Два пути к искажению: Различные влияния вероятности стимула и предыдущего выбора на параметры модели дрейфовой диффузии

Аннотация

Восприятие и принятие решений формируются предыдущей информацией и историей выборов, однако их различные вычислительные реализации остаются неясными. В данном исследовании мы совместно моделируем эти источники искажений с помощью иерархических моделей дрейфовой диффузии, примененных к поведенческим данным и данным электроэнцефалографии (ЭЭГ) из двух экспериментов по обнаружению соматосенсорных сигналов у порога, проведенных в средах со стабильной (N=43) и изменчивой (N=39) вероятностью. В обоих наборах данных мы обнаружили, что вероятность стимула искажает начальную точку накопления доказательств, тогда как предыдущие выборы модулируют скорость дрейфа, что согласуется с искажением накопления, зависящим от истории. Байесовское сравнение моделей дает решающие доказательства этого разделения в разных средах. Модели с шумом накопления, зависящим от стимула, явно предпочтительны, что указывает на повышенную вариативность в испытаниях с сигналом. Интегрируя однотриальную престимульную мощность бета-диапазона в модель, мы далее показываем, что фолуктуации базовой линии опосредуют эффект предыдущего выбора на скорость дрейфа в стабильной среде, но не в изменчивой среде, тогда как опосредование не наблюдается для искажений, вызванных вероятностью. В совокупности эти результаты устанавливают механистическое разделение между явными и неявными искажениями в процессе принятия перцептивных решений и демонстрируют, как изменчивость среды формирует их нейронные и вычислительные сигнатуры.

Введение

Принятие решений редко бывает неискаженным. В задачах перцептивного принятия решений с неоднозначными доказательствами информация, предоставленная наблюдателю о базовой частоте стимулов (т.е. априорной вероятности), систематически смещает выбор в сторону ожидаемого исхода (Forstmann, 2010; Garton et al., 2019; Mulder et al., 2012; White & Poldrack, 2014). Аналогично, когда решения связаны с асимметричными вознаграждениями, наблюдатели систематически склоняются к выбору с более высоким вознаграждением, чтобы максимизировать общую скорость получения вознаграждения (Bogacz et al., 2006; Kloosterman et al., 2019; Simen et al., 2009; White & Poldrack, 2014). Общим подходом к пониманию этих искажений в принятии решений является моделирование их с помощью теории обнаружения сигналов (SDT, Signal Detection Theory), которая предполагает, что решения возникают в результате сравнения зашумленного образца доказательств с критерием принятия решения (De Carlo, 1998). В рамках этой модели искажения обычно объясняются сдвигами в критерии принятия решения, эффективно снижая порог доказательств для одного ответа и повышая его для другого (Hautus et al., 2022). Однако SDT не учитывает время реакции и, следовательно, не может уловить временную динамику принятия решений, а также отличить альтернативные механизмы, приводящие к одному и тому же паттерну искаженных выборов (Griffith et al., 2021).

Модели накопления доказательств решают эту проблему, совместно моделируя распределение вероятностей выбора и времени реакции. Эти модели концептуализируют принятие решений как процесс накопления зашумленных сенсорных доказательств с течением времени до достижения границы принятия решения. Одним из видных примеров является модель дрейфовой диффузии (DDM, Drift Diffusion Model), которая широко применяется к задачам с двумя альтернативными вариантами выбора. DDM предполагает, что доказательства, различающие два варианта выбора, накапливаются с постоянной средней скоростью, известной как скорость дрейфа. Со временем доказательства продолжают накапливаться до тех пор, пока не будет пересечена нижняя или верхняя граница принятия решения, что запускает решение для соответствующего варианта выбора (Ratcliff & McKoon, 2008). В случае неискаженного наблюдателя процесс принятия решения начинается с середины между двумя границами принятия решения, а скорость накопления доказательств зависит от силы доказательств, благоприятствующих одной категории стимулов по сравнению с другой. Искажения в принятии решений, вызванные манипуляцией априорной вероятностью стимула, могут быть учтены DDM несколькими способами. Априорная информация может смещать начальную точку накопления доказательств в сторону более вероятного варианта, или она может искажать саму скорость дрейфа, независимо от сенсорного ввода (Рис. 1, Ci и Cii; Cerracchio et al., 2023; Sánchez-Fuenzalida et al., 2023). С точки зрения последовательного теста отношения правдоподобия, априорные вероятности должны влиять на начальную точку. Этот прогноз выводится из анализа оптимальной стратегии принятия решений, которая максимизирует количество правильных ответов в единицу времени, и показывает, что априорные вероятности лучше всего учитываются путем корректировки начального состояния накопления доказательств, а не скорости, с которой накапливаются новые сенсорные доказательства (Bogacz et al., 2006; van Ravenzwaaij et al., 2012). В соответствии с этим, эмпирические исследования также показали, что изменения в априорных вероятностях в основном учитываются сдвигами в начальной точке в широком диапазоне задач, включая лексические решения (White et al., 2010), память (White & Poldrack, 2014) и перцептивные задачи (Garton et al., 2019; Leite & Ratcliff, 2011; van Ravenzwaaij et al., 2012; White & Poldrack, 2014). Однако два из этих исследований также обнаружили небольшое, но значительное изменение в скорости дрейфа (van Ravenzwaaij et al., 2012; White et al., 2010).

Перцептивные решения также формируются историей предыдущих выборов самого наблюдателя. Даже когда последовательные испытания полностью независимы (то есть правильный ответ в одном испытании не дает информации о следующем испытании), наблюдатели систематически склонны повторять или чередовать свой предыдущий ответ чаще, чем предсказано случайностью (Braun et al., 2018; Fritsche et al., 2024; Urai et al., 2019). Важно отметить, что в средах, где стимулы имеют тенденцию повторяться или чередоваться по предсказуемому шаблону, искажения истории выборов адаптируются к этой структуре (Braun et al., 2018). Это предполагает, что искажения истории выборов отражают форму неявного обучения статистическим закономерностям среды. На вычислительном уровне искажения истории выборов в основном приписываются сдвигам в скорости дрейфа моделей дрейфовой диффузии (Urai et al., 2017; Urai & Donner, 2022), предполагая, что история выборов влияет на то, как наблюдатель обрабатывает сами сенсорные доказательства.

Искажения, вызванные предыдущими выборами, отличаются от искажений, вызванных сигналами вероятности стимула, поскольку они возникают из внутренне сгенерированных ожиданий, а не из информации, непосредственно предоставленной наблюдателю для контекста эксперимента. Поэтому мы называем искажения, вызванные сигналами вероятности стимула, явными искажениями, поскольку они возникают из информации, непосредственно предоставленной наблюдателю, а искажения, вызванные предыдущими выборами, — неявными искажениями, поскольку они возникают из внутренне сгенерированных ожиданий, а не из экспериментально предписанной информации. Важно отметить, что это различие относится к источнику искажения, а не к осведомленности участников о нем.

