Abstract When choosing between different options, we tend to consider specific attribute qualities rather than deliberating over some general sense of the options’ overall values. The importance of each attribute together with its quality will determine our preference rankings over the available alternatives. Here, we test the hypothesis that the most prominent class of model for simple decisions – sequential sampling or evidence accumulation to bound – can be bolstered by explicitly incorporating variables related to individual attributes in addition to the standard usage of overall value estimates. We examine six datasets in which participants evaluated snack foods both in terms of overall value and individual attributes, then chose between pairs of the same snacks, and show that only models that explicitly incorporate information about the individual attributes are able to reproduce fundamental patterns in the choice data, such as the influence of attribute disparity on decisions, and such models provide quantitatively better fits to the choice outcomes, response times, and confidence ratings compared to models based on overall value alone. Our results provide important evidence that incorporating attribute-level information into computational models helps us to better understand the cognitive processes involved in value-based decision- making.

Abstract Most contemporary models of value-based decisions are built on value estimates that are typically self-reported by the decision maker. Such models have been successful in accounting for choice accuracy and response time, and more recently choice confidence. The fundamental driver of such models is choice difficulty, which is almost always defined as the absolute value difference between the subjective value ratings of the options in a choice set. Yet a decision maker is not necessarily able to provide a value estimate with the same degree of certainty for each option that he encounters. We propose that choice difficulty is determined not only by absolute value distance of choice options, but also by their value certainty. In this study, we first demonstrate the reliability of the concept of an option-specific value certainty using three different experimental measures. We then demonstrate the influence that value certainty has on choice, including accuracy (consistency), choice confidence, response time, and choice-induced preference change (i.e., the degree to which value estimates change from pre- to post-choice evaluation). We conclude with a suggestion of how popular contemporary models of choice (e.g., race model, drift-diffusion model) could be improved by including option-specific value certainty as one of their inputs.

Abstract Difficult decisions typically involve mental effort, which scales with the deployment of cognitive (e.g., mnesic, attentional) resources engaged in processing decision-relevant information. But how does the brain regulate mental effort? A possibility is that the brain optimizes a resource allocation problem, whereby the amount of invested resources balances its expected cost (i.e. effort) and benefit. Our working assumption is that subjective decision confidence serves as the benefit term of the resource allocation problem, hence the “metacognitive” nature of decision control. Here, we present a computational model for the online metacognitive control of decisions or oMCD. Formally, oMCD is a Markov Decision Process that optimally solves the ensuing resource allocation problem under agnostic assumptions about the inner workings of the underlying decision system. We demonstrate how this makes oMCD a quasi-optimal control policy for a broad class of decision processes, including -but not limited to- progressive attribute integration . We disclose oMCD’s main properties (in terms of choice, confidence and response time), and show that they reproduce most established empirical results in the field of value-based decision making. Finally, we discuss the possible connections between oMCD and most prominent neurocognitive theories about decision control and mental effort regulation.

Abstract The drift-diffusion model (DDM) is widely used and broadly accepted for its ability to account for binary choices (in both the perceptual and preferential domains) and response times (RT), as a function of the stimulus or the choice alternative (or option) values. The DDM is built on an evidence accumulation-to-bound concept, where, in the value domain, a decision maker repeatedly samples the mental representations of the values of the available options until satisfied that there is enough evidence (or support) in favor of one option over the other. As the signals that drive the evidence are derived from value estimates that are not known with certainty, repeated sequential samples are necessary to average out noise. The classic DDM does not allow for different options to have different levels of precision in their value representations. However, recent studies have shown that decision makers often report levels of certainty regarding value estimates that vary across choice options. There is therefore a need to extend the DDM to include an option-specific value certainty component. We present several such DDM extensions and validate them against empirical data from four previous studies. The data support best a DDM version in which the drift of the accumulation is based on a sort of signal-to-noise ratio of value for each option (rather than a mere accumulation of samples from the corresponding value distributions). This DDM variant accounts for the impact of value certainty on both choice consistency and response time present in the empirical data.

