Name: Deneysel İktisat ve Fonksiyonel MRI yöntemleri kullanarak Riskli ve belirsiz Seçenekleri Sübjektif Değer Ölçme (Video) | JoVE Journal
Uploaded: 2012-09-19T12:00:00.000+00:00
Duration: 13 min 4 s
Description: Öğrenin, fMRI ile riskli ve belirsiz seçeneklerin öznel değerini nasıl ölçtüğünüzü. Bu yöntem, karar verme süreçlerindeki beyin aktivasyonlarını analiz ederek nöroekonomi araştırmalarına katkı sağlar.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Biz tasarım verimli tartışmalar ve yorumlar için Aldo Rustichini ederim. IL ve PWG için NIA hibe R01-AG033406 tarafından finanse edilmiştir.

1. Deney Hazırlama <ol><li> İlk adım tarayıcı ekranda sunulacak riskli ve belirsiz seçimler temsil görsel uyaranlara tasarlamaktır. Biz böyle biz &quot;piyango çanta&quot; diyoruz poker fişleri ile dolu çanta temsil Şekil 1&#39;de sunulan bu gibi görüntüleri kullanabilirsiniz. Onlar bir çanta yerleştirilmeden önce Grafiksel, bu görüntülerin poker destesi olarak düşünülebilir edilebilir. Önemlisi, bu görüntüleri konusu deney başlamadan önce göreceksiniz 100 kırmızı ve mavi poker fişleri ile dolu bizim durumumuzda zarf gerçek kapları, temsil eder. Bu konular da karşı karşıya gelecek piyango anlamak ve bilgisayar ekranı doğru bu piyango sunuyor inanıyorum hem sigortalanır. Riskli piyango için kazanan olasılık, belirli bir zarf içinde mavi fiş kırmızı oranı, tam sayılar ve grafik uyaran (Şekil 1A) kullanarak hem belirtilmiştir. BİLİŞİM belirsiz piyango kısmı içinn olasılık hakkında kısmen belirsiz kazanma ihtimali render, mavi fiş kırmızı olası oranı sınırlı ama belirtilmemiş öyle ki, (Şekil 1B) eksik. </li><li> Riskli piyango için her görüntünün kırmızı ve mavi alanlar zarf içinde kırmızı ve mavi fiş sayısı ile orantılıdır. Biz 3 sonuç olasılıkları 4 (Şekil 1A) en az kullanmanızı öneririz. Kullanılan kesin olasılıkları denemenin özel ihtiyaçlarına göre değişebilir, ama deneyciler çok yüksek ve çok düşük olasılıklar kullanma hakkında dikkatli olmalıdır. Bu, insan denekler genellikle yukarıda% 10 ya da% 90 5 altında olasılıkları yanlış temsil ettiği bilinmektedir. Kimse bu sistematik yanlış eğitim almak istediği takdirde, bu aşırı kaçınılmalıdır. </li><li> Belirsizlik iletmek için bilgisayar ekranı fiş destesini orta kesiminde gri oklüder (Şekil 1B) ile engellenmektedir. Gri alanda numHer rengin cips ber bilinmeyen olacak ve böylece kırmızı bir çizim olasılık veya mavi bir çip kesin bilinen olmayacaktır. Örneğin, orta torbaya Şekil 1B tıkayıcı çanta% 50 kapsar ve bu nedenle kırmızı fiş sayısı (25 (tıkayıcı arkasındaki tüm fişleri mavi iseniz) ile 75 arasında herhangi bir yerde olabilir, tüm fişleri arkasında ise tıkayıcı) kırmızı. Tabii ki, mavi fiş sayısı da bu iki değer arasında herhangi bir yerde olabilir. </li><li> Tıkayıcı boyutunun artırılması belirsizlik düzeyi (kırmızı veya mavi çip çizim için mümkün olasılıklar aralık) artırır. Biz ~ 25, 50 kapsayan oklüzyonu en az 3 seviyeleri veya çanta% 75 (Şekil 1B) kullanmanızı öneririz. </li><li> Konularda bilgisayar görevi gerçekleştirmek için, biz olası sonucu tutarı aralığı ile her kazanma olasılığı / belirsizlik düzeyi sunuyoruz. Biz, örneğin miktarları geniş bir yelpazede kapsayan, 5 ödül seviyeleri 4 önerilmektedir: 5, 9.5, 18, ​​34 ve 65 dollars. Ekran, biz kazanan rengin yanındaki sonucu miktarını sunmak ve diğer renk yanındaki &quot;0&quot; görüntülenir. Örneğin, Şekil 2&#39;de kırmızı çip çizim mavi çip çizim sıfır sonuç neden olurken 18 $ kazanan neden olacaktır. </li><li> Kritik, her deneme konularda iki piyango arasında seçim olacaktır. Basitlik için biz deney boyunca sabit seçeneklerinden birini (bu örnekte 5 $ kazanma şansı% 50) tutmak ve yalnızca diğer seçenek değişir. Bu iki avantajı vardır. İlk olarak, sabit seçeneği görsel ekran (bir hatırlatma her ne kadar şimdi ve sonra yararlı olabilir) basitleştirilmesi, ekranda zorunda değildir. İkincisi, bir seçenek asla değişmez, fMRI sinyal regresyon tabanlı analizlerin etkin bu parametreyi ihmal edebilirsiniz çünkü. Amacıyla referans seçeneği çalışmaların her iki tür için aynı olmak zorunda riskli ve belirsiz piyango öznel değerler için bir &quot;ortak para birimi&quot; olması gerektiğini unutmayın. </li><li> Her kombinasyonolasılık veya belirsizlik düzeyi ve miktarı tion en az 4 kez toplam sunulmalıdır, ve tercihen daha fazla davranışsal ve fMRI analizleri hem de yeterli istatistiksel güç sağlamak. Yılında tekrar kırmızı yarım sıfır olmayan bir sonuç ile ilişkili olmalıdır ve diğer yarısı mavi, renk önyargı önlemek ve belirsizlik