Confiance bayésienne dans les décisions optimales.

La manière optimale de prendre des décisions dans de nombreuses circonstances est de suivre la différence des preuves recueillies en faveur des options. Le modèle de diffusion de dérive (DDM) met en œuvre cette approche et fournit une excellente explication des décisions et des temps de réponse. Cependant, les modèles existants basés sur le DDM pour la confiance présentent certains déficits, et de nombreuses théories de la confiance ont utilisé des modèles alternatifs non optimaux des décisions. Motivés par le succès historique du DDM, nous avons étudié si de simples extensions à ce cadre pourraient lui permettre de mieux rendre compte de la confiance. Motivés par l'idée que le cerveau ne dupliquera pas les représentations de preuves, dans toutes les variantes du modèle, les décisions et la confiance sont basées sur le même processus d'accumulation de preuves. Nous comparons les modèles à des résultats de référence, et appliquons avec succès quatre tests qualitatifs concernant les relations entre la confiance, la preuve et le temps, dans une nouvelle étude préenregistrée. En utilisant des expressions peu coûteuses en calcul pour modéliser la confiance sur une base essai par essai, nous constatons qu'un sous-ensemble des variantes du modèle fournit également une très bonne à excellente explication des effets quantitatifs précis observés dans les données de confiance. Plus précisément, nos résultats favorisent l'hypothèse selon laquelle la confiance reflète la force des preuves accumulées pénalisée par le temps pris pour atteindre la décision (lecture bayésienne), avec une pénalité appliquée non parfaitement calibrée au contexte de tâche spécifique. Ces résultats suggèrent qu'il n'est pas nécessaire d'abandonner le DDM ou les modèles à accumulateur simple pour rendre compte avec succès des rapports de confiance. (Enregistrement base de données PsycInfo (c) 2024 APA, tous droits réservés).