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

Ogólnym celem poniższego eksperymentu jest zbadanie neuronalnego kodowania subiektywnej wartości opcji ryzykownych i niejednoznacznych przy użyciu funkcjonalnego rezonansu magnetycznego (fMRI). Zostaje to osiągnięte poprzez skanowanie uczestników w trakcie dokonywania przez nich wyborów pomiędzy ryzykownymi a niejednoznacznymi loteriami, różniącymi się kwotą, prawdopodobieństwem oraz poziomem niejednoznaczności. Wybory dokonane przez każdego uczestnika są następnie wykorzystywane do oszacowania jego stosunku do ryzyka i niejednoznaczności, co z kolei służy do oceny, w jaki sposób ryzyko i niejednoznaczność wpływają na wycenę loterii przez uczestników.

Następnie szacunki te są wykorzystywane jako regresory w ogólnym modelu liniowym w celu zidentyfikowania obszarów mózgu, w których aktywność koreluje z subiektywną wartością loterii ryzykownych i/lub niejednoznacznych. Wyniki wykazują korelację z subiektywnymi wartościami zarówno opcji ryzykownych, jak i niejednoznacznych w nakładających się obszarach przyśrodkowej kory przedczołowej oraz prążkowia. Główną zaletą tej techniki w porównaniu z innymi metodami porównującymi ogólną aktywność dla loterii ryzykownych i niejednoznacznych jest to, że do analizy aktywacji mózgu wykorzystuje się indywidualne zachowanie każdego uczestnika.

Metoda ta może pomóc w odpowiedzi na kluczowe pytania z dziedziny neuroekonomii, takie jak sposób reprezentacji wartości w mózgu oraz sposób jej wykorzystania do podejmowania decyzji. Pierwszym krokiem w tym protokole jest zaprojektowanie bodźców wizualnych reprezentujących wybory ryzykowne i niejednoznaczne, które zostaną zaprezentowane podczas skanowania; należy użyć obrazów, takich jak te widoczne tutaj, aby przedstawić koperty wypełnione żetonami do pokera, nazywane torbami loteryjnymi, w bodźcach dla loterii ryzykownych, gdzie prawdopodobieństwo wygranej, będące stosunkiem czerwonych do niebieskich żetonów, powinno zostać zilustrowane zarówno za pomocą bodźca graficznego, jak i liczb. W tym przypadku czerwone i niebieskie obszary każdego obrazu są proporcjonalne do liczby czerwonych i niebieskich żetonów.

W przypadku rzeczywistej koperty zaleca się stosowanie co najmniej trzech prawdopodobieństw wyników dla loterii niejednoznacznych. Część informacji o prawdopodobieństwie powinna być pominięta w taki sposób, aby możliwy stosunek czerwonych do niebieskich żetonów był ograniczony, ale nie określony. Przedstawienie prawdopodobieństwa wygranej jako częściowo niejednoznacznego.

Zwiększenie rozmiaru przesłoniętego obszaru zwiększa poziom niejednoznaczności. Zalecamy stosowanie co najmniej trzech poziomów przesłonięcia, prezentując każde prawdopodobieństwo wygranej lub poziom niejednoznaczności wraz z kwotą wygranej wyświetloną obok koloru zwycięskiego oraz zerem obok drugiego koloru. W tym przypadku wylosowanie czerwonego żetonu skutkowałoby wygraną 18, natomiast wylosowanie niebieskiego żetonu skutkowałoby wynikiem zero.Pięć.

Zaleca się, aby poziomy nagród obejmowały szeroki zakres wartości w każdej próbie. Badany dokonuje wyboru pomiędzy dwiema loteriami. Jednak dla uproszczenia jedna z opcji może pozostać stała przez cały eksperyment i nie być wyświetlana na ekranie, podczas gdy zmieniana jest jedynie opcja prezentowana.

Każda kombinacja poziomu prawdopodobieństwa lub niejednoznaczności oraz kwoty powinna zostać zaprezentowana co najmniej cztery razy, aby zapewnić wystarczającą moc statystyczną. W analizach należy ustawić paradygmat jako projekt powiązany z wolnymi zdarzeniami (slow event related design), tak aby każda loteria była prezentowana jako bodziec przez dwie sekundy, po czym następował okres opóźnienia trwający sześć sekund w celu umożliwienia wystąpienia odpowiedzi neuronaczyniowej. Następnie odpowiedź powinna zostać udzielona w ciągu jednej do dwóch sekund.

