Detailseite
Projekt
Reinforcement-learning Modelle des selbstgewählten Aufgabenwechsels
Antragstellerinnen / Antragsteller
Professorin Dr. Andrea Kiesel; Professor Dr. Karl Christoph Klauer
Fachliche Zuordnung
Allgemeine, Kognitive und Mathematische Psychologie
Förderung
Förderung seit 2026
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 564829065
In diesem Projekt wollen wir das Zusammenspiel von Entscheidung bezüglich Aufgabenwechsel- oder -wiederholung und Performanz bei der Ausführung der Aufgaben beim freiwilligen Aufgabenwechsel besser verstehen. Basierend auf experimenteller Forschung und kognitiver Modellierung des freiwilligen Aufgabenwechsels untersuchen wir, wie sich Entscheidungen auf die Aufgabenperformanz auswirken und wie die Aufgabenperformanz (im Sinne des erwarteten Aufwands) künftige (Aufgaben-)Entscheidungsprozesse beeinflusst. Um strategische Aufgabenentscheidungen zu erheben, wenden wir das Paradigma des selbstorganisierten Aufgabenwechsels an (Mittelstädt, et al., 2018), bei dem die Teilnehmer ihre Wechselkosten mit experimentell induzierten Wartezeiten abwägen müssen. Um Aufgabenentscheidungen zu modellieren, schlagen wir ein Modell des Reinforcement-Lernens (RL) vor, das die an Aufgabenwechselentscheidungen beteiligten Prozesse auf algorithmischer Ebene beschreibt und ein Messmodell darstellt, das es ermöglicht, die Beiträge der beteiligten Prozesse valider und prozessreiner zu bewerten, als dies durch Ad-hoc-Indizes (wie z. B. die Wechsel-SOA, Wechselraten, Reaktionszeitwechselkosten) möglich ist. Diese Modellierungsziele erfordern i) den Nachweis der Fähigkeit des Modells, die Daten gut und besser als alternative und einfachere Modelle zu beschreiben, sowie ii) den Nachweis der Stabilität der Modellparameter und - mithilfe selektiver Einflussstudien und korrelativer Beziehungen - ihrer Konstruktvalidität. Um diese Ziele zu erreichen, sind Arbeitspakete geplant zur formalen Entwicklung des Modells (WP 1), zur Evaluierung der Test-Retest-Stabilität von Indizes der Task-Switch-Performance und der Modellparameter (WP 2) und zur empirischen Validierung des Modells und seiner Parameter mittels selektiver Einflussstudien (WP3 - WP5). Schließlich wollen wir das validierte Modell erweitern, um Fehler zu berücksichtigen, Wechsel zwischen Aufgaben mit unterschiedlichen Schwierigkeitsgraden zu modellieren und, in Zusammenarbeit mit anderen Projekten der Forschungsgruppe, Daten aus verwandten Paradigmen zu erklären.
DFG-Verfahren
Forschungsgruppen
