпирическое наблюдение, что уверенность в большей степени зависит от доказательств, соответствующих ответу.

Игнорирование доказательств, не соответствующих ответу, может привести к завышенной уверенности, что, в свою очередь, может вызвать дальнейшие когнитивные искажения из-за корректировки поведения участниками на основе завышенного чувства уверенности. Важно отметить, что в этом случае такая чрезмерная уверенность будет обусловлена не параметром смещения, как это может быть реализовано в некоторых других моделях, а будет присуща самой обработке доказательств.

Реальные примеры: Политика и идеология

В качестве примера из реальной жизни можно привести исследование Ортолевы и Сноуберга, которые обнаружили связь между чрезмерной уверенностью и экстремальными политическими идеологиями. Соответственно, Роллвейдж и коллеги показали, что у участников, придерживающихся обоих политических экстремумов, было нарушено метакогнитивное отслеживание. Авторы связывают это снижение проницательности с уменьшением коррекции ошибок, что может объяснить поддержание радикальных убеждений.

Учитывая эти последствия для метакогнитивного контроля, важно понимать механизмы, лежащие в основе эффекта RCE. В настоящей работе мы исследовали формирование уверенности, используя задачу перцептивного принятия решений, которая обеспечивала высокий контроль над образцами доказательств, представленными участникам. Наша логика заключалась в том, что большинство предыдущих исследований использовали стимульный материал, в котором доказательства относились к двум взаимоисключающим категориям (например, движение влево против вправо; изображения домов против лиц). Хотя такие задачи имеют много преимуществ, таких как возможность избирательно манипулировать позитивными доказательствами, они ограничены, если мы пытаемся понять, как участники собирают доказательства из непрерывного пространства стимулов, что, по-видимому, часто встречается в реальном принятии решений.

Методология: Анализ данных и эксперименты

В текущей работе мы переанализировали девять наборов данных, все из которых использовали одну и ту же задачу цветовой дискриминации, в которой доказательства непрерывно распределены вокруг границы категории, а зашумленные стимулы необходимо классифицировать участниками как красные или синие (Рис. 1A). Периодическая звуковая обратная связь гарантировала, что участники максимально приняли эту границу категории в качестве своего критерия принятия решений. Эта задача была первоначально разработана де Гардель и Саммерфилдом для изучения надежного усреднения при принятии решений. Авторы обнаружили, что доказательства вносили вклад в процесс принятия решений в зависимости от их расстояния до критерия принятия решений: образцы доказательств, расположенные ближе к критерию принятия решений, получали больший вес при принятии решения.

Надежное усреднение (robust averaging) приносит пользу решениям, поскольку защищает их от шума. При стандартных предположениях SDT ожидается, что все элементы будут в равной степени способствовать вычислению уверенности. Это предположение показано пунктирной горизонтальной линией на Рис. 1D. Если, с другой стороны, наши данные выявят эффект RCE, это отразится в закономерности, показанной на Рис. 1D, как сплошная линия: согласно этому подходу, мы ожидаем, что уверенность будет в основном зависеть от количества красного (по сравнению с синим) в стимуле, когда категория была красной (по сравнению с синей).

В качестве третьего варианта наши данные могли бы выявить обратный эффект (пунктирные линии на Рис. 1D). Эта закономерность напрямую следует из принципа надежного усреднения: в стимуле, где цветовые образцы распределены вокруг среднего красного значения, синие доказательства, по определению, находятся ближе всего к границе категории, и наоборот (Рис. 1B). Рис. 1C показывает средние оттенки для каждой из восьми позиций отсортированных элементов (ранг оттенка) в зависимости от цвета и набора данных. Другими словами, для каждого стимула мы сортировали значения оттенка восьми составляющих элементов, чтобы сформировать их ранг оттенка, а затем усредняли эти восемь рангов, чтобы визуализировать распределение различных элементов. Граница категории (горизонтальная пунктирная линия) пересекает распределения оттенков примерно на третьем ранге для красных стимулов и на шестом ранге для синих стимулов.

