Teoria da inibição - Inhibition theory

A teoria da inibição é baseada no pressuposto básico de que durante o desempenho de qualquer tarefa mental que requeira um mínimo de esforço mental, o sujeito realmente passa por uma série de estados latentes alternados de distração (não trabalho 0) e atenção (trabalho 1) que não podem ser observados e totalmente imperceptíveis ao sujeito.

Além disso, é introduzido o conceito de inibição ou inibição reativa que também é latente. A suposição é feita de que durante os estados de atenção a inibição aumenta linearmente com uma inclinação a ₁ e durante os estados de inibição da distração diminui linearmente com uma inclinação a _{0. De} acordo com esta visão, os estados de distração podem ser considerados uma espécie de estado de recuperação.

É ainda assumido que quando a inibição aumenta durante um estado de atenção, dependendo da quantidade de aumento, a inclinação para mudar para um estado de distração também aumenta. Quando a inibição diminui durante um estado de distração, dependendo da quantidade de diminuição, a inclinação para mudar para um estado de atenção aumenta. A inclinação para mudar de um estado para outro é matematicamente descrita como uma taxa de transição ou taxa de risco, tornando todo o processo de alternar tempos de distração e tempos de atenção um processo estocástico .

Teoria

Uma variável aleatória contínua não negativa T representa o tempo até que um evento ocorra. A taxa de risco λ ( t ) para aquela variável aleatória é definida como o valor limite da probabilidade de que o evento ocorrerá em um pequeno intervalo [ t , t  + Δ t ]; dado que o evento não ocorreu antes do tempo t , dividido por Δ t . Formalmente, a taxa de risco é definida pelo seguinte limite:

${\ displaystyle \ lambda (t) = \ lim _ {\ Delta t \ to 0} {\ frac {\ Pr (t \ leq T <t + \ Delta t \ mid T \ geq t)} {\ Delta t}} }$

A taxa de risco λ ( t ) também pode ser escrita em termos da função de densidade ou função de densidade de probabilidade f ( t ) e a função de distribuição ou função de distribuição cumulativa F ( t ):

${\ displaystyle \ lambda (t) = {\ frac {f (t)} {1-F (t)}}}$

As taxas de transição λ ₁ ( t ), do estado 1 para o estado 0, e λ ₀ ( t ), do estado 0 para o estado 1, dependem da inibição Y ( t ): λ ₁ ( t ) = ℓ ₁ (Y ( t) )) e λ ₀ ( t ) = ℓ ₀ (Y ( t )), onde ℓ ₁ é uma função não decrescente e ℓ ₀ é uma função não crescente. Note-se, que ℓ ₁ e l ₀ são dependentes Y , enquanto que Y é dependente de T . A especificação das funções l ₁ e l ₀ leva aos vários modelos de inibição.

O que pode ser observado no teste são os tempos reais de reação. Um tempo de reação é a soma de uma série de tempos de distração e tempos de atenção alternados, que não podem ser observados. É, entretanto, possível estimar a partir dos tempos de reação observáveis ​​algumas propriedades do processo latente de tempos de distração e tempos de atenção, ou seja, o tempo médio de distração, o tempo médio de atenção e a razão a ₁ / a ₀ . A fim de simular os tempos de reação consecutivos, a teoria da inibição foi especificada em vários modelos de inibição.

Um é o chamado modelo de inibição beta. No modelo de inibição beta, assume-se que a inibição Y ( t ) oscila entre dois limites que são 0 e M ( M para Máximo), onde M é positivo. Neste modelo, ℓ ₁ e ℓ ₀ são os seguintes:

${\ displaystyle \ ell _ {1} (y) = {\ frac {c_ {1} M} {My}}}$

e

${\ displaystyle \ ell _ {0} (y) = {\ frac {c_ {0}} {y}}}$

ambos com c ₀ > 0 e c ₁ > 0. Observe que, de acordo com a primeira suposição, quando y vai para M (durante um intervalo), ℓ ₁ ( y ) vai para o infinito e isso força uma transição para um estado de repouso antes da inibição pode atingir M . De acordo com a segunda suposição, conforme y vai para zero (durante uma distração), ℓ ₀ ( y ) vai para o infinito e isso força uma transição para um estado de trabalho antes que a inibição possa chegar a zero. Para um intervalo de trabalho começando em t ₀ com nível de inibição y ₀  =  Y ( t ₀ ), a taxa de transição no tempo t ₀  +  t é dada por λ ₁ ( t ) = l ₁ ( y ₀  +  a ₁ t). Para um intervalo sem trabalho começando em t ₀ com nível de inibição y ₀  =  Y ( t ₀ ), a taxa de transição é dada por λ ₀ ( t ) =  ℓ ₀ ( y ₀  -  a ₀ t ). Portanto

${\ displaystyle \ lambda _ {1} (t) = {\ frac {c_ {1} M} {M- (y_ {0} + a_ {1} t)}}}$

e

${\ displaystyle \ lambda _ {0} (t) = {\ frac {c_ {0}} {y_ {0} -a_ {0} t}}}$

O modelo tem Y flutuante no intervalo entre 0 e M . A distribuição estacionária de Y / M neste modelo é uma distribuição beta (o modelo de inibição beta).

