Pomiar subiektywnej wartości opcji ryzykownych i niejednoznacznych z wykorzystaniem metod ekonomii eksperymentalnej i funkcjonalnego rezonansu magnetycznego (fMRI)

Podsumowanie

Wykorzystanie funkcjonalnego rezonansu magnetycznego (fMRI) oraz metod behawioralnych do określenia reprezentacji neuronalnej subiektywnej wartości opcji ryzykownych i niejednoznacznych w ludzkim mózgu.

Streszczenie

Większość decyzji, których dokonujemy, wiąże się z niepewnymi konsekwencjami. W niektórych przypadkach prawdopodobieństwa różnych możliwych wyników są dokładnie znane, co określa się mianem sytuacji „ryzykownych”. W innych przypadkach, gdy nie można oszacować prawdopodobieństw, mamy do czynienia z sytuacją opisywaną jako „niejednoznaczna”. Choć większość ludzi wykazuje awersję zarówno do ryzyka, jak i do niejednoznaczności^1,2, stopień tych awersji znacząco różni się między osobnikami, przez co subiektywna wartość tej samej opcji ryzykownej lub niejednoznacznej może być bardzo różna dla różnych osób. Łączymy funkcjonalny rezonans magnetyczny (fMRI) z metodą opartą na ekonomii eksperymentalnej³ , aby ocenić reprezentację neuronalną subiektywnych wartości opcji ryzykownych i niejednoznacznych⁴. Technika ta może być obecnie wykorzystywana do badania tych reprezentacji neuronalnych w różnych populacjach, takich jak różne grupy wiekowe oraz różne grupy pacjentów.

W naszym eksperymencie badani dokonują istotnych wyborów pomiędzy dwiema alternatywami, podczas gdy ich aktywacja neuronalna jest śledzona za pomocą fMRI. W każdej próbie badani wybierają pomiędzy loteriami, które różnią się kwotą pieniędzy oraz prawdopodobieństwem wygrania tej kwoty lub poziomem niejednoznaczności związanym z wygraną. Nasz projekt parametryczny pozwala nam wykorzystać zachowanie decyzyjne każdej osoby do oszacowania jej stosunku do ryzyka i niejednoznaczności, a tym samym do oszacowania wartości subiektywnych, jakie każda opcja miała dla danej osoby. Inną ważną cechą projektu jest to, że wynik wybranej loterii nie jest ujawniany podczas eksperymentu, dzięki czemu nie dochodzi do procesu uczenia się, a zatem opcje niejednoznaczne pozostają niejednoznaczne, a stosunek do ryzyka jest stabilny. Zamiast tego, na koniec sesji skanowania, losowo wybieranych jest kilka lub jedna próba, która jest rozegrana o prawdziwe pieniądze. Ponieważ badani nie wiedzą wcześniej, które próby zostaną wybrane, muszą traktować każdą pojedynczą próbę tak, jakby była to jedyna próba, w której otrzymają zapłatę. Taki projekt zapewnia, że możemy oszacować rzeczywistą wartość subiektywną każdej opcji dla każdego badanego. Następnie poszukujemy obszarów w mózgu, których aktywacja jest skorelowana z wartością subiektywną opcji ryzykownych oraz obszarów, których aktywacja jest skorelowana z wartością subiektywną opcji niejednoznacznych.

