Laat jij je wel eens op het verkeerde been zetten?
DEZE ZIN PROBEERT JE IETS TE LATEN DOEN. Een phishingbericht doet hetzelfde. Het trekt je aandacht en probeert je zo snel mogelijk te laten handelen. Tegelijkertijd zijn er indicaties die je waarschuwen om beter niet verder te klikken. Precies wanneer zulke signalen botsen, wordt het duidelijk hoe complex het is om een automatische respons te onderdrukken. En daar zit meteen de valstrik. Want hoe breng je in kaart hoe goed iemand een eerste impuls kan bijsturen? In mijn masterthesis toonde ik aan dat dit pas echt zichtbaar wordt wanneer we verder kijken dan naar de sterkte van de afleider alleen. Daarom ontwikkelde ik een nieuwe methode die niet op één signaal vertrouwt, maar het bredere beslissingsproces mee in rekening brengt.
Wanneer signalen elkaar tegenspreken
Je ontvangt een bericht van je bank om je gegevens te bevestigen. De melding klinkt urgent, het logo klopt en je hebt eigenlijk al de neiging om op de link te klikken. Maar dan merk je dat het e-mailadres vreemd oogt en herinner je je het verhaal van bij de kapper over online oplichting. Plots wijzen niet alle signalen meer in dezelfde richting. Wanneer signalen verschillende kanten op wijzen, ontstaat cognitief conflict.
Om toch doelgericht te blijven handelen, moet je brein de automatisch geactiveerde maar irrelevante responstendens kunnen onderdrukken en de reactie selecteren die bij je doel past. Dat vermogen, ook wel gekend als responscontrole, staat centraal in mijn onderzoek.
Wat gebeurt er vóór je klikt?
Om te begrijpen wat er tussen zo’n eerste impuls en de uiteindelijke beslissing gebeurt, gebruikte ik een wiskundig computermodel dat beslissingen tijdens cognitief conflict nabootst. Het model laat bovendien toe om de verschillende componenten onderliggend aan het beslissingsproces onder de loep te nemen: hoeveel informatie verzamelt iemand voordat hij een beslissing neemt? Hoe efficiënt wordt relevante informatie verwerkt? Hoe sterk activeert afleidende informatie een automatische responstendens en op welk moment is die invloed het meest uitgesproken?
Net daar zat voor mij een belangrijk probleem. In eerder onderzoek werd responscontrole vaak vooral gekoppeld aan de sterkte van de afleiding. In dit geval dus het phishingbericht. Hoe intenser iemand richting een verkeerde respons wordt getrokken, hoe minder controle die persoon zou hebben. Maar wat met de ruimere beslissingscontext?
Om dat te testen liet ik het computermodel duizenden beslissingen simuleren. Daarbij varieerde ik systematisch niet alleen de sterkte van de afleiding, maar ook hoe efficiënt iemand relevante informatie kan oppikken en hoeveel informatie die persoon verzamelt vooraleer een beslissing te nemen. Zo kon ik in kaart brengen wat elk onderdeel van het beslissingsproces afzonderlijk doet én vooral, hoe hun interactie bepaalt hoeveel impact afleiding uiteindelijk krijgt op gedrag.
Even sterk gelokt, toch anders beslist
De resultaten van mijn thesisonderzoek laten zien dat die bredere beslissingscontext wel degelijk verschil maakt. Beeld je in dat dezelfde frauduleuze boodschap bij twee mensen een even sterke automatische neiging oproept om te klikken. Op basis van voorgaand onderzoek zouden we kunnen concluderen dat beide personen een vergelijkbaar vermogen hebben om hun responsen te controleren. Mijn simulaties laten echter zien dat die redenering een klik te snel is.
De sterkte van de eerste impuls vertelt dus maar een deel van het verhaal.
