מדידת הערך סובייקטיבי של אפשרויות מסוכנות ושנויות במחלוקת באמצעות כלכלה ניסויית ושיטות MRI פונקציונליות

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

שימוש בשיטות בדיקת MRI והתנהגות פונקציונליות כדי לקבוע ייצוג העצבי של הערך הסובייקטיבי של אפשרויות מסוכנות ומעורפלות במוח האנושי.

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

רוב הבחירות שאנו עושים יש השלכות ברורות. בחלק מהמקרים את ההסתברויות לתוצאות אפשריות שונות ידועות במדויק, תופעה קרוי "מסוכן". במקרים אחרים, כאשר הסתברויות אינן ניתנת להערכה, זה מצב כפי שתואר "מעורפל". בעוד שרוב האנשים הם שונאי סיכון והן ל1,2 עמימות, את מידת הסלידה האלה להשתנות באופן משמעותי על פני אנשים, כאלה שהערך הסובייקטיבי של אותה האפשרות מסוכנת או מעורפלת יכול להיות מאוד שונה עבור אנשים שונים. אנו משלבים MRI התפקודי (fMRI) בשיטה 3 ניסיוני כלכלה מבוססת להעריך את הייצוג העצבי של הערכים סובייקטיביים של אופציות מסוכנות ושנויות במחלוקת 4. טכניקה זו ניתן כיום בשימוש ללמוד ייצוגים עצביים אלו באוכלוסיות שונות, כגון קבוצות גיל שונים ובאוכלוסיות חולות שונות.

בניסוי שלנו, להפוך את נושאי בחירות ב תוצאתייםetween שתי חלופות תוך ההפעלה העצבית שלהם היא מעקב באמצעות fMRI. בכל ניסוי נבדקים לבחור בין הגרלות המשתנות בהיקף הכספי שלהם ובכל אחד הסתברות זכייה או הסכום שרמת העמימות קשורה עם הנצחון. העיצוב פרמטרית שלנו מאפשר לנו להשתמש בהתנהגות הבחירה של כל אדם להעריך את עמדותיהם כלפי סיכון ועמימות, ובכך להעריך את הערכים סובייקטיביים שכל כתב אופציה מוחזקת עבורם. תכונה חשובה נוספת של העיצוב היא שהתוצאה של ההגרלה שנבחרה היא לא חשפה במהלך הניסוי, כך שלא יכולה להתקיים למידה, ולכן האפשרויות המעורפלות תישארנה עמדות מעורפלות וסיכון הן יציבות. במקום זאת, בסיומה של פגישת סריקת ניסויים אחד או כמה נבחרים באופן אקראי ושחקו על כסף אמיתי. מאז נושאים לא ידעו מראש שיהיו ניסויים נבחרו, הם חייבים לטפל בכל המשפט כאילו זה וזה לבדו היה משפט אחד שעליו הם ישולמו. זה העיצוב ensures שאנו יכולים לאמוד את הערך הסובייקטיבי של כל אופציה האמיתית לכל נושא. אז אנחנו מסתכלים לאזורים במוח שההפעלה מתואמת עם הערך הסובייקטיבי של אפשרויות מסוכנות ולאזורי הפעלתם מתואמת עם הערך הסובייקטיבי של אפשרויות מעורפלות.

