Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Two recent innovations, the emergence of formal cognitive models and the addition of cognitive neuroscience data to the traditional behavioral data, have resulted in the birth of a new, interdisciplinary field of study: model-based cognitive neuroscience. Despite the increasing scientific interest in model-based cognitive neuroscience, few active researchers and even fewer students have a good knowledge of the two constituent disciplines. The main goal of this edited collection is to promote the integration of cognitive modeling and cognitive neuroscience. Experts in the field will provide tutorial-style chapters that explain particular techniques and highlight their usefulness through concrete examples and numerous case studies. The book will also include a thorough list of references pointing the reader towards additional literature and online resources.

Biomedicine. --- Neurosciences. --- Neuropsychology. --- Medicine. --- Psychology, clinical. --- Médecine --- Neurosciences --- Cognitive neuroscience --- Human behavior models --- Mental Processes --- Models, Theoretical --- Psychological Phenomena and Processes --- Psychophysiology --- Biological Science Disciplines --- Investigative Techniques --- Behavior and Behavior Mechanisms --- Psychiatry and Psychology --- Behavioral Sciences --- Analytical, Diagnostic and Therapeutic Techniques and Equipment --- Natural Science Disciplines --- Behavioral Disciplines and Activities --- Disciplines and Occupations --- Methods --- Physiology --- Behavior --- Neuropsychology --- Psychomotor Performance --- Models, Psychological --- Cognition --- Medicine --- Health & Biological Sciences --- Neurology --- Mathematical models --- Cognitive neuroscience. --- Cognitive neuropsychology --- Cognitive science --- Neural sciences --- Neurological sciences --- Neuroscience --- Medical sciences --- Nervous system --- Neurophysiology

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Cognitive psychology --- Mathematical statistics

