[論文レビュー] An accumulator model for primes and targets with independent response activation rates: Basic equations for average response times

Thomas Schmidt, Filipp Schmidt|arXiv (Cornell University)|Apr 23, 2018

Neural and Behavioral Psychology Studies被引用数 4

ひとこと要約

本稿は、Vorberg ら（2003）の反応プリミングの蓄積モデルを拡張し、プリミングとターゲットのための独立した活性化率を導入することで、反応時間と誤り率に及ぼすプリミングおよびターゲット強度の異なる寄与を可能にした。モデルは、強いプリミングがプリミング効果を増幅するのに対し、強いターゲットは反応時間を短縮しプリミング効果を弱めるという予測をし、SOA依存のプリミングダイナミクスを定量的に記述するフレームワークを提供する。実験的検証可能な予測を含む。

ABSTRACT

In response priming tasks, speeded responses are performed toward target stimuli preceded by prime stimuli. Responses are slower and error rates are higher when prime and target are assigned to different responses, compared to assignment to the same response, and those priming effects increase with prime-target SOA. Here, we generalize Vorberg et al.'s (2003) accumulator model of response priming, where response activation is first controlled exclusively by the prime and then taken over by the actual target. Priming thus occurs by motor conflict because a response-inconsistent prime can temporarily drive the process towards the incorrect response. While the original model assumed prime and target signals to be identical in strength, we allow different rates of response activation (cf. Mattler & Palmer, 2012; Schubert et al., 2012). Our model predicts that stronger primes mainly increase priming effects in response times and error rates, whereas stronger targets mainly diminish response times and priming effects.

研究の動機と目的

• プリミングとターゲットのための独立した反応活性化率を許容することで、Vorberg ら（2003）の蓄積モデルを一般化すること。
• プリミングとターゲット強度の変動が、反応プリミングタスクにおける反応時間と誤り率にどのように異なる影響を与えるかをモデル化すること。
• 変動するプリミング・ターゲットの刺激開始遅延（SOA）における平均反応時間の基本的解析的式を導出すること。
• プリミングとターゲットがモータ制御活性化と衝突を引き起こす際の役割を明確にすること。

提案手法

• プリミングとターゲットの刺激から独立して反応活性化が蓄積される蓄積モデルを形式化する。
• プリミングとターゲットの信号のための別個の活性化率を導入し、反応ダイナミクスに及ぼす差別の的影響を可能にする。
• 確率的蓄積プロセスの最初の通過時間に基づいて、平均反応時間の解析的表現を導出する。
• 反応不一致プリミングからの一時的活性化によって反応衝突をモデル化し、SOAでターゲット信号が支配的になるようにする。
• 最初の通過時間理論を用いて、プリミングとターゲットの活性化率を関数とする期待反応時間と誤り率を計算する。
• 異なるプリミング強度とターゲット強度を想定し、さまざまなSOA条件下でのプリミング効果を予測するためにモデルを適用する。

実験結果

リサーチクエスチョン

• RQ1 プリミングとターゲットの独立した活性化率が、反応プリミングタスクにおける平均反応時間にどのように影響を与えるか？
• RQ2 プリミング強度、ターゲット強度、およびさまざまなSOA値におけるプリミング効果との間の定量的関係は何か？
• RQ3 プリミングとターゲットが反応不一致である場合、長時間SOAでプリミング効果が増大する理由は何か？
• RQ4 強いターゲットが強いプリミングと比較して、反応時間を短縮しプリミング効果を弱めるメカニズムは何か？
• RQ5 プリミングとターゲットの信号強度が異なる場合に観察されるプリミング効果の非対称性をモデルは説明できるか？

主な発見

• 強いプリミングは、特に長時間SOAにおいて、反応時間と誤り率の両方においてプリミング効果を顕著に増大させる。
• 強いターゲットは全体的な反応時間を短縮し、プリミング効果を弱めるため、反応実行に優位な影響を示す。
• モデルは、一時的プリミング活性化とターゲットの支配的 takeover の相互作用により、中程度のSOAでプリミング効果がピークに達することを予測する。
• 平均反応時間の解析的式は、プリミング率、ターゲット率、およびSOAの関数として明示的に導出された。
• プリミング強度とターゲット強度が不均衡な場合のプリミング効果の非対称性をモデルは説明でき、プリミングは衝突に強く、ターゲットは速度に強く影響を与える。
• このフレームワークは、観察された反応時間と誤り率の分布からのパラメータ推定を可能にする定量的根拠を提供する。