Теорія виявлення сигналу: як рішення про стимул залежать від чутливості та критерію
Автор: Український психологічний ХАБ · Опубліковано: 20 вересня 2026 · Редакційна політика
Теорія виявлення сигналу (Signal Detection Theory, SDT; також уживають назву «теорія виявлення сигналів») — це математико-психологічна рамка для аналізу рішень в умовах невизначеності. Вона відповідає не лише на запитання «чи помітила людина стимул?», а й на два окремі запитання: наскільки добре людина розрізняє сигнал і шум та де вона встановлює критерій, після якого відповідає «сигнал є». Саме це розділення чутливості й критерію зробило SDT одним із центральних інструментів сучасної психофізики.
Головна ідея проста. Коли слабкий звук, ледь помітний спалах, знайомий образ у тесті пам’яті або підозріла деталь на зображенні з’являються на тлі невизначеності, внутрішня доказовість кожної окремої спроби варіює. Частина випадків із сигналом схожа на шум, а частина випадків без сигналу може випадково здаватися переконливою. Тому та сама сенсорна здатність може породжувати різні частоти відповідей залежно від того, наскільки обережним або готовим ризикувати є правило рішення.
У класичній роботі Вілсона Таннера та Джона Светса 1954 року виявлення було сформульоване як задача прийняття рішення на основі непевної сенсорної інформації, а книга Девіда Ґріна та Джона Светса 1966 року систематизувала теорію для психофізики. Tanner & Swets (1954) і Green & Swets (1966) заклали основу підходу, який відокремлює властивості доказового сигналу від правила відповіді.
Що саме пояснює теорія виявлення сигналу
SDT описує ситуації, де існують принаймні два стани світу — умовно «сигнал відсутній» і «сигнал присутній» — та рішення спостерігача щодо цих станів. «Сигнал» у психологічному експерименті не обов’язково є фізичним електричним імпульсом. Це може бути слабкий тон у шумі, ціль серед відволікальних об’єктів, раніше вивчене слово серед нових, зміна на екрані або будь-яка інша ознака, наявність якої треба визначити.
Теорія виходить із того, що кожна спроба породжує певну величину внутрішньої доказовості. За відсутності сигналу ця величина коливається через сенсорну й когнітивну мінливість; за наявності сигналу її розподіл у середньому зміщується. Якщо два розподіли сильно перекриваються, розрізнення складне. Якщо вони добре розділені, розрізнення легше. Критерій рішення задає точку, по один бік якої людина відповідає «ні», а по інший — «так».
Такий опис не вимагає припускати, що людина свідомо бачить два статистичні розподіли або обчислює формули. Розподіли та критерій — модельні конструкції, за допомогою яких дослідник пояснює закономірності відповідей. У стандартних задачах SDT ці конструкції оцінюють за частотами влучань і хибних тривог. Практичні формули та правила обчислення систематизували Stanislaw і Todorov (1999).
Чому одного сенсорного порога недостатньо
Класична мова порогів може створити враження, що десь існує фіксована межа: нижче неї стимул не відчувається, вище — відчувається. Реальна поведінка рідко виглядає настільки різко. Той самий слабкий стимул в одній спробі людина помічає, в іншій — пропускає. Навіть коли сигналу немає, інколи виникає відповідь «є». На результат впливають мінливість сенсорного кодування, увага, очікування, інструкція, частота сигналів, наслідки помилок і стратегія відповіді.
Саме тут SDT доповнює порогову логіку. Вона запитує, чи змінилася здатність розрізняти два стани, чи людина просто пересунула критерій рішення. Наприклад, після інструкції «не пропускайте жодного сигналу» кількість правильних виявлень може зрости, але разом із нею часто зростає й кількість хибних тривог. Це ще не доводить, що сенсорна чутливість покращилася: людина могла лише стати готовішою відповідати «так».
У ширшому контексті це одна з причин, чому сучасна психофізика описує виявлення статистично, а не як магічний момент появи відчуття. SDT додає до статистичної картини явний компонент рішення.
Чотири можливі результати: влучання, пропуск, хибна тривога і правильне відхилення
У найпростішій задачі «так/ні» кожна спроба має два фактичні стани і дві можливі відповіді. Їх поєднання дає чотири типи результату. Ця матриця є основою всього подальшого аналізу.
