Messung des subjektiven Wert des Risky und mehrdeutig Optionen mit Experimental Economics and Functional MRI Methoden

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:

 

Summary

Mit Hilfe von funktioneller MRT und verhaltenstherapeutischen Methoden, um die neuronale Repräsentation der subjektiven Wert der riskanten und mehrdeutig Optionen im menschlichen Gehirn zu bestimmen.

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

Die meisten Entscheidungen, die wir treffen müssen ungewissen Folgen. In einigen Fällen sind die Wahrscheinlichkeiten für verschiedene mögliche Ergebnisse genau bekannt sind, ein Zustand als "riskant". In anderen Fällen, wenn Wahrscheinlichkeiten nicht abgeschätzt werden kann, ist dies ein Zustand als "mehrdeutig" beschrieben. Während die meisten Menschen abgeneigt Risiko-und Mehrdeutigkeit 1,2 sind, variieren das Ausmaß dieser Aversionen im Wesentlichen über Einzelpersonen, so dass der subjektive Wert des gleichen riskanten oder mehrdeutige Option kann sehr unterschiedlich sein für verschiedene Individuen. Wir kombinieren funktionellen MRT (fMRT) mit einer experimentellen Ökonomie-basierte Methode 3, um die neuronale Repräsentation der subjektiven Werte von riskanten und mehrdeutig Optionen 4 bewerten. Diese Technik kann nun verwendet werden, um diese neuronale Repräsentationen in unterschiedlichen Populationen, wie unterschiedliche Altersgruppen und unterschiedlichen Patientengruppen zu untersuchen.

In unserem Experiment machen Themen Folgeschäden Entscheidungen bVergleicht man zwei Alternativen, während ihre neuronale Aktivierung verfolgt wird mittels fMRT. Auf jeder Prüfungsteilnehmer wählen zwischen Lotterien, die in ihren Geldbetrag und entweder in der Wahrscheinlichkeit des Gewinnens diesen Betrag oder der Mehrdeutigkeit Ebene mit Gewinnen verbunden variieren. Unsere parametrische Konstruktion ermöglicht es uns, auf die individuellen Wahlverhalten nutzen, um ihre Einstellung gegenüber Risiko und Ambiguität zu schätzen, und so die subjektiven Werte, dass jede Option für sie bereithielt schätzen. Ein weiteres wichtiges Merkmal des Entwurfs ist, dass der Ausgang des ausgewählten Lotterie nicht während des Versuchs zeigte, so dass kein Lernen stattfinden kann und somit die mehrdeutigen Optionen bleiben mehrdeutig und Risikoeinstellung sind stabil. Statt am Ende der Scan-Sitzung ein oder wenige Studien werden nach dem Zufallsprinzip ausgewählt und spielte für echtes Geld. Da die Motive nicht im Voraus wissen, welche Studien ausgewählt werden, müssen sie jeden Versuch, als ob sie zu behandeln und sie allein war das ein Versuch, bei dem sie bezahlt werden. Dieses Design ensorgt dafür, dass wir die wahre subjektive Wert jeder Option zu jedem Thema abschätzen können. Wir haben dann für die Bereiche im Gehirn, dessen Aktivierung ist mit dem subjektiven Wert der riskanten Optionen und für Bereiche, deren Aktivierung mit dem subjektiven Wert von mehrdeutigen Möglichkeiten korreliert aussehen.

