Mesurer la valeur subjective des options risquées et ambiguës l'aide de l'économie expérimentale et fonctionnels des méthodes d'IRM

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

En utilisant des méthodes d'IRM fonctionnelles et comportementales afin de déterminer la représentation neuronale de la valeur subjective des options risquées et ambiguës dans le cerveau humain.

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

La plupart des choix que nous faisons ont des conséquences incertaines. Dans certains cas, les probabilités pour différents résultats possibles sont connues avec précision, un état appelé «à risque». Dans d'autres cas lorsque les probabilités ne peuvent pas être estimés, ceci est une condition décrite comme «ambiguë». Alors que la plupart des gens ont une aversion pour le risque et 1,2 ambiguïté, le degré de ces aversions varient considérablement selon les individus, tels que la valeur subjective de la même option risquée ou ambiguë peuvent être très différentes pour différentes personnes. Nous combinons l'IRM fonctionnelle (IRMf) avec une méthode d'économie expérimentale basée sur 3 pour évaluer la représentation neuronale des valeurs subjectives des options risquées et ambiguës 4. Cette technique peut être maintenant utilisée pour étudier ces représentations neuronales dans différentes populations, comme les différents groupes d'âge et populations de patients différentes.

Dans notre expérience, les sujets font consécutifs b choixntre deux alternatives alors que leur activation neurale est suivi par IRMf. A chaque essai le choix entre des loteries sujets qui varient dans leur valeur monétaire et dans les deux la probabilité de gagner ce montant ou le niveau d'ambiguïté associée à la victoire. Notre conception paramétrique nous permet d'utiliser le comportement de choix de chaque individu à évaluer leurs attitudes face au risque et à l'ambiguïté, et donc d'estimer les valeurs subjectives que chaque option détient pour elles. Une autre caractéristique importante de la conception est que le résultat de la loterie choisie n'est pas révélée au cours de l'expérience, de sorte que aucun apprentissage ne peut avoir lieu, et donc les options restent ambiguës attitudes ambiguës et les risques sont stables. Au lieu de cela, à la fin de la session de numérisation essais un ou quelques-uns sont choisis au hasard et a joué pour de l'argent réel. Puisque les sujets ne savent pas à l'avance quels essais seront sélectionnés, ils doivent traiter chaque essai, comme si elle et elle seule a été le procès sur lequel ils seront payés. Cette conception engarantit que nous pouvons estimer la vraie valeur subjective de chaque option pour chaque sujet. Nous examinons ensuite les zones du cerveau dont l'activation est corrélée à la valeur subjective d'options à risque et des zones dont l'activation est corrélée avec la valeur subjective d'options ambiguës.