Protokół

1. Przygotowanie eksperymentu

1. Pierwszym krokiem jest zaprojektowanie bodźców wizualnych reprezentujących wybory ryzykowne i niejednoznaczne, które będą prezentowane na ekranie w skanerze. Używamy obrazów, takich jak te przedstawione na Rysunku 1, aby przedstawić worki wypełnione żetonami do pokera, które nazywamy „workami loteryjnymi”. Graficznie obrazy te można traktować jako stosy żetonów przed umieszczeniem ich w worku. Co ważne, obrazy te reprezentują rzeczywiste pojemniki, w naszym przypadku koperty, wypełnione 100 czerwonymi i niebieskimi żetonami, które badany zobaczy przed rozpoczęciem eksperymentu. Zapewnia to, że badani rozumieją loterie, z którymi będą mieli do czynienia, oraz wierzą, że wyświetlacz komputerowy dokładnie je przedstawia. W przypadku loterii ryzykownych prawdopodobieństwo wygranej, czyli stosunek czerwonych do niebieskich żetonów w danej kopercie, jest precyzyjnie określone za pomocą liczb oraz bodźca graficznego (Rysunek 1A). W przypadku loterii niejednoznacznych część informacji o prawdopodobieństwie jest pominięta (Rysunek 1B), tak że możliwy stosunek czerwonych do niebieskich żetonów jest ograniczony, ale nie określony, co sprawia, że prawdopodobieństwo wygranej jest częściowo niejednoznaczne.
2. W loteriach ryzykownych czerwone i niebieskie obszary każdego obrazu są proporcjonalne do liczby czerwonych i niebieskich żetonów w kopercie. Zalecamy stosowanie minimum 3 prawdopodobieństw wyniku⁴ (Rysunek 1A). Dokładne wartości prawdopodobieństwa mogą się różnić w zależności od konkretnych wymagań eksperymentu, jednak eksperymentatorzy powinni zachować ostrożność przy stosowaniu prawdopodobieństw bardzo wysokich i bardzo niskich. Znane jest, że badani zazwyczaj błędnie interpretują prawdopodobieństwa poniżej 10% lub powyżej 90%⁵. Chyba że celem jest badanie tej systematycznej błędnej interpretacji, należy unikać tych ekstremów.
3. Aby przekazać niejednoznaczność, środkowa część stosu żetonów na wyświetlaczu komputera jest zasłonięta szarym ekranem przesłaniającym (Rysunek 1B). W szarym obszarze liczba żetonów każdego koloru pozostanie nieznana, a zatem prawdopodobieństwo wylosowania czerwonego lub niebieskiego żetonu nie będzie dokładnie znane. Na przykład w środkowym worku na Rysunku 1B przesłona zakrywa 50% worka, zatem liczba czerwonych żetonów może wynosić od 25 (jeśli wszystkie żetony za przesłoną są niebieskie) do 75 (jeśli wszystkie żetony za przesłoną są czerwone). Oczywiście liczba niebieskich żetonów również może mieścić się w tym zakresie.
4. Zwiększenie rozmiaru przesłony zwiększa poziom niejednoznaczności (zakres możliwych prawdopodobieństw wylosowania czerwonego lub niebieskiego żetonu). Zalecamy stosowanie co najmniej 3 poziomów przesłonięcia, obejmujących odpowiednio ~25, 50 lub 75% worka (Rysunek 1B).
5. Gdy badani wykonują zadanie na komputerze, każdemu prawdopodobieństwu wygranej/poziomowi niejednoznaczności przypisujemy zakres możliwych kwot wyniku. Zalecamy stosowanie 5 poziomów nagrody⁴, obejmujących szeroki zakres kwot, na przykład: 5, 9,5, 18, 34 i 65 dolarów. Na wyświetlaczu kwotę wyniku prezentujemy obok koloru wygrywającego, a obok drugiego koloru wyświetlamy „0”. Na przykład na Rysunku 2 wylosowanie czerwonego żetonu skutkowałoby wygraną w wysokości $18, podczas gdy wylosowanie niebieskiego żetonu skutkowałoby wynikiem zerowym.
