fa بررسی تصمیم‌گیری با شواهد ناکافی با استفاده از مدل‌سازی رفتاری علوم اعصاب شناختی Cognitive Neuroscience پژوهشي Research --- Open Access, CC-BY-NC <strong>مقدمه:</strong> الزام به تصمیم‌گیری تنها با شواهدی محدود و بعضا ناکافی یکی از چالش‌هایی است که ناگزیر از مواجهه با آن هستیم. در مطالعات پیشین تاثیر میزان شواهد در میزان عملکرد، قطعیت و زمان پاسخ بررسی شده است. اما این سوال که با شواهد ناکافی، چه عواملی منجر به اخذ تصمیم می‌شود، در هاله‌ای از ابهام است. این پژوهش با کمک آزمایش نقاط متحرک تصادفی و استفاده از مدل‌سازی رفتاری، سعی در پاسخ‌دهی به آن دارد. <strong>مواد و روش‌ها:</strong> آزمایش روان- فیزیک نقاط متحرک تصادفی طراحی شد و از 10 شرکت‌کننده خواسته شد پس از مشاهده‌ی حرکت نقاط، جهت حرکت و میزان قطعیت خود را اعلام نمایند. در این آزمایش مدت‌زمان نمایش محرک متغیر بوده و در هر آزمایه به‌طور تصادفی یکی از شش مدت‌زمان تعیین‌شده (از 80 تا 720 میلی‌ثانیه) را داشته است. با متغیر بودن زمان نمایش محرک، شرکت‌کنندگان در معرض شواهد کافی و ناکافی جهت تصمیم‌گیری قرار گرفتند. نتایج داده‌های رفتاری شرکت‌کنندگان با توابع روان‌سنجی مورد بررسی قرار گرفته و با استفاده از مدل رانش- انتشار رفتار شرکت‌کنندگان، مدل‌سازی شد. <strong>یافته‌ها:</strong> داده‌های رفتاری ما نشان می‌دهد که مدت‌زمان نمایش محرک، تاثیر معنی‌داری در افزایش میزان دقت و قطعیت و همچنین در کاهش زمان پاسخ‌گویی دارد. نتایج مدل‌سازی رفتاری نیز نشان داد که مؤلفه‌های تصمیم (آستانه تصمیم، نرخ رانش، و مولفه غیر تصمیم) تحت تأثیر تغییر مدت‌زمان نمایش محرک هستند و آستانه تصمیم به‌طور قابل‌توجهی تحت تأثیر قرار می‌گیرد. آستانه تصمیم با افزایش مدت‌زمان نمایش محرک به‌طور معنی‌داری افزایش می‌یابد. <strong>نتیجه‌گیری: </strong>پژوهش‌های ما، این فرضیه که مغز هنگام تصمیم‌گیری بر مبنای شواهد ناکافی، آستانه تصمیم را تغییر داده و با شرایط سازگار می‌شود را تقویت می‌کند. <strong>Introduction: </strong>Obliging to make decisions with only limited and sometimes insufficient evidence is one of the challenges that we face. Previous studies have examined the effect of evidence on performance, confidence, and response time. The question of what leads to a decision with insufficient evidence is still shrouded in ambiguity. This research tries to find an answer by experimenting with random dot motion tasks and using behavioral modeling<span dir="RTL" lang="FA" style="font-size:10.0pt">.</span> <strong>Materials and Methods: </strong>A random dot motion psychophysics experiment was designed and 10 participants were asked to indicate the direction of dots and the degree of their confidence after observing the movement of the dots. In this experiment, the duration of stimulus display was variable and, in each trial, randomly had one of the six specified durations (80 to 720 milliseconds). As the stimulus display time varied, participants were exposed to sufficient and insufficient evidence to make a decision. The results of the participants&#39; behavioral data were analyzed by psychometric functions and the participants&#39; behavior was modeled using the drift-diffusion model<span dir="RTL" lang="FA" style="font-size:10.0pt">.</span> <strong>Results:</strong> Our behavioral data indicate that the duration of stimulus display has a significant impact on increasing accuracy and confidence as well as on reducing response time. Behavioral modeling results also showed that the decision components (i.e., threshold separation, drift rate, and none-decision time) are affected by changes in stimulus duration, and threshold separation is significantly affected. The threshold separation increases significantly as the stimulus shows increases<span dir="RTL" lang="FA" style="font-size:10.0pt">.</span> <strong>Conclusion:</strong> Our investigation supports the hypothesis that the brain changes the decision threshold and adapts to the situation when making decisions based on insufficient evidence. تصمیم‌گیری, روان- فیزیک, زمان پاسخ Decision Making, Psychophysics, Reaction Time 10 19 http://shefayekhatam.ir/browse.php?a_code=A-10-163-10&slc_lang=fa&sid=1 Kimia Darparnian کیمیا دارپرنیان k.parnian@sru.ac.ir 100319475328460024223 100319475328460024223 No Department of Artificial Intelligence, Faculty of Computer Engineering, Shahid Rajaee University, Tehran, Iran گروه هوش مصنوعی، دانشکده مهندسی کامپیوتر، دانشگاه تربیت معلم شهید رجایی، تهران، ایران Zahra Azizi زهرا عزیزی zhr.azizi@gmail.com 100319475328460024224 100319475328460024224 No Department of Cognitive Modeling, Institute for Cognitive Science Studies, Tehran, Iran گروه مدل‌سازی شناختی، پژوهشکده علوم شناختی، تهران، ایران Reza Ebrahimpour رضا ابراهیم پور rebrahimpour@sru.ac.ir 100319475328460024225 100319475328460024225 Yes a. Department of Artificial Intelligence, Faculty of Computer Engineering, Shahid Rajaee Teacher Training University, Tehran, Iran. b. Institute for Convergent Science and Technology, Sharif University of Technology, Tehran, Iran الف. گروه هوش مصنوعی، دانشکده مهندسی کامپیوتر، دانشگاه تربیت معلم شهید رجایی، تهران، ایران. ب. پژوهشکده علوم شناختی، پژوهشگاه دانش‌های بنیادی، تهران، ایران