Misurare il valore soggettivo di opzioni rischiose e ambigui utilizzando Economia Sperimentale e funzionali metodi MRI

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

Utilizzo di metodi funzionali MRI e comportamentali per determinare la rappresentazione neurale del valore personale di opzioni rischiose e ambigue nel cervello umano.

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 maggior parte delle scelte che facciamo hanno conseguenze incerte. In alcuni casi, le probabilità per diversi risultati possibili sono noti con precisione, una condizione nota come "a rischio". In altri casi quando probabilità non può essere stimata, questa è una condizione descritta come "ambiguo". Mentre la maggior parte delle persone sono contrari sia al rischio e 1,2 ambiguità, il grado di tali avversioni variare notevolmente da un individuo all'altro, in modo tale che il valore soggettivo della stessa opzione rischiosa o ambigue possono essere molto diverse per i diversi individui. Uniamo risonanza magnetica funzionale (fMRI) con un metodo sperimentale economia basata 3 per valutare la rappresentazione neurale dei valori soggettivi di opzioni rischiose e ambigue 4. Questa tecnica può essere ora utilizzato per studiare queste rappresentazioni neurali in popolazioni diverse, come diversi gruppi di età e di diverse popolazioni di pazienti.

Nel nostro esperimento, i soggetti fanno scelte conseguenti bra due alternative, mentre la loro attivazione neurale è monitorato tramite risonanza magnetica funzionale. In ogni prova soggetti scegliere tra lotterie che variano nella loro importo monetario e in entrambi la probabilità di vincere questo importo o il livello di ambiguità associata con la vittoria. Il nostro design parametrico ci permette di utilizzare il comportamento di scelta di ogni individuo di valutare il loro atteggiamento nei confronti del rischio e ambiguità, e quindi di stimare i valori soggettivi che ogni opzione detenuti per loro. Un'altra caratteristica importante del disegno è che il risultato della lotteria scelto non viene rivelato durante l'esperimento, in modo che non può avvenire l'apprendimento, e quindi le opzioni rimangono ambigui atteggiamenti ambigui e rischio sono stabili. Invece, al termine della sessione di scansione studi uno o pochi sono scelti a caso e ha giocato per soldi veri. Dal momento che i soggetti non si sa in anticipo che le prove saranno selezionati, si deve trattare di prova ogni singolo, come se esso e solo era quella prova in cui tale pagamento sarà effettuato. Questo design enassicura che siamo in grado di stimare il vero valore personale di ogni opzione per ogni soggetto. Abbiamo quindi cercare aree del cervello la cui attivazione è correlato con il valore personale di opzioni rischiose e per zone la cui attivazione è correlato con il valore personale di opzioni ambigue.

