延迟和风险选择工具箱
项目描述
DARC工具箱：使用贝叶斯自适应设计的自动化、灵活且高效的延迟和风险选择实验。
使用Python和PsychoPy实验框架运行高效的贝叶斯自适应实验。
此代码与以下预印本相关。但是，当最终发布时，预印本可能会以相当不同的形式出现。
Vincent, B. T. & Rainforth, T. (2017, October 20). DARC工具箱：使用贝叶斯自适应设计的自动化、灵活且高效的延迟和风险选择实验。从psyarxiv.com/yehjb检索。
状态：🔥正在积极开发🔥
功能
- 使用PsychoPy轻松运行各种决策实验。这些包括延迟决策（跨时选择）、风险选择任务以及结合延迟和风险选择任务。
- 从更少的试验中获得更准确的测量结果。
- 丰富的导出：获取试验级数据、从您选择的决策模型中估计的参数以及结果的可视化。
- 在PsychoPy中轻松自定义实验细节。
通过简单的Python代码编辑，可获得高级功能。
- 自定义模型参数的先验信念以适应您的参与者群体。
- 同时为实验参与者拟合多个模型。
- 注入自定义试验：如果您有特定的实验需求，您可以在自动运行的试验中注入自己的（手动指定的）设计。
安装说明（适用于大多数人）
- 下载PsychoPy：DARC工具箱集成在PsychoPy中（从版本3.2.0开始）。所以，去下载PsychoPy。
- 解压演示： 从菜单中选择
演示 > 解压演示到您选择的任何位置。 - 运行演示： 运行一个适应性演示，例如
adaptive_decision_making_demo。
安装说明（针对开发者）
即将推出...
适应性实验 = 实验设计空间 + 认知模型
适应性实验是将一组允许的设计（问题）组合在一起，我们称之为 设计空间，以及一个 认知模型。贝叶斯适应性设计方法根据每个试验实时选择向参与者展示哪个设计。其目的是最大化我们从模型参数中获得的信息。
提供了一系列实验设计和认知模型，详情如下。
实验设计范式
本包的核心组件之一是提供通过贝叶斯适应性设计选择的设计，如我们预印本中所述（Vincent & Rainforth，2017）。我们关注的设计的核心类别包括
- 延迟选择任务（即跨时选择）： 您可以选择各种协议，例如：前端延迟、固定延迟奖励、固定即时奖励、固定延迟等。
- 风险选择任务： 选择您的奖励概率范围。这些也可以视为获得奖励的赔率的转换版本。
- 同时延迟和风险选择任务： 同样，您可以根据实验定制延迟和奖励概率（风险）水平。
所有这些范式都可用，并且可以使用我们的贝叶斯适应性程序进行微调。
然而，我们还提供了一些文献中的其他突出实验设计程序。这些包括
- Kirby（2009）的延迟折现程序。
- Koffarnus & Bickel（2014）概述的5次试验程序。
- Du、Green & Myerson（2002）为延迟和风险选择任务提供的适应性程序。
- Frye等人（2016）的“延迟切片”程序，与Du、Green & Myerson（2002）的方法密切相关。
- Griskevicius等人（2011）的延迟和风险选择程序。
可用的DARC认知模型
您可以在运行适应性实验时，对所选模型参数进行非常有效的推断。以下为已完成模型的列表。请参阅与模型相关的GitHub问题，了解正在进行的项目。请随意实现更多模型或请求模型。
延迟奖励范式模型
| 模型 | 信息 |
|---|---|
| 指数 | Samuelson, P. A. (1937). A note on measurement of utility. The Review of Economic Studies, 4(2), 155. http://doi.org/10.2307/2967612 |
| 双曲 | Mazur, J. E. (1987). An adjusting procedure for studying delayed reinforcement. In M. L. Commons, J. A. Nevin, & H. Rachlin (Eds.), Quantitative Analyses of Behavior (pp. 55–73). Hillsdale, NJ: Erlbaum. |
| 双曲magnitudeEffect | Vincent, B. T. (2016). Hierarchical Bayesian estimation and hypothesis testing for delay discounting tasks. Behavior Research Methods, 48(4), 1608–1620. http://doi.org/10.3758/s13428-015-0672-2 |
