قياس القيمة الذاتية من خيارات محفوفة بالمخاطر والغموض باستخدام طرق التجريبية والاقتصاد التصوير بالرنين المغناطيسي الوظيفي

الهدف العام من التجربة التالية هو فحص الترميز العصبي للقيمة الذاتية للخيارات المحفوفة بالمخاطر والخيارات الغامضة باستخدام التصوير بالرنين المغناطيسي الوظيفي (functional MRI). ويتم تحقيق ذلك من خلال تصوير المشاركين أثناء اتخاذهم خيارات بين يانصيب محفوف بالمخاطر ويانصيب غامض، مع تنويع المقادير والاحتمالات ومستويات الغموض. ثم تُستخدم الخيارات التي يتخذها كل مشارك لتقدير مواقفه تجاه المخاطرة والغموض، والتي تُستخدم بدورها لتقدير مدى تأثير المخاطرة والغموض على تقييم المشاركين لخيارات اليانصيب.

بعد ذلك، تُستخدم هذه التقديرات كمتغيرات مستقلة (regressors) في نموذج خطي عام من أجل تحديد مناطق الدماغ التي يرتبط فيها النشاط بالقيمة الذاتية لليانصيب المحفوف بالمخاطر و/أو الغامض. وتظهر النتائج وجود ارتباط مع القيم الذاتية لكل من الخيارات المحفوفة بالمخاطر والغامضة في مناطق متداخلة من القشرة الجبهية الأمامية الإنسية والجسم المخطط. وتكمن الميزة الرئيسية لهذه التقنية مقارنة بالطرق الأخرى التي تقارن النشاط العام لليانصيب المحفوف بالمخاطر والغامض في أنه يتم استخدام السلوك الفردي لكل مشارك عند تحليل تنشيط الدماغ.

يمكن لهذه الطريقة أن تساعد في الإجابة على أسئلة رئيسية في مجال الاقتصاد العصبي، مثل كيفية تمثيل القيمة في الدماغ وكيفية استخدامها لاتخاذ القرارات. تتمثل الخطوة الأولى في هذا البروتوكول في تصميم المحفزات البصرية التي تمثل الخيارات المحفوفة بالمخاطر والغامضة ليتم عرضها أثناء المسح؛ استخدم صوراً مثل تلك الموضحة هنا لتمثيل أظرف مليئة بفيش البوكر تسمى "حقائب اليانصيب" في محفزات يانصيب المخاطر، ويجب توضيح احتمالية الفوز، وهي نسبة الفيش الحمراء إلى الزرقاء، باستخدام كل من محفز رسومي وأرقام. وهنا، تكون المناطق الحمراء والزرقاء في كل صورة متناسبة مع عدد الفيش الحمراء والزرقاء.

في المظروف الحقيقي، يُوصى بوجود ثلاثة احتمالات للنتائج كحد أدنى في حالة اليانصيب الغامض. يجب أن يكون جزء من المعلومات المتعلقة بالاحتمالية مفقوداً بحيث تكون النسبة المحتملة للرقائق الحمراء إلى الزرقاء محدودة ولكن غير محددة. وبذلك تصبح احتمالية الفوز غامضة جزئياً.

تؤدي زيادة حجم الجزء المحجوب إلى زيادة مستوى الغموض. ونوصي باستخدام ثلاثة مستويات من الحجب على الأقل، حيث يتم تقديم كل احتمالية فوز أو مستوى غموض مع عرض مقدار النتيجة بجانب اللون الفائز وصفر بجانب اللون الآخر. هنا، سيؤدي سحب شريحة حمراء إلى الفوز بـ 18 بينما سيؤدي سحب شريحة زرقاء إلى نتيجة صفرية. خمسة.

يُوصى بأن تشمل مستويات المكافأة نطاقاً واسعاً من المبالغ في كل تجربة. سيختار الخاضع للاختبار بين يانصيبين، ولكن من أجل التبسيط، يمكن إبقاء أحد الخيارات ثابتاً طوال التجربة وبعيداً عن الشاشة، بينما يتم تغيير الخيار المعروض فقط.

يجب تقديم كل توليفة من مستوى الاحتمالية أو الغموض والكمية أربع مرات على الأقل لضمان قوة إحصائية كافية. وفي التحليلات، يتم ضبط النموذج التجريبي كـ "تصميم مرتبط بالحدث بطيء" (slow event related design) بحيث يتم تقديم كل يانصيب كمثير لمدة ثانيتين، تليها فترة تأخير مدتها ست ثوانٍ للسماح بالاستجابة الوعائية العصبية. بعد ذلك، يجب إعطاء الاستجابة في غضون ثانية إلى ثانيتين.