Protocol

1. Préparation de l'Expérience

  1. La première étape consiste à concevoir des stimuli visuels qui représentent des choix risqués et ambigus qui seront présentées à l'écran dans le scanner. Nous utilisons des images telles que celles présentées dans la figure 1 pour représenter les sacs remplis de jetons de poker que nous appelons «sacs de loterie". Graphiquement, ces images peuvent être considérés comme des piles de jetons de poker avant d'être placés dans un sac. Fait important, ces images représentent des conteneurs réels, dans nos enveloppes de cas, rempli avec 100 rouge et bleu de jetons de poker dont le sujet verront avant de commencer l'expérience. Ceci assure que les sujets à la fois de comprendre les loteries auxquels ils seront confrontés et nous croyons que l'écran de l'ordinateur présente fidèlement ces loteries. Pour la loterie risque la probabilité de gain, le rapport de rouge à blue chips dans une enveloppe donnée, est précisément indiqué à l'aide des chiffres et une relance graphique (figure 1A). Pour sa part, loteries ambigu de l'information de la probabilité est manquant (figure 1B), de telle sorte que le rapport possible de rouge à puces bleu est délimitée mais pas spécifiée, ce qui rend la probabilité de gagner partiellement ambiguës.
  2. Pour la loterie à risque les zones rouges et bleues de chaque image sont proportionnels au nombre de jetons rouges et bleus dans l'enveloppe. Nous vous recommandons d'utiliser un minimum de 3 résultats probabilités 4 (figure 1A). Les probabilités exactes utilisées peuvent varier en fonction des exigences spécifiques de l'expérience, mais les expérimentateurs doivent être prudents sur l'utilisation de probabilités très élevées ou très basses. Il est connu que les sujets humains en général déformer les probabilités inférieures à 10% ou supérieure à 90% 5. Sauf si l'on se propose d'étudier cette déformation systématique, ces extrêmes devraient être évitées.
  3. Transmettre ambiguïté la partie centrale de l'empilement des puces à l'écran d'ordinateur est obscurcie par un obturateur gris (figure 1B). Dans la zone grise du nombrenombre de jetons de chaque couleur sera inconnu, et donc la probabilité de tirer une rouge ou une puce bleue ne sera pas connue avec précision. Par exemple, dans le sac intermédiaire dans la figure 1B de l'obturateur couvre 50% de la poche, et donc le nombre de jetons rouges peut être n'importe où entre 25 (si tous les jetons derrière l'opercule sont en bleu) et 75 (si tous les jetons derrière le dispositif d'occlusion sont rouges). Bien sûr, le nombre de jetons bleus peuvent également être n'importe où entre ces deux valeurs.
  4. Augmentation de la taille d'occlusion augmente le niveau d'ambiguïté (la gamme des probabilités possibles pour l'élaboration d'une puce rouge ou bleu). Nous vous recommandons d'utiliser au moins 3 niveaux d'occlusion, couvrant environ 25, 50 ou 75% du sac (figure 1B).
  5. Lorsque les sujets exécuter la tâche sur l'ordinateur, nous présentons chaque probabilité de gagner / l'ambiguïté de niveau avec une fourchette de montants résultats possibles. Nous vous recommandons d'utiliser 5 niveaux de récompense 4, couvrant un large éventail de quantités, par exemple: 5, 9,5, 18, ​​34 et 65 dollars. A l'écran, nous vous présentons la quantité prochain résultat de la couleur gagnante et affiche "0" à côté de l'autre couleur. Par exemple, dans la figure 2 l'élaboration d'une puce rouge aboutirait à gagner 18 $ en dessinant une puce bleue se traduirait par un résultat nul.
  6. Critique, sur chacun des sujets d'essai devra choisir entre deux loteries. Par souci de simplicité nous gardons l'une des options constants tout au long de l'expérience (dans cet exemple, 50% de chance de gagner 5 $) et ne varient que l'autre option. Cela a deux avantages. Tout d'abord, l'option constante ne doit pas apparaître sur l'écran, ce qui simplifie l'affichage visuel (même si un rappel de temps en temps peut être utile). Deuxièmement, parce que d'une option ne change jamais, la régression basées sur des analyses du signal IRMf peut effectivement négliger ce paramètre. Notez que pour avoir une «monnaie commune» pour les valeurs subjectives de loteries risquées et ambiguës l'option de référence doit être la même pour les deux types d'essais.
  7. Chaque combinaisontion du niveau de probabilité ou de l'ambiguïté et le montant doit être présenté un total d'au moins 4 fois, et de préférence plus, pour assurer une puissance statistique suffisante dans les deux analyses comportementales et IRMf. Dans la moitié de répétitions rouge doit être associé à un résultat non nul, et dans le bleu autre moitié, pour éviter le biais de couleur et d'assurer une symétrie dans l'ambiguïté.
  8. Nous avons choisi d'utiliser une lente liée à l'événement de conception (figure 3), dans lequel la réponse hémodynamique à différents essais est bien séparées dans le temps. Dans une telle conception de chaque loterie devrait être présentée comme un stimulus brièvement, dans notre cas, pendant 2 s, suivie d'une période de retard (dans notre cas, 6 s), afin de permettre à l'activation neuronale liée à la prise de s'accumuler. Les réponses doivent être effectuées dans un laps de temps bref (1-2 s). Utiliser une image comme celle représentée sur la figure 3 comme un bref compte rendu, de sorte que le sujet connaît leur réponse a été enregistrée. Séparez les essais de longues périodes de repos (10 s ou more) afin de permettre la réponse hémodynamique à revenir à l'état initial. Courtes périodes de repos peut être utilisé avec gigue approprié. Groupe des essais dans des blocs de jusqu'à 30 essais chacun, mais assurez-vous de ne pas laisser les blocs de durer plus longtemps que 10 minutes environ. Cela permet à des périodes de repos dans le scanner qui maximisent les performances et réduire la fatigue sujet. Pour permettre à au moins 4 répétitions de chaque combinaison de probabilité / ambiguïté et le montant total des essais sera d'au moins 120, à savoir des blocs 4.
  9. Préparer les sacs physiques (dans nos enveloppes de cas) afin qu'ils puissent être montré à des sujets avant d'effectuer la tâche. Ils seront utilisés plus tard pour jouer le procès choisie au hasard (s) pour porter ses fruits. Préparez un sac pour chaque image de loterie utilisé dans l'expérience. Remplir chaque sac avec un total de 100 Poker / Bingo rouge et blue chips, avec des proportions correspondant à la probabilité de tirer un jeton de chaque couleur de ce sac s'affiche à l'écran. Pour les sacs ambiguës utiliser un générateur de nombres aléatoiresde se prononcer sur le nombre réel de jetons rouges et bleus, correspondant à chaque niveau d'ambiguïté. Préparer le sac de référence avec 50 rouges et 50 jetons bleus. Préparation des sacs physiques et de les montrer à des sujets est particulièrement important pour les sujets recrutés dans les départements de psychologie. Ces sujets sont susceptibles de soupçonner une sorte de tromperie et tromperie si elles soupçonnent leurs réponses sera ininterprétable.

