چگونه مدل رانش-پخش (DDM) تصمیم‌های سریع و شهودی را از تصمیم‌های کند و حساب‌شده جدا می‌کند

وقتی سیستم بینایی یک خودروی خودران یک تابلوی ایست را تشخیص می‌دهد، ناگهان به یک یقین مطلق دست پیدا نمی‌کند؛ بلکه احتمالات در سطح پیکسل را تا زمانی که از یک آستانه ریاضی عبور کند، روی هم انباشته می‌کند. تصمیم‌گیری انسان نیز بر اساس یک اصل کاملاً مشابه عمل می‌کند، اما با یک تفاوت اساسی: آستانه یقین ما بر اساس اهمیت و ریسک انتخاب، به صورت پویا منبسط یا منقبض می‌شود. از زمان رواج نظریه‌های پردازش دوگانه، روان‌شناسان تفکر انسان را به دو دسته «سیستم ۱» (سریع و شهودی) و «سیستم ۲» (کند و حساب‌شده) تقسیم کرده‌اند. با این حال، با پیشرفت مدل‌سازی محاسباتی، محققان به طور فزاینده‌ای به یک چارچوب ریاضی دقیق‌تر روی آورده‌اند تا توضیح دهند چگونه یک مغز واحد به شکلی یکپارچه بین این دو حالت جابه‌جا می‌شود.[3][4]

چارچوبی که این شکاف را پر می‌کند، مدل رانش-پخش (DDM) است. این مدل که در اصل در سال ۱۹۷۸ توسط راجر رتکلیف، روان‌شناس شناختی، توسعه یافت، اکنون به استاندارد طلایی برای درک نحوه تصمیم‌گیری سریع شرکت‌کنندگان آموزش‌دیده بین دو گزینه ممکن تبدیل شده است. مدل DDM به جای اینکه شهود و تامل را به عنوان مدارهای بیولوژیکی مجزا در نظر بگیرد، مطرح می‌کند که تمام تصمیمات نتیجه یک انباشت متوالی و پر از نویزِ شواهد در طول زمان هستند. با ردیابی نحوه جمع‌آوری اطلاعات توسط یک فرد، این مدل پنجره‌ای به سوی فرایندهای شناختی پنهانی باز می‌کند که از ادراک بصری ساده تا قضاوت‌های اخلاقی پیچیده را کنترل می‌کنند.[1]

برای درک قابلیت واقعی این مدل، بهتر است اصطلاحات پرطمطراق روان‌شناسی را کنار بگذاریم و به سراغ ریاضیات برویم. مدل استاندارد DDM برای پیش‌بینی انتخابی که یک فرد انجام می‌دهد و زمان دقیق واکنش مورد نیاز برای آن، بر چهار پارامتر اصلی تکیه دارد. اولی «نرخ رانش» است که سرعت و کیفیت پردازش اطلاعات را می‌سنجد. دومی «فاصله مرزی» است که نشان‌دهنده آستانه تصمیم‌گیری یا مقدار شواهد مورد نیاز برای متعهد شدن به یک انتخاب است. سومی «نقطه شروع» است که هرگونه سوگیری از پیش‌موجود نسبت به یک گزینه را منعکس می‌کند، و چهارمی «زمان غیرتصمیم‌گیری» است که مکانیک فیزیکی درک محرک و اجرای پاسخ حرکتی را در بر می‌گیرد.[2]

در زمینه تصمیم‌گیری‌های سریع و شهودی — همان چیزی که نظریه‌پردازان پردازش دوگانه آن را سیستم ۱ می‌نامند — مدل DDM یک پیکربندی پارامتری خاص را فاش می‌کند. وقتی فردی به شهود تکیه می‌کند، فاصله مرزی او باریک است. مغز برای رسیدن به یک انتخاب به شواهد انباشته‌شده بسیار کمی نیاز دارد و این اجازه می‌دهد تا فرایند تصمیم‌گیری در زمانی به کوتاهی یک تا دو ثانیه پایان یابد. اگر محرک واضح باشد، نرخ رانش شیب تندی دارد و تصمیم هم سریع و هم دقیق است. این پیکربندی برای کارهای روزمره بسیار کارآمد است، اما اگر شواهد ورودی مبهم یا گمراه‌کننده باشند، تصمیم‌گیرنده را در برابر خطا آسیب‌پذیر می‌کند.[1][3]