simetri sigortalamak için. </li><li> Biz farklı denemelere hemodinamik cevabı iyi zaman ayrılmış olduğu bir yavaş olay ilişkili tasarım (Şekil 3), kullanmayı seçti. Böyle bir tasarım, her piyango kurmak için karar ilgili nöral aktivasyon için zaman tanımak için bir gecikme süresi (bizim durumumuzda, 6 s) ardından 2 s için bizim durumumuzda, kısaca, bir uyarıcı olarak sunulmalıdır. Yanıtları kısa bir zaman penceresi (1-2 s) içinde yapılmalıdır. Konu tepki kaydedildi bilir, böylece bu gibi kısa bir geri besleme olarak Şekil 3&#39;te gösterildiği gibi, bir tek görüntü kullanın. Uzun dinlenme süreleri (10 sn veya mor ile denemeler ayırıne) başlangıca geri dönmek için hemodinamik cevabı için izin vermek. Kısa dinlenme süreleri uygun jitter ile kullanılabilir. 30&#39;a çalışmalarda her blokları Grup denemeler, ama bloklar yaklaşık 10 dakika daha uzun sürebilir izin değil emin olun. Bu performansını arttırmak ve konu yorgunluğunu minimize tarayıcıya dinlenme süreleri için izin verir. Olasılık / belirsizlik miktarı ve her bir kombinasyonunun en az 4 tekrardan izin vermek için deneylerin toplam sayısı, yani 4 blok en az 120 olacaktır. </li><li> Fiziksel torbaları (bizim durumumuzda zarf içinde) hazırlayın böylece görevi gerçekleştirmeden önce onlar konular gösterilebilir. Onlar ödemek için rasgele seçilen deneme (lar) oynamak için daha sonra kullanılacaktır. Deneyde kullanılan her piyango görüntü için bir çanta hazırlayın. Ekranda gösterilen çantası her renk bir çip çizim olasılığına karşılık gelen oranlarda, 100 Poker / Bingo kırmızı ve mavi fiş toplam her çanta doldurun. Belirsiz çanta bir rasgele sayı üreteci kullanmak içinHer belirsizlik seviyesine karşılık gelen kırmızı ve mavi fiş gerçek sayıları, karar vermek. 50 kırmızı ve 50 mavi fiş ile referans çantası hazırlayın. Fiziksel çanta hazırlanması ve konuların onları gösteren psikoloji bölümlerinde istihdam konular için özellikle önemlidir. Bu konular aldatma çeşit şüpheli muhtemeldir ve onların yanıtlarını uninterpretable olacak aldatma kuşkusu olmamalıdır. </li></ol> 2. Konu Hazırlanması <ol><li> Her konu bir onay formu ve bir tarama anketi doldurmanız gerekir. Tarama formunda konu onlar hamile veya klostrofobik değildir ve güvenle taranabilir o, vücutlarında herhangi bir metal olmadığını doğrular. Konular da tarayıcı ortamında güvenlik sigortalamak için kendi vücudun tüm metallerin uzaklaştırılması gerekir. Bu çok önemli. </li><li> Denemeyle ilgili ayrıntılı talimatlar ile konu sağlayın. Onlar anlamak emin olmak için onları birkaç basit soru sorun nasıl probabilities ve miktarlarda her görüntü iletilir ve onların görev anladığınızdan emin olun. Kendi seçimleri etkileyebilecek herhangi bir bilgiyi ifşa için değil emin olun. Örneğin, çapraz ilgili belirli bir risk tutum doğru denekler için böyle bir şekilde karşı karşıya tercih sorun çerçeve yoktur. Onları deneyde her görüntü kurcalamayın etmeyeceğini ve ki tek bir belirli fiziksel çanta başvurduğu fiziksel çanta ve stres göster. Ayrıca yarım denemeler mavi kazanan renk ve yarım kırmızı olacağını açıklar. Konu onların tercihlerine göre ödeme anlayan, böylece ödeme mekanizması açıklayın. Konularda anlamadıkları bir şey hakkında soru sormak için cesaretlendirin. Bu denemeyle ilgili konuların inançları kuruluyor kritik bir dönemdir. Bu konularda deney aldatma her türlü içermez veya davranışsal ve sinir sonuçları uninterpretable olacağından emin olmak esastır. </li><li> Çanta Seal ve konu mühür genelinde kendi adını işareti var. Bu onları deneme sırasında torbaların içeriğini değiştirmek olmadığını denemenin sonunda doğrulamak için izin olacağını açıklayın. Bu, tamamen adil oyun oynadığı konularda güvence olur. Piyango deney sonunda çalınır sonra onlar belirtildiği olasılık veya belirsizlik düzeyi uygun emin olmak için çanta içeriğini incelemek için izin verileceği anlamına da açıklayın. </li></ol> 3. Tarama <ol><li> Biz bütün beyin Kan oksijenasyon Seviye-Bağımlı (BOLD) sinyalleri almak için bir kafa bobini (4 kanal veya daha fazla) bir 3T MR tarayıcı kullanın. </li><li> Konularda seçenekler kaydetmek için 2 düğmeli yanıt kutusunu kullanın. </li><li> Anatomik tarama: Biz bir net yüksek çözünürlüklü (1x1x1 mm) 3D rekonstrüksiyon için kullanılabilir kişinin beyninin görüntüsü almak için T1-ağırlıklı MPRAGE dizisini kullanın. Herhangi bir yüksek çözünürlüklü sekans bu p için kullanılırurpose. </li><li> Fonksiyonel taramaları: Biz bir 2 s TR ve 3x3x3 mm vokseller ile bir T2 *-ağırlıklı EPI sekansı kullanın. Onlar en tipik prefrontal