Мы переанализировали ранее опубликованные данные Forster et al. (2025), включая два исследования, в которых использовалась задача обнаружения соматосенсорных сигналов у порога, во время которых записывалась ЭЭГ. В обоих исследованиях участникам предъявлялись действительные сигналы, указывающие на вероятность присутствия сигнала. Априорные вероятности составляли 25% или 75%. В каждом испытании участникам нужно было обнаружить электрический импульс у порога, который был настроен на индивидуальную чувствительность, чтобы обеспечить обнаружение примерно 60% всех испытаний с сигналом. В то время как первое исследование использовало дизайн мини-блоков из 12 испытаний в условиях вероятности (стабильная среда), второе исследование представляло сигналы вероятности в каждом испытании (изменчивая среда).

Мы исследовали престимульную мощность бета-диапазона как нейронный сигнал, представляющий интерес, на основе сходных доказательств из литературы по соматосенсорному обнаружению и перцептивным искажениям. Предыдущие исследования показали, что престимульная активность альфа- и бета-диапазонов в соматосенсорной коре предсказывает, обнаруживаются ли тактильные стимулы у порога, предполагая, что текущие низкочастотные колебания модулируют сенсорную возбудимость и перцептивные пороги (Schubert et al., 2009; Shin et al., 2017; Stephani et al., 2021; Weisz et al., 2014). Кроме того, активность бета-диапазона была связана с ожиданиями сверху вниз, целенаправленной сенсорной обработкой и поддержанием или реактивацией релевантных для задачи когнитивных состояний (Engel & Fries, 2010; Spitzer & Haegens, 2017; van Ede et al., 2010). Важно отметить, что предыдущие анализы данных, использованных в настоящем исследовании, определили престимульную активность бета-диапазона в соматосенсорных и теменных областях как коррелят как вероятности стимула, так и искажений, вызванных историей выборов (Forster et al., 2025). В совокупности эти выводы мотивировали включение одновитровой соматосенсорной престимульной мощности бета-диапазона в качестве кандидата нейронной переменной, связывающей перцептивные искажения с латентными параметрами принятия решений.

Здесь мы расширяем анализ двумя способами. Во-первых, путем подгонки DDM к выборам и времени реакции, мы учитываем изменения не только в вероятностях ответов, но и в скорости ответов. Важно отметить, что изменения во времени реакции предоставляют информацию, выходящую за рамки только вероятностей ответов, поскольку искажения, приводящие к аналогичным изменениям в поведении выбора, могут иметь заметно различные эффекты на скорость реагирования. Во-вторых, мы включаем данные ЭЭГ на одновитровом уровне в вычислительную модель. Это позволяет нам исследовать, опосредуют ли различия в престимульной мощности бета-диапазона эффект явных и неявных искажений на латентные параметры процесса принятия решений. Использование направленной совместной модели ЭЭГ и поведенческих данных в форме модели опосредования позволяет нам учесть комбинированный эффект, который, как предполагается, оказывают изменения сигналов ЭЭГ на два поведенческих исхода: выбор и время реакции (Forstmann & Turner, 2024). Интеграция нейронных и поведенческих данных на одновитровом уровне является эффективным способом моделирования механистической связи между экспериментальными манипуляциями, латентными и наблюдаемыми переменными, поскольку мы можем связать начальную точку и скорость дрейфа диффузионного процесса на одном испытании с измеренной престимульной мощностью бета-диапазона (GhaderiKangavari et al., 2023).

Мы показываем, что явные искажения в форме сигналов вероятности модулируют начальную точку процесса накопления, тогда как неявные искажения, вызванные предыдущим выбором, влияют на скорость дрейфа и отражают поведенческую тенденцию повторять предыдущий ответ. Наши выводы предполагают, что роль престимульной мощности бета-диапазона зависит от волатильности среды вероятности стимула. В стабильной среде вероятности престимульная мощность бета-диапазона опосредовала эффект предыдущего выбора на скорость дрейфа, но не явное искажение; мы не нашли доказательств опосредования в изменчивой среде.

Методы

Первое исследование включало стабильную среду, состоящую из коротких блоков по 12 испытаний. В каждом блоке вероятности стимула сообщались в начале и оставались постоянными на протяжении всего блока (Рис. 1A). Во втором исследовании вероятность стимула менялась от испытания к испытанию, причем сигнал вероятности указывал на вероятность предстоящего сигнала в начале каждого испытания (изменчивая среда; Рис. 1B). В исследовании 1 (стабильная среда) соматосенсорный электрический стимул подавался через 400 мс после начала фиксации и сопровождался экраном ответа через 100 мс. В исследовании 2 (изменчивая среда) стимуляция происходила через 700 мс после начала фиксации из-за представления сигнала в каждом испытании, а экран ответа появлялся через 300 мс.

В дополнение к поведенческим данным, в ходе эксперимента собирались 64-канальные данные ЭЭГ. После применения тех же критериев исключения, что и в исходном исследовании, данные от 43 участников из исследования 1 и 39 из 40 участников из исследования 2 были сохранены для дальнейшего анализа. Для получения более подробной информации о методологии эксперимента и собранных данных см. раздел «Методы» в Forster et al. (2025). Код и результаты настоящего исследования доступны по адресу: https://github.com/SeHellmann/BetaBiasDDM.

Анализ без модели

Мы провели анализ поведения без модели, чтобы количественно оценить, как сигналы вероятности стимула и предыдущие выборы влияют на вероятности выбора и время реакции. Для этой цели мы подогнали обобщенные линейные смешанные модели, используя пакет pymer4 (0.9.2 (Jolly, 2018) в Python (3.13.9) со случайными пересечениями для каждого участника. Мы начали с базовой модели, которая включала только стимул в каждом испытании, и последовательно добавляли сначала сигнал вероятности, затем регрессоры предыдущего ответа, и, наконец, их взаимодействие. Мы использовали AIC для поиска наилучшей модели. Испытания классифицировались как конгруэнтные или неконгруэнтные в зависимости от того, совпадала ли сигнализируемая вероятность с ответом.

Оценка одновитровой мощности бета-диапазона

Для подробного описания конвейера предварительной обработки данных ЭЭГ и контрастов времени-частоты в пространстве датчиков мы отсылаем читателя к Forster et al. (2025) или к репозиторию открытого кода на GitHub https://github.com/CarinaFo/ExPeCoN_ms.

Кратко, данные ЭЭГ были предварительно обработаны с использованием стандартных процедур, включая полосовую фильтрацию (0.1–40 Гц), отбраковку артефактов с помощью ICA и повторную референсировку, за которой следовало разделение данных на эпохи от −1 до 1 с вокруг начала стимула. Представления времени-частоты вычислялись с использованием многополосного подхода (3–34 Гц) с акцентом на престимульную колебательную активность. Анализы были нацелены на бета-диапазон (~15–25 Гц) в престимульном окне (−700 до −100 мс), где наблюдались наиболее сильные эффекты. Здесь мы фокусируемся на экспериментальном контрасте, который исследовал различия в мощности между высокими и низкими вероятностями стимула. Локализация источников проводилась с использованием ДИКС-бимформинга, проецируя активность в кортикальное пространство и выявляя изменения мощности бета-диапазона преимущественно в соматосенсорных областях (задняя извилина) для контраста высокой и низкой вероятности стимула. Для одновитровых анализов престимульная мощность источника была извлечена из 10% наиболее дискриминативных вокселей и использована в качестве непрерывного предиктора в поведенческих моделях, что позволило связать колебательную активность с перцептивными решениями и искажениями на уровне каждого испытания.