Protocol

Ein. Vorbereitung des Experiments

  1. Der erste Schritt ist auf visuelle Reize repräsentieren riskant und mehrdeutigen Entscheidungen, die auf dem Bildschirm in den Scanner vorgestellt werden entwerfen. Wir verwenden die Bilder, wie sie in Abbildung 1 dargestellt, Beutel mit Poker-Chips, die wir als "Lotterie bags" gefüllt darstellen. Grafisch können diese Bilder als Stapel von Poker-Chips gedacht werden, bevor sie in einen Beutel gelegt werden. Wichtig ist, stellen diese Bilder reale Container, in unserem Fall Umschläge, mit 100 roten und blauen Poker-Chips, die Gegenstand vor dem Start des Experiments sehen gefüllt. Dadurch wird sichergestellt, dass die Probanden beide verstehen die Lotterien sie stellen und glauben, dass das Computer-Display genau präsentiert die Lotterien. Für riskante Lotterien die Gewinnwahrscheinlichkeit, das Verhältnis von rot nach blau-Chips in einem bestimmten Umschlag, genau gesagt mit sowohl Zahlen als auch eine grafische Reiz (Abbildung 1A). Für mehrdeutige Lotterien Teil der information über die Wahrscheinlichkeit fehlen (Abbildung 1B), so dass das mögliche Verhältnis von rot nach blau Chips begrenzt ist aber nicht angegeben, wodurch die Wahrscheinlichkeit gewinnen teilweise mehrdeutig.
  2. Für riskant Lotterien die roten und blauen Bereiche jedes Bildes sind proportional zu der Zahl der roten und blauen Chips in den Umschlag. Wir empfehlen die Verwendung von mindestens 3 Ergebnis Wahrscheinlichkeiten 4 (Abbildung 1A). Die genauen Wahrscheinlichkeiten kann je nach den spezifischen Anforderungen des Experiments variieren, aber Experimentatoren sollten vorsichtig sein, über die Verwendung von sehr hohen und sehr niedrigen Wahrscheinlichkeiten. Es ist bekannt, daß menschliche Subjekte typischerweise falsch Wahrscheinlichkeiten unter 10% oder über 90% 5. Sofern man diese systematische Täuschung studieren will, sollte sich diese Extreme vermieden werden.
  3. Vermitteln Mehrdeutigkeit der zentrale Teil des Stapels von Chips in dem Computer-Display mit einem grauen Verschließplatte (1B) verdeckt. In der Grauzone der number von Chips für jede Farbe wird unbekannt, und damit die Wahrscheinlichkeit des Zeichnens eines roten oder blauen Chip nicht genau bekannt sein. Zum Beispiel wird in der Mitte Beutels in 1B der Okkluder deckt 50% des Beutels und somit die Anzahl der roten Chips kann irgendwo zwischen 25 (falls alle Chips hinter den Okkluder blau sind) und 75 (wenn alle Chips hinter der Okkluder sind rot). Natürlich kann die Anzahl der Blue Chips auch irgendwo zwischen diesen beiden Werten.
  4. Die Erhöhung der Okkluder Größe steigt die Mehrdeutigkeit Ebene (die Bandbreite der möglichen Wahrscheinlichkeiten für das Zeichnen eines roten oder blauen Chip). Wir empfehlen die Verwendung mindestens 3 Ebenen der Okklusion, abdeckt ~ 25, 50 oder 75% der Tasche (Abbildung 1B).
  5. Wenn die Probanden die Aufgabe auf dem Computer, zeigen wir jede Gewinnwahrscheinlichkeit / Ambiguität Ebene mit einer Reihe von möglichen Ausgang Mengen. Wir empfehlen die Verwendung 5 Belohnung Stufen 4 und umfasst eine breite Palette von Mengen, zum Beispiel: 5, 9,5, 18, ​​34 und 65 dollars. In der Anzeige, präsentieren wir das Ergebnis Betrag neben dem ausgezeichneten Farbe und zeigt "0" neben der anderen Farbe. Zum Beispiel, wie in Abbildung 2 würde Zeichnen eines roten Chip zu gewinnen $ 18 beim Zeichnen eines Blue-Chip in einem Null-Ergebnis führen würde.
