🎲 Experimenten & Onderzoek

Testbare modellen, praktische opzet & analyse

Deze pagina geeft een overzicht van de twee experimentele richtingen waarin het Bias–Delta Model kan worden getest:

RNG-experimenten en interferentie-experimenten (double-slit).

Het doel is niet om spectaculaire effecten te zoeken, maar om systematische correlaties te meten tussen aandacht a(t) en een kleine, richtinggevende bias in kansverdelingen.

De volledige protocollen, parameters en afleidingen staan in het PDF-pakket onderaan deze pagina.

1. Onderzoeksvraag

De centrale vraag:

"Heeft aandacht een kleine, maar meetbare invloed op kansverdelingen
zonder de basisregels van statistiek en fysica te schenden?"

Het Bias–Delta-model voorspelt dat deze invloed optreedt niet als kracht, maar als richting:
een lichte herweging van bestaande kansen, synchroon met a(t).

Deze richting is klein (ε ≤ 10⁻²), maar cumulatief detecteerbaar in lange reeksen.

2. Twee experimentele pilaren

Bias–Delta kan worden getest via twee routes:

2.1 RNG-experimenten (Random Number Generators)

Doel:
Testen of aandacht een systematische correlatie veroorzaakt in een binaire kansverdeling.

Uitkomst:
Y ∈ {0, 1}, zoals coin-flip, bit-stream of hardware-RNG.

Model (logistische regressie):

Pr(Yt=1∣at)=σ(α+βat)Pr(Y_t = 1|a_t) = \sigma(\alpha + \beta a_t)Pr(Yt​=1∣at​)=σ(α+βat​)

Hypothesen:
• H₀: β = 0
• H₁: β ≠ 0

Interpretatie:
Een niet-nul β wijst op een subtiele richting in de kansverdeling — precies zoals het Bias-Delta model voorspelt.

Procedure

1. Randomiseer aandachtstaken (hoog/laag focus).

2. Verzamel lange reeksen Yₜ (10⁵ – 10⁶ samples).

3. Meet of a(t) fluctueert via taakprestatie / EEG / frequentie-analyse.

4. Pas logistische regressie toe.

5. Controleer:
   • drift
   • autocorrelatie
   • permutatietests
   • tijdverschuivingen (lag/lead)

Waarom dit werkt

RNG's zijn:

– ruisarm
– extreem gevoelig
– ideaal voor detectie van micro-bias
– statistisch schoon

2.2 Interferentie-experimenten (double-slit, lasers, fotonen)

Doel:
Testen of aandacht een kleine modulatie ΔV (zichtbaarheid) veroorzaakt in een interferentiepatroon.

Model:

I(x∣a)∝I0(x) eεs(x)aI(x|a) \propto I_0(x)\,e^{\varepsilon s(x) a}I(x∣a)∝I0​(x)eεs(x)a

waarbij:

• I₀(x) = baseline interferentie
• s(x) = structuurfunctie (bijv. cos(2πx/Λ))
• a(t) = aandachtssignaal
• ε = kleine koppelsterkte

Meetdoelen

– verandering in fringe-contrast ΔV
– verschuiving in intensiteitsverhoudingen
– correlatie met a(t)

Procedure

1. Gebruik laser + dubbele spleet + camera/CCD.

2. Registreer interferentie per epoch (tijdsblokken).

3. Laat deelnemers aandacht variëren via taakfocus.

4. Extracteer V (visibility) per epoch:

   V=Imax−IminImax+IminV = \frac{I_{max} - I_{min}}{I_{max} + I_{min}}V=Imax​+Imin​Imax​−Imin​​

5. Bereken correlatie corr(a(t), ΔV).

6. Controle-analyses:
   – sham-epochs
   – random aandacht
   – baseline vergelijking
   – permutatietest
   – beweging/artefactcontrole

Waarom dit werkt

Interferentiepatronen zijn extreem gevoelig voor faseverschillen,
dus ideaal om kleine bias-signalen zichtbaar te maken.

3. Voorkeursanalyse (statistiek)

Beide experimenten gebruiken dezelfde uitgangspunten:

3.1 Frequentistische route

• Logistische regressie (RNG)
• Lineaire regressie (interferentie)
• Permutatietests
• Drift- en autocorrelatie-controle
• H0-randomisatiecontroles
• Pre-registratie van alle parameters

3.2 Bayesiaanse route

Gebruik een kleine geïnformeerde prior:

ε∼N(0,10−4)\varepsilon \sim \mathcal{N}(0,10^{-4})ε∼N(0,10−4)

Voordelen:

• robuust tegen overfitting
• levert directe waarschijnlijkheden
• geschikt voor cumulatieve analyse

4. Effectgrootte & detectie

Het model voorspelt micro-effecten:

• ε ≤ 10⁻²
• β typisch ~10⁻³ – 10⁻⁴
• ΔV in orde van 10⁻³

Het gaat niet om grote verschuivingen maar om:

"Consistente correlaties die boven ruis uitstijgen."

Daarom zijn lange meetreeksen belangrijk.

5. Pre-registratie

Pre-registratie is essentieel, omdat:

• effecten klein zijn
• het model gevoelig is voor data-dredging
• reviewers streng zijn in dit domein

Een template staat volledig uitgeschreven in de PDF.

6. Praktische tips voor labs

• Gebruik meerdere RNG-bronnen (hardware + software).
• Werk met dubbelblind aandachtstaken.
• Neem pauzes om mentale drift te verminderen.
• Gebruik stabiele camera's (interferentie).
• Bereken artefact-ratios (verzadiging, sensorruis).
• Werk met timestamps (sync a(t) ↔ data).
• Log alles (temperatuur, lichtcondities, CPU-load).

7. Mogelijke uitbreidingen

Deze experimenten zijn uitbreidbaar naar:

• delayed choice varianten
• optische caviteiten
• single-photon bronnen
• multi-outcome RNG's
• agent-based simulaties
• AI-gestuurde correlatieanalyse

Dit staat in de PDF beschreven onder "Varianten & Exploraties".

📚 Voor wie verder wil

👉 Vervolg met: "Aandacht & RAS-signalen"
Hier zie je hoe RAS, selectie en bias-activatie worden gemeten en geïnterpreteerd.

Voor een compleet, professioneel onderzoeksdossier gebruik je de PDF.