실험 경제 기능 MRI 방법을 사용하여 위험하고 모호한 옵션의 주관적 가치를 측정

다음 실험의 전반적인 목표는 기능적 MRI(fMRI)를 사용하여 위험하고 모호한 선택지의 주관적 가치에 대한 신경 부호화를 조사하는 것입니다. 이는 피험자가 금액, 확률 및 모호함의 수준이 다양한 위험하고 모호한 복권 사이에서 선택을 내리는 동안 스캔함으로써 수행됩니다. 각 피험자가 내린 선택은 위험과 모호함에 대한 태도를 추정하는 데 사용되며, 이는 다시 위험과 모호함이 피험자의 복권 가치 평가에 어떤 영향을 미치는지 추정하는 데 사용됩니다.

다음으로, 이 추정치들은 일반 선형 모델의 회귀 분석 변수로 사용되어, 활동성이 위험하거나 모호한 복권의 주관적 가치와 상관관계가 있는 뇌 영역을 식별하는 데 활용됩니다. 결과에 따르면 내측 전전두엽 피질과 선조체의 중첩된 영역에서 위험 옵션과 모호한 옵션 모두의 주관적 가치와 상관관계가 나타납니다. 위험 및 모호한 복권에 대한 일반적인 활동성을 비교하는 다른 방법들에 비해 이 기법이 갖는 주요 장점은 뇌 활성화 분석 시 각 참가자의 개별적인 행동 데이터를 사용한다는 점입니다.

이 방법은 가치가 뇌에서 어떻게 표현되며 선택을 내리는 데 어떻게 사용되는지와 같은 신경경제학 분야의 핵심 질문들에 답하는 데 도움이 될 수 있습니다. 이 프로토콜의 첫 번째 단계는 스캐닝 중에 제시될 위험하고 모호한 선택을 나타내는 시각적 자극을 설계하는 것입니다. 위험한 복권 자극에서는 '복권 가방'이라고 불리는 포커 칩이 들어 있는 봉투를 나타내기 위해 여기에 보이는 것과 같은 이미지를 사용하며, 당첨 확률인 빨간색 칩과 파란색 칩의 비율을 그래픽 자극과 숫자로 모두 표시해야 합니다. 여기서 각 이미지의 빨간색 및 파란색 영역은 빨간색 및 파란색 칩의 수에 비례합니다.

실제 봉투의 경우, 모호한 복권(ambiguous lotteries)에 대해 최소 3가지의 결과 확률을 설정하는 것이 권장됩니다. 확률에 관한 정보의 일부가 누락되어, 빨간색 칩과 파란색 칩의 가능한 비율이 범위 내로 제한되되 정확히 지정되지는 않아야 합니다. 당첨 확률을 부분적으로 모호하게 구현합니다.

폐색 크기를 늘리면 모호성 수준이 증가합니다. 최소 세 단계의 폐색 수준을 사용할 것을 권장하며, 당첨 색상 옆에는 결과 금액을 표시하고 다른 색상 옆에는 0을 표시하여 각 당첨 확률 또는 모호성 수준을 나타냅니다. 여기에서 빨간색 칩을 뽑으면 18을 획득하고, 파란색 칩을 뽑으면 결과는 0이 됩니다.다섯.

각 시행에서 보상 수준은 광범위한 금액에 걸쳐 설정하는 것이 권장됩니다. 피험자는 두 가지 복권 중에서 하나를 선택하게 됩니다. 다만, 편의를 위해 옵션 중 하나는 실험 전체 과정 동안 화면 밖에서 일정하게 유지하고, 화면에 표시되는 옵션만 변경할 수 있습니다.

충분한 통계적 검정력을 확보하기 위해 확률 또는 모호성 수준과 금액의 각 조합을 최소 4회 이상 제시해야 합니다. 분석 시에는 각 복권이 2초 동안 자극으로 제시되고, 이후 신경혈관 반응을 위한 6초의 지연 시간이 뒤따르는 느린 사건 관련 설계(slow event related design)로 패러다임을 설정하십시오. 그 후 1~2초 이내에 반응을 수행해야 합니다.