  6. Entscheidend ist, wird auf jeder Prüfungsteilnehmer zwischen zwei Lotterien wählen. Der Einfachheit halber halten wir eine der Optionen konstant während des gesamten Experiments (in diesem Beispiel eine 50% ige Chance zu gewinnen $ 5) und unterscheiden sich nur die andere Option. Dies hat zwei Vorteile. Erstens hat die ständige Option nicht auf dem Bildschirm erscheinen, vereinfacht die visuelle Anzeige (obwohl eine Erinnerung hin und wieder hilfreich sein kann). Zweitens, weil eine Option ändert sich nie, Regression-Analysen der fMRT-Signal effektiv zu vernachlässigen diesen Parameter. Beachten Sie, dass, um eine "gemeinsame Währung" für die subjektiven Werte von riskanten und mehrdeutig Lotterien die Referenz-Option hat die gleiche sein für beide Arten von Studien haben.
  7. Jede Kombinationtion der Wahrscheinlichkeit oder Zweideutigkeiten und Betrag sollte insgesamt mindestens 4 Mal präsentiert werden, und vorzugsweise mehr, um eine ausreichende statistische Aussagekraft in beiden den Verhaltens-und fMRT-Untersuchungen zu gewährleisten. In der Hälfte der Wiederholungen roten sollte mit einem Nicht-Null-Ergebnis assoziiert werden und in der anderen Hälfte blau, um Farbe Bias vermeiden und Symmetrie in der Mehrdeutigkeit zu versichern.
  8. Wir entschieden uns, eine langsame ereignisbezogenen Design (Abb. 3), in dem die hämodynamischen Antwort auf verschiedene Versuche auch zeitlich getrennt nutzen. Bei einer solchen Konstruktion jedes Lotterie sollte als Anregung kurz vorgestellt werden, in unserem Fall für 2 s, durch eine Verzögerung (in unserem Fall 6 s) gefolgt, um Zeit für die Entscheidung im Zusammenhang mit neuronalen Aktivierung aufbauen können. Reaktionen sollte innerhalb eines kurzen Zeitfensters (1-2 n) vorgenommen werden. Verwenden eines Bildes, wie in Abbildung 3 als kurze Rückmeldung angezeigt, so dass man weiß, ihre Antwort aufgezeichnet wurde. Trennen Sie die Studien durch lange Ruhezeiten (10 s oder more) für die hämodynamische Reaktion auf zurück auf den Ausgangswert zu ermöglichen. Kürzere Ruhezeiten können mit entsprechenden Jitter verwendet werden. Gruppe die Prüfungen in Blöcken von bis zu 30 Prüfungen je, aber sicher sein, nicht zu lassen die Blöcke länger als etwa 10 Minuten. Dies ermöglicht für die Ruhezeiten in den Scanner, die Leistung zu maximieren und minimieren Thema Müdigkeit. Für mindestens vier Wiederholungen jeder Kombination von Wahrscheinlichkeitsverteilungen / Mehrdeutigkeit und Menge ermöglichen die Gesamtzahl der Versuche werden mindestens 120 sein, dh 4 Blöcke.
  9. Bereiten Sie die physische Beutel (in unserem Fall Umschläge), so dass sie auf Themen angezeigt werden, bevor sie die Aufgabe auszuführen. Sie werden später verwendet werden, um die zufällig gewählte Studiendesign (e) für auszahlen zu spielen. Planen eines Beutels für jedes Bild in der Lotterie Experiment verwendet. Füllen Sie jede Tasche mit einem Gesamtvolumen von 100 Poker / Bingo roten und blauen Chips mit Anteilen entsprechend der Wahrscheinlichkeit des Zeichnens eines Chip jeder Farbe aus der Tasche auf dem Display angezeigt. Für mehrdeutige Beutel verwenden einen Zufallszahlengeneratorauf die tatsächliche Zahl der roten und blauen Chips, die der jeweiligen Ambiguität Ebene entscheiden. Bereiten Sie die Referenz-Beutel mit 50 roten und 50 blaue Chips. Vorbereiten physischen Taschen und ihnen zu zeigen, zu den Themen ist besonders wichtig für Patienten in der Psychologie Abteilungen rekrutiert. Diese Themen sind wahrscheinlich eine Art von Betrug vermuten, und sollte sie vermuten Täuschung ihre Antworten werden nicht interpretierbar.

