실험 경제 기능 MRI 방법을 사용하여 위험하고 모호한 옵션의 주관적 가치를 측정

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

인간의 뇌에 위험하고 모호한 옵션의 주관적인 가치의 신경 표현을 결정하는 기능 MRI 및 행동 방법을 사용합니다.

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

우리가 만드는 선택의 대부분은 불확실 결과가 있습니다. 어떤 경우에는 다른 가능한 결과에 대한 확률은 정확하게 "위험"이라고한다 조건 알려져 있습니다. 확률은 예상 할 수없는 다른 경우에는,이는 "모호한"으로 설명하는 조건입니다. 대부분의 사람들이 위험 및 모호 1,2 모두 회피 있지만, 그 aversions의 정도는 동일한 위험하거나, 모호한 옵션의 주관적인 값이 다른 사람들을위한 매우 다를 수 있도록 개인,에서 실질적으로 차이가 있습니다. 우리는 위험하고 모호한 옵션 4의 주관적인 값의 신경 표현을 평가하는 경제 기반의 실험 방법 3 기능 MRI (fMRI)을 이루고 있습니다. 이 기술은 이제 서로 다른 연령 그룹과 다른 환자 집단 등 다양한 집단에 이러한 신경 표현을 공부하는 데 사용할 수 있습니다.

우리의 실험에서 과목은 결과적 선택 B를 만들자신의 신경 활성화가 fMRI를 사용하여 추적하는 동안 두 가지 방법을 etween. 각 재판에 과목은 화폐 금액과 그 금액을 이길 확률이나 경력과 관련된 모호함 수준 중 하나에서 차이가 복권 사이에 선택할 수 있습니다. 우리 파라 메트릭 디자인은 우리가 위험과 모호함으로 자신의 태도를 추정하기 위해 각 개인의 선택 동작을 사용할 수 있습니다, 따라서 각각의 옵션은 그들을 위해 개최하는 주관적인 가치를 추정 할 수 있습니다. 디자인의 또 다른 중요한 기능은 학습 이루어지지 할 수 있도록 선택한 추첨의 결과는 실험 기간 동안 공개되지 않는 것입니다, 그래서 모호한 옵션이 모호한 위험 태도가 안정 남아 있습니다. 대신, 스캔 세션의 끝 부분에 하나 또는 몇 개의 시험은 무작위로 선택되며 실제 현금으로 재생. 과목 시험이 선택 될 사전 모르지만, 그들은 그 것처럼 각각의 평가판을 처리해야하고 혼자 그들이 지급됩니다있는 한 재판이었다. 이 디자인 전용우리가 각 과목에 각 옵션의 진정한 주관적인 가치를 추정 할 수 sures. 우리는 활성화 위험한 옵션의 주관적인 값으로 누구 활성화 모호한 옵션의 주관적인 값으로 상관되어 영역에 대한 상관 관계되어있는 뇌 영역을 찾아보십시오.

