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

Das übergeordnete Ziel des folgenden Experiments besteht darin, die neuronale Kodierung des subjektiven Werts risikobehafteter und mehrdeutiger Optionen mittels funktioneller MRT zu untersuchen. Dies wird erreicht, indem Probanden während Entscheidungen zwischen risikobehafteten und mehrdeutigen Lotterien untersucht werden, die sich hinsichtlich Betrag, Wahrscheinlichkeit und Grad der Mehrdeutigkeit unterscheiden. Die von jedem Teilnehmer getroffenen Entscheidungen werden anschließend verwendet, um seine oder ihre Einstellung gegenüber Risiko und Mehrdeutigkeit zu schätzen, was wiederum genutzt wird, um zu ermitteln, wie Risiko und Mehrdeutigkeit die Bewertung der Lotterien durch die Teilnehmer beeinflussen.

Danach werden diese Schätzungen als Regressoren in einem allgemeinen linearen Modell verwendet, um Hirnareale zu identifizieren, in denen die Aktivität mit dem subjektiven Wert risikobehafteter und/oder unscharfer Lotterien korreliert ist. Die Ergebnisse zeigen eine Korrelation mit den subjektiven Werten sowohl risikobehafteter als auch unscharfer Optionen in sich überlappenden Regionen des medialen präfrontalen Kortex und des Striatums. Der Hauptvorteil dieser Technik gegenüber anderen Methoden, die die allgemeine Aktivität bei risikobehafteten und unscharfen Lotterien vergleichen, besteht darin, dass das individuelle Verhalten jedes Teilnehmers bei der Analyse der Hirnaktivierung berücksichtigt wird.

Mit dieser Methode lassen sich zentrale Fragen im Bereich der Neuroökonomie beantworten, beispielsweise wie Wert im Gehirn repräsentiert wird und wie er zur Entscheidungsfindung genutzt wird. Der erste Schritt dieses Protokolls besteht darin, visuelle Reize zu entwerfen, die riskante und mehrdeutige Entscheidungen darstellen und während der Bildgebung präsentiert werden. Verwenden Sie Bilder wie die hier gezeigten, um Umschläge darzustellen, die mit Spielchips gefüllt sind – sogenannte Lotteriebeutel in Reizen für riskante Lotterien. Die Gewinnwahrscheinlichkeit, definiert als Verhältnis roter zu blauen Chips, sollte sowohl grafisch als auch numerisch dargestellt werden. Dabei sind die roten und blauen Flächen jedes Bildes proportional zur Anzahl der roten und blauen Chips.

Bei einem realen Umschlag wird für mehrdeutige Lotterien eine Mindestanzahl von drei Ergebniswahrscheinlichkeiten empfohlen. Ein Teil der Informationen über die Wahrscheinlichkeit sollte fehlen, sodass das mögliche Verhältnis von roten zu blauen Chips begrenzt, aber nicht spezifiziert ist. Dadurch wird die Gewinnwahrscheinlichkeit teilweise mehrdeutig.

Die Erhöhung der verdeckten Fläche steigert das Maß an Mehrdeutigkeit. Es wird empfohlen, mindestens drei Verdeckungsgrade zu verwenden, wobei jeder Gewinnwahrscheinlichkeit oder Mehrdeutigkeitsstufe der entsprechende Auszahlungsbetrag neben der Gewinnfarbe und eine Null neben der anderen Farbe zugeordnet wird. Hier würde das Ziehen eines roten Chips einen Gewinn von 18 bedeuten, während das Ziehen eines blauen Chips zu einer Auszahlung von null führen würde. Fünf.

Es wird empfohlen, die Belohnungshöhen über einen weiten Bereich an Beträgen in jedem Versuch zu variieren. Der Proband wählt zwischen zwei Lotterien. Der Einfachheit halber kann jedoch eine der Optionen während des gesamten Experiments konstant gehalten und außerhalb des Bildschirms platziert werden, während nur die angezeigte Option variiert wird.

Jede Kombination aus Wahrscheinlichkeits- oder Unsicherheitsgrad und Betrag sollte mindestens viermal präsentiert werden, um eine ausreichende statistische Power sicherzustellen. Legen Sie in den Analysen das Paradigma als langsames, ereigniskorrelates Design fest, sodass jede Lotterie zwei Sekunden lang als Reiz präsentiert wird, gefolgt von einer sechssekündigen Verzögerungsphase, um die neurovaskuläre Antwort zu ermöglichen. Danach sollte die Reaktion innerhalb von einer bis zwei Sekunden erfolgen.

