【有可执行代码】人类感知决策模型——揭秘决策背后的数学逻辑

【通俗理解，有可执行代码】人类感知决策模型——揭秘决策背后的数学逻辑

关键词提炼

#人类感知决策 #随机性 #速度压力 #任务难度 #反应时间 #准确性 #信心评估

第一节：人类感知决策的类比与核心概念

1.1 人类感知决策的类比

人类感知决策就像是一场“心理赛车比赛”，每位参赛者（即每个人）都需要在速度与准确性之间找到最佳平衡点，以完成比赛（即做出决策）。在这条赛道上，任务的难度就像是路面的崎岖程度，影响着赛车（即人的决策过程）的速度和稳定性。

1.2 相似公式比对

• 简单线性回归：$$y=mx+b$$，用于描述两个变量之间的线性关系。
• 人类感知决策模型：涉及多个变量（如反应时间RT、准确性、任务难度等）及其相互关系，更为复杂，无法用单一线性方程概括。

第二节：人类感知决策的核心概念与应用

2.1 核心概念

• 随机性：人类的决策像是一场赌博，即使面对相同的刺激，也可能做出不同的反应。
• 速度压力：就像是赛车手被催促加快速度，增加速度压力会缩短反应时间，但可能会降低准确性。
• 任务难度：如同赛道上的崎岖路段，更困难的任务会导致准确性降低，反应时间延长。
• 反应时间分布：就像赛车手的成绩分布，RT分布右偏，且这种偏斜随任务难度增加而增加。
• 信心评估：赛车手对自己表现的自信程度，正确试验的信心高于错误试验。

2.2 应用

• 用户界面设计：理解人类决策过程，优化界面设计，减少用户决策时间，提高准确性。
• 心理学研究：揭示人类决策背后的数学逻辑，为心理学研究提供新的视角和方法。

2.3 优势

• 量化分析：将主观的决策过程量化，使得分析更加客观和准确。
• 动态模拟：能够模拟不同任务难度下的决策过程，为决策提供有力的数学模型。

2.4 与决策研究的类比

人类感知决策模型在决策研究中扮演着“GPS导航系统”的角色，它能够帮助我们准确地定位和理解人类在决策过程中的行为和思维，就像GPS帮助我们定位地理位置一样。

第三节：公式探索与推演运算

3.1 人类感知决策的基本特征

人类感知决策的基本特征可以概括为以下几个方面：

1. 随机性：$$\text{Decision}=f(\text{Stimulus})+\text{Randomness}$$
2. 速度压力与准确性：$$\text{RT}\downarrow \text{ as Speed Pressure}\uparrow ,\text{ but Accuracy}\downarrow$$
3. 任务难度与RT、准确性：$$\text{Difficulty}\uparrow \Rightarrow \text{Accuracy}\downarrow \text{ and RT}\uparrow$$
4. RT分布：$$\text{RT Distribution}\sim \text{Right-Skewed}$$
5. 正确与错误试验的RT、信心：$${\text{RT}}_{\text{Correct}}<{\text{RT}}_{\text{Error}},{\text{Confidence}}_{\text{Correct}}>{\text{Confidence}}_{\text{Error}}$$

3.2 具体实例与推演

假设我们有一个简单的决策任务，要求参与者判断一个数字是大于还是小于5。根据人类感知决策模型，我们可以预测：

• 当数字接近5时（如4或6），决策时间会更长，准确性可能降低。
• 如果给参与者施加时间压力，他们的决策时间会减少，但错误率可能会上升。

3.3 与其他决策模型的对比

• 期望效用理论：通常用于经济学和金融学中的决策分析，它基于理性和效用最大化的假设。与人类感知决策模型相比，它更侧重于理论分析和经济决策，而不是感知和认知过程。

• 前景理论：由卡尼曼和特沃斯基提出，考虑了人们对风险和不确定性的态度。与人类感知决策模型相比，它更侧重于描述和解释人们在面对风险时的决策行为。

第四节：公式推导与相似公式比对（扩展）

• 信号检测理论 与 人类感知决策：

  • 共同点：都涉及对刺激的感知和判断。
  • 不同点：信号检测理论更侧重于如何区分信号和噪声，而人类感知决策模型更全面地考虑了决策过程中的随机性、速度压力、任务难度等因素。

• 反应时间模型（如Hick-Hyman定律）与 人类感知决策中的RT分布：

  • 相似点：都关注反应时间与任务难度之间的关系。
  • 差异：Hick-Hyman定律主要描述任务难度与平均反应时间之间的关系，而人类感知决策模型还考虑了RT分布的偏斜以及正确与错误试验之间的差异。

第五节：核心代码与可视化

import numpy as np
import matplotlib.pyplot as plt

# Simulate reaction time (RT) and accuracy for a simple decision task
np.random.seed(0)
task_difficulties = [1, 2, 3]  # Low, medium, high difficulty
num_trials = 100

# Generate simulated data
RTs = []
accuracies = []
for difficulty in task_difficulties:
    rt_mean = 500 + difficulty * 100  # Mean RT increases with difficulty
    rt_std = 100 + difficulty * 50    # RT variability also increases
    rts = np.random.normal(rt_mean, rt_std, num_trials)
    accuracy = 0.9 - difficulty * 0.1  # Accuracy decreases with difficulty
    correct_trials = np.random.binomial(num_trials, accuracy)
    
    RTs.extend(rts)
    accuracies.extend([1 if i < correct_trials else 0 for i in range(num_trials)])

# Visualize the results
plt.figure(figsize=(12, 6))

# RT distribution
plt.subplot(1, 2, 1)
plt.hist(RTs, bins=30, alpha=0.7, label='Reaction Time Distribution')
plt.xlabel('Reaction Time (ms)')
plt.ylabel('Frequency')
plt.title('Reaction Time Distribution Across Difficulties')
plt.legend()

# Accuracy by difficulty
plt.subplot(1, 2, 2)
difficulties = np.repeat(task_difficulties, num_trials)
plt.scatter(difficulties, accuracies, alpha=0.5, label='Accuracy by Difficulty')
plt.xlabel('Task Difficulty')
plt.ylabel('Accuracy')
plt.title('Accuracy Decreases with Task Difficulty')
plt.legend()

plt.tight_layout()
plt.show()

这段代码模拟了一个简单决策任务的反应时间和准确性，并绘制了反应时间分布和难度与准确性之间的关系图。通过可视化，我们可以直观地看到任务难度对反应时间和准确性的影响。

代码执行链接：
https://colab.research.google.com/drive/1g3ojERofPwAL_dkR9SOHWWLk-NO0MYUZ?usp=sharing