Моделирование дрейфовой диффузии

Мы подогнали модель дрейфовой диффузии (DDM) к решениям и времени реакции, чтобы исследовать специфические эффекты сигнала и предыдущего выбора на последующие решения (Ratcliff & McKoon, 2008). DDM предполагает Винеровский процесс с постоянной скоростью дрейфа v и диффузионной константой s. Процесс ограничен двумя временными порогами 0 и a, и начинается с начальной точки z (измеренной относительно a). Как только процесс накопления доказательств достигает верхнего порога, запускается ответ «Сигнал». Если процесс достигает нижнего порога, запускается ответ «Нет сигнала». Время, когда достигается один из двух порогов, называется временем принятия решения. Наблюдаемое время реакции является суммой времени принятия решения и компоненты времени, не связанного с принятием решения t0. Компонента времени, не связанного с принятием решения, учитывает периоды времени, которые не являются частью самого процесса принятия решения, например, время для выполнения моторных реакций, и остается постоянной во всех испытаниях.

Скорость дрейфа зависит от того, присутствовал ли сигнал в испытании. Для учета эффектов неявных и явных искажений мы включили сигнал вероятности и предыдущий выбор как линейные предикторы на уровне испытания, либо для начальной точки, либо для скорости дрейфа. Таким образом, мы можем напрямую сравнивать два различных пути, по которым могут возникать искажения, вызванные предыдущими ответами и сигналами вероятности. Это привело к девяти различным моделям в качестве основы для нашего анализа, в зависимости от того, влияла ли вероятность стимула на начальную точку, скорость дрейфа или ни на то, ни на другое, и, аналогично, для предыдущего выбора. Общая формула для начальной точки и скорости дрейфа может быть представлена как:

$$tackrel{im}{z}={eta}_{0}+{eta}_{cue}cue+{eta}_{prev}prev,$$ (1)

$$v={ u}_{0}+{ u}_{sig}signal+{ u}_{cue}cue+{ u}_{prev}prev,$$ (2)

где tackrel{im}{z} представляет собой латентную вещественнозначную переменную, которая преобразуется в интервал от 0 до 1 с помощью функции распределения стандартного нормального распределения для получения фактической начальной точки. Переменная cue равна −0.5, когда сигнал вероятности указывает на то, что отсутствие сигнала более вероятно, или 0.5, когда сигнал указывает на то, что испытание с сигналом более вероятно. Предыдущий ответ prev равен −2 для уверенных ответов «Нет сигнала», 1 для неуверенных ответов «Нет сигнала», 1 для неуверенных ответов «Сигнал» и 2 для уверенных ответов «Сигнал» в предыдущем испытании. Наконец, предиктор signal равен 0 в испытаниях без сигнала и 1 в испытаниях с сигналом. Девять различных моделей возникают в результате ограничения различных коэффициентов нулем (см. Дополнительную таблицу 1), так что каждое искажение влияет максимум на один параметр.

Влияние присутствия сигнала на шум процесса

Распространенный вопрос в литературе по SDT, который также актуален для моделирования DDM задач обнаружения сигналов, заключается в том, является ли сенсорный шум, присутствующий в испытании без сигнала, таким же, как шум, генерируемый сигналом (Churchland et al., 2010; Hautus et al., 2022). Предыдущие исследования указывают на то, что дисперсия распределения доказательств увеличивается с силой сенсорного сигнала в моделях SDT (Rausch et al., 2018; Swets et al., 1961). По этой причине мы дополнительно реализовали вышеуказанные модели в варианте шума, зависящего от стимула, позволяя диффузионной константе в процессах накопления варьироваться между испытаниями с сигналом и без сигнала (Ratcliff et al., 2018; Teodorescu et al., 2016). Для этого диффузионная константа была зафиксирована на уровне 1 для испытаний без сигнала, а второй параметр, {s}_{signal}, был включен в модель, представляющий диффузионную константу в испытаниях с сигналом. Важно отметить, что выбор 1 для диффузионной константы в испытаниях без сигнала является произвольным, поскольку он служит масштабирующим фактором для остальных параметров.

Опосредование искажений через престимульную мощность бета-диапазона

Мы стремились исследовать, опосредует ли престимульная мощность бета-диапазона эффекты сигналов вероятности или предыдущих выборов на параметры модели. Для этого мы расширили вышеуказанные модели опосредованием через мощность бета-диапазона для эффектов параметров. В частности, мы предположили линейную модель для мощности бета-диапазона на уровне испытания, с сигналами вероятности и предыдущим выбором в качестве предикторов. Каждая переменная включалась в качестве предиктора мощности бета-диапазона только в том случае, если она также влияла на начальную точку или скорость дрейфа в модели. Формула для соответствующего параметра DDM затем была расширена для включения престимульной мощности бета-диапазона в качестве дополнительного предиктора. Это означало, что сигнал вероятности и предыдущий выбор могли влиять либо на начальную точку, либо на скорость дрейфа напрямую и через их влияние на престимульную мощность бета-диапазона. Чтобы проиллюстрировать это, рассмотрим модель, в которой начальная точка находится под влиянием сигнала вероятности, а скорость дрейфа — под влиянием предыдущего выбора, что являлось предпочтительным путем влияния в наших наборах данных. Модель получается путем установки {eta}_{prev}={v}_{cue}=0 в Уравнениях 1 и 2. Используя переменную B для престимульной мощности бета-диапазона, полностью расширенная модель будет иметь следующий вид:

$$B={eta}_{0}+{eta}_{cue}cue+{eta}_{prev}prev+arepsilon,$$

$$tackrel{im}{z}={eta}_{0}+{eta}_{cue}cue+{eta}_{B}B,$$

$$v={ u}_{0}+{ u}_{sig}signal+{ u}_{prev}prev+{ u}_{B}B,$$

где arepsilon — нормально распределенная ошибка. Эта модель визуализируется как полностью опосредованная версия предпочтительных моделей на Рис. 4. Для количественного сравнения моделей модели расширялись независимо для каждого возможного пути опосредования. Например, это означает, что для вышеуказанной модели мы подогнали полностью опосредованную модель, в которой как сигнал вероятности, так и предыдущий выбор опосредовались престимульной мощностью бета-диапазона. Мы также подогнали модель, в которой опосредовался только эффект сигнала вероятности (установив {v}_{B}={eta}_{prev}=0), и модель, в которой опосредовался только эффект предыдущего выбора (установив {eta}_{B}={eta}_{cue}=0). В целом, это приводит к 25 возможным моделям, возникающим в результате пошагового расширения девяти базовых моделей.