Влучання
Влучання (hit) відбувається, коли сигнал справді присутній і людина відповідає, що він є. Частка влучань H дорівнює кількості таких відповідей, поділеній на всі спроби, у яких сигнал був присутній. Висока частка влучань сама по собі ще не означає високої чутливості: людина може часто відповідати «так» і водночас мати багато хибних тривог.
Пропуск
Пропуск (miss) — це випадок, коли сигнал присутній, але відповідь людини — «ні». Частка пропусків у звичайній бінарній задачі дорівнює 1 − H. Зменшити пропуски можна не лише поліпшенням розрізнення, а й зсувом критерію в ліберальний бік, тому пропуски треба аналізувати разом із хибними тривогами.
Хибна тривога
Хибна тривога (false alarm) виникає, коли сигналу немає, але людина відповідає «є». Частка хибних тривог F обчислюється серед усіх спроб без сигналу. Саме F показує, якою ціною досягається висока готовність «ловити» сигнали. Якщо влучань багато лише тому, що відповідь «так» обирають майже завжди, хибні тривоги це одразу виявляють.
Правильне відхилення
Правильне відхилення, або правильне відкидання (correct rejection), — ситуація, коли сигналу немає і людина правильно відповідає «ні». У простій задачі його частка дорівнює 1 − F. Разом чотири результати дозволяють відокремити реальне розрізнення від схильності частіше обирати одну відповідь.
Чутливість d′: наскільки добре розділяються сигнал і шум
Найвідоміший показник SDT — d′ («d-prime»). У стандартній моделі з нормальними розподілами сигналу й шуму однакової дисперсії він вимірює відстань між їхніми середніми у стандартних відхиленнях. Чим більша ця відстань, тим легше спостерігачеві розрізняти стани. За d′ = 0 спостережувані відповіді узгоджуються з повною відсутністю розрізнювальної інформації в межах цієї моделі; зі зростанням d′ розрізнення поліпшується.
Для класичної задачі «так/ні» показник обчислюють як d′ = z(H) − z(F), де H — частка влучань, F — частка хибних тривог, а z перетворює ймовірність на відповідний квантиль стандартного нормального розподілу. Формулу, її варіанти та практичні способи обчислення докладно розбирають Stanislaw і Todorov (1999).
Інтуїтивно d′ відповідає на запитання: чи зміщується доказовість у спробах із сигналом настільки, щоб їх систематично відрізняти від спроб без сигналу? Це не одиниця фізичної сили стимулу й не пряме вимірювання активності рецепторів. Показник узагальнює поведінкове розрізнення у конкретній експериментальній задачі.
Приклад розрахунку d′
Припустімо, сигнал з’являвся у 100 спробах і був правильно виявлений у 80. Тоді H = 0,80. У 100 спробах без сигналу учасник 20 разів помилково відповів «сигнал є», отже F = 0,20. Для цих значень z(0,80) приблизно дорівнює 0,84, а z(0,20) приблизно −0,84. Тому d′ ≈ 1,68. Це означає помітне розділення модельних розподілів, а не «84% чутливості» і не фізіологічний поріг.
Якщо інший учасник має 95% влучань, але 70% хибних тривог, його необроблена частка влучань виглядає кращою, проте d′ може бути нижчим. SDT саме для цього і потрібна: вона не дозволяє плутати готовність часто казати «так» із здатністю розрізняти сигнал і шум.
Критерій c: коли людина вирішує, що доказів уже достатньо
Другий ключовий параметр — критерій відповіді. У поширеній параметризації його позначають c і обчислюють як c = −½[z(H) + z(F)]. Значення близько нуля відповідає центральному розташуванню критерію в стандартній симетричній моделі. Додатне c означає консервативніший критерій: для відповіді «сигнал є» потрібно більше доказів. Від’ємне c означає ліберальніший критерій: відповідь «так» виникає за меншої доказовості.
Слова «консервативний» і «ліберальний» тут не описують характер людини, політичні погляди чи якість мислення. Це технічні назви позиції критерію в конкретній задачі. В іншій задачі та сама людина може встановити зовсім інший критерій.
