A spiking neural model of decision making and the speed–accuracy trade-off.
Notice bibliographique
Résumé
The speed-accuracy trade-off (SAT) is the tendency for fast decisions to come at the expense of accurate performance. Evidence accumulation models such as the drift diffusion model can reproduce a variety of behavioral data related to the SAT, and their parameters have been linked to neural activities in the brain. However, our understanding of how biological neural networks realize the associated cognitive operations remains incomplete, limiting our ability to unify neurological and computational accounts of the SAT. We address this gap by developing and analyzing a biologically plausible spiking neural network that extends the drift diffusion approach. We apply our model to both perceptual and nonperceptual tasks, investigate several contextual manipulations, and validate model performance using neural and behavioral data. Behaviorally, we find that our model (a) reproduces individual response time distributions; (b) generalizes across experimental contexts, including the number of choice alternatives, speed- or accuracy-emphasis, and task difficulty; and (c) predicts accuracy data, despite being fit only to response time data. Neurally, we show that our model (a) recreates observed patterns of spiking neural activity and (b) captures age-related deficits that are consistent with the behavioral data. More broadly, our model exhibits the SAT across a variety of tasks and contexts and explains how individual differences in speed and accuracy arise from synaptic weights within a spiking neural network. Our work showcases a method for translating mathematical models into functional neural networks and demonstrates that simulating such networks permits analyses and predictions that are outside the scope of purely mathematical models. (PsycInfo Database Record (c) 2025 APA, all rights reserved).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».