Måling av subjektiv verdi av risikable og Ambiguous valg med eksperimentell økonomi og funksjonell MR metoder

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

Bruke funksjonelle MR og atferdsmessige metoder for å bestemme nevrale representasjon av den subjektive verdien av risikable og tvetydig i den menneskelige hjernen.

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

De fleste av de valgene vi gjør har usikre konsekvenser. I noen tilfeller sannsynlighetene for ulike mulige utfall er nøyaktig kjent, en tilstand som kalles "risikabelt". I andre tilfeller når sannsynligheter ikke kan estimeres, er dette en tilstand som er beskrevet som «tvetydig». Mens de fleste er uvillig til både risiko og tvetydighet 1,2, graden av disse motforestillinger varierer betydelig på tvers individer, slik at den subjektive verdien av samme risikabelt eller tvetydige alternativet kan være svært forskjellig for ulike individer. Vi kombinerer funksjonell MRI (fMRI) med en eksperimentell økonomi-basert metode 3 for å vurdere nevrale representasjon av de subjektive verdier av risikable og tvetydig opsjoner 4.. Denne teknikken kan nå brukes til å studere disse nevrale representasjoner i ulike befolkningsgrupper, for eksempel ulike aldersgrupper og ulike pasientgrupper.

I vårt eksperiment, fag gjør følgeskader valg between to alternativer mens deres nevrale aktivering spores ved hjelp av fMRI. På hver forsøkspersonene velge mellom lotterier som varierer i deres økonomiske beløp og i enten sannsynligheten for å vinne dette beløpet eller tvetydighet nivå forbundet med å vinne. Vår parametrisk design tillater oss å bruke den enkeltes valg atferd for å anslå sine holdninger til risiko og tvetydighet, og dermed beregne de subjektive verdier som hvert alternativ holdt for dem. En annen viktig funksjon av utformingen er at resultatet av den valgte lotteri ikke er åpenbart under eksperimentet, slik at ingen læring kan finne sted, og dermed de tvetydige alternativene forblir er tvetydige og risiko holdninger stabil. I stedet, på slutten av skanningen økten ett eller få studier er tilfeldig valgt og spilte for ekte penger. Fordi objektene ikke vet på forhånd hvilke forsøkene vil bli valgt, må de behandler hver rettssaken som om det og det alene var ett forsøk som de vil bli betalt. Denne utformingen notiltak som vi kan beregne den sanne subjektive verdien av hvert alternativ til hvert fag. Vi deretter se etter områder i hjernen som aktivering er korrelert med den subjektive verdien av risikable alternativer og for områder hvis aktivering er korrelert med den subjektive verdien av tvetydige alternativer.

