Messung des subjektiven Wert des Risky und mehrdeutig Optionen mit Experimental Economics and Functional MRI Methoden

Das übergeordnete Ziel des folgenden Experiments ist es, die neuronale Kodierung des subjektiven Wertes von riskanten und mehrdeutigen Optionen mit Hilfe der funktionellen MRT zu untersuchen. Dies wird erreicht, indem die Teilnehmer gescannt werden, während sie zwischen riskanten und mehrdeutigen Lotterien wählen, die sich in Menge, Wahrscheinlichkeit und Mehrdeutigkeit unterscheiden. Die von jedem Teilnehmer getroffenen Entscheidungen werden dann verwendet, um seine Einstellung zu Risiko und Mehrdeutigkeit zu schätzen, die wiederum verwendet werden, um abzuschätzen, wie sich Risiko und Mehrdeutigkeit auf die Bewertung der Teilnehmer bei den Lotterien auswirken.

Als nächstes werden diese Schätzungen als Regressoren in einem allgemeinen linearen Modell verwendet, um Gehirnbereiche zu identifizieren, in denen die Aktivität mit dem subjektiven Wert von riskanten und/oder mehrdeutigen Lotterien korreliert. Die Ergebnisse zeigen eine Korrelation mit subjektiven Werten sowohl riskanter als auch mehrdeutiger Optionen in überlappenden Regionen des medialen präfrontalen Kortex und des Striatums. Der Hauptvorteil dieser Technik gegenüber anderen Methoden, die die allgemeine Aktivität für riskante und mehrdeutige Lotterien vergleichen, besteht darin, dass das individuelle Verhalten jedes Teilnehmers bei der Analyse der Gehirnaktivierung berücksichtigt wird.

Diese Methode kann helfen, wichtige Fragen im Bereich der Neuroökonomie zu beantworten, z. B. wie Wert im Gehirn repräsentiert wird und wie er verwendet wird, um Entscheidungen zu treffen. Der erste Schritt in diesem Protokoll besteht darin, die visuellen Reize zu entwerfen, die riskante und mehrdeutige Entscheidungen darstellen, die während des Scannens präsentiert werden sollen, indem Bilder wie die hier gezeigten verwendet werden, um mit Pokerchips gefüllte Umschläge darzustellen, die als Lotterietüten in Stimuli für riskante Lotterien bezeichnet werden, wobei die Gewinnwahrscheinlichkeit das Verhältnis von roten zu blauen Chips sowohl mit einem grafischen Stimulus als auch mit Zahlen veranschaulicht werden sollte. Hier sind die roten und blauen Bereiche jedes Bildes proportional zur Anzahl der roten und blauen Chips.

In einem echten Umschlag wird für mehrdeutige Lotterien mindestens drei Gewinnwahrscheinlichkeiten empfohlen. Ein Teil der Information über die Wahrscheinlichkeit sollte fehlen, so dass das mögliche Verhältnis von roten zu blauen Chips begrenzt, aber nicht spezifiziert ist. Wiedergabe der Gewinnwahrscheinlichkeit, teilweise mehrdeutig.

Durch Erhöhen der okkludierten Größe wird die Mehrdeutigkeitsstufe erhöht. Wir empfehlen, mindestens drei Okklusionsstufen zu verwenden, wobei jede Gewinnwahrscheinlichkeits- oder Mehrdeutigkeitsstufe angezeigt wird, wobei der Ergebnisbetrag neben der Gewinnfarbe und Null neben der anderen Farbe angezeigt wird. Hier würde das Ziehen eines roten Chips zu einem Gewinn von 18 führen, während das Ziehen eines blauen Chips zu einem Nullergebnis führen würde. Fünf.

Es werden Belohnungsstufen empfohlen, die sich über eine breite Palette von Beträgen in jeder Testversion erstrecken. Das Subjekt wählt zwischen zwei Lotterien. Der Einfachheit halber kann jedoch eine der Optionen während des gesamten Experiments und außerhalb des Bildschirms konstant gehalten werden, während nur die angezeigte Option variiert wird.

Jede Kombination aus Wahrscheinlichkeits- oder Mehrdeutigkeitsgrad und Betrag sollte mindestens viermal dargestellt werden, um eine ausreichende statistische Aussagekraft zu gewährleisten. Stellen Sie in Analysen das Paradigma als langsames ereignisbezogenes Design ein, so dass jede Lotterie zwei Sekunden lang als Stimulus präsentiert wird, gefolgt von einer Verzögerungsperiode von sechs Sekunden, um eine neurovaskuläre Reaktion zu ermöglichen. Dann sollte die Antwort innerhalb von ein bis zwei Sekunden erfolgen.

