Deneysel İktisat ve Fonksiyonel MRI yöntemleri kullanarak Riskli ve belirsiz Seçenekleri Sübjektif Değer Ölçme

Aşağıdaki deneyin genel amacı, riskli ve belirsiz seçeneklerin öznel değerinin nöral kodlamasını fonksiyonel MRI kullanarak incelemektir. Bu, katılımcıların miktar, olasılık ve belirsizlik düzeyi açısından farklılık gösteren riskli ve belirsiz piyangolar arasında seçim yaparken taranmasıyla gerçekleştirilir. Her katılımcı tarafından yapılan seçimler daha sonra kişinin riske ve belirsizliğe karşı tutumlarını tahmin etmek için kullanılır; bunlar da risk ve belirsizliğin katılımcıların piyangolara verdiği değeri nasıl etkilediğini tahmin etmek için kullanılır.

Ardından, riskli ve/veya belirsiz piyangoların sübjektif değeri ile aktivitenin korele olduğu beyin bölgelerini belirlemek amacıyla, bu tahminler genel bir doğrusal modelde regresör olarak kullanılır. Sonuçlar, hem riskli hem de belirsiz seçeneklerin sübjektif değerleri ile medial prefrontal korteks ve striatumun örtüşen bölgelerinde korelasyon olduğunu göstermektedir. Bu tekniğin, riskli ve belirsiz piyangolar için genel aktiviteyi karşılaştıran diğer yöntemlere göre temel avantajı, beyin aktivasyon analizinde her katılımcının bireysel davranışının kullanılmasıdır.

Bu yöntem, nöroekonomi alanındaki değerin beyinde nasıl temsil edildiği ve seçim yapmak için nasıl kullanıldığı gibi temel soruların yanıtlanmasına yardımcı olabilir. Bu protokolün ilk adımı, tarama sırasında sunulacak olan riskli ve belirsiz seçimleri temsil eden görsel uyarıcıları tasarlamaktır; riskli loteryalar için uyarıcılarda "loterya torbaları" olarak adlandırılan ve içi poker pullarıyla dolu zarfları temsil etmek için burada görülenlere benzer görüntüler kullanın; kazanma olasılığı, yani kırmızı pulların mavi pullara oranı, hem grafiksel bir uyarıcı hem de sayılar kullanılarak örneklendirilmelidir. Burada, her görüntünün kırmızı ve mavi alanları, kırmızı ve mavi pulların sayısıyla orantılıdır.

Gerçek bir zarfta, belirsiz loteryalar için en az üç sonuç olasılığı önerilir. Olasılığa ilişkin bilgilerin bir kısmı, kırmızıya mavi çiplerin olası oranı sınırlı ancak belirtilmemiş olacak şekilde eksik olmalıdır. Kazanma olasılığı, kısmen belirsiz olarak sunulur.

Kapatılan alanın boyutunun artırılması, belirsizlik düzeyini artırır. Kazanma olasılığı veya belirsizlik düzeyinin her biri için en az üç kapatma düzeyi kullanmanızı; kazanma renginin yanındaki sonuç miktarını ve diğer rengin yanındaki sıfırı görüntülemenizi öneririz. Burada, kırmızı bir çip çekmek 18 kazanmakla, mavi bir çip çekmek ise sıfır sonuçla sonuçlanacaktır.Beş.

Her denemede geniş bir miktar aralığını kapsayan ödül seviyeleri önerilir. Denek, iki piyango arasında seçim yapacaktır. Ancak, kolaylık sağlamak adına, seçeneklerden biri deney boyunca sabit tutulup ekran dışında bırakılabilir ve yalnızca görüntülenen seçenek değiştirilebilir.

Yeterli istatistiksel gücü sağlamak için, olasılık veya belirsizlik düzeyi ile miktarın her kombinasyonu en az dört kez sunulmalıdır. Analizlerde, her piyango seçeneği iki saniye boyunca bir uyaran olarak sunulacak ve ardından nörovasküler yanıta izin vermek için altı saniyelik bir gecikme süresi uygulanacak şekilde paradigmayı yavaş olayla ilişkili bir tasarım olarak ayarlayın. Ardından, yanıt bir ila iki saniye içinde verilmelidir.