Protocol

1. Klargjøre Experiment

  1. Det første trinnet er å utforme visuelle stimuli som representerer risikable og tvetydig valg som vil bli presentert på skjermen i skanneren. Vi bruker bilder som de presentert i figur 1 for å representere poser fylt med poker chips som vi kaller "lotteri poser". Grafisk, kan disse bildene være tenkt som stabler av poker chips før de er plassert i en pose. Viktigere, disse bildene representerer reelle containere, i vårt tilfelle konvolutter, fylt med 100 røde og blå poker chips som faget vil se før du starter eksperimentet. Dette sikrer at personer både forstå lotterier de vil møte, og mener at skjermen nøyaktig presenterer disse lotterier. For risikable lotterier vinnende sannsynlighet, forholdet mellom rød til blå sjetonger i en gitt konvolutt, er presist beskrevet ved hjelp av både tall og en grafisk stimulans (Figur 1A). For tvetydige lotterier del av informasjonsfordelenen om sannsynligheten mangler (figur 1B), slik at den mulige forholdet rød til blå chips er avgrenset men ikke spesifisert gjengivelsesteknologi vinnende sannsynligheten delvis tvetydig.
  2. For risikable lotterier de røde og blå områdene hvert bilde er proporsjonal med antall røde og blå chips i konvolutten. Vi anbefaler at du bruker et minimum av 3 utfall sannsynligheter 4 (figur 1A). Den eksakte sannsynligheter brukes kan variere i henhold til de spesifikke kravene i forsøket, men forskere bør være forsiktig med å bruke svært høye og svært lave sannsynligheter. Det er kjent at mennesker typisk feilrepresentere sannsynligheter under 10% eller over 90% 5. Med mindre man har til hensikt å studere dette systematisk uriktig fremstilling, bør disse ytterpunktene unngås.
  3. Å formidle tvetydighet den sentrale delen av bunken med chips i skjermen er skjult med en grå avstengertapp (figur 1B). I det grå området numBER chips av hver farge vil være ukjent, og dermed sannsynligheten for å tegne en rød eller en blue chip vil ikke være nøyaktig kjent. For eksempel, i den midterste posen i figur 1B sperreinnretningen dekker 50% av posen, og dermed antallet av røde chips kan være hvor som helst mellom 25 (dersom alle chips bak avstengertapp er blå) og 75 (dersom alle chips bak sperreinnretningen er rød). Selvfølgelig kan antall blå chips også være hvor som helst mellom disse to verdier.
  4. Økende sperreinnretningen størrelsen øker tvetydighet nivå (spennet av mulige sannsynligheter for å trekke en rød eller blå chip). Vi anbefaler å bruke minst 3 nivåer av okklusjon, som dekker 25 ~, 50 eller 75% av posen (figur 1B).
  5. Når motivet utføre oppgaven på datamaskinen, presenterer vi hver vinnende sannsynlighet / tvetydighet nivå med en rekke mulige utfall beløp. Vi anbefaler bruk 5 belønning nivåer 4 som dekker et bredt spekter av mengder, for eksempel: 5, 9,5, 18, ​​34 og 65 dollars. I skjermen, presenterer vi utfallet beløp ved den vinnende farge og vise "0" ved siden av den andre fargen. For eksempel, i figur 2 ville tegne en rød chip føre vinne $ 18 mens tegning en blue chip ville resultere i en null utfall.
  6. Kritisk, vil på hver forsøkspersonene velge mellom to lotterier. For enkelhets holder vi ett av alternativene konstant gjennom hele eksperimentet (i dette eksempelet 50% sjanse til å vinne $ 5) og bare variere det andre alternativet. Dette har to fordeler. Først, den konstante alternativet ikke trenger å vises på skjermen, noe som forenkler visuell visning (selv om en påminnelse hver nå og da kan være nyttig). Sekund, fordi en alternativ aldri endres, regresjon-baserte analyser av fMRI signal effektivt kan overse denne parameteren. Merk at for å ha en "felles valuta" for den subjektive verdier av risikable og tvetydige lotterier referansen alternativet må være den samme for begge typer forsøk.
  7. Hver kombinasjonsjon av sannsynligheten eller tvetydighet nivå og beløp skal presenteres totalt minst 4 ganger, og fortrinnsvis mer, for å sikre tilstrekkelig statistisk styrke i både de atferdsmessige og fMRI analyser. I halvparten av repetisjoner røde bør være forbundet med en ikke-null utfall og i den andre halvparten blå, for å unngå farge skjevhet og å sikre symmetri i tvetydighet.
  8. Vi valgte å bruke en langsom hendelse-relatert design (figur 3), der den hemodynamiske respons forskjellige forsøk er godt adskilt i tid. I en slik utforming hver lotteri skal presenteres som en stimulans kort, i vårt tilfelle for 2 s, etterfulgt av en forsinkelsesperiode (i vårt tilfelle, 6 s), for å gi tid for avgjørelsen-relaterte nevrale aktivering å bygge opp. Responser bør gjøres innen et kort tidsvindu (1-2 s). Bruke et bilde, for eksempel den som er vist i figur 3 som en kort tilbakemelding, slik at objektet kjenner deres reaksjon er registrert. Skille studier av lange hvileperioder (10 s eller more) for å tillate den hemodynamiske respons å gå tilbake til grunnlinjen. Kortere hvileperioder kan brukes med passende jitter. Gruppe prøvelser i blokker på opptil 30 forsøk hver, men pass på å ikke la blokkene ta lengre tid enn ca 10 minutter. Dette gjør det mulig for hvileperioder i skanneren som maksimere ytelsen og redusere emne tretthet. Å tillate for minst 4 repetisjoner av hver kombinasjon av sannsynlighet / tvetydighet og beløp det totale antall prøver vil være minst 120, dvs 4 blokker.
  9. Forbered de fysiske poser (i vårt tilfelle konvolutter) slik at de kan vises til fag før de utfører oppgaven. De vil bli brukt senere for å spille tilfeldig valgt studie (er) for lønne seg. Forbered en pose for hver lotteriet bilde brukt i eksperimentet. Fyll hver pose med en samlet mengde av 100 poker / bingo røde og blå chips, med proporsjoner tilsvarende sannsynligheten for å tegne et chip av hver farge fra at posen vist i displayet. For tvetydige poser bruke et tilfeldig tall generatorå bestemme om de faktiske antall røde og blå chips, tilsvarende hver tvetydighet nivå. Forbered referansen bag med 50 røde og 50 blå sjetonger. Forbereder fysiske poser og vise dem til fagene er spesielt viktig for personer rekruttert i psykologi avdelinger. Disse fagene er sannsynlig å mistenke noen form for bedrag og bør de mistenker bedrag sine svar vil være uninterpretable.