Подгонка моделей и сравнение моделей

Рассматривая все возможные комбинации девяти базовых моделей и их расширение опосредования эффектов престимульной мощностью бета-диапазона (25 моделей) с шумом процесса, зависящим от сигнала, или независимым от него (2 версии), мы подогнали 25 × 2 = 50 моделей для каждого исследования независимо. Все модели были реализованы как иерархические модели в Stan и подогнаны с использованием MCMC-сэмплирования. Для этого мы использовали пакет RStan (Stan Development Team, 2025). Рис. 1C иллюстрирует общую графическую модель, включающую все модели и их возможные ограничения, в зависимости от спецификации модели (для получения более подробной информации о априорных вероятностях и функции правдоподобия см. Дополнительный рис. 1). Мы взяли 1400 апостериорных выборок для 5 цепочек каждая. Все статистики Rhat для популяционных параметров были менее 1.05, и каждый популяционный параметр имел минимальный эффективный размер выборки 193. После сэмплирования из апостериорного распределения мы использовали пакет bridgesampling (Gronau et al., 2020) для аппроксимации маргинальных логарифмических правдоподобий для всех моделей и провели байесовское сравнение моделей. Мы сообщаем об апостериорных распределениях интересующих параметров и апостериорных прогнозных распределениях только для наилучших моделей.

Результаты

Анализ без модели

Мы подогнали параметры SDT в виде линейных смешанных моделей, чтобы определить эффекты вероятности стимула и предыдущего ответа на перцептивную чувствительность и критерий принятия решения (Vuorre, 2025). Мы обнаружили, что вероятность стимула значительно изменяла критерий. Этот сдвиг в критерии означал, что вероятность ответа «Сигнал» была выше после того, как участникам сообщали о высокой вероятности сигнала как в испытаниях без сигнала, так и в испытаниях с сигналом (Рис. 2. Ai & Bi). Эффект сигнала вероятности был статистически значимым в обеих средах (стабильная среда: eta=1.25, 95CI=[1.12,4.15], p<.001; изменчивая среда: eta=1.20, 95CI= [1.07,3.19,p=.001]). Предыдущий ответ привел к изменению чувствительности к текущему стимулу, d' (Рис. 2 Aii & Bii). Изменение чувствительности было значительным в стабильной среде и имело тенденцию к значимости в изменчивой среде (стабильная среда: eta=1.15, 95CI= [1.05,3.17], p=.002; изменчивая среда: eta=1.11, 95CI= [0.98,1.92], p=.055). Увеличение чувствительности можно объяснить более высокой вероятностью ответа «Сигнал» после предыдущего ответа «Сигнал» в испытаниях с сигналом при отсутствии значимого эффекта предыдущего ответа в испытаниях без сигнала.

Время реакции модулировалось вероятностями стимула и предыдущими выборами. Участники корректировали время реакции на основе сигналов вероятности стимула, отвечая быстрее в конгруэнтных испытаниях как в стабильной, так и в изменчивой среде (Рис. 2. Aiii & Biii). Линейная смешанная модель показала, что конгруэнтность значительно предсказывала время реакции в обеих средах (стабильная среда: eta=0.07, 95CI= [0.07,0.06], p<.001; изменчивая среда: eta=0.04, 95CI= [0.06,0.03], p<.001). В стабильной среде участники медленнее реагировали в испытаниях, в которых они повторяли предыдущий ответ (Рис. 2 Aiv, стабильная среда: eta=0.06, 95CI= [0.05,0.06], p<.001). Мы не наблюдали значимой разницы во времени реакции между повторяющимися или чередующимися ответами в изменчивой среде (Рис. 2Biv, изменчивая среда: eta=0.00, 95CI= [0.01,0.01], p=0.678). Анализ без модели предполагает, что явные и неявные искажения модулируют динамическое принятие решений с различными эффектами на поведение выбора и время реакции.

Вычислительное моделирование

Количественное сравнение моделей

Мы подогнали в общей сложности 50 различных иерархических моделей к данным из двух исследований. На основе оцененных маргинальных правдоподобий мы вычислили апостериорные вероятности моделей на основе равных априорных вероятностей (Рис. 3). Апостериорные распределения параметра шума указывают на увеличение шума в процессе накопления для испытаний с сигналом по сравнению с испытаниями без сигнала (Дополнительный рис. 2). Полные апостериорные распределения коэффициентов для начальной точки, скорости дрейфа и мощности бета-диапазона визуализированы в Дополнительном рис. 3. В целом, доказательства в пользу шума процесса, зависящего от стимула, были решающими (усредненные по модели B{F}_{10}=1.94 imes{10}^{135} в стабильной среде и B{F}_{10}=1.71 imes{10}^{198} в изменчивой среде). Следовательно, все модели с нетривиальной апостериорной вероятностью включают этот эффект.

Для стабильной среды наилучшая модель (апостериорная вероятность модели 0.968) включает прямое влияние сигнала вероятности на начальную точку и опосредованное престимульной мощностью бета-диапазона влияние предыдущего выбора на скорость дрейфа последующих испытаний. Усредненные по модели доказательства влияния сигнала на начальную точку по сравнению с альтернативами, т.е. отсутствием эффекта или влиянием на скорость дрейфа, были решающими (BF_{zC}:=BF({eta}_{cue} eq0vs.{eta}_{cue}=0)=2.59 imes10^9). Аналогично, усредненные по модели доказательства влияния предыдущего выбора на скорость дрейфа по сравнению с альтернативами также были решающими (BF_{vP}:=BF(v_{prev} eq0vs.v_{prev}=0)=2.60 imes10^9). Что касается эффектов опосредования, то усредненные по модели доказательства того, что престимульная мощность бета-диапазона не опосредовала эффект сигнала вероятности, были сильными (BF_{zCB,zC}:=BF(eta_{cue} eq0vs.eta_{cue}erteta_{cue} eq0)=5.75 imes10^{2}), а усредненные по модели доказательства того, что престимульная мощность бета-диапазона опосредовала эффект предыдущего выбора, были решающими (BF_{vPB,vP}:=BF(eta_{prev} eq0vs.eta_{prev}=0ert v_{prev} eq0)=2.36 imes10^5). В целом, наши результаты предполагают, что в стабильных средах сигнал вероятности стимула оказывал только прямое влияние на начальную точку, а предыдущий выбор влиял на скорость дрейфа как напрямую, так и через его влияние на престимульную мощность бета-диапазона.