Protocol

1. 실험 준비

  1. 첫 번째 단계는 스캐너의 화면에 표시됩니다 위험하고 모호한 선택을 대표하는 시각적 자극을 설계하는 것입니다. 우리는 우리가 "복권 가방"라고 포커 칩 가득 가방을 표현하기 위해 그림 1에 제시 것과 같은 이미지를 사용합니다. 그들이 가방에 배치되기 전에 그래픽이 이미지는 포커 칩 스택으로 생각 할 수 있습니다. 중요한 것은, 이러한 이미지는 피사체가 실험을 시작하기 전에 볼 100 빨간색과 파란색 포커 칩 가득 사례 봉투에 실제 컨테이너를 대변하고 있습니다. 이 과목들이 직면하게 될 복권을 이해하고 컴퓨터 디스플레이가 정확하게 그 복권을 제시 있다고 생각을 모두가 처리됩니다. 위험 복권에 대한 경력 확률, 주어진 봉투에 파란색 칩에 붉은 색의 비율은 정확하게 숫자와 그래픽 자극 (그림 1A)를 사용하여 적혀있다. 정보에의 모호한 복권 부분에 대한N 확률에 대해 부분적으로 모호 우승 확률을 렌더링, 청색 칩에 붉은 색의 가능한 비율이 경계하지만 지정되지 않은 같은 것을 (그림 1B) 누락되었습니다.
  2. 위험 복권에 대한 각 이미지의 붉은 색과 푸른 색 지역은 봉투에 적색과 청색 칩의 수에 비례합니다. 우리는 3 결과의 확률 4 (그림 1A)의 최소를 사용하는 것이 좋습니다. 사용 정확한 가능성은 실험의 특정 요구 사항에 따라 달라질 수 있지만, experimenters이 매우 높고 매우 낮은 확률을 사용하는 방법에 대한주의를 기울여야합니다. 그것은 인간의 과목은 일반적으로 위의 10 % 90% 5 아래의 확률을 주장이 허위로 판명 될 것으로 알려져 있습니다. 하나는이 체계적으로 허위 진술을 공부하고자하지 않는 한, 이러한 극한은 피해야합니다.
  3. 모호한 표현하려면 컴퓨터 디스플레이 칩의 스택의 중앙 부분은 회색 occluder (그림 1B)에 가려 졌죠. 회색 지역의 NUM각 색상의 칩의 BER을 알 수있을 것이고, 따라서 붉은 색을 그리기의 확률 또는 파란색 칩은 정확하게 알려져되지 않습니다. 예를 들어, 중간 가방에 그림 1B에 occluder은 가방의 50 %를 커버하고, 따라서 빨간색 칩의 수는 (25 (occluder 뒤에 칩이 파란색 경우)과 75 사이에있을 수있는 모든 칩 뒤에있는 경우 occluder)이 빨간색으로 표시됩니다. 물론, 블루 칩의 수는이 두 값 사이에 할 수 있습니다.
  4. occluder 크기를 늘리면 모호 레벨 (빨간색 또는 파란색 칩을 그리기위한 가능한 확률의 범위)를 증가시킵니다. 우리는 ~ 25, 50을 포함 가림 중 적어도 3 레벨, 또는 가방의 75 % (그림 1B)를 사용하는 것이 좋습니다.
  5. 과목은 컴퓨터에서 작업을 수행 할 때, 우리는 가능한 결과 금액의 범위와 각 당첨 확률 / 모호함 수준을 제시한다. 우리는 예를 들어, 양의 다양한 걸쳐, 5 보상 수준 4 사용하는 것이 좋습니다 : 5, 9.5, 18, ​​34 65 dol라스 요. 디스플레이에서, 우리는 경력에 빛나는 색 옆에있는 결과 금액을 제시하고 다른 색 옆에 "0"을 표시합니다. 예를 들어, 그림 2에서 빨간색 칩을 그리는 것은 파란색 칩을 그리는 것은 제로 결과를 초래 동안 18 달러 수상 될 것입니다.
  6. 비판적으로, 각 시험 과목에 두 복권 중 하나를 선택합니다. 단순화하기 위해 우리는 실험을하는 동안 일정한 옵션 중 하나를 (이 예에서는 5 달러를 이길 확률은 50 %) 유지하고 또 다른 옵션을 다릅니다. 이 두 가지 장점이 있습니다. 첫째, 상수 옵션은 시각적 디스플레이를 (상기 모든 비록 지금하고 도움이 될 수 있습니다) 단순화, 화면에 표시 할 필요가 없습니다. 둘째, 하나의 옵션 결코 변화, fMRI 신호의 회귀 기반의 분석을 효과적으로이 매개 변수를 게을리 할수 있기 때문이다. 위해 참조 옵션이 재판의 두 가지 유형에 대해 동일합니다 위험하고 모호한 복권의 주관적인 값을 "공통 통화 '를 가지고 있습니다.
  7. 각 combina확률하거나 모호 수준과 양의 기은 적어도 4 회 총을 제시해야 바람직하게 더 행동 및 fMRI 분석 모두에서 충분한 통계 전력을 보장 할 수 있습니다. 에서 반복의 붉은의 반이 0이 아닌 결과와 관련되어야하고 다른 반 파란색으로, 컬러 바이어스를 방지하고 모호함에 대칭을 확보 할 수 있습니다.
  8. 우리는 다른 시험에 hemodynamic 응답이 잘 시간에 분리되는 속도가 느린 이벤트 관련 디자인 (그림 3)를 사용하기로 결정했습니다. 이러한 디자인에 각 추첨을 구축하기로 결정 관련 신경 활성화를위한 시간을 허용하도록 지연 기간 (우리의 경우, 6 s의)에 의해 다음이 s에 대한 우리의 경우에, 잠시 자극으로 제시해야합니다. 답변은 짧은 시간 창 (1-2 초) 이내에해야합니다. 피사체가 자신의 응답이 기록되었습니다 알고 있도록 이러한 간단한 의견으로 그림 3에 표시된 것과 같은 이미지를 사용합니다. 긴 휴식 시간 (10 s 또는 mor으로 시련을 분리E) 기본으로 돌아 가야 할 hemodynamic 응답을 허용합니다. 짧은 휴식 기간은 적절한 지터와 함께 사용할 수 있습니다. 30 시험 각각의 블록의 그룹 시련을하지만, 블록 약 10 분보다 더 오래 걸릴하게하지 않도록주의하십시오. 이 실적을 극대화하고 대상 피​​로를 최소화 스캐너에서 휴식 시간을 허용합니다. 확률 / 모호하고 금액의 각 조합의 최소 4 반복을 할 수 있도록 시험의 총 수는, 4 블록 이상 120 될 것입니다.
  9. 실제 가방을 (우리의 경우 봉투)를 준비 그래서 그들은 작업을 수행하기 전에 그들은 주제에 게재 될 수 있습니다. 그들은 돈을 지불에 대해 무작위로 선택한 시험 (들)을 연주하기 사용됩니다. 실험에 사용 된 각 복권 이미지 가방을 준비합니다. 화면에 표시되는 가방에서 각 색상의 칩을 그리기의 확률에 해당하는 비율로, 100 포커 / 빙고 빨간색과 파란색 칩의 총 각 가방을 채 웁니다. 모호한 자루는 난수 생성기를 사용하십시오각 애매한 수준에 해당하는 적색과 청색 칩의 실제 번호를 결정합니다. 50 붉은 50 블루 칩 참조 가방을 준비한다. 물리적 가방을 준비하고 과목으로 보여주는 것은 심리학 부서에서 모집 분야에 특히 중요합니다. 이 과목은 속임수 어떤 종류의 의심 할 가능성이 있으며, 그들의 응답 uninterpretable됩니다 속임수를 의심해야합니다.