Abstract Assessing our confidence in the choices we make is of paramount importance to making adaptive decisions, and it is thus no surprise that we excel in this ability. However, standard models of decision-making, such as the drift-diffusion model (DDM), treat confidence assessment as a post-hoc or parallel process that does not directly influence the choice, which depends only on accumulated evidence. Here, we pursue the alternative hypothesis that what is monitored during a decision is an evolving sense of confidence (that the to-be-selected option is the best) rather than raw evidence. Monitoring confidence has the appealing consequence that the decision threshold corresponds to a desired level of confidence for the choice, and that confidence improvements can be traded off against the resources required to secure them. We show that most previous findings on perceptual and value-based decisions traditionally interpreted from an evidence-accumulation perspective can be explained more parsimoniously from our novel confidence-driven perspective. Furthermore, we show that our novel confidence-driven DDM (cDDM) naturally generalizes to decisions involving any number of alternative options – which is notoriously extemporaneous using traditional DDM or related models. Finally, we discuss future empirical evidence that could be useful in adjudicating between these alternatives.

ABSTRACT For more than 60 years, it has been known that people report higher (lower) subjective values for items after having selected (rejected) them during a choice task. This phenomenon is coined “choice-induced preference change” or CIPC, and its established interpretation is that of “cognitive dissonance” theory. In brief, if people feel uneasy about their choice, they later convince themselves, albeit not always consciously, that the chosen (rejected) item was actually better (worse) than they had originally estimated. While this might make sense from a pragmatic psychological standpoint, it is challenging from a theoretical evolutionary perspective. This is because such a cognitive mechanism might yield irrational biases, whose adaptive fitness would be unclear. In this work, we assume that CIPC is mostly driven by the refinement of option value representations that occurs during (and not after ) difficult choices. This makes CIPC the epiphenomenal outcome of a cognitive process that is instrumental to the decision. Critically, our hypothesis implies novel predictions about how observed CIPC should relate to two specific meta-cognitive processes, namely: choice confidence and subjective certainty regarding pre-choice value judgments. We test these predictions in a behavioral experiment where participants rate the subjective value of food items both before and after choosing between equally valued items; we augment this traditional design with reports of choice confidence and subjective certainty about value judgments. The results confirm our predictions and provide evidence against the standard post-choice cognitive dissonance reduction explanation. We then discuss the relevance of our work in the context of the existing debate regarding the putative cognitive mechanisms underlying cognitive dissonance reduction.

Abstract Sequential sampling models of choice, such as the drift-diffusion model (DDM), are frequently fit to empirical data to account for a variety of effects related to choice accuracy/consistency and response time (RT). Sometimes, these models include extensions that can also account for choice confidence. However, no model in this class is able to account for the phenomenon of choice-induced preference change . Studies have reported choice-induced preference change for many decades, and the principle findings are robust: decision-makers tend to rate options higher after they choose them and lower after they reject them. This spreading of alternatives (SoA) in terms of their rated values is fundamentally incompatible with traditional sequential sampling models, which consider the rated values of the options to be stationary throughout choice deliberation. Here, we propose a simple modification of the basic DDM that allows the drift rate to vary across deliberation time depending on which attributes are attended to at which points in time. Critically, the model assumes that initial ratings are based only on the more salient attributes of the individual options, and that more attributes will be considered when decision-makers must choose between options with different salient attributes. We show that this model can account for SoA (in addition to choice consistency and RT), as well as all previously reported relationships between SoA and choice difficulty, attribute disparity, and RT.

Why do we sometimes opt for actions or items that we do not value the most? Under current neurocomputational theories, such preference reversals are typically interpreted in terms of errors that arise from the unreliable signaling of value to brain decision systems. But, an alternative explanation is that people may change their mind because they are reassessing the value of alternative options while pondering the decision. So, why do we carefully ponder some decisions, but not others? In this work, we derive a computational model of the metacognitive control of decisions or MCD. In brief, we assume that the amount of cognitive resources that is deployed during a decision is controlled by an effort-confidence tradeoff. Importantly, the anticipated benefit of allocating resources varies in a decision-by-decision manner according to decision difficulty and importance. The ensuing MCD model predicts choices, decision time, subjective feeling of effort, choice confidence, and choice-induced preference change. As we will see, these predictions are critically different from accumulation-to-bound models of value-based decisions. We compare and test these predictions in a systematic manner, using a dedicated behavioral paradigm. Our results provides a mechanistic link between mental effort, choice confidence, and preference reversals, which suggests alternative interpretations of existing related neuroimaging findings.