Zelfs bij een even sterke automatische responstendens kan cognitief conflict zich verschillend uitwerken, afhankelijk van de andere componenten van het beslissingsproces. Iemand die relevante signalen, zoals een vreemd e-mailadres, gemakkelijker kan onderscheiden van signalen die het bericht betrouwbaar doen lijken, kan meer tegengewicht bieden aan die afleiding. Ook hoeveel signalen iemand eerst tegen elkaar afweegt vooraleer op de link te klikken, speelt mee. De sterkte van de eerste impuls vertelt dus maar een deel van het verhaal.
Naar een nieuwe graadmeter
De volgende vraag was dan: hoe kunnen we de brug slaan naar een bruikbare maat die echt iets zegt over iemands mate van responscontrole? Een goede graadmeter moest voor mij drie dingen kunnen doen. Ten eerste moest ze meenemen wat mijn resultaten net hadden blootgelegd: hoeveel responscontrole iemand heeft, wordt niet door één afzonderlijk aspect bepaald, maar door de bredere context waarin een beslissing tot stand komt. Ten tweede moest de maat de sprong van theorie naar gedrag kunnen maken. Een nieuw meetinstrument kan er op papier nog zo goed uitzien, als er geen betekenisvolle link is met gedrag, gaat het voorbij aan het doel van de psychologie. En ten slotte moest de maat ook scherp genoeg zijn om (groepen van) individuen met net meer of minder responscontrole van elkaar te onderscheiden.
Dat ontwikkelingsproces resulteerde in Triple R. Een nieuwe graadmeter die verder kijkt dan de sterkte van de automatische responstendens en die bredere blik vertaalt naar een score die betekenisvol samenhangt met gedrag. Een hogere Triple R-score wijst er immers op dat afleidende informatie meer kans krijgt om gedrag te beïnvloeden en dus op minder responscontrole tijdens cognitief conflict. Bovendien tonen de resultaten van mijn thesis aan dat de maat in staat is om individuele verschillen in kaart te brengen.
Waarom nuance het verschil maakt
Net dat vermogen om verschillen in responscontrole zichtbaar te maken biedt perspectief, óók buiten het fundamentele onderzoek. Moeilijkheden met responscontrole spelen immers een rol bij verschillende psychische beelden, waaronder obsessief-compulsieve stoornissen en depressie. Triple R als nieuw meetinstrument maakt niet alleen zichtbaar hoe mensen van elkaar verschillen in responscontrole, maar biedt ook aanknopingspunten om te begrijpen waar die verschillen vandaan komen. Precies op dat potentieel wil ik in verder onderzoek voortbouwen, om een soort vingerafdruk van responscontrole te kunnen weergeven. Zo’n vingerafdruk kan dan niet alleen aantonen in welke aspecten van het beslissingsproces het verschil zit, maar ook waar de ruimte ligt om gerichte tools ter verbetering aan te bieden.
De belangrijkste boodschap uit mijn thesisonderzoek? Wie wil weten hoeveel responscontrole iemand daadwerkelijk heeft, laat zich beter niet misleiden door één (aanlokkelijk) signaal. Verschillende elementen onder de loep nemen, een verdacht e-mailadres opmerken of voorkennis hebben over online fraude, kan mee bepalen hoeveel ruimte die eerste impuls krijgt. Soms zit het verschil net in wat er vóór die klik gebeurt.