Поскольку ожидается, что доказательства, близкие к критерию принятия решений (который должен быть близок к границе категории), будут вносить больший вклад, принцип надежного усреднения, следовательно, предсказывает, что уверенность чрезмерно зависит от вариаций несоответствующих доказательств (response-incongruent evidence), а не от соответствующих доказательств. Рис. 1D показывает визуализацию трех возможных результатов. Сила нашей задачи заключается в ее способности точно контролировать образцы доказательств, на которых основан выбор.

Предваряя наши результаты, по девяти различным наборам данных мы обнаружили, что уверенность в основном зависит от несоответствующих доказательств (то есть, поддерживая гипотезу RIE). Затем мы переходим к теории адаптивного усиления (adaptive gain theory), расширяя вычислительную модель, предложенную де Гардель и Саммерфилдом, для включения суждений об уверенности. Результаты формального сравнения моделей показывают, что наши выводы лучше всего объясняются моделью, которая предполагает повышенную чувствительность к доказательствам, расположенным близко к критерию принятия решений. Такая модель, кроме того, превосходит конкурирующую модель, реализующую позитивное смещение доказательств (эффект RCE).

Важно отметить, что параметр, контролирующий повышенную чувствительность, отвечал за объяснение как надежного усреднения в выборах, так и эффекта RIE в уверенности, тем самым предоставляя единое объяснение обоим явлениям. Наконец, мы проверили предсказание нашей модели в предварительно зарегистрированном эксперименте: участники столкнулись с идентичными пурпурными стимулами в двух различных цветовых контекстах: различая синий и пурпурный (далее «Синий контекст») или пурпурный и красный («Красный контекст»). Затем мы проверили, можно ли обратить направление эффекта RIE с помощью цветового контекста (т. е. для физически идентичных пурпурных стимулов уверенность будет в наибольшей степени обусловлена синеватыми элементами в Синем контексте и красноватыми элементами в Красном контексте).

Мы обсуждаем, как такая закономерность может быть согласована с эффектом RCE, указывая, что они могут естественным образом возникать из различных сценариев принятия решений (одномерная или двумерная сигнальная теория обнаружения).

Резюме исследования

В настоящей работе мы проверили три альтернативные гипотезы относительно того, как доказательства вносят вклад в суждения об уверенности при перцептивном принятии решений.

• Во-первых, согласно стандартным предположениям сигнальной теории обнаружения, все образцы доказательств должны в равной степени способствовать уверенности.
• Во-вторых, в соответствии с эффектом RCE, уверенность может зависеть преимущественно от вариации доказательств, поддерживающих выбранную категорию.
• В-третьих, в соответствии с принципом надежного усреднения, уверенность вместо этого может непропорционально зависеть от несоответствующих доказательств, расположенных ближе всего к границе категории, что приведет к закономерности данных, в которой уверенность больше зависит от вариации доказательств, поддерживающих невыбранную категорию (эффект RIE).

Методы: Сбор и анализ данных

В настоящем исследовании мы переанализировали 9 ранее опубликованных наборов данных. Все наборы данных были собраны с использованием одной и той же задачи цветовой дискриминации, первоначально описанной де Гардель и Саммерфилдом и расширенной для использования в оценке уверенности Болдтом и коллегами. В этой задаче участникам предлагалось быстро и точно сообщать, является ли средний цвет массива форм красным или синим, а затем сообщать свою уверенность в правильности этого решения по шестибалльной шкале от 1 («определенно неправильно») до 6 («определенно правильно»). Сложность задачи манипулировалась двумя ортогональными способами: путем варьирования расстояния среднего цвета от границы категории и путем варьирования вариации цвета различных элементов. Цвета восьми форм, составлявших каждый стимул, непрерывно варьировались от синего до красного. Критически важно, что отдельные элементы в пределах стимула могли пересекать границу категории. Например, стимул, который в среднем был синим, мог содержать отдельные элементы, которые были красными.

Всего в наши объединенные данные вошло 82 118 проб. Дополнительные сведения о наборах данных можно найти в Дополнительной заметке 1 и Таблице S3. Мы разработали последующий эксперимент для проверки предсказания модели о том, что близость к границе категории является решающим фактором, вызывающим эффект RIE. Этот эксперимент был предварительно зарегистрирован 28 апреля 2023 года и может быть найден по адресу https://osf.io/4326x/. Мы протестировали 37 участников, 5 из которых были исключены по нашим предварительно зарегистрированным критериям. Все пятеро имели частоту ошибок выше 30%. Ни один участник не был исключен по нашим другим двум критериям исключения (более 10% пропусков и выбор одного из уровней уверенности более чем в 90% случаев).