2. Vorbereiten des Subject

  1. Jedes Thema muss füllen eine Einverständniserklärung und ein Screening-Fragebogen. Das Screening Form bestätigt, dass das Thema nicht jedes Metall in ihrem Körper, dass sie nicht schwanger sind oder klaustrophobisch, und dass sie sicher gescannt werden. Themen müssen auch entfernen Sie alle Metalle aus ihrem Körper die Sicherheit in den Scanner-Umgebung zu gewährleisten. Dies ist kritisch.
  2. Geben Sie das Thema mit detaillierten Anweisungen über das Experiment. Bitten Sie sie, ein paar einfache Fragen, um sicherzustellen, dass sie verstehen, wie Wahrscheinlichkeitkeiten und Beträge werden in jedem Bild vermittelt, und sicherstellen, dass sie verstehen ihre Aufgabe. Achten Sie darauf, alle Informationen, die ihre Entscheidungen beeinflussen könnten offenbaren. Zum Beispiel, nicht umrahmen die Wahl Problem, denen sie in einer Weise zum Vorspannen der Fächer an einem bestimmten Risiko Haltung. Zeigen Sie ihnen die physikalischen Taschen und betonen, dass jedes Bild in dem Experiment bezieht sich auf einen einzigen spezifischen physikalischen Tasche, die Sie nicht und werden nicht manipulieren. Auch erklären, dass in der Hälfte der Studien blau wird das prämierte Farbe und in ein halb rot sein. Erklären Sie die Zahlung Mechanismus, so dass das Thema versteht, dass sie nach ihrer Wahl bezahlt werden. Ermutigen Themen, Fragen über alles, was sie nicht verstehen fragen. Dies ist eine kritische Zeit, als die Überzeugungen der Probanden über das Experiment, die etabliert sind. Es ist wichtig, dass die Probanden davon überzeugt, dass das Experiment nicht um jede Art von Täuschung oder die Verhaltens-und neuronale Ergebnisse werden interpretierbar sein.
  3. Verschließen Sie die Taschen und haben das Thema Anmeldung ihren Namen über der Dichtung. Erklären Sie, dass dies ihnen ermöglichen, am Ende des Experiments, dass Sie nicht ändern Sie den Inhalt der Beutel während des Experiments zu überprüfen. Dies hilft zu beruhigen Themen, die sie spielen eine ganz fair game. Erklären auch dass, nachdem die Lotterien am Ende des Experiments werden wiedergegeben ihnen gestattet wird, in den Inhalt der Säcke schauen, um sicherzustellen, dass sie entsprechen der angegebenen Wahrscheinlichkeit oder Mehrdeutigkeit Ebene werden.

3. Scannen

  1. Wir verwenden eine 3T-MRT-Scanner mit einer Kopfspule (4 Kanäle oder mehr) zu Blood Oxygenation Level-Dependent (BOLD) Signale aus dem gesamten Gehirn.
  2. Verwenden Sie eine 2-Tasten-Antwort-Box zu Themen Entscheidungen aufnehmen.
  3. Anatomische Scan: Wir verwenden eine T1-gewichteten MPRAGE Sequenz eine klare hoher Auflösung (1x1x1 mm) Bild des Gehirns des Patienten, die zur 3D-Rekonstruktion verwendet werden können erhalten. Jede hochauflösenden Sequenz kann für diese p verwendet werdenWECK.
  4. Functional Scans: Wir verwenden eine T2 *-gewichteten EPI-Sequenz mit einer TR von 2 s und 3x3x3 mm Voxel. Achten Sie darauf, um die Scheiben zu positionieren, dass sie die Hirnareale sind Sie am meisten in der Regel der präfrontale Kortex, parietalen Kortex und die Basalganglien interessiert sind. Scan-Parameter für die spezifische Scanner sollte optimiert werden, haben wir: TE 30ms, Flipwinkel 75 °, 36 3 mm Scheiben mit keinem inter-Slice-Lücke, parallel zur AC-PC-Linie, in-plane Auflösung 3x3 mm, FOV 192 mm . Andere Studien haben vorgeschlagen, dass die Positionierung der Scheiben bei 30 ° zur AC-PC-Linie kann Signalausfall im orbitofrontalen Kortex sechs zu reduzieren.

4. Verfahren bei Zahlung

  1. Nach dem Entfernen der Titel aus dem Scanner, rufen Sie die Verhaltensdaten aus dem Computer, dass das Thema die Antworten aufgezeichnet wurde.
  2. Zufällig wählen Sie eine oder wenige Studien zur Zahlung fällig. Es ist am besten, damit das Thema nicht die Auswahl, zum Beispiel indem eine nummerierte Poker-Chipaus einem undurchsichtigen Beutel, Chips enthält mit allen Studie-Nummern. Dies wird dem Subjekt zu gewährleisten, dass die Auswahl der Tat ist zufällig.
  3. Für jede ausgewählte Studie zeigen das Motiv die vorgestellt Option und die Wahl, die sie an diesem Prozess machte. Bitten Sie sie, einen Chip aus dem Beutel auf dieser Studie gewählten ziehen, und bezahlen sie entsprechend dem gezeichneten Farbe und die Menge auf dem Versuchsfeld vorgestellt.