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Binaire keuzereactietijden komen erg vaak voor in de experimentele psychologie. Helaas voldoet dit soort gegevens niet aan de vereisten en assumpties van statistische standaardmodellen zoals het general linear model. Het hoofddoel van deze thesis is het ontwikkelen, uitbreiden, en toepassen van methoden voor de analyse van binaire keuzereactietijden op basis van diffusieprocesmodellen. Het diffusieproces is een toevalsbeweging in continue tijd en in een continue ruimte. In onze toepassingen gaat het telkens om ééndimensionale diffusies—een wiskundig formalisme om continue veranderingen in een scalair getal over de tijd uit te drukken. Het centrale dogma van het diffusiemodelkader is dat dit variërende getal gekoppeld kan worden aan een abstracte ‘evidentieteller’ die verborgen zit in de geest van de beslisser. Verder wordt aangenomen dat de beslisser een respons uitvoert zodra deze teller één van twee grenzen overschrijdt, dat het diffusieproces preferentieel naar één van deze grenzen kan wegdrijven en dat het startpunt van het proces dichter bij de ene grens dan de andere kan liggen. De uitdaging van diffusiemodelleren ligt erin de waarden van deze grenzen, van de drijfkracht en van de a priori voorkeur terug te vinden op basis van enkel de latentietijden waarop de grens werd geraakt. Deze uitdaging, en varianten ervan, zijn het onderwerp van deze thesis. In de Introduction geven we een korte inleiding tot het algemene probleem met het analyseren van binaire keuzereactietijden, alsook een overzicht van de vijf hoofdstukken van de dissertatie. In Chapter 1 beschrijven we een algemene methode voor het passen van een diffusiemodel aan empirische gegevens. Deze methode breidt bestaande methoden uit met een flexibele manier om parameters constant te houden tussen experimentele condities. Met ontwerpmatrices als kader, bespreken we in dit Chapter ook statistische inferentie voor diffusiemodellen. Daarnaast stellen we enkele strategie"en voor waarmee uitbijters en contaminanten—data die geobserveerd zijn maar die niet voortkomen uit het bestudeerde beslissingsproces—kunnen worden behandeld. We demonstreren deze methoden met enkele voorbeelden. In Chapter 2 wordt de Diffusion Model Analysis Toolbox voorgesteld: een MATLAB toolbox die toelaat de ontwerpmatrixmethode uit Chapter 1 toe te passen. Tot hiertoe werden enkel de klassieke, ‘frequentistische’ methoden voor statistische inferentie gebruikt. In Chapter 3 verplaatsen we ons naar het meer algemene Bayesiaanse kader en tonen hoe dit kader een grotere flexibiliteit toelaat in het modelleren. De Bayesiaanse schattingsmethoden leidden ook tot minder numerieke problemen. De Bayesiaanse methoden maakten het ook eenvoudiger om het diffusiemodel in een hiërarchisch kader uit te breiden. Dit beschrijven we in Chapter 4. Het hiërarchische Bayesiaanse diffusiemodel maakt het mogelijk om toevalseffecten toe te voegen. In een frequentistisch kader zou dit weliswaar mogelijk, maar zeer onpraktisch zijn. Met behulp van deze formulering met toevalseffecten kunnen we gegevens van verschillende condities of deelnemers samenbrengen—zelfs als die niets méér gemeen hebben dan hun lidmaatschap van een grotere groep of categorie. Het werken met toevalseffecten zorgt voor meer robuuste schattingen en heeft als belangrijke meerwaarde dat het een getrouwe weergave is van de manier waarop deelnemers en stimuli in de praktijk geselecteerd worden. De combinatie van een interessant, interpreteerbaar procesmodel als meetniveau met het ondervangen van individuele verschillen maakt van het hiërarchische diffusiemodel een voorbeeld van cognitieve psychometrie. In Chapter 5 passen we deze nieuwe methode toe op een grote gegevensset waarin binaire keuzereactietijden worden gekoppeld aan semantische eigenschappen van de stimuli. Terwijl de klassieke analyse—op basis van lineaire modellen—een heterogeen en oninterpreteerbaar beeld schetste, konden we dankzij de toepassing van een hiërarchisch diffusiemodel verschillende bronnen van variabiliteit tussen items ontwarren. Joachim Vandekerckhove, Extensions and applications of the diffusion model for two-choice response times. Dissertation submitted to obtain the degree of Doctor of Philosophy in Psychology, April 2009. Promoter: Prof. Dr. F. Tuerlinckx. Two-choice response time data (2CRT) is one of the most common formats of empirical data in experimental psychology. Unfortunately, such data do not adhere to the requirements of standard statistical models (such as the general linear model). The main goal of this thesis is to develop, extend, and apply methods for the analysis of 2CRTs on the basis of diffusion process models. The diffusion process is a generalization of a standard random walk to continuous time and with a continuous state space. In our applications, we will always consider one-dimensional diffusions—a mathematical formalism to describe continuous changes in a single number over time. The central dogma of the diffusion model framework is that this fluctuating number represents an abstract ‘evidence counter’, hidden in the decider’s mind. It is further assumed that the decider executes a response as soon as one of two boundaries is crossed, that the diffusion process may drift towards one of these boundaries at a lesser or greater rate, and that the process may be biased to start at a value near or far from a certain boundary. The challenge in diffusion modeling then lies in recovering the numerical values of these boundaries, the drift rate, and the bias, given only the times at which each boundary was hit. This challenge, and variations on the theme, are the focus of this thesis. In the Introduction, we give a brief introduction to the general problem of analyzing two-choice response times, and a bird's-eye overview of the five chapters of the dissertation. In Chapter 1, we describe a general method for fitting a diffusion model to empirical data. This method extends existing methods with a flexible way to constrain parameters across experimental conditions. Using design matrices as a constraining framework, this Chapter also discusses issues of statistical inference as applied to the design matrix method for diffusion models. Additionally, strategies are presented for handling outliers and contaminants—observed data points that are not generated by the decision process of interest. We demonstrate this collection of methods with several real examples. In Chapter 2, we introduce and describe the Diffusion Model Analysis Toolbox, a MATLAB toolbox that accompanies the design matrix method outlined in Chapter 1. Until this point, we had only considered classical, ‘frequentist’ methods for statistical inference. In Chapter 3, we move to the more general Bayesian statistical framework and demonstrate that this framework allows for more flexibility in modeling. We also experienced fewer numerical problems using Bayesian estimation methods. The novel Bayesian methods proved most useful in extending the diffusion model into a hierarchical framework, which we describe in Chapter 4. The hierarchical Bayesian diffusion model allows for the inclusion of random effects—something which would be technically possible, but highly impractical in a frequentist framework. The inclusion of random effects permits us to pool data across stimuli or participants that otherwise share nothing beyond being random draws from a common superpopulation. The random effects concept allows for more robust estimation, and it has the added virtue of being an accurate representation of the sampling scheme used in many empirical studies. The possibility of accounting for individual differences inside a population while retaining a conceptually interesting process model as the measurement level makes the hierarchical diffusion model an instance of cognitive psychometrics. Finally, in Chapter 5, we apply this novel method to a large data set, relating two-choice reaction times to semantic properties of the stimulus items. While the classical analysis, involving mainly general linear modeling, painted a heterogeneous and confusing picture, the hierarchical diffusion model approach succeeded in disentangling different sources of variability between items. Reactietijdmeting is één van de meest gebruikte methoden voor het meten van vaardigheid, moeilijkheid, en cognitieve belasting in de psychologie. Vaak worden reactietijden samen gemeten met één of andere keuze of een accuraatheidsscore. Deze combinatie, keuzereactietijden, is een complex object voor statistische analyse. In dit proefschrift maken we gebruik van we een wiskundig model van menselijke informatieverwerking om keuzereactietijden te analyseren. In het bijzonder combineren we statistisch gefundeerde data-analysemethoden met psychonomisch onderbouwde theorieën voor informatieverwerking. Zo bekomen we een generische methode voor de statistische behandeling van binaire keuzereactietijden. We zorgen ook voor software en voorbeelden. Reaction time measurement is one of the most popular methods of measuring ability, difficulty, and resource demand in psychology. Often, reaction times are measured in combination with some sort of choice, or an accuracy measure. This combination, choice response time, is a complicated object for statistical analysis. In the present dissertation, we apply a mathematical model of human information processing to choice response time data. In particular, we combine statistically principled methods of data analysis with psychonomically grounded theories of information processing to arrive at a generic method for the statistical treatment of two-choice response times. We provide software and examples.