大型冲突任务语料库中的个体内与个体间变异

《Cognitive Psychology》：Within-individual and across-individual variation in a large corpus of conflict tasks

　　

• •
  我们使用分层平移–尺度模型分析了64项冲突任务（1000万次试验）。
• •
  平均反应时与效应之间关系较弱，且由不同的参数驱动。
• •
  冲突任务之间存在差异：Stroop任务基于尺度；其他任务包含平移效应。
• •
  实验设置系统性地影响平移和尺度的估计。
• •
  分布建模揭示了传统均值分析之外的效应。

各章节要点

冲突任务概述

在进入分析之前，简要回顾构成本论文基础的三种冲突任务是有帮助的：Stroop、flanker（旁侧）和Simon任务。尽管这些范式通常被一起介绍为"冲突任务"（Gratton et al., 2018），并被当作注意力控制的互换性指标（Burgoyne et al., 2023, Robison et al., 2026, Tsukahara et al., 2020），但它们实际上在底层关注点方面存在差异（G?rtner and Strobel, 2021, Liu et al., 2004, Yeung et al., ...

平移–尺度族中的可加性与可乘性

本文分析的基本单位是反应时分布。一种方法是定义一个分布族。例如，我们可以说一组观测值 $Y_1,\dots ,Y_K$ 服从正态分布： $Y_k～\text{Normal}(\mu ,{\sigma }^2)$, $k=1,\dots ,K$。正态分布可以重写为 $Y_k=\mu +\sigma \times {?}_k$ 其中 ${?}_k～\text{Normal}\left(\mathrm{0,1}\right)$，即 ${?}_k$ 是标准正态分布。在这种形式下，我们将 $\mu$ 称为分布的位置，将 $\sigma$ 称为分布的尺度。我们可以将 $?$ 称为标准分布。

分层模型

我们采用分层平移–尺度方法，并将其与分位数回归相结合。分层结构是必要的，因为我们的核心问题之一是个体间的变异，这在分层框架内可以得到最好的解决，该框架明确地区分了个体内与个体间的变异来源。使用分位数回归主要有三个原因：第一，它使我们能够表征反应时分布的完整形状，而不仅仅是其均值，...

个体内变异

本次分析的主要目标是理解冲突任务的个体内分布位置。对此分析而言，合适的目标是个体的平均平移和尺度效应。这些目标分别用 $\nu$ 和 $\omega$ 表示平移和尺度效应，由模型参数推导得出： $$\text{平移效应}:\nu =\frac{\sum _i{\theta }_i}{I},$$$$\text{尺度效应}:\omega =\frac{\sum _i{e}^{{\beta }_i}\left(e^{{?}_i/2}?e^{?{?}_i/2}\right)}{I}=\frac{\sum _{i}2e^{{\beta }_i}sinh\left(\frac{{?}_i}{2}\right)}{I},$$ 其中 $I$ 表示个体数量。图4的第一行展示了这些平均平移和尺度效应...

实质性影响

Stroop、flanker（旁侧）和Simon等冲突任务长期以来一直是研究认知控制的核心工具。我们在此询问，冲突效应是否表现在随后的反应时分布的平移或尺度上。迄今为止，大多数研究都集中在个体内效应上，即对于平均水平而言，效应出现在分布的何处（Heathcote et al., 1991）。在这里，平移和尺度在个体间以及研究间的变异构成了主要目标...

CRediT作者贡献声明

Shanglin Yang：写作–审阅与编辑、写作–初稿撰写、可视化、方法论、调查研究、形式分析、概念构思。Jeffrey N. Rouder：写作–审阅与编辑、写作–初稿撰写、可视化、指导、项目管理、方法论、调查研究、资助获取、形式分析、概念构思。

稿件准备过程中使用生成式AI和AI辅助技术的声明

在准备本工作期间，作者使用了Claude和ChatGPT来检查语法和拼写，以及验证一些数学计算。在使用该工具/服务后，作者根据需要审阅和编辑了内容，并对已发表文章的内容承担了全部责任。

资助

JNR获得了ONR N00014-23-1-2792的支持。

利益冲突声明

作者声明不存在任何可能影响本文所报告工作的已知竞争性经济利益或个人关系。

Shanglin Yang | Jeffrey N. Rouder