जोखिम भरा है और अस्पष्ट प्रायोगिक अर्थशास्त्र और कार्यात्मक एमआरआई तरीके का उपयोग कर के विकल्प के व्यक्तिपरक मूल्य को मापने

Neuroscience

Your institution must subscribe to JoVE's Neuroscience section to access this content.

Fill out the form below to receive a free trial or learn more about access:

Welcome!

Enter your email below to get your free 10 minute trial to JoVE!





We use/store this info to ensure you have proper access and that your account is secure. We may use this info to send you notifications about your account, your institutional access, and/or other related products. To learn more about our GDPR policies click here.

If you want more info regarding data storage, please contact gdpr@jove.com.

 

Summary

कार्यात्मक एमआरआई और व्यवहार के तरीके का उपयोग करने के लिए मानव मस्तिष्क में जोखिम भरा है और अस्पष्ट विकल्पों में से व्यक्तिपरक मूल्य के तंत्रिका प्रतिनिधित्व निर्धारित.

Cite this Article

Copy Citation | Download Citations

Levy, I., Rosenberg Belmaker, L., Manson, K., Tymula, A., Glimcher, P. W. Measuring the Subjective Value of Risky and Ambiguous Options using Experimental Economics and Functional MRI Methods. J. Vis. Exp. (67), e3724, doi:10.3791/3724 (2012).

Please note that all translations are automatically generated.

Click here for the english version. For other languages click here.