Protocol

1. הכנת הניסוי

  1. הצעד הראשון הוא לעצב גירויים חזותיים המייצגים בחירות מסוכנות ושנויות במחלוקת, שיוצגו על המסך בסורק. אנו משתמשים בתמונות כגון אלו המוצגים באיור 1 לייצג שקיות מלאות באסימוני פוקר שאנו מכנים "שקיות לוטו". גרפי, תמונות אלה יכולים להיחשב כערימות של אסימוני פוקר לפני שהם ממוקמים בשקית. חשוב לציין, התמונות האלה מייצגות מכולות אמיתיות, במעטפות במקרה שלנו, מלאה ב100 אסימוני פוקר אדומים וכחולים שהנושא יראה לפני התחלת הניסוי. זה מבטיח שגם נושאים להבין את ההגרלות שהם יעמדו בפני ומאמינים שתצוגת המחשב במדויק מציגה הגרלות אלה. להגרלות מסוכנות הסתברות המנצחת, היחס של אדום לכחולים שבבים במעטפה שנתנה, נאמרה בדיוק באמצעות מספרים וגירוי גרפי (איור 1 א). לחלק הגרלות מעורפל של information על ההסתברות חסר (האיור 1B), שבו היחס האפשרי של אדום לכחולים שבבי תחומה אך לא צוין, טיווח את ההסתברות באופן חלקי המעורפלת הזכייה.
  2. להגרלות מסוכנות התחומים האדומים וכחולים של כל תמונה הם פרופורציונליים למספר של שבבים אדומים וכחולים במעטפה. אנו ממליצים על שימוש מינימאלי של 3 הסתברויות תוצאה 4 (איור 1 א). את ההסתברויות המדויקות משמשות יכולות להשתנות בהתאם לדרישות הספציפיות של הניסוי, אבל הנסיינים צריכים להיות זהירים לגבי שימוש בהסתברויות גבוהות מאוד ונמוכות מאוד. זה ידוע שבני אדם בדרך כלל לסלף הסתברויות מתחת 10% או מעל 90% 5. אלא אם כן אחד מתכוון ללמוד סילוף שיטתי זו, הקצוות הללו יש להימנע.
  3. להעביר עמימות החלק המרכזי של הערימה של שבבים בתצוגת המחשב טשטש עם occluder אפור (איור 1 ב). בתחום האפור numבער של שבבים של כל צבע יהיה ידוע, ולכן ההסתברות למשייכת אדומה או שבב כחול לא בדיוק ידועה. לדוגמה, בתיק באמצע התרשים 1B occluder מכסה 50% מהתיק, ולכן מספר האסימונים אדומים יכול להיות בכל מקום בין 25 (אם כל השבבים מאחורי occluder הם כחולים) ו75 (אם כל השבבים מאחורי occluder הם אדומים). כמובן, מספר השבבים כחולים יכול גם להיות בכל מקום בין שני ערכים אלה.
  4. הגדלת גודל occluder מעלה את רמת העמימות (הטווח של הסתברויות אפשריות לציור שבב אדום או כחול). אנו ממליצים להשתמש בלפחות 3 רמות של חסימה, מכסים 25 ~, 50 או 75% מהתיק (1B איור).
  5. כאשר נבדקים לבצע את המשימה במחשב, אנו מציגים את כל רמת הסתברות זכייה / עמימות עם מגוון של כמויות תוצאה אפשריות. אנו ממליצים על שימוש 5 רמות התגמול 4, פורשים מגוון רחב של כמויות, לדוגמה: 5, 9.5, 18, ​​34 ו 65 דוללארס. בתצוגה, אנו מציגים את כמות תוצאות לצד הצבע המנצח ולהציג את "0" בסמוך לצבע האחר. לדוגמה, באיור 2 ציור שבב אדום יביא זכיית 18 דולרים תוך הפקת שבב כחול יביא לתוצאה אפס.