Użyj prostego obrazu jako krótkiego potwierdzenia, aby zasygnalizować, że odpowiedź została zarejestrowana, a próby oddziel od siebie okresami odpoczynku trwającymi co najmniej 10 sekund. Przygotuj również fizyczne torebki lub koperty odpowiadające każdemu użytemu obrazowi loterii. W eksperymencie.

Wypełnij każdą kopertę łącznie 100 czerwonymi i niebieskimi żetonami w proporcjach odpowiadających prawdopodobieństwu wylosowania żetonu danego koloru z worka pokazanego na wyświetlaczu. Należy je zaprezentować badanym przed zadaniem, ponieważ zostaną one wykorzystane później do rozegrania losowo wybranych prób w celu wypłaty wynagrodzenia. Wynagradzanie badanych na podstawie ich wyborów w eksperymencie jest istotne, aby zachęcić ich do wyrażania rzeczywistych preferencji.

Użycie fizycznych woreczków z prawdziwymi żetonami do gry w loterie zapewnia badanego o tym, że prawdopodobieństwa wyników są rzeczywiście zgodne z tymi podanymi przed skanowaniem. Najpierw należy poprosić badanego o wypełnienie formularza zgody oraz kwestionariusza przesiewowego do badania MRI. Następnie należy upewnić się, że badany usunął wszystkie metalowe przedmioty, aby zapewnić bezpieczeństwo w środowisku skanera.

Następnie należy przekazać badanemu szczegółowe instrukcje dotyczące eksperymentu i zadania. Należy upewnić się, że badany rozumie, w jaki sposób prawdopodobieństwa i kwoty są przekazywane na każdym obrazie, jednak nie wolno ujawniać żadnych informacji, które mogłyby wpłynąć na dokonywane wybory. Do rejestrowania wyborów badanego w skanerze zostanie użyte pudełko odpowiedzi z dwoma przyciskami.

Należy również wyjaśnić mechanizm płatności, aby badany miał świadomość, że zostanie ona dokonana zgodnie z dokonanymi wyborami. Zamknąć wcześniej przygotowane woreczki i poprosić badanego o podpisanie się w poprzek zamknięcia.

Wyjaśnij, że umożliwi to weryfikację na koniec eksperymentu, czy zawartość torebek nie została zmieniona, ponieważ badany będzie mógł zajrzeć do torebek, aby upewnić się, że są one zgodne z określonym poziomem prawdopodobieństwa lub niejednoznaczności. Używając skanera MRI o natężeniu trzech Tesla, najpierw uzyskaj obraz mózgu badanego o wysokiej rozdzielczości, stosując sekwencję T1-zależną. Ten obraz strukturalny zostanie wykorzystany do rekonstrukcji 3D.

W tym celu można wykorzystać dowolną sekwencję o wysokiej rozdzielczości. Następnie należy użyć sekwencji EPI ważonej T2* do obrazowania funkcjonalnego. Podczas realizacji paradygmatu zadania należy upewnić się, że warstwy są ustawione tak, aby obejmowały interesujące obszary mózgu.

Zazwyczaj parametry skanowania kory przedczołowej, kory ciemieniowej i jąder podstawy powinny zostać zoptymalizowane dla konkretnego skanera, stosując TR wynoszący 2 s oraz woksle o wymiarach 3 × 3 × 3 mm. Po zakończeniu skanowania należy pobrać dane behawioralne z komputera, który rejestrował odpowiedzi badanego poprzez naciskanie przycisków.

Następnie pozwól badanemu na losowy wybór jednej lub kilku prób do wypłaty wynagrodzenia. Można to zrealizować, prosząc badanego o wyciągnięcie ponumerowanego żetonu do pokera z nieprzezroczystej torby zawierającej żetony ze wszystkimi numerami prób. Dla każdej wybranej próby pokaż badanemu przedstawioną opcję oraz dokonany przez niego w tej próbie wybór.

Następnie poproś badanego o wyciągnięcie żetonu z torby wybranej w danej próbie i wypłać mu nagrodę zgodnie z wylosowanym kolorem oraz kwotą przedstawioną w tej próbie. Aby przeanalizować dane behawioralne, zastosuj metodę największej wiarygodności w celu dopasowania danych dotyczących wyborów każdego badanego do funkcji logistycznej, zgodnie z przedstawionym schematem. W tym przypadku PV oznacza prawdopodobieństwo, że badany wybrał loterię zmienną.