Abstract

Protocol

1. प्रयोग की तैयारी

  1. पहले कदम के लिए जोखिम भरा है और अस्पष्ट विकल्प कि स्कैनर में स्क्रीन पर प्रस्तुत किया जाएगा का प्रतिनिधित्व दृश्य उत्तेजनाओं डिजाइन है. हम चित्रा 1 में प्रस्तुत पोकर चिप्स जो हम "लॉटरी बैग" फोन के साथ भरा बैग का प्रतिनिधित्व करने के लिए उन लोगों के रूप में छवियों का उपयोग करें. रेखांकन, पोकर चिप्स के ढेर के रूप में इन छवियों के बारे में सोचा जा सकता है इससे पहले कि वे एक बैग में रखा जाता है. महत्वपूर्ण बात है, इन छवियों को हमारे मामले लिफाफे में वास्तविक कंटेनर, 100 लाल और नीले रंग पोकर चिप्स है जो इस विषय में प्रयोग शुरू करने से पहले देखेंगे के साथ भरा प्रतिनिधित्व करते हैं. यह सुनिश्चित करता है कि विषयों दोनों लॉटरी वे का सामना करेंगे समझते हैं और विश्वास है कि कंप्यूटर का प्रदर्शन सही उन लॉटरी प्रस्तुत. जोखिम भरा लॉटरी के लिए जीतने की संभावना है, लाल रंग का एक दिए गए लिफाफे में ब्लू चिप अनुपात, ठीक दोनों संख्या और एक ग्राफिक प्रोत्साहन (चित्रा 1 ए) का उपयोग करते हुए कहा गया है. Informatio की अस्पष्ट लॉटरी भाग के लिएn संभावना के बारे में (चित्रा 1B) याद आ रही है, जैसे कि नीले चिप्स के लिए लाल रंग का संभव अनुपात घिरा लेकिन निर्दिष्ट नहीं है, जीतने आंशिक रूप से अस्पष्ट संभावना प्रतिपादन.
  2. जोखिम भरा लॉटरी के लिए प्रत्येक छवि के लाल और नीले रंग क्षेत्रों लिफाफे में लाल और नीले रंग के चिप्स की संख्या के लिए आनुपातिक हैं. हम 3 परिणाम 4 संभावनाओं (चित्रा 1 ए) की एक न्यूनतम का उपयोग करने की सलाह देते हैं. सटीक इस्तेमाल संभावनाओं प्रयोग की विशिष्ट आवश्यकताओं के अनुसार अलग - अलग हो सकते हैं, लेकिन experimenters बहुत अधिक है और बहुत कम संभावनाओं का उपयोग करने के बारे में सावधान रहना चाहिए. यह ज्ञात है कि मानव विषयों आम तौर पर 10% या 90 5% से ऊपर से नीचे संभावनाओं मिथ्या अर्थ लेना. जब तक एक इस व्यवस्थित गलत बयानी का अध्ययन करना चाहता है, तो इन चरम सीमाओं से परहेज किया जाना चाहिए.
  3. अस्पष्टता व्यक्त कंप्यूटर के प्रदर्शन में चिप्स के ढेर के मध्य भाग (चित्रा 1B) एक ग्रे occluder साथ अस्पष्ट है. ग्रे क्षेत्र में numहर रंग की चिप्स का दिसंबर अज्ञात हो जाएगा, और इस तरह एक लाल ड्राइंग की संभावना या एक ब्लू चिप ठीक नहीं जाना होगा. उदाहरण के लिए, मध्य बैग में चित्रा 1B में occluder बैग का 50% को शामिल किया गया है, और इस प्रकार लाल चिप्स की संख्या 25 (अगर occluder पीछे सभी चिप्स नीले हैं) और 75 के बीच कहीं भी हो सकते हैं (अगर पीछे सब चिप्स occluder लाल कर रहे हैं). बेशक, नीले चिप्स की संख्या भी इन दोनों के मूल्यों के बीच कहीं भी हो सकता है.
  4. Occluder आकार बढ़ाने अस्पष्टता स्तर (एक लाल या नीली चिप ड्राइंग के लिए संभव संभावनाओं की सीमा) बढ़ जाती है. हम रोड़ा के कम से कम 3 स्तर, ~ 25, 50 को कवर या बैग के 75% (चित्रा 1 बी) का उपयोग करने की सलाह देते हैं.
  5. जब विषयों कंप्यूटर पर कार्य करते हैं, हम संभावित परिणाम मात्रा के एक सीमा के साथ प्रत्येक स्तर जीतने / संभावना अस्पष्टता उपस्थित थे. हम 5 इनाम 4 स्तरों का उपयोग करने की सलाह देते हैं, मात्रा की एक विस्तृत श्रृंखला फैले, उदाहरण के लिए: 5, 9.5, 18, ​​34, और 65 राजभाषा विभागलार्स. प्रदर्शन में, हम परिणाम की राशि जीतने के रंग के बगल में मौजूद है और "0" अन्य रंग के बगल में प्रदर्शित. उदाहरण के लिए, चित्रा 2 एक लाल चिप ड्राइंग $ 18 जीतने के है जबकि एक ब्लू चिप ड्राइंग एक शून्य परिणाम में नतीजा होगा में परिणाम होगा.
  6. गंभीर, प्रत्येक परीक्षण विषयों पर दो लॉटरी के बीच का चयन करेंगे. सादगी के लिए हम प्रयोग के दौरान स्थिर विकल्पों में से (इस उदाहरण में $ 5 जीतने की एक 50% मौका) रखने के लिए एक और केवल अन्य विकल्प भिन्न. इस दो फायदे हैं. सबसे पहले, निरंतर विकल्प स्क्रीन पर दिखाई नहीं है, दृश्य प्रदर्शन (हालांकि एक अनुस्मारक हर अब और फिर मददगार हो सकता है) को सरल बनाने. दूसरा, क्योंकि एक विकल्प कभी नहीं बदलता, fMRI संकेत प्रतिगमन आधारित विश्लेषण प्रभावी ढंग से इस पैरामीटर की उपेक्षा कर सकते हैं. नोट है कि आदेश में जोखिम भरा है और अस्पष्ट लॉटरी संदर्भ विकल्प परीक्षणों के दोनों प्रकार के लिए एक ही हो गया है के व्यक्तिपरक मूल्यों के लिए एक "आम मुद्रा".
  7. प्रत्येक combination संभावना या अस्पष्टता स्तर और राशि का कम से कम 4 बार के एक कुल प्रस्तुत किया जाना चाहिए, और अधिक अधिमानतः, दोनों व्यवहार और fMRI विश्लेषण में पर्याप्त सांख्यिकीय शक्ति को सुनिश्चित करने के लिए है. Repetitions लाल के आधे में एक गैर शून्य परिणाम के साथ संबद्ध किया जा चाहिए और दूसरे आधे नीले रंग में, रंग पूर्वाग्रह से बचने के लिए और अस्पष्टता में समरूपता बीमा.
  8. हम एक धीमी गति से घटना से संबंधित (3 चित्रा) डिजाइन, जिसमें विभिन्न परीक्षणों के लिए hemodynamic प्रतिक्रिया ही समय में अलग किया जाता है का उपयोग करने के लिए चुना. इस तरह के डिजाइन में प्रत्येक लॉटरी एक प्रोत्साहन के रूप में प्रस्तुत किया जाना चाहिए संक्षेप में, 2 एस के लिए हमारे मामले में, एक देरी अवधि (हमारे मामले में, एस 6 में) द्वारा पीछा किया, में निर्णय संबंधित तंत्रिका तक का निर्माण सक्रियण के लिए समय की अनुमति. जवाब एक संक्षिप्त समय खिड़की (1-2 एस) के भीतर किया जाना चाहिए. एक संक्षिप्त प्रतिक्रिया के रूप में 3 चित्र में दिखाया एक के रूप में एक छवि का उपयोग करें, तो यह है कि इस विषय में जानता है कि उनकी प्रतिक्रिया दर्ज किया गया है. लंबी बाकी समय (10 या mor परीक्षण अलग करेंई) hemodynamic प्रतिक्रिया के लिए आधारभूत वापस जाने के लिए अनुमति देने के लिए. छोटे बाकी समय उपयुक्त घबराना के साथ इस्तेमाल किया जा सकता है. प्रत्येक 30 परीक्षणों के लिए ब्लॉक में परीक्षण समूह, लेकिन ब्लॉक के बारे में 10 मिनट से अधिक समय लेने के लिए नहीं होने के लिए सुनिश्चित हो. यह स्कैनर, जो प्रदर्शन को अधिकतम और विषय थकान को कम करने में बाकी समय के लिए अनुमति देता है. / संभावना अस्पष्टता और राशि के प्रत्येक संयोजन के कम से कम 4 repetitions के लिए अनुमति देने के लिए परीक्षण की कुल संख्या कम से कम 120 हो सकता है, यानी 4 ब्लॉक.
  9. भौतिक बैग (हमारे मामले लिफाफे में) तैयार है ताकि वे विषयों के लिए दिखाया जा सकता है, इससे पहले कि वे कार्य करते हैं. वे बाद में इस्तेमाल किया जाएगा बंद का भुगतान करने के लिए बेतरतीब ढंग से चुनी परीक्षण (ओं) खेलने के लिए. एक बैग प्रत्येक लॉटरी प्रयोग में इस्तेमाल छवि के लिए तैयार करो. 100 पोकर / बिंगो लाल और नीले चिप्स के एक कुल के साथ, कि प्रदर्शन में दिखाया बैग से हर रंग की एक चिप ड्राइंग की संभावना इसी अनुपात के साथ प्रत्येक बैग भरें. अस्पष्ट बैग एक यादृच्छिक संख्या जनरेटर का उपयोगलाल और नीले रंग चिप्स की वास्तविक संख्या, प्रत्येक अस्पष्टता स्तर तक इसी पर फैसला. 50 लाल और 50 नीले चिप्स के साथ संदर्भ बैग तैयार. शारीरिक बैग तैयारी और विषयों के लिए उन्हें दिखाने मनोविज्ञान विभागों में भर्ती विषयों के लिए विशेष रूप से महत्वपूर्ण है. इन विषयों के लिए धोखे का किसी तरह का संदेह होने की संभावना है और वे धोखे पर शक करना चाहिए उनकी प्रतिक्रियाओं uninterpretable होगा.