В изменчивой среде наилучшая модель (апостериорная вероятность модели 0.740) включает только прямое влияние предыдущего выбора на скорость дрейфа и прямое влияние сигнала вероятности на начальную точку без какого-либо опосредования престимульной мощностью бета-диапазона. Вторая по величине модель (апостериорная вероятность модели 0.254) дополнительно включает опосредование эффекта вероятности стимула на начальную точку через престимульную мощность бета-диапазона. Опять же, усредненные по модели доказательства влияния предыдущего выбора на скорость дрейфа по сравнению с отсутствием эффекта или влиянием на начальную точку были решающими (B{F}_{vP}=3.76 imes{10}^{2}). Усредненные по модели доказательства влияния сигнала вероятности на начальную точку по сравнению с альтернативами (отсутствие эффекта или влияние на скорость дрейфа) также были решающими (B{F}_{zC}=3.20 imes{10}^{2}). Что касается эффектов опосредования, то усредненные по модели доказательства того, что престимульная мощность бета-диапазона не опосредовала эффект сигнала вероятности, были анекдотическими (B{F}_{zCB,zC}=0.34), а усредненные по модели доказательства того, что престимульная мощность бета-диапазона не опосредовала эффект предыдущего выбора, были решающими (B{F}_{vPB,vP}=1.71 imes{10}^{4}). В целом, наши результаты предполагают, что в изменчивых средах сигнал вероятности стимула оказывал прямое влияние на начальную точку, а предыдущий выбор оказывал прямое влияние на скорость дрейфа. Также были некоторые доказательства того, что часть эффекта сигнала вероятности на начальную точку может опосредоваться через престимульную мощность бета-диапазона, в дополнение к прямому эффекту, но этот результат был неубедительным.

Оценка прямых и косвенных эффектов престимульной мощности бета-диапазона

Учитывая постоянные доказательства влияния сигнала вероятности на начальную точку и влияния предыдущего выбора на скорость дрейфа в стабильной и изменчивой среде, мы далее более подробно исследовали модель, которая включает опосредование мощностью бета-диапазона для обоих эффектов. Рис. 4 показывает сводку оцененных коэффициентов для обеих сред (для аналогичной визуализации наилучших моделей см. Дополнительный рис. 4). В частности, мы исследуем точный путь опосредования и сравниваем долю опосредованного эффекта с оставшимся прямым эффектом, который не объясняется опосредованием. Для этого мы рассчитали общий эффект, косвенный эффект и их отношение — относительный косвенный эффект — в модели (Рис. 5). Относительный косвенный эффект является мерой пропорции опосредованного эффекта.

В стабильной среде предыдущие ответы «Сигнал» были связаны со снижением мощности бета-диапазона ({eta}_{prev}= ext{0.02,95}CI=[0.03,0.01]), которое, в свою очередь, было связано с более низкими скоростями дрейфа ({ u}_{B}=0.07,95CI=eft[0.10,0.04 ight], Рис. 4, левая панель). В совокупности это приводит к увеличению скорости дрейфа для предыдущих ответов «Сигнал» и, таким образом, к тенденции повторять предыдущие ответы. Тем не менее, коэффициент для прямого эффекта предыдущего выбора на скорость дрейфа достоверно положителен ({ u}_{prev}= ext{0.09,95}CI=eft[ ext{0.07,0.13} ight]). Это усиливает тенденцию к повторению предыдущих ответов и указывает на то, что эффект не опосредован полностью. Объединяя эти результаты в относительный косвенный эффект, мы видим, что 1.5% (95CI=[0.6,2.9]) эффекта опосредуется мощностью бета-диапазона (Рис. 5, левая колонка). Эффект сигнала вероятности на мощность бета-диапазона и мощность бета-диапазона на начальную точку не были достоверны (Рис. 4, левая панель). Следовательно, косвенный эффект был близок к нулю (Рис. 5, левая колонка).

В изменчивой среде прямой эффект предыдущего ответа на скорость дрейфа вновь подтверждает тенденцию к повторению ответов ({ u}_{prev}= ext{0.05,95}CI=[0.03,0.08], Рис. 4, правая панель). Однако опосредование искажения, вызванного предыдущим ответом, мощностью бета-диапазона отсутствует, поскольку эффект предыдущего выбора на мощность бета-диапазона не достоверен ({eta}_{prev}= ext{0.02}, {95}CI=[0.03,0.00]). Тем не менее, косвенный эффект достоверно положителен (Рис. 5, правая колонка). Хотя величина оцененного относительного косвенного эффекта сопоставима со стабильной средой (1.6), существует значительно большая неопределенность в оценке (95CI=[0.3,4.2]), что может привести к предпочтению модели без опосредования при сравнении моделей. Опять же, наблюдался положительный прямой эффект сигнала вероятности на начальную точку (Рис. 4, правая панель), а косвенный эффект был близок к нулю (Рис. 5, правая колонка).

Обобщая эти результаты, эффект сигнала вероятности был сопоставим в обеих средах ({M}_{{elta}}=0.00, 95CI=eft[0.067,0.070 ight], B{F}_{{elta} e0}=9.44 imes{10}^{2}), и имеются сходные доказательства того, что этот эффект не опосредуется престимульной мощностью бета-диапазона. Эффект предыдущего выбора выше в стабильной среде по сравнению с изменчивой средой ({M}_{{elta}}=0.04, 95CI=eft[0.006,0.083 ight], B{F}_{{elta} e0}=3.15 imes{10}^{1295}), но около 1.5% эффекта опосредуется престимульной мощностью бета-диапазона в обеих средах.

Проверка апостериорных прогнозов и поведенческие паттерны

Для оценки того, насколько хорошо модель могла объяснить поведенческие данные, мы симулировали наблюдения, используя апостериорные распределения параметров. Рис. 6 показывает, что основные эффекты присутствия сигнала, сигнала и предыдущего выбора (включая предыдущую уверенность) на вероятности ответов, время реакции и мощность бета-диапазона в основном объясняются моделью.

Предсказание вероятностей ответов

В частности, модель учитывает сильное общее смещение в сторону ответов «Нет сигнала», а также эффект истинного сигнала (Рис. 6, верхний ряд). Это было учтено моделью с большим отрицательным пересечением скорости дрейфа, что привело к скоростям дрейфа около нуля в испытаниях с сигналом (полученным путем сложения пересечения и коэффициентов стимула; Таблица 1; см. также Дополнительный рис. 3, средний ряд). Модель также могла учесть эффект сигнала вероятности, хотя эффект в испытаниях без сигнала менее выражен в прогнозах модели по сравнению с данными. Наконец, модели могут воспроизвести взаимодействие между предыдущим выбором и стимулом, что приводит к более сильному притягивающему эффекту предыдущего выбора для испытаний с сигналом по сравнению с испытаниями без сигнала.

Предсказание времени реакции

Время реакции показало перекресток, описываемый более быстрыми ответами для конгруэнтных сигналов испытаний (то есть в испытаниях с сигналом для сигналов с высокой вероятностью и в испытаниях без сигнала для сигналов с низкой вероятностью; Рис. 6, средний ряд). Этот паттерн был воспроизведен моделями, однако менее выражен в испытаниях с сигналом. Время реакции показало возрастающую тенденцию с предыдущими ответами в испытаниях без сигнала, что учитывается моделью. Это можно объяснить сильно отрицательными скоростями дрейфа в испытаниях без сигнала, которые увеличиваются для предыдущих ответов «Сигнал» и, следовательно, уменьшаются в их абсолютной величине. Меньшие абсолютные скорости дрейфа приводят к более медленным прогнозируемым ответам. Наконец, этот эффект масштабируется с уверенностью в предыдущем ответе. Напротив, для испытаний с сигналом паттерн не является монотонным в данных, а прогнозируемая зависимость в модели плоская. Это можно объяснить очень малыми величинами скоростей дрейфа в испытаниях с сигналом, которые варьируются около нуля и поэтому не меняются систематически по величине из-за предыдущего выбора.