Verwenden Sie ein einfaches Bild als kurzes Feedback, um anzuzeigen, dass die Antwort aufgezeichnet wurde, und trennen Sie die Durchgänge durch Ruhephasen von mindestens 10 Sekunden. Bereiten Sie außerdem physische Beutel oder Umschläge vor, die jedem verwendeten Lotteriebild entsprechen. Im Experiment.

Füllen Sie jeden Umschlag mit insgesamt 100 roten und blauen Chips, deren Anteile der Wahrscheinlichkeit entsprechen, einen Chip jeder Farbe aus dem entsprechenden Beutel zu ziehen, wie in der Anzeige dargestellt. Diese Umschläge sollten den Versuchspersonen vor Beginn der Aufgabe gezeigt werden, da sie später verwendet werden, um zufällig ausgewählte Durchgänge zur Auszahlung durchzuführen. Die Bezahlung der Versuchspersonen basierend auf ihren Entscheidungen im Experiment ist wichtig, um sie dazu zu ermutigen, ihre tatsächlichen Präferenzen auszudrücken.

Die Verwendung physischer Beutel mit echten Chips, um an Lotterien teilzunehmen, stellt sicher, dass die Versuchsperson dem tatsächlich vor dem Scannen angegebenen Wahrscheinlichkeitsverhältnis unterliegt. Lassen Sie zunächst die Versuchsperson einen Einwilligungsformular sowie einen MRT-Screeing-Fragebogen ausfüllen. Stellen Sie anschließend sicher, dass die Versuchsperson alle metallischen Gegenstände entfernt, um die Sicherheit im Scannerbereich zu gewährleisten.

Als Nächstes geben Sie dem Probanden detaillierte Anweisungen zum Experiment und zur Aufgabe. Stellen Sie sicher, dass der Proband versteht, wie Wahrscheinlichkeiten und Beträge in jedem Bild dargestellt werden, geben Sie jedoch keine Informationen preis, die die Entscheidungen beeinflussen könnten. Eine Antwortbox mit zwei Tasten wird im Scanner verwendet, um die Entscheidungen des Probanden aufzuzeichnen.

Erklären Sie außerdem den Zahlungsmechanismus, sodass die Versuchsperson versteht, dass die Zahlung entsprechend der getroffenen Auswahl erfolgen wird. Verschließen Sie die zuvor vorbereiteten Beutel und lassen Sie die Versuchsperson ihren Namen über die Versiegelung schreiben.

Erklären Sie, dass dies am Ende des Experiments eine Überprüfung ermöglicht, ob der Inhalt der Beutel verändert wurde, da der Proband in die Beutel schauen darf, um sicherzustellen, dass sie dem angegebenen Wahrscheinlichkeits- oder Unsicherheitsgrad entsprechen. Verwenden Sie zunächst einen 3-Tesla-MRT-Scanner, um mit einer T1-gewichteten Sequenz ein hochauflösendes Bild des Gehirns des Probanden aufzunehmen. Dieses strukturelle Volumen wird für die 3D-Rekonstruktion verwendet.

Jede Sequenz mit hoher Auflösung kann für diesen Zweck verwendet werden. Verwenden Sie anschließend eine T2*-gewichtete EPI-Sequenz, um funktionelle Bilder aufzuzeichnen. Stellen Sie während des Aufgabenparadigmas sicher, dass die Schichten so positioniert sind, dass die gewünschten Hirnareale eingeschlossen werden.

Normalerweise sollten die Scanparameter für den präfrontalen Cortex, den Parietalcortex und die Basalganglien für den jeweiligen Scanner mit einer TR von zwei Sekunden und Voxelgrößen von drei mal drei mal drei Millimetern optimiert werden. Nach dem Scannen sollten die Verhaltensdaten vom Computer abgerufen werden, der die Tastendruckantworten des Probanden aufgezeichnet hat.

Anschließend lässt man die Versuchsperson zufällig eine oder mehrere Durchführungen zur Auszahlung auswählen. Dies kann dadurch erfolgen, dass die Versuchsperson aus einem undurchsichtigen Beutel, der Chips mit allen Durchführungsnummern enthält, einen nummerierten Pokerspielchip zieht. Für jede ausgewählte Durchführung zeigt man der Versuchsperson die präsentierte Option und die von ihr getroffene Entscheidung in jener Durchführung.

Bitten Sie dann den Probanden, einen Chip aus dem in diesem Durchgang gewählten Beutel zu ziehen, und zahlen Sie entsprechend der gezogenen Farbe und dem im Durchgang angezeigten Betrag aus. Zur Analyse der Verhaltensdaten verwenden Sie die Maximum-Likelihood-Methode, um die Wahlentscheidungen jedes Probanden an eine logistische Funktion anzupassen, wie hier gezeigt, wobei PV die Wahrscheinlichkeit angibt, dass der Proband die variable Lotterie gewählt hat.

