MARC

 008240221s2022        ulk                      00        kor
■001000016935471
■00520240214101937
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380183222
■035    ▼a(MiAaPQ)AAI30723834
■035    ▼a(MiAaPQ)OhioLINKosu1657231636304466
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a150
■1001  ▼aShevlin,  Blair  R.  K.
■24510▼aEssays  on  the  Role  of  Value  in  Decision-Making▼h[electronic  resource]
■260    ▼a[S.l.]▼bThe  Ohio  State  University.  ▼c2022
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2022
■300    ▼a1  online  resource(255  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-03,  Section:  B.
■500    ▼aAdvisor:  Krajbich,  Ian.
■5021  ▼aThesis  (Ph.D.)--The  Ohio  State  University,  2022.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aHow  do  decision-makers  incorporate  value  into  the  choices  they  make,  and  how  does  attention  operate  on  these  values?  This  dissertation  will  address  these  questions  across  three  chapters.  Chapter  one  will  assess  decision-makers'  capacity  for  value-based  discrimination,  identifying  the  ways  in  which  value  influences  choice.  Chapter  two  will  evaluate  and  compare  computational  accounts  for  these  value-based  effects  on  decision-making.  Chapter  three  will  explore  the  role  of  attention  and  context  in  value-based  decision-making,  providing  a  further  test  of  these  computational  models.Prior  work  has  observed  that  decision-makers  tend  to  respond  faster  to  higher-value  options.  There  are  several  competing  hypotheses  that  account  for  these  value  magnitude-dependent  response  times.  According  to  one  perspective,  this  behavior  emerges  from  the  properties  of  value-sensitive  brain  regions,  whose  firing  rates  saturate  as  subjective  evaluations  increase.  Alternatively,  this  behavior  may  be  due  to  nonlinear  properties  of  the  mental  representation  of  value,  such  that  subjective  values  are  logarithmic  transformations  of  objective  values.  Still  others  have  argued  that  this  behavior  reflects  an  intentional  strategy  on  behalf  of  decision-makers  to  sacrifice  accuracy  in  order  to  quickly  obtain  something  desirable.  All  of  these  hypotheses  predict  diminishing  value  sensitivity;  that  is,  decision-makers  will  be  less  sensitive  to  the  differences  between  high-value  options  than  low-value  options.  However,  across  three  experiments,  I  observed  the  opposite:  decision-makers  made  more  accurate  decisions  when  deciding  between  higher-value  options.  I  used  computational  modeling  to  demonstrate  that  this  is because  decision-makers  extract  higher-quality  information  from  the  most  valuable  options.  Additionally,  I  found  that  when  decision-makers  are  given  information  about  the  value  of  the  upcoming  choices,  they  exercise  greater  response  caution  when  choosing  among  high-value  options.  Taken  together,  I  provide  evidence  against  the  diminishing  value  sensitivity  hypothesis.  Although  decision-makers  are  sensitive  to  value  magnitudes  and  not  just  value  differences,  the  prevailing  computational  framework  of  the  decision-making  process,  the  diffusion  model,  assumes  that  decision-makers  only  incorporate  information  about  value  differences.  Prior  work  demonstrates  that  incorporating  gaze  patterns  into  the  diffusion  model  will  allow  it  to  account  for  value  magnitude-dependent  response  times.  I  hypothesized  that  researchers  may  have  made  mistaken  conclusions  about  diminishing  value  sensitivity  because  they  were  using  misspecified  models  that  ignored  visual  attention.  I  conducted  a  series  of  simulation  studies  to  evaluate  how  the  standard  diffusion  model  would  fit  choice  and  response  time  data  generated  by  a  gaze-based  diffusion  model.  I  found  that  the  standard  diffusion  model  will  often  yield  value-dependent  boundary  separation  or  non-decision  time  when  fitted  to  data  generated  with  a  gaze-dependent  evidence  accumulation  process.  These  results  demonstrate  that  researchers  need  to  ensure  that  they  are  using  the  right  tools  to  assess  the  decision  process;  otherwise,  they  might  misidentify  the  underlying  mechanisms  for  value-based  choice.Finally,  I  explored  how  outside  options  impacted  the  relationship  between  attention,  value,  and  choice.  Gaze-based  diffusion  models  predict  attention's  impact  on  choice  depends  on  not  only  the  value  magnitude,  but  also  the  value  valence.  Increasing  attention  should  increase  choice  probabilities  for  positive-valence  options  but  should  decrease  choice  probabilities  for  negative-valence  options.  Alternative  frameworks  argue  that  this  only  holds  in  forced-choice  tasks,  and  that  increasing  attention  will  increase  choice  probabilities  independent  of  value  valence  when  decision-makers  can  opt-out  and  choose  an  outside  option.  I  tested  these  predictions  in  an  experiment  where  options  could  have  positive  or  negative  values  in  conditions  where  decision-makers  were  either  forced  to  choose  an  available  option  or  could  opt-out  of  trials.  While  I  found  that  attention  operated  in  differently  in  the  contexts  with  outside  options,  I  found  valence-dependent  choice  behavior  in  both  conditions.  These  results  were  most  consistent  with  a  comparative,  gaze-based  diffusion  model.
■590    ▼aSchool  code:  0168.
■650  4▼aPsychology.
■650  4▼aNeurosciences.
■650  4▼aExperimental  psychology.
■650  4▼aMental  health.
■653    ▼aDecision-making
■653    ▼aNeuroeconomics
■653    ▼aStandard  diffusion  model
■653    ▼aMental  representation
■690    ▼a0621
■690    ▼a0317
■690    ▼a0347
■690    ▼a0623
■71020▼aThe  Ohio  State  University▼bPsychology.
■7730  ▼tDissertations  Abstracts  International▼g85-03B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0168
■791    ▼aPh.D.
■792    ▼a2022
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16935471▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서