Наша окончательная выборка составила 32 участника, что соответствует размеру выборки, предварительно зарегистрированному на основе рекомендации Брисберта и Стивенса иметь не менее 1600 наблюдений на ячейку (что приводит к минимуму N=11; 11*150 проб = 1650 наблюдений). Двадцать семь участников были восприняты экспериментатором как женщины, а пятеро — как мужчины, на основе явного гендерного представления, поскольку гендерная идентичность формально не регистрировалась. Участники сообщили о среднем возрасте 22,8 года (19–30 лет). Данные о расе или этнической принадлежности не собирались. Участники сообщили о наличии нормального цветового зрения и отсутствии психических или неврологических расстройств. Наше исследование длилось примерно один час, и участники были вознаграждены £10. Все тестирование было одобрено этическим комитетом Университетского колледжа Лондона (1584/003), и все участники дали информированное согласие перед участием в исследовании.

Мы манипулировали границей категории с использованием внутрисубъектного дизайна: участники прошли 5 экспериментальных блоков в каждом цветовом контексте, либо определяя, являются ли стимулы синими против пурпурных (Синий контекст), либо пурпурными против красных (Красный контекст). Пурпурные стимулы, используемые в обоих контекстах, были идентичны, но мы ожидали, что пурпурный в Синем контексте будет рассматриваться как красный (т. е. синеватые элементы вносят больший вклад в выборы и уверенность), а пурпурный в Красном контексте будет рассматриваться как синий (т. е. красноватые элементы вносят больший вклад в выборы и уверенность). Категории стимулов были одинаково часто встречающимися в каждом контексте. Каждому решению предшествовала оценка уверенности, снова по 6-балльной шкале. Каждый экспериментальный блок состоял из 84 проб, 24 из которых были пробами без оценки уверенности, а вместо этого со звуковой обратной связью об ошибках, позволяющей участникам избежать сильной цветовой предвзятости. Эти пробные данные с обратной связью были исключены из всех анализов. Это означает, что мы включили 300 проб на цветовой контекст.

Мы планировали создать красные и синие стимулы, равноудаленные от пурпурных, тем самым создавая цветовые контексты сопоставимой сложности. Однако из-за ошибки кодирования красные стимулы оказались ближе к пурпурным, чем синие, что создало более сложный Красный контекст. Хотя это и было неудачно и, вероятно, внесло больше шума в наши данные, эта ошибка не повлияла на наши основные контрасты, поскольку пурпурные стимулы были идентичны, как и планировалось. Основной текст содержит только предварительно зарегистрированную ключевую гипотезу. Все остальные анализы можно найти в Дополнительной заметке 2. Следует отметить, что мы несколько отклонились от предварительной регистрации: хотя мы первоначально планировали подогнать все данные в единую модель, опасения по поводу мультиколлинеарности привели нас к тому, что мы вместо этого подогнали четыре отдельные модели (по одной для каждого условия цвета и контекста), а не использовали фиктивные переменные. В результате сравнения наклонов для пурпурных проб в двух разных контекстах, представленных здесь, основаны на оценках из двух отдельных линейных смешанных моделей, а не на взаимодействии между контекстом и оттенком, которое мы первоначально зарегистрировали для тестирования.

Анализ поведенческих данных

Большинство анализов проводились с использованием линейных или логистических смешанных моделей. Все модели включали по крайней мере случайный перехват на участника (вложенный в их соответствующий эксперимент), а также все манипуляции, представляющие интерес, и их взаимодействия как фиксированные эффекты. Затем эти модели были расширены случайными наклонами в порядке наибольшего увеличения BIC, до тех пор, пока добавление случайных наклонов не привело к незначительному увеличению правдоподобия или пока структура случайных эффектов не стала слишком сложной для поддержки данными (что привело к нестабильному соответствию). Мы использовали функции lmer и glmer пакета lme4 для подгонки линейных и обобщенных линейных смешанных моделей соответственно в R. Расчет p-значений основан на оценках хи-квадрат с использованием теста Вальда из пакета car.