2. Préparation de la réserve

  1. Chaque sujet doit remplir un formulaire de consentement et un questionnaire de dépistage. Le formulaire de sélection vérifie que le sujet n'a pas de métal dans leur corps, qui ne sont pas enceintes ou claustrophobe, et qu'ils peuvent être numérisés en toute sécurité. Les sujets doivent également supprimer tous les métaux de leur corps pour assurer la sécurité dans le milieu du scanner. Cela est essentiel.
  2. Indiquez le sujet avec des instructions détaillées sur l'expérience. Demandez-leur quelques questions simples afin de s'assurer qu'ils comprennent comment probabilitétés et les montants sont transportés dans chaque image, et de s'assurer qu'ils comprennent bien leur tâche. Assurez-vous de ne pas révéler toute information qui pourrait influencer leurs choix. Par exemple, ne pas cadrer le problème de choix ils font face de manière à solliciter les sujets vers une attitude risque particulier. Montrez-leur les sacs physiques et le stress que chaque image dans l'expérience se réfère à un seul sac physique spécifique que vous ne pouvez pas et ne seront pas falsifier. Expliquez aussi que dans la moitié du bleu essais sera la couleur gagnante et dans la moitié rouge. Expliquer le mécanisme de paiement, de sorte que le sujet comprend qu'ils seront payés en fonction de leurs choix. Encourager sujets à poser des questions sur tout ce qu'ils ne comprennent pas. Il s'agit d'une période critique où les croyances des sujets concernant l'expérience sont mis en place. Il est essentiel que les sujets sont convaincus que l'expérience n'a pas concerner tout type de tromperie ou les résultats comportementaux et neuronaux sera ininterprétable.
  3. Scellez les sacs et ont fait l'objet signer leur nom sur le sceau. Expliquez que ce qui leur permettra de vérifier à la fin de l'expérience que vous ne modifiez pas le contenu des sacs au cours de l'expérience. Cela permet de rassurer les sujets qu'ils jouent un jeu tout à fait juste. Expliquer aussi que, après les loteries sont joués à la fin de l'expérience, ils seront autorisés à se pencher sur le contenu des sacs afin de s'assurer qu'ils sont conformes à la probabilité ou le niveau indiqué ambiguïté.