  6. ביקורתי, בכל נושאי משפט תהיה לבחור בין שתי הגרלות. לשם פשטות אנחנו שומרים אחת מהאפשרויות הקבועות לאורך כל הניסוי (סיכוי של 50% לזכות 5 $ בדוגמה זו) ורק לשנות את האפשרות האחרת. לכך יש שני יתרונות. ראשית, האפשרות הקבועה לא צריכה להופיע על המסך, כדי לפשט את התצוגה ויזואלית (למרות תזכורת מדי פעם עשוי להיות מועילים). שנית, משום שאפשרות אחת לא משתנה לעולם, ניתוחי רגרסיה מבוססת של אות fMRI יעילות יכולה להזניח בפרמטר זה. שים לב שעל מנת שיהיה "מטבע משותף" לערכים סובייקטיביים של הגרלות מסוכנות ודו משמעיות את אפשרות ההתייחסות צריכה להיות זהה בשני הסוגים של ניסויים.
  7. כל צירופיםtion של רמת הסתברות או עמימות וכמות צריך להיות מוצג כולל של לפחות 4 פעמים, ורצוי יותר, על מנת להבטיח מספיק כוח סטטיסטי בשני הניתוחים התנהגותיים וfMRI. במחצית האדומה חזרות צריכה להיות קשורה לתוצאה שאינה אפס ובחצי הכחולה האחרת, כדי למנוע הטית צבע ולבטח סימטריה בעמימות.
  8. אנחנו בחרנו להשתמש בעיצוב איטי אירוע הקשור ל( איור 3), שבו התגובה המודינאמית לניסויים שונים מופרדת היטב בזמן. בעיצוב כזה כל הגרלה צריכה להיות מוצגת כגירוי לזמן קצר, במקרה שלנו עבור 2 של, ואחרי תקופת עיכוב (במקרה שלנו, 6 בים), כדי לאפשר להפעלה העצבית החלטה הקשורה לבנייה. תגובות צריכות להיעשות בתוך חלון זמן קצר (1-2 ים). השתמש בתמונה כמו זו שמוצגת באיור 3 כמשוב קצר, כך שהנושא יודע את תשובתם כבר נרשמה. הפרד את הניסויים בפרקי מנוחה רבים (10 או של מורה) כדי לאפשר תגובה המודינאמית לחזור לנקודת התחלה. תקופות מנוחה קצרות יותר ניתן להשתמש בריצוד מתאים. קבוצת הניסויים בלוקים של עד 30 סבבים, אבל תהיה בטוח שלא להניח את אובניים יארך יותר מ 10 דקות. זה מאפשר לתקופות מנוחה בסורק שמקסם ביצועים ולמזער את עייפות הנושא. כדי לאפשר לפחות 4 חזרות של כל שילוב של הסתברות / עמימות וסכום המספר הכולל של ניסויים יהיה לפחות 120, כלומר 4 בלוקים.
  9. הכן את השקיות הפיזיות (במעטפות במקרה שלנו) כדי שיוכלו להיות מוצג לנבדקים לפני שנבצע את המשימה. הם ישמשו מאוחר יותר לשחק משפט שנבחר באקראי (ות) עבור תשתלם. הכן תיק לכל תמונת הגרלה השתמשה בניסוי. ממלא כל שקית עם סכום כולל של 100 פוקר / ינגו אדום וצ'יפס כחול, עם פרופורציות מתאימות להסתברות למשייכת שבב של כל צבע מהשקית שמוצגת בתצוגה. עבור שקיות חד משמעיות להשתמש במחולל מספרים אקראילהחליט על המספרים האמיתיים של שבבים אדומים וכחולים, המתאימים לכל רמת עמימות. הכן את תיק ההתייחסות עם 50 אדומים ו 50 שבבים כחולים. הכנת תיקים פיסיים ומראה אותם לנושאים חשוב במיוחד לנושאים שגויסו במחלקות לפסיכולוגיה. נושאים אלה הם סבירים לחשוד כלשהו של הונאה וצריכים שהם חושדים הונאת תגובותיהם תהיינה uninterpretable.

