Sürüklenme Yayılma Modeli
Drift Diffusion Model · Ayrıca şöyle bilinir: DDM, Brownian Motion Model, Sequential Sampling Model
Sürüklenme Yayılma Modeli (DDM), kanıtların zamanla rastgele bir sürüklenmeyle yürüyüş olarak modellenmesiyle hızlı ikili karar verme süreçlerini anlamak için kullanılan matematiksel bir çerçevedir. 1970'lerde Roger Ratcliff tarafından geliştirilen bu model, hem seçim olasılıklarını hem de tepki süresi dağılımlarını tahmin ederek algısal ayrım, tanıma belleği ve seçim görevlerindeki kararların altında yatan bilişsel süreçlere ışık tutar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Hem doğruluk hem de tepki sürelerinin mevcut olduğu ikili seçimleri analiz ederken, özellikle algısal ayrım, sözcüksel karar, tanıma belleği veya herhangi bir hızlandırılmış ikili seçim görevinde Sürüklenme Yayılma Modelini kullanın. Özellikle işlem hızı veya temkinlilikteki bireysel farklılıkları incelerken, deneysel koşullar boyunca sürüklenme oranlarını karşılaştırırken veya model parametrelerini uydurarak gizli bilişsel süreçleri ortaya çıkarırken değerlidir.
Güçlü yönler & sınırlılıklar
- Yalnızca doğruluktan daha zengin bilgi sağlayan, hem doğruluğu hem de tepki süresini yakalayan birleşik çerçeve
- Yorumlanabilir parametreler (sürüklenme oranı, sınır ayrımı, karar-dışı süre) bilişsel yapılara (kanıt kalitesi, karar temkinliliği, motor gecikmeler) karşılık gelir
- Geniş karar alanlarına uygulanabilir: algı, bellek, kategorizasyon ve değere dayalı seçim
- Model karşılaştırması ve parametre kurtarma yoluyla biçimsel hipotez testi sağlar
- Model karmaşıklığı, uydurmayı hesaplama açısından yoğun hale getirir; özel yazılım ve istatistiksel uzmanlık gerektirir
- Sabit sürüklenme oranı ve tek aşamalı birikim varsayar; ihlaller (zamana bağlı kanıt, çoklu aşamalar) genişletilmiş modeller gerektirir
- Kararlı parametre tahminleri için çok sayıda denemeden (genellikle koşul başına 50+) veri gerektirir
- Varyantlar (standart, tam yayılma, hiyerarşik versiyonlar) arasında seçim için sınırlı teorik rehberlik
SSS
Sürüklenme oranı karar süreci hakkında bana ne anlatır?
Sürüklenme oranı (v), kanıtların ortalama olarak doğru seçeneğe doğru ne kadar hızlı biriktiğini ölçer. Yüksek sürüklenme oranları, güçlü veya net kanıtları, hızlı bilgi işlemeyi veya ayrım kolaylığını gösterir. Düşük sürüklenme oranları, zayıf kanıtları, yavaş işlemeyi veya zorluğu gösterir. Koşullar (örneğin, yüksek vs. düşük uyaran kontrastı) boyunca sürüklenme oranlarını karşılaştırarak, kanıt kalitesini hangi faktörlerin etkilediğini ortaya koyarsınız.
Sınır ayrımı ve temkinlilik nasıl ilişkilidir?
Sınır ayrımı (a), karar vermek için gereken kanıt miktarını temsil eder. Daha büyük sınırlar, karar vericinin yanıt vermeden önce daha fazla kanıt gerektirmesi anlamına gelir, bu da onları daha temkinli ve doğru ama daha yavaş hale getirir. Daha küçük sınırlar, daha hızlı ama daha az doğru kararlar anlamına gelir. Karar-dışı süre (Ter), karar verme sürecinden bağımsız olarak algı ve motor gecikmelerini yakalar.
Neden sadece doğruluk değil, tepki süresi verilerine de ihtiyacım var?
Tepki süreleri, yalnızca doğruluğun sağlayamayacağı yayılma süreci hakkında bilgi sağlar. %75 doğruluk oranına sahip bir gözlemci, yüksek sürüklenme oranına sahip olabilir ancak kapsamlı kanıt (büyük sınır) gerektirebilir veya düşük sürüklenme oranına sahip ve minimum kanıt gerekebilir. Tepki süresi dağılımları bu senaryoları belirsizleştirir.
Uzmanlaşmış yazılım olmadan Sürüklenme Yayılma Modelini uydurabilir miyim?
Biçimsel uydurma sayısal yöntemler (olabilirlik tahmini veya Bayesçi yaklaşımlar) gerektirir. Ücretsiz yazılımlar arasında HDDM (Python, hiyerarşik Bayesçi), fast-dm ve EZ-yayılma bulunur. R ve Python'daki mevcut yazılım paketleri çoğu uygulamayı ele alır; istatistiksel uzmanlık olmadan sıfırdan uydurma önerilmez.
Kaynaklar
- Ratcliff, R. (1978). A theory of memory retrieval. Psychological Review, 85(2), 59-108. DOI: 10.1037/0033-295X.85.2.59 ↗
- Ratcliff, R., & McKoon, G. (2008). The diffusion model: A universal model for rapid decision. Psychological Review, 115(2), 357-380. link ↗
- Wagenmakers, E.-J., van der Maas, H. L. J., & Grasman, R. P. P. P. (2007). An EZ-diffusion model for response time and accuracy. Psychonomic Bulletin & Review, 14(1), 3-22. DOI: 10.3758/BF03194023 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Drift Diffusion Model. ScholarGate. https://scholargate.app/tr/psychology/drift-diffusion-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
Yan yana karşılaştır →