Zum Beispiel, wenn die gewählte Studie präsentiert die Lotterie in Abbildung 2 (eine zweideutige Lotterie, mit $ 18, wenn ein roter Chip gezogen wird) und das Thema wählte diese Lotterie (eher als die Referenz Lotterie) dargestellt, dann das Thema sollte zeichnen ein Chip aus der physischen bag entsprechend der Lotterie Bild. Wenn ein roter Chip gezogen Gegenstand erhalten $ 18, wenn ein Blue-Chip-gezeichnet werden sie nichts empfangen.

5. Die Analyse der Verhaltensdaten

  1. Mit maximalen Wahrscheinlichkeit passen wir die Wahl von Daten jeder Person zu einer logistischenFunktion der Form:

Gleichung 1
Wo Pv die Wahrscheinlichkeit, dass die Person die variable Lotterie gewählt ist, sind SV und SV F V die subjektiven Werte der fixen und variablen Möglichkeiten sind, und γ ist die Steigung der logistischen Funktion, welche eine Subjekt-spezifischer Parameter ist. Ein alternativer Ansatz besteht darin, eine Probit Verteilung verwenden.

  1. Um den subjektiven Wert jeder Option für jedes Thema, das Sie aus einer Anzahl von Modellen, die Berücksichtigung der Menge, die Wahrscheinlichkeit und Mehrdeutigkeit Ebene der Option und der Einstellung des individuellen Subjekts gegenüber Risiken und Unklarheiten nehmen nutzen können modellieren. Wir entschieden uns für eine Power-Funktion 5, die einen linearen Effekt der Mehrdeutigkeit der wahrgenommenen Wahrscheinlichkeit 7 enthält verwenden:

Gleichung 2
Wobei p die Wahrscheinlichkeit objektivenFähigkeit (per Definition 0,5 für diese Klasse von mehrdeutigen Lotterien), A die Mehrdeutigkeit Ebene (der Anteil der totalen Wahrscheinlichkeit, die unbekannt ist, 0 für riskante Lotterien) ist, V die Menge und α und βare fachspezifische Risiko und Ambiguität Haltung Parameter sind. Eines von mehreren alternativen Ansätze zu einer Unklarheit einer exponentiellen Wirkung 8 gehören:

Gleichung 3
Montage der Wahl von Daten mit der Wahl-Funktion bietet somit Schätzungen für das Risiko Haltung (α) und Mehrdeutigkeit Haltung (β) für jedes Thema.

6. Die Analyse der Neural Data

  1. Führen Sie Standard-Vorverarbeitung der Daten, einschließlich: 1) slice Scan-Korrektur zur Berücksichtigung der geringen Unterschiede in Scanzeiten von verschiedenen Scheiben; 2) Bewegungskorrektur zu berücksichtigen Intra-und Inter-run Bewegungen des Motivs und 3) Entfernung von niedrigen Frequenzen, die typischerweise rHochstimmung auf physiologische Rauschen und Scanner driftet.
  2. Registrieren Sie die funktionellen Daten jeder Person ihrer anatomischen Daten.
  3. Für die Analyse an der einzigen Thema Level-Modell die Aktivität eines jeden Voxels als anhaltendes Ansprechen während der gesamten Studie (in unserem Fall 10 s), mit einem Standard-hämodynamischen Antwort-Funktion 9 gefaltet. Verwenden Sie ein General Linear Model mit den folgenden Einflussgrößen:
  • Zwei Prädiktoren des subjektiven Wert (SV), ein für riskante Versuche und ein für mehrdeutige Studien. Verwenden Sie Gleichung 2 und die einzelnen fachspezifischen Parameter aus der Verhaltensebene fit abgeleitet, um die SV jedes Lotterie zu berechnen. Da die Referenz Lotterie ist die gleiche für alle Versuche können wir die SV des variablen Lotterie alleinigen Anwendung in jedem Versuch. Für den riskanten SV Prädiktor legen Sie die SV für jedes riskante Versuch und 0 für jeden zweideutigen Versuch, und umgekehrt für die zweideutige Prädiktor.
  • Zwei Dummy-Prädiktoren, ein für riskante Versuche und ein für mehrdeutige Studien zu deckelntur allgemeine Aktivierung, wie visuellen und motorischen Aktivierungen.
  1. Sucht Voxeln in welchen die Koeffizienten von SV unter Risiko und / oder unter Mehrdeutigkeit sind signifikant. Der Test auf Signifikanz sollte berücksichtigt die multiple Vergleiche durchgeführt nehmen. Die Methode, die wir verwendet wurde die Begrenzung der minimalen Cluster-Größe bis 6 zusammenhängenden funktionalen Voxel 10. Alternativ können andere Verfahren, wie zB die False Discovery Rate (FDR) 11, verwendet, um für mehrere Korrekturen zu korrigieren.

