二者択一の強制選択

2 択強制選択法( 2AFC ) は、特定の感覚入力、刺激に対する人または動物の感度を、その感覚入力の 2 つのバージョンに対する観察者の選択パターンと反応時間を通じて測定する方法です。たとえば、薄暗い光に対する人の感度を判定するには、薄暗い光がランダムにディスプレイの上部または下部に表示される一連の試行を観察者に提示します。各試行の後、観察者は「上部」または「下部」と応答します。観察者は、「わかりません」、「よくわかりません」、「何も見えませんでした」と言うことはできません。その意味で、観察者は 2 つの選択肢の間で選択を強制されます。

両方のオプションは、同時に（上記の例のように）提示することも、2 つの間隔で順番に（2 間隔強制選択、2IFCとも呼ばれる）提示することもできます。たとえば、2 間隔強制選択手順で薄暗い光に対する感度を判定するには、薄暗い光が最初の間隔または 2 番目の間隔でランダムに表示される 2 つのサブ試行（間隔）で構成される一連の試行を観察者に提示します。各試行の後、観察者は「最初」または「2 番目」のみに応答します。

2AFC という用語は、観察者に単一の刺激が提示され、2 つの選択肢のいずれかを選択しなければならないタスクを説明するために使用されることがあります。たとえば、語彙決定タスクでは、参加者は文字列を観察し、その文字列が「単語」であるか「非単語」であるかを応答する必要があります。別の例としては、ランダム ドット キネトグラム タスクがあります。このタスクでは、参加者は、移動するドットのグループが主に「左」または「右」に移動しているかどうかを決定する必要があります。これらのタスク (はい/いいえタスクと呼ばれることもあります) の結果は、2AFC タスクよりもさまざまな応答バイアスの影響を受ける可能性がはるかに高くなります。たとえば、非常に暗い光の場合、人はすべての試行で完全に正直に「いいえ」(つまり、「光は見えませんでした」) と応答する可能性がありますが、2AFC タスクの結果では、同じ非常に暗い光の位置 (上部または下部) を確実に判断できることが示されます。

2AFCはグスタフ・テオドール・フェヒナーによって開発された心理物理学の方法である。^[1]

タスクの設計にはさまざまな操作があり、選択の特定の行動ダイナミクスをテストするために設計されています。注意のシフトを調べる有名な注意の実験の 1 つであるポズナーキューイングタスクでは、2AFC デザインを使用して、2 つの特定の場所を表す 2 つの刺激を提示します。^[2] このデザインには、どの刺激 (場所) に注意を向けるかを示す矢印があります。次に、プロンプトが表示されたら、2 つの刺激 (場所) の間で応答する必要があります。動物では、2AFC タスクは、強化確率学習のテストに使用されています。たとえば、試行の強化後のハトの選択などです。^{[3] 2AFC タスクは、サルの}意思決定と報酬と確率学習の相互作用をテストするためにも設計されています。^[4]

サルは中央の刺激を見るように訓練され、その後、2 つの顕著な刺激が並んで提示されます。すると、左または右の刺激に対するサッカード運動の形で反応が示されます。各反応の後にジュースの報酬が与えられます。ジュースの報酬の量を変えて選択を調整します。

別の用途では、2AFCは運動知覚の識別をテストするように設計されています。ランダムドット運動コヒーレンスタスクは、ランダムドットキネトグラムを導入し、ランダムドット全体に分散されたネットコヒーレントモーションの割合を示します。^{[5] [6]} 特定の方向に一緒に移動するドットの割合によって、その方向への運動のコヒーレンスが決まります。ほとんどの実験では、参加者は2つの運動方向（上または下など）の間で選択応答を行う必要があり、これは通常、サッカードやボタンの押下などの運動応答によって示されます。

2AFC課題では、意思決定にバイアスを導入することが可能です。例えば、ある刺激が他の刺激よりも頻繁に発生する場合、刺激への露出頻度は、選択肢の発生確率に関する参加者の信念に影響を与える可能性があります。^{[4] [7] 2AFC課題にバイアスを導入することは、}意思決定を調整し、その根底にあるプロセスを調べるために使用されます。

2AFCタスクは意思決定に関する一貫した行動結果をもたらし、意思決定のダイナミクスと結果の理論的および計算モデルの開発につながった。^{[8] [9] [10] [11] [12] [13] [14] [15] [16] [17]}

