מדידת הערך סובייקטיבי של אפשרויות מסוכנות ושנויות במחלוקת באמצעות כלכלה ניסויית ושיטות MRI פונקציונליות

המטרה הכללית של הניסוי הבא היא לבחון את הקידוד העצבי של הערך הסובייקטיבי של אפשרויות מסוכנות ומעמערות באמצעות MRI תפקודי. דבר זה מושג על ידי סריקת משתתפים בעודם מקבלים החלטות בין הגרלות מסוכנות ומעמערות, הנבדלות בסכום, בהסתברות וברמת העמימות. הבחירות שביצע כל משתתף משמשות לאחר מכן להערכת עמדותיו כלפי סיכון ועמימות, אשר בתורן משמשות להערכת האופן שבו סיכון ועמימות משפיעים על הערכת המשתתפים את ההגרלות.

בשלב הבא, הערכות אלו משמשות כמרגריסורים במודל ליניארי כללי במטרה לזהות אזורי מוח שבהם הפעילות נמצאת במתאם עם הערך הסובייקטיבי של הגרלות מסוכנות ו/או מעורפלות. התוצאות מראות מתאם עם ערכים סובייקטיביים של אפשרויות מסוכנות ומעורפלות כאחד באזורים חופפים של קליפת המוח הפרה-פרונטלית המדיאלית והסטריאטום. היתרון העיקרי של טכניקה זו על פני שיטות אחרות המשוות פעילות כללית עבור הגרלות מסוכנות ומעורפלות הוא שההתנהגות האינדיבידואלית של כל משתתף מובאת בניתוח של הפעלת המוח.

שיטה זו יכולה לסייע במתן מענה לשאלות מפתח בתחום הנוירו-אקונומיה, כגון האופן שבו ערך מיוצג במוח וכיצד הוא משמש לקבלת החלטות. השלב הראשון בפרוטוקול זה הוא תכנון הגירויים הוויזואליים המייצגים בחירות מסוכנות ומעמיימות שיוצגו במהלך הסריקה; השתמשו בתמונות כפי שניתן לראות כאן כדי לייצג מעטפות מלאות באסימוני פוקר המכונות "שקיי הגרלה" (lottery bags) בגירויים עבור הגרלות מסוכנות, כאשר את ההסתברות לזכייה, שהיא היחס בין האסימונים האדומים לכחולים, יש להמחיש באמצעות גירוי גרפי ומספרים גם יחד. כאן, השטחים האדומים והכחולים בכל תמונה הם פרופורציונליים למספר האסימונים האדומים והכחולים.

במעטפה אמיתית, מומלץ להשתמש בשלוש הסתברויות תוצאה לפחות עבור הגרלות מעומעמות. חלק מהמידע על ההסתברות צריך להיות חסר, כך שהיחס האפשרי בין שבבים אדומים לכחולים יהיה חסום אך לא מוגדר. הצגת הסתברות הזכייה כמעומעמת חלקית.

הגדלת גודל ההסתרה מגבירה את רמת העמימות. אנו ממליצים להשתמש בלפחות שלוש רמות של הסתרה, כאשר עבור כל הסתברות זכייה או רמת עמימות מוצג סכום התוצאה לצד צבע הזכייה ואפס לצד הצבע השני. במקרה זה, השליפה של שבב אדום תביא לזכייה ב-18, בעוד ששליפה של שבב כחול תביא לתוצאה של אפס.חמש.

מומלץ להשתמש ברמות תגמול המקיפות טווח רחב של סכומים בכל ניסוי. הנבדק יבחר בין שני הגרלות. עם זאת, לצורך הפשטות, ניתן להשאיר אחת האפשרויות קבועה לאורך כל הניסוי ומחוץ למסך, בעוד שרק האפשרות המוצגת תשתנה.

כל שילוב של רמת הסתברות או עמימות וכמות צריך להיות מוצג לפחות ארבע פעמים כדי להבטיח עוצמה סטטיסטית מספקת. בניתוחים, הגדירו את הפרדיגמה כעיצוב אירועים איטיים (slow event related design), כך שכל הגרלה תוצג כגירוי למשך שתי שניות, ולאחריה תקופת השהיה של שש שניות כדי לאפשר תגובה נוירו-וסקולרית. לאחר מכן, התגובה צריכה להינתן בתוך אחת עד שתי שניות.