2. Klargjøre Subject

  1. Hvert fag må fylle ut et samtykkeskjema og en screening spørreskjema. Screening skjema bekrefter at motivet ikke har noen metall i kroppen, at de ikke er gravide eller mer, og at de trygt kan skannes. Fag må også fjerne alle metaller fra kroppen sin for å sikre sikkerheten i skanneren miljøet. Dette er kritisk.
  2. Gi emnet med detaljerte instruksjoner om forsøket. Spør dem noen enkle spørsmål for å sørge for at de forstår hvordan probabilteter og beløp er formidlet i hvert bilde, og å sørge for at de forstår sin oppgave. Pass på å ikke avsløre informasjon som kan påvirke deres valg. For eksempel, ikke rammer valget problemet de står overfor på en slik måte som for å forspenne fagene mot en særlig risiko holdning. Vis dem de fysiske poser og stress at hvert bilde i forsøket refererer til en enkelt bestemt fysisk pose som du kan ikke og vil ikke tukle med. Også forklare at i halvparten av forsøkene blå vil være det vinnende farge og i halv rødt. Forklar betaling mekanisme, slik at motivet forstår at de vil bli betalt i henhold til sine valg. Oppmuntre fag for å stille spørsmål om noe de ikke forstår. Dette er en kritisk periode når den tro av fagene om forsøket blir etablert. Det er viktig at personer være trygg på at forsøket ikke medfører noen form for bedrag eller atferdsmessige og nevrale resultatene vil være uninterpretable.
  3. Forsegle poser og har faget registrere deres navn over forseglingen. Forklare at dette vil gjøre dem i stand til å bekrefte på slutten av forsøket at du ikke endre innholdet i posene under eksperimentet. Dette bidrar berolige fag som de spiller en helt fair game. Forklare også at etter lotterier spilles på slutten av eksperimentet de gis anledning til å se inn i innholdet av posene for å sørge for at de i overensstemmelse med den angitte sannsynligheten eller tvetydighet nivå.