Следующие анализы проводились на объединенных данных.

1. Во-первых, мы проверили, имеет ли самооценка уверенности значимую связь с точностью, подогнав логистическую смешанную модель, в которой точность на уровне проб предсказывалась уверенностью.
2. Во-вторых, мы проверили влияние среднего значения и дисперсии стимула на точность и уверенность, подогнав логистическую и линейную смешанные модели для этих исходов соответственно.
3. В-третьих, мы проверили ранее сообщаемый результат, что при сравнении условий с высоким средним, высокой дисперсией против низкого среднего, низкой дисперсии точность совпадает, тогда как существует явное различие в уверенности. Обратите внимание, что мы могли проверить этот конкретный результат только в семи наборах данных, в которых мы использовали конкретный дизайн 2×2. Для этих исследований мы избирательно анализировали уверенность и точность в условиях низкого среднего, низкой дисперсии по сравнению с условиями высокого среднего, высокой дисперсии. Для последующего анализа незначимого различия в точности мы вычислили фактор Байеса с использованием стандартных априорных значений, реализованных в пакете BayesFactor, что дало умеренное свидетельство в пользу нулевой гипотезы (т. е. отсутствие различий в точности между условиями).
4. В-четвертых, чтобы проверить эффект надежного усреднения для выборов, мы подогнали логистическую смешанную модель, предсказывающую выборы («красный» против «синего» ответа) с использованием значений оттенка восьми цветных элементов каждого стимула в качестве предикторов, отсортированных от красного к синему, и для каждого элемента мы также включили его взаимодействие с категорией стимула (т. е. красным или синим) и для набора данных 10 также цветовой контекст. Затем мы проверили конкретные гипотезы по этим моделям, построив постхок контрасты, как реализовано в пакете multcomp, которые проверили следующие гипотезы: (i) первая пара контрастов протестировала, отдельно для красных и синих стимулов, показывают ли коэффициенты бета линейный наклон; (ii) вторая пара контрастов протестировала, отдельно для красных и синих стимулов, имеют ли внутренние элементы (позиции 3–6) более сильные веса бета по сравнению с внешними элементами (позиции 1–2 и 7–8); и (iii) третья пара контрастов протестировала, отдельно для красных и синих стимулов, имеют ли элементы, не соответствующие стимулу (позиции 1–4 для красных, позиции 5–8 для синих), более сильные коэффициенты бета, чем соответствующие стимулу элементы (позиции 5–8 для красных, позиции 1–4 для синих).
5. В-пятых, мы проверили, существует ли аналогичный эффект надежного усреднения для уверенности, повторив предыдущий анализ с использованием линейной смешанной модели, где уверенность является зависимой переменной. Этот последний поведенческий анализ ответил на наш ключевой вопрос: покажут ли наши данные эффект RCE или вместо него эффект RIE. Те же контрасты, что и указанные для модели выбора, использовались для проверки конкретных гипотез. Однако вклад внутренних против внешних элементов был направлен на воспроизведение ранее сообщаемого эффекта выбора де Гардель и Саммерфилдом, и поэтому был опущен для уверенности.

Как для смешанных моделей, предсказывающих выборы, так и для уверенности, мы решили разделить данные по их объективной категории стимулов («синие» против «красных» проб), тем самым соответствуя подходу, использованному де Гардель и Саммерфилдом. Важно отметить, что наши результаты не меняются, если вместо этого мы разделим по ответам (см. Рис. S1). Поэтому мы используем термины RCE и RIE на протяжении всей этой статьи, а не говорим о соответствии стимулам.

Везде, где показаны доверительные интервалы для фиксированных эффектов, они получены непосредственно из смешанных моделей. Они отражают оцененные эффекты на уровне населения, вычисленные по всем участникам с учетом вложенности участников в наборы данных через структуру случайных эффектов модели.