2AFC課題における2つの刺激とが2つの異なるカテゴリおよびからのランダム変数であり、どちらがどちらであるかを決定する課題であると仮定します。一般的なモデルでは、刺激が正規分布およびから来たものと仮定します。この正規モデルでは、（理想的な観察者の）最適な決定戦略は、2つの二変量正規分布のどちらがタプル を生成する可能性が高いかを決定することです。つまり、との結合分布、またはとの結合分布です。^[18]${\displaystyle x_{1}}$${\displaystyle x_{2}}$${\displaystyle a}$${\displaystyle b}$${\displaystyle N(\mu _{a},\sigma _{a})}$${\displaystyle N(\mu _{b},\sigma _{b})}$${\displaystyle x_{1},x_{2}}$${\displaystyle a}$${\displaystyle b}$${\displaystyle b}$${\displaystyle a}$

この理想的な意思決定戦略による誤りの確率は、一般化カイ二乗分布によって与えられます。ここで、 ${\displaystyle p(e)=p\left({\tilde {\chi}}_{{\boldsymbol {w}},{\boldsymbol {k}},{\boldsymbol {\lambda }},0,0}^{2}\right)<0}$${\displaystyle {\boldsymbol {w}}={\begin{bmatrix}\sigma _{a}^{2}&-\sigma _{b}^{2}\end{bmatrix}},\;{\boldsymbol {k}}={\begin{bmatrix}1&1\end{bmatrix}},\;{\boldsymbol {\lambda }}={\frac {\mu _{a}-\mu _{b}}{\sigma _{a}^{2}-\sigma _{b}^{2}}}{\begin{bmatrix}\sigma _{a}^{2}&\sigma _{b}^{2}\end{bmatrix}}.}$

このモデルは、2つの刺激のそれぞれが多変量正規ベクトルである場合や、2つのカテゴリが異なる事前確率を持つ場合、または可能な結果に異なる値が付けられているために決定が偏っている場合などにも拡張できます。^[18]

2AFC を使用する計算モデル では、通常、次の 3 つの仮定が立てられます。

i) それぞれの選択肢を支持する証拠が時間の経過とともに統合される、ii) プロセスはランダムな変動の影響を受ける、iii) 一方の選択肢が他方の選択肢よりも支持される十分な証拠が蓄積されたときに決定が下される。

— ボガッツ他「最適意思決定の物理学」^[7]

通常、各選択肢を支持する証拠の差は、時間の経過とともに追跡される量であり、最終的に決定に影響を与えるものと考えられていますが、異なる選択肢の証拠は個別に追跡することもできます。^[7]

ドリフト拡散モデル（DDM）は、2AFCの最適な決定ポリシーを実装するために提案された、明確に定義されたモデルである^{[19] 。 [20]これは}ランダムウォークモデルの連続アナログである。^[7] DDMは、2AFCタスクでは、被験者が各時間ステップでいずれかの選択肢の証拠を蓄積し、決定しきい値に達するまでその証拠を統合していると仮定している。証拠を構成する感覚入力はノイズが多いため、しきい値までの蓄積は決定論的ではなく確率的であり、これにより、有向ランダムウォークのような動作が生じる。DDMは、2AFCタスクの人間のデータにおける精度と反応時間を説明することが実証されている。^{[13] [19]}

DDM における証拠の蓄積は、次の式に従って管理されます。

${\displaystyle dx=Adt+cdW\ ,\ x(0)=0}$^[7]

時刻ゼロでは、蓄積された証拠 x はゼロに設定されます。各時間ステップで、2AFC の 2 つの可能性のいずれかに対して証拠 A が蓄積されます。正しい応答が上限しきい値で表される場合は A は正、下限しきい値で表される場合は負になります。さらに、入力のノイズを表すためにノイズ項 cdW が追加されます。平均すると、ノイズはゼロに統合されます。^[7]拡張 DDM ^[13]では、 と の開始値を別々の分布から選択できます。これにより、精度と反応時間の両方で実験データへの適合性が向上します。^{[21] [22]}${\displaystyle A}$${\displaystyle x(0)}$

オルンスタイン・ウーレンベックモデル^[14]は、現在の証拠の蓄積に依存する蓄積に別の項を追加することでDDMを拡張します。これにより、最初に好まれた選択肢への蓄積率が増加するという純粋な効果があります。 ${\displaystyle \lambda}$

${\displaystyle dx\ =\ (\lambda x+A)dt\ +\ cdW}$^[7]

競争モデル^{[11] [12] [23]}では、各選択肢の証拠が別々に蓄積され、蓄積された証拠の1つが所定の閾値に達したとき、または決定が強制され、最も高い証拠を持つ蓄積された証拠に関連付けられた決定が選択された場合に決定が行われます。これは次のように正式に表現できます。