3. Skanning

  1. Vi bruker en 3T MR skanner med et hode coil (4 kanaler eller mer) for å få blod oksygenering Level-Dependent (BOLD) signaler fra hele hjernen.
  2. Bruk en 2-knapp respons for å spille inn fag valg.
  3. Anatomisk skanning: Vi bruker en T1-vektet MPRAGE rekkefølge for å få et klart høy oppløsning (1X1X1 mm) bilde av motivet hjerne som kan brukes for 3D rekonstruksjon. Hvilkensomhelst høyoppløselig sekvens kan brukes for denne purpose.
  4. Funksjonell skanninger: Vi bruker en T2 *-vektet EPI-sekvens, med en TR på 2 s, og 3x3x3 mm voksler. Sørg for å plassere skiver slik at de inkluderer hjernen områdene du er mest interessert i, typisk prefrontal cortex, parietal cortex og basalgangliene. Skanningsparametere skal være optimalisert for den spesifikke skanneren, brukte vi: TE 30ms, flip vinkel 75 °, 36 3 mm tykke skiver uten inter-slice gap, parallelt med AC-PC linje, i planet oppløsning 3x3 mm, FOV 192 mm . Andre studier har antydet at å plassere skiver ved 30 ° til AC-PC linje kan redusere signal frafall i orbitofrontal cortex 6.

4. Betaling Prosedyre

  1. Etter å ha fjernet emnet fra skanneren, hente de atferdsmessige data fra datamaskinen som har spilt fagets svar.
  2. Tilfeldig velge ett eller noen få studier for betaling. Det er best å la motivet gjøre valg, for eksempel ved å tegne en nummerert poker chiput av en ugjennomsiktig pose som inneholder chips med alle prøveperioden tall. Dette vil sikre til emnet at utvalget er faktisk tilfeldig.
  3. For hver valgt rettssaken viser utsetter presentert alternativ og valg de har gjort på denne rettssaken. Be dem om å tegne en chip fra posen valgt på denne rettssaken, og betale dem i henhold til den opptrukne farge og mengden presentert på rettssaken.

For eksempel, hvis det valgte trial presenterte lotteriet avbildet i figur 2 (en tvetydig lotteri, tilbyr $ 18 dersom en rød chip trekkes) og emnet valgte denne lotteri (heller enn referansen lotteriet), deretter faget skal trekke en chip ut av det fysiske posen tilsvarende lotteriet bildet. Hvis en rød chip er trukket faget vil motta $ 18, hvis en blue chip er trukket de vil få noe.

5. Analysere adferdsdata

  1. Bruke maksimal sannsynlighet passer vi valget data for hver gjenstand for en logistiskfunksjon på formen:

Ligning 1
Hvor Pv er sannsynligheten for at faget valgte variabel lotteri, SV F og SV V, er verdiene av de faste og variable alternativer henholdsvis, og γ er helningen på logistikk-funksjonen, som er en fagspesifikk parameter. En alternativ tilnærming er å bruke en probit distribusjon.

  1. Å modellere den subjektive verdien av hvert alternativ for hvert fag du kan bruke en av en rekke modeller som tar hensyn til mengden, sannsynlighet og tvetydighet nivå av opsjonen og holdningene til den enkelte gjenstand til risiko og tvetydighet. Vi valgte å bruke en strøm funksjon 5 som inkluderer en lineær effekt av tvetydighet på oppfattet sannsynlighet 7:

Ligning 2
Der p er målet probevne (per definisjon 0,5 for denne klassen av tvetydige lotterier), er A tvetydigheten nivå (fraksjon av den totale sannsynligheten som er ukjent, 0 for risikable lotterier), er V beløpet, og α og βare fagspesifikk risiko og tvetydighet holdning parametere hhv. En av flere alternative fremgangsmåter er å inkludere tvetydighet som en eksponentiell effekt 8:

Likning 3
Montering av valg data med valget funksjonen gir dermed anslag for risiko holdning (α) og tvetydighet holdning (β) for hvert fag.

