Reaktionszeiten: II

Anwendungen.

Author

Affiliation

Andrew Ellis

Kognitive Psychologie, Wahrnehmung und Methodenlehre, Universität Bern

Published

2022-04-12

Note

👉 R Code für dieses Kapitel downloaden

Hierarchical Shift Function

Wir schauen uns Daten aus einem Lexical Decision Task (Wagenmakers and Brown 2007) an, bei dem Versuchspersonen Wörter als entweder word oder non-word klassifizieren mussten. Es ist bekannt, dass Wörter welche häufiger vorkommen schneller klassifiziert werden können, als seltene Wörter. In diesem Experiment mussten Versuchspersonen diesen Task unter zwei Bedingungen durchführen. In der speed Bedingung mussten sie sich so schnell wie möglich entscheiden, in der accuracy Bedingung mit so wenig Fehler wie möglich.

Hier untersuchen wir also den Unterschied in der Reaktionszeit zwischen zwei “within” Bedingungen. Die Daten befinden sich im Package rtdists, welches zuerst installiert werden sollte.

library(tidyverse)
library(rtdists)
library(viridis)

data(speed_acc) 

speed_acc <- speed_acc |>
  as_tibble()


df_speed_acc <- speed_acc |> 
   # zwischen 180 ms and 3000 ms
  filter(rt > 0.18, rt < 3) |> 
   # zu Character konvertieren (damit filter funktioniert)
  mutate(across(c(stim_cat, response), as.character)) |> 
  # Korrekte Antworten
  filter(response != 'error', stim_cat == response) |> 
  # wieder zu Factor konvertieren
  mutate(across(c(stim_cat, response), as_factor))

df_speed_acc

# A tibble: 27,936 × 9
   id    block condition stim  stim_cat frequency   response    rt censor
   <fct> <fct> <fct>     <fct> <fct>    <fct>       <fct>    <dbl> <lgl> 
 1 1     1     speed     5015  nonword  nw_low      nonword  0.7   FALSE 
 2 1     1     speed     6481  nonword  nw_very_low nonword  0.46  FALSE 
 3 1     1     speed     3305  word     very_low    word     0.455 FALSE 
 4 1     1     speed     4468  nonword  nw_high     nonword  0.773 FALSE 
 5 1     1     speed     1047  word     high        word     0.39  FALSE 
 6 1     1     speed     5036  nonword  nw_low      nonword  0.603 FALSE 
 7 1     1     speed     1111  word     high        word     0.435 FALSE 
 8 1     1     speed     6561  nonword  nw_very_low nonword  0.524 FALSE 
 9 1     1     speed     1670  word     high        word     0.427 FALSE 
10 1     1     speed     6207  nonword  nw_very_low nonword  0.456 FALSE 
# … with 27,926 more rows

Wir schauen uns vier Versuchspersonen grafisch an:

data_plot <- df_speed_acc |> 
  filter(id %in% c(1, 8, 11, 15))

data_plot |> 
  ggplot(aes(x = rt)) + 
    geom_histogram(aes(fill = condition), alpha = 0.5, bins = 60) + 
    facet_wrap(~id) +
    coord_cartesian(xlim=c(0, 1.6)) +
    scale_fill_viridis(discrete = TRUE, option = "E")

Note

Schauen Sie sich alle Vpn an.

Note

Was würden Sie anhand der Histogramme erwarten?

Note

Berechnen Sie nun die Differenzen der Dezile zwischen den Bedingungen für jede Versuchsperson.

out_speed_acc <- rogme::hsf_pb(df_speed_acc, rt ~ condition + id)

p_speed_acc <- rogme::plot_hsf_pb(out_speed_acc, interv = "ci")
p_speed_acc

In dieser Grafik sehen wir auf der X-Achse die Dezile der accuracy Bedingung und auf der Y-Achse die Differenz accuracy - speed. Die Differenz ist bei jedem Dezil positiv und scheint steig grösser zu werden. Die accuracy Bedingung führt also zu längeren und variableren Reaktionszeiten. Die Bedingungen unterscheiden sich im Median, aber wenn wir nur das berücksichtigt hätten, würden wir verpassen, dass sich die Verteilungen sehr stark am rechten Ende der Verteilung unterscheiden.

Zum Vergleich berechnen wir noch Bedingungsmittelwerte der Median Reaktionszeiten.

by_subject <- df_speed_acc |> 
  group_by(id, condition) |> 
  summarise(mean = median(rt))

agg <- Rmisc::summarySEwithin(by_subject,
                       measurevar = "mean",
                       withinvars = "condition",
                       idvar = "id",
                       na.rm = FALSE,
                       conf.interval = .95)

agg |> 
  ggplot(aes(condition, mean, fill = condition)) +
  geom_col(alpha = 0.8) +
  geom_line(aes(group = 1), linetype = 3) +   
  geom_errorbar(aes(ymin = mean-se, ymax = mean+se),
                width = 0.1, size=1, color="black") +
  scale_fill_viridis(discrete=TRUE, option="cividis") +
  theme(legend.position = "none")

References

Wagenmakers, Eric-Jan, and Scott Brown. 2007. “On the Linear Relation Between the Mean and the Standard Deviation of a Response Time Distribution.” Psychological Review 114 (3): 830–41. https://doi.org/10.1037/0033-295X.114.3.830.

Reuse

https://creativecommons.org/licenses/by/4.0/

Citation

BibTeX citation:

@online{ellis2022,
  author = {Andrew Ellis},
  title = {Reaktionszeiten: {II}},
  date = {2022-04-12},
  url = {https://kogpsy.github.io/neuroscicomplabFS22//pages/chapters/08_response_times_ii.html},
  langid = {en}
}

For attribution, please cite this work as:

Andrew Ellis. 2022. “Reaktionszeiten: II.” April 12, 2022. https://kogpsy.github.io/neuroscicomplabFS22//pages/chapters/08_response_times_ii.html.