korteks, parietal korteks ve bazal ganglionlar, ilgilenen beyin alanları şunlardır şekilde dilimler konumlandırmak için emin olun. Tarama parametreleri belirli bir tarayıcı için optimize edilmelidir, biz kullandık: TE 30ms, flip angle 75 °, AC-PC çizgisine paralel bir inter-dilim boşluğu ile 36 3 mm&#39;lik dilimler, düzlem çözünürlüklü 3x3 mm, FOV 192 mm . Diğer çalışmalar AC-PC çizgisine 30 ° dilim konumlandırma orbitofrontal korteks 6 sinyal bırakma azaltabilir ileri sürmüşlerdir. </li></ol> 4. Ödeme İşlemi <ol><li> Tarayıcıdan konu çıkardıktan sonra, deneğin tepkileri kaydetti bilgisayardan davranışsal veri almak. </li><li> Rasgele ödeme için bir veya birkaç denemeyle seçin. Bu bir numaralı poker çipi çizerek konu örneğin, seçim yapmak izin vermek en iyisidirtüm deneme numaraları ile fiş içeren bir opak çanta dışarı. Bu seçim gerçekten rastgele olduğunu konuya sağlayacaktır. </li><li> Seçilen her deneme için tabi onlar deneme yapılan sunulan seçenek ve seçim gösterir. Bu deneme seçilen çantasından bir çip çizmelerini isteyin ve çizilmiş renk ve deneme sunulan miktarına göre onları ödemek. </li></ol> Seçilen deneme Şekil 2 (belirsiz bir piyango, bir kırmızı çip çizilmiş ise 18 $ sunan) ve bu piyango (yerine referans piyango daha) seçti konu tasvir piyango sunulan Örneğin, daha sonra konu bir çip üzerinden çizmelisiniz piyango görüntüye karşılık gelen fiziksel bir torba. Kırmızı çip çizilmiş ise konu blue chip çizilmiş ise hiçbir şey alacaksınız $ 18 alacaksınız. 5. Davranış Veri Analizi <ol><li> Maksimum olabilirlik kullanarak biz bir lojistik her konunun seçimi veri sığacakform işlevi: </li></ol><img alt="Denklem 1" src="/files/ftp_upload/3724/3724eq1.jpg" /> Pv konu değişkeni piyango seçti ihtimali olduğu durumlarda, SV F ve SV V sırasıyla sabit ve değişken seçenekleri öznel değerler ve γ bir konuya özgü parametre lojistik fonksiyonunun eğimi. Alternatif bir yaklaşım olarak probit dağıtım kullanmaktır. <ol start="2"><li> Eğer hesap seçeneği ile risk ve belirsizlik yönelik bireysel öznenin tutumları miktarı, olasılık ve belirsizlik düzeyini dikkate almak modelleri bir dizi birini kullanabilirsiniz her konu için her seçeneğin öznel değerini oluşturabilme. Biz algılanan ihtimali 7 belirsizlik doğrusal bir etkisi içeren bir güç işlevi 5 kullanmayı seçti: </li></ol><img alt="Denklem 2" src="/files/ftp_upload/3724/3724eq2.jpg" /> P nesnel prob neredeyeteneği (tanım 0,5 belirsiz piyango bu sınıf için), bir belirsizlik düzeyi (bilinmeyen toplam olasılık fraksiyonu, riskli piyango için 0), V miktarı ve α ve βare konuya özgü risk ve belirsizlik sırasıyla tutum parametreleri. Birkaç alternatif yaklaşımlardan biri üstel etkisi 8 olarak belirsizlik dahil etmektir: <img alt="Denklem 3" src="/files/ftp_upload/3724/3724eq3.jpg" /> Seçim fonksiyonu ile seçim veri takılması dolayısıyla her konu için risk tutum (α) ve muğlaklık tutum (β) için tahminler sağlar. 6. Sinir Veri Analizi <ol><li> ; 2) intra ve inter-run nesne hareketi için hesap hareketi düzeltme ve 3) çıkarılması 1) dilim tarama zamanı farklı dilim zamanlarda tarama ufak farklar için hesap düzeltme: dahil olmak üzere standart veri önişleme, gerçekleştir genellikle r olan düşük frekanslarıfizyolojik gürültü ve tarayıcı sürükleniyor için mutlular. </li><li> Anatomik verilere her konunun fonksiyonel verileri kaydedin. </li><li> Tek denekli seviyesi bir model standart bir hemodinamik tepki fonksiyonu 9 ile convolved tüm duruşmanın (bizim durumumuzda 10 s) sırasında kalıcı bir yanıt olarak her vokselin aktivitesi analizi için. Aşağıdaki belirleyiciler ile Genel Lineer Model kullanın: </li></ol><ul><li> Sübjektif değer iki faktör (SV), riskli denemeler için bir ve belirsiz denemeler için. Denklem 2 ve her piyango SV hesaplamak için davranışsal uyum türetilen bireysel öznenin belirli parametreleri kullanın. Referans piyango aynı olduğundan bütün davaları için her deneme yalnız değişken piyango SV kullanabilirsiniz. Riskli SV belirleyicisi için her riskli deneme için SV ve her belirsiz deneme için 0 ve belirsiz belirleyicisi için tersi yerleştirin. </li><li> İki kukla belirleyicileri, riskli denemeler için bir ve belirsiz denemeler için bir, kapgibi görsel ve motor aktivasyonları gibi Ture genel aktivasyonu. </li></ul><ol start="4"><li> Risk altında ve / veya belirsizlik altında SV katsayılarının anlamlı olduğu voksellerin arayın. Anlamlılık testi hesabı yapılan çoklu karşılaştırmalar göz önüne almalıdırlar. Biz kullanılan yöntem 6 bitişik fonksiyonel vokseller 10 minimum küme boyutu