6. Kluczowe jest to, że w każdej próbie badani wybierają między dwiema loteriami. Dla uproszczenia jedną z opcji utrzymujemy stałą przez cały eksperyment (w tym przykładzie jest to 50% szans na wygranie $5) i zmieniamy tylko drugą opcję. Ma to dwie zalety. Po pierwsze, opcja stała nie musi pojawiać się na ekranie, co upraszcza prezentację wizualną (choć sporadyczne przypomnienie może być pomocne). Po drugie, ponieważ jedna opcja nigdy się nie zmienia, analizy sygnału fMRI oparte na regresji mogą skutecznie pominąć ten parametr. Należy zauważyć, że aby uzyskać „wspólną walutę” dla subiektywnych wartości loterii ryzykownych i niejednoznacznych, opcja referencyjna musi być taka sama dla obu typów prób.
7. Każda kombinacja poziomu prawdopodobieństwa lub niejednoznaczności oraz kwoty powinna zostać zaprezentowana łącznie co najmniej 4 razy, a najlepiej częściej, aby zapewnić wystarczającą moc statystyczną zarówno w analizach behawioralnych, jak i fMRI. W połowie powtórzeń kolor czerwony powinien być powiązany z wynikiem niezerowym, a w drugiej połowie kolor niebieski, aby uniknąć błędu preferencji kolorystycznej i zapewnić symetrię w niejednoznaczności.
8. Zdecydowaliśmy się na zastosowanie wolnego projektu zdarzeń (slow event-related design) (Rysunek 3), w którym odpowiedź hemodynamiczna na różne próby jest dobrze odseparowana w czasie. W takim projekcie każda loteria powinna być prezentowana jako bodziec przez krótki czas, w naszym przypadku przez 2 s, po czym następuje okres opóźnienia (w naszym przypadku 6 s), aby umożliwić narastanie aktywacji neuronalnej związanej z decyzją. Reakcje powinny zostać udzielone w krótkim oknie czasowym (1-2 s). Należy użyć obrazu, takiego jak ten pokazany na Rysunku 3, jako krótkiej informacji zwrotnej, aby badany wiedział, że jego odpowiedź została zarejestrowana. Próby należy oddzielić długimi okresami odpoczynku (10 s lub więcej), aby odpowiedź hemodynamiczna mogła powrócić do poziomu bazowego. Krótsze okresy odpoczynku można stosować przy odpowiednim zastosowaniu jitteringu. Próby należy grupować w bloki do 30 prób każdy, dbając o to, aby bloki nie trwały dłużej niż około 10 minut. Pozwala to na przerwy w skanerze, które maksymalizują wydajność i minimalizują zmęczenie badanego. Aby zapewnić co najmniej 4 powtórzenia każdej kombinacji prawdopodobieństwa/niejednoznaczności i kwoty, całkowita liczba prób wyniesie co najmniej 120, t.j. 4 bloki.
9. Należy przygotować fizyczne worki (w naszym przypadku koperty), aby można było je pokazać badanym przed wykonaniem przez nich zadania. Zostaną one wykorzystane później do rozegrania losowo wybranych prób w celu wypłaty nagrody. Należy przygotować worek dla każdego obrazu loterii użytego w eksperymencie. Każdy worek należy wypełnić łącznie 100 czerwonymi i niebieskimi żetonami do pokera/bingo, w proporcjach odpowiadających prawdopodobieństwu wylosowania żetonu danego koloru z tego worka, jak pokazano na wyświetlaczu. W przypadku worków niejednoznacznych należy użyć generatora liczb losowych, aby zdecydować o rzeczywistej liczbie czerwonych i niebieskich żetonów, odpowiadającej każdemu poziomowi niejednoznaczności. Worek referencyjny należy przygotować z 50 czerwonymi i 50 niebieskimi żetonami. Przygotowanie fizycznych worków i pokazanie ich badanym jest szczególnie ważne w przypadku osób rekrutowanych z wydziałów psychologii. Tacy badani mogą podejrzewać pewnego rodzaju manipulację, a jeśli będą podejrzewać oszustwo, ich odpowiedzi będą nieinterpretowalne.

