🔍 Aandachtsmeting & RAS-signalen

Hoe aandacht zichtbaar wordt als meetbaar signaal

Aandacht is geen abstract concept in dit model.
Het is meetbaar, modelleerbaar en koppelbaar aan bias als richtinggevend veld.

Waar bias de richting is,
is a(t) het spoor dat aandacht achterlaat in het systeem.

Deze pagina beschrijft hoe aandacht kan worden gemeten, welke signalen bruikbaar zijn, en hoe dit aansluit op het Bias–Delta Model.

1. Wat is "a(t)" eigenlijk?

In alle technische modellen wordt a(t) gebruikt als:

een genormaliseerd aandachtssignaal in tijd,
dat varieert tussen -1 en +1.

Het maakt niet uit hoe aandacht wordt opgewekt of gemeten.
Belangrijk is:

• dat het tijdreeksdata is
• dat het lang genoeg gemeten wordt
• dat het consistent is met de taakcondities

2. Het RAS — de poortwachter van waarneming

Het Reticulair Activatie Systeem (RAS) is:

• jouw interne prioriteit-systeem
• het mechaniek dat bepaalt wat "in beeld" komt
• een filter dat selecteert wat belangrijk is
• de bron van veel micro-bewegingen van focus

Het RAS:

– versterkt sommige prikkels
– dempt achtergrondruis
– beïnvloedt welke informatie bewust wordt
– staat nauw in verband met Delta-momenten

In het Bias–Delta Framework is het RAS dus niet alleen biologisch,
maar ook het operationele deel van de Bias-vector.

3. Drie manieren om aandacht te meten (praktisch & wetenschappelijk)

Je hebt drie niveaus:

3.1 Gedragsmatig signaal (praktisch, overal inzetbaar)

Voor de meeste labs en experimenten is dit de standaard.

Metingen:

• reactietijd (RT)
• foutpercentage
• interval-timing
• taakprestatie (bijv. n-back of Stroop)
• samples per seconde in cognitieve taakjes

Voordelen:

✔ goedkoop
✔ makkelijk te loggen
✔ reproduceerbaar
✔ direct te koppelen aan experiment-data

a(t) berekening:

a(t)=genormaliseerde afgeleide van taakprestatiea(t) = \text{genormaliseerde afgeleide van taakprestatie}a(t)=genormaliseerde afgeleide van taakprestatie

Bijvoorbeeld:

– hoge concentratie → hoge a(t)
– mentale afdwalingen → dips
– herstel → stijgende a(t)

3.2 Neurofysiologisch signaal (EEG, fNIRS, pupillen)

Voor interdisciplinaire labs:

• EEG gamma-band power
• theta/beta ratio
• prefrontale activiteit (executive load)
• pupil-diameter (sterk gecorreleerd met aandacht)
• fNIRS frontaal signaal

Voordelen:

✔ hogere resolutie
✔ directe biologische markers
✔ bruikbaar voor fine-grained ΔV-analyse (interferentie)

Nadelen:

• duurder
• gevoelig voor artefacten

3.3 Afgeleide aandachtsschatting (bij AI / simulaties)

Voor simulaties of machine-learning:

• softmax-aandachtsvectoren
• saliency maps
• encoder-decoder weight activaties
• reinforcement learning value shifts

Hier wordt a(t) berekend uit:

a(t)=w⊤f(t)a(t) = w^\top f(t)a(t)=w⊤f(t)

waar:

• f(t) = featurevector
• w = gewicht
• output = aandacht als richting

Dit wordt vaak gebruikt om het model zelf te laten schatten waar verwachting botst met werkelijkheid.

4. Hoe aandacht het Bias-Delta Model voedt

Aandacht werkt als inputrichting:

1. Bias kiest een beginnende richting.

2. Aandacht versterkt of verzwakt die richting.

3. Delta meet waar verwachting faalt.

4. Ego/curvature reconstrueren de ervaring.

5. Het veld stabiliseert → nieuw verwachtingsmodel.

Aandacht is dus de brandstof die het systeem kiest.
Bias is de vector die aangeeft waar.

Wiskundig gebeurt het hier:

P(x∣a)=P0(x) exp⁡(ε s(x) a)P(x|a) = P_0(x)\,\exp(\varepsilon\,s(x)\,a)P(x∣a)=P0​(x)exp(εs(x)a)

a(t) is daarin letterlijk de "richtingsversterking".

5. Hoe bouw je een goed aandachtssignaal?

Een goed a(t):

• varieert regelmatig (geen vlakke lijn)
• is niet random
• heeft een psychologische of neurologische basis
• is vooraf gedefinieerd in een protocol
• is schaalbaar tussen -1 en +1
• is gekoppeld aan timestamps van het experiment

Voorbeeld (bij reactietijd-taken):

a(t)=RTbaseline−RTtRTbaselinea(t) = \frac{RT_{\text{baseline}} - RT_{t}}{RT_{\text{baseline}}}a(t)=RTbaseline​RTbaseline​−RTt​​

→ snelle reactie = hoge aandacht
→ trage reactie = lage aandacht

6. Artefact-controle (essentieel)

Aandachtssignalen kunnen vervuild raken door:

• vermoeidheid
• motivatie
• lichaamshouding
• temperatuur
• sensorruis
• softwarelatency

Controleer daarom:

✔ time-shift analyse (lag/lead)
✔ permutatietests
✔ sham-condities
✔ baseline-wakefulness
✔ drift-correcties
✔ sensor-calibratie

7. Waarom dit allemaal samenwerkt

Omdat:

Bias = richting
Aandacht = energie in die richting
Delta = correctie
Ego = betekenis
Curvature = vorm
Ervaring = resultaat

Zonder aandacht blijft bias potentie.

Met aandacht wordt bias een meetbare factor.

📚 Voor wie verder wil

👉 Vervolg met: "Statistiek & Analyse"
Voor dataverwerking, foutmarges, hypothesetests en interpretatie van resultaten.

Voor een compleet, professioneel onderzoeksdossier gebruik je de PDF.