Yanıtın kaydedildiğini belirtmek için kısa bir geri bildirim olarak basit bir resim kullanın ve denemeleri en az 10 saniyelik dinlenme süreleri ile ayırın. Ayrıca, deneyde kullanılan her bir piyango resmine uygun fiziksel torbalar veya zarflar hazırlayın.

Her bir zarfı, ekranda gösterilen torbadan her renkte bir çip çekme olasılığına karşılık gelen oranlarda, toplam 100 adet kırmızı ve mavi çip ile doldurun. Bunlar, daha sonra rastgele seçilen denemelerle ödeme yapmak için kullanılacaklarından, görevden önce deneklere gösterilmelidir. Deneklere deneydeki seçimlerine göre ödeme yapılması, gerçek tercihlerini ifade etmelerini teşvik etmek açısından önemlidir.

Loteryaları oynamak için içinde gerçek çipler bulunan fiziksel torbaların kullanılması, sonuç olasılıklarının tarama öncesinde belirtilenlerle aynı olduğunu denek için garanti eder. Öncelikle, deneğe bir onam formu ve bir MRI tarama anketi doldurtun. Ardından, tarayıcı ortamında güvenliği sağlamak için deneğin tüm metalleri çıkardığından emin olun.

Ardından, denekle deney ve görev hakkında ayrıntılı talimatlar paylaşın. Deneğin, her bir görüntüde olasılıkların ve miktarların nasıl belirtildiğini anladığından emin olun, ancak seçimleri etkileyebilecek hiçbir bilgiyi ifşa etmeyin. Deneğin seçimlerini kaydetmek için tarayıcıda iki butonlu bir yanıt kutusu kullanılacaktır.

Ayrıca, katılımcının ödemenin yapılacağını anlaması için ödeme mekanizmasını açıklayın. Seçimlere göre. Önceden hazırlanan torbaları mühürleyin ve katılımcının mühür üzerine adını imzalamasını sağlayın.

Bunun, deneklerin torbaların içeriğinin belirtilen olasılık veya belirsizlik düzeyine uygun olduğunu doğrulamak için torbaların içine bakmalarına izin verileceği için, deney sonunda torba içeriklerinin değiştirilmediğinin doğrulanmasını sağlayacağını açıklayın. Üç Tesla MRI tarayıcı kullanarak, öncelikle T1 ağırlıklı bir sekans ile deneğin beyninin yüksek çözünürlüklü bir görüntüsünü alın. Bu yapısal hacim, 3D rekonstrüksiyon için kullanılacaktır.

Bu amaç için herhangi bir yüksek çözünürlüklü sekans kullanılabilir. Ardından, fonksiyonel görüntüleme elde etmek için T2* ağırlıklı bir EPI sekansı kullanın. Görev paradigması sırasında, kesitlerin ilgilenilen beyin bölgelerini içerecek şekilde konumlandırıldığından emin olun.

Genellikle prefrontal korteks, parietal korteks ve bazal gangli tarama parametreleri, 2 saniyelik bir TR ve 3x3x3 milimetrelik vokselle kullanılarak ilgili tarayıcıya göre optimize edilmelidir. Tarama işleminden sonra, deneğin butonla verdiği yanıtları kaydeden bilgisayardan davranışsal verileri geri çağırın.

Ardından, deneğin ödeme için rastgele bir veya birkaç denemeyi seçmesine izin verin. Bu işlem, tüm deneme numaralarının bulunduğu çiplerin yer aldığı opak bir torbadan, deneğin numaralandırılmış bir poker çipi çekmesiyle gerçekleştirilebilir. Seçilen her deneme için deneğe, sunulan seçeneği ve o denemede yaptığı tercihi gösterin.

Ardından, katılımcıdan o denemede seçtiği torbadan bir jeton çekmesini isteyin ve çekilen renge ve denemede sunulan miktara göre ödeme yapın. Davranışsal verileri analiz etmek için, görüldüğü üzere, her bir katılımcının seçim verilerini bir lojistik fonksiyona uydurmak amacıyla maksimum olabilirlik yöntemini kullanın. Burada PV, katılımcının değişken piyangoyu seçme olasılığını temsil etmektedir.