Bibliografie
Bialystok, E., Craik, F. I. M., Klein, R., & Viswanathan, M. (2004). Bilingualism, aging, and cognitive control: Evidence from the Simon task. Psychology and Aging, 19(2), 290–303. https://doi.org/10.1037/0882-7974.19.2.290
De Jong, R., Liang, C.-C., & Lauber, E. (1994). Conditional and unconditional automaticity: A dual-process model of effects of spatial stimulus-response correspondence. Journal of Experimental Psychology: Human Perception and Performance, 20(4), 731–750. https://doi.org/10.1037/0096-1523.20.4.731
Draheim, C., Tsukahara, J. S., Martin, J. D., Mashburn, C. A., & Engle, R. W. (2021). A toolbox approach to improving the measurement of attention control. Journal of Experimental Psychology: General, 150(2), 242–275. https://doi.org/10.1037/xge0000783
Ellinghaus, R., Liepelt, R., Mackenzie, I. G., & Mittelstädt, V. (2024). Conflict processing is unaffected by stimulus duration across multiple visual tasks: Evidence for transient over permanent activation models. Computational Brain & Behavior, 7(3), 378–398. https://doi.org/10.1007/s42113-024-00211-x
Eriksen, B. A., & Eriksen, C. W. (1974). Effects of noise letters upon the identification of a target letter in a nonsearch task. Perception & Psychophysics, 16(1), 143–149. https://doi.org/10.3758/BF03203267
Farell, S., & Lewandowsky, S. (Eds). (2015). An introduction to cognitive modeling. In B. U. Forstmannn, & E.-J. Wagenmakers (Eds.), An introduction to model-based cognitive neuroscience (pp. 3-24). Springer. https://doi.org/10.1007/978-1-4939-2236-9
Fröber, K., & Lerche, V. (2023). Performance-contingent reward increases the use of congruent distracting information. Attention, Perception, & Psychophysics, 85(3), 905–929. https://doi.org/10.3758/s13414-023-02682-9
Gerlach, C., & Poirel, N. (2026). Do congruency effects in Navon’s and Stroop’s paradigms reflect the same (control) mechanisms? A conceptual analysis and an empirical test. Psychological Review. https://doi.org/10.1037/rev0000617
Gohier, B., Ferracci, L., Surguladze, S. A., Lawrence, E., El Hage, W., Kefi, M. Z., Allain, P., Garre, J.-B., & Le Gall, D. (2009). Cognitive inhibition and working memory in unipolar depression. Journal of Affective Disorders, 116(1), 100–105. https://doi.org/10.1016/j.jad.2008.10.028
Haller, S. P., Stoddard, J., Pagliaccio, D., Bui, H., MacGillivray, C., Jones, M., & Brotman, M. A. (2021). Computational modeling of attentional impairments in disruptive mood dysregulation and attention-deficit/hyperactivity disorder. Journal of the American Academy of Child & Adolescent Psychiatry, 60(5), 637–645. https://doi.org/10.1016/j.jaac.2020.08.468
Hallett, P. E. (1978). Primary and secondary saccades to goals defined by instructions. Vision Research, 18(10), 1279–1296. https://doi.org/10.1016/0042-6989(78)90218-3
Hedge, C., Powell, G., Bompas, A., & Sumner, P. (2022). Strategy and processing speed eclipse individual differences in control ability in conflict tasks. Journal of Experimental Psychology: Learning, Memory, and Cognition, 48(10), 1448-1469. https://doi.org/10.1037/xlm0001028
Hofmann, M. A. (2016). Null hypothesis significance testing in simulation. 2016 Winter Simulation Conference (WSC), 522–533. https://doi.org/10.1109/WSC.2016.7822118
Hübner, R., Steinhauser, M., & Lehle, C. (2010). A dual-stage two-phase model of selective attention. Psychological Review, 117(3), 759–784. https://doi.org/10.1037/a0019471
Janczyk, M., Mackenzie, I. G., Ulrich, R., & Koob, V. (2025). Ten years diffusion model for conflict (DMC) tasks: Theoretical foundations, applications, practical recommendations, and open challenges. PsyArXiv. https://doi.org/10.31234/osf.io/rgepd_v1
Kelber, P., Mittelstädt, V., & Ulrich, R. (2025). Interplay of aging and practice in conflict processing: A big-data diffusion-model analysis. Psychology and Aging, 40(1), 66–85. https://doi.org/10.1037/pag0000848
Khng, K. H., & Lee, K. (2014). The relationship between Stroop and stop-signal measures of inhibition in adolescents: Influences from variations in context and measure estimation. PLOS ONE, 9(7), e101356. https://doi.org/10.1371/journal.pone.0101356
Koob, V., Mackenzie, I., Ulrich, R., Leuthold, H., & Janczyk, M. (2023). The role of task-relevant and task-irrelevant information in congruency sequence effects: Applying the diffusion model for conflict tasks. Cognitive Psychology, 140, 101528. https://doi.org/10.1016/j.cogpsych.2022.101528
Kornblum, S. (1992). Dimensional overlap and dimensional relevance in stimulus–response and stimulus–stimulus compatibility. In G. E. Stelmach & J. Requin (Eds.), Tutorials in motor behavior II (pp. 743-777). Elsevier Science Publishers.