Предсказание престимульной мощности бета-диапазона

Модель для стабильной среды включает опосредование эффекта предыдущего ответа престимульной мощностью бета-диапазона и, следовательно, может учитывать снижение мощности бета-диапазона для предыдущих ответов «Сигнал» (Рис. 6, нижний ряд). Кроме того, эффект мощности бета-диапазона на поведенческие результаты, описываемый меньшим количеством ответов «Сигнал» и более быстрым временем реакции, хорошо учитывается моделью (Дополнительный рис. 5). Напротив, в изменчивой среде наилучшая модель не включает никакого опосредования и поэтому производит постоянную мощность бета-диапазона во всех условиях, хотя данные показывают небольшое увеличение мощности бета-диапазона для сигналов с низкой вероятностью. Хотя эффект мощности бета-диапазона на вероятности ответов четко виден в изменчивой среде, зависимость между мощностью бета-диапазона и временем реакции явно нелинейна, что трудно для моделирования (Дополнительный рис. 5).

Наконец, модели смогли почти идеально предсказать индивидуальные различия в вероятностях повторений (Дополнительный рис. 6). Средние индивидуальные параметры учитывают индивидуальные различия в тенденции ответа с коэффициентом прямого эффекта ({ u}_{prev}), демонстрирующим высокую корреляцию с тенденцией повторять выборы в обеих средах ( ho=.78,95CI=[.63,.88] в стабильной среде и ho=.66,95CI=[.44,.81] в изменчивой среде; Дополнительные рис. 7 и 8).

Обсуждение

Мы исследовали, как явные (сигналы вероятности) и неявные (предыдущие выборы) искажения формируют динамическое принятие решений на основе двух наборов данных с использованием задачи обнаружения соматосенсорных сигналов у порога. Иерархическая байесовская модель дрейфовой диффузии показала, что сигналы вероятности последовательно смещали начальную точку накопления доказательств, тогда как предыдущие выборы искажали скорость дрейфа. Эти результаты расширяют предыдущие работы путем совместного моделирования обоих источников искажений в рамках одной парадигмы (de Lange et al., 2013; Mulder et al., 2012; Summerfield & de Lange, 2014; Urai et al., 2019). Важно отметить, что эффекты предыдущего выбора сильно зависели от волатильности среды, в большей степени, чем искажения, вызванные вероятностью. В то время как престимульная мощность бета-диапазона опосредовала эффекты предыдущего выбора в стабильной среде, это не было очевидно в изменчивой среде, подчеркивая сложное взаимодействие между структурой среды и искажениями в принятии решений.

Эффект предыдущего выбора зависит от среды вероятности

Привлекающий эффект предыдущего выбора был более выражен в стабильной среде по сравнению с изменчивой средой. Учитывая, что обусловленности полностью охватываются сигналом вероятности в стабильной среде вероятности, предыдущие ответы должны иметь отталкивающие, а не привлекающие эффекты. Это связано с тем, что в каждом мини-блоке, состоящем из 12 испытаний, в зависимости от сигнала вероятности присутствует либо ровно три, либо девять сигналов. Если наблюдатель отслеживает прошлые ответы, с каждым ответом «Сигнал» субъективная вероятность сигнала в предстоящих испытаниях снижается. Одной из причин, по которой мы могли бы обнаружить более сильный привлекающий эффект предыдущего ответа в стабильной среде, может быть более короткий межиспытательный интервал в стабильном условии, поскольку более длительные интервалы, как известно, уменьшают искажения истории выборов (Bilacchi et al., 2022; Hachen et al., 2021; Oda et al., 2021). И наоборот, хотя сигнал вероятности отображался в каждом испытании в изменчивой среде и, следовательно, мог повысить значимость сигнализируемых вероятностей по сравнению со стабильной средой, мы не наблюдали значительно большего эффекта сигнала вероятности в изменчивой среде. Вместо этого эффект сигнала вероятности был схож между двумя средами вероятности.

Оптимальные и субоптимальные искажения в задачах обнаружения у порога

Предыдущий анализ оптимальности в контексте DDM показал, что знание априорных вероятностей должно влиять только на начальную точку (Bogacz et al., 2006; van Ravenzwaaij et al., 2012). Наши результаты моделирования демонстрируют, что эффект явных сигналов вероятности действительно учитывался изменениями в начальных точках, тогда как скорость дрейфа оставалась неизменной. Этот вывод предполагает, что в контексте явных сигналов вероятности участники ведут себя как «идеальный наблюдатель», смещая свою начальную точку в сторону более вероятного варианта, тем самым максимизируя свою скорость получения вознаграждения (т.е. правильные ответы в единицу времени). В отличие от этого результата, участники продемонстрировали другие типы субоптимальности в своем процессе принятия решений. Во-первых, и самое главное, в данных наблюдалось значительное смещение в сторону ответов «Нет сигнала» с очень низкими частотами ложных срабатываний и средней частотой попаданий (Рис. 2). Это, как правило, субоптимально для максимизации скорости получения вознаграждения (van Ravenzwaaij et al., 2012), что могло быть достигнуто путем смещения ответов только на основе сигнала вероятности. Модель учла это с выраженным смещением в скорости дрейфа, которое было независимым от сигналов вероятности и предыдущего ответа. В частности, скорость дрейфа была отрицательной в испытаниях без сигнала и нулевой для испытаний с сигналом (Таблица 1, см. также Дополнительный рис. 3). Для достижения наивысшей точности скорости дрейфа должны быть неискаженными и иметь одинаковое расстояние от нуля, только со знаком, обратным. Сильное искажение в поведении может отражать природу задачи обнаружения у порога, которая была разработана для обеспечения частоты попаданий чуть выше уровня случайности (однако не обязательно вызывала смещение в испытаниях без сигнала), но является очень необычной в анализе DDM, где обычно предполагается одинаковая величина дрейфа для обоих типов стимулов, только знак меняется в зависимости от идентичности стимула. Однако смещение в сторону сообщения об отсутствии сигнала также было обнаружено в предыдущих слуховых и зрительных задачах обнаружения, в которых стимулы были откалиброваны до точности 75% (De Gee et al., 2014, 2017). Kloosterman et al. (2019) также сообщили о смещении в сторону ответов «Нет сигнала» в своей задаче, хотя общая вероятность сигнала составляла 75%. Искажения, сообщенные в этих исследованиях, были гораздо менее выраженными по сравнению с искажениями, обнаруженными в настоящем исследовании, что предполагает, что наши результаты в целом согласуются с предыдущими исследованиями, где участники демонстрируют субоптимальное смещение в сторону сообщения «Нет сигнала», которое, возможно, было усилено нашей задачей обнаружения у порога. Вторая субоптимальность в поведенческих данных заключалась в смещении в сторону предыдущих ответов. Как описано выше, участники продемонстрировали общую тенденцию повторять предыдущие ответы, хотя это и не привело к повышению точности. В совокупности это демонстрирует, что, хотя информация, предоставленная явными сигналами вероятности, концептуально оптимально включается в процесс принятия решений, люди демонстрируют различные отклонения от нормативного принятия решений в задачах обнаружения у порога.