השתמשו בתמונה פשוטה כמשוב קצר כדי להצביע על כך שהתגובה נרשמה, והפרידו בין הניסיונות בתקופות מנוחה של 10 שניות לפחות. כמו כן, הכינו שקיות פיזיות או מעטפות התואמות לכל תמונת הגרלה שבה נעשה שימוש בניסוי.

מלאו כל מעטפה בסך הכל של 100 אסימונים אדומים וכחולים, ביחסים התואמים להסתברות להוצאת אסימון בכל צבע מאותו שקית המוצגת בתצוגה. אלה יוצגו לנבדקים לפני המשימה, שכן הם ישמשו מאוחר יותר למשחק בניסיונות שנבחרו באופן אקראי לצורך תגמול. תגמול הנבדקים על בסיס בחירותיהם בניסוי הוא חשוב כדי לעודד אותם להביע את העדפותיהם האמיתיות.

שימוש בשקיות פיזיות המכילות שבבים אמיתיים למשחק בהגרלות מבטיח שהסתברויות התוצאה הן אכן אלו שצוינו לפני הסריקה. ראשית, הנחה את הנבדק למלא טופס הסכמה וכן שאלון סינון ל-MRI. לאחר מכן, ודא שהנבדק מסיר כל פריט מתכתי כדי להבטיח בטיחות בסביבת הסורק.

בשלב הבא, ספקו לנבדק הוראות מפורטות לגבי הניסוי והמשימה. ודאו שהנבדק מבין כיצד ההסתברויות והכמויות מיוצגות בכל תמונה, אך אל תחשפו מידע שעלול להשפיע על הבחירות. תיבת תגובה בעלת שני כפתורים תשמש בתוך הסורק להקלטת בחירות הנבדק.

בנוסף, הסבירו את מנגנון התשלום כדי שהנבדק יבין שהתשלום יבוצע בהתאם לבחירותיו. אטמו את השקיות שהוכנו מראש ובקשו מהנבדק לחתום בשמו על פני האטם.

הסבירו כי הדבר יאפשר אימות בסיום הניסוי לכך שתוכני השקים לא שונו, שכן הנבדק יורשה להביט לתוך השקים כדי לוודא שהם תואמים לרמת ההסתברות או העמימות שצוינה. באמצעות סורק MRI בעוצמה של 3 Tesla, רכשו תחילה תמונה ברזולוציה גבוהה של מוח הנבדק באמצעות רצף T1 weighted. נפח מבני זה ישמש לשחזור תלת-ממדי.

ניתן להשתמש בכל רצף ברזולוציה גבוהה למטרה זו. לאחר מכן, השתמשו ברצף EPI המשוקלל T2* כדי לרכוש דימות פונקציונלי. במהלך פרדיגמת המשימה, ודאו כי פרוסות הדימות ממוקמות כך שיכללו את אזורי המוח הרלוונטיים.

בדרך כלל, יש לאפטמיזציה את פרמטרי הסריקה של הקורטקס הפרה-פרונטלי, הקורטקס הפריאטלי והגרעינים הבסיסליים עבור הסורק הספציפי, תוך שימוש ב-TR של שתי שניות ובוקסלים של שלושה על שלושה על שלושה מילימטרים. לאחר הסריקה, שלוף את הנתונים ההתנהגותיים מהמחשב שתיעד את תגובות לחיצת הכפתור של הנבדק.

לאחר מכן, אפשרו לנבדק לבחור באופן אקראי ניסוי אחד או מספר ניסויים לצורך תשלום. ניתן לעשות זאת על ידי בקשה מהנבדק להוציא שבב פוקר ממוספר מתוך שקית אטומה המכילה שבבים עם כל מספרי הניסויים. עבור כל ניסוי שנבחר, הראו לנבדק את האפשרות שהוצגה ואת הבחירה שביצע באותו ניסוי.

לאחר מכן, בקשו מהנבדק לשלוף ז'יטון מהשקית שנבחרה בניסוי זה, ותשלמו לו בהתאם לצבע הז'יטון שנשלף ולסכום שהוצג בניסוי. כדי לנתח את הנתונים ההתנהגותיים, השתמשו בנתיב של נראות מקסימלית (maximum likelihood) כדי להתאים את נתוני הבחירה של כל נבדק לפונקציה לוגיסטית כפי שמוצג. כאן PV הוא ההסתברות שהנבדק בחר בהגרלה המשתנה.