sınırlama edildi. Alternatif olarak, yanlış keşif Oranı (FDR) 11 gibi diğer yöntemler, çoklu düzeltme düzeltmek için kullanılabilir. </li></ol> 7. Temsilcisi Sonuçlar Davranış Şekil 4 üç temsilcisi konulardan davranışsal sonuçlar sunuyor. Her panel ya riski (sol) veya belirsizlik (sağ) altında seçim veri ve tek bir konu için model uyum sonuçlar sunar. Grafikler prob için ayrı ayrı her bir seviyede, söz konusu miktarının bir fonksiyonu olarak değişken piyango tercih edildiği çalışmaların oran tasviryeteneği veya belirsizlik. Görüldüğü gibi, konular risk ve belirsizliğe karşı tutumları çok değişebilir. Uyum iyiliğini incelemek için, ideal 0.5 üzerinde olmalıdır r 2, kontrol ve görsel olarak da eğrileri inceleyin. Tüm üç örnek konuları makul uyan etkin yasal davranış iken, konu 2 pek ihtimali en düşük (0.13) ile risk durumu değişkeni seçeneği seçtim unutmayın. Bu bu konularda çalışmaların en azından bazı değişken seçenekleri tercih sağlayacaktır çünkü tutarları ve / yelpazesini genişleterek veya daha yüksek olasılıklar kullanılarak, daha iyi sonuçlar verebileceğini düşündürmektedir. Başka bir seçenek miktarlarda geniş bir yelpazede her konuda ön-test ve referans ve her birey için değişken seçenek seçenek karşılaştırılabilir bir dizi sağlamak bu tutarlar seçmektir. fMRI Şekil 5 tek temsilcisi görüntüleme sonuçlarını sunmaktadırkonu. Vurgulanan vokselleri öznel değer belirsizlik altında belirleyicisidir (üst) veya risk (alt) katsayısı 0 önemli ölçüde farklı olduğu içinde olanlardır. Bu tipik bir konuda, anlamlı korelasyon hem koşullarda medial prefrontal korteks (Mpfc) ve striatum bulundu. Bu alanlar konulara karşısında en tutarlı olan, fakat anlamlı bir korelasyon aynı zamanda iç ve dış parietal korteks, hem de amigdala alanlarda beklenebilir. Görevleri bu tür aktivite genellikle zayıf ve gürültülü olduğu gibi birçok konu yalnızca alanlarında alt grubunda anlamlı bir ilişki sergileyen konular arasındaki yüksek değişkenliğin beklemesin. <img alt="Şekil 1" src="/files/ftp_upload/3724/3724fig1.jpg" /> Şekil 1. Riskli ve belirsiz uyaranlar. A) riskli uyaranlar olarak ekranda her görüntünün kırmızı ve mavi alanlar zarf içinde kırmızı ve mavi fiş sayısı ile orantılıdır. Üç sonuç olasılıkları wBurada kullanılan ere: 0.13, 0.25 ve 0.38. B) belirsiz uyaranlar olarak görüntünün orta kısmını gri bir oklüder ile engellenmektedir. Gri alan her bir renk, fiş sayısı bilinmemektedir ve bu nedenle belirli bir renk, bir çip çizim olasılığını kesin olarak bilinmemektedir. Görüntünün 25, 50 ya da% 75 tıkalı nerede belirsizlik Üç seviyeleri, burada kullanılır. <img alt="Şekil 2," src="/files/ftp_upload/3724/3724fig2.jpg" /> Şekil 2. Bir piyango örnek. Bu% 50 belirsizlik düzeyinde, belirsiz bir piyango. Zarf içinde fiş en az 25 kırmızı ve en az 25 mavidir. Kırmızı çip çizilmiş ise mavi çip çizilen eğer onlar bir şey kazanacak ise konu $ 18 kazanırsınız. <img alt="Şekil 3" src="/files/ftp_upload/3724/3724fig3.jpg" /> Şekil 3,. Deneme yapısı. Piyango kısaca bir gecikme dönemi takip sunulmaktadır. Bir tepki ipucu ardından göstermek için konular isterEkranda piyango ve referans piyango (bu durumda 5 $ kazanma şansı% 50) arasında ir seçim. Denemeler uzun dinlenme süreleri ile içiçe. <img alt="Şekil 4," src="/files/ftp_upload/3724/3724fig4.jpg" /> Şekil 4. Tek denekli seçim davranışı örnekleri. Grafikleri riskli (solda) ve belirsiz (sağda) çalışmalarda, teklif edilen tutarın bir fonksiyonu olarak, her konuda referans üzerinde değişkeni seçeneği seçtik hangi çalışmaların oranı sunuyoruz. Farklı eğrileri farklı risk veya belirsizlik düzeyi için vardır. α, risk tutum parametre; β, belirsizlik tutum parametresi, r 2, McFadden adlı sözde R-kare, model tarafından açıklanan varyans kısmı eşdeğer davranışsal modelin uyum iyiliğinin bir ölçüsü,, n, sayı tepki yapıldığı çalışmaların (toplam 180 üzerinden). <img alt="Şekil 5," src="/files/ftp_upload/3724/3724fig5.jpg" /> &lt;br /&gt; Şekil 5. Tek denekli aktivasyon haritaları örneği. Aktivasyon harita yüksek çözünürlüklü anatomik görüntüsü gösterilmektedir. Vurgulanan alanlar olan aktivasyon anlamlı olarak risk (üst) altında veya belirsizlik (alt) altında öznel değeri ile korele idi olanlardır. Çoğu denek medial prefrontal korteks (Mpfc) ve striatum risk ve belirsizlik hem altında öznel değeri temsil eder. Düzeltilmiş p-değerleri 6 fonksiyonel voksellerin minimum küme boyutu dayanmaktadır. <a href="https://www.jove.com/files/ftp_upload/3724/3724fig5large.jpg" target="_blank">büyük bir rakam görmek için buraya tıklayın</a> .