2. הכנת הנושא

  1. כל נושא חייב למלא טופס הסכמה ושאלון הקרנה. צורת ההקרנה מוודאת כי הנושא לא צריך כל מתכת בגוף שלהם, כי הם לא בהריון או קלסטרופובית, ושניתן יהיה לסרוק בבטחה. נושאים גם להסיר את כל המתכות מהגוף שלהם כדי להבטיח בטיחות בסביבת הסורק. זה קריטי.
  2. ספק את הנושא עם הוראות מפורטות לגבי הניסוי. תשאל אותם כמה שאלות פשוטות כדי לוודא שהם מבינים איך probabilמיעוטים והסכומים מועברים בכל תמונה, וכדי לוודא שהם מבינים את המשימה שלהם. הקפד שלא לחשוף את כל מידע שיכול להשפיע על הבחירות שלהם. לדוגמה, לא למסגר בעיית הבחירה הם מתמודדים באופן שהטית הנושאים כלפי יחס סיכון מסוים. הראה להם את התיקים ולחץ הפיסיים שכל תמונה בניסוי מתייחסת לתיק פיזי ספציפי אחד שאתה לא יכול ולא להתעסק איתו. גם להסביר שמחצית בכחולה ניסויים יהיה המנצח והצבע אדום במחצית. להסביר את מנגנון התשלום, כך שהנושא מבין שהם ישולמו על פי בחירתם. עודד נושאים לשאול שאלות על כל דבר שהם לא מבינים. זו תקופה קריטית, כאשר האמונות של הנבדקים על הניסוי מוקמות. זה חיוני כי נבדקים להיות בטוחים שהניסוי אינו כרוך בכל סוג של הונאה או התוצאות התנהגותיות ועצביות תהיינה uninterpretable.
  3. לאטום את השקיות ויש את הנושא לחתום את שמם בחותמת. להסביר שזה יאפשר להם לוודא בסוף הניסוי שלא לשנות את התוכן של השקיות במהלך הניסוי. זה עוזר להרגיע את נושאים שהם משחקים משחק הוגן לחלוטין. תסביר גם שאחרי ההגרלות הם שחקו בסוף הניסוי הם יהיו רשאים לבדוק את התוכן של השקיות כדי לוודא שהם תואמים את ההסתברות האמורה או רמת עמימות.

3. סריקה

  1. אנו משתמשים בסורק MRI 3T עם סליל ראש (4 ערוצים או יותר) כדי לקבל אותות חמצון דם רמה תלויה (BOLD) מכל המוח.
  2. השתמש בתיבת תגובה 2-כפתור הקלטת בחירות נושאים.
  3. סריקת אנטומי: אנו משתמשים ברצף MPRAGE T1-משוקלל כדי לקבל תמונה של המוח של הנושא שיכול לשמש לשיקום 3D ברזולוציה גבוהה ברורה (1x1x1 מ"מ). כל רצף ברזולוציה גבוהה ניתן להשתמש עבור p זהurpose.
  4. סריקות פונקציונליות: אנו משתמשים ברצף T2 EPI * משוקלל, עם TR של 2 S, ו3x3x3 voxels מ"מ. הקפד למקם את הפרוסות כך שהם כוללים את האזורים במוח שאתה מעוניין ביותר, בדרך כלל הקליפה מוח הקדם חזיתית, קליפת המוח הקודקודית וגרעיני הבסיס. פרמטרי סריקה צריכים להיות מותאמים לסורק הספציפי, השתמש: TE 30ms, זווית 75 מעלות להעיף, 36 3 פרוסות מ"מ ללא פער בין פרוסה, מקבילות לקו AC-PC, מ"מ 3x3 רזולוציה במטוס, FOV 192 מ"מ . מחקרים אחרים הראו כי מיצוב את הפרוסות ב 30 מעלות לקו AC-PC עשויה להפחית נשירת אות ב6 קליפת orbitofrontal.

4. נוהל תשלום

  1. לאחר הסרת הנושא מהסורק, לאחזר את הנתונים מהמחשב התנהגותיים שרשם תגובות של הנושא.
  2. בוחר באופן אקראי אחד או כמה משפטים לתשלום. הדרך טובה ביותר היא להניח לנושא לעשות את הבחירה, לדוגמה על ידי ציור שבב פוקר ממוספרמתוך שקית אטומה המכילה שבבים עם כל מספרי המשפט. זה יבטיח לנושא שהבחירה היא אכן אקראית.
  3. לכל ניסוי נבחר להראות הנושא הוצג ואפשרות הבחירה שהם עשו באותו משפט. בקש מהם לצייר שבב מהתיק שנבחר באותו משפט, ולשלם להם על פי צבע ונמשך הסכום שהוצג במשפט.

