Измерение субъективной ценности рискованный и неоднозначный вариантов с использованием экспериментальной экономики и функциональной МРТ методы

Общая цель следующего эксперимента заключается в изучении нейронного кодирования субъективной ценности рискованных и неоднозначных вариантов с помощью функциональной МРТ. Это достигается путем сканирования участников в то время, когда они делают выбор между рискованными и неоднозначными лотереями, различающимися по сумме, вероятности и уровню неопределенности. Выборы, сделанные каждым участником, затем используются для оценки его отношения к риску и неоднозначности, что, в свою очередь, позволяет оценить, как риск и неопределенность влияют на оценку лотерей участниками.

Затем эти оценки используются в качестве регрессоров в общей линейной модели для выявления областей мозга, в которых активность коррелирует с субъективной ценностью рискованных и/или неоднозначных лотерей. Результаты демонстрируют корреляцию с субъективной ценностью как рискованных, так и неоднозначных вариантов в перекрывающихся областях медиальной префронтальной коры и стриатума. Основным преимуществом данного метода перед другими способами сравнения общей активности при рискованных и неоднозначных лотереях является использование индивидуального поведения каждого участника при анализе активации мозга.

Этот метод может помочь ответить на ключевые вопросы в области нейроэкономики, такие как то, как в мозге представляется ценность и как она используется при выборе. Первым шагом в данном протоколе является разработка визуальных стимулов, представляющих рискованный и неоднозначный выбор, которые будут предъявляться во время сканирования; используйте изображения, подобные представленным здесь, для обозначения конвертов, наполненных покерными фишками (так называемых «лоттерейных пакетов»); в стимулах для рискованных лотерей вероятность выигрыша, представляющая собой отношение красных фишек к синим, должна быть иллюстрирована как с помощью графического стимула, так и с помощью цифр. Здесь красные и синие области каждого изображения пропорциональны количеству красных и синих фишек.

Для реального конверта в случае неоднозначных лотерей рекомендуется использовать как минимум три вероятности исхода. Часть информации о вероятности должна отсутствовать таким образом, чтобы возможное соотношение красных и синих фишек было ограничено, но не определено точно. Представление выигрышной вероятности как частично неоднозначной.

Увеличение размера окклюзии повышает уровень неоднозначности. Мы рекомендуем использовать как минимум три уровня окклюзии; для каждого из них укажите вероятность выигрыша или уровень неоднозначности с отображением суммы выигрыша рядом с выигрышным цветом и нуля рядом с другим цветом. В данном случае вытягивание красного жетона приведет к выигрышу 18, в то время как вытягивание синего жетона приведет к нулевому результату. Пять.

Рекомендуется использовать широкий диапазон уровней вознаграждения в каждой пробе. Испытуемый будет выбирать между двумя лотереями. Однако для упрощения один из вариантов может оставаться неизменным на протяжении всего эксперимента и не отображаться на экране, в то время как варьироваться будет только отображаемый вариант.

Каждую комбинацию уровня вероятности или неоднозначности и суммы следует предъявлять не менее четырех раз для обеспечения достаточной статистической мощности. При анализе установите парадигму как медленный событийный дизайн (slow event related design), чтобы каждая лотерея предъявлялась в качестве стимула в течение двух секунд, после чего следовал период задержки в шесть секунд для обеспечения нейроваскулярного ответа. Затем ответ должен быть дан в течение одной-двух секунд.

Используйте простое изображение в качестве краткого подтверждения, чтобы показать, что ответ был зафиксирован, и разделяйте пробы периодами отдыха продолжительностью не менее 10 секунд. Также подготовьте физические пакеты или конверты, соответствующие каждому используемому изображению лотереи в эксперименте.

Наполните каждый конверт в общей сложности 100 красными и синими фишками в пропорциях, соответствующих вероятности вытягивания фишки каждого цвета из соответствующего мешка, показанного на дисплее. Их следует продемонстрировать испытуемым перед началом задания, так как они будут использоваться позже для проведения случайно выбранных проб с целью получения вознаграждения. Выплата вознаграждения испытуемым на основе их выбора в эксперименте важна для того, чтобы стимулировать их выражать свои истинные предпочтения.

Использование физических мешочков с настоящими фишками для игры в лотерею гарантирует испытуемому, что вероятности исходов действительно соответствуют тем, что были заявлены до сканирования. Сначала попросите испытуемого заполнить форму согласия, а также анкету для скрининга перед МРТ. Затем убедитесь, что испытуемый снял все металлические предметы для обеспечения безопасности в условиях сканирования.

Затем предоставьте испытуемому подробные инструкции относительно эксперимента и выполняемого задания. Убедитесь, что испытуемому понятно, как в каждом изображении передаются вероятности и величины, но не раскрывайте никакой информации, которая могла бы повлиять на выбор. Для регистрации выбора испытуемого в сканере будет использоваться пульт с двумя кнопками.

Также разъясните механизм оплаты, чтобы испытуемый понимал, что оплата будет произведена в соответствии с выбранными вариантами. Герметично закройте предварительно подготовленные пакеты и попросите испытуемого поставить свою подпись поверх места склейки.