Protocol

1. Preparazione dell'esperimento

  1. Il primo passo è quello di progettare stimoli visivi che rappresentano scelte rischiose e ambigue che saranno presentati sullo schermo nello scanner. Usiamo le immagini come quelle presentate nella figura 1 per rappresentare sacchi pieni di poker chips che noi chiamiamo "borse della lotteria". Graficamente, queste immagini possono essere pensati come pile di fiches prima di essere posti in un sacchetto. È importante sottolineare che queste immagini rappresentano veri e propri contenitori, nelle nostre buste di casi, riempito con 100 fiches rosse e blu poker che il soggetto vedrà prima di iniziare l'esperimento. Ciò assicura che i soggetti sia comprendere le lotterie che dovranno affrontare e credono che il display del computer presenta esattamente queste lotterie. Per lotterie a rischio le possibilità di vincita, il rapporto di rosso a blue chip in una busta data in dotazione, è chiaramente indicato con entrambi i numeri e uno stimolo grafico (Figura 1A). Per ambigua parte lotterie del information circa la probabilità è mancante (Figura 1B), tale che il rapporto possibile di rosso al blu chip è delimitata ma non specificato, rendendo la probabilità vincere parzialmente ambiguo.
  2. Per lotterie a rischio le zone rosse e blu di ogni immagine sono proporzionali al numero di fiches rosse e blu nella busta. Si consiglia di utilizzare un minimo di 3 probabilità di uscita 4 (Figura 1A). Le probabilità esatte utilizzate possono variare a seconda delle specifiche esigenze dell'esperimento, ma sperimentatori dovrebbe essere cauti utilizzando probabilità molto alte e molto basse. È noto che i soggetti umani tipicamente travisare probabilità al di sotto del 10% o superiore al 90% 5. A meno che non si intende studiare questo travisamento sistematico, questi due estremi devono essere evitati.
  3. Per trasmettere ambiguità la parte centrale della pila di chip nel display del computer è oscurata con un occlusore grigio (Figura 1B). Nella zona grigia il nuBER di chip di ogni colore sarà sconosciuto, e quindi la probabilità di estrarre un rosso o un chip blu non essere nota con precisione. Per esempio, nel sacchetto mezzo in figura 1B l'occlusore copre il 50% della borsa, e quindi il numero di fiches rosse può essere ovunque tra 25 (se tutti i chip dietro l'occlusione sono blu) e 75 (se tutti i chip dietro l'occlusione sono di colore rosso). Naturalmente, il numero di chip blu possono essere ovunque tra questi due valori.
  4. Aumentando la dimensione occlusore aumenta il livello di ambiguità (l'intervallo di probabilità possibili per disegnare un chip rosso o blu). Si consiglia di utilizzare almeno 3 livelli di occlusione, che coprono ~ 25, 50 o 75% della borsa (Figura 1B).
  5. Quando i soggetti eseguire l'operazione sul computer, vi presentiamo ogni probabilità vincere / ambiguità livello con una serie di importi risultati possibili. Si consiglia di utilizzare 5 livelli di ricompensa 4, che coprono una vasta gamma di valori, ad esempio: 5, 9.5, 18, ​​34 e 65 dollars. Nel display, vi presentiamo l'importo esito accanto al colore vincente e visualizzare "0" accanto al altro colore. Ad esempio, in figura 2 disegnare un chip rosso comporterebbe vincendo $ 18 mentre disegna un chip blu comporterebbe un risultato zero.
  6. Critico, su ogni soggetto dello studio sarà scegliere tra due lotterie. Per semplicità manteniamo una delle opzioni costanti in tutto l'esperimento (in questo esempio 50% di possibilità di vincere $ 5) e solo variare l'altra opzione. Questo ha due vantaggi. Primo, l'opzione costante non deve comparire sullo schermo, semplificando la visualizzazione (anche se un promemoria ogni tanto può essere utile). In secondo luogo, perché una opzione non cambia mai, regressione basati analisi del segnale fMRI può efficacemente trascurare questo parametro. Si noti che, al fine di avere una "moneta comune" per i valori soggettivi di lotterie rischiose e ambiguo l'opzione di riferimento deve essere la stessa per entrambi i tipi di prove.
  7. Ogni combinazionezione del livello di probabilità o ambiguità e la quantità dovrebbe essere presentato un totale di almeno 4 volte, e preferibilmente più, per garantire una potenza statistica sufficiente in entrambe le analisi comportamentali e fMRI. Nel mezzo del rosso ripetizioni dovrebbe essere associato ad un non-zero risultati e nel blu altra metà, per evitare bias colore e per assicurare simmetria nella ambiguità.
  8. Abbiamo scelto di utilizzare un lento evento correlato disegno (Figura 3), in cui la risposta emodinamica diverse prove è ben separate nel tempo. In tale disegno ogni lotteria dovrebbe essere presentato come stimolo brevemente, nel nostro caso per 2 s, seguito da un periodo di ritardo (nel nostro caso, 6 s), per dare il tempo per la decisione correlata attivazione neurale per costruire. Le risposte devono essere effettuati entro una finestra temporale breve (1-2 s). Utilizzare un'immagine come quella mostrata nella figura 3 come retroazione breve, in modo che il soggetto conosce la loro risposta è stata registrata. Separare le prove da lunghi periodi di riposo (10 s o more) per consentire la risposta emodinamica tornare al basale. Brevi periodi di riposo può essere utilizzato con jitter appropriata. Gruppo i processi in blocchi fino a 30 prove ciascuno, ma essere sicuri di non lasciare che i blocchi più lungo di circa 10 minuti. Questo permette di periodi di riposo nello scanner che ottimizzare le prestazioni e ridurre al minimo l'affaticamento soggetto. Per consentire almeno 4 ripetizioni di ciascuna combinazione di probabilità / ambiguità e importo il numero totale di prove saranno almeno 120, cioè 4 blocchi.
  9. Preparare le borse fisici (nel nostro caso le buste), in modo che possano essere visualizzati a soggetti prima di eseguire l'operazione. Essi saranno utilizzati in seguito per riprodurre il processo scelto a caso (s) per pagare. Preparare un sacchetto per ogni immagine lotteria utilizzato nell'esperimento. Riempire ogni borsa con un totale di 100 Poker / Bingo rosso e blue chip, con le proporzioni corrispondenti alla probabilità di estrarre un chip di ogni colore da quella borsa visualizzata sul display. Per sacchetti ambigue utilizzare un generatore di numeri casualidecidere il numero effettivo di fiches rosse e blu, corrispondenti a ogni livello ambiguità. Preparare la borsa di riferimento con 50 rossi e 50 blue chip. Preparazione borse fisiche e mostrando loro ai soggetti è particolarmente importante per i soggetti reclutati nei dipartimenti di psicologia. Questi soggetti possono sospettare un qualche tipo di inganno e dovrebbe sospettano l'inganno le loro risposte saranno interpretabili.