לדוגמה, אם המשפט שנבחר מוצג בהגרלה המתוארת באיור 2 (הגרלה מעורפלת, המציע 18 $ אם שבב אדום נמשך) והנושא בחר הלוטו הזה (ולא בלוטו ההתייחסות), ואז הנושא צריך לצייר שבב התיק המתאים לתמונת ההגרלה הפיזי. אם שבב אדום נמשך הנושא יקבל 18 $, אם שבב כחול מצויר שהם לא יקבלו מאומה.

5. ניתוח הנתונים התנהגותיים

  1. שימוש סיכוי מרבי שנתאים לנתונים של כל בחירת נושא ללוגיסטיפונקציה מהצורה:

משוואה 1
איפה Pv הוא ההסתברות שבחר הנושא ההגרלה משתנית, SV F ו V SV הם הערכים סובייקטיביים של האפשרויות הקבועות ומשתנים בהתאמה, וγ הוא השיפוע של הפונקציה הלוגיסטית, שהוא פרמטר הנושא ספציפי. גישה חלופית היא להשתמש בהפצת probit.

  1. למודל הערך הסובייקטיבי של כל אופציה לכל נושא שאתה יכול להשתמש באחת ממספר המודלים הלוקחים בחשבון את רמת כמות, הסתברות ועמימות של האופציה והעמדות של הפרט כלפי נושא סיכון ועמימות. אנחנו בחרנו להשתמש בכוח 5 פונקציה הכוללת השפעה ליניארית של עמימות על ההסתברות הנתפסת 7:

משוואה 2
כאשר p הוא prob האובייקטיבייכולת (לפי הגדרה 0.5 לסוג כזה של הגרלות משמעיות), היא ברמת העמימות (החלק של ההסתברות הכוללת שאינו ידוע, 0 להגרלות מסוכנות), V הוא הסכום, וסיכון ועמימות הנושא ספציפי α וβare פרמטרי יחס בהתאמה. אחד מכמה גישות חלופיות הוא לכלול עמימות כאפקט מעריכי 8:

משוואה 3
התאמת הנתונים לבחירה עם פונקצית בחירה ובכך מספקת אומדנים ליחס הסיכון (α) וגישת עמימות (β) לכל נושא.

6. ניתוח הנתונים העצביים

  1. בצע preprocessing הסטנדרטי של הנתונים, כולל: 1) תיקון פרוסת סריקה בזמן כדי להסביר את ההבדלים הקלים בסריקת זמנים של פרוסות שונות: 2) תיקון בקשה לחשבון נושא תנועת תוך ובין הטווח; ו3) סילוק תדרים נמוכים, כי הם בדרך כלל rבמצב רוח מרוממת לרעש פיסיולוגי ונסחף סורק.
  2. רשום את נתוני הפעילות של כל נושא לנתונים אנטומיים שלהם.
  3. לניתוח ברמת מודל נושא אחד פעילות בכל voxel כתגובה מתמשכת במהלך כל המשפט (במקרה שלנו 10 השניות), מפותלים עם פונקצית תגובה המודינאמית תקן 9. השתמש במודל ליניארי כללי עם המנבאים הבאים:
  • שני מנבאים של ערך סובייקטיבי (SV), אחד לניסויים מסוכנים ואחד לניסויים שנויים במחלוקת. השתמש במשוואה 2 ופרמטרים הספציפיים לנושא מסוימים הנגזרים מהתאמה התנהגותית לחישוב SV של כל הגרלה. מאז הגרלת ההתייחסות היא זהה עבור כל הניסויים שאנו יכולים להשתמש בSV של הלוטו משתנה לבד בכל ניסוי. למנבא SV המסוכן להכניס את SV לכל ניסוי מסוכן, ו0 עבור כל ניסוי מעורפל, ולהיפך למנבא המעורפל.
  • שני מנבאי דמה, אחד לניסויים מסוכנים ואחד לניסויים מעורפלים, לכובעהפעלת מכשור כללי, כגון הפעלות חזותיות והמוטוריות.
  1. חפש voxels בן המקדמים של SV תחת סיכון ו / או תחת עמימות הם משמעותיים. המבחן למשמעות צריך לקחת בחשבון את מספר השוואות שבוצעו. השיטה בה השתמשה הייתה מגבילה את גודל אשכול המינימום ל6 voxels הרציף תפקודי 10. לחלופין, בשיטות אחרות, כגון שיעור גילוי השקר (רוזוולט) 11, יכולות לשמש כדי לתקן את תיקונים מרובים.