Kornblum, S., Hasbroucq, T., & Osman, A. (1990). Dimensional overlap: Cognitive basis for stimulus-response compatibility—A model and taxonomy. Psychological Review, 97(2), 253–270. https://doi.org/10.1037/0033-295X.97.2.253
Liotti, M., Woldorff, M. G., Perez, R., & Mayberg, H. S. (2000). An ERP study of the temporal course of the Stroop color-word interference effect. Neuropsychologia, 38(5), 701–711. https://doi.org/10.1016/S0028-3932(99)00106-2
Logan, G. D. (1985). On the ability to inhibit simple thoughts and actions: II. Stop-signal studies of repetition priming. Journal of Experimental Psychology: Learning, Memory, and Cognition, 11(4), 675–691. https://doi.org/10.1037/0278-7393.11.1-4.675
Logan, G. D., Van Zandt, T., Verbruggen, F., & Wagenmakers, E.-J. (2014). On the ability to inhibit thought and action: General and special theories of an act of control. Psychological Review, 121(1), 66–95. https://doi.org/10.1037/a0035230
Luna, B., Padmanabhan, A., & O’Hearn, K. (2010). What has fMRI told us about the development of cognitive control through adolescence? Brain and Cognition, 72(1), 101–113. https://doi.org/10.1016/j.bandc.2009.08.005
Luo, C., & Proctor, R. W. (2022). A diffusion model for the congruency sequence effect. Psychonomic Bulletin & Review, 29(6), 2034–2051. https://doi.org/10.3758/s13423-022-02119-8
Luo, J., Hao, C., Ma, N., & Wang, L. (2024). Sleep deprivation affects interference control: A diffusion model analysis. Journal of Experimental Psychology: Human Perception and Performance, 50(2), 193–215. https://doi.org/10.1037/xhp0001180
Martin, F., Long, S., Haywood, K., & Xie, K. (2025). Digital distractions in education: A systematic review of research on causes, consequences and prevention strategies. Educational Technology Research and Development, 73(6), 3423–3451. https://doi.org/10.1007/s11423-025-10550-6
Masyn, K. E., Henderson, C. E., & Greenbaum, P. E. (2010). Exploring the latent structures of psychological constructs in social development using the dimensional-categorical spectrum. Social Development, 19(3), 470–493. https://doi.org/10.1111/j.1467-9507.2009.00573.x
Matzke, D., & Wagenmakers, E.-J. (2009). Psychological interpretation of the ex-Gaussian and shifted Wald parameters: A diffusion model analysis. Psychonomic Bulletin & Review, 16(5), 798–817. https://doi.org/10.3758/PBR.16.5.798
Miller, J., & Ulrich, R. (2013). Mental chronometry and individual differences: Modeling reliabilities and correlations of reaction time means and effect sizes. Psychonomic Bulletin & Review, 20(5), 819–858. https://doi.org/10.3758/s13423-013-0404-5
Miyake, A., Friedman, N. P., Emerson, M. J., Witzki, A. H., Howerter, A., & Wager, T. D. (2000). The unity and diversity of executive functions and their contributions to complex “frontal lobe” tasks: A latent variable analysis. Cognitive Psychology, 41(1), 49–100. https://doi.org/10.1006/cogp.1999.0734
Mittelstädt, V., Miller, J., Leuthold, H., Mackenzie, I. G., & Ulrich, R. (2022). The time-course of distractor-based activation modulates effects of speed-accuracy tradeoffs in conflict tasks. Psychonomic Bulletin & Review, 29(3), 837–854. https://doi.org/10.3758/s13423-021-02003-x