6. Analysere Neural data

  1. Utfør standard for forbehandling av data, inkludert: 1) skive scan-tidskorrigering å ta hensyn til de små forskjeller i tidsforbruket av forskjellige skiver, 2) bevegelse korreksjon å gjøre rede for intra-og inter-run motivbevegelse, og 3) fjerning av lave frekvenser som er typisk ropprømt til fysiologisk støy og skanner driver.
  2. Registrere funksjonelle data for hver gjenstand til sine anatomiske data.
  3. For analyse på den enkelt emne nivå modell aktiviteten til hver voxel som en vedvarende respons under hele prøveperioden (i vårt tilfelle 10 s), konvolvert med en standard hemodynamiske responsfunksjonen 9. Bruk en General Linear Model med følgende prediktorer:
  • To prediktorer for subjektiv verdi (SV), en for risikofylte forsøk og en for tvetydige studier. Bruk ligning 2 og de enkelte fagspesifikke parametere avledet fra de atferdsmessige skikket til beregne SV av hver lotteri. Siden referansen lotteriet er den samme for alle forsøk kan vi bruke SV av variabelen lotteri alene i hvert forsøk. For den risikable SV prediktor sette SV for hver risikabelt rettssaken, og 0 for hver tvetydig rettssaken, og vice versa for det tvetydige prediktor.
  • To dummy prediktorer, en for risikofylte forsøk og ett for tvetydige prøvelser, til capture generell aktivering, som visuelle og motor aktiveringer.
  1. Se etter voksler der koeffisientene SV under risiko og / eller under tvetydighet er vesentlige. Testen for betydning bør ta hensyn til flere sammenligninger utført. Metoden vi brukte var å begrense minimum cluster størrelse til 6 sammenhengende funksjonelle voksler 10. Alternativt kan andre metoder, for eksempel den falske funnrate (FDR) 11, benyttes for å korrigere for multiple korreksjoner.

7. Representant Resultater

Atferd

Figur 4 presenterer de atferdsmessige resultatene av tre representative. Hvert panel presenterer valg data og modell passer resultater for ett emne under enten risiko (venstre) eller tvetydighet (til høyre). Grafene skildrer del av forsøkene hvori emnet valgte variabelen lotteri som en funksjon av mengde, separat for hvert nivå av probevne eller tvetydighet. Som kan sees, kan individer varierer mye i sine holdninger til risiko og tvetydighet.

Å undersøke godhet passform, sjekk 2 r, som bør ideelt sett være over 0,5, og også sjekke kurvene visuelt. Mens alle våre tre eksempler fag hadde lovlig adferd som gjorde fornuftige passer oppmerksom på at fag 2 neppe valgte variabel-alternativet i risiko tilstand med lavest sannsynlighet (0,13). Dette tyder på at utvide utvalget av beløp og / eller ved hjelp av høyere sannsynligheter kan gi bedre resultater, fordi det vil sikre at fag velger de variable alternativer på minst noen av forsøkene. Et annet alternativ er å pre-teste hvert fag på et bredt spekter av mengder og velge disse beløpene som sikrer en sammenlignbar antall referanse og variable alternativ valg for den enkelte.

fMRI

Figur 5 viser de imaging resultater i én representantemne. Uthevet voksler er de der koeffisient av subjektiv verdi prediktor henhold tvetydighet (øverst) eller risiko (nederst) var signifikant forskjellig fra 0. I dette typisk fag, ble signifikant korrelasjon funnet i medial prefrontal cortex (MPFC) og striatum under begge forhold. Disse områdene er den mest konsekvente tvers fag, men signifikante korrelasjoner kan også forventes i områder i mediale og laterale parietal cortex samt amygdala. Som aktivitet i denne typen oppgaver er vanligvis svak og bråkete du bør forvente høy variabilitet på tvers av fag med mange fag viser signifikante sammenhenger bare i en undergruppe av områder.