2. Przygotowanie obiektu

1. Każdy uczestnik musi wypełnić formularz zgody oraz kwestionariusz przesiewowy. Formularz przesiewowy weryfikuje, czy uczestnik nie posiada w organizmie żadnych elementów metalowych, czy nie jest w ciąży ani nie cierpi na klaustrofobię oraz czy można go bezpiecznie poddać badaniu. Uczestnicy muszą również usunąć z ciała wszystkie przedmioty metalowe, aby zapewnić bezpieczeństwo w środowisku skanera. Jest to kwestia krytyczna.
2. Przedstaw uczestnikowi szczegółowe instrukcje dotyczące eksperymentu. Zadaj kilka prostych pytań, aby upewnić się, że rozumie on sposób przekazywania prawdopodobieństw i ilości na każdym obrazie oraz rozumie powierzone mu zadanie. Należy zadbać o to, aby nie ujawnić żadnych informacji, które mogłyby wpłynąć na jego wybory. Na przykład nie należy formułować problemu wyboru w sposób, który skłaniałby uczestników do przyjęcia konkretnej postawy wobec ryzyka. Pokaż uczestnikowi fizyczne woreczki i podkreśl, że każdy obraz w eksperymencie odnosi się do jednego konkretnego fizycznego woreczka, którego nie możesz i nie będziesz modyfikować. Wyjaśnij również, że w połowie prób kolorem wygrywającym będzie niebieski, a w drugiej połowie czerwony. Omów mechanizm wynagrodzenia, aby uczestnik zrozumiał, że zapłata zostanie dokonana zgodnie z jego wyborami. Zachęcaj uczestników do zadawania pytań w kwestiach, których nie rozumieją. Jest to krytyczny moment, w którym kształtują się przekonania uczestników na temat eksperymentu. Niezbędne jest, aby uczestnicy byli pewni, że eksperyment nie wiąże się z żadną formą manipulacji, w przeciwnym razie wyniki behawioralne i neuronalne będą nieinterpretowalne.
3. Zapieczętuj woreczki i poproś uczestnika o podpisanie się na miejscu zapieczętowania. Wyjaśnij, że pozwoli mu to zweryfikować na koniec eksperymentu, że zawartość woreczków nie została zmieniona w trakcie badania. Pomaga to utwierdzić uczestników w przekonaniu, że biorą udział w całkowicie uczciwej grze. Wyjaśnij również, że po rozegraniu loterii na koniec eksperymentu będą mogli sprawdzić zawartość woreczków, aby upewnić się, że jest ona zgodna z określonym poziomem prawdopodobieństwa lub niejednoznaczności.

3. Skanowanie

1. Do pozyskania sygnałów BOLD (Blood Oxygenation Level-Dependent) z całego mózgu wykorzystujemy skaner MRI 3T z cewką głowową (4 kanały lub więcej).
2. Do rejestracji wyborów badanych należy użyć dwuprzyciskowej skrzynki odpowiedzi.
3. Skan anatomiczny: stosujemy sekwencję MPRAGE ważoną w czasie T1, aby uzyskać wyraźny obraz mózgu badanego o wysokiej rozdzielczości (1x1x1 mm), który może zostać wykorzystany do rekonstrukcji 3D. W tym celu można zastosować dowolną sekwencję o wysokiej rozdzielczości.
4. Skanowanie funkcjonalne: stosujemy sekwencję EPI ważoną w czasie T2*, z TR wynoszącym 2 s i wokselami 3x3x3 mm. Należy upewnić się, że warstwy są ustawione tak, aby obejmowały obszary mózgu, które najbardziej nas interesują, zazwyczaj korę przedczołową, korę ciemieniową oraz jądra podstawy. Parametry skanowania powinny być zoptymalizowane dla konkretnego skanera; w naszym przypadku zastosowano: TE 30ms, kąt odchylenia (flip angle) 75°, 36 warstw o grubości 3 mm bez przerwy międzywarstwowej, równolegle do linii AC-PC, rozdzielczość w płaszczyźnie 3x3 mm, FOV 192 mm. Inne badania sugerują, że ustawienie warstw pod kątem 30° względem linii AC-PC może zmniejszyć utratę sygnału w korze oczodołowo-czołowej⁶.