استخدم صورة بسيطة كتعليق موجز للإشارة إلى أنه تم تسجيل الاستجابة، وافصل بين التجارب بفترات راحة لا تقل عن 10 ثوانٍ. كما يجب تحضير أكياس أو مظاريف مادية تطابق كل صورة يانصيب مستخدمة في التجربة.

املأ كل مظروف بمجموع 100 من الرقاقات الحمراء والزرقاء بنسب تتوافق مع احتمالية سحب رقاقة من كل لون من تلك الحقيبة الموضحة في العرض. يجب عرض هذه المظاريف على الأشخاص الخاضعين للتجربة قبل البدء بالمهمة، حيث سيتم استخدامها لاحقاً للعب محاولات مختارة عشوائياً لتحديد المكافأة. ويُعد دفع مكافآت للمشاركين بناءً على خياراتهم في التجربة أمراً هاماً لتشجيعهم على التعبير عن تفضيلاتهم الحقيقية.

يضمن استخدام أكياس مادية تحتوي على رقائق حقيقية للعب في اليانصيب إدراك المشارك بأن احتمالات النتائج هي بالفعل تلك المذكورة قبل عملية المسح. أولاً، اطلب من المشارك تعبئة نموذج موافقة بالإضافة إلى استبيان فحص التصوير بالرنين المغناطيسي (MRI). ثم تأكد من قيام المشارك بإزالة جميع المعادن لضمان السلامة في بيئة الماسح الضوئي.

بعد ذلك، قدّم للمشارك تعليمات مفصلة حول التجربة والمهمة المطلوبة. تأكد من استيعاب المشارك لكيفية التعبير عن الاحتمالات والكميات في كل صورة، مع الحرص على عدم الكشف عن أي معلومات قد تؤثر على الخيارات. سيتم استخدام صندوق استجابة يحتوي على زرين داخل الماسح الضوئي لتسجيل خيارات المشارك.

كذلك، اشرح آلية الدفع بحيث يتفهم المشارك أنه سيتلقى الدفع وفقاً للخيارات المتاحة. أغلق الأكياس التي تم تحضيرها مسبقاً، واطلب من المشارك التوقيع باسمه فوق موضع الإغلاق.

وضح أن هذا سيتيح التحقق في نهاية التجربة من أن محتويات الحقائب لم يتم تغييرها، حيث سيُسمح للشخص الخاضع للتجربة بالنظر داخل الحقائب للتأكد من مطابقتها لمستوى الاحتمالية أو الغموض المحدد. باستخدام ماسح MRI بقوة 3 Tesla، قم أولاً بالحصول على صورة عالية الدقة لدماغ الشخص باستخدام تسلسل T one weighted. سيتم استخدام هذا الحجم البنيوي لإعادة البناء ثلاثي الأبعاد.

يمكن استخدام أي تسلسل عالي الدقة لهذا الغرض. بعد ذلك، استخدم تسلسل EPI مرجح بـ T2* للحصول على التصوير الوظيفي. وأثناء نموذج المهمة، تأكد من تحديد موضع الشرائح لتشمل مناطق الدماغ ذات الصلة.

عادةً ما يجب تحسين معلمات مسح القشرة أمام الجبهية، والقشرة الجدارية، والعقد القاعدية وفقاً للجهاز الماسح المحدد باستخدام TR قدره ثانية واحدة وبكسلات بحجم ثلاثة في ثلاثة في ثلاثة مليمتر. بعد المسح، استرجع البيانات السلوكية من الكمبيوتر الذي سجل استجابات ضغط الأزرار الخاصة بالخاضع للتجربة.

بعد ذلك، اسمح للمشارك باختيار تجربة واحدة أو بضع تجارب عشوائياً من أجل الدفع. يمكن القيام بذلك عن طريق جعل المشارك يسحب شريحة بوكر مرقمة من حقيبة معتمة تحتوي على شرائح تحمل جميع أرقام التجارب. لكل تجربة يتم اختيارها، اعرض للمشارك الخيار الذي قُدِّم له، والاختيار الذي اتخذه في تلك التجربة.

ثم اطلب من المشارك سحب رقاقة من الكيس الذي اختاره في تلك التجربة، وادفع له وفقاً للون المسحوب والمبلغ المعروض في التجربة. ولتحليل البيانات السلوكية، استخدم طريقة الاحتمال الأقصى لمطابقة بيانات الاختيار لكل مشارك مع دالة لوجستية كما هو موضح. حيث تمثل PV احتمالية اختيار المشارك لليانصيب المتغير.