Figur 1
Figur 1. Risikable og tvetydig stimuli. A) I risikable stimuli de røde og blå områdene hvert bilde på skjermen er proporsjonal med antall røde og blå chips i konvolutten. Tre utfallet sannsynligheter were brukt her: 0,13, 0,25 og 0,38. B) I tvetydige stimuli den sentrale delen av bildet er utydeliggjøres med en grå avstengertapp. I det grå området antall chips av hver farge er ukjent, og dermed sannsynligheten for å tegne en chip av en bestemt farge er ikke nøyaktig kjent. Tre nivåer av tvetydighet blir brukt her, hvor 25, 50 eller 75% av bildet okkluderes.

Figur 2
Figur 2. Et lotteri eksempel. Dette er en tvetydig lotteri, på et 50% tvetydighet nivå. Minst 25 av de sjetongene i konvolutten er røde og minst 25 er blå. Hvis en rød chip er trukket faget vil vinne $ 18, mens de vil vinne noe hvis en blue chip er trukket.

Figur 3
Figur 3. Forsøket struktur. Lotteri kort presentert, etterfulgt av en forsinkelsesperiode. Et svar kø ber deretter fag for å indikereir valg mellom lotteriet på skjermen og referansen lotteri (i dette tilfellet en 50% sjanse til å vinne $ 5). Studier blir flettet med lange hvileperioder.

Figur 4
Figur 4. Eksempler på enkelt emne valg atferd. Grafer presentere del av forsøkene hvori hvert fag valgte variabelen alternativet over referansen, som en funksjon av den tilbudte beløpet, i risikofylte (venstre) og tvetydig (høyre) studier. Ulike kurvene er for ulik risiko eller tvetydighet nivåer. α, risikoholdning parameter, β, tvetydighet holdning parameter, r 2, McFadden er pseudo R-kvadrert, et mål på godheten av tilpasning av atferdsmessige modellen tilsvarer den delen av variansen som forklares av modellen, n, antall av studier hvor respons ble laget (av totalt 180).

Figur 5 <br /> Figur 5. Eksempel på enkelt emne aktivering kart. Activation kart er presentert på en høyoppløselig anatomisk bilde. Markerte områdene er de som aktivisering var signifikant korrelert med subjektiv verdi under risiko (øverst) eller under tvetydighet (nederst). I de fleste fag medial prefrontal cortex (MPFC) og striatum representerer subjektiv verdi under både risiko og tvetydighet. Korrigert p-verdiene er basert på et minimum cluster størrelse på 6 funksjonelle voksler. Klikk her for å se større figur .

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Vi har brukt en metode fra eksperimentell økonomi å karakterisere fag atferd og anslå individuelle holdninger til risiko og tvetydighet. Vi brukte disse estimatene å analysere nevrale data.

Andre metoder for å undersøke fMRI aktivitet mens fag gjør valg under risiko og tvetydighet har vært brukt før 8,12. Vår tilnærming, men kombinerer flere viktige funksjoner. Først, bruker den en parametrisk design, der ulike parametere (beløp, sannsynlighet og tvetydighet nivå) er systematisk variert. Dette gir oss muligheten til å kvantifisere den enkelte risiko og tvetydighet holdninger og å beregne den subjektive verdien av hvert alternativ til hvert fag. Sekund, har den enkelte atferdsmessige tiltak tillater oss å se etter hjernen områder som aktivering er korrelert med at tiltaket, separat for risiko og tvetydighet, på et innenfor faget nivå. Dette er en ren måte å undersøke nevrale koding av en parameter (subjektiv verdi) under forskjellige forhold (risiko og tvetydighet) mens kontrollerende for mulige forskjeller mellom disse forholdene (som valg atferd). Tredje, ved tilfeldig velge en rettssak på slutten av forsøket og spille det for ekte penger oppfordrer vi personer til å avsløre sitt sanne preferanser 13.