3. Balayage

  1. Nous utilisons un scanner IRM 3T avec une bobine de tête (4 canaux ou plus) pour obtenir du sang en fonction du niveau d'oxygénation (BOLD) des signaux de l'ensemble du cerveau.
  2. Utilisez une boîte de réponse 2-bouton pour enregistrer les choix des sujets.
  3. Analyse anatomique: Nous utilisons une séquence pondérée en T1 MPRAGE à avoir une vision claire à haute résolution (1x1x1 mm) image du cerveau du sujet qui peut être utilisé pour la reconstruction 3D. Toute séquence de haute résolution peut être utilisée pour ce pBJECTIF.
  4. Analyses fonctionnelles: Nous utilisons un T2 * séquence pondérée du PEV, avec un TR de 2 s, et 3x3x3 voxels mm. Assurez-vous de placer les tranches de telle sorte qu'ils comprennent les zones du cerveau que vous êtes plus intéressés, typiquement le cortex préfrontal, le cortex pariétal et les noyaux gris centraux. Paramètres de numérisation doit être optimisé pour le scanner spécifique, nous avons utilisé: TE 30 ms, angle de bascule de 75 °, 36 3 tranches mm avec aucun espace inter-tranche, parallèles à la ligne AC-PC, mm résolution dans le plan 3x3, FOV 192 mm . D'autres études ont suggéré que le positionnement des coupes à 30 ° à la ligne AC-PC peut réduire le décrochage du signal dans le cortex orbitofrontal 6.

4. Procédure de paiement

  1. Après avoir retiré l'objet du scanner, récupérer les données comportementales de l'ordinateur qui a enregistré les réponses du sujet.
  2. Choisir au hasard un ou quelques essais pour le paiement. Il est préférable de laisser le sujet faire la sélection, par exemple en élaborant une puce numérotée au pokersur un sac opaque qui contient des copeaux de tous les numéros d'essai. Cela permettra d'assurer à ce sujet que la sélection est en effet aléatoire.
  3. Pour chaque essai sélectionné montrer l'objet de l'option présentée et le choix qu'ils ont fait de ce procès. Demandez-leur de dessiner une puce dans le sac choisi sur ce procès, et de les payer en fonction de la couleur tirée et le montant figurant au procès.

Par exemple, si le procès sélectionnée présenté à la loterie représenté dans la figure 2 (une loterie ambiguë, offrant 18 $ si une puce rouge est dessiné) et le sujet choisi cette loterie (plutôt que la loterie de référence), le sujet devrait attirer une puce sur du sac physique correspondant à l'image de loterie. Si une puce rouge est dessiné le sujet recevra 18 $, si une puce bleue est établi qu'ils ne recevront rien.

5. L'analyse des données comportementales

  1. En utilisant le maximum de vraisemblance nous nous situons les données liées aux choix de chacun l'objet d'une logistiquefonction de la forme:

L'équation 1
Où Pv est la probabilité que le sujet a choisi la loterie variable, SV et SV F V sont les valeurs subjectives des options fixes et variables respectivement, et γ est la pente de la fonction logistique, qui est un paramètre spécifique à l'objet. Une autre approche consiste à utiliser une distribution probit.

  1. Pour modéliser la valeur subjective de chaque option pour chaque sujet, vous pouvez utiliser l'un des nombreux modèles qui prennent en compte le niveau de quantité, de la probabilité et de l'ambiguïté de l'option et les attitudes du sujet individuel face au risque et à l'ambiguïté. Nous avons choisi d'utiliser une fonction 5 de puissance qui comprend un effet linéaire de l'ambiguïté sur la probabilité perçue 7:

Équation 2
Où p est la probabilité objectivecapacité (par définition à 0,5 pour cette classe de loteries ambiguës), A est le niveau d'ambiguïté (la fraction de la probabilité totale qui est inconnu, 0 pour les loteries risquées), V est le montant, et α et βare objet spécifique du risque et de l'ambiguïté paramètres d'attitude, respectivement. L'une des approches alternatives est d'inclure plusieurs ambiguïté un effet exponentiel 8:

L'équation 3
Ajustant les données de choix avec la fonction de choix fournit ainsi des estimations pour l'attitude face au risque (α) et l'attitude équivoque (β) pour chaque sujet.