2. 제목 준비

  1. 각 주제는 동의서 및 검사 질문지를 작성해야합니다. 심사 양식이 주제들이 임신이나 폐소 공포증하지 않습니다, 그리고 그들이 안전하게 스캔 할 수 있다는 자신의 몸에 어떤 금속이 없습니다 있는지 확인합니다. 과목 또한 스캐너 환경에서 안전을 확보하기 위해 몸에서 모든 금속을 제거해야합니다. 이 중요합니다.
  2. 실험 방법에 대한 자세한 내용과 주제를 제공합니다. 그들이 이해할 수 있도록 그들에게 몇 가지 간단한 질문을하는 방법 probabilities와 금액은 각 이미지에 전달되며, 자신의 작업을 이해해야합니다. 자신의 선택에 영향을 미칠 수있는 정보를 공개하지 않도록하십시오. 예를 들어, 사람들이 편견 특정 위험 태도에 대한 주제를에 같은 방식으로 직면 선택 문제를 누명하지 않습니다. 그들에게 실험의 각 이미지가 당신이 조작되지 않는 한 할 수있는 하나의 특정 신체 가방을 의미하는 물리적 가방과 스트레스를 표시합니다. 또한 반으로 시련 파란색은 경력 색 반 적색으로 될 것이라고 설명합니다. 피사체가들은 자신의 선택에 따라 지급됩니다 이해 있도록 결제 메커니즘을 설명합니다. 과목들이 이해하지 못하는 것도에 대해 질문하도록 권장합니다. 이 실험에 대한 대상의 신념이 확립되는 중요한 기간입니다. 이 과목은 실험기만의 유형을 포함하지 않거나 행동 및 신경 결과가 uninterpretable 될 것이라고 확신 것이 중요합니다.
  3. 가방을 봉쇄하고 피사체가 씰에서 자신의 이름을 서명 있습니다. 이 사람들이 당신의 실험이 진행되는 동안 가방의 내용을 변경하지 않은 실험의 끝에서 확인 할 수있게 될 것이라고 설명. 이 사람들이 완전히 공정한 게임을하는 과목을 안심 할 수 있습니다. 복권이 실험의 끝에서 재생 된 후 그들은 그들이 명시 확률이나 모호함 수준에 부합되도록 가방의 내용을 볼 수 있다는도 설명합니다.