7. Repräsentative Ergebnisse

Verhalten

Abbildung 4 zeigt die Verhaltensdaten von drei repräsentativen Themen. Jedes Panel stellt die Wahl von Daten und Modellanpassung für ein Thema entweder unter Risiko (links) oder Mehrdeutigkeit (rechts). Die Diagramme zeigen den Anteil der Versuche, bei denen das Subjekt wählte das variable Lotterie als eine Funktion der Menge, separat für jede Ebene der ProblemeFähigkeit oder Mehrdeutigkeit. Wie man sehen kann, kann Themen sind sehr unterschiedlich in ihrer Haltung gegenüber Risiko und Ambiguität.

Um die Güte der Anpassung zu untersuchen, überprüfen Sie die r 2, die im Idealfall über 0,5 sein sollte, und auch kontrolliert werden, die Kurven visuell. Während alle unsere drei beispielsweise Probanden hatten rechtmäßiges Verhalten, die vernünftig passt aktiviert ist, beachten Sie, dass vorbehaltlich 2 kaum wählte die variable Option in der Gefahr Zustand mit der geringsten Wahrscheinlichkeit (0,13). Dies deutet darauf hin, dass die Erweiterung der Palette von Mengen und / oder mit höheren Wahrscheinlichkeiten bessere Ergebnisse liefern, weil sie dafür sorgen wird, dass die Fächer wählen, die variable Optionen auf zumindest einige der Versuche. Eine weitere Möglichkeit ist Pre-Test jedes Thema auf einer breiten Palette von Beträgen und wählen Sie jene Beträge, die eine vergleichbare Anzahl von Referenz-und variable Option Wahlmöglichkeiten für jeden einzelnen zu gewährleisten.

fMRI

Abbildung 5 zeigt die Imaging-Ergebnisse in einer repräsentativenThema. Hervorgehoben Voxel sind diejenigen, in denen der Koeffizient der subjektiven Wert Prädiktor unter Mehrdeutigkeit (oben) oder Risiko (unten) war signifikant von 0 verschieden. In diesem typischen unterliegen, wurde eine signifikante Korrelation in medialen präfrontalen Kortex (MPFC) und dem Striatum unter beiden Bedingungen gefunden. Diese Bereiche sind die meisten konsistent Themen, aber signifikante Korrelationen kann auch in Bereichen, in mediale und laterale Parietalkortex sowie der Amygdala erwarten. Als Aktivität in dieser Art von Aufgaben ist in der Regel schwach und verrauscht sollten Sie erwarten hohe Variabilität fächerübergreifend mit vielen Themen, die signifikante Korrelationen nur in einer Untergruppe von Bereichen.

Abbildung 1
Abbildung 1. Risky und mehrdeutige Reize. A) In riskante Reize die roten und blauen Bereiche jedes Bild auf dem Bildschirm sind proportional zu der Anzahl der roten und blauen Chips in den Umschlag. Drei Ergebnisse Wahrscheinlichkeiten were verwendet hier: 0,13, 0,25 und 0,38. B) In mehrdeutigen Reizen der zentrale Teil des Bildes wird mit einer grauen Okkluder verdeckt. Im Graubereich die Anzahl von Chips für jede Farbe unbekannt ist, und damit die Wahrscheinlichkeit des Zeichnens eines Chip einer bestimmten Farbe ist nicht genau bekannt. Drei Ebenen der Mehrdeutigkeit werden hier eingesetzt, wo 25, 50 oder 75% des Bildes verdeckt werden.

Abbildung 2
Abbildung 2. Ein Gewinnspiel Beispiel. Dies ist eine zweideutige Lotterie, bei einem 50% Ambiguität Ebene. Mindestens 25 der Chips in der Hülle sind rote und mindestens 25 sind blau. Wenn ein roter Chip gezogen Gegenstand gewinnt $ 18, während sie nichts gewinnen, wenn ein Blue Chip gezogen wird.