با این حال، کاربرد واقعی مدل زمانی مشخص می‌شود که بخواهیم تصمیمات کند و حساب‌شده را توضیح دهیم. هنگام مواجهه با ابهام یا ریسک‌های بالا، مغز لزوماً به یک سیستم پردازشی متفاوت سوئیچ نمی‌کند؛ بلکه صرفاً پارامترهای سیستم موجود را تنظیم می‌کند. فاصله مرزی گسترش می‌یابد، به این معنی که فرد اکنون قبل از اقدام به آستانه بسیار بالاتری از شواهد نیاز دارد. این گسترش، فرایند انباشت را مجبور می‌کند تا طولانی‌تر شود، که خود را به شکل تامل کند و پرزحمتِ مشخصه تفکر سیستم ۲ نشان می‌دهد. در اینجا تصمیم‌گیرنده به طور فعال سرعت را فدای دقت می‌کند و داده‌های بیشتری جمع‌آوری می‌کند تا مطمئن شود انتخاب نهایی درست است.[3][4]

نویسندگان یک بررسی جامع در مجله Frontiers in Psychology خاطرنشان می‌کنند: «این مدل‌ها تصمیم‌گیری را به عنوان فرایندی مفهوم‌سازی می‌کنند که در آن، در هر تلاش، افراد شواهدی را به نفع یکی از پاسخ‌های ممکن انباشته می‌کنند تا زمانی که شواهد کافی برای رسیدن به یک معیار یا آستانه جمع‌آوری شود.» با کمی‌سازی این تبادل بین سرعت و دقت، DDM یک فاکتور ریاضی برای تلاش شناختی ارائه می‌دهد و دشواری ذاتی یک کار را از میزان احتیاط تصمیم‌گیرنده جدا می‌کند. این تفکیک برای درک اینکه چرا دو نفر ممکن است زمان‌های بسیار متفاوتی را برای رسیدن به یک نتیجه کاملاً یکسان صرف کنند، حیاتی است.[2]

تمایز بین آنچه این مدل واقعاً اندازه‌گیری می‌کند و نحوه بازاریابی آن در علم عامه‌پسند بسیار مهم است. در حالی که کتاب‌های روان‌شناسی عامه‌پسند اغلب تفکر شهودی و حساب‌شده را به عنوان نبردی بین مغز احساسی و منطقی توصیف می‌کنند، DDM مکانیسم یکپارچه‌تری را پیشنهاد می‌دهد. این مدل نشان می‌دهد که همان فرایند انباشت شواهد زیربنایی، هر دو نوع انتخاب را هدایت می‌کند؛ تفاوت کاملاً در تنظیمات آستانه و کیفیت داده‌های ورودی نهفته است. هیچ طناب‌کشی درونی در کار نیست، بلکه تنها یک تنظیم پویای مرزهای ریاضی وجود دارد.[4]

این یکپارچگی ریاضی پیامدهای عمیقی برای حوزه‌هایی فراتر از روان‌شناسی شناختی پایه دارد. در سال‌های اخیر، محققان DDM را در یادگیری تقویتی به کار گرفته‌اند تا بفهمند حیوانات و انسان‌ها چگونه ترجیحات خود را بر اساس پاداش‌ها به‌روزرسانی می‌کنند. مطالعه‌ای که در Frontiers in Neuroscience منتشر شد، نشان داد که مدل رانش-پخش می‌تواند به عنوان قاعده انتخاب در الگوریتم‌های یادگیری تقویتی عمل کند و عملاً شکاف بین نحوه یادگیری ارزش یک گزینه و نحوه اجرای یک تصمیم بر اساس آن ارزش را پر کند. این ادغام، درک جامع‌تری از رفتار سازگارانه را امکان‌پذیر می‌سازد.[5]

با این حال، خوانش شکاکانه ادبیات علمی نشان می‌دهد که این مدل بدون محدودیت نیست. نسخه پایه DDM صراحتاً برای کارهای دوگزینه‌ای طراحی شده بود — مانند تصمیم‌گیری درباره اینکه آیا یک رشته حروف یک کلمه است یا یک شبه‌کلمه، یا اینکه آیا ابری از نقاط به سمت چپ حرکت می‌کند یا راست. وقتی تصمیمات شامل سه گزینه یا بیشتر باشند، یا زمانی که فرایند انباشت شواهد غیرخطی باشد، مدل استاندارد چهار پارامتری به مشکل برمی‌خورد. محققان اغلب باید اصلاحات پیچیده‌ای را برای در نظر گرفتن نویز و تنوع ذاتی در سناریوهای چندگزینه‌ای معرفی کنند.[1][6]

برای پرداختن به این موارد حاشیه‌ای، اقتصادسنجان و روان‌شناسان ریاضی ۵۰ سال گذشته را صرف اصلاح این مدل کرده‌اند. در آگوست ۲۰۱۹، محققان یک آزمون آماری برای DDM در arXiv منتشر کردند و یک قضیه مشخصه‌سازی ارائه دادند تا تعیین کنند آیا یک مجموعه داده معین از احتمالات انتخاب و زمان‌های واکنش واقعاً توسط یک فرایند پخش تولید شده است یا خیر. کار آن‌ها برجسته کرد که اگرچه این مدل قوی است، اما فرض آن مبنی بر ثابت بودن آستانه‌های مرزی در طول زمان همیشه در سناریوهای دنیای واقعی صدق نمی‌کند، که این امر تحقیقات بیشتری را در مورد تنظیمات پویای آستانه برانگیخته است.[6]

