A carregar...
Publicação
Using eye-tracking data to study models of attention and decision-making
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 14.29 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Decisions arise from a conjunction of factors, including perception, attention and learning
processes, and individual characteristics. The strong link between visual stimuli and
attentional mechanisms makes eye-tracking a powerful tool to provide a glimpse of what
may occur at the brain level. Here, we aimed to explore the role of eye movements in
value-based decision-making and to consider key substrates of the reinforcement learning
theory.
We analyzed eye data from two rhesus monkeys while performing a two-stage Markov
decision task, known to elicit different learning strategies. By analyzing thousands of
trials across dozens of sessions, we examined how gaze patterns influence behavior at a
level of detail still not achievable in humans.
Descriptive results of relevant ocular metrics, such as the number of saccades, meet
the existing literature on binary choice, with mostly 1 or 2 saccades per decision stage.
Results support a random first gaze, with no bias for the choice made or the choice of
greatest value to the subject. On the other hand, the subject’s last look is a strong indicator
of the chosen option. A Drift Diffusion Model approach established the baseline for gaze
allocation and choice behavior association. Using Machine Learning, eye movement
metrics alone showed considerable accuracy in predicting the upcoming choice. Adding
the temporal factor via Recursive Neural Networks for forecasting proved to be beneficial.
We conclude that visual perception and attention play a significant role in decisionmaking
and are related to one’s learning processes. Our findings also highlight the benefits
of gaze analysis for a thorough understanding of choice behavior.
Uma decisão surge da conjunção de fatores como a perceção, atenção, processos de aprendizagem e características do indivíduo. A forte ligação entre estímulos visuais e mecanismos de atenção torna a monitorização ocular uma ferramenta poderosa para proporcionar um vislumbre do que pode ocorrer ao nível cerebral. Aqui, o nosso objetivo é explorar o papel dos movimentos oculares na tomada de decisões baseadas em valor, considerando uma base de Reinforcement Learning. Foram analisados dados oculares de dois primatas, obtidos enquanto estes realizavam uma tarefa de decisão de Markov em duas fases, conhecida por suscitar diferentes estratégias de aprendizagem. Analisando milhares de ensaios em dezenas de sessões, foi explorado como certos padrões da visão influenciam o comportamento, a um nível de detalhe ainda não alcançável em humanos. Os resultados descritivos de métricas oculares relevantes, tais como o número de sacadas, satisfazem a literatura existente sobre a escolha binária, com maioritariamente 1 ou 2 sacadas por fase de decisão. Os resultados apoiam um primeiro olhar aleatório, sem enviesamento para a escolha feita ou a escolha de maior valor para o sujeito. Por outro lado, o último olhar do sujeito é um forte indicador da opção escolhida. Foi realizada uma abordagem incorporativa de um Drift Diffusion Model, usada para estabelecer uma linha de base para a alocação do olhar e a sua associação à escolha. Através de Machine Learning, as métricas dos movimentos oculares dos olhos revelaram-se capazes de sustentar uma performance considerável na classificação das escolhas. A adição do fator temporal na previsão de decisões futuras, através de Redes Neurais Recursivas, revelou também um potencial notável. Conclui-se que a perceção visual e a atenção desempenham um papel significativo numa decisão e que estão relacionadas com os processos de aprendizagem de um indivíduo. Esta dissertação realça também os benefícios da análise do olhar para uma compreensão completa do processo de tomada de decisão.
Uma decisão surge da conjunção de fatores como a perceção, atenção, processos de aprendizagem e características do indivíduo. A forte ligação entre estímulos visuais e mecanismos de atenção torna a monitorização ocular uma ferramenta poderosa para proporcionar um vislumbre do que pode ocorrer ao nível cerebral. Aqui, o nosso objetivo é explorar o papel dos movimentos oculares na tomada de decisões baseadas em valor, considerando uma base de Reinforcement Learning. Foram analisados dados oculares de dois primatas, obtidos enquanto estes realizavam uma tarefa de decisão de Markov em duas fases, conhecida por suscitar diferentes estratégias de aprendizagem. Analisando milhares de ensaios em dezenas de sessões, foi explorado como certos padrões da visão influenciam o comportamento, a um nível de detalhe ainda não alcançável em humanos. Os resultados descritivos de métricas oculares relevantes, tais como o número de sacadas, satisfazem a literatura existente sobre a escolha binária, com maioritariamente 1 ou 2 sacadas por fase de decisão. Os resultados apoiam um primeiro olhar aleatório, sem enviesamento para a escolha feita ou a escolha de maior valor para o sujeito. Por outro lado, o último olhar do sujeito é um forte indicador da opção escolhida. Foi realizada uma abordagem incorporativa de um Drift Diffusion Model, usada para estabelecer uma linha de base para a alocação do olhar e a sua associação à escolha. Através de Machine Learning, as métricas dos movimentos oculares dos olhos revelaram-se capazes de sustentar uma performance considerável na classificação das escolhas. A adição do fator temporal na previsão de decisões futuras, através de Redes Neurais Recursivas, revelou também um potencial notável. Conclui-se que a perceção visual e a atenção desempenham um papel significativo numa decisão e que estão relacionadas com os processos de aprendizagem de um indivíduo. Esta dissertação realça também os benefícios da análise do olhar para uma compreensão completa do processo de tomada de decisão.
Descrição
Palavras-chave
Eye-Tracking Learning Attention Decision-Making Machine Learning