MARC

 008260126s2025        us                              c    eng  d
■001000017357894
■00520260202103614
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798286442348
■035    ▼a(MiAaPQ)AAI32044252
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a150
■1001  ▼aManavalan,  Mathi.
■24510▼aThe  Bayesian-Optimality  of  Decision-Making  Behavior:  Across  Tasks,  Time,  and  Psychopathology
■260    ▼a[Sl]▼bUniversity  of  Minnesota▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a205  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-12,  Section:  B.
■500    ▼aAdvisor:  Vilares,  Iris  M  Donga;Lee,  Vanessa.
■5021  ▼aThesis  (Ph.D.)--University  of  Minnesota,  2025.
■520    ▼aFrom  medical  diagnosis  to  catching  a  baseball,  people  make  decisions  all  the  time.  But  on  what  basis  are  those  decisions  made  and  how  optimal  are  they?  This  dissertation  focuses  on  one  theoretical  approach  to  assess  the  optimality  of  decisions:  Bayesian  Decision  Theory  (BDT).  BDT  postulates  that  posterior  estimation  relies  on  two  categories  of  information:  knowledge  gained  over  time  (i.e.,  prior  information)  and  current  sensory  input  (i.e.,  likelihood),  with  greater  weight  given  to  the  category  associated  with  less  uncertainty.  Here,  I  test  the  possibility  that  while  decisions  are  typically  Bayesian  in  a  qualitative  sense,  they  often  deviate  from  BDT  quantitatively.  Three  empirical  studies  explored  the  Bayesian  optimality  of  decision-making  behavior  in  visual  search  (Chapter  2),  across  sensorimotor  and  visual  search  tasks  (Chapter  3),  and  in  patients  with  Borderline  Personality  Disorder  (Chapter  4).  Chapter  2  created  a  novel  hybrid  search-decision  task,  in  which  participants  made  a  target  present/absent  response  on  a  display  of  items  with  partial  occlusion.  I  found  that  while  participants  considered  both  the  target's  prevalence  ("prior")  and  the  degree  of  occlusion  ("likelihood"),  they  gave  disproportionate  weights  to  visible  information,  showing  a  mixture  of  Bayesian  inference  and  under-matching.  Chapter  3  tested  behavior  in  the  visual  search  task  and  a  sensorimotor  "coin-catching"  task  within  the  same  set  of  individuals  across  two  time  points,  assessing  the  degree  to  which  they  relied  on  prior  vs.  likelihood.  I  found  consistent  individual  differences  within  a  task,  with  some  measures  of  both  tasks  displaying  good  test-retest  reliability,  but  not  between  tasks,  arguing  against  a  domain-general  Bayesian  weight.  Chapter  4  showed  that  while  patients  with  BPD  performed  like  controls  in  the  coin-catching  task  in  a  qualitatively  Bayesian  manner,  both  fell  short  of  quantitative  BDT  predictions.  Overall,  these  findings  demonstrate  that  BDT  is  a  powerful  framework  for  understanding  a  range  of  decision-making  behaviors  including  sensorimotor  and  attentional  decisions,  across  patients  and  typical  groups.  However,  they  also  show  that  Bayesian  weights  may  not  be  domain-general,  and  factors  other  than  prior  and  likelihood  may  influence  decisions.
■590    ▼aSchool  code:  0130.
■650  4▼aPsychology
■650  4▼aApplied  mathematics
■650  4▼aCognitive  psychology
■653    ▼aBayesian
■653    ▼aDecision-making
■653    ▼aModeling
■653    ▼aPrior  and  likelihood
■653    ▼aUncertainty
■653    ▼aVisual  search
■690    ▼a0621
■690    ▼a0633
■690    ▼a0364
■71020▼aUniversity  of  Minnesota▼bPsychology.
■7730  ▼tDissertations  Abstracts  International▼g86-12B.
■790    ▼a0130
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357894▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서