2. Preparazione del Soggetto

  1. Ogni soggetto deve compilare un modulo di consenso e un questionario di screening. La forma di screening verifica che il soggetto non ha alcuna metallo nel loro corpo, che non sono incinta o claustrofobia, e che possono essere esaminate in modo sicuro. I soggetti devono anche rimuovere tutti i metalli dal loro corpo per assicurare la sicurezza nell'ambiente di scanner. Questo è fondamentale.
  2. Fornire l'argomento con istruzioni dettagliate su l'esperimento. Chiedete loro alcune semplici domande per assicurarsi che capire come probabilitvità e gli importi vengono convogliate in ogni immagine, e per assicurarsi che capiscono il loro compito. Assicurarsi di non rivelare a terzi le informazioni che potrebbero influenzare le loro scelte. Ad esempio, non inquadrare il problema che devono affrontare scelta in modo tale per polarizzare i soggetti verso un atteggiamento particolare rischio. Mostra loro le borse fisici e lo stress che ogni immagine nell'esperimento si riferisce a un singolo sacchetto fisico specifico che non può e non manomettere. Inoltre spiegano che in metà blu prove sarà il colore vincente e metà rosso. Spiegare il meccanismo di pagamento, in modo che il soggetto capisce che verrà pagato in base alle loro scelte. Incoraggiare i soggetti a fare domande su tutto ciò che non capiscono. Questo è un periodo critico in cui le credenze dei soggetti circa l'esperimento si stanno creando. E 'essenziale che i soggetti essere certi che l'esperimento non comporta alcun tipo di inganno o di risultati comportamentali e neuronali sarà interpretabile.
  3. Sigillare le borse e hanno il soggetto scrivere il proprio nome sulla chiusura. Spiegare che ciò consentirà loro di verificare alla fine dell'esperimento che non ha modificato il contenuto dei sacchetti durante l'esperimento. Questo aiuta a rassicurare i soggetti che stanno giocando un gioco assolutamente equo. Spiega anche che dopo le lotterie sono riprodotti alla fine dell'esperimento sarà permesso di esaminare il contenuto dei sacchetti per assicurarsi che siano conformi alla probabilità indicato o livello ambiguità.