2. विषय की तैयारी

  1. प्रत्येक विषय के बाहर एक सहमति फार्म और एक स्क्रीनिंग प्रश्नावली भरने चाहिए. स्क्रीनिंग के फार्म का पुष्टि है कि इस विषय में उनके शरीर में किसी भी धातु नहीं है, कि वे गर्भवती हैं या छोटी जगहें होती हैं, नहीं कर रहे हैं और वे सुरक्षित रूप से स्कैन किया जा सकता है कि. विषय भी उनके शरीर से सभी धातुओं को दूर करना होगा स्कैनर वातावरण में सुरक्षा बीमा. यह महत्वपूर्ण है.
  2. प्रयोग के बारे में विस्तृत निर्देश के साथ इस विषय को प्रदान करें. उन्हें यकीन है कि वे समझ बनाने के लिए कुछ आसान सवालों से पूछो probabil कैसेities और मात्रा में प्रत्येक छवि में अवगत करा दिया है, और यकीन है कि वे अपने काम को समझते हैं. सुनिश्चित करें कि किसी भी जानकारी है कि उनके चुनाव को प्रभावित कर सकता है प्रकट नहीं. उदाहरण के लिए, विकल्प समस्या वे विषयों पूर्वाग्रह एक विशेष जोखिम रवैया की ओर के रूप में इस तरह से सामना नहीं फ्रेम. उन्हें शारीरिक बैग और तनाव है कि प्रयोग में प्रत्येक छवि एक विशिष्ट शारीरिक बैग है कि आप नहीं है और साथ छेड़छाड़ करेंगे कर सकते हैं नहीं दर्शाता दिखाएँ. यह भी समझा है कि परीक्षणों में आधा नीले रंग विजेता और आधा लाल रंग में रंग का हो जाएगा. भुगतान प्रणाली को समझाओ, तो यह है कि इस विषय को समझता है कि वे उनके विकल्प के अनुसार भुगतान किया जाएगा. विषयों के बारे में वे कुछ भी समझ में नहीं आता में सवाल पूछने के लिए प्रोत्साहित करें. यह एक महत्वपूर्ण समय है जब प्रयोग के बारे में विषयों की मान्यताओं को स्थापित किया जा रहा है है. यह जरूरी है कि विषयों विश्वास है कि धोखे का प्रयोग किसी भी प्रकार को शामिल नहीं करता है या व्यवहार और तंत्रिका परिणाम uninterpretable होगा.
  3. बैग सील और विषय मुहर भर में उनके नाम पर हस्ताक्षर. समझा है कि यह प्रयोग है कि आप बैग की सामग्री प्रयोग के दौरान बदल नहीं किया था के अंत में उन्हें सत्यापित करने के लिए सक्षम हो जाएगा. यह विषय है कि वे एक पूरी तरह से निष्पक्ष खेल खेल रहे हैं को आश्वस्त करने में मदद करता है. भी समझा है कि बाद लॉटरी प्रयोग के अंत में खेला जाता है कि वे बैग की सामग्री में देखने के लिए सुनिश्चित करें कि वे ने कहा संभावना या अस्पष्टता स्तर अनुरूप बनाने की अनुमति दी जाएगी.

