【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 = m x + b y = mx + b 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:
- 随机性: Decision = f ( Stimulus ) + Randomness \text{Decision} = f(\text{Stimulus}) + \text{Randomness} Decision=f(Stimulus)+Randomness
- 速度压力与准确性: RT ↓ as Speed Pressure ↑ , but Accuracy ↓ \text{RT} \downarrow \text{ as Speed Pressure} \uparrow, \text{ but Accuracy} \downarrow RT↓ as Speed Pressure↑, but Accuracy↓
- 任务难度与RT、准确性: Difficulty ↑ ⇒ Accuracy ↓ and RT ↑ \text{Difficulty} \uparrow \Rightarrow \text{Accuracy} \downarrow \text{ and RT} \uparrow Difficulty↑⇒Accuracy↓ and RT↑
- RT分布: RT Distribution ∼ Right-Skewed \text{RT Distribution} \sim \text{Right-Skewed} RT Distribution∼Right-Skewed
- 正确与错误试验的RT、信心: RT Correct < RT Error , Confidence Correct > Confidence Error \text{RT}_{\text{Correct}} < \text{RT}_{\text{Error}}, \text{Confidence}_{\text{Correct}} > \text{Confidence}_{\text{Error}} RTCorrect<RTError,ConfidenceCorrect>ConfidenceError
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