<ol><li>Glimcher, P. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Understanding+risk%3A+a+guide+for+the+perplexed%5BTitle%5D)+AND+%22Cogn.+Affect+Behav.+Neurosci%22%5BJournal%5D)">Understanding risk: a guide for the perplexed.</a> Cogn. Affect Behav. Neurosci. 8, 348-354 (2008).</li>
<li>Camerer, C., Weber, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Recent+Developments+in+Modeling+Preferences+-+Uncertainty+and+Ambiguity%5BTitle%5D)+AND+%22Journal+of+Risk+and+Uncertainty%22%5BJournal%5D)">Recent Developments in Modeling Preferences - Uncertainty and Ambiguity.</a> Journal of Risk and Uncertainty. 5, 325-370 (1992).</li>
<li>Holt, C. A., Laury, S. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Risk+aversion+and+incentive+effects%5BTitle%5D)+AND+%22Am.+Econ.+Rev%22%5BJournal%5D)">Risk aversion and incentive effects.</a> Am. Econ. Rev. 92, 1644-1655 (2002).</li>
<li>Levy, I., Snell, J., Nelson, A. J., Rustichini, A., Glimcher, P. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neural+representation+of+subjective+value+under+risk+and+ambiguity%5BTitle%5D)+AND+%22J.+Neurophysiol%22%5BJournal%5D)">Neural representation of subjective value under risk and ambiguity.</a> J. Neurophysiol. 103, 1036-1047 (2010).</li>
<li>Kahneman, D., Tversky, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prospect+Theory+-+Analysis+of+Decision+under+Risk%5BTitle%5D)+AND+%22Econometrica%22%5BJournal%5D)">Prospect Theory - Analysis of Decision under Risk.</a> Econometrica. 47, 263-291 (1979).</li>
<li>Deichmann, R., Gottfried, J. A., Hutton, C., Turner, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Optimized+EPI+for+fMRI+studies+of+the+orbitofrontal+cortex%5BTitle%5D)+AND+%22Neuroimage%22%5BJournal%5D)">Optimized EPI for fMRI studies of the orbitofrontal cortex.</a> Neuroimage. 19, 430-441 (2003).</li>
<li>Gilboa, I., Schmeidler, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Maxmin+Expected+Utility+with+Non-Unique+Prior%5BTitle%5D)+AND+%22J.+Math+Econ%22%5BJournal%5D)">Maxmin Expected Utility with Non-Unique Prior.</a> J. Math Econ. 18, 141-153 (1989).</li>
<li>Hsu, M., Bhatt, M., Adolphs, R., Tranel, D., Camerer, C. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neural+systems+responding+to+degrees+of+uncertainty+in+human+decision-making%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Neural systems responding to degrees of uncertainty in human decision-making.</a> Science. 310, 1680-1683 (2005).</li>
<li>Boynton, G. A., Engel, S. A., Glover, G., Heeger, D. J Neurosci. 16, 4207-4221 (1996).</li>
<li>Forman, S. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Improved+Assessment+of+Significant+Activation+in+Functional+Magnetic-Resonance-Imaging+%28Fmri%29+-+Use+of+a+Cluster-Size+Threshold%5BTitle%5D)+AND+%22Magnetic+Resonance+in+Medicine%22%5BJournal%5D)">Improved Assessment of Significant Activation in Functional Magnetic-Resonance-Imaging (Fmri) - Use of a Cluster-Size Threshold.</a> Magnetic Resonance in Medicine. 33, 636-647 (1995).</li>
<li>Genovese, C. R., Lazar, N. A., Nichols, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Thresholding+of+statistical+maps+in+functional+neuroimaging+using+the+false+discovery+rate%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Thresholding of statistical maps in functional neuroimaging using the false discovery rate.</a> NeuroImage. 15, 870-878 (2002).</li>
<li>Huettel, S. A., Stowe, C. J., Gordon, E. M., Warner, B. T., Platt, M. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neural+signatures+of+economic+preferences+for+risk+and+ambiguity%5BTitle%5D)+AND+%22Neuron%22%5BJournal%5D)">Neural signatures of economic preferences for risk and ambiguity.</a> Neuron. 49, 765-775 (2006).</li>
<li>Smith, V. L. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aSmith%2C+VL+%22Papers+in+experimental+economics%22">Papers in experimental economics</a>. , Cambridge University Press. (1991).</li>
</ol>

