[论文解读] The thermodynamics of human reaction times

Fermı́n Moscoso del Prado Martı́n|ArXiv.org|Aug 21, 2009

Advanced Text Analysis Techniques参考文献 31被引用 6

一句话总结

本文提出一种热力学框架，通过将反应时间（RT）分布的熵视为认知加工负荷的无模型度量，来分析人类反应时间。通过将最大熵原理应用于RT数据，该方法在不依赖刺激内容的前提下估计信息加工复杂度，发现词汇判断任务引起的加工熵显著高于单词命名任务，并提供了与Hick定律矛盾的加工速度上限。

ABSTRACT

I present a new approach for the interpretation of reaction time (RT) data from behavioral experiments. From a physical perspective, the entropy of the RT distribution provides a model-free estimate of the amount of processing performed by the cognitive system. In this way, the focus is shifted from the conventional interpretation of individual RTs being either long or short, into their distribution being more or less complex in terms of entropy. The new approach enables the estimation of the cognitive processing load without reference to the informational content of the stimuli themselves, thus providing a more appropriate estimate of the cognitive impact of different sources of information that are carried by experimental stimuli or tasks. The paper introduces the formulation of the theory, followed by an empirical validation using a database of human RTs in lexical tasks (visual lexical decision and word naming). The results show that this new interpretation of RTs is more powerful than the traditional one. The method provides theoretical estimates of the processing loads elicited by individual stimuli. These loads sharply distinguish the responses from different tasks. In addition, it provides upper-bound estimates for the speed at which the system processes information. Finally, I argue that the theoretical proposal, and the associated empirical evidence, provide strong arguments for an adaptive system that systematically adjusts its operational processing speed to the particular demands of each stimulus. This finding is in contradiction with Hick's law, which posits a relatively constant processing speed within an experimental context.

研究动机与目标

• 开发一种无需依赖刺激特异性信息含量的无模型方法，从反应时间（RT）分布中估计认知加工负荷。
• 研究RT分布的复杂度（通过熵度量）是否真实反映了认知系统执行的信息加工量。
• 通过将熵作为加工负荷的代理变量，检验在实验背景下加工速度是否恒定，从而挑战Hick定律。
• 使用大规模词汇判断和单词命名数据集，对反应时间的热力学解释进行实证验证。

提出的方法

• 该方法使用最大熵原理对RT分布的时间熵进行建模，仅假设对平均RT和平均值与熵之间线性关系的约束。
• 推导出形式为 $ p(t) = \kappa_1 \frac{1}{t} e^{-\kappa_2 t} $ 的概率密度函数，该函数在归一化和矩约束下表现出幂律衰减与指数截断。
• 该方法引入RT的无知先验，确保在时间-速率变换下保持不变，并使用拉格朗日乘数求解变分优化问题。
• 通过增加有限方差等约束，将模型扩展为 $ p(t) = \kappa_1 \frac{1}{t} e^{\kappa_2 t + \kappa_3 t^2} $，使该分布更好地逼近经验RT数据。
• 使用混合效应模型（MEM）将熵估计为任务类型的函数，通过参与者的随机效应控制异质性。
• 应用重采样和降采样分析，以排除数据集样本量和参与者数量带来的混杂因素。

实验结果

研究问题

• RQ1 RT分布的熵是否能提供一种可靠且无模型的认知加工负荷估计？
• RQ2 RT熵的热力学解释能否区分不同认知任务（如词汇判断与单词命名）？
• RQ3 认知系统的加工速度是否在所有刺激间保持恒定，如Hick定律所假设，还是随刺激复杂度而变化？
• RQ4 在数据缩减下，熵估计在多大程度上保持稳定，表明其对样本量和参与者数量的鲁棒性？

主要发现

• 词汇判断任务中RT分布的熵显著高于单词命名任务，表明认知加工负荷更大。
• 该方法提供了与Hick定律中加工速度恒定假设不一致的加工速度上限估计。
• 重采样分析证实，观察到的熵差异并非源于样本量或参与者数量，因为降采样后结果依然稳健。
• 即使在缩减数据集中每个词仅有一个响应的情况下，熵估计仍保留了与全数据集相比76%的方差，表明其具有高度稳定性。
• 引入高阶约束（如方差）后，模型对经验RT分布的拟合度得到改善，同时保持了核心的熵-平均RT关系。
• RT的时间熵被发现是认知系统因信息处理导致物理熵增加的直接、可测量的代理变量。