3. स्कैन

  1. हम एक सिर (4 चैनलों या अधिक) का तार पूरे दिमाग से रक्त oxygenation स्तर निर्भर संकेत (बोल्ड) के साथ एक 3T एमआरआई स्कैनर का उपयोग करें.
  2. विषयों विकल्प को रिकॉर्ड करने के लिए एक प्रतिक्रिया 2 बटन बॉक्स का उपयोग.
  3. शारीरिक स्कैन: हम एक MPRAGE T1 भारित अनुक्रम का उपयोग करने के लिए एक स्पष्ट (1x1x1 मिमी) विषय के मस्तिष्क है कि 3D पुनर्निर्माण के लिए इस्तेमाल किया जा सकता है की छवि उच्च संकल्प. किसी भी उच्च संकल्प अनुक्रम यह पी के लिए इस्तेमाल किया जा सकता हैurpose.
  4. कार्यात्मक स्कैन: हम 2 एस के टी.आर., और 3x3x3 मिमी voxels के साथ एक टी 2 * - भारित महामारी अनुक्रम का उपयोग करें. स्लाइस की स्थिति ऐसी है कि वे मस्तिष्क क्षेत्रों आप सबसे अधिक रुचि रखते हैं, आम तौर पर prefrontal प्रांतस्था पार्श्विका प्रांतस्था और बेसल ganglia में शामिल करने के लिए सुनिश्चित करें कि. ते 30ms, फ्लिप 75 ° कोण, अंतर टुकड़ा कोई अंतर के साथ 36 3 मिमी स्लाइस, एसी पीसी लाइन के समानांतर में विमान संकल्प 3x3 मिमी, FOV 192 मिमी: स्कैनिंग पैरामीटर विशिष्ट स्कैनर के लिए अनुकूलित किया जाना चाहिए, हम इस्तेमाल . अन्य अध्ययनों से सुझाव दिया है कि 30 डिग्री पर स्लाइस लाइन एसी पीसी स्थिति में orbitofrontal प्रांतस्था छह संकेत ख़ारिज किया हुआ कम कर सकते हैं.

4. भुगतान प्रक्रिया

  1. स्कैनर से विषय को हटाने के बाद, कंप्यूटर कि विषय प्रतिक्रियाएं दर्ज की गई है से व्यवहार डेटा पुनः प्राप्त.
  2. अनियमित भुगतान के लिए एक या कुछ परीक्षणों का चयन करें. यह सबसे अच्छा है एक गिने पोकर चिप ड्राइंग करके उदाहरण के लिए विषय चयन,बाहर एक अपारदर्शी बैग कि सभी परीक्षण संख्या के साथ चिप्स होता की. इस विषय के लिए सुनिश्चित करें कि चयन वास्तव में है यादृच्छिक जाएगा.
  3. परीक्षण के लिए प्रत्येक चयनित विषय प्रस्तुत विकल्प और विकल्प है कि वे परीक्षण पर बनाया दिखा. उनसे पूछो कि परीक्षण पर चुना बैग से एक चिप को आकर्षित करने के लिए, और उन्हें तैयार रंग और परीक्षण पर प्रस्तुत की गई राशि के अनुसार भुगतान करते हैं.

उदाहरण के लिए, यदि चयनित परीक्षण प्रस्तुत लॉटरी चित्रा 2 (एक अस्पष्ट लॉटरी, 18 डॉलर की पेशकश अगर एक लाल चिप तैयार की है) और इस लॉटरी (बजाय संदर्भ लॉटरी) चुना विषय में दर्शाया है, तो विषय एक चिप से बाहर निकालना चाहिए शारीरिक लॉटरी छवि इसी बैग की. यदि एक लाल चिप तैयार की है विषय 18 डॉलर प्राप्त करने के लिए, अगर एक ब्लू चिप तैयार की है, वे कुछ भी नहीं प्राप्त होगा.

5. व्यवहार डेटा का विश्लेषण

  1. अधिकतम संभावना का उपयोग हम एक रसद प्रत्येक विषय के चुनाव डेटा फिटफार्म के समारोह:

1 समीकरण
कहाँ Pv संभावना है कि इस विषय में चर लॉटरी चुना है, एसवी एफ और एसवी वी स्थिर और चर विकल्प के व्यक्तिपरक मूल्यों क्रमशः रहे हैं, और γ रसद समारोह है, जो एक विषय विशेष पैरामीटर की ढलान है. एक वैकल्पिक दृष्टिकोण एक probit वितरण का उपयोग करने के लिए है.