تمثل SV sub F و SV sub V القيم الذاتية للخيارات الثابتة والمتغيرة على التوالي، بينما يمثل gamma ميل الدالة اللوجستية، وهو معلمة خاصة بكل فرد. وهناك نهج بديل يتمثل في استخدام توزيع احتمالي لنمذجة القيمة الذاتية لكل خيار؛ حيث يتم استخدام نموذج لكل فرد يأخذ في الاعتبار المقدار، والاحتمالية، ومستوى الغموض للخيار، بالإضافة إلى توجهات الفرد تجاه المخاطرة والغموض. وقد اخترنا استخدام دالة أسية تتضمن تأثيراً خطياً للغموض على الاحتمالية المدركة.

تتمثل إحدى عدة مقاربات بديلة في إدراج الغموض كأثر أسي، ومطابقة بيانات الاختيار باستخدام دالة الاختيار، وبالتالي توفير تقديرات لموقف المخاطرة alpha وموقف الغموض beta لكل مفحوص؛ يتم في البداية إجراء معالجة مسبقة قياسية للبيانات الوظيفية، بما في ذلك تصحيح الشرائح، والمسح، والوقت، وتصحيح الحركة، وإزالة الترددات المنخفضة المرتبطة بالضوضاء الفسيولوجية وانزياحات الماسح الضوئي. بعد ذلك، يتم إجراء التسجيل المشترك للبيانات الوظيفية لكل مفحوص مع البيانات التشريحية. وللتحليل على مستوى المفحوص الواحد، تُستخدم دالة استجابة ديناميكية دموية قياسية، وتتم نمذجة نشاط كل voxel كاستجابة مستمرة خلال التجربة بأكملها. يُستخدم نموذج خطي عام مع متنبئين للقيمة الذاتية، أحدهما للتجارب التي تنطوي على مخاطرة والآخر للتجارب التي تنطوي على غموض.

استخدم المعلمات الخاصة بكل مفحوص والمستمدة من الملاءمة السلوكية لحساب القيمة الذاتية لكل يانصيب. قم أيضاً بتضمين متغيرين تنبؤيين وهميين، أحدهما للتجارب المحفوفة بالمخاطر، والآخر للتجارب الغامضة. ولرصد التنشيطات العامة مثل التنشيط البصري والحركي، يجب أن يأخذ اختبار الدلالة في الاعتبار المقارنات المتعددة التي تم إجراؤها هنا.

تم تحديد الحد الأدنى لحجم العنقود بستة فوكسلات وظيفية متجاورة. ويمكن أيضاً استخدام طرق أخرى مثل معدل الاكتشاف الخاطئ. ابحث عن الفوكسلات التي تكون فيها معاملات القيمة الذاتية تحت ظروف المخاطرة و/أو الغموض ذات دلالة إحصائية.

نرى هنا النتائج السلوكية لثلاثة أشخاص ممثلين. يعرض كل لوح بيانات الاختيار ونتائج ملاءمة النموذج لشخص واحد تحت ظروف المخاطرة أو الغموض. وتصور الرسوم البيانية نسبة التجارب التي اختار فيها الشخص اليانصيب المتغير كدالة للمبلغ، وذلك بشكل منفصل لكل مستوى من مستويات الاحتمالية أو الغموض.

كما يمكن ملاحظة ذلك، قد تتباين مواقف الأشخاص بشكل كبير تجاه المخاطرة والغموض. نرى هنا نتائج التصوير لأحد الأشخاص، حيث تم تظليل الفوكسلات التي كان فيها معامل متنبئ القيمة الذاتية تحت ظروف الغموض أو المخاطرة مختلفاً بشكل ملحوظ عن الصفر. وفي هذا الشخص الذي يمثل العينة، وُجد ارتباط ملحوظ في القشرة أمام الجبهية الإنسية والمخطط تحت كلا الظرفين.

تعتبر هذه المناطق هي الأكثر اتساقاً عبر المبحوثين، ولكن يمكن أيضاً توقع وجود ارتباطات ذات دلالة في مناطق في القشرة الجدارية الإنسية والوحشية وكذلك في اللوزة الدماغية. تتيح هذه التقنية للباحثين في مجال الاقتصاد العصبي استكشاف التغيرات في مواقف المخاطرة والغموض، وارتباطاتها العصبية في مجموعات سكانية مختلفة وتحت سياقات متنوعة. بعد مشاهدة هذا الفيديو، يجب أن يكون لديك فهم جيد لكيفية استثارة مواقف المخاطرة والغموض، وكيفية استخدامها لتحليل بيانات FMRI التي تم الحصول عليها أثناء قيام المشاركين باتخاذ خياراتهم.