Mesurer la valeur subjective des options risquées et ambiguës l'aide de l'économie expérimentale et fonctionnels des méthodes d'IRM

L’objectif général de l’expérience suivante est d’examiner l’encodage neuronal de la valeur subjective des options risquées et ambiguës à l’aide de l’IRM fonctionnelle. Pour ce faire, les participants doivent être analysés pendant qu’ils font des choix entre des loteries risquées et ambiguës, dont le montant, la probabilité et le niveau d’ambiguïté varient. Les choix faits par chaque participant sont ensuite utilisés pour estimer ses attitudes à l’égard du risque et de l’ambiguïté, qui à leur tour sont utilisées pour estimer comment le risque et l’ambiguïté affectent l’évaluation des loteries par les participants.

Ensuite, ces estimations sont utilisées comme régresseurs dans un modèle linéaire général afin d’identifier les zones cérébrales dans lesquelles l’activité est corrélée à la valeur subjective des loteries risquées et/ou ambiguës. Les résultats montrent une corrélation avec les valeurs subjectives des options risquées et ambiguës dans les régions chevauchantes du cortex préfrontal médian et du striatum. Le principal avantage de cette technique par rapport à d’autres méthodes qui comparent l’activité générale pour les loteries risquées et ambiguës est que le comportement individuel de chaque participant est utilisé lors de l’analyse de l’activation cérébrale.

Cette méthode peut aider à répondre à des questions clés dans le domaine de la neuroéconomie, telles que la façon dont la valeur est représentée dans le cerveau et comment elle est utilisée pour faire des choix. La première étape de ce protocole consiste à concevoir les stimuli visuels représentant des choix risqués et ambigus à présenter lors du balayage à utiliser des images telles que celles vues ici pour représenter des enveloppes remplies de jetons de poker appelées sacs de loterie dans les stimuli pour les loteries risquées, la probabilité de gagner étant le rapport entre les jetons rouges et bleus doit être illustré à l’aide d’un stimulus graphique et de chiffres. Ici, les zones rouges et bleues de chaque image sont proportionnelles au nombre de puces rouges et bleues.

Dans une enveloppe réelle, un minimum de trois probabilités de résultat est recommandé pour les loteries ambiguës. Une partie de l’information sur la probabilité devrait être manquante de sorte que le rapport possible entre les puces rouges et bleues soit limité mais non spécifié. Rendre la probabilité de victoire, partiellement ambiguë.

L’augmentation de la taille occluse augmente le niveau d’ambiguïté. Nous vous recommandons d’utiliser au moins trois niveaux d’occlusion pour chaque niveau de probabilité ou d’ambiguïté gagnant, avec le montant du résultat affiché à côté de la couleur gagnante et zéro à côté de l’autre couleur. Ici, tirer un jeton rouge entraînerait un gain de 18 tandis que tirer un jeton bleu entraînerait un résultat nul. Cinq.

Les niveaux de récompense sont recommandés et couvrent un large éventail de montants dans chaque essai. Le sujet choisira entre deux loteries. Cependant, pour plus de simplicité, l’une des options peut être maintenue constante tout au long de l’expérience et hors écran, tandis que seule l’option affichée est modifiée.

Chaque combinaison de probabilité ou d’ambiguïté, de niveau et de montant doit être présentée au moins quatre fois pour garantir une puissance statistique suffisante. Dans les analyses, définissez le paradigme comme une conception liée à un événement lent afin que chaque loterie soit présentée comme un stimulus pendant deux secondes, suivi d’une période de retard de six secondes pour permettre la réponse neurovasculaire. Ensuite, la réponse doit être faite dans un délai d’une à deux secondes.

Utilisez une image simple comme bref retour d’information pour indiquer que la réponse a été enregistrée et séparez les essais par des périodes de repos d’au moins 10 secondes. Préparez également des sacs ou des enveloppes physiques pour correspondre à chaque image de loterie utilisée. Dans l’expérience.

Remplissez chaque enveloppe avec un total de 100 jetons rouges et bleus avec des proportions correspondant à la probabilité de tirer un jeton de chaque couleur de ce sac affiché à l’écran. Ceux-ci doivent être montrés aux sujets avant la tâche, car ils seront utilisés plus tard pour jouer à des essais choisis au hasard pour un gain. Il est important de rémunérer les sujets en fonction de leurs choix dans l’expérience afin de les encourager à exprimer leurs véritables préférences.

L’utilisation de sacs physiques contenant de vrais jetons pour jouer aux loteries garantit que les probabilités de résultat sont bien celles énoncées avant le balayage. Tout d’abord, demandez au sujet de remplir un formulaire de consentement ainsi qu’un questionnaire de dépistage par IRM. Assurez-vous ensuite que le sujet enlève tout le métal pour assurer la sécurité dans l’environnement du scanner.

Ensuite, fournissez au sujet des instructions détaillées sur l’expérience et la tâche. Assurez-vous que le sujet comprend comment les probabilités et les quantités sont véhiculées dans chaque image, mais ne révélez aucune information qui pourrait influencer les choix. Une boîte de réponse à deux boutons sera utilisée dans le scanner pour enregistrer les choix du sujet.

Expliquez également le mécanisme de paiement afin que le sujet comprenne que le paiement sera effectué. Selon les choix. Scellez les sacs préalablement préparés et demandez à la personne concernée de signer son nom sur le sceau.