| 指数magnitudeEffect | |
| 修改后的Rachlin双曲面 | Vincent, B. T., & Stewart, N. (2018, October 16). The case of muddled units in temporal discounting. https://doi.org/10.31234/osf.io/29sgd |
| Myerson双曲面 | Myerson, J. and Green, L. (1995). Discounting of delayed rewards: Models of individual choice. Journal of the experimental analysis of behavior, 64(3):263–276. |
风险奖励范式模型
| 模型 | 信息 |
|---|---|
| 双曲 | 对奖励赔率的双曲折现 |
| 对数赔率中的线性 | Gonzalez, R., & Wu, G. (1999). On the shape of the probability weighting function. Cognitive Psychology, 38(1), 129–166. http://doi.org/10.1006/cogp.1998.0710 |
| 比例差异 | 冈萨雷斯-瓦列霍，C. (2002). 做出权衡：一种概率和情境敏感的选择行为模型。心理学评论，109(1)，137–155。 http://doi.org/10.1037//0033-295X.109.1.137 |
延迟和风险奖励范式模型
| 模型 | 信息 |
|---|---|
| 乘性双曲函数 | 范德威尔德，A.，格林，L.，& 梅森，J. (2015). 同时延迟和概率的货币奖励的折现：延迟和概率的组合是乘性的，而不是加性的。实验心理学：学习、记忆和认知杂志，41(1)，148–162。 http://doi.org/10.1037/xlm0000029 |
如何...
(即将推出)
我们依赖的其他项目
- PsychoPy 作为实验环境。
包括各种Python包，如
- Numpy
- Pandas
- SciPy.stats。我们使用scipy分布来表示我们对模型参数的先验信念，并从这些先验信念中抽取样本。请参阅分布的完整列表
参考文献
注意：这项工作基于以下预印本。它尚未发表，可能以大幅修改的形式出现。
文森特，B. T.，& 雨福斯，T. (2017, 10月20日)。DARC工具箱：使用贝叶斯自适应设计的自动、灵活和高效的延迟和风险选择实验。从psyarxiv.com/yehjb检索。
杜，W.，格林，L.，& 梅森，J. (2002)。跨文化比较延迟和概率奖励的折现。心理学记录，52(4)，479–492。
弗里，C. C. J.，加西亚，A.，弗里德尔，J. E.，德哈特，W. B.，& 奥德姆，A. L. (2016)。使用调整金额任务在人类中测量延迟折现。可视实验杂志，(107)，1-8。
格里塞维丘斯，V.，泰伯，J. M.，德尔顿，A. W.，& 罗伯逊，T. E. (2011)。死亡和社会经济地位对风险和延迟奖励的影响：生命史理论方法。人格与社会心理学杂志，100(6)，1015–26。
柯比，K. N. (2009)。延迟折现率的一年内时间稳定性。心理科学快报与评论，16(3)：457–462。
科法纳斯，M. N.，& 麦克贝克，W. K. (2014)。5次调整延迟折现任务：不到一分钟的准确折现率。实验和临床精神药理学，22(3)，222-228。
散列 for darc_experiment_toolbox-0.0.1-py3-none-any.whl
| 算法 | 散列摘要 | |
|---|---|---|
| SHA256 | 56e07078b4aa2c14897b3808f921036c417e7f7cddf1bf296f4830f47cffa3cc |
|
| MD5 | 5de25bf13f0249d8fb76da56ba18cb8e |
|
| BLAKE2b-256 | 2186f959085a32620dfc00f0fdaf691a80f7db6ae1916b646af48841b423060a |