7. נציג תוצאות

התנהגות

איור 4 מציג את תוצאות ההתנהגות של שלושה נושאים מייצגים. כל פנל מציג את הנתונים ותוצאות הבחירה מתאימה מודל לנושא אחד שנמצאות תחת סיכון (משמאל) או עמימות (מימין). הגרפים מתארים את חלקם של ניסויים שבנושא בחר בלוטו משתנה כפונקציה של כמות, בנפרד עבור כל רמה של probיכולת או אי בהיר. כפי שניתן לראות, נושאים עשויים להשתנות הרבה בעמדותיהם כלפי סיכון ועמימות.

כדי לבחון את טיב ההתאמה, בדוק את r 2, שאמור להיות באופן אידיאלי על 0.5, וגם לבדוק את העקומות חזותיות. בעוד כל נושאי הדוגמא 3 היו התנהגות חוקית שאפשרה התקפים סבירים, שים לב כי 2 נושא כמעט לא בחרו באופציה משתנית במצב הסיכון עם ההסתברות הנמוכה ביותר (0.13). הדבר מצביע על כך מרחיב את מגוון כמויות ו / או שימוש בהסתברויות גבוהות יותר עשוי לספק תוצאות טובות יותר, כי זה יהיה להבטיח כי נושאים לבחור את האפשרויות משתנות על לפחות חלק מהניסויים. אפשרות נוספת היא לבדוק מראש את כל נושא במגוון רחב של כמויות ולבחור אותם סכומים שמבטיחים מספר דומה של התייחסות ובחירת אופציה משתנית לכל אדם.

fMRI

איור 5 מציג את תוצאות ההדמיה בנציג אחדנושא. voxels המואר הם אלו שבם המקדם של מנבא סובייקטיבית הערך תחת עמימות (למעלה) או סיכון (תחתון) היה שונה באופן משמעותי בין 0. בנושא זה טיפוסי, נמצא קשר מובהק בקליפת מוח קדם חזיתית המדיאלי (MPFC) וסטריאטום תחת שני התנאים. אזורים אלה הם עקביים ביותר על פני נושאים, אבל מתאם משמעותי גם ניתן לצפות באזורים בקליפת מוח המדיאלי ורוחב הקודקודית, כמו גם את האמיגדלה. כפעילות בסוג זה של משימות היא בדרך כלל חלשה ורועשת אתה צריך לצפות השתנות גבוהה על פני נושאים עם נושאים רבים מציגים מתאם משמעותי רק בקבוצת משנה של אזורים.

איור 1
איור 1. גירויים מסוכנים ולא ברורים.) בגירויים מסוכנים באזורים האדומים וכחולים של כל תמונה המופיע על המסך הם פרופורציונליים למספר של שבבים אדומים וכחולים במעטפה. שלוש הסתברויות תוצאה were משמש כאן: 0.13, 0.25 ו 0.38. ב) בגירויים מעורפלים החלק המרכזי של התמונה מטושטש עם occluder אפור. בתחום האפור מספר השבבים של כל צבע אינו ידוע, ולכן ההסתברות למשייכת שבב של צבע מסוים היא אינה ידועה במדויק. שלוש רמות של עמימות משמשות כאן, שבו 25%, 50 או 75 לתמונה הם סוגרות.

איור 2
איור 2. דוגמא הגרלה. זוהי הגרלה מעורפלת, ברמה של 50% עמימות. לפחות 25 מהשבבים במעטפה אדומות ולפחות 25 בצבע כחולים. אם שבב אדום נמשך כפוף ינצח 18 דולרים, בעוד שהם יזכו בכלום אם שבב כחול נמשך.