6. Analyse des données de neurones

  1. Effectuez un prétraitement standard des données, y compris: 1) coupe scanographique correction en temps pour tenir compte des légères différences dans la numérisation fois de différentes tranches; 2) correction du mouvement pour tenir compte des mouvements du sujet intra-et inter-run, et 3) l'élimination des basses fréquences qui sont typiquement rravie de bruit physiologique et dérive du scanner.
  2. Enregistrez les données de fonctionnement de chaque sujet à leurs données anatomiques.
  3. Pour l'analyse au niveau du modèle objet unique l'activité de chaque voxel comme une réponse soutenue pendant tout le procès (dans notre cas, 10 s), convoluée avec une fonction de réponse hémodynamique standard de 9. Utilisez un modèle linéaire général avec les prédicteurs suivants:
  • Deux prédicteurs de valeur subjective (SV), une pour les essais à risque et une pour les essais ambiguës. Utiliser l'équation 2 et les différents sujets paramètres spécifiques découlant de l'ajustement comportemental pour calculer le SV de chaque loterie. Depuis la loterie de référence est la même pour tous les essais, nous pouvons utiliser la SV de la loterie seule variable à chaque essai. Pour le prédicteur SV risqué d'insérer la SV pour chaque essai risqué, et 0 pour chaque essai ambigu, et vice versa pour le prédicteur ambigu.
  • Deux facteurs prédictifs factices, l'un pour les essais risqués et l'autre pour les essais ambigus, pour couronnerture générale activation, comme activations visuelles et motrices.
  1. Comparer voxels dans lequel les coefficients de SV dans le risque et / ou sous l'ambiguïté sont importants. Le test de signification doit prendre en compte les comparaisons multiples effectuées. La méthode utilisée a été de limiter la taille des clusters contigus minimum de 6 voxels fonctionnels 10. Alternativement, d'autres méthodes, telles que le taux de fausses découvertes (FDR) 11, peut être utilisé pour corriger les multiples corrections.

7. Les résultats représentatifs

Comportement

La figure 4 présente les résultats comportementaux des trois sujets représentatifs. Chaque panneau présente les données et les résultats choix ajustement du modèle pour un sujet de moins de deux risques (à gauche) ou d'ambiguïté (à droite). Les graphiques représentent la proportion de procès dans lesquels le sujet choisi la loterie variable en fonction de la quantité, séparément pour chaque niveau de probabilitécapacité ou d'ambiguïté. Comme on le voit, les sujets peuvent varier beaucoup dans leurs attitudes face au risque et à l'ambiguïté.

Pour examiner la qualité de l'ajustement, vérifier le r 2, qui devrait idéalement être supérieure à 0,5, et aussi les courbes qui visuellement. Alors que tous nos sujets exemple trois avait un comportement licite qui a permis à des ajustements raisonnables, notez que 2 peine a choisi l'option variable dans le facteur de risque le plus faible probabilité (0,13). Cela suggère que d'élargir la gamme des quantités et / ou en utilisant des probabilités plus élevées peuvent donner de meilleurs résultats, car elle fera en sorte que les sujets de choisir les options variables sur au moins une partie des essais. Une autre option est de pré-tester chaque sujet sur un large éventail de montants et de choisir les quantités qui assurent un nombre comparable de référence et des choix d'options variables pour chaque individu.

IRMf

La figure 5 présente les résultats de l'imagerie à un représentantsous réserve. Voxels mises en évidence sont celles dans lesquelles le coefficient de la variable explicative la valeur subjective dans l'ambiguïté (en haut) ou le risque (en bas) était significativement différent de 0. Dans ce sujet typique, une corrélation significative a été trouvée dans le cortex préfrontal médial (MPFC) et le striatum dans les deux conditions. Ces zones sont les plus cohérentes dans toutes les disciplines, mais des corrélations significatives peuvent également être attendues dans les domaines de cortex pariétal médial et latéral, ainsi que l'amygdale. Alors que l'activité dans ce type de tâches est généralement faible et parasité vous devriez vous attendre une forte variabilité entre les matières avec de nombreux sujets présentant des corrélations significatives que dans un sous-ensemble de domaines.