Для всех t-тестов мы формально оценивали нормальность с помощью тестов Шапиро-Уилка. Если явно не указано иное, нарушений предположения о нормальности не обнаружено. Для всех парных байесовских t-тестов мы использовали стандартные коши-приоритеты (r=0.707). Для всех парных корреляций Пирсона мы визуально оценивали линейность и проверяли бивариантную нормальность с помощью тестов Шапиро-Уилка. В случаях, когда нормальность была нарушена, вместо этого использовались ранговые корреляции Спирмена, а доверительные интервалы оценивались с использованием бутстрэп-подхода. Сходимость модели была проверена для всех сообщенных линейных и логистических смешанных моделей. Мультиколлинеарность между фиксированными эффектами оценивалась с помощью факторов инфляции дисперсии (VIF), при этом все модели демонстрировали приемлемые значения (VIF < 5.33).

Результаты моделирования: Объяснение эффекта RIE

Количественное сравнение моделей показало, что модели cLPR с параметром сжатия показали превосходное соответствие, что позволило нам сделать вывод, что близость к границе категории является решающим фактором, лежащим в основе эффекта RIE. Основываясь на этом наблюдении, критическим предсказанием нашей модели является то, что эффект RIE полностью зависит от положения границы категории. Однако это просто предсказание, сделанное моделью, и поэтому оно нуждается в эмпирической проверке. Как описано в разделе «Методы», мы разработали предварительно зарегистрированный эксперимент, в котором участники классифицировали точно такие же пурпурные стимулы (состоящие из восьми цветных элементов) дважды: один раз в контексте синих стимулов, состоящих из восьми элементов (т. е. Синий контекст), и один раз в контексте красных стимулов, состоящих из восьми элементов (т. е. Красный контекст; Рис. 3A).

Сравнение совершенно одинаковых пурпурных элементов в зависимости от цветового контекста, в котором они появляются, позволяет нам увидеть, будут ли физически идентичные элементы получать разные веса уверенности после сдвига признакового пространства, релевантного задаче. Другими словами, действительно ли участники основывают свою уверенность больше на несоответствующих элементах, независимо от того, где эти элементы находятся в цветовом пространстве? Ключевые результаты этого эксперимента представлены на Рис. 3B: во-первых, мы воспроизвели эффект RIE в этом новом наборе данных (см. Дополнительную заметку 2). Во-вторых, как и предполагалось, направление эффекта RIE зависело от цветового контекста (Гипотеза 4). В Синем контексте уверенность для пурпурных стимулов чрезмерно полагалась на «синеватые» элементы. В Красном контексте, напротив, уверенность для пурпурных стимулов чрезмерно полагалась на «красноватые» элементы.

Постхок контрасты действительно выявили значимый отрицательный наклон для пурпурных проб в Синем контексте (β = 45.11, SE = 11.54, z = 3.91, p < 0.001) и положительный наклон для пурпурных проб в Красном контексте (β = 39.88, SE = 11.72, z = 3.40, p < 0.001). Погрешности на Рис. 3B заметно больше, чем на Рис. 2. Это неудивительно, поскольку данные на Рис. 3B основаны только на 32 участниках, тогда как предыдущий анализ на Рис. 2 проводился на более крупной выборке из 176 участников. Полная статистика вместе со всеми нашими другими предварительно зарегистрированными анализами, включая результаты для синих и красных категорий, перечислены в Дополнительной заметке 2 (см. Таблицу S3 и Рис. S7 и S8).

Обсуждение: Примирение RIE и RCE

В настоящей работе мы проанализировали девять наборов данных, в которых участники классифицировали цвета и оценивали свою уверенность в своих решениях. В отличие от предыдущих выводов, которые предполагали, что уверенность в основном зависит от доказательств, соответствующих ответу (RCE), наши результаты показали, что люди склонны чрезмерно полагаться на несоответствующие доказательства (RIE) при вычислении уверенности в этой задаче. В частности, когда цветовой стимул имел средний красный оттенок, участники в большей степени подвергались влиянию самых синих образцов, а не самых красных, при вычислении уверенности. Этот эффект также присутствовал на уровне принятия решений, воспроизводя предыдущий результат де Гардель и Саммерфилда.