3. 스캐닝

  1. 우리는 전체 뇌에서 혈액 산소 수준 - 가족 (BOLD) 신호를 얻을 수있는 머리 코일 (4 채널 이상)와 3T MRI 스캐너를 사용합니다.
  2. 과목 선택을 기록하는 2 버튼 응답 상자를 사용합니다.
  3. 해부학 적 검사 : 우리는 분명 고해상도 (1x1x1 mm) 3D 재건을 위해 사용할 수있는 피사체의 뇌의 이미지를 얻을 T1-가중 MPRAGE 순서를 사용합니다. 모든 고해상도 시퀀스는이 P 사용할 수 있습니다urpose.
  4. 기능 검사 : 우리는 2 s의 TR, 그리고 3x3x3 mm voxels과 T2 * - 가중 에피 순서를 사용합니다. 그들은 당신이 가장 일반적으로 전두엽 피질, 정수리 피질과 기저 신경절에 관심있는 뇌 영역을 포함되도록 조각을 배치해야합니다. 스캔 매개 변수는 특정 스캐너에 최적화되어야합니다, 우리는 사용 : TE 30ms, 플립 각도 75 °, AC-PC 선에 평행없이 간 슬라이스 간격으로 36 3mm 슬라이스,의 평면 해상도 3x3 mm, FOV 192mm를 . 다른 연구는 AC-PC 선으로 30 °에서 조각을 위치하면 orbitofrontal 피질 6 신호 드롭 아웃을 감소 할 수 있습니다 것을 제안했습니다.

4. 지급 절차

  1. 스캐너에서 제목을 제거한 후, 대상의 반응을 기록했습니다 컴퓨터에서 행동 데이터를 검색합니다.
  2. 무작위로 지불 한 몇 가지 실험을 선택합니다. 이 번호가 포커 칩을 그림으로써 피사체가 예를 들어, 선택을하게하는 것이 가장 좋습니다모든 시험 번호와 칩을 포함하는 불투명 한 주머니. 이 선택이 실제로 무작위이라는 주제 있도록해야합니다.
  3. 선택한 각 시험에 대한 주제 그들이 그 재판에 만든 표시 옵션과 선택을 보여줍니다. 그 재판에서 선택한 가방에서 칩을 그려 줄 것을 요청하고, 그린 색상과 재판에 제시된 금액에 따라 비용을 지불.

선택한 재판이 그림 2 (모호한 복권, 빨간색 칩이 그려진 경우 18 달러 제공)이 복권 (대신 참조 추첨 이상) 선택한 주제에 묘사 된 복권을 제시하는 경우 예를 들어, 다음 주제는 칩을 채취해야합니다 복권 이미지에 해당하는 물리적 가방. 빨간색 칩이 그려진 경우 주제는 파란색 칩이 그려진 경우가 아무것도 수신되지 않습니다, $ 18받을 수 있습니다.

5. 행동 데이터를 분석

  1. 최대 가능성 사용 우리는 물류에 각 과목의 선택 데이터에 맞게양식의 기능 :

수식 1
PV가 피사체가 변수 복권을 선택하는 확률이고, SV F와 SV V는 각각 고정 및 가변 옵션의 주관적인 가치이며, γ 주제 특정 매개 변수 인 물류 기능의 기울기입니다. 다른 방법은 probit 배포를 사용하는 것입니다.

  1. 이 계정 옵션과 위험과 모호함에 대한 개별 피사체의 태도의 양, 확률과 모호함 수준으로 가져 모델의 숫자 중 하나를 사용할 수 있습니다 각 과목에 대한 각 옵션의 주관적인 가치를 모델링합니다. 우리는 감지 확률 7 모호함의 선형 효과를 포함하는 전원 기능 5를 사용하도록 선택 :

수식이
P는 목적 prob는 어디능력 (정의 0.5의 모호한 복권이 클래스에 대한), A는 애매한 수준 (알 수 총 확률의 비율, 위험 복권에 대한 0)이며, V는 금액이며, α 및 βare 따라 특정 위험과 모호함 각각 태도 매개 변수. 여러 대체 방법 중 하나는 기하 급수적 효과 8로 모호함을 포함하는 것입니다 :

수식 3
선택 기능을 선택 데이터를 맞는 것은 따라서 각 과목에 대한 위험 태도 (α)와 모호한 태도 (β)에 대한 견적을 제공합니다.