Престимульная мощность бета-диапазона опосредует эффект предыдущего выбора на скорость дрейфа в стабильных средах

Предыдущий анализ текущих данных предполагал, что престимульные модуляции в бета-частотном диапазоне представляют собой нейронные корреляты вероятности стимула и искажений, вызванных предыдущим выбором (Forster et al., 2025). Поэтому мы использовали совместный подход моделирования, интегрируя нейронные и поведенческие данные в единую вычислительную модель (Turner et al., 2019). Количественное сравнение моделей предполагало, что наилучшая модель в стабильной среде включала опосредование эффекта предыдущего выбора через престимульную мощность бета-диапазона, что учитывалось более низкими амплитудами бета-диапазона после предыдущих ответов «Сигнал» и отрицательной зависимостью между амплитудой бета-диапазона и скоростями дрейфа, что приводило к тенденции повторять предыдущий выбор (Рис. 4). Важно отметить, что общий эффект предыдущего выбора был сильнее в стабильной среде по сравнению с изменчивой средой. Это оставляет открытой возможность того, что существует опосредование и в изменчивой среде, но эффект был слишком мал, чтобы его можно было обнаружить в текущем дизайне. Коэффициент, моделирующий престимульную мощность бета-диапазона на скорость дрейфа, достоверно отличается от нуля ({ u}_{B}=0.06,95CI=eft[0.09,0.02 ight], Рис. 4, правая панель), что поддерживает эту возможность благодаря колебаниям в престимульной мощности бета-диапазона, которые по-прежнему влияют на поведение, согласуясь с изменением скорости дрейфа. Однако коэффициент влияния предыдущего выбора на мощность бета-диапазона не имеет достоверных доказательств.

Что касается опосредования априорной информации престимульной мощностью бета-диапазона, количественное сравнение моделей выявило существенные доказательства против опосредования в стабильной среде и в изменчивой среде (Рис. 3). Результаты в изменчивой среде были менее решающими по сравнению со стабильной средой. Одной из причин может быть дополнительный шум, вызванный представлением сигнала вероятности в каждом испытании, что могло затруднить различение изменений в поведении, вызванных предыдущими выборами, от тех, которые вызваны явной априорной информацией. Хотя предыдущие анализы на основе SDT показали, что престимульная мощность бета-диапазона частично опосредовала эффект вероятности стимула на бинарные ответы обнаружения (Forster et al., 2025), настоящий анализ DDM предполагает, что эта зависимость не проецируется избирательно на сдвиги начальной точки, вызванные вероятностью. Вместо этого мощность бета-диапазона может отражать более широкое нейронное состояние, связанное с искажениями, которое влияет на перцептивные отчеты через несколько компонентов процесса принятия решений.

Функциональная интерпретация искажения предыдущего выбора, реализуемого ранними сенсорными сигналами

Мы остаемся осторожными в интерпретации функциональной роли соматосенсорной престимульной мощности бета-диапазона на основе наших результатов. Одна из возможностей заключается в том, что более низкая престимульная мощность бета-диапазона отражает повышенную базовую сенсорную возбудимость. Согласно модели базовой сенсорной возбудимости, спонтанная престимульная колебательная активность может искажать перцептивные решения, модулируя возбудимость сенсорных областей и тем самым смещая критерий сообщения о слабых стимулах (Samaha et al., 2020). Хотя это объяснение в основном сформулировано в отношении активности альфа-диапазона и сдвигов критерия, отрицательная зависимость между мощностью бета-диапазона и скоростью дрейфа, наблюдаемая здесь, согласуется с этой моделью. Наши результаты могут указывать на то, что более низкая престимульная мощность бета-диапазона после предыдущего ответа «Сигнал» указывает на более возбудимое сенсорное состояние, в котором слабый тактильный ввод оказывает более сильное влияние на накопление доказательств. В этом смысле мощность бета-диапазона может не реализовать априорное искажение напрямую, а может отражать сенсорное состояние, через которое предыдущие выборы влияют на взвешивание поступающих доказательств.

Другая интерпретация заключается в том, что престимульная мощность бета-диапазона отражает ожидания сверху вниз или поддержание релевантных для задачи когнитивных состояний. В соматосенсорной области тактильные ожидания были связаны с престимульными модуляциями бета-диапазона в сенсомоторной коре (van Ede et al., 2010), в то время как более широкие объяснения предполагают, что активность бета-диапазона способствует поддержанию текущего когнитивного или сенсомоторного состояния (Engel & Fries, 2010) и реактивации релевантного для задачи эндогенного содержания (Spitzer & Haegens, 2017). Согласно этому объяснению, наблюдаемый эффект мощности бета-диапазона может отражать устойчивое исторически зависимое состояние, которое несет информацию от предыдущих выборов в последующее накопление доказательств.

Еще одна возможность заключается в том, что престимульная мощность бета-диапазона частично отражает модуляцию усиления, связанную с возбуждением. Предыдущие работы показали, что возбуждение, связанное с размером зрачка, связано с отчетами об обнаружении и критерием реакции, причем более высокое возбуждение уменьшает консервативные искажения принятия решений (De Gee et al., 2014, 2017). Аналогично, экспериментально вызванные сдвиги критерия были связаны с изменениями в кортикальной динамике во время принятия перцептивных решений (Kloosterman et al., 2019). В рамках этой модели более низкая мощность бета-диапазона может отражать состояние более высокого усиления, в котором слабый соматосенсорный ввод оказывает более сильное влияние на процесс накопления. Однако, поскольку мы не получили независимой меры возбуждения, такой как диаметр зрачка, мы не можем определить, отражает ли наблюдаемый эффект модуляцию усиления, связанную с возбуждением. Будущие исследования, комбинирующие ЭЭГ с пупиллометрией, будут необходимы для прямой проверки этого объяснения.

Важно отметить, что настоящие результаты не следует интерпретировать как определение престимульной соматосенсорной мощности бета-диапазона как единственного нейронного субстрата искажения истории выборов. Urai и Donner (2022) связали визуальные искажения повторения выборов с активностью гамма-диапазона в задней теменной коре, предполагая, что исторически зависимые искажения представлены в областях принятия решений более высокого порядка. Наши результаты могут охватывать ранний сенсорный компонент более широкой распределенной сети, через которую история выборов влияет на последующее накопление доказательств.