Наши выводы могут быть объяснены принципом надежного усреднения: обнаружение того, что образцы доказательств, расположенные ближе к границе категории, получают больший вес в вычислении выборов, но также и в вычислении уверенности. Чтобы формализовать это понимание, мы расширили модель LPR, так что она также включает уверенность: в cLPR мы предположили, что и выборы, и уверенность основаны на одном и том же источнике доказательств, но уверенность представляет собой дополнительно искаженную версию переменной решения (DV) по сравнению с фиксированным набором критериев уверенности. Результаты формального сравнения моделей показывают, что источник эффекта RIE в уверенности может быть прослежен до вычисления DV, другими словами, при преобразовании значений оттенка с помощью сигмоидальной функции перед их усреднением в единую переменную решения. Это преобразование усиливает различия, которые находятся близко к границе принятия решений, что приводит к повышенной чувствительности на границе категории и, следовательно, к увеличению веса несоответствующих доказательств при вычислении уверенности. На последнем этапе мы проверили это предсказание модели в предварительно зарегистрированном эксперименте. Мы обнаружили, что участники могли гибко перемещать границу категории в ответ на инструкцию задачи, и что элементы, из которых состояли идентичные стимулы, вносили разный вклад в уверенность в зависимости от цветового контекста, в котором они были представлены. В совокупности наши результаты предлагают важное расширение литературы, касающейся вычислений, лежащих в основе уверенности в принятии решений, показывая, что в случае непрерывных пространств доказательств уверенность может преимущественно управляться доказательствами, не соответствующими решению, из-за каскадных эффектов от формирования решения.

Подтверждение предвзятости встречается с ее противоположностью: примирение RIE с RCE

Эффект RCE в уверенности (также называемый позитивным смещением доказательств; PEB) часто интерпретируется как форма подтверждающего смещения (confirmation bias). Подтверждающее смещение — это общее когнитивное смещение, которое может возникать в различных областях, включая убеждения, мнения, решения и социальные суждения. Оно относится к тенденции искать, интерпретировать и отдавать предпочтение информации, которая подтверждает существующие убеждения или ожидания, и игнорировать или отвергать информацию, которая им противоречит. В соответствии с этим, эффект RCE в уверенности интерпретировался как специфическая форма подтверждающего смещения, поскольку он относится к тенденции придавать больший вес доказательствам, подтверждающим решение, при оценке собственных результатов или способностей, игнорируя или недооценивая доказательства, опровергающие решение.

Несмотря на широкое распространение подтверждающего смещения и эффекта RCE, который был независимо воспроизведен в различных лабораториях с использованием различных поведенческих задач, текущее исследование привело к противоположному эффекту, а именно к тому, что суждения об уверенности более чувствительны к RIE. Это ставит вопрос, почему наши результаты так сильно отличаются. Чтобы примирить эти очевидные различия, мы предполагаем, что эффекты RCE и RIE вызываются двумя независимыми механизмами, которые возникают в зависимости от количества источников доказательств. Полезно думать об этом в рамках SDT. В случае одномерного решения SDT, как в нашей задаче, категории доказательств (например, «красные» и «синие» стимулы) могут быть связаны с одним скрытым источником (здесь: «цвет»), и образцы непрерывно распределены вокруг границы категории, расположенной где-то между прототипами этих двух категорий. В нашем случае граница находится на пурпурном, на равном расстоянии между синим и красным. В таких случаях имеет смысл иметь повышенную чувствительность вокруг этой границы, поскольку именно там статистически происходит большая часть доказательств в окружающей среде, что приводит к эффекту RIE.

В случае двумерного решения SDT, как в задаче с лицами против домов в исследовании Петерса и коллег, стимулы состоят из двух источников доказательств, которые являются взаимоисключающими (например, лицо не имеет крыши). Это критически изменяет критерий принятия решений, который больше не расположен где-то на континууме одного источника доказательств, а вместо этого расположен таким образом, чтобы сравнивать доказательства для каждого варианта на каждом уровне интенсивности. В таких случаях участники могут игнорировать доказательства из соответствующего другого источника доказательств (например, они могут легче игнорировать крышу, если считают, что видят лицо), что приводит к эффекту RCE. Поддержку этой интерпретации дает исследование перцептивной оценки Гершмана и Ни: участники должны были оценить количество кругов, представленных на экране, и со временем научиться среднему значению лежащих в основе распределений, из которых они были получены. Авторы показали, что если два генерирующих распределения слишком сильно перекрываются, участники предполагали, что все образцы исходят из одной категории, расположенной на среднем между двумя распределениями. Примененное к нашей ситуации, это предполагает, что участникам требуются достаточные различия в перцептивных образцах, чтобы иметь возможность отнести их к различным скрытым источникам и игнорировать нерелевантную категорию (что приводит к эффекту RCE). Если же участники воспринимают доказательства как исходящие из одного распределения, будет действовать принцип надежного усреднения (что приводит к эффекту RIE).

