Hiç kararsız kaldığınızda seçim yapmanın zorluğundan yakındınız mı? Örneğin bir alışveriş sitesinde binlerce seçenek arasından nasıl seçim yaptığınızı hayal edin. Sepete aynı ürünü farklı satıcılardan, farklı fiyatlardan, yorumlarına kadar tek tek inceledikten sonra birinden birini feda ederkenki süreci bilinçli olarak canlandırabilir misiniz? Sonuç olarak karar anına geldiğimizde sonucu belirleyen süreç nedir? Tüm bunları karar verme psikolojisi çerçevesinde matematiksel olarak açıklayabilir miyiz?
Bu yazıda, karar verme sürecini açıklayan ve bilişsel psikolojide önemli bir yer tutan Drift Diffusion Modeli (DDM) ele alınarak, hem deneysel hem de günlük yaşam bağlamlarındaki işlevleri, kısıtlılıkları ve klinik alandaki kullanım potansiyeli incelenecektir.
Karar Vermeye Dair Tanımlar ve Kavramsal Çerçeve
Karar vermeyle ilgili birçok tanım olsa da literatür ortak ifadeler içermektedir. Örneğin, karar vermeyi Dewey (1910) “seçim eylemi, amaç ve hedeflerin oluşturulması ve bunlara ulaşmak için araçların seçilmesi süreci” olarak tanımlarken; Tversky ve Kahneman (1981) “birkaç alternatif olasılık arasından bir inancın veya eylem yolunun seçilmesiyle sonuçlanan psikolojik süreç” olarak; Klein ise (1993) “birkaç alternatif arasından bir eylem veya inanç yolunun seçilmesiyle sonuçlanan bilişsel bir süreç” olarak tanımlamaktadır. APA ise iki veya daha fazla alternatif arasında seçim yapmanın bilişsel modelleme süreci olduğunu belirtmektedir (Niwlikar, 2023).
Drift Diffusion Modeli (DDM): Temel Bileşenler ve İşleyiş
Drift Diffusion ve diğer benzer ardışık modellemeler, deneysel paradigma ve verilerin artmasını sağlamış, yaşlanma gibi pratik alanlarda çalışılarak iyi bilinen deneysel olgulara yeni yorumlar üretmiştir. Ayrıca bu modeller, nörofizyolojik verilere uygulanarak nörobilişsel süreçler ile davranışsal veriler arasında bağlantı kurabilme potansiyeli sağlamıştır (Ratcliff ve McKoon, 2008).
Karar vermenin iki alternatifli ayrım görevlerinde insanların yanıt hızlarını ve doğruluklarını açıklamak amacıyla geliştirilen Drift Diffusion Modeli, bilişsel psikolojide dikkat, bellek, risk değerlendirmesi gibi süreçlerin ölçülmesinde güçlü bir araçtır (Ratcliff ve McKoon, 2008).
Modelin temel bileşenleri şunlardır:
dx = νdt + σdW
Karar süreci, x(t) değişkeninin hangi noktadan başladığını belirler. Karar başlamadığında x(0) = z’dir. Eğer bias denilen ön yargı yani kararın bir eğilimi yoksa başlangıç noktası (z), karar sınırlarının (a) tam ortasında yer alır: z = a/2 (Ratcliff ve McKoon, 2008).
Bias olması durumunda ise başlangıç noktası, karar sınırlarının ortasından farklı bir yerde konumlanacaktır. Bu, kararın bir yöne doğru eğilimli olmasına neden olabilir (Mulder ve ark., 2012).
Karar değişkeni her bir küçük zaman aralığında (dt), ortalama bilgi akışı (drift rate, ν) + rastlantısal değişim (gürültü, σ) ile güncellenerek zamanla değişir:
dx = ν·dt + σ·dW (Burada dW = Gauss dağılımlı rassal değeri temsil etmektedir.)
Buna bağlı olarak eğer karar değişkeni x(t) ≥ a (örneğin “doğru”) ya da x(t) ≤ 0 (örneğin “yanlış”) değerlerinden birine ulaşırsa karar verilir. Bu noktaya kadar geçen süreye decision time yani karar zamanı (Td) denir (Myers ve ark., 2022).
Karar verilmiş olsa bile motor sistemlerin çalışması, görsel veya işitsel uyarının işlenmesi gibi süreçler için zaman gerekmektedir. Bu süreye Toplam Tepki Süresi (RT) denir ve karar zamanı ile karar dışı zaman olan Ter’in toplanmasıyla bulunur: RT = Td + Ter (Myers ve ark., 2022).
Günümüzde Kullanım Alanları
Bilişsel psikoloji çalışmalarındaki karar verme modelleri, iyi eğitimli kişilerin iki veya daha fazla seçenek arasından birini hızlıca seçmesini ister. Bu çalışmalarda; doğru kelime için bir tuşa, yanlış olanlar için farklı bir tuşa tıklamak gibi sözcüksel karar görevleri uygulanır. Anlamsal içeriği göz ardı edip kelimenin mürekkep rengine göre tuşa basmak gibi Stroop testleri de bu kapsamda kullanılır.
