Matlab implementiert das Aufmerksamkeitswechselmodell
Das Aufmerksamkeitswechselmodell (Attention Switching Model) ist ein kognitionspsychologisches Modell, mit dem erklärt werden soll, wie Menschen beim Multitasking ihre Aufmerksamkeit wechseln. Das Modell geht davon aus, dass Menschen, die mehrere Aufgaben ausführen, ihre Aufmerksamkeit zwischen verschiedenen Aufgaben wechseln müssen, um Aufgaben effektiv zu erledigen.
Aufmerksamkeitswechselmodelle werden häufig verwendet, um menschliche kognitive Prozesse und die Fähigkeit zum Multitasking zu untersuchen. Es kann erklären, warum beim Wechseln von Aufgaben bestimmte Verzögerungen und Fehlerraten auftreten, und bietet einen theoretischen Rahmen zur Erklärung kognitiver Ressourcenzuweisung und Mechanismen zum Aufgabenwechsel.
Implementierungscode:
%ACHTUNG WECHSELMODELL
%delta = 4 führt zu einer Genauigkeit, die der Wechselwahrscheinlichkeit entspricht
alles löschen;
nrun = 20; % Anzahl der separaten Läufe zur Schätzung der Präzision
nt = 1000000; % Anzahl der Versuche, mehr als 10.000.000 ist langsam
d = 6; % „Delta“, Ziel-Distraktor-Differenz (d' Einheiten)
w = 1; % Gewicht für Cued-Loc; andere Lok wird mit 1-w
v = .8 gewichtet; %-Gültigkeit des Hinweises (wird zur Berechnung des mittleren PCs verwendet)
probswitch = .8;
nvalid = nt probswitch;
ninvalid = nt (1-probswitch);
VR1 = Nullen(nt, 1);
VR2 = Nullen(nt, 1);
DV = Nullen(nt, 1); %Entscheidungsvariable, wenn das Gewicht an der Cue-Position eins ist
DI = Nullen(nt, 1); %Entscheidungsvariable, wenn das Gewicht an einer nicht markierten Stelle eins ist
Dtotal = zeros((nt*2),1);
vec = [1:nt];
swtch = 1:nt;
Shuffle(vec);
Mischen(wechseln);
% swtch = randi(80, 100);
für i = 1:nt
if vec(i) <= nvalid
VR1(i) = randn(1)+d/2; % Stim R bei Cue
VR2(i) = randn(1); % nichts bei uncued
else
VR1(i) = randn(1); % nichts bei Cue
VR2(i) = randn(1)+d/2; % Stim R am uncued-
Ende
if swtch(i) <= nvalid
DV(i) = w*VR1(i)+(1-w)*VR2(i);% Gewichtung cued 1
DI(i) = randn(1);
sonst
DI(i) = (1-w) VR1(i)+ w VR2(i); % Gewichtung uncued 1
DV(i) = randn(1);
Ende
Ende
rV = Nullen(Größe(DV)); % Erstelle einen Vektor aus Nullen
rV(DV>0) = 1; % mache 1, wenn richtig
pcv = mean(rV);
rI = Nullen (Größe (DI));
rI (DI > 0) = 1;
pci = Mittelwert (rI);
PCV
PCI
Dtotal(1:(length(Dtotal)/2))= DV;
Dtotal((length(Dtotal)/2)+1:length(Dtotal))=DI;
rT(Dtotal>0) = 1;
pctotal = Mittelwert(rT)
%%
%
% Hv = [0,55, 0,67, 0,7466, 0,7817, 0,7950, 0,7989]; %der erhaltene Hv für SNR 0-5
% Hi = [0,14, 0,16, 0,1866, 0,1955, 0,1987, 0,1997]; %der erhaltene Hi für SNR 0-5
%
% x = [1 2 3 4 5 6]; %x-Achse
%
% plot(x, Hv, '-o', x, Hi, '-s'); %plot aller drei Linien
%
% %'-o' bedeutet, dass jeder Punkt mit einem Kreis markiert ist.
% %'-s' bedeutet, dass jeder Punkt mit einem Quadrat markiert ist.
% % %'-d' bedeutet, dass jeder Punkt mit einer Raute markiert ist
%
% print(1, '-r600', '-djpeg', 'allornonemodel') %speichert die Figur in meinem Verzeichnis
% %600 Auflösung, JPEG-Datei mit dem Titel „linearmodel“