SV_sub_F und SV_sub_V sind die subjektiven Werte der festen bzw. variablen Option, und gamma ist die Steigung der logistischen Funktion, ein subjektspezifischer Parameter. Ein alternativer Ansatz besteht darin, eine Wahrscheinlichkeitsverteilung zu verwenden, um den subjektiven Wert jeder Option zu modellieren. Für jeden Probanden wird ein Modell verwendet, das den Betrag, die Wahrscheinlichkeit und das Maß an Unsicherheit der Option sowie die individuellen Einstellungen des Probanden gegenüber Risiko und Unsicherheit berücksichtigt. Wir entschieden uns für eine Potenzfunktion, die einen linearen Effekt der Unsicherheit auf die wahrgenommene Wahrscheinlichkeit enthält.

Einer von mehreren alternativen Ansätzen besteht darin, Unsicherheit als exponentiellen Effekt einzubeziehen und die Wahlentscheidungsdaten mit der Wahlentscheidungsfunktion zu analysieren, um so Schätzungen für die Risikoeinstellung, Alpha, und die Unsicherheitseinstellung Beta für jeden Probanden zu erhalten. Führen Sie zunächst eine Standard-Vorverarbeitung der funktionellen Daten durch, einschließlich Slice-, Scan- und Zeitkorrektur, Bewegungskorrektur sowie Entfernung niederfrequenter Artefakte, die auf physiologisches Rauschen und Scanner-Drifts zurückzuführen sind. Danach erfolgt die Koregistrierung der funktionellen Daten jedes Probanden an die anatomischen Daten. Zur Analyse auf Ebene des Einzelprobanden verwenden Sie eine standardmäßige hämodynamische Antwortfunktion und modellieren die Aktivität jedes Voxel als anhaltende Antwort während des gesamten Versuchs. Verwenden Sie ein allgemeines lineares Modell mit zwei Prädiktoren des subjektiven Werts, einen für risikobehaftete Versuche und einen für unsichere Versuche.

Verwenden Sie die individuellen, subjektspezifischen Parameter, die aus der Verhaltensanpassung abgeleitet wurden, um den subjektiven Wert jeder Lotterie zu berechnen. Fügen Sie außerdem zwei Dummy-Prädiktoren hinzu, einen für risikobehaftete Versuche und einen für mehrdeutige Versuche. Um allgemeine Aktivierungen wie visuelle und motorische zu erfassen, sollte der Test auf Signifikanz die hier durchgeführten multiplen Vergleiche berücksichtigen.

Die minimale Clustergröße war auf sechs benachbarte funktionelle Voxel begrenzt. Andere Methoden wie die False-Discovery-Rate können ebenfalls verwendet werden. Suchen Sie nach Voxel, in denen die Koeffizienten des subjektiven Werts unter Risiko und/oder Unsicherheit signifikant sind.

Hier sehen wir die Verhaltensergebnisse von drei repräsentativen Probanden. Jedes Diagramm zeigt die Entscheidungsdaten und die Modellanpassungsergebnisse für einen Probanden unter entweder Risiko oder Unsicherheit. Die Grafiken stellen den Anteil der Versuche, bei denen der Proband die variable Lotterie wählte, in Abhängigkeit vom Betrag separat für jedes Niveau von Wahrscheinlichkeit oder Unsicherheit dar.

Wie ersichtlich ist, können die Probanden in ihren Einstellungen gegenüber Risiko und Unsicherheit stark variieren. Hier sehen wir die Bildgebungsergebnisse für einen Probanden; hervorgehobene Voxel sind solche, in denen der Koeffizient des Prädiktors des subjektiven Werts unter Unsicherheit oder Risiko signifikant von null abwich. Bei diesem repräsentativen Probanden wurde unter beiden Bedingungen eine signifikante Korrelation im medialen präfrontalen Kortex und im Striatum gefunden.

Diese Bereiche sind bei den Probanden am konsistentesten, jedoch können auch signifikante Korrelationen in Gebieten des medialen und lateralen Parietalkortex sowie in der Amygdala erwartet werden. Diese Technik ermöglicht es Forschern auf dem Gebiet der Neuroökonomie, Veränderungen in Risiko- und Mehrdeutigkeitspräferenzen sowie deren neuronale Korrelate in verschiedenen Populationen unter unterschiedlichen Kontexten zu untersuchen. Nach dem Anschauen dieses Videos sollten Sie ein gutes Verständnis dafür haben, wie man Risiko- und Mehrdeutigkeitspräferenzen erfasst und wie man diese nutzen kann, um fMRT-Daten zu analysieren, die erhoben wurden, während die Teilnehmer Entscheidungen trafen.