6. 신경 데이터 분석

  1. 2) 간 간 운영 될 운동에 대한 계정 모션 보정, 그리고 3)의 제거 1) 슬라이스 스캔 타임 다른 조각의 시간을 스캔에서 약간의 차이에 대한 계정 수정 : 포함 된 데이터의 표준 전처리를 수행 일반적으로 연구 아르 낮은 주파수생리학 소음 및 스캐너 앉에 의기 양양한.
  2. 자신의 해부학 적 데이터에 대한 각 과목의 기능 데이터를 등록합니다.
  3. 단일 주제 수준의 모델 표준 hemodynamic 응답 함수 9 convolved 전체 시험 (우리의 경우 10 s의), 동안 지속적인 응답으로 각 voxel의 활동에서 분석을 위해. 다음 predictors과 일반 선형 모델을 사용하여
  • 주관적 가치의 두 predictors (SV), 위험한 실험을위한 하나 모호한 시험 한. 방정식 2 각 복권의 SV를 계산하는 행동 피팅에서 파생 된 각각의 대상이 특정 매개 변수를 사용하십시오. 참조 추첨이 같은이기 때문에 모든 시험에 대해 우리는 각각의 평가에서 혼자 변수 복권의 SV를 사용할 수 있습니다. 위험 SV 예측기의 경우 각 위험 평가에 대한 SV, 각 모호한 재판 0 모호한 예측기에 대한 반대의 경우도 마찬가지을 삽입합니다.
  • 두 더미 predictors, 위험한 실험을위한 하나 모호한 시험을위한 하나 덮개에이러한 시각 및 모터 활성화 등 진짜야 일반 활성화.
  1. 위험 및 / 이하 또는 모호함에 따라 SV의 계수가 크게되는에 voxels를 찾습니다. 중요성에 대한 테스트 계정을 수행 여러 비교로 소요됩니다. 우리가 사용하는 방법은 6 연속 기능 voxels 10 최소 클러스터 크기를 제한되었습니다. 또한, 이러한 거짓 디스커버리 속도 (루즈 벨트) 11과 같은 다른 방법은, 여러 수정에 수정하는 데 사용할 수 있습니다.

7. 대표 결과

행동

그림 4는 세 대표 과목의 행동 결과를 제공합니다. 각 패널은 어느 위험 (왼쪽) 또는 모호함 (오른쪽)에서 선택 데이터 한 주제에 대한 모델 적합한 결과를 제공합니다. 그래프는 prob의 각 수준에 대해 개별적으로, 피사체가 양의 함수로 변수 복권을 선택하는 시험의 비율을 묘사능력이나 모호함. 볼 수 있듯이, 과목은 위험과 모호함에 대한 그들의 태도에 많은 차이가있을 수 있습니다.

운동의 선을 조사하기 위해 이상적으로 0.5 이상이어야 R 2를 확인하고, 또한 시각적으로 곡선을 검사한다. 모두 세명의 예를 들어 과목 합리적인 맞게 사용하도록 설정 합법적 인 행동을 가지고 있지만, 주제 2 거의 낮은 확률 (0.13)로 위험 상태 변수 옵션을 선택 있지 않습니다. 이것은 그 과목 시험 중 적어도 일부 변수 옵션을 선택할 수 있도록하기 때문에 금액과 /의 범위를 확대 이상 확률을 사용하는 경우보다 나은 결과를 제공 할 수 있습니다하는 것이 좋습니다. 또 다른 방법은 양의 다양한 범위에서 각 과목을 미리 테스트 및 참조와 각에 대한 변수 옵션 선택의 비교 수 있도록 해당 금액을 선택하는 것입니다.

fMRI

그림 5은 한 대표의 이미징 결과를 제공될 수 있습니다. 강조 voxels은 주관적인 가치 모호함에 따라 예언자 (상단) 또는 위험 (아래)의 계수는 0에서 크게 달랐다하는 사람들입니다. 이 전형적인 주제에서 중요한 상관 관계는 두 조건 하에서 중간 전두엽 피질 (MPFC)와 striatum에서 발견되었다. 이 지역은 과목에서 가장 일관성이 있지만, 중요한 상관 관계는 중간과 측면 정수리 피질뿐만 아니라 편도의 영역에서 예상 할 수 있습니다. 작업이 유형의 활동은 일반적으로 연약하고 시끄러운이기 때문에 당신은 많은 과목은 지역의 일부에 상당한 상관 관계를 나타내는있는 과목에서 높은 가변성을 기대해야합니다.