Figure 1
Figure 1. Stimuli risquées et ambiguës. A) Dans les zones à risque stimuli rouges et bleues de chaque image sur l'écran sont proportionnelles au nombre de jetons rouges et bleus dans l'enveloppe. Trois probabilités résultats were utilisé ici: 0,13, 0,25 et 0,38. B) Dans des stimuli ambigus la partie centrale de l'image est cachée par un obturateur gris. Dans la zone d'ombre du nombre de jetons de chaque couleur est inconnue, et donc la probabilité de tirer une puce d'une certaine couleur n'est pas connue avec précision. Trois niveaux d'ambiguïté sont utilisés ici, où 25%, 50 ou 75 de l'image sont fermés.

Figure 2
Figure 2. Un exemple de loterie. C'est une loterie ambiguë, à un niveau de 50% ambiguïté. Au moins 25 des copeaux dans l'enveloppe sont le rouge et au moins 25 sont bleus. Si une puce rouge est dessiné le sujet va gagner 18 $, alors qu'ils ne gagnerez rien si une puce bleue est dessinée.

Figure 3
Figure 3. La structure d'essai. Une loterie est brièvement présentée, suivie d'une période de retard. Un repère réponse vous invite alors sujets à indiquer leir choix entre la loterie à l'écran et à la loterie de référence (dans ce cas 50% de chance de gagner 5 $). Des essais sont entrelacées avec de longues périodes de repos.

Figure 4
Figure 4. Des exemples de comportement du sujet à choix unique. Les graphiques présentent la proportion de procès dans lequel chaque objet choisi l'option variable sur la référence, en fonction de la quantité offerte, dans risqués (à gauche) et ambigu (à droite) des essais. Différentes courbes sont des risques différents ou des niveaux d'ambiguïté. α, le paramètre attitude face au risque, β, le paramètre attitude de l'ambiguïté, r 2, pseudo McFadden R-carré, une mesure de la qualité de l'ajustement du modèle comportemental, ce qui équivaut à la partie de la variance qui est expliquée par le modèle, n, le nombre des essais dans lesquels la réponse a été faite (sur un total de 180).

Figure 5 <br /> Figure 5. Les cartes d'activation Exemple de simples cartes d'activation sujet. Sont présentés sur une image anatomique grande résolution. Les zones en surbrillance sont ceux dont l'activation a été significativement corrélée avec la valeur subjective dans le risque (en haut) ou en vertu de l'ambiguïté (en bas). Dans la plupart des sujets du cortex préfrontal médian (MPFC) et le striatum représentent une valeur subjective à la fois sous risque et d'ambiguïté. Correction des p-valeurs sont basées sur une taille de cluster minimum de 6 voxels fonctionnels. Cliquez ici pour agrandir la figure .

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Nous avons utilisé une méthode d'économie expérimentale pour caractériser le comportement des sujets et évaluer les attitudes individuelles face au risque et à l'ambiguïté. Nous avons ensuite utilisé ces estimations pour analyser les données de neurones.

D'autres méthodes pour examiner l'activité IRMf alors que les sujets à faire des choix dans le risque et l'ambiguïté ont été utilisées avant 8,12. Notre approche, cependant, combine plusieurs caractéristiques importantes. Tout d'abord, il utilise une conception paramétrique, dans lequel différents paramètres (quantité, la probabilité et le niveau d'ambiguïté) sont systématiquement modifiés. Cela nous permet de quantifier le risque et les attitudes individuelles ambiguïté et de calculer la valeur subjective de chaque option pour chaque sujet. Deuxièmement, la mesure ayant comportement individuel nous permet de chercher des zones du cerveau dont l'activation est corrélée à cette mesure, séparément pour le risque et d'ambiguïté, à un niveau à l'intérieur de l'objet. Il s'agit d'un moyen propre à examiner les codage neuronal d'un paramètre (valeur subjective) uous différentes conditions (risque et d'ambiguïté) tout en contrôlant les différences possibles entre ces conditions (telles que le comportement de choix). Troisièmement, en choisissant au hasard un procès à la fin de l'expérience et de jouer pour de l'argent réel, nous encourageons sujets à révéler leurs véritables préférences 13.