Критерій іноді виражають через β — відношення правдоподібності в точці рішення. Параметри c і β пов’язані, але мають різні шкали й інтерпретації. Для базового психологічного пояснення c зазвичай простіший: знак одразу показує напрям зсуву, якщо використано саме цю стандартну конвенцію.
Що пересуває критерій
Критерій залежить від контексту рішення. Якщо сигнали трапляються часто, якщо пропуск має високу ціну або інструкція особливо підкреслює необхідність не пропустити ціль, оптимальна або фактична стратегія може зміститися в бік частіших відповідей «так». Якщо хибна тривога коштує дорого, критерій може стати консервативнішим. У класичній теорії оптимальне правило пов’язане з апріорною ймовірністю станів і відносною цінністю наслідків, а не з абстрактною вимогою завжди тримати c = 0.
Тому нейтральний критерій не є універсально «правильним». У пожежній сигналізації ціна пропуску може бути величезною, і система навмисно працює так, щоб допустити більше хибних спрацьовувань. В іншій системі часті хибні тривоги самі створюють небезпеку, бо оператор перестає довіряти сигналам. SDT дає мову, щоб явно описати цей компроміс.
Однакова чутливість може давати різну поведінку
Уявімо трьох спостерігачів з однаковим модельним d′ = 1,5, але різними критеріями. За c = 0 стандартна модель дає приблизно 77% влучань і 23% хибних тривог. За ліберального c = −0,5 влучань стає приблизно 89%, але хибних тривог — близько 40%. За консервативного c = +0,5 влучань близько 60%, зате хибних тривог лише близько 11%. Сенсорне розділення в цій ілюстрації те саме; змінюється правило рішення.
Це одна з найважливіших інтуїцій SDT. Якщо дивитися лише на частку влучань, ліберальний спостерігач здаватиметься «кращим», а консервативний — «гіршим». Якщо врахувати хибні тривоги, видно, що вони працюють на різних точках одного компромісу.
ROC-крива: як побачити компроміс між влучаннями та хибними тривогами
Receiver Operating Characteristic, або ROC-крива, показує, як змінюється частка влучань відносно частки хибних тривог за різних критеріїв. По горизонтальній осі відкладають F, по вертикальній — H. Кожен критерій відповідає своїй точці. Переміщення критерію створює набір можливих співвідношень «влучання — хибна тривога».
Якщо розрізнювальної інформації немає, точки тяжіють до діагоналі: збільшити кількість влучань можна переважно ціною такого самого збільшення хибних тривог. Коли сигнал і шум добре розрізняються, ROC вигинається до верхнього лівого кута, де багато влучань поєднуються з малою кількістю хибних тривог. Площа під ROC-кривою, AUC, є ще одним узагальненим показником розрізнювальної здатності, але її точний зв’язок із d′ залежить від модельних припущень.
ROC-аналіз давно вийшов за межі сенсорної психофізики. У медичній візуалізації, наприклад, ROC та задачі вимушеного вибору використовують для оцінювання роботи спостерігачів і систем зображення; огляд цієї традиції дає Burgess (2011). Сам факт використання ROC не означає, що всі такі задачі психологічно тотожні: спільною є математична структура рішень із двома станами та змінним порогом.
Чому проста точність може вводити в оману
Відсоток правильних відповідей змішує два типи інформації: здатність розрізняти стани та частоту самих станів. Якщо сигнал з’являється лише в 1% спроб, стратегія «завжди відповідати, що сигналу немає» дасть 99% правильних відповідей і водночас нульову здатність виявляти сигнали. У такій ситуації висока accuracy не є доказом хорошої детекції.
Подібна проблема виникає, коли порівнюють дві групи, які мають різні критерії. Одна може пропускати більше сигналів, але робити менше хибних тривог; інша — навпаки. Одне число точності приховує структуру помилок. SDT розкладає цю структуру на компоненти та робить видимим, що саме змінилося.
Як правильно обчислювати d′ і c
Спочатку рахують умовні частки
H треба обчислювати лише серед спроб із сигналом: H = влучання / кількість спроб із сигналом. F треба обчислювати лише серед спроб без сигналу: F = хибні тривоги / кількість спроб без сигналу. Не можна ділити обидві величини на загальну кількість спроб, бо тоді зміна пропорції сигналів штучно змінюватиме показники.
