个体差异揭示知觉决策中共享的计算结构

为揭示认知的计算机制，模型通常设定一种固定的心理架构，将个体差异视为预定义参数化范围内的变异。在此，我们采取一种不同的方法，利用个体差异的群体结构来直接驱动模型发现。我们开发了一个低秩神经网络，它利用这种“群体几何”从试次层面的选择中学习共享的计算成分和参与者特定的权重，从而使跨被试变异能够约束模型的架构。将该方法应用于伯努利点击任务（Bernoulli Clicks Task）中的知觉决策，并在主数据集和重复数据集上进行样本外预测，结果揭示出个体差异的六维表征：两个连续维度对应时间证据加权，两个维度对应选择—结果历史依赖性，此外还有参与者特定的侧向偏差和信噪比。这种低维组织在独立数据集中得到了重复验证。综上，这些发现表明，看似迥异的决策启发式反映的是对一小组共享计算成分的不同加权，并确立了一套有原则的方法论，利用行为变异性来发现认知的机制性架构。

中文由 AI 翻译，仅供参考，以原文为准。