Au niveau comportemental, cette méthode nous permet de résumer le comportement de choix unique de chaque objet avec seulement deux nombres représentant le risque et les attitudes ambiguïté du sujet individuel. Selon la théorie économique indique que pour sélecteurs qui se comportent systématiquement ces caractérisations sont à la fois nécessaires et suffisantes de leurs préférences. En d'autres termes, on peut démontrer que: 1) la caractérisation pas possible d'autres peuvent être plus complète ou compacte et 2) que toutes les caractérisations plus complexes sont redondants. Au niveau neuronal, la méthode nous permet d'identifier la représentation neuronale de la valeur subjective que personne sujets ascriêtre aux options qu'ils rencontrent à ce niveau nécessaire et suffisant de la caractérisation. Bien sûr, d'autres caractérisations de comportement sont possibles, mais en utilisant des mesures ad hoc de «risque» qui ne peuvent pas être liés d'une manière complète soit le comportement ou les signaux neuronaux peuvent poser plus de problèmes qu'elle n'en résout 1.

Nous avons décrit une méthode spécifique pour la localisation des zones dont l'activité est corrélée à la valeur subjective. Il ya d'autres façons, complémentaires, pour analyser les données neuronales de façon exploratoire qui ne nécessite pas des hypothèses antérieures. Méthodes de classification et d'analyse en composantes indépendantes (ACI) sont des méthodes qui pourraient révéler ces risques et supplémentaires ambiguïté liée à l'activation.

Les résultats ont révélé une variabilité comportementale dans toutes les disciplines, ce qui suggère plusieurs extensions possibles de la méthode qui pourrait être utilisée dans de futures études de risque et d'ambiguïté. Tout d'abord, les méthodes pourraient être utilisées pour sonder les différentsrences de comportement entre les individus, et d'identifier les corrélats neuraux de ces différences, dans des populations différentes. D'intérêt particulier serait les études de patients hypothétiques exposer extrême comportement de prise de risque, par exemple ceux soumis à un traitement pour abus de drogues. La distinction entre les contributions des attitudes face au risque et à l'ambiguïté de tels comportements et de délimiter leurs corrélats neuronaux sont importantes pour comprendre les causes fondamentales de ces comportements pathologiques et pour concevoir des interventions comportementales et pharmacologiques. Autres sites intéressants se pencherait sur des personnes de cultures différentes ou des personnes de différents groupes d'âge. La capacité d'identifier la valeur spécifique liée à l'activité de cette manière a le potentiel de révéler des différences de groupe qui sont à la base des différences observées dans la vie réelle.

Deuxièmement, la méthode pourrait être utilisée pour étudier l'influence des expériences spécifiques sur les attitudes des individus sQuestions à l'égard du risque et de l'ambiguïté. Le paradigme expérimental pourrait, par exemple, être utilisés avant et après la manipulation comportementale est menée ou des événements naturels se produisent, comme une intervention éducative, une manipulation stress, ou d'un événement qui change la vie.

Troisièmement, un paradigme similaire pourrait être utilisée avec différentes gammes de résultats et les probabilités qui sont appropriées pour la question que vous souhaitez aborder. Par exemple, les sujets pourraient être présentés à des choix entre les différentes pertes, plutôt que de gains, plus directement liés à la situation expérimentale des comportements à risque dans la vie réelle, dont le potentiel résultats sont souvent négatifs (par exemple une conduite imprudente ou la toxicomanie). Quatrièmement, les non-monétaires résultats pourraient être utilisés pour explorer les attitudes face au risque et à l'ambiguïté dans différents domaines, tels que les choix et préférences alimentaires sociaux.

La caractéristique essentielle de cette approche est qu'elle offre une solution compacte et logiquement complète façon de caractériser le comportement en ce qui concerne une variable complètement spécifié sous-jacente qui caractérise complètement les préférences d'un sujet cohérent. Cette offre donc une approche puissante étroitement liée à la théorie qui se déplace au-delà de la caractérisation ad hoc.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Aucun conflit d'intérêt déclaré.

Acknowledgements

Nous remercions Aldo Rustichini pour des discussions fructueuses et des commentaires sur la conception.
Financé par le NIA subvention R01 AG033406-IL et du 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