Çıkar çatışması ilan etti.

Biz deneklerin davranışlarını karakterize risk ve belirsizliğe yönelik bireysel tutumları tahmin etmek için deneysel ekonomi bir yöntem kullanmışlardır. Biz o zaman nöral verilerini analiz etmek için bu tahminleri kullanmıştır. Konularda risk ve belirsizlik altında seçim yaparken fMRI etkinliği incelemek için başka yöntemler de 8,12 daha önce kullanılmıştır. Bizim yaklaşım, ancak bazı önemli özelliklerini birleştiriyor. İlk olarak, çeşitli parametreler (miktar, olasılık ve belirsi...

<table border="1"><tbody><tr><td> Isim </td><td> Şirket </td><td> Yorumlar </td></tr><tr><td> Allegra Sadece Başlık 3.0 T MRG Tarayıcı </td><td> Iletkenlik birimi </td><td> Bir bütün vücut tarayıcı da kullanılabilir </td></tr><tr><td> NM-011 verici kafa bobini </td><td> Nova Tıp </td><td></td></tr><tr><td> E-asal </td><td> Psikoloji Yazılım Araçları </td><td> Uyaranlar sunum yazılımı </td></tr><tr><td> Matlab </td><td> MathWorks </td><td></td></tr></tbody></table>