Потім застосовують z-перетворення
Для стандартної рівнодисперсійної гаусової моделі d′ = z(H) − z(F), а c = −½[z(H) + z(F)]. Таке обчислення передбачає конкретну модель доказовості. Воно не є універсальним перетворенням, яке автоматично робить будь-які дані «вільними від упередження». Сучасні роботи наголошують, що властивості d′ залежать від форми й дисперсій розподілів, базових частот та способу оцінювання. Aujla (2023) показує, що традиційний d′ зберігає бажані властивості щодо зміни критерію лише за обмеженого набору стандартних припущень.
Що робити з 0% або 100%
Якщо H або F дорівнює точно 0 чи 1, z-перетворення прямує до нескінченності, тому простий розрахунок d′ неможливий. У практичному аналізі використовують корекції крайніх пропорцій або моделі, які оцінюють параметри іншим способом. Класична робота Hautus (1995) порівнювала корекції для крайніх значень, а нові симуляції Chen та співавторів (2024) показують, що спотворення оцінки d′ залежить не лише від самої корекції, а й від кількості спроб, розміру вибірки, дисперсії та складності завдання.
Тому значення d′, отримане з дуже малої кількості спроб і майже ідеальної точності, не слід інтерпретувати з тією самою впевненістю, що й стабільну оцінку з добре спроєктованого експерименту. Для наукової роботи потрібні планування дизайну, оцінювання невизначеності та, за складних даних, модельна перевірка.
Основні припущення стандартної моделі
Найпростіше викладання SDT зазвичай використовує дві нормальні розподілені змінні доказовості — для шуму та сигналу — з однаковими дисперсіями та фіксованим критерієм. За цих умов d′ має особливо зручну інтерпретацію, а ROC у z-координатах має характерну форму. Це корисна базова модель, але її припущення треба сприймати як припущення, а не як прямі факти про нервову систему.
Нерівні дисперсії
У деяких задачах розподіл доказовості за наявності сигналу може бути ширшим або вужчим за розподіл шуму. Особливо багато таких дискусій виникло в дослідженнях пам’яті впізнавання. У нерівнодисперсійних моделях один-єдиний d′ із формули z(H) − z(F) може змінюватися разом із критерієм, тому дослідники використовують інші параметризації або повну ROC-модель. Сучасний аналіз Aujla (2023) прямо демонструє обмеження традиційного d′ за порушення стандартних умов.
Чи є критерій абсолютно стабільним
Базова модель часто поводиться так, ніби критерій у межах умови фіксований. Проте психологічно можливо, що точка рішення сама коливається від спроби до спроби. Benjamin, Diaz і Wee запропонували модель із шумом критерію та навели дані з пам’яті впізнавання, де така мінливість може бути суттєвою. Benjamin, Diaz & Wee (2009) трактують критерій як потенційно шумний процес.
Це питання не має універсально закритої відповіді для всіх задач. Kellen, Klauer і Singmann переаналізували частину аргументів і дійшли висновку, що в їхніх тестах пам’яті запропоновані форми шуму критерію були малими й не покращували традиційну модель достатньо, щоб вважати їх необхідними. Kellen, Klauer & Singmann (2012) тому є важливим контрапунктом. Правильний висновок — не «критерій завжди шумний» і не «критерій завжди стабільний», а необхідність перевіряти конкретну модель на конкретних даних.
Теорія виявлення сигналу у сприйманні та увазі
У сенсорних задачах SDT особливо корисна там, де стимул слабкий, замаскований шумом або з’являється нерегулярно. Вона дозволяє відрізнити ситуацію, коли людина справді гірше розрізняє ціль і фон, від ситуації, коли вона стала обережнішою у відповідях. Це важливо для слуху, зору, дотику, нюху та інших модальностей.
Зв’язок з увагою особливо помітний у тривалих задачах спостереження. Якщо з часом людина рідше повідомляє про цілі, сама частота пропусків ще не показує механізм. Огляд 75 років досліджень пильності Klein і Feltmate (2025) показує, що спад виявлень може відображати зниження чутливості, консервативний зсув критерію або обидва процеси; їхня відносна роль залежить від властивостей задачі.