4. Procedura płatności

1. Po wyjęciu badanego ze skanera pobierz dane behawioralne z komputera, który rejestrował odpowiedzi badanego.
2. Losowo wybierz jedną lub kilka prób w celu wypłaty wynagrodzenia. Najlepiej pozwolić, aby wybór dokonał badany, na przykład poprzez wyciągnięcie ponumerowanego żetonu pokerowego z nieprzezroczystej torby zawierającej żetony ze wszystkimi numerami prób. Zapewni to badanemu, że wybór jest rzeczywiście losowy.
3. Dla każdej wybranej próby pokaż badanemu przedstawioną opcję oraz wybór, którego dokonał w tej próbie. Poproś go o wyciągnięcie z torby żetonu wybranego w danej próbie i wypłać wynagrodzenie zgodnie z wylosowanym kolorem i kwotą przedstawioną w tej próbie.

Na przykład, jeśli w wybranym badaniu przedstawiono loterię ukazaną na Rysunku 2 (loteria niejednoznaczna, oferująca 18 USD w przypadku wylosowania czerwonego żetonu) i badany wybrał tę loterię (zamiast loterii referencyjnej), wówczas badany powinien wyciągnąć żeton z fizycznego worka odpowiadającego obrazowi loterii. Jeśli zostanie wylosowany czerwony żeton, badany otrzyma 18 USD; jeśli zostanie wylosowany niebieski żeton, nie otrzyma niczego.

5. Analiza danych behawioralnych

1. Wykorzystując metodę największej wiarygodności, dopasowaliśmy dane dotyczące wyborów każdego badanego do funkcji logistycznej o postaci:

Gdzie Pv to prawdopodobieństwo, że badany wybrał loterię zmienną, SV_F i SV_V to odpowiednio subiektywne wartości opcji stałej i zmiennej, a γ to nachylenie funkcji logistycznej, będące parametrem specyficznym dla danego badanego. Alternatywnym podejściem jest zastosowanie rozkładu probitowego.

2. Aby zamodelować subiektywną wartość każdej opcji dla każdego badanego, można zastosować jeden z wielu modeli uwzględniających kwotę, prawdopodobieństwo i poziom niejednoznaczności opcji oraz postawę danej osoby wobec ryzyka i niejednoznaczności. Zdecydowaliśmy się na użycie funkcji potęgowej⁵, która uwzględnia liniowy wpływ niejednoznaczności na postrzegane prawdopodobieństwo⁷:

Gdzie p jest prawdopodobieństwem obiektywnym (z definicji 0,5 dla tej klasy loterii niejednoznacznych), A to poziom niejednoznaczności (ułamek całkowitego prawdopodobieństwa, który jest nieznany, 0 dla loterii ryzykownych), V to kwota, a α i β są odpowiednio parametrami postawy badanego wobec ryzyka i niejednoznaczności. Jednym z kilku alternatywnych podejść jest uwzględnienie niejednoznaczności jako efektu wykładniczego⁸:

Dopasowanie danych dotyczących wyboru do funkcji wyboru pozwala w ten sposób na oszacowanie postawy wobec ryzyka (α) oraz postawy wobec niepewności (β) dla każdego badanego.

6. Analiza danych neuronalnych

1. Przeprowadzić standardowe przetwarzanie wstępne danych, obejmujące: 1) korekcję czasu skanowania warstw w celu uwzględnienia niewielkich różnic w czasie skanowania poszczególnych warstw; 2) korekcję ruchu w celu uwzględnienia przemieszczeń badanego w obrębie jednej serii oraz między seriami; oraz 3) usunięcie niskich częstotliwości, które są zazwyczaj związane z szumem fizjologicznym i dryftem skanera.
2. Dopasować dane funkcjonalne każdego badanego do ich danych anatomicznych.
3. W analizie na poziomie pojedynczego badanego zamodelować aktywność każdego woksela jako odpowiedź trwałą podczas całej próby (w naszym przypadku 10 s), splotowaną ze standardową funkcją odpowiedzi hemodynamicznej⁹. Zastosować ogólny model liniowy (General Linear Model) z następującymi predyktorami:

• Dwa predyktory wartości subiektywnej (SV), jeden dla prób ryzykownych i jeden dla prób niejednoznacznych. Należy użyć równania 2 oraz indywidualnych parametrów specyficznych dla badanego, uzyskanych z dopasowania behawioralnego, aby obliczyć SV każdej loterii. Ponieważ loteria referencyjna jest taka sama dla wszystkich prób, można użyć wyłącznie SV loterii zmiennej w każdej próbie. Dla predyktora SV ryzykownych należy wpisać SV dla każdej próby ryzykownej i 0 dla każdej próby niejednoznacznej, a odwrotnie w przypadku predyktora niejednoznacznych.
• Dwa predyktory pozorne (dummy), jeden dla prób ryzykownych i jeden dla prób niejednoznacznych, aby uchwycić ogólną aktywację, taką jak aktywacje wzrokowe i motoryczne.

4. Należy zidentyfikować woksle, w których współczynniki SV w warunkach ryzyka i/lub niepewności są istotne. Test istotności powinien uwzględniać wykonane porównania wielokrotne. Zastosowaną przez nas metodą było ograniczenie minimalnej wielkości klastra do 6 sąsiadujących woksli funkcjonalnych¹⁰. Alternatywnie, do korekty porównań wielokrotnych można zastosować inne metody, takie jak False Discovery Rate (FDR)¹¹.

7. Reprezentatywne wyniki

Zachowanie

Rysunek 4 przedstawia wyniki behawioralne trzech reprezentatywnych badanych. Każdy panel prezentuje dane dotyczące wyborów oraz wyniki dopasowania modelu dla jednego badanego w warunkach ryzyka (lewo) lub niejednoznaczności (prawo). Wykresy przedstawiają proporcję prób, w których badany wybrał loterię zmienną w funkcji kwoty, osobno dla każdego poziomu prawdopodobieństwa lub niejednoznaczności. Jak widać, badani mogą wykazywać duże różnice w swoich postawach wobec ryzyka i niejednoznaczności.

Aby sprawdzić jakość dopasowania, należy zweryfikować wartość r², która idealnie powinna przekraczać 0,5, a także dokonać wizualnej inspekcji krzywych. Choć u wszystkich trzech badanych w naszych przykładach wystąpiło prawidłowe zachowanie umożliwiające uzyskanie rozsądnego dopasowania, należy zauważyć, że osoba 2 rzadko wybierała opcję zmienną w warunku ryzyka z najniższym prawdopodobieństwem (0,13). Sugeruje to, że rozszerzenie zakresu kwot i/lub zastosowanie wyższych prawdopodobieństw może przynieść lepsze wyniki, ponieważ zapewni to wybieranie opcji zmiennych przez badanych w co najmniej niektórych próbach. Inną opcją jest przeprowadzenie testu wstępnego dla każdego badanego w szerokim zakresie kwot i wybranie takich wartości, które zapewnią porównywalną liczbę wyborów opcji referencyjnej i zmiennej dla każdej osoby.

fMRI

Rysunek 5 przedstawia wyniki obrazowania u jednego reprezentatywnego badanego. Podświetlone woksele to takie, w których współczynnik predyktora wartości subiektywnej w warunkach niepewności (góra) lub ryzyka (dół) różnił się istotnie od 0. U tego typowego badanego stwierdzono istotną korelację w przyśrodkowej korze przedczołowej (MPFC) oraz w prążkowiu w obu warunkach. Obszary te są najbardziej spójne u wszystkich badanych, jednak istotnych korelacji można spodziewać się również w obszarach przyśrodkowej i bocznej kory ciemieniowej, a także w ciele migdałowatym. Ponieważ aktywność w tego typu zadaniach jest zazwyczaj słaba i obarczona szumem, należy spodziewać się wysokiej zmienności między badanymi, przy czym u wielu z nich istotne korelacje mogą wystąpić jedynie w podzbiorze obszarów.