På atferdsmessige nivå, gjør denne metoden for oss å oppsummere den unike valg atferden til hvert fag med bare to tall, som representerer risiko og tvetydighet holdninger hos den enkelte faget. Standard økonomisk teori tilsier at for choosers som opptrer konsekvent disse er både nødvendige og tilstrekkelige karakterisering av deres preferanser. Sagt på en annen måte, kan man bevise at 1) ingen andre mulige karakterisering kan være mer fullstendig eller kompakt og 2) at alle mer komplekse karakteristikker er overflødige. På den nevrale nivå tillater metoden oss å identifisere nevrale representasjon av den subjektive verdi at individuelle fag ascrivære til opsjoner som de møter på dette nødvendig og tilstrekkelig nivå av karakterisering. Selvfølgelig andre karakteristikker av atferd er mulig, men ved hjelp av ad hoc tiltak av 'riskiness "som ikke kan henføres på en fullstendig måte å enten atferd eller nevrale signaler kan heve flere problemer enn det løser en.

Vi beskrevet en spesifikk metode for lokalisering områder hvis aktivitet er korrelert med subjektiv verdi. Det finnes andre, komplementære, måter å analysere de nevrale data i en utforskende måte som ikke krever tidligere hypoteser. Clustering metoder og Independent Component Analysis (ICA) er slike metoder som kan avsløre ytterligere risiko-og tvetydighet-relaterte aktivering.

Resultatene viste betydelige atferdsmessige variabilitet tvers fag, noe som tyder flere mulige utvidelser av den metode som kan bli brukt i fremtidige studier av risiko og tvetydighet. Først kunne metodene brukes til å undersøke ulikeforskjeller i atferd på tvers av individer, til og identifisere de nevrale korrelater av disse forskjellene, i forskjellige fag populasjoner. Av særlig interesse vil være studier av pasienter hypoteser for å utvise ekstrem risikotaking atferd, for eksempel de som gjennomgår behandling for narkotikamisbruk. Skille mellom bidrag fra risiko og tvetydighet holdninger til slike atferd og opptegning sine nevrale korrelater er viktig for å forstå de grunnleggende årsakene til slike patologiske atferd og for å utforme atferdsmessige og farmakologiske intervensjoner. Andre interessante steder ville være å undersøke mennesker fra ulike kulturer eller personer i ulike aldersgrupper. Evnen til å identifisere bestemt verdi-relatert aktivitet på denne måten har potensial til å avdekke gruppeforskjeller som er i kjernen av observerte forskjeller i det virkelige liv.

Sekund, kan metoden bli brukt for å undersøke innflytelsen av bestemte erfaringer om holdninger enkeltesubjects mot risiko og tvetydighet. Den eksperimentelle paradigmet kan for eksempel være ansatt før og etter et atferdsmessig manipulasjon er utført eller naturlige hendelser oppstår, for eksempel et pedagogisk intervensjon, en stress manipulasjon, eller en livsforandrende hendelse.

Tredje, kan en lignende paradigme brukes med forskjellige områder av utfall og sannsynligheter som er aktuelle for det spørsmålet du ønsker å ta opp. For eksempel kan personer bli presentert med valg mellom ulike tap, snarere enn gevinster, til mer direkte knytte eksperimentelle innstillingen til risikotaking atferd i det virkelige liv, hvis potensielle utfall er ofte negativ (f.eks hensynsløs kjøring eller rusmisbruk). Fjerde, ikke-monetære utfall kan brukes til å utforske holdninger til risiko og tvetydighet i ulike domener, for eksempel mat valg og sosiale preferanser.

Den kritiske trekk ved denne tilnærmingen er at det gir en kompakt og logisk complete måte å karakterisere atferd med hensyn til et fullt spesifisert underliggende variabel som helt karakteriserer preferansene til en konsekvent tema. Dette gir dermed en kraftig tilnærming nært knyttet til teori som beveger seg langt utover ad hoc karakterisering.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Ingen interessekonflikter erklært.

Acknowledgements

Vi takker Aldo Rustichini for fruktbare diskusjoner og kommentarer på design.
Finansiert av NIA stipend R01-AG033406 til IL og 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