איור 3
איור 3. מבנה המשפט. הגרלה מוצג בקצרה, ואחרי תקופת עיכוב. רמז תגובה ואז יבקש נושאים כדי לצייןבחירה בין ir ההגרלה על המסך והגרלת ההפניה (סיכוי של 50% לזכות 5 דולרים במקרה זה). ניסויים הם משולבים עם פרקי מנוחה רבים.

איור 4
איור 4. דוגמאות להתנהגות בחירת נושא אחד. הגרפים מציגות את חלקם של ניסויים בכל נושא שבחר את האפשרות משתנית לאורך ההפניה, כפונקציה של הכמות המוצעת, בניסויים מסוכנים (משמאל) וחד משמעיים (מימין). עקומות שונות הן לסיכון שונה או רמות עמימות. α, פרמטר סיכון יחס; β, פרמטר גישת עמימות; r 2, פסאודו של מקפאדן R בריבוע, מדד לטיב ההתאמה של המודל התנהגותי, שווה ערך לחלק מהשונות שמוסברות על ידי המודל, n, מספר מניסויים שבתגובה בוצעה (מתוך סך כולל של 180).

איור 5 <br /> איור 5. מפות הפעלת דוגמה של מפות הפעלת נושא אחד. מוצגות בתמונה אנטומית ברזולוציה גבוהה. אזורים מודגשים הם אלה שהפעלה הייתה בקורלציה משמעותית עם ערך הסובייקטיבי תחת סיכון (למעלה) או תחת עמימות (למטה). ברוב מקצועות קליפת הקדם חזיתית המדיאלי (MPFC) וסטריאטום מייצגים ערך הסובייקטיבי תחת שני סיכון ועמימות. ערכי p מתוקנים מבוססים על גודל אשכול מינימום של 6 voxels הפונקציונלי. לחץ כאן לצפייה בדמות גדולה.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

יש לנו להשתמש בשיטה מהכלכלה ניסויית לאפיין התנהגות הנבדקת ומעריך עמדות אישיות כלפי סיכון ועמימות. לאחר מכן השתמשנו באומדנים אלו כדי לנתח נתונים עצביים.

שיטות אחרות לבחינת פעילות fMRI ואילו נושאים לעשות בחירות תחת סיכון ועמימות היו בשימוש לפני 8,12. הגישה שלנו, לעומת זאת, משלבת כמה תכונות חשובות. ראשית, הוא משתמש בעיצוב פרמטרית, שבו פרמטרים שונים (כמות, הסתברות ורמת עמימות) הם מגוונים באופן שיטתי. זה מאפשר לנו לכמת את הסיכון האישי ועמדות עמימות וכדי לחשב את הערך הסובייקטיבי של כל אופציה לכל נושא. שנית, יש מידת התנהגות הפרט מאפשר לנו להסתכל להפעלת אזורים במוח שמתואם עם שיטה זו, בנפרד לסיכון ועמימות, ברמה בתוך הנושא. זוהי דרך נקיה כדי לבחון את הקידוד העצבי של פרמטר אחד (ערך סובייקטיבי) under תנאים שונים (וסיכון עמימות) תוך פיקוח על הבדלים אפשריים בין התנאים הללו (כגון התנהגות בחירה). שלישית, על ידי בחירה האקראית משפט בסופו של הניסוי ולשחק בו על כסף אמיתי אנו מעודדים את הנושאים כדי לחשוף את העדפותיהם האמיתיות 13.

ברמה התנהגותית, שיטה זו מאפשרת לנו לסכם את התנהגות הבחירה הייחודית של כל אחד נושא עימו רק שני מספרים, המייצג את הסיכון ועמימות העמדות של הנושא הפרטי. התאוריה כלכלית מקובלת מצביעה על כך שעבור בררנים המתנהגים באופן עקבי אלה הם אפיונים הן הכרחיות ומספיקים של ההעדפות שלהם. במילים אחרות, ניתן להוכיח כי 1) אין אפיון אפשרי אחר יכול להיות יותר מלא או קומפקטי ו2) שכל האפיונים יותר המורכבים הם מיותר. ברמה העצבית, השיטה מאפשרת לנו לזהות את הייצוג העצבי של הערך הסובייקטיבי שפרט הנושאים ascriלהיות לאפשרויות שבם הם נתקלים ברמה הכרחית ומספיק זה של אפיון. כמובן אפיונים אחרים של התנהגות אפשריים, אך שימוש באמצעי אד הוק של 'riskiness "זה לא יכול להיות קשור בצורה מלאה לאו התנהגות או את האותות העצביים עלולים להעלות בעיות יותר ממה שזה פותר 1.

