人間に生成された乱数シーケンスの分析：パターンベースのアプローチ

乱数生成タスクでは、参加者は数値のランダムシーケンスを生成するように求められます。最も一般的には1〜9の数字です。このような数値シーケンスは数学的にランダムではなく、バイアスの範囲とタイプの両方が脳の「内部ランダムを特徴付けることができます。番号ジェネレーター」。特定のパターンとその変動は、人間に生成された乱数シーケンスで頻繁に発生すると想定しています。したがって、乱数シーケンスのパターンベースの分析を紹介します。20人の健康な被験者が、それぞれ300の数字の2つのシーケンスをランダムに生成しました。シーケンスを分析して、主に被験者が使用する数値のパターンを特定し、特定のパターンの頻度と数字シーケンス内のその変動を計算しました。このパターン分析は、1つの文字列を別の文字列に変換するために必要な編集操作の数をカウントするDamerau-Levenshtein距離に基づいています。アイテムの当面履歴に基づいて、人間に生成された乱数シーケンスの次のアイテムだけでなく、同じ主題によって生成された別のシーケンスでパターンの展開も予測するモデルを構築しました。7つのアイテムの履歴が計算された場合、平均正しい予測率は最大27％増加しました（個々の最大46％、チャンスパフォーマンスは11％）。さらに、1つの被験者のシーケンスを予測する場合、同じ被験者からの統計情報に基づく予測は、異なる被験者からの統計情報に基づいて予測よりも高い成功率をもたらすはずだと想定しました。同じ主題から2つのシーケンスと異なる主題から1つが提供されると、アルゴリズムは症例の最大88％で外部シーケンスを識別します。結論として、Levenshtein-Damarau距離を使用したパターンベースの分析は、人間に生成された乱数シーケンスを予測し、人間に生成された乱数シーケンス内で人固有の情報を特定することができます。

In a random number generation task, participants are asked to generate a random sequence of numbers, most typically the digits 1 to 9. Such number sequences are not mathematically random, and both extent and type of bias allow one to characterize the brain's "internal random number generator". We assume that certain patterns and their variations will frequently occur in humanly generated random number sequences. Thus, we introduce a pattern-based analysis of random number sequences. Twenty healthy subjects randomly generated two sequences of 300 numbers each. Sequences were analysed to identify the patterns of numbers predominantly used by the subjects and to calculate the frequency of a specific pattern and its variations within the number sequence. This pattern analysis is based on the Damerau-Levenshtein distance, which counts the number of edit operations that are needed to convert one string into another. We built a model that predicts not only the next item in a humanly generated random number sequence based on the item's immediate history, but also the deployment of patterns in another sequence generated by the same subject. When a history of seven items was computed, the mean correct prediction rate rose up to 27% (with an individual maximum of 46%, chance performance of 11%). Furthermore, we assumed that when predicting one subject's sequence, predictions based on statistical information from the same subject should yield a higher success rate than predictions based on statistical information from a different subject. When provided with two sequences from the same subject and one from a different subject, an algorithm identifies the foreign sequence in up to 88% of the cases. In conclusion, the pattern-based analysis using the Levenshtein-Damarau distance is both able to predict humanly generated random number sequences and to identify person-specific information within a humanly generated random number sequence.