Misurare il valore soggettivo di opzioni rischiose e ambigui utilizzando Economia Sperimentale e funzionali metodi MRI

L'obiettivo generale del seguente esperimento è esaminare la codifica neurale del valore soggettivo di opzioni rischiose e ambigue utilizzando la risonanza magnetica funzionale. Ciò si ottiene scansionando i partecipanti mentre fanno scelte tra lotterie rischiose e ambigue, che variano in quantità, probabilità e livello di ambiguità. Le scelte fatte da ciascun partecipante vengono quindi utilizzate per stimare i suoi atteggiamenti nei confronti del rischio e dell'ambiguità, che a loro volta vengono utilizzati per stimare in che modo il rischio e l'ambiguità influenzano la valutazione dei partecipanti delle lotterie.

Successivamente, queste stime vengono utilizzate come regressori in un modello lineare generale al fine di identificare le aree cerebrali in cui l'attività è correlata con il valore soggettivo delle lotterie rischiose e/o ambigue. I risultati mostrano una correlazione con i valori soggettivi di entrambe le opzioni rischiose e ambigue nelle regioni sovrapposte della corteccia prefrontale mediale e dello striato. Il vantaggio principale di questa tecnica rispetto ad altri metodi che confrontano l'attività generale per lotterie rischiose e ambigue è che il comportamento individuale di ciascun partecipante viene utilizzato nell'analisi dell'attivazione cerebrale.

Questo metodo può aiutare a rispondere a domande chiave nel campo della neuroeconomia, come ad esempio come il valore è rappresentato nel cervello e come viene utilizzato per fare scelte. Il primo passo in questo protocollo è quello di progettare gli stimoli visivi che rappresentano scelte rischiose e ambigue da presentare durante la scansione utilizzare immagini come quelle viste qui per rappresentare buste piene di fiches da poker chiamate borse della lotteria in stimoli per lotterie rischiose, la probabilità di vincita essendo il rapporto tra fiches rosse e blu dovrebbe essere illustrato utilizzando sia uno stimolo grafico che numeri. Qui, le aree rosse e blu di ogni immagine sono proporzionali al numero di fiches rosse e blu.

In una busta reale, si raccomanda un minimo di tre probabilità di risultato per le lotterie ambigue. Parte delle informazioni sulla probabilità dovrebbe essere mancante in modo tale che il possibile rapporto tra fiches rosse e blu sia limitato ma non specificato. Rendendo la probabilità di vincita, parzialmente ambigua.

L'aumento delle dimensioni occluse aumenta il livello di ambiguità. Si consiglia di utilizzare almeno tre livelli di occlusione, presentare ogni livello di probabilità di vincita o ambiguità con l'importo del risultato visualizzato accanto al colore vincente e lo zero accanto all'altro colore. In questo caso, l'estrazione di una rossa comporterebbe la vincita di 18 mentre l'estrazione di una blu comporterebbe un risultato pari a zero. Cinque.

Si consigliano livelli di ricompensa che coprono un'ampia gamma di importi in ogni prova. Il soggetto sceglierà tra due lotterie. Tuttavia, per semplicità, una delle opzioni può essere mantenuta costante durante l'esperimento e fuori dallo schermo, mentre viene variata solo l'opzione visualizzata.

Ogni combinazione di probabilità o livello di ambiguità e quantità deve essere presentata almeno quattro volte per garantire una potenza statistica sufficiente. Nelle analisi, impostare il paradigma come un disegno correlato a eventi lenti in modo che ogni lotteria sia presentata come uno stimolo per due secondi, seguito da un periodo di ritardo di sei secondi per consentire la risposta neurovascolare. Quindi la risposta dovrebbe essere data entro uno o due secondi.

Utilizzare una semplice immagine come breve feedback per indicare che la risposta è stata registrata e separare le prove in periodi di riposo di almeno 10 secondi. Inoltre, prepara borse o buste fisiche in modo che corrispondano a ciascuna immagine della lotteria utilizzata. Nell'esperimento.

Riempi ogni busta con un totale di 100 fiches rosse e blu con proporzioni corrispondenti alla probabilità di estrarre una di ogni colore da quella busta mostrata sul display. Questi dovrebbero essere mostrati ai soggetti prima dell'attività poiché verranno utilizzati in seguito per giocare prove scelte casualmente per il payoff. Pagare i soggetti in base alle loro scelte nell'esperimento è importante per incoraggiarli a esprimere le loro vere preferenze.

L'utilizzo di borse fisiche con fiches reali per giocare alle lotterie garantisce che le probabilità di risultato siano effettivamente quelle dichiarate prima della scansione. Innanzitutto, chiedi al soggetto di compilare un modulo di consenso e un questionario di screening MRI. Quindi assicurarsi che il soggetto rimuova tutto il metallo per garantire la sicurezza nell'ambiente dello scanner.

Successivamente, fornisci al soggetto istruzioni dettagliate sull'esperimento e sul compito. Assicurati che il soggetto capisca come le probabilità e gli importi vengono trasmessi in ogni immagine, ma non rivelare alcuna informazione che possa influenzare le scelte. Nello scanner verrà utilizzata una casella di risposta a due pulsanti per registrare le scelte del soggetto.

Inoltre, spiega il meccanismo di pagamento in modo che il soggetto capisca che il pagamento verrà effettuato. Secondo le scelte. Sigillare i sacchetti precedentemente preparati e chiedere al soggetto di firmare il proprio nome sul sigillo.