3. Lettura

  1. Usiamo uno scanner MRI 3T con una bobina testa (4 canali o più) per ottenere sangue Ossigenazione Level-Dependent (BOLD) i segnali provenienti dal cervello.
  2. Utilizzare una casella di 2 pulsanti di risposta per registrare le scelte dei soggetti.
  3. Scansione anatomica: Usiamo un T1-pesata MPRAGE sequenza per ottenere una chiara ad alta risoluzione (1x1x1 mm) immagine del cervello del soggetto che può essere utilizzato per la ricostruzione 3D. Qualsiasi sequenza ad alta risoluzione può essere utilizzato per questo pINALITÀ.
  4. Scansioni funzionali: Usiamo un * T2-pesata sequenza EPI, con un TR di 2 s, e voxel 3x3x3 mm. Assicurarsi di posizionare le fette in modo tale da includere le aree del cervello che sono più interessati, in genere la corteccia prefrontale, la corteccia parietale e dei gangli della base. Parametri di scansione dovrebbe essere ottimizzato per lo scanner specifico, abbiamo usato: TE 30 ms, flip angle 75 °, 36 mm con 3 fette senza inter-slice gap, parallele alla linea AC-PC, nel piano mm Risoluzione 3x3, FOV di 192 millimetri . Altri studi hanno suggerito che posizionando le fette di 30 ° rispetto alla linea AC-PC può ridurre la perdita di segnale nella corteccia orbitofrontale 6.

4. Procedura di pagamento

  1. Dopo aver rimosso il soggetto dallo scanner, recuperare i dati comportamentali dal computer che ha registrato le risposte del soggetto.
  2. Casuale selezionare uno o pochi studi per il pagamento. È meglio lasciare che il soggetto fare la selezione, per esempio disegnando un chip numerato pokersu un sacchetto opaco che contiene chip con tutti i numeri di prova. Ciò garantirà al soggetto che la selezione è davvero casuale.
  3. Per ogni prova selezionata mostrare il soggetto ha presentato l'opzione e la scelta hanno fatto in quel processo. Chiedi loro di disegnare un chip dal sacchetto scelto su tale processo, e pagarli secondo il colore disegnata e l'importo presentato sul processo.

Ad esempio, se il processo selezionato presentato la lotteria illustrato nella figura 2 (una lotteria ambiguo, offrendo $ 18 se un chip rosso viene disegnato) e il soggetto scelto questa lotteria (piuttosto che la lotteria di riferimento), allora il soggetto deve disegnare un truciolo del sacchetto fisica corrispondente all'immagine lotteria. Se un chip rosso viene disegnato il soggetto riceverà $ 18, se un chip blu viene disegnato riceveranno nulla.

5. Analizzando i dati comportamentali

  1. Utilizzo di massima verosimiglianza che adattare i dati di scelta di ogni oggetto di una logisticafunzione della forma:

Equazione 1
Dove Pv è la probabilità che il soggetto ha scelto la lotteria variabile, SV F e SV V sono i valori soggettivi delle opzioni fissi e variabili, rispettivamente, e γ è la pendenza della funzione logistica, che è un oggetto parametro specifico. Un approccio alternativo è quello di utilizzare una distribuzione probit.

  1. Per modellare il valore personale di ogni opzione per ogni soggetto, è possibile utilizzare uno di una serie di modelli che tengono conto del livello di quantità, la probabilità e l'ambiguità della facoltà e le attitudini del soggetto individuale al rischio e ambiguità. Abbiamo scelto di utilizzare un 5 funzione di potenza che comprende un effetto lineare di ambiguità sulla probabilità percepita 7:

Equazione 2
Dove p è la probabilità obiettivocapacità (per definizione 0.5 per questa classe di lotterie ambigue), A è il livello di ambiguità (la frazione della probabilità totale che è sconosciuto, 0 per lotterie a rischio), V è la quantità, e α e βare oggetto di rischio specifico e ambiguità parametri atteggiamento rispettivamente. Uno degli approcci alternativi più è quella di includere ambiguità come un effetto esponenziale 8:

Equazione 3
Montaggio dei dati scelta con la funzione scelta fornisce quindi le stime per la propensione al rischio (α) e l'atteggiamento ambiguità (β) per ogni oggetto.