В соответствии с этим предложением, недавняя работа показала, что превращение задачи с двумя альтернативами принудительного выбора (2AFC) в задачу с одной альтернативой принудительного выбора (1AFC) — то есть от дискриминации к обнаружению — переворачивает позитивное смещение доказательств в «негативное смещение доказательств». Еще предстоит выяснить, можно ли объяснить эти выводы предложенной в настоящее время моделью cLPR, реализующей принцип надежного усреднения.

Взятые вместе, это рисует картину двух независимых механизмов, вызывающих эффекты RCE и RIE. Чтобы продвинуть наше понимание дальше, мы предлагаем различные временные локусы для этих механизмов. Мы показали, что эффект RIE происходит от перцептивного принципа, основанного на адаптивном усилении. Раннее возникновение этого эффекта в иерархии обработки, до вычисления любых сводных статистик, согласуется с исследованиями, указывающими на то, что «суть» набора представляется без кодирования индивидуальных представлений элементов. В отличие от этого, мы предполагаем, что эффект RCE находится на более позднем этапе процесса. В частности, на этапе принятия решения происходит избирательное подавление несоответствующей информации, способствующее самосогласованности. Несмотря на эти различия, мы также должны отметить важное сходство: оба эффекта показывают, что уверенность не является неспецифическим показателем доступных доказательств, как предполагают некоторые нормативные модели (например, модели SDT), а вместо этого следует гибким, ситуационно-специфическим весовым функциям.

Результаты вычислительного моделирования

Наше исследование подчеркивает важность вычислительного моделирования для раскрытия лежащих в основе механизмов, приводящих к устойчивым когнитивным искажениям. Однако наша работа не является первой попыткой описать, как фрагменты доказательств объединяются для вычисления уверенности, таких как эффекты RIE и RCE. Предыдущие модели можно грубо разделить на две группы. Первая группа состоит из моделей, которые жестко кодируют различные механизмы для выборов и уверенности в архитектуре модели. Эти модели явно предполагают, что только подтверждающие стимул доказательства определяют уверенность, аналогично нашей собственной реализации эффекта RCE (Модель 7). Недавняя биологически обоснованная модель Манискалко и коллег далее развивает это предположение, связывая эффект с определенным типом нейронов, который варьируется по степени нормализации.

Опора на RCE возникает в этой модели, потому что единицы с более высоким настроенным торможением управляют выборами, в то время как единицы с более низким настроенным торможением управляют уверенностью. Поскольку эффект RCE жестко закодирован в этих предложениях, трудно понять, как такая модель может совместно объяснить эффекты RCE и RIE.

В отличие от этого, вторая группа моделей предполагает, что выборы и уверенность возникают из одного и того же лежащего в основе доказательства. Используя модель глубокой нейронной сети, которая классифицировала зашумленные визуальные стимулы и предоставляла оценку уверенности, Уэбб и коллеги показали, что эффект RCE естественным образом возникает из-за статистических характеристик среды обучающих данных. Критически, манипулируя сигналом, шумом или обоими во время обучения модели, зависимость RCE могла быть устранена, и даже обращена: как только модель была обучена на данных, в которых варьировалась только «шумовая» размерность, доказательства, не соответствующие решению, определяли уверенность, что приводило к эффекту RIE. Ключевой вывод Уэбба и коллег заключается в том, что то, какие доказательства поступают в суждения об уверенности, усваивается, в зависимости от статистических закономерностей в текущей среде.

Проводя параллели между этими предыдущими выводами и нашими утверждениями о том, что человеческое восприятие доказательств зависит от того, воспринимаются ли они как исходящие из одного или двух скрытых источников, возникает интересное сходство. В обоих сценариях предполагается, что люди гибко адаптируются к закономерностям среды, будь то количество источников доказательств или значимая вариация внутри этих источников. Будущие исследования потребуются для проверки этих предположений.