Drift Diffusion Modeli (DDM), hem yanıt süresi hem de doğruluk verilerini tek bir çerçevede açıklayabilmesiyle bilişsel süreçlerin ayrıntılı analizine olanak tanır. Model; drift rate, karar sınırı ve başlangıç bias gibi parametrelerle hız ve doğruluk dengesini nicel olarak ayırabilir. Böylece bireysel farklılıkları ortaya çıkarabilir (Myers ve ark., 2022).
Stroop, Simon ve Flanker çatışma görevlerinde de DDM bazlı modeller; drift rate’in düşmesi, karar süresinin artması ve hata oranlarının artması gibi tipik etkileri sayısallaştırabilir. Drift rate oranları bilginin kalitesini yansıtır ve farklı özelliklerdeki uyaranların algılanma kolaylığını etkileyen manipülasyonlara karşı da hassastır (Lee ve Sewell, 2024). Stroop’un uyumsuz durumlarında bireylerin drift rate’i düşer ve RT uzar (Luo ve Proctor, 2022).
Retzler ve arkadaşlarının (2019) çalışmasında, sürekli performans testi uygulanan erken doğmuş çocuklarda drift rate değerinin belirgin şekilde düşük olduğu bulunmuştur. Bu durum, bilgi işleme verimliliğindeki azalmayı ortaya koymuştur.
Tavares, Perona ve Rangel’in (2017) “Dikkatsel DDM” deneyinde ise katılımcılara iki yiyecek sunulmuş ve bakış süreleri göz izleme ile kaydedilmiştir. Daha uzun bakılan yiyeceğin drift rate’i artmış ve seçilme olasılığı yükselmiştir. Bu bulgu, günlük yaşamda dikkatimizin yoğunlaştığı seçeneklerin (örneğin alışverişte veya menü seçimlerinde) daha hızlı ve güçlü şekilde tercih edilmesini açıklayabilir.
Kısıtlılıklar ve Değerlendirme
Ratcliff ve McKoon’a (2008) göre DDM, yalnızca iki seçenekli karar görevlerini doğrudan modelleyebilir ve çok seçenekli durumlarda yetersiz kalır. Ayrıca sabit drift rate varsayımı, zamanla değişen bilişsel süreçleri tam olarak yansıtmayabilir. Parametre tahmini için yüksek miktarda veri gerektiğinden, küçük örneklemli çalışmaların sonuçları güvenilir olmayabilir.
Yine de bu tür parametrik çözümlemeler, yalnızca tepki süresi veya hata oranı gibi yüzeysel ölçümlerle fark edilemeyen bilişsel farklılıkları görünür kılarak çalışmalara yön vermeye devam etmektedir. DDM, hem araştırma hem de klinik pratikte, özellikle dikkat ve yürütücü işlev bozukluklarının tanılanması, izlenmesi ve müdahale planlarının oluşturulmasında güçlü bir araç olarak değerlidir.
Sonuç
Drift Diffusion Modeli, karar verme süreçlerini anlamak ve yorumlamak için bilişsel psikoloji ve klinik uygulamalar açısından güçlü bir çerçeve sunar. Model; bireyin bilgi işleme hızını, karar stratejisini ve dikkat süreçlerini analiz etmek için kullanılabilir. Bu yönüyle DDM, karar verme psikolojisi alanında bilimsel derinliği yüksek, uygulanabilirliği güçlü bir araç olarak önemini korumaktadır.
KAYNAKLAR
Lee, P. S., & Sewell, D. K. (2024). A revised diffusion model for conflict tasks. Psychonomic Bulletin & Review, 31(1), 1-31.
Luo, C., & Proctor, R. W. (2022). A diffusion model for the congruency sequence effect. Psychonomic Bulletin & Review, 29(6), 2034-2051.
Mulder, M. J., Wagenmakers, E. J., Ratcliff, R., Boekel, W., & Forstmann, B. U. (2012). Bias in the brain: a diffusion model analysis of prior probability and potential payoff. Journal of Neuroscience, 32(7), 2335-2343.
Myers, C. E., Interian, A., & Moustafa, A. A. (2022). A practical introduction to using the drift diffusion model of decision-making in cognitive psychology, neuroscience, and health sciences. Frontiers in Psychology, 13, 1039172.
Niwlikar, V. (2023). Decision making: Definitions, heuristics and models. Careershodh.
Ratcliff, R., & McKoon, G. (2008). The diffusion decision model: Theory and data for two-choice decision tasks. Neural Computation, 20(4), 873–922.
Retzler, J., Retzler, C., Groom, M., Johnson, S., & Cragg, L. (2020). Using drift diffusion modeling to understand inattentive behavior in preterm and term-born children. Neuropsychology, 34(1), 77.
Tavares, G., Perona, P., & Rangel, A. (2017). The attentional drift diffusion model of simple perceptual decision-making. Frontiers in Neuroscience, 11, 468.