6. Analizzando i dati neurali

  1. Eseguire la pre-elaborazione standard dei dati, tra cui: 1) slice scan-tempo di correzione per tener conto delle lievi differenze di tempi di scansione di sezioni diverse, 2) la correzione del movimento per tenere conto movimento del soggetto intra-e inter-run, e 3) la rimozione di basse frequenze che sono tipicamente reuforico al rumore fisiologico e derive scanner.
  2. Registrare i dati funzionali delle singole discipline al loro dati anatomici.
  3. Per l'analisi a livello di singolo modello oggetto l'attività di ogni voxel come risposta sostenuta durante tutto il processo (nel nostro caso 10 s), convoluta con una funzione standard di risposta emodinamica 9. Utilizzo di un modello lineare generalizzato con i predittori seguenti:
  • Due predittori di valore soggettivo (SV), uno per le prove rischiose e una per le prove ambigue. Utilizzare l'equazione 2 ed i singoli parametri di argomenti specifici derivati ​​dal fit comportamentale per calcolare la SV di ogni lotteria. Poiché la lotteria di riferimento è lo stesso per tutte le prove possiamo usare la SV della lotteria variabile solo in ogni prova. Per il predittore SV rischioso inserire la SV per ogni prova rischiosa, e 0 per ogni prova ambigua, e viceversa per il predittore ambiguo.
  • Due predittori fittizi, uno per le prove rischiosi e uno per le prove ambigue, per coronaretura generale di attivazione, quali attivazioni visive e motorie.
  1. Cerca voxel in cui i coefficienti di SV condizioni di rischio e / o sotto ambiguità sono significativi. Il test di significatività deve tener conto delle comparazioni multiple eseguite. Il metodo che abbiamo usato è stato limitare la dimensione minima del cluster a 6 voxel contigui funzionali 10. In alternativa, altri metodi, quali il tasso Discovery False (FDR) 11, può essere utilizzato per correggere correzioni multiple.

7. Risultati rappresentativi

Comportamento

Figura 4 presenta i risultati del comportamento di tre soggetti rappresentativi. Ogni pannello presenta i dati di scelta e risultati di modelli idonei per un soggetto di cui sia il rischio (a sinistra) o ambiguità (a destra). I grafici illustrano la proporzione di prove in cui il soggetto ha scelto la lotteria variabile in funzione della quantità, separatamente per ciascun livello di probcapacità o ambiguità. Come si può vedere, i soggetti possono variare molto nel loro atteggiamento nei confronti del rischio e ambiguità.

Per esaminare la bontà del fit, controllare il r 2, che dovrebbe idealmente essere superiore a 0,5, ed anche ispezionare visivamente le curve. Mentre tutti i nostri sudditi esempio tre ha avuto un comportamento lecito che ha permesso adatta ragionevoli, si noti che nel soggetto 2 appena scelto l'opzione variabile in condizione di rischio con la più bassa probabilità (0.13). Questo suggerisce che l'ampliamento della gamma di quantità e / o utilizzare più probabilità può fornire migliori risultati, perché sarà garantire che le persone scelgono le opzioni variabili su almeno alcune delle prove. Un'altra opzione è quella di pre-test ogni soggetto su una vasta gamma di valori e scegliere gli importi che assicurano un numero paragonabile di riferimento e opzioni scelte variabili per ogni individuo.

fMRI

Figura 5 presenta i risultati di imaging in un rappresentantesoggetto. Voxel evidenziati sono quelli in cui il coefficiente del predittore valore personale sotto ambiguità (superiore) o di rischio (basso) era significativamente diverso da 0. In questo soggetto tipico, correlazione significativa è stata trovata in corteccia prefrontale mediale (mPFC) e dello striato in entrambe le condizioni. Queste aree sono le più coerenti tra soggetti, ma correlazioni significative può anche essere previsto in aree in corteccia parietale mediale e laterale, così come l'amigdala. Poiché l'attività in questo tipo di attività è di solito debole e disturbato si dovrebbe aspettare elevata variabilità tra soggetti con molti argomenti espone correlazioni significative solo in un sottogruppo di aree.