Наконец, следует упомянуть модель Халвати и коллег, которая одинаково предполагает, что выборы и уверенность вычисляются с использованием одного и того же байесовски оптимального процесса. Однако в этой модели эффект RCE возникает как артефакт исключительно из-за недостатка понимания экспериментатором того, сколько доказательств субъект принял во внимание. Взятые вместе, наша модель соответствует второй группе моделей, которая предполагает, что выборы и уверенность выводятся из одной и той же лежащей в основе переменной решения.

Как связанный вопрос, все большее число исследований используют вычислительные модели для раскрытия того, как вычисление уверенности разворачивается во времени. Ключевой спор в этой области заключается в том, моделируется ли уверенность как возникающая только после того, как выбор был сделан, или же уверенность уже может быть прослежена до начальной стадии накопления доказательств, информирующего выбор. Хотя мы не реализовали динамическую модель в текущей работе, на первый взгляд наши выводы, по-видимому, согласуются с подходами, предполагающими, что уверенность может быть прослежена до начальной стадии накопления доказательств. Наблюдение, что и выборы, и уверенность зависят от одного и того же сжатого доказательства, предполагает, что они основаны на одной и той же переменной решения (т. е. представляют одни и те же доказательства).

Сторонники постдецизионных моделей, однако, могут утверждать, что их модели все еще могут объяснить эти данные, предполагая, что уверенность основана на чисто постдецизионном процессе накопления, который выбирает из тех же сжатых доказательств, на которых основывались выборы. В конечном счете, для ответа на этот вопрос потребуется реализация и сравнение вышеупомянутых моделей.

Ограничения

Хотя настоящее исследование предлагает понимание роли несоответствующих доказательств в суждениях об уверенности, следует отметить несколько ограничений. Во-первых, наши анализы были ограничены задачами классификации цветов, оставляя открытым вопрос, распространяются ли наблюдаемые эффекты на другие модальности или контексты принятия решений. Во-вторых, хотя наше вычислительное моделирование охватило ключевые аспекты данных, мы не реализовали динамические модели накопления доказательств, что ограничивает выводы о временной динамике вычисления уверенности. В-третьих, будущая работа должна установить прямую связь между наблюдаемым здесь эффектом RIE и RCE/позитивным смещением доказательств в рамках одних и тех же участников, чтобы прояснить механизмы, лежащие в основе этих искажений.

Будущие направления

Перспективным будущим направлением является исследование эффекта RIE в других модальностях. В текущем исследовании мы использовали только цветовые стимулы, оставляя открытой возможность того, что наблюдаемый эффект надежного усреднения и RIE существуют только для восприятия цвета. Исследования на животных давно предполагают, что цвет представлен как линейно, так и нелинейно в зрительной коре. Кроме того, предполагается, что цветовое восприятие вблизи границы категории у людей следует нелинейной (сигмоидальной) функции. Неясно, будут ли другие модальности, которые преимущественно представлены линейным образом, демонстрировать надежное усреднение и соответствующий эффект RIE. Однако следует отметить, что де Гардель и Саммерфилд также обнаружили эффект надежного усреднения для своей задачи в условии, где требовалось усреднение форм. То же самое относится и к исследованию Ли и коллег, которые использовали ориентационные стимулы. Хотя эти более ранние исследования фокусировались только на выборах, разумно предположить то же самое для расчета уверенности.

Заключение

Таким образом, мы переанализировали девять наборов данных по классификации цветов и обнаружили опору на несоответствующие доказательства (RIE) в уверенности. Этот результат противоречит как моделям SDT для уверенности в принятии решений, предполагающим равный считывание доказательств, так и исследованиям, сообщающим об опоре на RCE. Используя вычислительное моделирование, мы показываем, что наш эффект может быть объяснен повышенной чувствительностью вблизи границы категории, интерпретация, для которой мы находим прямую эмпирическую поддержку. Наши выводы показывают, что в случае непрерывных пространств доказательств уверенность преимущественно определяется доказательствами, не соответствующими решению, из-за последующих эффектов от формирования решения.