deneysel İktisat ve fonksiyonel mri yöntemleri kullanarak riskli ve belirsiz seçenekleri sübjektif değer Ölçme

Measuring the Subjective Value of Risky and Ambiguous Options using Experimental Economics and Functional MRI Methods

Yaptığımız seçimler çoğu belirsiz sonuçlar doğurabilir. Bazı durumlarda farklı olası sonuçları için olasılıklar tam da &quot;riskli&quot; olarak adlandırılan bir durum, bilinir. Olasılıkları tahmin edilemeyen diğer durumlarda, bu &quot;belirsiz&quot; olarak tanımlanan bir durumdur. Çoğu insan, risk ve belirsizlik 1,2 hem hoşlanmıyorsunuz iken, bu kaçınma derecesi aynı riskli veya belirsiz seçenek öznel değeri farklı kişiler için çok farklı olabilir böyle bireyler arasında önemli ölçüde değişebilir. Biz riskli ve belirsiz seçenekleri 4 öznel değerlerinin nöral temsiline değerlendirmek için iktisat temelli deneysel yöntem 3 fonksiyonel MRI (fMRI) birleştirir. Bu teknik artık farklı yaş grupları ve farklı hasta popülasyonları gibi farklı toplumlarda, bu nöral gösterimleri incelemek için kullanılabilir. Yaptığımız denemelerde, denekler dolaylı seçimler b yapmakOnların nöral aktivasyon fMRI kullanılarak takip edilir ise iki alternatifi etween. Her bir deneme konularda parasal miktar ve bu miktarın kazanma ihtimali ya da kazanma ile ilgili belirsizlik düzeyi ya değişir piyango arasında seçim. Bizim parametrik tasarım bizi risk ve belirsizliğe karşı tutumlarını tahmin etmek her bireyin seçim davranışı kullanmanıza olanak sağlar ve böylece her seçenek onlar için tuttuğu kişisel değerleri tahmin etmek. Tasarımın bir diğer önemli özelliği hiçbir öğrenme yer alabilir, böylece seçilen piyango sonucu deneme sırasında ortaya olmasıdır ve böylece belirsiz seçenekleri belirsiz ve risk tutum stabil kalır. Bunun yerine, tarama oturumu sonunda bir veya birkaç denemeyle rasgele seçilir ve gerçek para için oynadı. Konularda çalışmalar seçilecektir hangi önceden bilmiyorsanız bu yana, onlar gibi her deneme tedavi gerekir ve yalnız onlar ödenecektir hangi bir deneme oldu. Bu tasarım trher konu için her seçeneğin gerçek öznel değerini tahmin edebilir ki çümleri. Daha sonra aktivasyon riskli seçenekleri öznel değeri olan ve aktivasyon belirsiz seçenekleri öznel değeri ile korelasyon alanlar için korelasyon beyin alanları arayın.

Insan beyninde riskli ve belirsiz seçenekleri öznel değer nöral temsiline belirlemek için fonksiyonel MRI ve davranışsal yöntemlerin kullanılması.

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

Yaptığımız seçimlerin çoğunun belirsiz sonuçları vardır. Bazı durumlarda, farklı olası sonuçların olasılıkları kesin olarak bilinir; bu durum...

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.

measuring-subjective-value-risky-ambiguous-options-using-experimental

Research

JoVE Journal

Neuroscience

Sinirbilim

Bu sunum, karar verme altında yatan nöral devrelerin çalışması için fMRI kullanımını gösterir. Basit algısal görevleri sonuçlarının karar alma süreçleri nasıl etkilediğini araştırmak için iştahlı ve caydırıcı takviye ile birleştirilir.

Takviye, Eyetracking ve Fizyolojik İzleme Fonksiyonel Görüntüleme

Bu protokol açıklanan prosedür testosteron testosteron hakkında yönetim ve halk inançları, sosyal davranışları ile doğrudan karşı ilişkili olabileceğini göstermektedir.