Ограничения

Мы предположили, что ответы вызывали неявное искажение в предстоящем испытании, которое было учтено как фиксированный эффект в нашей модели. Это отражает идею, что предыдущий выбор причинно влияет на следующий выбор, что трудно доказать (Macke & Nienborg, 2019). Кроме того, недавние работы по моделированию предполагают, что одновитровые колебания параметров принятия решений (Roy et al., 2021; Vloeberghs et al., 2025) могут объяснить эффекты истории испытаний. DDM, как и SDT, предполагает, что критерий и чувствительность к стимулу фиксированы в пределах условия и не допускают одновитровых обновлений параметров принятия решений. DDM можно было бы расширить для учета латентных колебаний как в начальной точке, так и в скорости дрейфа. Такая модель затем должна была бы адаптировать связь между нейронными сигналами и латентными параметрами и заменить опосредование. Одна из возможностей — использовать так называемую «одновую интегральную» модель, в которой как параметры DDM, так и престимульная мощность бета-диапазона находятся под влиянием общей колеблющейся переменной (GhaderiKangavari et al., 2023). Единая модель, объединяющая явные, прямые эффекты и латентные колебания, была бы ценной для ответа на вопрос, лучше ли объясняются эффекты истории выборов латентными колебаниями или явными причинными эффектами, или же оба эффекта необходимы для объяснения эмпирических данных.

Второе ограничение нашего исследования заключается в том, что, хотя мы и включили уверенность в качестве регрессора, наша модель явно не учитывает уверенность как зависимую переменную. Было показано, что перцептивные искажения оказывают различное влияние на перцептивный ответ и уверенность (Constant et al., 2023; Sánchez-Fuenzalida et al., 2025). Включение уверенности в текущем и предыдущем испытании увеличит сложность модели, однако будущие исследования должны включать уверенность в принятии решений в диффузионную модель, чтобы лучше учитывать искажения во всем процессе принятия решений (Desender et al., 2019; Hellmann et al., 2023).

Выводы

Используя нейроинформационное моделирование дрейфовой диффузии, мы показали, что манипуляции с вероятностью стимула модулируют начальную точку накопления доказательств, независимо от волатильности среды. В отличие от этого, эффект предыдущего выбора лучше всего учитывается изменениями в скорости накопления доказательств, но этот эффект сильно зависит от волатильности среды. Наши результаты подтверждают опосредование предыдущего выбора через соматосенсорную престимульную мощность бета-диапазона в стабильной среде, без доказательств опосредования в изменчивой среде. В целом, эти результаты подчеркивают сложное взаимодействие между сенсорными искажениями, нейронной динамикой и структурой среды в формировании перцептивных решений.

Доступность данных

Данные, использованные в этом исследовании, доступны по адресу: https://edmond.mpg.de/dataset.xhtml?persistentId=doi:10.17617/3.ENMTDJ. Код и результаты настоящего исследования доступны по адресу: https://github.com/SeHellmann/BetaBiasDDM.

Ссылки

Загрузить ссылки.

Благодарности

Авторы благодарят Ребекку Вест за редакционную помощь.

Финансирование

Открытый доступ к финансированию был обеспечен и организован Проектом DEAL. Авторы заявляют, что во время подготовки данной рукописи никаких средств, грантов или иной поддержки не получалось.

Информация об авторах

Авторы и учреждения

• Группа клинических нейронных сетей, Медицинский исследовательский институт QIMR Berghofer, Брисбен, Австралия
• Карина Форстер
• Отделение неврологии, Институт когнитивных и мозговых наук Макса Планка, Лейпциг, Германия
• Карина Форстер
• Кафедра методов поведенческих исследований, Технический университет Мюнхена, Мюнхен, Германия
• Себастьян Хеллманн

Авторы

• Карина Форстер Публикации автора | Google Scholar
• Себастьян Хеллманн Публикации автора | Google Scholar

Вклад

Оба автора внесли равный вклад в настоящую работу и имеют право указывать свое имя первыми при ссылке на работу. Оба автора внесли вклад в концепцию и дизайн данного исследования. Карина Форстер провела подготовку данных. Себастьян Хеллманн провел формальный анализ данных. Оба автора внесли вклад в визуализацию, написание черновика, рецензирование и редактирование.

Связанные авторы

Корреспонденция

К Карине Форстер или Себастьяну Хеллманну.

Заявления об этике

• Одобрение этического комитета

Оба исследования получили одобрение от этического комитета Медицинского факультета Лейпцигского университета (ссылка: 462/15ek).

• Согласие на участие и публикацию

Все участники предоставили письменное информированное согласие.

• Конкурирующие интересы

Авторы заявляют об отсутствии конкурирующих интересов.

Дополнительная информация

Заявление издателя Springer Nature остается нейтральной в отношении юрисдикционных претензий в опубликованных картах и институциональных принадлежностях.

C.F. и S.H. внесли равный вклад в настоящую работу и имеют право указывать свое имя первыми при ссылке на работу.

Дополнительные электронные материалы

Ниже приведена ссылка на дополнительные электронные материалы.
Дополнительный файл 1 (скачать DOCX)

Права и разрешения

Открытый доступ Эта статья лицензирована на условиях международной лицензии Creative Commons Attribution 4.0, которая разрешает использование, обмен, адаптацию, распространение и воспроизведение в любом формате и на любом носителе, при условии, что вы отдаете должное автору (авторам) и источнику, предоставляете ссылку на лицензию Creative Commons и указываете, были ли внесены изменения. Изображения или другие материалы третьих лиц, включенные в статью, включены в лицензию Creative Commons статьи, если иное не указано в подписи к материалу. Если материал не включен в лицензию Creative Commons статьи, и ваше предполагаемое использование не разрешено законодательством или выходит за рамки разрешенного, вам потребуется получить разрешение непосредственно от владельца авторских прав. Чтобы просмотреть копию этой лицензии, посетите http://creativecommons.org/licenses/by/4.0/.

Репринты и разрешения

Об этой статье

Цитировать эту статью Forster, C., Hellmann, S. Two Paths to Bias: Distinct Influences of Stimulus Probability and Previous Choice on Drift Diffusion Parameters.
Comput Brain Behav (2026). https://doi.org/10.1007/s42113026003316

Скачать цитирование

Получено: 22 апреля 2026 г.
Принято: 18 июля 2026 г.
Опубликовано: 29 июля 2026 г.
Версия записи: 29 июля 2026 г.
DOI: https://doi.org/10.1007/s42113026003316

Поделиться этой статьей Любой, с кем вы поделитесь по следующей ссылке, сможет прочитать этот контент:
Получить ссылку для обмена
Извините, ссылка для обмена в настоящее время недоступна. Скопируйте ссылку для обмена в буфер обмена.

Предоставлено инициативой Springer Nature SharedIt по обмену контентом.

Ключевые слова

Вычислительное моделирование
Искажения истории
Время реакции
Модель дрейфовой диффузии
Престимульная мощность бета-диапазона
Парадигма сигналов вероятности

Профили

• Карина Форстер
• Себастьян Хеллманн