  1. प्रत्येक विषय आप एक मॉडल है कि विकल्प और जोखिम और अस्पष्टता की ओर अलग - अलग विषय के नजरिए की राशि, संभावना है, और अस्पष्टता स्तर खाते में लेने की एक संख्या का उपयोग कर सकते हैं के लिए प्रत्येक विकल्प के व्यक्तिपरक मूल्य मॉडल. हम एक शक्ति समारोह 5 कि कथित 7 संभावना पर अस्पष्टता की रैखिक प्रभाव का उपयोग करने के लिए चुना:

2 समीकरण
जहां पी उद्देश्य prob है(0.5 परिभाषा के द्वारा अस्पष्ट लॉटरी के इस वर्ग के लिए) करने की क्षमता, एक अस्पष्टता स्तर (कुल संभाव्यता का अंश है कि अज्ञात है, जोखिम भरा लॉटरी के लिए 0), वी राशि है, और α और βare जोखिम विषय विशेष और अस्पष्टता रवैया मापदंडों क्रमशः. कई वैकल्पिक तरीकों में से एक के लिए एक घातीय 8 प्रभाव के रूप में अस्पष्टता शामिल है:

3 समीकरण
पसंद समारोह के साथ पसंद डेटा फिटिंग इस प्रकार जोखिम (α) और प्रत्येक विषय के लिए अस्पष्टता रवैया (β) रवैया के लिए अनुमान प्रदान करता है.

6. तंत्रिका डेटा का विश्लेषण

  1. , 2) गति अंतर और अंतर रन विषय आंदोलन के लिए खाते में सुधार, और 3) के हटाने अलग स्लाइस की समय स्कैनिंग में मामूली अंतर के लिए टुकड़ा) 1 स्कैन समय खाते में सुधार: डेटा की मानक preprocessing सहित, प्रदर्शन कम आवृत्तियों है कि आम तौर पर कर रहे हैं rशारीरिक शोर और स्कैनर drifts उत्तेजित.
  2. उनके संरचनात्मक डेटा के लिए प्रत्येक विषय के कार्यात्मक डेटा.
  3. एक विषय स्तर के मॉडल पूरे परीक्षण (हमारे 10 मामले में), एक मानक hemodynamic प्रतिक्रिया 9 समारोह के साथ convolved के दौरान एक निरंतर प्रतिक्रिया के रूप में प्रत्येक voxel की गतिविधि पर विश्लेषण के लिए. निम्नलिखित predictors के साथ एक सामान्य रेखीय मॉडल का उपयोग करें:
  • व्यक्तिपरक मूल्य की दो predictors (एसवी), एक जोखिम भरा परीक्षण के लिए और एक एक अस्पष्ट परीक्षण के लिए. 2 समीकरण और अलग - अलग विषय विशिष्ट व्यवहार फिट से व्युत्पन्न मानकों प्रत्येक लॉटरी के एसवी की गणना करने के लिए प्रयोग करें. संदर्भ लॉटरी के बाद से ही सभी परीक्षणों के लिए हम प्रत्येक परीक्षण में चर लॉटरी के एसवी अकेले का उपयोग कर सकते हैं. भविष्यवक्ता के लिए जोखिम भरा एसवी एसवी प्रत्येक जोखिम भरा परीक्षण के लिए है, और 0 प्रत्येक अस्पष्ट परीक्षण के लिए, और अस्पष्ट भविष्यवक्ता इसके विपरीत डालने.
  • दो डमी predictors, और जोखिम भरा परीक्षण के लिए एक एक अस्पष्ट परीक्षण के लिए, टोपीसंरचना ऐसे दृश्य और मोटर activations के रूप में सामान्य सक्रियण,.
  1. Voxels में जो जोखिम और / या अस्पष्टता के तहत के तहत एसवी के गुणांकों महत्वपूर्ण हैं के लिए देखो. महत्व के लिए परीक्षण कई प्रदर्शन तुलना खाते में रखना चाहिए. विधि हम इस्तेमाल 6 सन्निहित कार्यात्मक 10 voxels न्यूनतम क्लस्टर आकार को सीमित किया गया था. वैकल्पिक रूप से, झूठी डिस्कवरी (एफडीआर) दर 11 के रूप में अन्य विधियों, कई सुधार के लिए सही करने के लिए इस्तेमाल किया जा सकता है.

7. प्रतिनिधि परिणाम

व्यवहार

चित्रा 4 तीन प्रतिनिधि विषयों के व्यवहार परिणाम प्रस्तुत करता है. प्रत्येक पैनल या तो (बाएं) जोखिम या अस्पष्टता (दाएं) के तहत चुनाव और डेटा प्रस्तुत मॉडल एक विषय के लिए फिट का परिणाम है. रेखांकन परीक्षण के अनुपात में जो विषय राशि के रूप में एक समारोह चर लॉटरी चुना को दर्शाती है, समस्या के प्रत्येक स्तर के लिए अलगक्षमता या अस्पष्टता. के रूप में देखा जा सकता है, विषयों जोखिम और अस्पष्टता के प्रति उनके नजरिए में एक बहुत कुछ बदल सकता है.