یکی از مهم‌ترین بحث‌های نظری پیرامون DDM شامل پدیده «مرزهای در حال فروپاشی» است. برخی از محققان استدلال می‌کنند که با گذشت زمان در طول یک تصمیم دشوار، آستانه فرد برای شواهد در واقع کاهش می‌یابد — آن‌ها بی‌حوصله می‌شوند و در نهایت بر اساس هر شواهد اندکی که انباشته کرده‌اند، انتخابی انجام می‌دهند. در حالی که این موضوع از نظر شهودی منطقی به نظر می‌رسد، آزمایش‌های تجربی مرزهای در حال فروپاشی نتایج متناقضی به همراه داشته است، که نشان می‌دهد تنظیمات پارامترهای مغز به شدت وابسته به زمینه هستند و ممکن است از فردی به فرد دیگر به طور قابل‌توجهی متفاوت باشند.[1][2]

با وجود این بحث‌ها، DDM همچنان ابزاری بی‌نظیر برای جداسازی اجزای یک تصمیم است. با تفکیک نرخ رانش از فاصله مرزی، محققان می‌توانند دقیقاً مشخص کنند که چرا یک گروه جمعیتی خاص ممکن است تصمیمات کندتری بگیرد. به عنوان مثال، وقتی افراد مسن‌تر زمان بیشتری را برای تکمیل یک کار شناختی صرف می‌کنند، DDM اغلب نشان می‌دهد که نرخ رانش آن‌ها — یعنی سرعت خام پردازش اطلاعاتشان — لزوماً کاهش نیافته است. در عوض، فاصله مرزی آن‌ها گسترده‌تر شده است، که نشان می‌دهد آن‌ها صرفاً دقت را با درجه بیشتری نسبت به شرکت‌کنندگان جوان‌تر بر سرعت ترجیح می‌دهند.[2]

این بینش اساساً نحوه ارزیابی ما از عملکرد شناختی در طول عمر را تغییر می‌دهد. اگر زمان واکنش کندتر نتیجه یک انتخاب استراتژیک و حساب‌شده برای جلوگیری از خطا باشد و نه یک نقص بیولوژیکی در قدرت پردازش، پس معیارهای سنتی مورد استفاده در آزمایش‌های روان‌شناختی اساساً دارای نقص هستند. DDM محققان را مجبور می‌کند تا فراتر از داده‌های خام کرنومتر نگاه کنند و متغیرهای پنهانی را که رفتار را هدایت می‌کنند بررسی کنند، تا اطمینان حاصل شود که فراوانیِ سالمِ احتیاط به اشتباه به عنوان علامتی از زوال شناختی یا اختلال عصبی تشخیص داده نمی‌شود.[1][4]

از آنجا که سیستم‌های هوش مصنوعی به طور فزاینده‌ای در تلاش برای تقلید از استدلال انسانی هستند، اصول مدل رانش-پخش کاربردهای جدیدی در یادگیری ماشین پیدا می‌کنند. با برنامه‌ریزی عامل‌های هوش مصنوعی برای تنظیم پویای آستانه‌های انباشت شواهد خود بر اساس ریسک درک‌شده از یک مثبت کاذب، توسعه‌دهندگان در حال ایجاد سیستم‌هایی هستند که می‌توانند بین پاسخ‌های سریع و اکتشافی و جستجوهای کند و جامع جابه‌جا شوند. این رویکرد عملاً استدلال پردازش دوگانه انسانی را مهندسی معکوس می‌کند و به الگوریتم‌ها اجازه می‌دهد تا منابع محاسباتی خود را بر اساس خواسته‌های خاص کارِ در دست انجام بهینه کنند.[5]

ارزش ماندگار مدل رانش-پخش در توانایی آن برای ابهام‌زدایی از جعبه سیاه انتخاب انسانی نهفته است. این مدل استعاره‌های مبهم تفکر شهودی و حساب‌شده را با یک معادله دقیق و قابل آزمایش جایگزین می‌کند که می‌تواند در رشته‌های مختلف اعمال شود. نقطه عطف قابل‌تایید بعدی برای این تحقیق، مقیاس‌پذیری ریاضیات انباشت شواهد از کارهای ساده دوگزینه‌ای آزمایشگاهی به تصمیمات پیچیده و چندمتغیره است که زندگی روزمره را تعریف می‌کنند، تا آزمایش شود که آیا پارامتر فاصله مرزی قدرت پیش‌بینی خود را در دنیای واقعی حفظ می‌کند یا خیر.[7]