Verwenden Sie ein einfaches Bild als kurzes Feedback, um anzuzeigen, dass die Antwort aufgezeichnet wurde, und trennen Sie die Versuche durch Ruhephasen von mindestens 10 Sekunden. Bereiten Sie auch physische Tüten oder Umschläge vor, die zu jedem verwendeten Lotteriebild passen. Im Experiment.

Füllen Sie jeden Umschlag mit insgesamt 100 roten und blauen Chips, deren Proportionen der Wahrscheinlichkeit entsprechen, einen Chip jeder Farbe aus dem in der Anzeige angezeigten Beutel zu ziehen. Diese sollten den Probanden vor der Aufgabe gezeigt werden, da sie später verwendet werden, um zufällig ausgewählte Versuche zur Auszahlung zu spielen. Es ist wichtig, die Probanden auf der Grundlage ihrer Entscheidungen im Experiment zu bezahlen, um sie zu ermutigen, ihre wahren Vorlieben auszudrücken.

Die Verwendung physischer Tüten mit echten Chips zum Spielen der Lotterien stellt sicher, dass die Ergebniswahrscheinlichkeiten tatsächlich die vor dem Scannen angegebenen sind. Lassen Sie den Probanden zunächst eine Einverständniserklärung sowie einen MRT-Screening-Fragebogen ausfüllen. Stellen Sie dann sicher, dass das Motiv das gesamte Metall entfernt, um die Sicherheit in der Scannerumgebung zu gewährleisten.

Geben Sie dem Probanden als Nächstes detaillierte Anweisungen zum Experiment und zur Aufgabe. Stellen Sie sicher, dass das Motiv versteht, wie Wahrscheinlichkeiten und Beträge in jedem Bild vermittelt werden, aber geben Sie keine Informationen preis, die die Entscheidungen beeinflussen könnten. Im Scanner wird ein Antwortfeld mit zwei Tasten verwendet, um die Entscheidungen des Probanden aufzuzeichnen.

Erklären Sie auch den Zahlungsmechanismus, damit das Subjekt versteht, dass die Zahlung erfolgen wird. Je nach den Entscheidungen. Verschließen Sie die zuvor vorbereiteten Beutel und lassen Sie die Person ihren Namen auf dem Siegel unterschreiben.

Erklären Sie, dass dies am Ende des Versuchs eine Überprüfung ermöglicht, dass der Inhalt der Beutel nicht verändert wurde, da der Proband in die Beutel schauen darf, um sicherzustellen, dass sie die angegebene Wahrscheinlichkeit oder Mehrdeutigkeit einhalten. Mit einem Drei-Tesla-MRT-Scanner wird zunächst ein hochauflösendes Bild des Gehirns des Probanden mit einer T-1-gewichteten Sequenz aufgenommen. Dieses Strukturvolumen wird für die 3D-Rekonstruktion verwendet.

Zu diesem Zweck kann jede hochauflösende Sequenz verwendet werden. Verwenden Sie als Nächstes eine T-Zwei-Sterne-gewichtete EPI-Sequenz, um eine funktionelle Bildgebung zu erhalten. Achten Sie während des Aufgabenparadigmas darauf, die Slices so zu positionieren, dass sie die interessierenden Gehirnbereiche einschließen.

Typischerweise sollten die Scanparameter des präfrontalen Kortex, des parietalen Kortex und der Basalganglien für den spezifischen Scanner mit einem TR von zwei Sekunden und drei mal drei mal drei Millimetern Voxeln optimiert werden. Rufen Sie nach dem Scannen die Verhaltensdaten von dem Computer ab, der die Taste des Motivs aufgezeichnet hat. Pressestimmen.

Lassen Sie dann den Probanden nach dem Zufallsprinzip eine oder mehrere Testversionen für die Zahlung auswählen. Dies kann erreicht werden, indem der Proband einen nummerierten Pokerchip aus einem undurchsichtigen Beutel zieht, der Chips mit allen Testnummern enthält. Zeigen Sie für jede ausgewählte Testversion den Probanden, die vorgestellte Option und die Auswahl an, die er in dieser Testversion getroffen hat.

Bitten Sie dann den Probanden, einen Chip aus dem Beutel zu ziehen, den Sie in diesem Test ausgewählt haben, und bezahlen Sie ihn entsprechend der gezogenen Farbe und dem Betrag, der im Test präsentiert wird. Um die Verhaltensdaten zu analysieren, verwenden Sie die maximale Wahrscheinlichkeit, um die Auswahldaten jedes Probanden an eine logistische Funktion anzupassen. Hier ist PV die Wahrscheinlichkeit, dass das Subjekt die variable Lotterie gewählt hat.

