不同模型家族解決不同層次的問題：強化學習描述回饋中的價值更新；貝葉斯與預測編碼描述信念推論；主動推論把推論和行動連接；漂移擴散模型分析證據累積與反應時間；神經迴路模型則嘗試連結計算過程與生物實作。選擇模型應由問題與資料決定，而不是由熱門程度決定。
flowchart TD A[研究問題] --> B{主要待解釋的歷程} B --> C[獎賞與策略學習] B --> D[信念與感知推論] B --> E[行動與資訊搜尋] B --> F[選擇與反應時間] C --> G[強化學習] D --> H[貝葉斯推論／預測編碼] E --> I[主動推論／POMDP] F --> J[漂移擴散模型] G --> K[參數恢復、模型比較、外部驗證] H --> K I --> K J --> K
思與行
- 將每個模型的必要假設與可區辨預測寫在同一頁。
- 避免把不同模型輸出的相似名稱參數視為同一心理變項。