SDT також допомагає не змішувати вибір інформації та рішення про неї. Вибіркове сприйняття і розподіл уваги можуть змінювати якість доказовості ще до відповіді, тоді як критерій описує правило, за яким уже наявна доказовість переводиться у рішення. У реальній поведінці ці рівні взаємодіють, але аналітично їх корисно розділяти.
Теорія виявлення сигналу у пам’яті
У пам’яті впізнавання «сигналом» може бути факт попереднього вивчення стимулу. Під час тесту нові й раніше бачені слова або зображення породжують різні, але перекривні рівні знайомості чи іншої доказовості. Критерій визначає, наскільки сильним має бути це відчуття, щоб відповісти «бачив раніше».
Саме пам’ять стала одним із найрозвиненіших полів для перевірки SDT. Велике дослідження Kellen та співавторів (2021) сформулювало низку тестованих властивостей моделей SDT — зокрема щодо латентної шкали, монотонності відношення правдоподібності та форми ROC — і отримало результати, які підтримують сильну емпіричну основу SDT-моделювання у впізнаванні. Водночас ця підтримка не означає, що будь-яка найпростіша версія моделі автоматично правильна для будь-якого експерименту.
Медична діагностика та інші рішення з різною ціною помилок
Структура SDT природно переноситься на задачі, де пропуски й хибні тривоги мають різну ціну. У медичній візуалізації спостерігач може вирішувати, чи є на зображенні підозріла ознака. Зсув порога змінює співвідношення чутливості та хибнопозитивних рішень, а ROC дозволяє порівнювати роботу систем або умов. Burgess (2011) оглядає психофізичні й ROC-підходи до оцінювання людських спостерігачів у медичних зображеннях.
У клінічній практиці ці поняття мають власну статистичну термінологію — діагностична чутливість, специфічність, позитивна та негативна прогностична цінність. Їх не слід механічно ототожнювати з психологічним d′. SDT дає спільну логіку порога і двох типів помилок, але конкретні показники, базові частоти хвороби, дизайн дослідження та клінічні наслідки потребують окремого аналізу.
SDT, алгоритми та штучний інтелект
ROC, AUC, частку істинно-позитивних (true positive rate) і хибнопозитивних (false positive rate) спрацювань широко використовують і для оцінювання алгоритмів класифікації. Математично це близька структура: система видає оцінку або ймовірність, а поріг перетворює її на бінарне рішення. Зміна порога створює різні співвідношення правильних і хибних спрацювань.
Однак психологічна SDT описує поведінку спостерігача через модель внутрішньої доказовості та рішення. ROC-крива алгоритму сама по собі нічого не доводить про переживання, свідомість, відчуття чи суб’єктивність штучної системи. Спільний математичний апарат дозволяє порівнювати рішення під невизначеністю, але не стирає різницю між психологічними даними людини та технічною характеристикою класифікатора.
Як SDT пов’язана з абсолютним порогом і психометричною функцією
Абсолютний поріг у сучасній психофізиці зазвичай визначають операційно — як рівень стимулу, що дає певну ймовірність виявлення за конкретною процедурою. Але якщо процедура «так/ні» дозволяє змінювати критерій, одна й та сама сенсорна інформація може давати різні порогові оцінки. SDT показує, чому для оцінки чутливості важливо враховувати відповіді на спроби без сигналу.
Психометрична функція описує, як імовірність певної відповіді змінюється зі стимулом. SDT додає розклад на доказовість і правило рішення. У задачах вимушеного вибору вплив деяких форм response bias зменшується, але сам дизайн має власні припущення. Тому «поріг», «d′» і «відсоток правильних відповідей» — пов’язані, проте не взаємозамінні характеристики.
Для загальної логіки сенсорного вимірювання корисно спершу прочитати статті «Психофізика: що це і як психологія вимірює зв’язок між стимулом та відчуттям» та «Відчуття: що це, як виникають і чим відрізняються від сприймання та почуттів».
Історія: від статистичного рішення до психології сприймання
Ідеї, що стали SDT, виросли на перетині статистичної теорії рішень, інженерних задач виявлення та психофізики середини XX століття. У ранніх радарних і комунікаційних задачах треба було вирішувати, чи містить шум слабкий сигнал. Психологи побачили, що аналогічна структура виникає у сприйманні: сенсорний ефект теж варіює, а відповідь залежить від правила рішення.