SV sub F und SV sub V sind die subjektiven Werte der festen bzw. variablen Optionen und Gamma ist die Steigung der logistischen Funktion, die ein subjektspezifischer Parameter ist. Ein alternativer Ansatz besteht darin, eine Nachlassverteilung zu verwenden, um den subjektiven Wert jeder Option zu modellieren. Verwenden Sie für jedes Subjekt ein Modell, das die Menge, die Wahrscheinlichkeit und den Mehrdeutigkeitsgrad der Option sowie die Einstellungen des einzelnen Subjekts zu Risiko und Mehrdeutigkeit berücksichtigt. Wir haben uns für eine Potenzfunktion entschieden, die einen linearen Effekt der Mehrdeutigkeit auf die wahrgenommene Wahrscheinlichkeit beinhaltet.

Einer von mehreren alternativen Ansätzen besteht darin, Mehrdeutigkeit als Exponentialeffekt einzubeziehen, die Auswahldaten mit der Auswahlfunktion anzupassen, also Schätzungen für die Risikoeinstellung, Alpha und Mehrdeutigkeitseinstellung Beta für jedes Subjekt bereitzustellen und zunächst eine Standardvorverarbeitung der Funktionsdaten durchzuführen, einschließlich Slice, Scan, Zeitkorrektur, Bewegungskorrektur und Entfernung niedriger Frequenzen im Zusammenhang mit physiologischem Rauschen und Scannerdrifts. Dann koregistrieren Sie die funktionellen Daten jedes Probanden mit den anatomischen Daten Für die Analyse auf der Ebene eines einzelnen Probanden verwenden Sie eine hämodynamische Standardreaktionsfunktion und modellieren Sie die Aktivität jedes Voxels als anhaltende Reaktion während der gesamten Studie. Verwenden Sie ein allgemeines lineares Modell mit zwei Prädiktoren von subjektivem Wert, einen für riskante Studien und einen für mehrdeutige Studien.

Verwenden Sie die einzelnen fachspezifischen Parameter, die aus der Verhaltensanpassung abgeleitet wurden, um den subjektiven Wert jeder Lotterie zu berechnen. Fügen Sie auch zwei Dummy-Prädiktoren hinzu, einen für riskante Studien und einen für mehrdeutige Studien. Um allgemeine Aktivierungen wie visuelle und motorische Aktivierungen zu erfassen, sollte der Signifikanztest die hier durchgeführten Mehrfachvergleiche berücksichtigen.

Die minimale Clustergröße war auf sechs zusammenhängende funktionale Voxel beschränkt. Andere Methoden, wie z. B. die False-Discovery-Rate, können ebenfalls verwendet werden. Suchen Sie nach Voxeln, in denen die Koeffizienten des subjektiven Risiko- und/oder Mehrdeutigkeitskoeffizienten signifikant sind.

Hier sehen wir Verhaltensergebnisse von drei repräsentativen Probanden. Jedes Panel präsentiert die Auswahldaten und die Modellanpassungsergebnisse für ein Subjekt, das entweder unter Risiko oder Mehrdeutigkeit steht. Die Diagramme zeigen den Anteil der Versuche, in denen der Proband die Variable Lotterie als Funktion des Betrags wählte, getrennt für jede Wahrscheinlichkeits- oder Mehrdeutigkeitsstufe.

Wie man sehen kann, können die Probanden in ihrer Einstellung zu Risiko und Mehrdeutigkeit sehr unterschiedlich sein. Hier sehen wir Bildgebungsergebnisse für eins, subjekthervorgehobene Voxel sind solche, bei denen der Koeffizient des subjektiven Wertprädiktors unter Mehrdeutigkeit oder Risiko signifikant von Null abweicht. Bei diesem repräsentativen Probanden wurde unter beiden Bedingungen eine signifikante Korrelation zwischen dem medialen präfrontalen Kortex und dem Striatum gefunden.

Diese Bereiche sind bei allen Probanden am konsistentesten, aber signifikante Korrelationen sind auch in Bereichen des medialen und lateralen parietalen Kortex sowie der Amygdala zu erwarten. Diese Technik ermöglicht es Forschern auf dem Gebiet der Neuroökonomie, Veränderungen in Risiko- und Ambiguitätseinstellungen und ihre neuronalen Korrelate in verschiedenen Populationen und unter unterschiedlichen Kontexten zu untersuchen. Nachdem Sie sich dieses Video angesehen haben, sollten Sie ein gutes Verständnis dafür haben, wie Sie Risiko- und Mehrdeutigkeitseinstellungen hervorrufen und wie Sie diese zur Analyse von FMRI-Daten verwenden können, die während der Entscheidungsfindung der Teilnehmer erhalten wurden.