फिट की अच्छाई की जांच करने के लिए, r 2, जो आदर्श 0.5 से अधिक होना चाहिए, और भी घटता नेत्रहीन का निरीक्षण. जबकि हमारे सभी तीन उदाहरण विषयों वैध व्यवहार है कि उचित फिट बैठता सक्षम था, ध्यान दें कि 2 विषय सबसे कम संभावना (0.13) के साथ जोखिम की स्थिति में शायद ही चर विकल्प चुना. यह पता चलता है कि राशि और / की सीमा का विस्तार या उच्च संभावनाओं का उपयोग कर बेहतर परिणाम प्रदान करने के लिए, क्योंकि यह सुनिश्चित करेंगे कि कम से कम परीक्षण के कुछ विषयों चर विकल्पों का चयन कर सकते हैं. एक अन्य विकल्प मात्रा की एक विस्तृत श्रृंखला पर प्रत्येक विषय के पूर्व का परीक्षण करने के लिए और उन मात्रा कि संदर्भ और प्रत्येक व्यक्ति के लिए चर विकल्प विकल्पों की एक तुलनीय संख्या सुनिश्चित करने के लिए चुन है.

fMRI

5 चित्रा एक प्रतिनिधि इमेजिंग परिणाम प्रस्तुतविषय. प्रकाश डाला voxels जो लोगों में अस्पष्टता के तहत व्यक्तिपरक मूल्य भविष्यवक्ता (ऊपर) या जोखिम (नीचे) के गुणांक 0 से काफी अलग था. इस विशिष्ट विषय में महत्वपूर्ण संबंध औसत दर्जे का prefrontal (MPFC) प्रांतस्था और striatum में दोनों शर्तों के तहत पाया गया था. इन क्षेत्रों में सबसे अधिक विषयों भर में लगातार कर रहे हैं, लेकिन महत्वपूर्ण correlations भी औसत दर्जे का है और पार्श्व पार्श्विका प्रांतस्था, के रूप में के रूप में अच्छी तरह से प्रमस्तिष्कखंड में क्षेत्रों में उम्मीद की जा सकता है. कार्यों के इस प्रकार में गतिविधि के रूप में आम तौर पर कमजोर है और शोर है आप कई विषयों क्षेत्रों की एक सबसेट में केवल महत्वपूर्ण correlations प्रदर्शन के साथ विषयों भर में उच्च परिवर्तनशीलता की उम्मीद करनी चाहिए.

चित्रा 1
चित्रा 1. जोखिम भरा है और अस्पष्ट उत्तेजनाओं ए) जोखिम भरा उत्तेजनाओं में स्क्रीन पर लाल और नीले रंग की एक छवि का क्षेत्रों लिफाफे में लाल और नीले रंग के चिप्स की संख्या के लिए आनुपातिक हैं. तीन परिणाम w संभावनाओंयहां इस्तेमाल किया अरे: 0.13, 0.25 और 0.38. बी) अस्पष्ट उत्तेजनाओं में छवि के मध्य भाग में एक ग्रे occluder के साथ अस्पष्ट है. ग्रे क्षेत्र में हर रंग की चिप्स की संख्या अज्ञात है, और इस प्रकार एक निश्चित रंग की एक चिप ड्राइंग की संभावना ठीक ज्ञात नहीं है. अस्पष्टता की तीन स्तरों यहां इस्तेमाल किया जाता है, जहां छवि के 50, 25, या 75% occluded रहे हैं.

चित्रा 2
चित्रा 2. एक लॉटरी उदाहरण यह एक अस्पष्ट लॉटरी एक 50% अस्पष्टता के स्तर पर है. कम से कम 25 लिफाफे में चिप्स का लाल कर रहे हैं और कम से कम 25 नीले हैं. यदि एक लाल चिप तैयार की है विषय 18 डॉलर जीतने के लिए, जब वे कुछ भी नहीं जीत अगर एक ब्लू चिप तैयार की है.

चित्रा 3
चित्रा 3. परीक्षण संरचना लॉटरी संक्षेप में प्रस्तुत किया जाता है, एक देरी की अवधि के द्वारा पीछा किया. एक प्रतिक्रिया क्यू तो विषयों के लिए प्रेरित करने के लिए संकेत मिलता हैस्क्रीन पर लॉटरी और संदर्भ लॉटरी (इस मामले में $ 5 जीतने की एक 50% मौका) के बीच ir पसंद है. परीक्षण लंबे समय के बाकी समय के साथ interleaved कर रहे हैं.

चित्रा 4
चित्रा 4. एक विषय पसंद व्यवहार के उदाहरण रेखांकन परीक्षण में जो प्रत्येक विषय के संदर्भ से अधिक चर विकल्प चुना के अनुपात में मौजूद है, की पेशकश की राशि के एक समारोह के रूप में, (बाएं) जोखिम भरा है और अस्पष्ट परीक्षण (दाएं). विभिन्न घटता अलग जोखिम या अस्पष्टता के स्तर के लिए कर रहे हैं. α, जोखिम रवैया पैरामीटर, β, अस्पष्टता रवैया पैरामीटर, 2 आर, McFadden R-squared छद्म, व्यवहार मॉडल के फिट की भलाई के एक उपाय है, विचरण है कि मॉडल से समझाया है के भाग के बराबर, संख्या n, परीक्षण में जो प्रतिक्रिया बनाया गया था (180 के कुल के बाहर).