Стаття Tanner & Swets (1954) «A decision-making theory of visual detection» стала одним із фундаментальних психофізичних формулювань. Книга Green & Swets (1966) «Signal Detection Theory and Psychophysics» перетворила підхід на систематичний інструментарій для дослідження чутливості та рішень.
Відтоді SDT перестала бути лише теорією слабких сенсорних сигналів. Її застосовують до пам’яті, пильності, впізнавання, метакогнітивних оцінок, медичної візуалізації та інших задач, де рішення треба приймати на основі перекривних розподілів доказовості. Сучасний підручниковий виклад різних процедур і моделей дає Hautus, Macmillan & Creelman (2022).
Що означає зсув відповіді (response bias) і чому це не когнітивне упередження
У літературі SDT словом bias часто називають схильність обирати одну відповідь за певного рівня доказовості — тобто розташування критерію. Українською це краще пояснювати як зсув або схильність відповіді, щоб не змішувати поняття з когнітивними упередженнями у науці про судження і прийняття рішень (judgment and decision science).
Ліберальний критерій не є «помилкою мислення» сам по собі. Він може бути оптимальним, якщо пропуск дуже дорогий. Консервативний критерій також не є ознакою раціональності або обережності взагалі. Це параметр локальної задачі. Оцінювати якість критерію можна лише відносно базових частот, цінності результатів та мети системи.
Обмеження та типові помилки інтерпретації
Перша помилка — називати d′ «чистою сенсорною чутливістю» без уточнення. d′ відображає розрізнювальну інформацію в конкретній поведінковій задачі. На неї можуть впливати не лише рецептори, а й увага, пам’ять, кодування, стратегія обробки та інші процеси, що змінюють розподіли доказовості.
Друга помилка — вважати критерій незмінною особистісною рисою. Він залежить від інструкції, контексту, базових частот і наслідків помилок, а в частині моделей може ще й варіювати від спроби до спроби. Дискусія між Benjamin, Diaz & Wee (2009) та Kellen, Klauer & Singmann (2012) добре показує, що навіть саме поняття шуму критерію потребує емпіричної перевірки.
Третя помилка — застосовувати формулу d′ механічно до будь-яких даних. Рівнодисперсійна нормальна модель є конкретною моделлю. За нерівних дисперсій, складних даних із рейтинговими шкалами впевненості, дуже малих вибірок або крайніх частот відповідей можуть знадобитися інші оцінювачі чи повні моделі. Aujla (2023) і Chen et al. (2024) демонструють, чому питання припущень і оцінювання має практичні наслідки.
Четверта помилка — плутати ROC/AUC із причинним поясненням. ROC описує дискримінаційні властивості системи за зміни порога, але сама крива не встановлює, який нейронний, когнітивний або технічний механізм створив ці властивості. Однакова ROC-поведінка може виникати з різних механізмів.
П’ята помилка — робити висновок про індивідуальний стан людини з одного показника. SDT є методом аналізу експериментальних або діагностичних рішень, а не інструментом самодіагностики. Значення d′ чи c без валідованого завдання, нормативів, достатньої кількості спроб і відповідного контексту не є клінічним діагнозом.
Сучасний науковий статус теорії
SDT залишається базовою й продуктивною рамкою, а не історичною цікавинкою. Її сила — у чіткому розділенні двох питань, які проста точність змішує: яку інформацію реально може розрізнити спостерігач і за яким правилом він перетворює її на відповідь. Робота Kellen et al. (2021) показує, що фундаментальні властивості SDT можна формулювати як емпірично тестовані твердження, а не приймати лише за зручні припущення.
Водночас «теорія виявлення сигналу» сьогодні краще розуміється як сімейство споріднених моделей. Є рівно- й нерівнодисперсійні версії, процедури «так/ні» та вимушеного вибору (forced choice), параметричні й непараметричні індекси, моделі з кількома критеріями, ієрархічні та байєсівські розширення. Вибір моделі визначається дизайном і науковим питанням.
Тому сучасна позиція не зводиться до гасла «d′ завжди відділяє чутливість від схильності відповіді (bias)». Точніше сказати так: у відповідно спроєктованій задачі та за адекватної моделі SDT дає формальний спосіб розділяти дискримінаційну інформацію й правило рішення, а якість цього розділення залежить від того, наскільки модель відповідає даним.