O tempo total de trabalho até a conclusão da tarefa (ou a unidade de tarefa, no caso de uma repetição de tarefas unitárias equivalentes), por exemplo, no teste de concentração de atenção, é referido como um . O tempo médio de resposta estacionária E ( T ) pode ser escrito como

${\ displaystyle \ operatorname {E} (T) = A + {\ frac {a_ {1}} {a_ {0}}} A.}$

Pois M vai para o infinito λ ₁ ( t ) = c ₁ . Esse modelo é conhecido como modelo de inibição de gama ou Poisson (ver Smit e van der Ven, 1995).

Inscrição

A teoria da inibição foi desenvolvida especialmente para levar em conta a oscilação de curto prazo, bem como a tendência de longo prazo nas curvas de tempo de reação obtidas em tarefas de resposta contínua, como o Teste de Concentração de Atenção (ACT). O ACT normalmente consiste em uma tarefa de trabalho prolongada e superaprendida em que cada resposta provoca a próxima. Vários autores, entre eles Binet (1900), destacaram a importância da flutuação nos tempos de reação sugerindo o desvio médio como medida de desempenho.

A este respeito, também vale a pena mencionar um estudo de Hylan (1898). Em seu experimento B, ele usou uma tarefa de adição de 27 dígitos simples indicando a importância da flutuação dos tempos de reação e foi o primeiro a relatar curvas de tempo de reação aumentando gradualmente (diminuindo marginalmente) (Hylan, 1898, página 15, figura 5).

Recentemente, o modelo de inibição também foi usado para explicar as durações de fase em experimentos de rivalidade binocular (van der Ven, Gremmen & Smit, 2005). O modelo é capaz de levar em conta as propriedades estatísticas de durações de fases alternadas

representando a quantidade de tempo que uma pessoa percebe o estímulo em um olho T _1j e no outro olho T _0j .

Uma definição de inteligência

Com a ajuda da teoria da inibição é possível definir o conceito de inteligência operacionalmente. Inteligência é então a razão da taxa de aumento da inibição durante os períodos de atenção e a taxa de inibição diminui durante os períodos de distração ou, melhor, menos o logaritmo natural desta razão, ou seja,

${\ displaystyle \ operatorname {-} \ ln {\ frac {a_ {1}} {a_ {0}}}.}$

Menos o logaritmo natural é normalmente distribuído. A razão pela qual o sinal menos é usado é que uma pontuação alta corresponde a uma inteligência alta e uma pontuação baixa a uma inteligência baixa.

Em vez da quantidade de inibição como força guia, pode-se ter tomado a quantidade de energia, ou melhor, a energia mental como força guia. A energia mental é então o reverso da inibição. A ideia de uma diminuição da energia mental durante os períodos de atenção e uma recuperação e aumento da energia mental durante os períodos de distração já foi sugerida por Spearman: "Normalmente, o trabalho árduo, podemos supor, produz um consumo aumentado desta energia, e com isso um aumento correspondente em sua recuperação. " (Spearman, 1927, capítulo XIX), página 327).

Veja também

• Inibição cognitiva

Referências

• Binet, A. (1900). Atenção e adaptação [Atenção e adaptação]. L'annee psychologique , 6 , 248 a 404.
• Hylan, JP (1898). A flutuação da atenção. The Psychological Review , Series of Monograph Supplements , Vol. II., No. 2 (Inteiro No. 6). Nova York: The MacMillan Company. '
• Smit, JC e van der Ven, AHGS (1995). Inibição em testes de velocidade e concentração: o modelo de inibição de Poisson. Journal of Mathematical Psychology , 39 , 265-273.

• Spearman, C. (1927). As habilidades do homem. Londres: MacMillan.

• van der Ven, AHGS, Gremmen, FM e Smit, JC (2005). Um modelo estatístico para rivalidade binocular. British Journal of Mathematical and Statistical Psychology , 58 , 97-116.