Figura 1
Figura 1. Stimoli rischiose e ambigue. A) stimoli a rischio le zone rosse e blu di ogni immagine sullo schermo sono proporzionali al numero di fiches rosse e blu nella busta. Tre probabilità di uscita were usata qui: 0,13, 0,25 e 0,38. B) In stimoli ambigui parte centrale dell'immagine viene oscurato con un occlusore grigio. Nella zona grigia il numero di chip di ciascun colore è sconosciuto, e quindi la probabilità di estrarre un chip di un certo colore non è nota con precisione. Tre livelli di ambiguità sono usati qui, dove% 25, ​​50 o 75 dell'immagine sono occluse.

Figura 2
Figura 2. Un esempio lotteria. Questa è una lotteria ambiguo, a un livello del 50% ambiguità. Almeno 25 delle chips in busta sono il rosso e almeno 25 sono di colore blu. Se un chip rosso viene disegnato il soggetto vincere $ 18, mentre si vincerà nulla se un chip blu viene disegnato.

Figura 3
Figura 3. La struttura di prova. Una lotteria è brevemente illustrato, seguito da un periodo di ritardo. Una stecca di risposta richiede quindi soggetti per indicare ilir scelta tra la lotteria sullo schermo e la lotteria di riferimento (in questo caso una probabilità del 50% di vincere $ 5). Le prove sono alternati con periodi di riposo lunghi.

Figura 4
Figura 4. Esempi di comportamento singola scelta soggetto. I grafici presentano la proporzione di prove in cui ogni soggetto scelto l'opzione variabile sul riferimento, in funzione della quantità offerta, in rischiose (sinistra) e ambigua (destra) prove. Diverse sono le curve per il rischio diversi o livelli di ambiguità. α, atteggiamento parametro di rischio; β, atteggiamento parametro ambiguità, r 2, McFadden pseudo R-squared, una misura della bontà di adattamento del modello comportamentale, equivalente alla porzione della varianza che si spiega con il modello; n, numero di prove in cui è stata fatta la risposta (su un totale di 180).

Figura 5 <br /> Figura 5. Mappe di attivazione Esempio di mappe di attivazione singoli soggetti. Vengono presentati su una immagine ad alta risoluzione anatomica. Aree evidenziate sono quelle la cui attivazione era significativamente correlata con valore soggettivo in condizioni di rischio (alto) o sotto ambiguità (in basso). Nella maggior parte dei soggetti la corteccia prefrontale mediale (mPFC) e nello striato rappresentano valore soggettivo sia sotto rischio e ambiguità. Corretti valori di p si basano su una dimensione di cluster minimo di 6 voxel funzionali. Clicca qui per ingrandire la figura .

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Abbiamo usato un metodo di economia sperimentale per caratterizzare il comportamento dei soggetti e valutare atteggiamenti individuali nei confronti del rischio e ambiguità. Abbiamo poi utilizzato queste stime per analizzare i dati neurali.

Altri metodi per l'esame delle attività fMRI mentre i soggetti fare delle scelte in condizioni di rischio e ambiguità sono state utilizzate prima 8,12. Il nostro approccio, invece, combina diverse funzioni importanti. In primo luogo, utilizza un design parametrico, in cui diversi parametri (importo, la probabilità e il livello di ambiguità) sono sistematicamente variati. Questo ci permette di quantificare il rischio individuale e gli atteggiamenti ambiguità e per calcolare il valore personale di ogni opzione per ogni soggetto. In secondo luogo, avendo il provvedimento individuale del comportamento ci permette di cercare le zone del cervello la cui attivazione è correlata con tale misura, separatamente per rischi e ambiguità, ad un livello all'interno di soggetto. Questo è un modo pulito per esaminare la codifica neurale di un parametro (valore soggettivo) under diverse condizioni di rischio (e ambiguità), mentre il controllo di eventuali differenze tra queste condizioni (ad esempio comportamento di scelta). In terzo luogo, a caso selezionando una prova alla fine dell'esperimento e giocare con soldi veri incoraggiamo soggetti a rivelare le loro vere preferenze 13.