그림 1
1 그림. 위험하고 모호한 자극. A) 위험 자극에 화면에있는 각 이미지의 붉은 색과 푸른 색 지역은 봉투에 적색과 청색 칩의 수에 비례합니다. 세 결과의 확률 w여기서 사용 한단 : 0.13, 0.25 및 0.38. B) 모호한 자극에 이미지의 중앙 부분은 회색 occluder을 왜곡시킨다. 회색 영역에서 각 색상의 칩의 수는 알 수 있으며, 따라서 특정 색상의 칩을 그리기의 확률은 정확하게 알려져 있지 않습니다. 이미지의 25, 50 또는 75 % occluded 곳 모호 세 수준은 여기 사용됩니다.

그림 2
그림 2. 복권 예.이 50 % 모호 수준에서 모호한 추첨입니다. 봉투에 칩의 적어도 25 빨간색 최소한 25 파란색으로 표시됩니다. 빨간색 칩이 그려진 경우 파란색 칩이 그려진 경우가 아무것도 우승하지 않습니다 동안 주제는, $ 18 승리합니다.

그림 3
그림 3. 재판 구조는. 추첨이 잠시 지연 기간 다음, 제공됩니다. 응답 큐는을 표시하는 과목을 묻는 메시지를화면에 복권 및 참조 추첨 (이 경우에는 5 달러 승리 확률은 50 %) 사이 IR를 가졌어요. 평가판은 오래 휴식 시간에 인터리빙되어 있습니다.

그림 4
4 그림. 하나의 주제 선택 행동의 예. 그래프는 위험 (왼쪽)와 모호한 (오른쪽) 시험에 제공 금액의 함수로서 각 과목의 참조를 통해 변수 옵션을 선택하는 시험의 비율을 제시한다. 다른 곡선은 서로 다른 위험하거나 애매한 수준위한 것입니다. α, 위험 태도 매개 변수, β, 애매한 태도 매개 변수, R 2, McFadden의 의사 R-제곱, 모델에 의해 설명되는 분산의 부분에 상응하는 행동 모델의 피팅의 선하심의 측정; N, 수 응답이되었다하는 재판의 (180의 총에서).

그림 5 <BR /> 그림 5. 하나의 주제 활성화지도의 예. 활성화지도 고해상도 해부학 이미지를 제공합니다. 강조 영역은 누구의 활성화 상당히 위험 (위)에 따라 또는 모호함 (아래)에서 주관 값으로 상관 된 사람들입니다. 대부분의 과목에서 중간 전두엽 피질 (MPFC)과 striatum과 위험 모호 모두에서 주관적인 가치를 나타냅니다. 수정 된 P-값은 6 기능 voxels의 최소 클러스터 크기에 따라 결정됩니다. 더 큰 그림을 보려면 여기를 클릭하십시오 .

Subscription Required. Please recommend JoVE to your librarian.

Discussion

우리는 과목 '동작을 특성화하고 위험과 모호함에 대한 개별 태도를 추정하기 위해 실험 경제학의 방법을 사용했습니다. 우리는 신경 데이터를 분석하려면 다음 추정치를 사용했습니다.

과목 위험과 모호함에 따라 선택을하는 동안 fMRI 활동을 하니까 다른 방법은 8,12 전에 사용되었습니다. 우리 접근 방식은, 그러나, 몇 가지 중요한 기능이 조화를 이루고 있습니다. 첫째, 서로 다른 매개 변수 (금액, 확률과 모호함 레벨) 체계적으로 다양되는 파라 디자인을 사용합니다. 이 우리가 개인의 위험 및 모호함의 태도를 수량화하고 각 과목에 각 옵션의 주관적인 값을 계산 할 수 있습니다. 둘째, 개인의 행동 조치가 발생하면 우리는 주제 수준에서에서 위험과 모호함에 대해 개별적으로, 누구의 활성화 그 측정과 상관되어 뇌 영역을 찾아 할 수 있습니다. 즉, 하나의 매개 변수 (주관적인 값) U의 신경 코딩을 검사 할 수있는 깨끗한 방법입니다다른 조건 (위험과 모호함) 해당 조건 (예 : 선택 행동 등) 간의 차이를 조정하는 동시에를 nder. 셋째, 무작위 실험의 끝에서 재판을 선택하고 진짜 돈을 위해 재생하여 우리는 과목이 13 그들의 진정한 환경 설정을 보여 주시기 바랍니다.