SV sub F oraz SV sub V to odpowiednio subiektywne wartości opcji stałej i zmiennej, a gamma to nachylenie funkcji logistycznej, która jest parametrem specyficznym dla danego badanego. Alternatywnym podejściem jest zastosowanie rozkładu prawdopodobieństwa w celu modelowania subiektywnej wartości każdej opcji. Dla każdego badanego należy zastosować model uwzględniający kwotę, prawdopodobieństwo i poziom niejednoznaczności opcji, a także postawę danej osoby wobec ryzyka i niejednoznaczności. Zdecydowaliśmy się na użycie funkcji potęgowej, która uwzględnia liniowy wpływ niejednoznaczności na postrzegane prawdopodobieństwo.

Jednym z kilku alternatywnych podejść jest uwzględnienie niejednoznaczności jako efektu wykładniczego i dopasowanie danych dotyczących wyborów do funkcji wyboru, co pozwala na oszacowanie postawy wobec ryzyka (alfa) oraz postawy wobec niejednoznaczności (beta) dla każdego badanego. W pierwszej kolejności należy przeprowadzić standardowe przetwarzanie wstępne danych funkcjonalnych, obejmujące slice-timing correction, korekcję czasu, korekcję ruchu oraz usuwanie niskich częstotliwości związanych z szumem fizjologicznym i dryftem skanera. Następnie dane funkcjonalne każdego badanego należy zarejestrować wspólnie z danymi anatomicznymi. Do analizy na poziomie pojedynczego badanego należy wykorzystać standardową funkcję odpowiedzi hemodynamicznej i modelować aktywność każdego voxela jako odpowiedź trwałą podczas całej próby. Należy zastosować ogólny model liniowy z dwoma predyktorami wartości subiektywnej: jednym dla prób ryzykownych i jednym dla prób niejednoznacznych.

Użyj indywidualnych parametrów specyficznych dla badanych, uzyskanych z dopasowania behawioralnego, aby obliczyć subiektywną wartość każdego loteryjnego wyboru. Uwzględnij również dwa predyktory pozorne (dummy predictors), jeden dla prób ryzykownych i jeden dla prób niejednoznacznych. Aby uchwycić ogólne aktywacje, takie jak wzrokowe i motoryczne, test istotności powinien uwzględniać liczbę przeprowadzonych tutaj porównań wielokrotnych.

Minimalna wielkość klastra została ograniczona do sześciu sąsiadujących funkcjonalnych wokseli. Można również zastosować inne metody, takie jak kontrola współczynnika fałszywych odkryć (false discovery rate). Należy poszukiwać wokseli, w których współczynniki wartości subiektywnej w warunkach ryzyka i/lub niejednoznaczności są istotne statystycznie.

Tutaj przedstawiono wyniki behawioralne trzech reprezentatywnych badanych. Każdy panel prezentuje dane dotyczące wyborów oraz wyniki dopasowania modelu dla jednego badanego w warunkach ryzyka lub niejednoznaczności. Wykresy obrazują proporcję prób, w których badany wybrał loterię zmienną w funkcji kwoty, osobno dla każdego poziomu prawdopodobieństwa lub niejednoznaczności.

Jak widać, postawy badanych wobec ryzyka i niepewności mogą się znacznie różnić. Tutaj widzimy wyniki obrazowania dla jednej osoby; zaznaczone woksele to te, w których współczynnik predyktora wartości subiektywnej w warunkach niepewności lub ryzyka różnił się istotnie od zera. U tego reprezentatywnego badanego istotna korelacja została stwierdzona w przyśrodkowej korze przedczołowej 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. Technika ta pozwala badaczom z dziedziny neuroekonomii badać zmiany w postawach wobec ryzyka i niepewności oraz ich korelaty neuronalne w różnych populacjach w zależności od kontekstu. Po obejrzeniu tego filmu powinni Państwo posiadać dobrą wiedzę na temat sposobów wywoływania postaw wobec ryzyka i niepewności oraz ich wykorzystania do analizy danych fMRI uzyskanych podczas dokonywania wyborów przez uczestników.