[논문 리뷰] 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)|2018. 04. 23.

Neural and Behavioral Psychology Studies인용 수 4

한 줄 요약

이 논문은 Vorberg 등(2003)의 반응 프라밍 누적자 모델을 확장하여, 프라임과 타겟에 대해 독립적인 활성화 속도를 도입함으로써, 반응 시간과 오류 비율에 대한 프라임과 타겟 강도의 별개 기여를 가능하게 한다. 이 모델은 더 강한 프라임이 프라밍 효과를 증폭시키고, 더 강한 타겟은 반응 시간을 단축시키며 프라밍 효과를 약화시킨다고 예측하며, SOA에 따라 변화하는 프라밍 역학을 정량적으로 기반으로 하는 예측 가능하고 경험적으로 검증할 수 있는 프레임워크를 제공한다.

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.

연구 동기 및 목표

• 프라임과 타겟에 대해 독립적인 반응 활성화 속도를 允허함으로써 Vorberg 등(2003)의 누적자 모델을 일반화한다.
• 다양한 프라임 및 타겟 강도가 반응 프라밍 작업에서 반응 시간과 오류 비율에 미치는 영향을 모델링한다.
• 다양한 프라임-타겟 자극 시작 시차(SOA) 조건에서 평균 반응 시간에 대한 기본 분석식을 유도한다.
• 프라임과 타겟이 운동 반응 활성화 및 갈등을 이끄는 데 수행하는 역할을 명확히 한다.

제안 방법

• 프라임과 타겟 자극으로부터 독립적으로 반응 활성화가 누적되는 누적자 모델을 수식화한다.
• 프라임 신호와 타겟 신호에 대해 별개의 활성화 속도를 도입하여 반응 역학에 미치는 영향을 다르게 한다.
• 확률적 누적자 과정의 첫 번째 통과 시간 이론을 기반으로 평균 반응 시간에 대한 분석식을 도출한다.
• 반응 불일치 프라임으로 인한 일시적 활성화를 통해 갈등을 모델링하고, SOA 시점에 타겟 신호가 이를 대체하도록 한다.
• 첫 번째 통과 시간 이론을 활용하여 평균 반응 시간과 오류 비율을 프라임 및 타겟 활성화 속도의 함수로 계산한다.
• 다양한 SOA 조건에서 프라임 효과를 예측하기 위해, 별개의 프라임 및 타겟 강도를 고려한 모델을 적용한다.

실험 결과

연구 질문

• RQ1 프라임과 타겟의 독립적인 활성화 속도가 반응 프라밍 작업에서 평균 반응 시간에 어떤 영향을 미치는가?
• RQ2 다양한 SOA 값에서 프라임 강도, 타겟 강도, 프라밍 효과 사이의 정량적 관계는 무엇인가?
• RQ3 프라임과 타겟이 반응 불일치일 경우, 더 긴 SOA에서 프라밍 효과가 증가하는 이유는 무엇인가?
• RQ4 더 강한 타겟이 더 강한 프라임에 비해 반응 시간을 단축시키고 프라밍 효과를 감소시키는 방식은 어떠한가?
• RQ5 프라임과 타겟 신호의 강도가 다를 경우 관찰된 프라밍 효과의 비대칭성을 모델이 어떻게 설명할 수 있는가?

주요 결과

• 더 강한 프라임은 특히 긴 SOA에서 반응 시간과 오류 비율 모두에서 프라밍 효과를 크게 증가시킨다.
• 더 강한 타겟은 전체 반응 시간을 단축시키며 프라밍 효과를 감소시켜, 반응 실행에 있어 지배적인 영향을 미친다.
• 모델은 일시적 프라임 활성화와 타겟의 대체 간 상호작용으로 인해 중간 SOA에서 프라밍 효과가 최고조에 이를 것임을 예측한다.
• 평균 반응 시간에 대한 분석식은 프라임 속도, 타겟 속도, SOA의 함수로 명시적으로 유도되었다.
• 프라임과 타겟 강도가 다를 경우의 프라밍 효과 비대칭성을 설명할 수 있으며, 이는 프라임이 갈등에 더 큰 영향을 주고, 타겟이 속도에 더 큰 영향을 준다는 것을 의미한다.
• 이 프레임워크는 경험적 데이터를 검증할 수 있는 정량적 기반을 제공하며, 관측된 반응 시간 및 오류 비율 분포로부터 모수 추정이 가능하다.