Expliquez que cela permettra de vérifier à la fin de l’expérience que le contenu des sacs n’a pas été modifié, car le sujet sera autorisé à regarder à l’intérieur des sacs pour s’assurer qu’ils confirment le niveau de probabilité ou d’ambiguïté indiqué. À l’aide d’un scanner IRM de trois Tesla, acquérez d’abord une image haute résolution du cerveau du sujet à l’aide d’une séquence pondérée T un. Ce volume structurel sera utilisé pour la reconstruction 3D.

N’importe quelle séquence à haute résolution peut être utilisée à cette fin. Ensuite, utilisez une séquence EPI pondérée en deux étoiles T pour acquérir l’imagerie fonctionnelle. Au cours du paradigme de tâche, assurez-vous de positionner les tranches de manière à inclure les zones cérébrales d’intérêt.

En règle générale, les paramètres de balayage du cortex préfrontal, du cortex pariétal et des ganglions de la base doivent être optimisés pour le scanner spécifique à l’aide d’un TR de deux secondes et de trois par trois par trois voxels millimétriques. Après le balayage, récupérez les données comportementales de l’ordinateur qui a enregistré le bouton du sujet. Réponses de la presse.

Ensuite, permettez au sujet de sélectionner au hasard un ou quelques essais pour le paiement. Cela peut être fait en demandant au sujet de tirer un jeton de poker numéroté dans un sac opaque contenant des jetons avec tous les numéros d’essai. Pour chaque essai sélectionné, montrez le sujet, l’option présentée et le choix qu’il a fait lors de cet essai.

Demandez ensuite au sujet de tirer un jeton du sac choisi lors de cet essai et de le payer en fonction de la couleur tirée et du montant présenté lors de l’essai. Pour analyser les données comportementales, utilisez le maximum de vraisemblance pour ajuster les données de choix de chaque sujet à une fonction logistique telle qu’elle est vue. Ici, où PV est la probabilité que le sujet ait choisi la loterie variable.

SV indice F et SV indice V sont les valeurs subjectives des options fixes et variables respectivement et gamma est la pente de la fonction logistique, qui est un paramètre spécifique au sujet. Une autre approche consiste à utiliser une distribution d’homologation pour modéliser la valeur subjective de chaque option. Pour chaque sujet, utilisez un modèle qui prend en compte la quantité, la probabilité et le niveau d’ambiguïté de l’option et les attitudes de chaque sujet à l’égard du risque et de l’ambiguïté. Nous avons choisi d’utiliser une fonction de puissance qui inclut un effet linéaire d’ambiguïté sur la probabilité perçue.

L’une des nombreuses approches alternatives consiste à inclure l’ambiguïté comme un effet exponentiel, en ajustant les données de choix avec la fonction de choix, ainsi à fournir des estimations pour l’attitude de risque, l’alpha et l’attitude d’ambiguïté bêta pour chaque sujet, en effectuant initialement un prétraitement standard des données fonctionnelles, y compris la coupe, le balayage, la correction temporelle, la correction de mouvement et la suppression des basses fréquences liées au bruit physiologique et aux dérives du scanner. Ensuite, co-enregistrez les données fonctionnelles de chaque sujet aux données anatomiques Pour l’analyse au niveau du sujet unique, utilisez une fonction de réponse hémodynamique standard et modélisez l’activité de chaque voxel comme une réponse soutenue pendant toute la durée de l’essai. Utilisez un modèle linéaire général avec deux prédicteurs de valeur subjective, l’un pour les essais risqués et l’autre pour les essais ambigus.

Utilisez les paramètres spécifiques à chaque sujet dérivés de l’ajustement comportemental pour calculer la valeur subjective de chaque loterie. Incluez également deux prédicteurs fictifs, l’un pour les essais risqués et l’autre pour les essais ambigus. Pour capturer les activations générales telles que visuelles et motrices, le test de signification doit prendre en compte les multiples comparaisons effectuées ici.

La taille minimale du cluster était limitée à six voxels fonctionnels contigus. D’autres méthodes telles que le taux de fausses découvertes peuvent également être utilisées. Recherchez des voxels dans lesquels les coefficients de valeur subjective sous risque et/ou ambiguïté sont significatifs.

Ici, nous voyons les résultats comportementaux de trois sujets représentatifs. Chaque panneau présente les données de choix et les résultats d’ajustement du modèle pour un sujet sous risque ou ambiguïté. Les graphiques illustrent la proportion d’essais dans lesquels le sujet a choisi la variable loterie en fonction du montant séparément pour chaque niveau de probabilité ou d’ambiguïté.

Comme on peut le voir, les sujets peuvent varier considérablement dans leurs attitudes face au risque et à l’ambiguïté. Ici, nous voyons des résultats d’imagerie pour un, les voxels mis en évidence par sujet sont ceux dans lesquels le coefficient du prédicteur de valeur subjective en cas d’ambiguïté ou de risque était significativement différent de zéro. Chez ce sujet représentatif, une corrélation significative a été trouvée dans le cortex préfrontal médial et le striatum dans les deux conditions.

Ces zones sont les plus cohérentes entre les sujets, mais des corrélations significatives peuvent également être attendues dans les zones du cortex pariétal médial et latéral ainsi que de l’amygdale. Cette technique permet aux chercheurs dans le domaine de la neuroéconomie d’explorer les changements dans les attitudes de risque et d’ambiguïté, ainsi que leurs corrélats neuronaux dans différentes populations et dans différents contextes. Après avoir regardé cette vidéo, vous devriez avoir une bonne compréhension de la façon de susciter des attitudes de risque et d’ambiguïté, et comment les utiliser pour analyser les données FMRI obtenues pendant que les participants faisaient des choix.