Rycina 1. Bodźce ryzykowne i niejednoznaczne. A) W przypadku bodźców ryzykownych czerwone i niebieskie obszary każdego obrazu na ekranie są proporcjonalne do liczby czerwonych i niebieskich żetonów w kopercie. Zastosowano tutaj trzy prawdopodobieństwa wyniku: 0.13, 0.25 oraz 0.38. B) W przypadku bodźców niejednoznacznych środkowa część obrazu jest przesłonięta szarym ekranem. W obszarze szarym liczba żetonów każdego koloru jest nieznana, a zatem prawdopodobieństwo wyciągnięcia żetonu określonego koloru nie jest dokładnie znane. Zastosowano tutaj trzy poziomy niejednoznaczności, w których przesłonięte jest 25, 50 lub 75% obrazu.

Rycina 2. Przykład loterii. Jest to loteria niejednoznaczna, przy poziomie niejednoznaczności 50%. Co najmniej 25 żetonów w kopercie jest czerwonych, a co najmniej 25 jest niebieskich. Jeśli zostanie wylosowany czerwony żeton, badany wygra $18, natomiast w przypadku wylosowania niebieskiego żetonu nie wygra nic.

Rysunek 3. Struktura próby. Loteria jest prezentowana krótko, po czym następuje okres opóźnienia. Następnie sygnał odpowiedzi wzywa badanych do wskazania wyboru pomiędzy loterią wyświetlaną na ekranie a loterią referencyjną (w tym przypadku 50% szansy na wygranie $5). Próby są przeplatane długimi okresami odpoczynku.

Rycina 4. Przykłady zachowań decyzyjnych pojedynczych osób badanych. Wykresy przedstawiają proporcję prób, w których dana osoba wybrała opcję zmienną zamiast referencyjnej, w funkcji oferowanej kwoty w próbach ryzykownych (lewo) i niejednoznacznych (prawo). Różne krzywe odpowiadają różnym poziomom ryzyka lub niejednoznaczności. α, parametr postawy wobec ryzyka; β, parametr postawy wobec niejednoznaczności; r², pseudo R-kwadrat McFaddenna, miara dobroci dopasowania modelu behawioralnego, równoważna części wariancji wyjaśnionej przez model; n, liczba prób, w których udzielono odpowiedzi (z łącznej liczby 180).

Rycina 5. Przykład map aktywacji pojedynczego badanego. Mapy aktywacji przedstawiono na anatomicznym obrazie o wysokiej rozdzielczości. Zaznaczone obszary to te, których aktywacja była istotnie skorelowana z wartością subiektywną w warunkach ryzyka (góra) lub niejednoznaczności (dół). U większości badanych przyśrodkowa kora przedczołowa (MPFC) i prążkowie reprezentują wartość subiektywną zarówno w warunkach ryzyka, jak i niejednoznaczności. Skorygowane wartości p oparto na minimalnej wielkości klastra wynoszącej 6 wokseli funkcjonalnych. Kliknij tutaj, aby wyświetlić większą rycinę.

Dyskusja

Wykorzystaliśmy metodę z obszaru ekonomii eksperymentalnej, aby scharakteryzować zachowanie badanych oraz oszacować ich indywidualne podejście do ryzyka i niepewności. Następnie wykorzystaliśmy te szacunki do analizy danych neuronowych.

Wcześniej stosowano inne metody badania aktywności fMRI podczas dokonywania przez badanych wyborów w warunkach ryzyka i niepewności^8,12. Nasze podejście łączy jednak kilka istotnych cech. Po pierwsze, wykorzystuje ono projekt parametryczny, w którym ...

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
Skaner MRI Allegra Head Only 3.0 T	Siemens AG	Można również użyć skanera całego ciała
Cewka nadawcza głowy NM-011	Nova Medical
E-prime	Psychology Software Tools	Oprogramowanie do prezentacji bodźców
Matlab	Mathworks