Verfolgung der Strategien von Probanden in Verhaltenswahlexperimenten bei der Versuchslösung

Die Untersuchung, wie, wann und was Probanden während Entscheidungsaufgaben lernen, erfordert die Verfolgung ihrer Wahlstrategien auf Trial-by-Trial-Basis. Hier präsentieren wir einen einfachen, aber effektiven probabilistischen Ansatz zur Verfolgung von Wahlstrategien bei der Versuchslösung mit Hilfe von bayesianischer Evidenzakkumulation. Wir zeigen, dass dieser Ansatz sowohl erfolgreiches Lernen als auch die explorativen Strategien identifiziert, die in Entscheidungsaufgaben verwendet werden, die von Menschen, nicht-menschlichen Primaten, Ratten und synthetischen Agenten durchgeführt werden. Sowohl wenn Probanden lernen als auch wenn sich Regeln ändern, werden die explorativen Strategien 'win-stay' und 'lose-shift', die oft als komplementär betrachtet werden, konsistent unabhängig verwendet. Tatsächlich finden wir, dass die Nutzung von 'lose-shift' starke Beweise dafür ist, dass Probanden latent die markanten Merkmale einer neuen belohnten Regel gelernt haben. Unser Ansatz kann auf jede diskrete Wahlstrategie ausgeweitet werden, und seine geringen Rechenkosten eignen sich ideal für Echtzeitanalysen und geschlossene Regelkreise.