Abbildung 3
Abbildung 3. Die Studie Struktur. Ein Gewinnspiel wird kurz vorgestellt, gefolgt von einer Verzögerungszeit. Eine Antwort Cue fordert dann Themen die zeigen,ir Wahl zwischen der Lotterie auf dem Bildschirm und der Referenz Lotterie (in diesem Fall eine 50% ige Chance zu gewinnen $ 5). Trials mit langen Ruhepausen verschachtelt.

Abbildung 4
Abbildung 4. Beispiele einzigen Thema Wahlverhalten. Die Diagramme präsentieren den Anteil der Studien, in denen jedes Thema wählte die variable Option über der Referenz, als eine Funktion der angebotenen Menge, in riskante (links) und mehrdeutig (rechts) Studien. Verschiedene Kurven sind für verschiedene Risiko-oder Mehrdeutigkeit Ebenen. α-, Risiko-Haltung Parameter; β, Mehrdeutigkeit Haltung Parameter; r 2, McFadden Pseudo R-Quadrat, ein Maß für die Güte der Anpassung des Verhaltens-Modell, das entspricht dem Anteil der Varianz, die durch das Modell erklärt wird; n, die Anzahl von Studien, in denen Reaktion wurde (von insgesamt 180).

Abbildung 5 <br /> Abbildung 5. Beispiel für Ein-Fach-Aktivierung Karten. Activation Karten werden auf einem hochauflösenden anatomischen Bild vorgestellt. Markierten Bereiche sind solche, deren Aktivierung war signifikant mit subjektiven Wert unter Risiko (oben) oder unter Mehrdeutigkeit (unten) korreliert. In den meisten Fächern die medialen präfrontalen Kortex (MPFC) und das Striatum stellen subjektiven Wert sowohl unter Risiko-und Mehrdeutigkeit. Korrigierte p-Werte werden auf ein Minimum Cluster-Größe von 6 funktionellen Voxeln basiert. Klicken Sie hier für eine größere Abbildung zu sehen .

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Wir haben eine Methode aus der experimentellen Ökonomik verwendet, um Subjekte Verhalten charakterisieren und schätzen individuelle Einstellung gegenüber Risiko und Ambiguität. Wir haben dann verwendet diese Schätzungen zu neuronalen Daten zu analysieren.

Andere Methoden zur Untersuchung von fMRI-Aktivität während Personen Entscheidungen treffen unter Risiko und Ambiguität haben, bevor 8,12 verwendet. Unser Ansatz ist jedoch vereint mehrere wichtige Funktionen. Zuerst, verwendet es eine parametrische Konstruktion, in der verschiedene Parameter (Betrag, Wahrscheinlichkeit und Mehrdeutigkeit Ebene) systematisch variiert werden. Dies ermöglicht uns, das individuelle Risiko und Ambiguität Einstellungen zu quantifizieren und den subjektiven Wert für jede Option zu jedem Thema zu berechnen. Zweitens, mit den individuellen Verhaltens Maßnahme ermöglicht es uns, für die Hirnareale, deren Aktivierung ist mit dieser Maßnahme korreliert schauen, getrennt für Risiko und Ambiguität, bei einer im fachlichen Ebene. Dies ist eine saubere Art und Weise, um die neuronale Codierung eines Parameters (subjektiven Wert) u untersuchennter unterschiedlichen Bedingungen (Risiko-und Mehrdeutigkeit) bei gleichzeitiger Kontrolle für mögliche Unterschiede zwischen den Bedingungen (wie Wahlverhalten). Drittens durch zufällige Auswahl einer Studie am Ende des Experiments und spielt es für echtes Geld fördern wir Themen, um ihre wahren Präferenzen zu offenbaren 13.

Auf der Verhaltensebene, ermöglicht dieses Verfahren es uns, die einzigartige Auswahl Verhalten jedes Subjekts mit nur zwei Zahlen zusammenzufassen, was das Risiko und Mehrdeutigkeit Einstellung des einzelnen Subjekts. Standard ökonomische Theorie zeigt, dass für choosers sich verhalten konsequent diese sowohl notwendige und hinreichende Charakterisierung ihrer Präferenzen sind. Anders ausgedrückt, kann man zeigen, dass 1) keine andere mögliche Charakterisierung kann mehr komplette oder kompakte und 2) dass alle komplexeren Charakterisierungen redundant sind. Am neuronalen Ebene erlaubt das Verfahren wir die neuronale Repräsentation des subjektiven Wert daß einzelne Fächer ASCRI identifizierenwerden, um die Optionen, dass sie an dieser notwendigen und ausreichenden Charakterisierung begegnen. Selbstverständlich sind auch andere Charakterisierungen des Verhaltens sind möglich, aber mit Ad-hoc-Maßnahmen "Gefährlichkeit", die nicht in einer vollständigen Weise entweder mit dem Verhalten oder der neuralen Signale zugeordnet werden können möglicherweise mehr Probleme aufwerfen, als sie ein löst.