응답이 기록되었음을 나타내는 간단한 이미지를 짧은 피드백으로 사용하고, 각 시행 사이에는 최소 10초의 휴식 시간을 두십시오. 또한, 실험에서 사용되는 각 복권 이미지와 일치하는 실제 가방이나 봉투를 준비하십시오.

디스플레이에 표시된 각 가방에서 해당 색상의 칩을 뽑을 확률에 맞게, 빨간색과 파란색 칩을 합쳐 총 100개를 각 봉투에 넣으십시오. 이 봉투들은 나중에 무작위로 선택된 시행의 보상을 결정하는 데 사용되므로, 과제 시작 전에 피험자들에게 보여주어야 합니다. 피험자들이 자신의 진정한 선호를 표현하도록 유도하기 위해서는 실험에서의 선택에 따라 보상을 지급하는 것이 중요합니다.

실제 칩이 들어 있는 물리적 주머니를 사용하여 복권 게임을 진행함으로써, 피험자가 스캐닝 전 안내된 결과 확률을 실제로 경험하도록 합니다. 먼저, 피험자가 동의서와 MRI 스크리닝 설문지를 작성하도록 합니다. 그 다음, 스캐너 환경 내의 안전을 보장하기 위해 피험자가 모든 금속류를 제거했는지 확인하십시오.

다음으로, 피험자에게 실험과 과제에 대한 상세한 지침을 제공하십시오. 피험자가 각 이미지에서 확률과 양이 어떻게 전달되는지 이해하도록 하되, 선택에 영향을 줄 수 있는 어떠한 정보도 공개하지 마십시오. 피험자의 선택을 기록하기 위해 스캐너 내에서 두 개의 버튼이 있는 응답 박스가 사용됩니다.

또한, 피험자가 지급 내용을 이해할 수 있도록 지급 메커니즘에 대해 설명하십시오. 선택 사항에 따라 이전에 준비한 봉투를 밀봉하고 피험자가 밀봉 부위에 걸쳐 서명하도록 하십시오.

피험자가 가방 내부를 확인하여 명시된 확률이나 모호성 수준과 일치하는지 확인할 수 있도록 허용함으로써, 실험 종료 시 가방의 내용물이 변경되지 않았음을 검증할 수 있음을 설명하십시오. 3 Tesla MRI 스캐너를 사용하여 먼저 T1 가중 시퀀스로 피험자 뇌의 고해상도 영상을 획득합니다. 이 구조적 볼륨은 3D 재구성적으로 사용될 것입니다.

이 목적을 위해 어떤 고해상도 시퀀스든 사용할 수 있습니다. 다음으로, T2* 가중 EPI 시퀀스를 사용하여 기능적 영상을 획득하십시오. 과제 패러다임 동안, 관심 있는 뇌 영역이 포함되도록 슬라이스 위치를 설정하십시오.

일반적으로 전전두엽 피질, 두정엽 피질 및 기저핵의 스캐닝 파라미터는 TR 2초 및 3x3x3 mm 복셀을 사용하여 특정 스캐너에 맞게 최적화해야 합니다. 스캐닝 후, 피험자의 버튼 반응이 기록된 컴퓨터에서 행동 데이터를 검색하십시오.

그 다음, 피험자가 보상을 받을 하나 또는 몇 개의 시행을 무작위로 선택하게 합니다. 이는 모든 시행 번호가 적힌 칩들이 들어 있는 불투명한 주머니에서 피험자가 번호가 매겨진 포커 칩을 뽑게 함으로써 수행할 수 있습니다. 선택된 각 시행에 대해, 제시되었던 옵션과 피험자가 해당 시행에서 내린 선택을 피험자에게 보여줍니다.

그 후 피험자에게 해당 시행에서 선택한 봉투에서 칩을 하나 뽑게 하고, 뽑은 색상과 시행 중에 제시된 금액에 따라 보상을 지급합니다. 행동 데이터를 분석하기 위해, 보인 바와 같이 최대 가능도법(maximum likelihood)을 사용하여 각 피험자의 선택 데이터를 로지스틱 함수에 피팅합니다. 여기서 PV는 피험자가 가변 로또(variable lottery)를 선택할 확률입니다.