चित्रा 5 </ br> चित्रा 5. एकल विषय सक्रियण नक्शे का उदाहरण. सक्रियकरण नक्शे एक उच्च संकल्प संरचनात्मक छवि पर प्रस्तुत कर रहे हैं. डाला क्षेत्रों उन जिसका सक्रियण था काफी जोखिम (ऊपर) के तहत या अस्पष्टता (नीचे) के तहत व्यक्तिपरक मूल्य के साथ सहसंबद्ध हैं. सबसे अधिक विषयों में औसत दर्जे का prefrontal (MPFC) प्रांतस्था और स्ट्रिएटम दोनों जोखिम और अस्पष्टता के तहत व्यक्तिपरक मूल्य का प्रतिनिधित्व करते हैं. सही पी मूल्यों 6 कार्यात्मक voxels की एक न्यूनतम क्लस्टर आकार पर आधारित हैं. बड़ा आंकड़ा देखने के लिए यहां क्लिक करें .

Subscription Required. Please recommend JoVE to your librarian.

Discussion

हम प्रयोगात्मक अर्थशास्त्र से एक विधि का इस्तेमाल किया है 'विषयों व्यवहार की विशेषताएँ और जोखिम और अस्पष्टता की ओर व्यक्तिगत दृष्टिकोण का अनुमान. हम तो इन अनुमानों का इस्तेमाल करने के लिए तंत्रिका डेटा का विश्लेषण.

8,12 पहले fMRI गतिविधि की जांच करते हुए विषयों जोखिम और अस्पष्टता के तहत विकल्प बनाने के लिए अन्य तरीकों का इस्तेमाल किया गया है. हमारे दृष्टिकोण, हालांकि, कई महत्वपूर्ण सुविधाओं को जोड़ती है. सबसे पहले, यह एक पैरामीट्रिक डिजाइन, जिसमें विभिन्न मापदंडों (राशि संभावना, और अस्पष्टता स्तर) व्यवस्थित विविध रहे हैं का उपयोग करता है. यह हमारे व्यक्तिगत जोखिम और अस्पष्टता नजरिए यों और प्रत्येक विषय के लिए प्रत्येक विकल्प के व्यक्तिपरक मूल्य की गणना करने के लिए अनुमति देता है. दूसरा, व्यक्तिगत व्यवहार उपाय हमें मस्तिष्क क्षेत्रों जिसका सक्रियण कि उपाय के साथ सहसंबद्ध के लिए देखने के लिए, अलग - अलग जोखिम और अस्पष्टता के लिए एक विषय स्तर के भीतर करने के लिए अनुमति देता है. यह एक साफ करने के लिए एक पैरामीटर (व्यक्तिपरक मूल्य) यू के तंत्रिका कोडन की जांच तरीका हैnder अलग शर्तों (जोखिम और अस्पष्टता) जबकि उन शर्तों (ऐसे विकल्प व्यवहार के रूप में) के बीच मतभेद संभव को नियंत्रित करने के लिए. तीसरा, बेतरतीब ढंग से प्रयोग के अंत में एक परीक्षण का चयन और यह असली पैसे के लिए खेलने से हम विषयों उनके सच वरीयताओं 13 प्रकट करने के लिए प्रोत्साहित करते हैं.

व्यवहार के स्तर पर, इस विधि हमें केवल दो संख्या के साथ प्रत्येक विषय के अद्वितीय विकल्प व्यवहार संक्षेप में प्रस्तुत करने के लिए, जोखिम और व्यक्तिगत विषय की अस्पष्टता के नजरिए का प्रतिनिधित्व करने के लिए सक्षम बनाता है. मानक आर्थिक सिद्धांत बताता है कि चयनक जो लगातार बर्ताव कर रहे हैं के लिए अपनी पसन्द के इन दोनों आवश्यक और पर्याप्त characterizations हैं. दूसरा रास्ता रखो, एक को साबित कर सकते हैं कि एक) कोई अन्य संभावित लक्षण वर्णन अधिक पूर्ण या कॉम्पैक्ट और 2) किया जा सकता है कि सभी को और अधिक जटिल characterizations बेमानी हैं. तंत्रिका स्तर पर, विधि हमें व्यक्तिपरक मूल्य है कि अलग - अलग विषयों ascri के तंत्रिका प्रतिनिधित्व की पहचान करने की अनुमति देता हैविकल्प है कि वे लक्षण वर्णन के इस स्तर पर आवश्यक और पर्याप्त मुठभेड़ करने के लिए किया जाना है. बेशक व्यवहार के अन्य characterizations संभव है, लेकिन विज्ञापन 'खतरनाकपन' अस्थायी उपाय है कि एक पूरी तरह या तो व्यवहार या तंत्रिका संकेतों से संबंधित नहीं किया जा सकता है का उपयोग करने के लिए और अधिक समस्याओं को उठाने की तुलना में यह एक हल करती है.

