Sie sind auf Seite 1von 2

07 Emp Wiss Arb

Redundant Signals E ect



- wird etwas komplizierter


- Experimentelle Situation: Es gibt 2 Reize (meist 1 auditiv, 1 visuell, oder 2 visuell)

- in einem trial wird entweder der eine ODER der andere Reiz präsentiert // oder es werden beide
Reize präsentiert

- Aufgabe VP: simple reaction (egal, welcher Reiz präsentiert wird: so schnell wie möglich
reagieren!)

- also: es gibt 1-Reiz-Situation (= Single Signal trials) und 2-Reiz Situation (= redundant Signal
trials)

- typisches Ergebnis: RT in 2-Reiz-Situation meist etwas schneller = redundant Signals e ect
(RSE)


-> woher kommt dieser E ekt?

- 2 Modellklassen, die zur Erklärung dienen: separate activations Models // coactivation Models

- diese 2 Modellklassen unterscheiden sich in der 2-Reiz-Situation


- separate activations models:

- beide Reize werden unabhängig voneinander in separaten Kanälen verarbeitet

- sobald Reiz zu einer Entdeckung geführt hat, wird Antwort initiiert und ausgeführt

- ergo: Wettlauf zwischen den Kanälen, Sieger löst die Reaktion aus

- wir haben also 2 Prozesse (A und B), die unterschiedliche Zeitbedarfe haben

- E(min(A,B)) ≤ E(A) und E(min(A,B)) ≤ E(B)

- E(min(A,B) = Siegerprozess: der Prozess, der weniger Zeitbedarf benötigt

- E = Erwartungswert

- Erwartungswert für 2-Reiz-Situation ist kleiner als Erwartungswert für Prozess A alleine und auch
kleiner als für Prozess B alleine

- beide Prozesse sammeln während des Experiments Evidenz, ob da ein Reiz war oder nicht: es
gibt zwei sich separat aufbauende Aktivierungen, die die Reaktion bestimmen: der Prozess, der
schneller zu dem Schluss kommt, löst die Reaktion aus

- Prozess A ODER Prozess B bestimmt die RT


- coactivation models:

- beide Reize werden gemeinsam verarbeitet, während der Detektions- oder der Entscheidungs-
(bei choice reaction) oder der Antwortphase beein ussen sie sich gegenseitig positiv

- die beiden Prozesse beein ussen und fördern sich gegenseitig

- Detektionsphase: beide Reize „füttern“ einen Detektionsakkumulator

- Entscheidungsphase (sofern choice reaction) führen beide Reize zur selben Antwort, so kann die
Entscheidung für oder gegen die Taste schneller getro en werden

- Antwortphase: jeder Reiz erhöht arousal, höheres arousal führt zu schnelleren motorischen
Reaktionen (RTs)

- Prozess A UND Prozess B (in der Kombination) tragen zur Reaktionsentscheidung bei


- Problem: beide Modelle sind verschieden, machen aber die gleichen Vorhersagen des redundant
Signals e ect

- Was davon ist nun richtig? kann man dennoch prüfbare Vorhersagen generieren, die zwischen
den beiden Modellen unterscheiden?


- Formalisierung separate activations model:

- zwei Prozesse A und B (entsprechend den beiden Kanälen)

- jeder Prozess hat probabilistischen Zeitbedarf ≥0, charakterisiert durch Zufallsvariablen A und B
beliebiger (aber überlappender) Verteilung t≥0

- der Entdeckungsprozess sei beendet, sobald einer der beiden Reize entdeckt wurde
(Wettlaufmodell)

- wir suchen also die Verteilung des Reaktions-Minimums der beiden Prozesse

- Fmin(t) = P(min(A,B) < t)

- F ist die Verteilungsfunktion des Minimums

- also wir suchen die Wahrscheinlichkeit dafür, dass das Minimum von A und B kleiner ist als t

ff
ff
ff
fl
fl
ff
ff
- das wird erreicht, wenn entweder A kleiner als t ist, oder B kleiner als t ist, oder beide kleiner als
t sind: P(A < t U B < t)

- = Wahrscheinlichkeit, dass A kleiner als t ist + Wahrscheinlichkeit, dass B kleiner als t ist -
Wahrscheinlichkeit, dass A kleiner als Schnittmenge von t und B und das wiederum kleiner als t

- Verteilungsfunktion des Minimums ist kleiner-gleich der Summe der einzelnen
Verteilungsfunktionen -> das heißt, die „statistische Erleichterung“ durch den Wettlauf hat eine
obere Schranke

- also: Verteilungsfunktionen des Minimums muss kleiner sein als Verteilungsfunktion der Summe,
wenn es sich tatsächlich um einen Wettlaufmodell (bzw. Um Statistische Erleichterung) handelt

- müssen also Verteilungsfunktion der 2-Reiz-Situation betrachten

- wenn Verteilungsfunktion der 2-Reiz-Situation für kleiner Werte von t über Summenkurve liegt,
dann tri t Wettlaufmodell nicht zu für das jeweilige Bsp.!

- wenn Verteilungsfunktion der 2-Reiz-Situation kleiner ist als die Summe der
Verteilungsfunktionen von A und B, dann gilt das Wettlaufmodell // wenn das nicht für alle t gilt,
gilt nicht das Wettlaufmodell (=modus tollens)


- Problem: im echten Leben haben wir die Verteilungsfunktionen gar nicht -> wir haben nur
Stichprobendaten, auf deren Basis wir schätzen müssen

- z.B. 10 Reaktionszeiten aus der 1-Reiz-Situation: man will die Verteilungsfunktion nun schätzen

- zuerst Treppenfunktion mit sortierten Daten erstellen

- daraus lässt sich Schätzwert berechnen

- das gleiche machen wir mit mit der anderen 1-Reiz-Situation, der 2-Reiz-Situation und mit
Summe der 1-Reiz-Situationen
ff