SV sub F ve SV sub V sırasıyla sabit ve değişken seçeneklerin subjektif değerlerini, gamma ise denek bazlı bir parametre olan lojistik fonksiyonun eğimini temsil eder. Alternatif bir yaklaşım, her seçeneğin subjektif değerini modellemek için bir olasılık dağılımı kullanmaktır. Her denek için; seçeneğin miktarını, olasılığını ve belirsizlik düzeyini ve bireyin riske ve belirsizliğe karşı tutumlarını hesaba katan bir model kullanın. Algılanan olasılık üzerinde belirsizliğin doğrusal etkisini içeren bir güç fonksiyonu kullanmayı tercih ettik.

Birkaç alternatif yaklaşımdan biri, belirsizliği eksponansiyel bir etki olarak dahil etmek ve seçim verilerini seçim fonksiyonu ile uydurarak her bir denek için risk tutumu alfa ve belirsizlik tutumu beta tahminleri sağlamaktır; başlangıçta dilim, tarama, zaman düzeltmesi, hareket düzeltmesi ve fizyolojik gürültü ile tarayıcı kaymalarıyla ilişkili düşük frekansların giderilmesi dahil olmak üzere fonksiyonel verilerin standart ön işlemesini gerçekleştirin. Ardından, her deneğin fonksiyonel verilerini anatomik verilere eşleştirin. Tek denek düzeyindeki analiz için standart bir hemodinamik yanıt fonksiyonu kullanın ve her bir vokselin aktivitesini tüm deneme boyunca süren bir yanıt olarak modelleyin. Subjektif değer için biri riskli denemeler, diğeri ise belirsiz denemeler olmak üzere iki öngörücü içeren bir genel doğrusal model kullanın.

Her bir lotonun sübjektif değerini hesaplamak için davranışsal uyumdan türetilen kişiye özel parametreleri kullanın. Ayrıca, biri riskli denemeler ve diğeri belirsiz denemeler için olmak üzere iki kukla tahmin edici ekleyin. Görsel ve motor aktivasyonlar gibi genel aktivasyonları yakalamak için, anlamlılık testi burada gerçekleştirilen çoklu karşılaştırmaları dikkate almalıdır.

Minimum küme boyutu, altı bitişik fonksiyonel voksel ile sınırlandırılmıştır. Yanlış keşif oranı gibi diğer yöntemler de kullanılabilir. Risk ve/veya belirsizlik altındaki subjektif değer katsayılarının anlamlı olduğu vokselleri arayın.

Burada, üç temsilci deneğin davranışsal sonuçlarını görüyoruz. Her panel, bir deneğin risk veya belirsizlik altındaki seçim verilerini ve model uyum sonuçlarını sunmaktadır. Grafikler, deneğin değişken piyangoyu seçtiği denemelerin oranını, her bir olasılık veya belirsizlik düzeyi için ayrı ayrı, miktarın bir fonksiyonu olarak göstermektedir.

Görüldüğü üzere, deneklerin risk ve belirsizliğe karşı tutumları büyük farklılıklar gösterebilir. Burada, bir deneğe ait görüntüleme sonuçlarını görüyoruz; vurgulanan vokseler, belirsizlik veya risk altındaki subjektif değer tahmincisinin katsayısının sıfırdan anlamlı derecede farklı olduğu vokselerdir. Bu temsilci denekte, her iki koşul altında da medial prefrontal korteks ve striatumda anlamlı korelasyon saptanmıştır.

Bu bölgeler denekler arasında en tutarlı olanlardır, ancak medial ve lateral parietal korteksin yanı sıra amigdala bölgelerinde de anlamlı korelasyonlar beklenebilir. Bu teknik, nöroeonomi alanındaki araştırmacıların risk ve belirsizlik tutumlarındaki değişimleri ve bunların farklı bağlamlar altında farklı popülasyonlardaki nöral korelatlarını keşfetmelerine olanak tanır. Bu videoyu izledikten sonra, risk ve belirsizlik tutumlarının nasıl ortaya çıkarılacağı ve katılımcılar seçim yaparken elde edilen fMRI verilerini analiz etmek için bunların nasıl kullanılacağı konusunda iyi bir anlayışa sahip olmanız gerekir.