Як читати результати SDT у науковій статті
Побачивши d′ у дослідженні, варто з’ясувати, якою була задача: «так/ні», двоальтернативний вимушений вибір, оцінювання впевненості (rating) або інша процедура. Далі важливо перевірити, як визначали сигнал і шум, скільки було спроб у кожному класі, чи були крайні пропорції 0 або 1, яку корекцію застосували, який саме показник критерію використали та чи обґрунтовані припущення про розподіли.
Якщо автори повідомляють лише d′ без H і F або без опису процедури, частину важливої інформації втрачено. Якщо порівнюють c між умовами, треба перевірити конвенцію знака. Якщо будують ROC, корисно знати, чи отримана вона зміною критерію, confidence ratings або іншим способом. Для складних моделей одного знайомого символу d′ недостатньо, щоб зрозуміти, що саме було оцінено.
Практичне значення
Для дизайну інтерфейсів, сигналізацій і систем спостереження SDT змушує формулювати питання конкретно: що дорожче — пропустити подію чи підняти зайву тривогу? Наскільки часто сигнал реально виникає? Чи можна зробити сам сигнал більш розрізнюваним, а не лише змінити інструкцію операторові? Які наслідки матиме зсув порога?
Для психологічного експерименту теорія допомагає уникнути хибного висновку «учасники стали чутливішими», коли вони лише частіше відповідають «так». Для дослідження часу реакції вона додає ще один вимір: швидкість відповіді сама по собі не показує, чи змінилася якість доказовості або критерій. У багатьох задачах повний опис поведінки потребує одночасного аналізу точності, помилок, часу й моделі рішення.
Часті запитання
Що таке d′ простими словами?
d′ — це показник того, наскільки добре в конкретній задачі відокремлюються випадки з сигналом від випадків без сигналу з урахуванням і влучань, і хибних тривог. Він більший, коли розрізнення краще, але його числове значення має сенс лише в межах відповідної моделі та процедури.
Чим d′ відрізняється від відсотка правильних відповідей?
Відсоток правильних відповідей залежить від частоти сигналів і від того, яку відповідь людина схильна обирати. d′ у стандартній SDT намагається оцінити розрізнювальну здатність окремо від критерію. Саме тому двоє людей з однаковою загальною точністю можуть мати різну структуру H і F, а отже різні d′ і c.
Що означає консервативний критерій?
Консервативний критерій означає, що для відповіді «сигнал є» потрібна сильніша доказовість. Це зазвичай зменшує і влучання, і хибні тривоги. У конвенції c = −½[z(H)+z(F)] консервативний критерій відповідає додатному c.
Що означає ліберальний критерій?
Ліберальний критерій означає, що людина відповідає «сигнал є» за меншої доказовості. Це зазвичай збільшує і влучання, і хибні тривоги. У стандартній конвенції c стає від’ємним. Такий критерій може бути раціональним, якщо ціна пропуску значно вища за ціну хибної тривоги.
Чому не можна просто використовувати 100% влучань як доказ ідеальної чутливості?
По-перше, треба знати частку хибних тривог. По-друге, за скінченної кількості спроб 100% може бути випадковим крайнім результатом. По-третє, стандартне z-перетворення для H = 1 дає нескінченне значення й потребує корекції або іншого оцінювання. Hautus (1995) та Chen et al. (2024) показують, чому крайні пропорції вимагають статистичної обережності.
Чи є SDT лише теорією сприймання?
Ні. Вона виникла як особливо важлива рамка для сенсорного виявлення, але її застосовують усюди, де треба розрізняти два типи подій на основі невизначеної доказовості: у пам’яті впізнавання, пильності, деяких задачах судження, медичній візуалізації та оцінюванні класифікаторів. Психологічна інтерпретація параметрів при цьому залежить від конкретного домену.
Чи показує d′ роботу мозку напряму?
Ні. d′ — поведінковий модельний показник. Його можна співвідносити з нейронними даними, але він не є прямою одиницею нейронної активності. Зміна d′ свідчить про зміну розрізнювальної інформації у виконанні задачі, а механізм цієї зміни треба встановлювати додатковими експериментами.