Spiegare che ciò consentirà di verificare alla fine dell'esperimento che il contenuto delle borse non sia stato alterato poiché al soggetto sarà permesso di guardare nelle borse per assicurarsi che confermino la probabilità o il livello di ambiguità dichiarato. Utilizzando uno scanner MRI a tre Tesla, acquisisci prima un'immagine ad alta risoluzione del cervello del soggetto utilizzando una sequenza pesata T uno. Questo volume strutturale sarà utilizzato per la ricostruzione 3D.

A questo scopo è possibile utilizzare qualsiasi sequenza ad alta risoluzione. Successivamente, utilizzare una sequenza EPI pesata in due stelle T per acquisire l'imaging funzionale. Durante il paradigma del compito, assicurati di posizionare le fette in modo da includere le aree cerebrali di interesse.

Tipicamente, i parametri di scansione della corteccia prefrontale, della corteccia parietale e dei gangli della base devono essere ottimizzati per lo scanner specifico utilizzando un TR di due secondi e voxel di tre per tre per tre millimetri. Dopo la scansione, recuperare i dati comportamentali dal computer che ha registrato il pulsante del soggetto. Risposte alla stampa.

Quindi consenti al soggetto di selezionare casualmente una o più prove per il pagamento. Questo può essere fatto facendo estrarre al soggetto una da poker numerata da un sacchetto opaco che contiene fiches con tutti i numeri di prova. Per ogni prova selezionata, mostra il soggetto, l'opzione presentata e la scelta che hanno fatto in quella prova.

Quindi chiedi al soggetto di estrarre una dalla borsa scelta in quella prova e pagalo in base al colore estratto e all'importo presentato nella prova. Per analizzare i dati comportamentali, utilizzare la massima verosimiglianza per adattare i dati di scelta di ciascun soggetto a una funzione logistica come visto. Qui dove PV è la probabilità che il soggetto abbia scelto la lotteria variabile.

SV sub F e SV sub V sono rispettivamente i valori soggettivi delle opzioni fisse e variabili e gamma è la pendenza della funzione logistica, che è un parametro specifico del soggetto. Un approccio alternativo consiste nell'utilizzare una distribuzione di successione per modellare il valore soggettivo di ciascuna opzione Per ogni soggetto, utilizzare un modello che tenga conto della quantità, della probabilità e del livello di ambiguità dell'opzione e degli atteggiamenti del singolo soggetto nei confronti del rischio e dell'ambiguità. Abbiamo scelto di utilizzare una funzione di potenza che include un effetto lineare di ambiguità sulla probabilità percepita.

Uno dei diversi approcci alternativi consiste nell'includere l'ambiguità come effetto esponenziale, adattando i dati di scelta con la funzione di scelta, fornendo così stime per l'atteggiamento di rischio, alfa e atteggiamento di ambiguità beta per ciascun soggetto, eseguendo inizialmente la pre-elaborazione standard dei dati funzionali, tra cui slice, scansione, correzione temporale, correzione del movimento e rimozione delle basse frequenze relative al rumore fisiologico e alle derive dello scanner. Quindi coregistrare i dati funzionali di ciascun soggetto con i dati anatomici Per l'analisi a livello di singolo soggetto, utilizzare una funzione di risposta emodinamica standard e modellare l'attività di ciascun voxel come risposta sostenuta durante l'intero studio. Utilizzare un modello lineare generale con due predittori di valore soggettivo, uno per le prove rischiose e uno per le prove ambigue.

Utilizzare i parametri specifici del singolo soggetto derivati dall'adattamento comportamentale per calcolare il valore soggettivo di ciascuna lotteria. Includono anche due predittori fittizi, uno per le prove rischiose e uno per le prove ambigue. Per catturare attivazioni generali come quelle visive e motorie, il test di significatività dovrebbe tenere conto dei molteplici confronti eseguiti qui.

La dimensione minima del cluster era limitata a sei voxel funzionali contigui. È possibile utilizzare anche altri metodi, come il tasso di false scoperte. Cerca voxel in cui i coefficienti di valore soggettivo sotto rischio e/o ambiguità sono significativi.

Qui vediamo i risultati comportamentali di tre soggetti rappresentativi. Ogni pannello presenta i dati di scelta e i risultati dell'adattamento del modello per un soggetto in condizioni di rischio o ambiguità. I grafici raffigurano la proporzione di prove in cui il soggetto ha scelto la lotteria variabile in funzione dell'importo separatamente per ogni livello di probabilità o ambiguità.

Come si può vedere, i soggetti possono variare molto nei loro atteggiamenti nei confronti del rischio e dell'ambiguità. Qui vediamo i risultati dell'imaging per uno, i voxel evidenziati dal soggetto sono quelli in cui il coefficiente del predittore del valore soggettivo in condizioni di ambiguità o rischio era significativamente diverso da zero. In questo soggetto rappresentativo, è stata riscontrata una correlazione significativa nella corteccia prefrontale mediale e nello striato in entrambe le condizioni.

Queste aree sono le più coerenti tra i soggetti, ma ci si può aspettare correlazioni significative anche nelle aree della corteccia parietale mediale e laterale e dell'amigdala. Questa tecnica consente ai ricercatori nel campo della neuroeconomia di esplorare i cambiamenti negli atteggiamenti di rischio e ambiguità e i loro correlati neurali in diverse popolazioni in diversi contesti. Dopo aver visto questo video, dovresti avere una buona comprensione di come suscitare atteggiamenti di rischio e ambiguità e come utilizzarli per analizzare i dati FMRI ottenuti mentre i partecipanti stavano facendo delle scelte.