A livello comportamentale, questo metodo ci permette di riassumere il comportamento singolare scelta di ogni soggetto con due soli numeri, che rappresenta il rischio di ambiguità e gli atteggiamenti del soggetto individuale. La teoria economica indica che per i selettori che si comportano in modo coerente questi sono caratterizzazioni sia necessari e sufficienti delle loro preferenze. Detto in altro modo, si può dimostrare che: 1) non Caratterizzazione altra possibile può essere più compatta e completa o 2) che tutte le caratterizzazioni più complessi sono ridondanti. A livello neurale, il metodo ci permette di identificare la rappresentazione neurale del valore soggettivo che i singoli soggetti ascriessere quello di opzioni che incontrano a questo livello necessario e sufficiente di caratterizzazione. Naturalmente caratterizzazioni altri comportamenti sono possibili, ma con misure ad hoc di 'rischiosità' che non possono essere collegati in modo completo né al comportamento o i segnali neurali possono sollevare più problemi di quanti ne risolva 1.

Abbiamo descritto un metodo specifico per la localizzazione di zone la cui attività è correlata con valore soggettivo. Ci sono altri, complementari, metodi per analizzare i dati neurali in modo esplorativo che non richiede ipotesi precedenti. Metodi di clustering e analisi delle componenti indipendenti (ICA) sono questi metodi che potrebbero rivelare ulteriori rischi e ambiguità connessi attivazione.

I risultati hanno rivelato notevole variabilità di comportamento tra i soggetti, suggerendo alcuni possibili estensioni del metodo che potrebbe essere utilizzato in studi futuri di rischio e di ambiguità. Primo, i metodi possono essere usati per sondare differisconorenze nel comportamento attraverso gli individui, e di individuare i correlati neurali di tali differenze, in popolazioni di soggetti diversi. Di particolare interesse sarebbe studi condotti su pazienti ipotizzato esporre estrema i comportamenti a rischio, ad esempio quelli in trattamento per abuso di droga. La distinzione tra i contributi di attitudini al rischio e ambiguità di tali comportamenti e delineare le loro correlati neurali sono importanti per la comprensione delle cause fondamentali per tali comportamenti patologici e per elaborare gli interventi comportamentali e farmacologici. Altri luoghi interessanti avrebbe esaminato persone provenienti da diverse culture o persone di diverse fasce di età. La capacità di identificare valore specifico attività connesse in questo modo è in grado di rivelare le differenze di gruppo che sono alla base delle differenze osservate nella vita reale.

In secondo luogo, il metodo potrebbe essere usato per esaminare l'influenza di esperienze specifiche sugli atteggiamenti di s individualeubjects nei confronti del rischio e ambiguità. Il paradigma sperimentale potrebbe, per esempio, essere impiegati prima e dopo una manipolazione comportamentale è condotta o eventi naturali si verificano, ad esempio un intervento educativo, una manipolazione stress, o un evento che cambia la vita.

In terzo luogo, un paradigma simile potrebbe essere utilizzato con diverse gamme di risultati e le probabilità che sono appropriati per la domanda che si desidera affrontare. Per esempio, i soggetti potrebbero essere presentati con le scelte tra le perdite diverse, piuttosto che guadagni, di mettere in relazione più direttamente l'impostazione sperimentale per i comportamenti a rischio nella vita reale, le cui potenzialità sono spesso risultati negativi (ad esempio, guida spericolata o abuso di sostanze). In quarto luogo, non monetarie risultati potrebbero essere usati per esplorare gli atteggiamenti nei confronti del rischio e ambiguità in ambiti diversi, come le scelte alimentari e le preferenze sociali.

La caratteristica fondamentale di questo approccio è che fornisce un compatto e logicamente complete modo di caratterizzare il comportamento per quanto riguarda completamente specificata variabile sottostante che caratterizza completamente le preferenze di un soggetto coerente. Questo offre così un approccio potente strettamente legata alla teoria che si muove ben oltre la caratterizzazione ad hoc.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Nessun conflitto di interessi dichiarati.

Acknowledgements

Ringraziamo Aldo Rustichini per le proficue discussioni e commenti sul progetto.
Finanziato dal NIA concessione R01-AG033406 di IL e 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