継続的なトラックパスは、多段階の意思決定における追加の証拠統合を明らかにします

マルチステップの意思決定は日常生活に浸透していますが、その根本的なメカニズムは不明瞭なままです。マルチステップの意思決定の4つの顕著なモデル、すなわちシリアル段階、階層的証拠統合、階層漏れ競合する蓄積（HLCA）、および確率的証拠統合（PEI）を区別します。これらのモデルを経験的に解き放つために、2段階の報酬ベースの決定パラダイムを設計し、リーチタスク実験に実装します。最初のステップでは、参加者は、それぞれが2つの報酬に関連付けられている2つの潜在的な今後の選択肢から選択します。2番目のステップでは、参加者は最初のステップで選択された2つの報酬を選択します。驚くべきことに、HLCAおよびPEIモデルによって予測されたように、最初のステップの決定のダイナミクスは、最大の報酬（つまり、初期DIP）を表す選択に向けてリダイレクトされる前に、最高の合計/平均を表す選択に偏っていました。HLCAとPEIのみがこの最初のDIPを予測し、1段階の意思決定のダイナミクスが競合する2番目の選択の追加統合に依存することを示唆しています。私たちのデータは、多段階の意思決定中に潜在的な将来の結果が徐々に解かれていることを示唆しています。

Multistep decision making pervades daily life, but its underlying mechanisms remain obscure. We distinguish four prominent models of multistep decision making, namely serial stage, hierarchical evidence integration, hierarchical leaky competing accumulation (HLCA), and probabilistic evidence integration (PEI). To empirically disentangle these models, we design a two-step reward-based decision paradigm and implement it in a reaching task experiment. In a first step, participants choose between two potential upcoming choices, each associated with two rewards. In a second step, participants choose between the two rewards selected in the first step. Strikingly, as predicted by the HLCA and PEI models, the first-step decision dynamics were initially biased toward the choice representing the highest sum/mean before being redirected toward the choice representing the maximal reward (i.e., initial dip). Only HLCA and PEI predicted this initial dip, suggesting that first-step decision dynamics depend on additive integration of competing second-step choices. Our data suggest that potential future outcomes are progressively unraveled during multistep decision making.