SV sub F ו-SV sub V הם הערכים הסובייקטיביים של האפשרויות הקבועות והמשתנות בהתאמה, ו-gamma היא השיפוע של הפונקציה הלוגיסטית, המהווה פרמטר ספציפי לנבדח. גישה חלופית היא שימוש בהתפלגות הסתברותית כדי למדל את הערך הסובייקטיבי של כל אפשרות. עבור כל נבדח, השתמשו במודל המתחשב בכמות, בהסתברות וברמת העמימות של האפשרות, וכן בעמדותיו של הנבדח האינדיבידואלי כלפי סיכון ועמימות. בחרנו להשתמש בפונקציית חזקה הכוללת השפעה ליניארית של עמימות על ההסתברות הנתפסת.

אחת מכמה גישות חלופיות היא לכלול עמימות כהשפעה מעריכית, התאמת נתוני הבחירה לפונקציית הבחירה, ובכך לספק הערכות עבור גישת הסיכון, אלפא, וגישת העמימות, בטא, עבור כל נסיינה; תחילה בצע עיבוד מקדימה סטנדרטי של הנתונים הפונקציונליים, כולל slice, scan, תיקון זמן, תיקון תנועה, והסרה של תדרים נמוכים הקשורים לרעש פיזיולוגי ולסחריפיס (drifts) של הסורק. לאחר מכן, בצע רישום משותף (coregister) של הנתונים הפונקציונליים של כל נסיינה לנתונים האנטומיים. לצורך ניתוח ברמת הנסיינה הבודד, השתמש בפונקציית תגובה המודינמית סטנדרטית ומדל את הפעילות של כל ווקסל כתגובה מתמשכת במהלך כל הניסוי. השתמש במודל לינארי כללי עם שני מנבאי ערך סובייקטיבי, אחד עבור ניסויי סיכון ואחד עבור ניסויי עמימות.

השתמשו בפרמטרים הספציפיים לכל נבדק שהופקו מההתאמה ההתנהגותית כדי לחשב את הערך הסובייקטיבי של כל הגרלה. כללו גם שני משתני דמי (dummy predictors), אחד עבור ניסיונות של סיכון ואחד עבור ניסיונות של עמימות. כדי ללכוד הפעלות כלליות כגון חזותיות ומוטוריות, בדיקת המובהקות צריכה להביא בחשבון את ההשוואות המרובות שבוצעו כאן.

גודל הצביר המינימלי הוגבל לשישה ווקסלים תפקודיים רצופים. ניתן להשתמש גם בשיטות אחרות, כגון שיעור גילויים שגויים (false discovery rate). חפש ווקסלים שבהם המקדמים של ערך סובייקטיבי תחת סיכון ו/או עמימות הם מובהקים.

כאן אנו רואים תוצאות התנהגותיות של שלושה נבדקים מייצגים. כל פאנל מציג את נתוני הבחירה ואת תוצאות התאמת המודל עבור נבדק אחד תחת סיכון או עמימות. הגרפים מציגים את פרופורציית הניסיונות שבהם הנבדק בחר בהגרלה המשתנה כפונקציה של הסכום, בנפרד לכל רמה של הסתברות או עמימות.

כפי שניתן לראות, נבדקים עשויים להתרחב מאוד בעמדותיהם כלפי סיכון ועמימות. כאן אנו רואים תוצאות דימות עבור נבדק אחד; הווקסלים המודגשים הם אלו שבהם המקדם של predicting value הסובייקטיבי תחת עמימות או סיכון היה שונה באופן מובהק מאפס. בנבדק מייצג זה, נמצאה מתאם מובהק בקליפת המעטפת הפרה-פרונטלית המדיאלית (medial prefrontal cortex) ובסטריאטום תחת שני התנאים.

אזורים אלה הם העקביים ביותר בין נבדקים, אך ניתן לצפות למתאמים משמעותיים גם באזורים בקליפת המוח הפריאטלית המדיאלית והלטרלית, כמו גם באמיגדלה. טכניקה זו מאפשרת לחוקרים בתחום הנוירו-כלכלה לבחון שינויים בגישות לסיכון ואי-ודאות (ambiguity), ואת המתאמים העצביים שלהם באוכלוסיות שונות תחת הקשרים שונים. לאחר צפייה בסרטון זה, תהיה לך הבנה טובה כיצד לעורר גישות לסיכון ואי-ודאות, וכיצד להשתמש בהן כדי לנתח נתוני FMRI שהתקבלו בזמן שמשתתפים ביצעו בחירות.