हम क्षेत्रों गतिविधि जिसका व्यक्तिपरक मूल्य के साथ सहसंबद्ध localizing के लिए एक विशिष्ट विधि का वर्णन किया. अन्य, पूरक, एक खोजपूर्ण तरीका है कि पूर्व hypotheses की आवश्यकता नहीं है में तंत्रिका डेटा का विश्लेषण करने के तरीके हैं. क्लस्टरिंग तरीकों और स्वतंत्र घटक विश्लेषण (आईसीए) में इस तरह के तरीकों है कि अतिरिक्त जोखिम और अस्पष्टता से संबंधित सक्रियण बता सकता हैं.

परिणाम विषयों भर में पर्याप्त व्यवहार परिवर्तनशीलता से पता चला है, तरीका है कि जोखिम और अस्पष्टता के भविष्य के अध्ययनों में इस्तेमाल किया जा सकता है की कई संभव एक्सटेंशन का सुझाव दे. सबसे पहले, विधियों जांच के लिए अलग करने के लिए इस्तेमाल किया जा सकता हैences व्यक्तियों में व्यवहार में है, और उन मतभेदों के तंत्रिका संबद्ध की पहचान के लिए अलग विषय आबादी में. ब्याज की विशेष चरम व्यवहार जोखिम लेने, प्रदर्शन करने के लिए मादक पदार्थों के सेवन के लिए उपचार के दौर से गुजर उन उदाहरण के लिए धारणा रोगियों का अध्ययन किया जाएगा. जोखिम और अस्पष्टता नजरिए के योगदान के बीच इस तरह के व्यवहार के लिए भेद और उनके तंत्रिका संबद्ध delineating ऐसे रोग व्यवहार के लिए बुनियादी कारणों को समझने के लिए और व्यवहार और औषधीय हस्तक्षेप तैयार करने के लिए महत्वपूर्ण हैं. अन्य रोचक स्थानों या विभिन्न आयु समूहों के विभिन्न संस्कृतियों के लोगों से लोगों की जांच चाहते हैं. इस तरह से विशिष्ट गतिविधि के मूल्य से संबंधित की पहचान करने की क्षमता समूह मतभेद है कि वास्तविक जीवन में मनाया मतभेद के मूल में हैं प्रकट करने की क्षमता है.

दूसरा, विधि करने के लिए व्यक्ति के नजरिए पर विशिष्ट अनुभवों के प्रभाव की जांच करने के लिए इस्तेमाल किया जा सकता हैजोखिम और अस्पष्टता की ओर ubjects. प्रयोगात्मक प्रतिमान, उदाहरण के लिए, पहले और बाद में एक व्यवहार हेरफेर किया है या प्राकृतिक घटनाओं घटित एक शैक्षिक हस्तक्षेप, एक तनाव हेरफेर, या एक जीवन बदल घटना के रूप में नियोजित किया जाना है.

तीसरा, एक समान प्रतिमान परिणाम और संभावनाओं कि सवाल आप पता करने के लिए करना चाहते हैं के लिए उपयुक्त हैं के विभिन्न श्रेणियों के साथ इस्तेमाल किया जा सकता है. उदाहरण के लिए, विषयों के विभिन्न घाटा, बजाय लाभ के बीच विकल्प के साथ प्रस्तुत किया जा सकता है, के लिए और अधिक सीधे प्रयोगात्मक सेटिंग से संबंधित जोखिम लेने के व्यवहार में वास्तविक जीवन, संभावित परिणाम हो सकते हैं जिसका अक्सर नकारात्मक (जैसे लापरवाह ड्राइविंग या मादक द्रव्यों के सेवन). चौथा, गैर - मौद्रिक परिणामों के लिए जोखिम और खाना पसंद है और सामाजिक वरीयताओं के रूप में अलग डोमेन में अस्पष्टता के प्रति दृष्टिकोण का पता लगाने के लिए इस्तेमाल किया जा सकता है.

इस दृष्टिकोण की महत्वपूर्ण विशेषता है कि यह एक कॉम्पैक्ट और तार्किक ग प्रदान करता हैएक पूरी तरह से निर्धारित अंतर्निहित चर है कि पूरी तरह से एक सुसंगत विषय की वरीयताओं की विशेषता के संबंध के साथ व्यवहार की विशेषताएँ omplete तरीका है. इस प्रकार एक शक्तिशाली निकट सिद्धांत है कि अच्छी तरह से तदर्थ लक्षण वर्णन से परे चलता करने के लिए बंधे दृष्टिकोण प्रदान करता है.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

ब्याज की कोई संघर्ष की घोषणा की.

Acknowledgements

हम उपयोगी और डिजाइन पर विचार - विमर्श और टिप्पणियों के लिए Aldo Rustichini धन्यवाद.
आईएल और पीडब्ल्यूजी तक एनआईए R01 AG033406 अनुदान द्वारा वित्त पोषित है.

Materials

Name Company Catalog Number Comments
Allegra Head Only 3.0 T MRI Scanner Siemens AG A whole body scanner can also be used
NM-011 transmit head coil Nova Medical
E-prime Psychology Software Tools Stimuli presentation software
Matlab Mathworks

DOWNLOAD MATERIALS LIST

References

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

Comments

0 Comments


    Post a Question / Comment / Request

    You must be signed in to post a comment. Please or create an account.

    Usage Statistics