Noël, X., Van der Linden, M., Brevers, D., Campanella, S., Verbanck, P., Hanak, C., Kornreich, C., & Verbruggen, F. (2013). Separating intentional inhibition of prepotent responses and resistance to proactive interference in alcohol-dependent individuals. Drug and Alcohol Dependence, 128(3), 200–205. https://doi.org/10.1016/j.drugalcdep.2012.08.021
Ophir, E., Nass, C., & Wagner, A. D. (2009). Cognitive control in media multitaskers. Proceedings of the National Academy of Sciences, 106(37), 15583–15587. https://doi.org/10.1073/pnas.0903620106
Patel, P. K., Green, M. F., Barch, D., & Wynn, J. K. (2025). Mechanisms and correlates of incentivized response inhibition in schizophrenia and bipolar disorder. Journal of Psychiatric Research, 183, 282–288. https://doi.org/10.1016/j.jpsychires.2025.02.027
Pratte, M. S., Rouder, J. N., Morey, R. D., & Feng, C. (2010). Exploring the differences in distributional properties between Stroop and Simon effects using delta plots. Attention, Perception, & Psychophysics, 72(7), 2013–2025. https://doi.org/10.3758/APP.72.7.2013
Ratcliff, R. (1978). A theory of memory retrieval. Psychological Review, 85(2), 59–108. https://doi.org/10.1037/0033-295X.85.2.59
Ratcliff, R. (2013). Parameter variability and distributional assumptions in the diffusion model. Psychological Review, 120(1), 281–292. https://doi.org/10.1037/a0030775
Ratcliff, R., & McKoon, G. (2008). The diffusion decision model: Theory and data for two-choice decision tasks. Neural Computation, 20(4), 873–922. https://doi.org/10.1162/neco.2008.12-06-420
Ratcliff, R., Smith, P. L., & McKoon, G. (2015). Modeling regularities in response time and accuracy data with the diffusion model. Current Directions in Psychological Science, 24(6), 458–470. https://doi.org/10.1177/0963721415596228
Rey-Mermet, A., Gade, M., & Oberauer, K. (2018). Should we stop thinking about inhibition? Searching for individual and age differences in inhibition ability. Journal of Experimental Psychology: Learning, Memory, and Cognition, 44(4), 501–526. https://doi.org/10.1037/xlm0000450
Schaefer, S. B., Radev, S. T., Göttmann, J., & Schubert, A.-L. (2026). Amortized Bayesian workflow for modeling congruency effects using the diffusion model for conflict tasks. Computational Brain & Behavior. https://doi.org/10.1007/s42113-026-00266-y
Servant, M., & Evans, N. J. (2020). A diffusion model analysis of the effects of aging in the Flanker Task. Psychology and Aging, 35(6), 831–849. https://doi.org/10.1037/pag0000546
Servant, M., Montagnini, A., & Burle, B. (2014). Conflict tasks and the diffusion framework: Insight in model constraints based on psychological laws. Cognitive Psychology, 72, 162–195. https://doi.org/10.1016/j.cogpsych.2014.03.002
Simon, J. R. (1969). Reactions toward the source of stimulation. Journal of Experimental Psychology, 81(1), 174–176. https://doi.org/10.1037/h0027448
Stanley, T. D., Doucouliagos, H., Maier, M., & Bartoš, F. (2024). Correcting bias in the meta-analysis of correlations. Psychological Methods. https://doi.org/10.1037/met0000662
Stroop, J. R. (1935). Studies of interference in serial verbal reactions. Journal of Experimental Psychology, 18(6), 643–662. https://doi.org/10.1037/h0054651