SV_F와 SV_V는 각각 고정 옵션과 가변 옵션의 주관적 가치이며, gamma는 로지스틱 함수의 기울기로 피험자별 특이적 파라미터입니다. 또 다른 접근 방식은 확률 분포를 사용하여 각 옵션의 주관적 가치를 모델링하는 것입니다. 각 피험자에 대해 옵션의 양, 확률, 모호성 수준과 리스크 및 모호성에 대한 개별 피험자의 태도를 고려하는 모델을 사용합니다. 본 연구에서는 인지된 확률에 모호성의 선형적 효과가 포함된 거듭제곱 함수를 사용하기로 하였습니다.

몇 가지 대안적 접근 방식 중 하나는 모호성을 지수 효과로 포함하여 선택 함수로 선택 데이터를 피팅함으로써, 각 피험자에 대한 위험 태도 alpha와 모호성 태도 beta의 추정치를 제공하는 것입니다. 우선 슬라이스, 스캔, 시간 보정, 움직임 보정, 그리고 생리적 노이즈 및 스캐너 드리프트와 관련된 저주파 제거를 포함하여 기능적 데이터의 표준 전처리를 수행합니다. 그다음 각 피험자의 기능적 데이터를 해부학적 데이터에 코레지스터(coregister)합니다. 단일 피험자 수준의 분석을 위해 표준 혈역학 응답 함수를 사용하고, 각 복셀의 활동을 전체 시행 동안 지속되는 반응으로 모델링합니다. 위험 시행과 모호한 시행에 대해 각각 하나씩, 두 개의 주관적 가치 예측 변수를 사용하는 일반 선형 모델을 적용합니다.

행동 적합도(behavioral fit)에서 도출된 개별 피험자별 파라미터를 사용하여 각 복권의 주관적 가치를 계산하십시오. 또한 위험 시행(risky trials)과 모호한 시행(ambiguous trials)에 대해 각각 하나씩, 총 두 개의 더미 예측 변수를 포함시키십시오. 시각 및 운동 반응과 같은 일반적인 활성화를 포착하기 위해, 유의성 검정 시 여기에서 수행된 다중 비교를 고려해야 합니다.

최소 클러스터 크기는 6개의 연속된 기능적 복셀로 제한하였습니다. 거짓 발견율(false discovery rate)과 같은 다른 방법 또한 사용될 수 있습니다. 위험 및/또는 모호성 하에서의 주관적 가치 계수가 유의미한 복셀을 탐색하십시오.

여기 세 명의 대표적인 피험자에 대한 행동 결과가 제시되어 있습니다. 각 패널은 위험 또는 모호성 조건 하에서 한 피험자의 선택 데이터와 모델 적합 결과를 나타냅니다. 그래프는 확률 또는 모호성의 각 수준별로 금액의 함수에 따라 피험자가 가변 복권을 선택한 시행의 비율을 묘사합니다.

보시는 바와 같이, 피험자마다 위험과 모호성에 대한 태도에는 큰 차이가 있을 수 있습니다. 여기 한 피험자의 영상 결과가 제시되어 있으며, 강조 표시된 복셀은 모호성 또는 위험 조건 하에서 주관적 가치 예측 변수의 계수가 0과 유의미하게 달랐던 지점들입니다. 이 대표적인 피험자의 경우, 두 조건 모두에서 내측 전전두엽 피질과 선조체에서 유의미한 상관관계가 발견되었습니다.

이 영역들은 피험자 간에 가장 일관되게 나타나지만, 내측 및 외측 두정엽 피질과 편도체 영역에서도 유의미한 상관관계가 나타날 것으로 기대할 수 있습니다. 이 기법을 통해 신경경제학 분야의 연구자들은 다양한 인구 집단과 서로 다른 상황에서 위험 및 모호성에 대한 태도 변화와 그에 따른 신경학적 상관관계를 탐구할 수 있습니다. 이 영상을 시청한 후에는 위험 및 모호성에 대한 태도를 유도하는 방법과, 이를 활용해 참가자들이 선택을 내리는 동안 획득한 FMRI 데이터를 분석하는 방법을 충분히 이해하게 될 것입니다.