Matlab implementa el modelo de cambio de atención

Matlab implementa el modelo de cambio de atención

El modelo de cambio de atención (Attention Switching Model) es un modelo psicológico cognitivo que se utiliza para explicar cómo los humanos cambian la atención cuando realizan múltiples tareas. Este modelo sostiene que cuando las personas realizan múltiples tareas, necesitan cambiar la atención entre diferentes tareas para completarlas de manera efectiva.

Los modelos de cambio de atención se utilizan a menudo para estudiar los procesos cognitivos humanos y la capacidad de realizar múltiples tareas. Puede explicar por qué se producen ciertos retrasos y tasas de error al cambiar de tarea y proporciona un marco teórico para explicar la asignación de recursos cognitivos y los mecanismos de cambio de tarea.

Código de implementación:

MODELO DE CAMBIO DE %ATENCIÓN
%delta = 4 da como resultado una precisión igual a la probabilidad de cambio

limpiar todo;

nrun = 20; % número de corridas separadas para estimar la precisión
nt = 1000000; % número de intentos, más de 10.000.000 es lento
d = 6; % “delta”, diferencia objetivo-distractor (d' unidades)
w = 1; % de peso para loc con claves; otro loc se pondera 1-w
v = .8; % de validez de cue (usado para calcular pc medio)

cambioprobable = .8;

nvalid = nt probswitch;
ninvalid = nt (1-probswitch);

VR1 = ceros (nt, 1);
VR2 = ceros (nt, 1);
DV = ceros (nt, 1); %Variable de decisión cuando el peso es uno en la ubicación señalada
DI = ceros(nt, 1); %Variable de decisión cuando el peso es uno en la ubicación no indicada
Dtotal = ceros((nt*2),1);

vec = [1:nt];
interruptor = 1:nt;
Barajar(vec);
Barajar (cambiar);

% cambiar = randi(80, 100);

para i = 1:nt

si vec(i) <= nvalid
VR1(i) = randn(1)+d/2; % stim R en
VR2(i) con señal = randn(1); % nada sin indicación
else
VR1(i) = randn(1); % nada en
VR2(i) con clave = randn(1)+d/2; % stim R en el
extremo sin señal

si swtch(i) <= nvalid
DV(i) = w*VR1(i)+(1-w)*VR2(i);% de ponderación con clave 1
DI(i) = randn(1);
si no
DI(i) = (1-w) VR1(i)+ w VR2(i); % de ponderación sin indicación 1
DV(i) = randn(1);
end
end
rV = ceros (tamaño (DV)); % crear vector de ceros
rV(DV>0) = 1; % hacer 1 si es correcto
pcv = mean(rV);

rI = ceros (tamaño (DI));
rI ( DI > 0 ) = 1 ;
pci = media ( rI ) ;

pci pcv

Dtotal(1:(longitud(Dtotal)/2))= DV;
Dtotal((longitud(Dtotal)/2)+1:longitud(Dtotal))=DI;
rT(Dtotal>0) = 1;
pctotal = media(rT)

%%

%
% Hv = [0,55, 0,67, 0,7466, 0,7817, 0,7950, 0,7989]; % del Hv obtenido para SNR 0-5
% Hi = [0.14, 0.16, 0.1866, 0.1955, 0.1987, 0.1997]; %el Hi obtenido para SNR 0-5
%
% x = [1 2 3 4 5 6]; %eje x
%
% plot(x, Hv, '-o', x, Hola, '-s'); %gráfico de las tres líneas
%
% %'-o' significa que cada punto está marcado con un círculo
% %'-s' significa que cada punto está marcado con un cuadrado
% % %'-d' significa que cada punto está marcado con un diamante
%
% print(1, '-r600', '-djpeg', 'allornonemodel') %guarda la figura en mi directorio
% %600 resolución, archivo jpeg, titulado 'linearmodel'