Davranış Endokrinoloji ve Deneysel İktisat birleştiren: Testosteron ve Sosyal Karar Verme

Bu makalede, gıda ile ilgili motivasyon ve insanlarda gıda ile ilgili hedef değerlerinin ölçülmesi için yöntemler kümesini tarif etmektedir.

İnsanlardaki Gıda Ödül ve Motivasyon incelenmesi

Bu makale, ailesel şizofreni (FHR) riski yüksek olan çocuk ve ergenlerde beyin aktivasyonunu ölçmek için duygusal tuhaf görevin ve fMRI'nin nasıl kullanılacağını açıklamaktadır. FMRI, duygusal bir tuhaf görev sırasında fronto-striato-limbik bölgelerdeki farklılıkları ölçmek için kullanıldı. FHR'li çocuklar ergenlik döneminde anormal fonksiyonel aktivasyon sergiledi.

Şizofreni ailesel Riskli Çocuklarda Duygusal Oddball Görev Kullanımı Fronto-limbik Faaliyet Ölçümü

Bugüne kadar yapılan araştırmalar, insanların belirsizlikle başa çıkmak için benimsedikleri bilişsel stratejilere odaklandı. Bu araştırma, belirsizlikle başa çıkmanın deneyimsel bir yolunu incelemekte ve dokunsal yumuşaklık deneyiminin belirsizlikle başa çıkmak için nasıl bir araç olarak hizmet edebileceğini gösteren bir dizi deneysel yöntem sunmaktadır.

İnsanlar Yumuşak Haptic Sensations sayesinde Belirsizlik Cope Nasıl incelenmesi Deneysel Araştırma

Gecikme indirimi, bir ödülün değerinin, hemen kullanılabilir olduğu zamana göre geciktiğinde azalması anlamına gelir. Uygulanması kolay olan ve insan katılımcılarda gecikme indirimi derecesinin ölçülmesine izin veren bilgisayar tabanlı bir gecikme indirimi görevinin ana hatlarını çiziyoruz.

Gecikme bir ayarlama Tutar görev kullanma İnsanlardaki İndirim Ölçme

Fayda-maliyet analizi karar verme boyunca beyin gerçekleştirir ağırlığında ölçekli bir yaklaşımdır. Burada, biz tren için bir protokol fareler üzerinde bir edimsel dayalı karar verme paradigma nereye fare seçmek için 15 bekleyen pahasına daha yüksek Ödülleri teklif s onları almak için.

Kemirgenler tarafından güçlendirilmiş karar verme sırasında maliyet-fayda analizi değerlendirmek için operant protokolleri

Bu protokol, zamanlararası karar sonuçlarının işlenmesi sırasında sosyal karşılaştırma ve sosyal mesafe ile ilgili sinirsel aktiviteyi araştırmayı amaçlamaktadır. Kayıtsızlık noktaları, çalışmanın bir parçası olarak olayla ilgili potansiyeller kullanılarak ölçülecektir.

Olayla İlgili Potansiyel Çalışmalarda Zamanlararası Seçim Sonuçlarının Değerlendirilmesinde Sosyal Karşılaştırma ve Sosyal Mesafenin Ortak Etkisi

Bu protokol, nöronavigasyon ve robotik sistemler kullanılarak deneysel bir görev sırasında dorsolateral ve dorsomedial prefrontal kortekslerin tekrarlayan transkraniyal manyetik uyarılması için daha hassas ve etkili bir yöntem sunar. Sonuçlara dayanarak, gelecekteki çevrimiçi uyarılma araştırmaları için kritik sonuçlar önerilmektedir.

Biliş Karar Alma ve Bilişsel Uyumsuzlukta Dorsomedial ve Dorsolateral Prefrontal Korteksin Çevrimiçi Tekrarlayan Transkraniyal Manyetik Uyarısı

Fonksiyonel transkraniyal Doppler ultrasonografi (fTCD), bilişsel işlevler, özellikle dil lateralizasyonu değerlendirmek için kullanılan bir basit ve non-invaziv bir ultrason tekniği ve çocuklarla birlikte kullanım için uygundur.

Fonksiyonel Transkraniyal Doppler Ultrasonografi kullanarak Çocuklarda Serebral Lateralizasyon Değerlendirme (fTCD)

Öğrenin, fMRI ile riskli ve belirsiz seçeneklerin öznel değerini nasıl ölçtüğünüzü. Bu yöntem, karar verme süreçlerindeki beyin aktivasyonlarını analiz ederek nöroekonomi araştırmalarına katkı sağlar.

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

Daha fazla video keşfet