Разъясните, что это позволит в конце эксперимента убедиться в том, что содержимое пакетов не изменилось, так как испытуемому будет разрешено заглянуть в них, чтобы подтвердить соответствие заявленному уровню вероятности или неоднозначности. Используя МРТ-сканер с индукцией поля 3 Тесла, сначала получите изображение мозга испытуемого с высоким разрешением с помощью Т1-взвешенной последовательности. Этот структурный объем будет использован для 3D-реконструкции.

Для этой цели можно использовать любую последовательность с высоким разрешением. Затем для получения функциональных изображений используйте T2*-взвешенную EPI-последовательность. Во время выполнения парадигмы задачи убедитесь, что срезы расположены таким образом, чтобы охватить интересующие области мозга.

Как правило, параметры сканирования префронтальной коры, теменной коры и базальных ганглиев должны быть оптимизированы для конкретного сканера с использованием TR 2 с и вокселей размером 3×3×3 мм. После сканирования извлеките поведенческие данные с компьютера, на котором регистрировались нажатия кнопок испытуемым.

Затем предложите испытуемому случайным образом выбрать одно или несколько испытаний для выплаты вознаграждения. Это можно сделать, попросив испытуемого вытянуть пронумерованную покерную фишку из непрозрачного мешка, в котором находятся фишки со всеми номерами испытаний. Для каждого выбранного испытания покажите испытуемому представленный вариант и выбор, который он сделал в данном испытании.

Затем попросите испытуемого вытянуть фишку из пакета, выбранного в этом испытании, и выплатите вознаграждение в соответствии с цветом вытянутой фишки и суммой, представленной в данном испытании. Для анализа поведенческих данных используйте метод максимального правдоподобия, чтобы аппроксимировать данные о выборе каждого испытуемого логистической функцией, как показано ниже. В данной формуле PV — это вероятность того, что испытуемый выбрал переменную лотерею.

SV F и SV V — это субъективные значения фиксированного и переменного вариантов соответственно, а гамма представляет собой наклон логистической функции, который является индивидуальным параметром субъекта. Альтернативным подходом является использование вероятностного распределения для моделирования субъективной ценности каждого варианта. Для каждого субъекта следует использовать модель, учитывающую величину, вероятность и уровень неопределенности варианта, а также отношение конкретного субъекта к риску и неопределенности. Мы предпочли использовать степенную функцию, включающую линейный эффект неопределенности на воспринимаемую вероятность.

Одним из нескольких альтернативных подходов является включение неопределенности в качестве экспоненциального эффекта, при котором данные о выборе аппроксимируются с помощью функции выбора, что позволяет получить оценки склонности к риску alpha и склонности к неопределенности beta для каждого испытуемого; первоначально выполняется стандартная предобработка функциональных данных, включая slice-тайминг, коррекцию времени сканирования, коррекцию движения, а также удаление низких частот, связанных с физиологическим шумом и дрейфом сканера. Затем функциональные данные каждого испытуемого совмещаются с анатомическими данными. Для анализа на уровне отдельного испытуемого используется стандартная функция гемодинамического ответа, а активность каждого вокселя моделируется как устойчивый ответ на протяжении всего пробы. Используется общая линейная модель с двумя предикторами субъективной ценности: один для проб с риском и один для проб с неопределенностью.

Используйте индивидуальные параметры каждого испытуемого, полученные в результате поведенческой аппроксимации, для расчета субъективной ценности каждой лотереи. Также включите два фиктивных предиктора: один для рискованных испытаний и один для неопределенных испытаний. Чтобы учесть общие активации, такие как зрительная и моторная, при проверке значимости следует принять во внимание количество выполненных здесь множественных сравнений.

Минимальный размер кластера был ограничен шестью смежными функциональными вокселями. Также могут быть использованы другие методы, такие как контроль ложноположительных результатов (false discovery rate). Поиск велся в вокселях, в которых коэффициенты субъективной ценности в условиях риска и/или неопределенности были значимыми.

Здесь представлены результаты поведения трех репрезентативных испытуемых. На каждой панели приведены данные о выборе и результаты аппроксимации модели для одного испытуемого в условиях либо риска, либо неопределенности. Графики отображают долю испытаний, в которых испытуемый выбирал вариативную лотерею, в зависимости от суммы отдельно для каждого уровня вероятности или неопределенности.

Как видно, испытуемые могут значительно различаться в своем отношении к риску и неопределенности. Здесь представлены результаты визуализации для одного испытуемого; выделенные воксели — это те, в которых коэффициент предиктора субъективной ценности при неопределенности или риске значимо отличался от нуля. У этого репрезентативного испытуемого была обнаружена значимая корреляция в медиальной префронтальной коре и стриатуме при обоих условиях.

Эти области наиболее стабильны у разных испытуемых, однако значимые корреляции также могут наблюдаться в медиальной и латеральной теменной коре, а также в миндалевидном теле. Данная методика позволяет исследователям в области нейроэкономики изучать изменения в отношении к риску и неопределенности, а также их нейронные корреляты у различных групп людей в разных контекстах. После просмотра этого видео вы должны получить четкое представление о том, как выявлять отношение к риску и неопределенности, и как использовать эти данные для анализа результатов фМРТ, полученных в процессе принятия решений участниками.