Modeling slow decisions: Validation of the Diffusion Model for a new type of tasks
Final Report Abstract
Das Diffusionsmodell ist ein mathematisches Modell, das die Trennung verschiedener kognitiver Prozesse ermöglicht, die bei der Bearbeitung von binären Entscheidungsaufgaben eine Rolle spielen. In der Vergangenheit kam das Modell v.a. bei Aufgaben mit sehr hohen Trialzahlen und sehr schnellen Reaktionen (RT < 1.5 Sekunden) zum Einsatz. Im Rahmen dieses DFG-Projekts konnten wir anhand von Simulationsstudien und empirischen Studien zeigen, dass die Anwendung des Modells nicht auf die genannten Fälle begrenzt sein muss. So können bei Verwendung eines geeigneten Optimierungskriteriums (Maximum Likelihood oder Kolmogorov-Smirnov) Parameter auch aus Datensätzen mit weniger als 100 Trials mit ausreichender psychometrischer Qualität geschätzt werden. Die Verwendung eines Chi-Quadrat Schätzers als Optimierungskriterium (welches in den vergangenen Jahrzehnten das meistverwendete Kriterium im Bereich der Diffusionsmodellierung war), führt dagegen bei geringen Trialzahlen nicht zu akzeptablen Ergebnissen. Im Rahmen des Projekts wurde ein Programm zur Schätzung der Diffusionsmodellparameter weiterentwickelt (fast-dm-30). Darüber hinaus ergaben unsere Studien, dass das Diffusionsmodell auch auf Aufgaben anwendbar ist, deren mittlere Reaktionszeiten deutlich über 1.5 Sekunden liegen. Dies untersuchten wir an Hand von Analysen des Modellfits und der Validität von Modellparametern (experimentelle Validität und Kriteriumsvalidität). Damit eröffnen sich neue Anwendungsmöglichkeiten für das Diffusionsmodell, das bereits jetzt zu einem der beliebtesten mathematischen Modelle der kognitiven Psychologie zählt. Das Projekt legte auch den Grundstein für zwei Folgeprojekte, die sich mit einer Erweiterung des Modells (Lévy-Flight-Modell) und der Erweiterung der Anwendung des Modells auf Fragestellungen aus dem Bereich Motivpsychologie befassen.
Publications
- (2013). Diffusion models in experimental psychology: A practical introduction. Experimental Psychology, 60(6), 385-402
Voss, A., Nagler, M., & Lerche, V.
(See online at https://doi.org/10.1027/1618-3169/a000218) - (2015). Assessing cognitive processes with diffusion model analyses: a tutorial based on fast-dm-30. Frontiers in Psychology, 6(336)
Voss, A., Voss, J., & Lerche, V.
(See online at https://doi.org/10.3389/fpsyg.2015.00336) - (2016). Model complexity in diffusion modeling: Benefits of making the model more parsimonious. Frontiers in Psychology, 7(1324)
Lerche, V., & Voss, A.
(See online at https://doi.org/10.3389/fpsyg.2016.01324) - (2016). Parameter estimation in diffusion modeling: guidelines on requisite trial numbers and estimation procedures. Dissertation, Heidelberg University, 2016, Heidelberg
Lerche, V.
(See online at https://dx.doi.org/10.11588/heidok.00022279) - (2017). How many trials are required for parameter estimation in diffusion modeling? A comparison of different optimization criteria. Behavior Research Methods, 49(2), 513-537
Lerche, V., Voss, A., & Nagler, M.
(See online at https://doi.org/10.3758/s13428-016-0740-2) - (2017). Retest reliability of the parameters of the Ratcliff diffusion model. Psychological Research, 81(3), 629-652
Lerche, V., & Voss, A.
(See online at https://doi.org/10.1007/s00426-016-0770-5) - (2018). Impact of context information on metaphor elaboration: A diffusion model study. Experimental Psychology, 65(6), 370-384
Lerche, V., Christmann, U., & Voss, A.
(See online at https://doi.org/10.1027/1618-3169/a000422) - (2018). Speed–accuracy manipulations and diffusion modeling: Lack of discriminant validity of the manipulation or of the parameter estimates? Behavior Research Methods, 50(6), 2568-2585
Lerche, V., & Voss, A.
(See online at https://doi.org/10.3758/s13428-018-1034-7) - (2019). Experimental validation of the diffusion model based on a slow response time paradigm. Psychological Research, 83(6), 1194-1209
Lerche, V., & Voss, A.
(See online at https://doi.org/10.1007/s00426-017-0945-8) - (2019). Sequential sampling models with variable boundaries and non-normal noise: A comparison of six models. Psychonomic Bulletin & Review, 26(3), 813-832
Voss, A., Lerche, V., Mertens, U., & Voss, J.
(See online at https://doi.org/10.3758/s13423-018-1560-4) - (2020). Diffusion Modeling and Intelligence: Drift rates show both domain-general and domain-specific relations with intelligence. Journal of Experimental Psychology: General
Lerche, V., von Krause, M., Voss, A., Frischkorn, G. T., Schubert, A.-L., & Hagemann, D.
(See online at https://doi.org/10.1037/xge0000774) - (2020). When accuracy rates and mean response times lead to false conclusions: A simulation study based on the diffusion model. The Quantitative Methods for Psychology, 16(2), 107-119
Lerche, V., & Voss, A.
(See online at https://doi.org/10.20982/tqmp.16.2.p107)