행동 수준에서,이 방법은 우리가 위험과 개인 대상의 모호함의 태도를 나타내는 두 숫자를 각 과목의 고유 한 선택 동작을 요약 할 수 있습니다. 표준 경제 이론은 일관되게 행동 choosers에 대해 이러한 자신의 환경 설정의 필요하고 충분한 모두 characterizations이 있음을 나타냅니다. 다른 방법을 넣어, 하나는 1) 다른 가능한 특성은 모든 더 복잡한 characterizations가 중복 것을) 더 완전 컴팩트 2 할 수 없습니다 것을 증명할 수 있습니다. 신경 수준에서 방법은 우리가 주관적인 가치 개개인의 과목 ascri의 신경 표현을 확인할 수 있습니다그들은 특성이 필요하고 충분한 수준에서 발생하는 옵션합니다. 물론 행동의 다른 characterizations가 가능하지만 1를 해결보다 행동이나 신경 신호 중 하나에 완벽한 방식으로 관련 할 수없는 'riskiness'의 특별 조치를 사용하여 더 많은 문제를 제기 할 수 있습니다.

우리는 그의 활동을 주관 값으로 상관되어 지역을 현지화에 대한 특정 방법을 설명했다. 이전 가설을 필요로하지 않습니다 탐색 방법으로 신경 데이터를 분석 할 수있는 다른, 보완, 가지 방법이 있습니다. 클러스터링 방법과 독립적 인 구성 요소 분석 (ICA)는 추가 위험과 모호함 관련 활성화가 나타날 수 있습니다 이러한 방법입니다.

결과는 위험과 모호함 미래의 연구에 사용할 수있는 방법의 몇 가지 확장을 제안, 과목에 걸쳐 상당한 행동 변화를 공개했다. 첫째, 방법은 다른 조사하는 데 사용할 수 있습니다개인에서 행동 ences, 그리고 다른 과목 인구에서 차이의 신경 상관 관계를 식별합니다. 특히 관심의 예를 들어 약물 남용에 대한 치료를받는 분들을 위해, 극단적 인 위험 감수 행동을 전시 가설 환자의 연구 것입니다. 이러한 행동에 위험과 모호함 태도의 공헌을 구별하고 신경 상관 관계는 이러한 병적 인 행동에 대한 근본적인 원인을 이해하고 행동 및 약리 개입을 개발을위한 중요합니다 delineating. 다른 흥미로운 장소가 서로 다른 연령 그룹의 서로 다른 문화 나 사람들로부터 사람들을 검토 할 것입니다. 이런 식으로 특정 값 관련 활동을 식별하는 능력은 실제 생활에서 관찰 된 차이의 핵심에 있습니다 집단의 차이가 나타납니다 가능성이 있습니다.

둘째, 방법은 개별 s의 태도에서 특정 경험의 영향을 조사하는 데 사용할 수 있습니다위험과 모호성에 대한 ubjects. 실험 패러다임은 예를 들어, 행동 조작이 그러한 교육 중재, 스트레스 조작, 또는 자신의 인생을 변화시킬 수있는 이벤트로, 진행 또는 천연 이벤트가 발생되어 이전과 이후 고용 할 수있다.

셋째, 비슷한 패러다임이 결과하고 해결하고자하는 문제에 적합한 확률의 다른 범위와 함께 사용 될 수 있습니다. 예를 들어, 주제는보다 직접적으로 실험 설정을 연관 다른 손실보다는 이익 사이의 선택이 표시 될 수 있습니다 위험 복용 잠재적 인 결과 (예 : 난폭 운전이나 약물 남용) 종종 부정적인 아르 실제에서 동작합니다. 넷째, 비 금전적 결과는 음식 선택 및 사회 환경 등 다양한 도메인의 위험과 모호함에 대한 태도를 탐험하는 데 사용할 수 있습니다.

이 방법의 중요한 기능은 콤팩트하고 논리적으로 C를 제공하는 것입니다완전히 일관된 주제의 환경 설정을 특징 완벽한 지정된 기본 변수에 관한 동작을 특성화 할 수 omplete 방법입니다. 이 때문에 긴밀하게 잘 특별 특성 넘어 이동 이론에 연결된 강력한 접근 방식을 제공합니다.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

관심 없음 충돌이 선언 없습니다.

Acknowledgements

우리는 설계에 유익한 토론 및 의견 알도 Rustichini 감사드립니다.
IL와 PWG에 NIA 부여 R01-AG033406으로 기금을 마련했습니다.

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