Wir beschrieben eine spezifische Methode zur Lokalisierung Gebiete, deren Aktivität mit subjektiven Wert korreliert. Es gibt andere, ergänzende Möglichkeiten, um die Daten in einem neuronalen exploratorischen Weise das keine vorherige Hypothesen untersuchen. Clustering Methoden und Independent Component Analysis (ICA) sind solche Verfahren, die zusätzliche Risiko-und Mehrdeutigkeit-bezogene Aktivierung offenbaren konnte.

Die Ergebnisse zeigten deutliche Verhaltensstörungen Variabilität in Fächern, was mehrere mögliche Erweiterungen der Methode, die in zukünftigen Studien von Risiko und Ambiguität verwendet werden könnten. Erstens könnten die Methoden zur Sonde unterscheidenschiede im Verhalten zwischen Individuen zu und identifizieren die neuronalen Korrelate dieser Unterschiede in den verschiedenen unterworfene Bevölkerung. Von besonderem Interesse wäre Studien an Patienten die Hypothese auf extreme Risikobereitschaft Verhalten zeigen, zum Beispiel die in der Behandlung von Drogenmissbrauch. Die Unterscheidung zwischen den Beiträgen von Risiko und Ambiguität Einstellung zu solchen Verhaltensweisen und Abgrenzung ihrer neuronalen Korrelate sind für das Verständnis der grundlegenden Ursachen für solche pathologischen Verhaltensweisen und für die Entwicklung Verhaltens-und pharmakologische Interventionen wichtig. Weitere interessante Orte würde Prüfung Menschen aus unterschiedlichen Kulturen oder Menschen verschiedener Altersgruppen. Die Fähigkeit, spezifische Wert-bezogene Aktivität auf diese Weise zu identifizieren, hat das Potential, Unterschiede zwischen den Gruppen, die den Kern der beobachteten Unterschiede im wirklichen Leben zu offenbaren.

Zweitens könnte die verwendete Methode, um den Einfluss von spezifischen Erfahrungen über die Einstellung der einzelnen s zu untersuchenubjects zum Risiko und Ambiguität. Die experimentellen Paradigma könnte beispielsweise vor und nach einem Verhaltensstörungen Manipulation durchgeführt wird oder natürlicher Ereignisse eintreten, wie z. B. einer Bildungseinrichtung Intervention einer Belastung Manipulation oder einer lebensverändernden Ereignisses verwendet werden.

Drittens könnte ein ähnliches Paradigma mit verschiedenen Bereichen der Ergebnisse und Wahrscheinlichkeiten, die für die Frage, die Sie ansprechen möchte sind, verwendet werden. Zum Beispiel könnte Patienten mit Wahl zwischen verschiedenen Verluste, anstatt Gewinne präsentiert werden, um mehr direkt betreffen die experimentelle Einstellung Risikoverhalten im realen Leben, dessen mögliche Ergebnisse sind oft negativ (zB rücksichtsloses Fahren oder Drogenmissbrauch). Viertens, nicht-monetäre Ergebnisse können verwendet werden, um Einstellungen zu Risiko und Ambiguität in verschiedenen Bereichen, wie zB Auswahl von Lebensmitteln und sozialen Präferenzen zu erkunden.

Das kritische Merkmal dieses Ansatzes ist, dass es ein kompaktes und logisch c bietetomplete Weg Verhalten hinsichtlich einer vollständig spezifizierten zugrundeliegende Variable, die vollständig charakterisiert die Vorlieben eines konsistenten Gegenstand zu charakterisieren. Dies bietet somit eine leistungsfähige Methode eng mit der Theorie, die weit über Ad-hoc-Charakterisierung bewegt gebunden.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Keine Interessenskonflikte erklärt.

Acknowledgements

Wir danken Aldo Rustichini für fruchtbare Diskussionen und Kommentare zum Design.
Gefördert durch NIA grant R01-AG033406 IL und PWG.

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