Toh, W. X., & Yang, H. (2024). Do cognitive resources matter for eudaimonia? The role of inhibitory control in psychological well-being. Trends in Psychology, 32(2), 525–540. https://doi.org/10.1007/s43076-022-00193-4
Ulrich, R., Schröter, H., Leuthold, H., & Birngruber, T. (2015). Automatic and controlled stimulus processing in conflict tasks: Superimposed diffusion processes and delta functions. Cognitive Psychology, 78, 148–174. https://doi.org/10.1016/j.cogpsych.2015.02.005
Valle-Inclán, F. (1996). The locus of interference in the Simon effect: An ERP study. Biological Psychology, 43(2), 147–162. https://doi.org/10.1016/0301-0511(95)05181-3
Van Den Wildenberg, W. P. M., Wylie, S. A., Forstmann, B. U., Burle, B., Hasbroucq, T., & Ridderinkhof, K. R. (2010). To head or to heed? Beyond the surface of selective action inhibition: A review. Frontiers in Human Neuroscience, 4. https://doi.org/10.3389/fnhum.2010.00222
van Ravenzwaaij, D., Dutilh, G., & Wagenmakers, E.-J. (2012). A diffusion model decomposition of the effects of alcohol on perceptual decision making. Psychopharmacology, 219(4), 1017–1025. https://doi.org/10.1007/s00213-011-2435-9
van Velzen, L. S., Vriend, C., de Wit, S. J., & van den Heuvel, O. A. (2014). Response inhibition and interference control in obsessive–compulsive spectrum disorders. Frontiers in Human Neuroscience, 8. https://doi.org/10.3389/fnhum.2014.00419
Verbruggen, F., McLaren, I. P. L., & Chambers, C. D. (2014). Banishing the control homunculi in studies of action control and behavior change. Perspectives on Psychological Science, 9(5), 497–524. https://doi.org/10.1177/1745691614526414
Vermeylen, L., Braem, S., Ivanchei, I. I., Desender, K., García-Román, J. M., González-García, C., Ruz, M., & Notebaert, W. (2025). The temporal dynamics of metacognitive experiences track rational adaptations in task performance. Communications Psychology, 3(1), 96. https://doi.org/10.1038/s44271-025-00282-x
Viechtbauer, W. (2010). Conducting meta-analyses in R with the metafor package. Journal of Statistical Software, 36(3). https://doi.org/10.18637/jss.v036.i03
Weigard, A. S., Molloy, M. F., Sripada, C., & Heathcote, A. (2025). The diffusion model’s drift rate parameter primarily reflects efficiency, rather than speed, of evidence accumulation. PsyArXiv. https://doi.org/10.31234/osf.io/nu9gm_v1
Westfall, D. R., Gejl, A. K., Tarp, J., Wedderkopp, N., Kramer, A. F., Hillman, C. H., & Bugge, A. (2018). Associations between aerobic fitness and cognitive control in adolescents. Frontiers in Psychology, 9. https://doi.org/10.3389/fpsyg.2018.01298
White, C. N., Ratcliff, R., & Starns, J. S. (2011). Diffusion models of the flanker task: Discrete versus gradual attentional selection. Cognitive Psychology, 63(4), 210–238. https://doi.org/10.1016/j.cogpsych.2011.08.001
White, C. N., Servant, M., & Logan, G. D. (2018). Testing the validity of conflict drift-diffusion models for use in estimating cognitive processes: A parameter-recovery study. Psychonomic Bulletin & Review, 25(1), 286–301. https://doi.org/10.3758/s13423-017-1271-2
Wylie, S. A., Ridderinkhof, K. R., Eckerle, M. K., & Manning, C. A. (2007). Inefficient response inhibition in individuals with mild cognitive impairment. Neuropsychologia, 45(7), 1408–1419. https://doi.org/10.1016/j.neuropsychologia.2006.11.003