אנו תארנו שיטה מיוחדת לאיתור אזורים שפעילותם מתואמת עם ערך סובייקטיבי. יש דרכים אחרות, ומשלימים כדי לנתח את הנתונים העצביים בדרך גישוש שאינו דורשת השערות קודמות. שיטות Clustering וניתוח מרכיבים עצמאי (רשפ"ת) הן שיטות כאלה, עלולות לחשוף סיכונים והפעלה נוספים עמימות בנושא.

התוצאות הראה השתנות התנהגותי משמעותיות על פני נושאים, מה שמראה כמה סיומות אפשריות של השיטה שיכול לשמש במחקרים עתידיים של סיכון ועמימות. ראשית, את השיטות יכולות לשמש כדי לחקור שוניםences בהתנהגות על פני אנשים, וכדי לזהות את הקושרת העצבית של ההבדלים האלה, באוכלוסיות דעת שונות. מעניין במיוחד יהיו מחקרים של חולים המשוערים להפגין התנהגות קיצונית לקיחת סיכונים, למשל אלו שעוברים טיפול לשימוש בסמים. אבחנה בין התרומות של עמדות סיכון ועמימות להתנהגויות כאלה והתווית הקושרת העצבית שלהם הן חשובה להבנת גורמי היסוד להתנהגות פתולוגיים כאלה ולהמציא התערבויות התנהגותיות ותרופתיות. מקומות מעניינים נוספים יהיו לבחון אנשים מתרבויות או אנשים שונים בקבוצות גיל שונות. היכולת לזהות פעילות ספציפית ערך הקשור בדרך זו יש לו את הפוטנציאל לגלות הבדלים בין קבוצות שנמצאים בליבה של הבדלים שנצפו בחיים אמיתיים.

שנית, שיטה יכולה לשמש כדי לבדוק את ההשפעה של חוויות ספציפיות על העמדות של פרט שלubjects כלפי סיכון ועמימות. פרדיגמה הניסויית יכולה, למשל, להיות מועסקת לפני ואחרי מניפולציה התנהגותית מתנהלת או אירועים טבעיים להתרחש, כגון התערבות חינוכית, מניפולצית מתח, או אירוע חיים משתנים-.

שלישית, הפרדיגמה דומה יכולה לשמש עם טווחים שונים של תוצאות והסתברויות מתאימות לשאלתך ברצוני להתייחס. לדוגמה, נבדקים יכולים להיות מוצגים עם אפשרויות בחירה בין הפסדים שונים, ולא רווחים, באופן ישיר יותר להתייחס ההגדרה הניסיונית ללקיחת סיכוני התנהגות בחיים אמיתיים, שפוטנציאל תוצאות הן לעתים קרובות שליליים (למשל נהיגה פרועה או שימוש בסמים). תוצאות הרביעית, לא כספיות יכולות לשמש כדי לחקור עמדות כלפי סיכון ועמימות בתחומים שונים, כגון מזון בחירות והעדפות חברתיות.

התכונה הקריטית של גישה זו היא שהיא מספקת קומפקטית והגיונית גדרך omplete לאפיון התנהגות ביחס למשתנה בסיסית מלאה שצוינה שמאפיינת את ההעדפות של נושא עקבי לחלוטין. זו ובכך מציעה גישה חזקה הקשורה קשר הדוק לתאוריה שזזה הרבה מעבר אד הוק אפיון.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

אין ניגודי האינטרסים הכריזו.

Acknowledgements

אנו מודים אלדו Rustichini לדיונים פוריים והערות על העיצוב.
ממומן על ידי מענק NIA R01-AG033406 לאילינוי וPWG.

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