${\displaystyle {\begin{aligned}dy_{\text{1}}\ =\ I_{\text{1}}dt\ +\ cdW_{\text{1}}\\dy_{\text{2}}\ =\ I_{\text{2}}dt\ +\ cdW_{\text{2}}\end{aligned}},\quad y_{\text{1}}(0)\ =\ y_{\text{2}}(0)=0}$^[7]

レースモデルは数学的にDDMに還元できないため^[7]、最適な意思決定手順を実装するために使用することはできません。

相互抑制モデル^[16]も、競争モデルと同様に、2 つの蓄積器を使用して証拠の蓄積をモデル化します。このモデルでは、2 つの蓄積器は互いに抑制効果を持ち、一方の蓄積器に証拠が蓄積されると、もう一方の蓄積器の証拠の蓄積が抑制されます。さらに、漏れやすい蓄積器が使用されるため、時間の経過とともに蓄積された証拠は減少します。これにより、一方向の証拠の短期的な流れに基づいて、一方の選択肢への暴走的な蓄積を防ぐことができます。正式には、次のように表すことができます。

${\displaystyle {\begin{aligned}dy_{\text{1}}\ =\ (-ky_{\text{1}}-wy_{\text{2}}+I_{\text{1}})dt\ +\ cdW_{\text{1}}\\dy_{\text{2}}\ =\ (-ky_{\text{2}}-wy_{\text{1}}+I_{\text{2}})dt\ +\ cdW_{\text{2}}\end{aligned}},\quad y_{\text{1}}(0)\ =\ y_{\text{2}}(0)=0}$^[7]

ここで、は蓄積器の共有減衰率であり、 は相互抑制率です。 ${\displaystyle k}$${\displaystyle w}$

フィードフォワード抑制モデル^[24]は相互抑制モデルに似ていますが、他のアキュムレータの現在の値によって抑制されるのではなく、各アキュムレータは他のアキュムレータへの入力の一部によって抑制されます。これは次のように正式に述べることができます。

${\displaystyle {\begin{aligned}dy_{\text{1}}\ =\ I_{\text{1}}dt\ +\ cdW_{\text{1}}\ -\ u(I_{\text{2}}dt\ +\ cdW_{\text{2}})\\dy_{\text{2}}\ =\ I_{\text{2}}dt\ +\ cdW_{\text{2}}\ -\ u(I_{\text{1}}dt\ +\ cdW_{\text{1}})\end{aligned}},\quad y_{\text{1}}(0)\ =\ y_{\text{2}}(0)=0}$^[7]

代替アキュムレータを禁止するアキュムレータ入力の割合は ここです。${\displaystyle u}$

ワン^[25]は、意思決定に使用される両方のアキュムレータの蓄積によって第3の減衰アキュムレータが駆動され、相互抑制モデルで使用される減衰に加えて、意思決定を駆動する各アキュムレータが現在の値に基づいて自己強化するプールされた抑制モデルを提案しました。これは次のように正式に述べることができます。

${\displaystyle {\begin{aligned}dy_{\text{1}}\ =\ (-ky_{\text{1}}-wy_{\text{3}}+vy_{\text{1}}+I_{\text{1}})dt\ +\ cdW_{\text{1}}\\dy_{\text{2}}\ =\ (-ky_{\text{2}}-wy_{\text{3}}+vy_{\text{2}}+I_{\text{2}})dt\ +\ cdW_{\text{2}}\\dy_{\text{3}}\ =\ (-k_{\text{inh}}y_{\text{3}}+w'(y_{\text{1}}+y_{\text{2}}))dt\end{aligned}}}$^[7]

3 番目のアキュムレータには独立した減衰係数 があり、他の 2 つのアキュムレータの現在の値に基づいて によって変調された速度で増加します。 ${\displaystyle k_{\text{inh}}}$${\displaystyle w'}$

サルの頭頂葉では、外側頭頂間皮質（LIP）ニューロンの発火率が運動方向の選択反応を予測し、この領域が2AFCにおける意思決定に関与していることを示唆している。^{[4] [24] [26]}

アカゲザルのLIPニューロンから記録された神経データは、2AFCタスクで使用される2つの方向に敏感な方向選択性ニューロン集団の発火率が刺激開始時に発火率を増加させ、ニューロン集団の平均活動が正しい応答の方向に偏っていることから、DDMを支持しています。^{[24] [27] [28] [29]}さらに、ニューロンのスパイク率の固定閾値が各2AFCタスクの決定境界として使用されているようです。^[30]

• 選択モデリング
• 選択セット
• ジュリアン・ロッター