Tiedot

Hyviä resursseja fMRI -tietojen oppimisen mallintamiseen

Hyviä resursseja fMRI -tietojen oppimisen mallintamiseen


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Neurotieteen opiskelijana, joka työskentelee fMRI: n kanssa, olen pätevä tavanomaisissa yksimuuttuja -analyyseissä ja lepotilan analyysitekniikoissa AFNI: ssä ja MATLAB/SPM: ssä. Haluan kuitenkin oppia käyttämään malleja fMRI-data-analyyseissä alusta loppuun.

Tarkemmin sanottuna haluan oppia mallintamaan ennustusvirheen, kuten he tekivät esimerkiksi tässä artikkelissa. Ongelmana on, ettei minulla ole ketään, joka opettaisi/auttaisi minua.

Mitä resursseja (verkossa tai oppikirjoja) suositellaan fMRI -tietojen mallintamisen yksityiskohtaiseen oppimiseen?


Usein kysytyt kysymykset tohtori Ahnille

Pyrin rakentamaan "onnellisen" laboratorion, jossa laboratorion jäsenet (mukaan lukien PI) kunnioittavat toisiaan, tuntevat kasvavansa älyllisesti, nauttivat erinomaisesta tuesta tutkimukselle ja tuottavat tutkimustuloksia, jotka tekevät heistä kilpailukykyisiä seuraaville uravaiheille.

Tällaisen ympäristön ja kulttuurin rakentaminen on erittäin haastava tehtävä erityisesti siksi, että jokainen ihminen on eri taustoista ja hänellä on erilaiset odotukset ja normit. Yritän kuitenkin saavuttaa sen (1) edistämällä viestintää laboratoriossa, (2) rekrytoimalla tehokkaita tiimipelaajia ja jakamalla samanlaisia ​​näkemyksiä keskenään, (3) räätälöimällä yksilöllisesti koulutusta kunkin jäsenen vahvuuksien ja etujen perusteella ja ( 4) riittävästi tutkimusvaroja.


JOHDANTO

Kognition tutkimus on kukoistanut viime vuosikymmeninä, koska on olemassa paljon neurokuvatietoja, jotka antavat pääsyn aivotoimintaan ihmisillä. Vuosien mittaan työkaluja eri aloilta, kuten koneoppimisesta ja verkkoteoriasta, on tuotu neurokuvantamissovelluksiin tietojen analysoimiseksi. Vastaavilla työkaluilla on omat vahvuutensa, kuten koneoppimisen ennustettavuus. Tämä artikkeli kokoaa yhteen viimeaikaiset tutkimukset, jotka perustuvat samaan koko aivojen dynaamiseen malliin yhtenäisessä prosessissa, joka on johdonmukainen mallin arvioinnista sen analyysiin-erityisesti malliolettamusten vaikutuksia voidaan arvioida jokaisessa vaiheessa. Näin voimme luonnollisesti yhdistää useiden alojen käsitteitä, erityisesti tietojen ennustettavuuden ja tulkittavuuden vuoksi. Korostamme, että kehys voidaan siirtää muihin dynaamisiin malleihin säilyttäen sen suunnittelun taustalla olevat käsitteet. Seuraavassa tarkastelemme ensin aikaisempaa työtä, joka koskee yhteystoimenpiteitä muodollisuuden asettamiseksi asiayhteyteen. Dynaamisen mallin (monimuuttuja Ornstein-Uhlenbeck -prosessi tai MOU) esittelyn jälkeen keskustelemme sen optimointimenettelystä fMRI/BOLD-signaalien tilastollisten toistojen (spatiotemporaaliset kovarianssit) tuottamiseksi, jolloin saadaan koko aivojen tehokas yhteysarvio (MOU-EC). Sitten tutkitaan kaksi MOU-EY-pohjaista sovellusta: koneoppiminen biomarkkereiden poimimiseksi ja verkkoanalyysi arvioitujen liitäntäpainojen tulkitsemiseksi kollektiivisesti. Samaan aikaan esitämme yksityiskohtia kehyksestämme ja tarjoamme kriittisen vertailun aiempiin tutkimuksiin, jotta voimme tuoda esiin yhtäläisyyksiä ja eroja. Havainnollistamme MOU-EC-kyvykkyyttä kognition tutkimisessa käyttämällä tietojoukkoa, jossa kohteet tallennettiin kahdessa tilanteessa, elokuvan katselussa ja mustalla näytöllä (jäljempänä lepo). Huomaamme myös, että samoja työkaluja voidaan käyttää neuropatologioiden aiheuttamien kognitiivisten muutosten tutkimiseen.


FMRI terveessä ikääntymisessä

Käyttäytymisnäkökulmasta tiedetään, että jotkut aikuiset kykenevät pitämään kognitiiviset kykynsä korkealla tasolla, toisin kuin toiset henkilöt, joilla on selviä kognitiivisia heikkenemisiä iän myötä. On oletettu, että tämä vaihtelu riippuu neurofunktionaalisista resursseista. Kuitenkin tarkat mekanismit, jotka johtavat tällaisiin suuriin eroihin, ovat edelleen epäselviä (Park ja Reuter-Lorenz, 2009).

Tehtävä-fMRI: n käyttö ikääntymisessä on paljastanut aivotoiminnan muutosten monimutkaisen mallin, jolle on ominaista sekä vähentyminen että lisääntyminen vanhoilla henkilöillä verrattuna nuoriin (Grady, 2012). Joissakin tapauksissa havaintojen monimuotoisuus riippuu monista muuttujista, kuten käytetyistä kognitiivisista testeistä ja niiden vaikeustasosta (Grady et al., 2006). Siitä huolimatta vallitsee suhteellinen yksimielisyys siitä, että aivotoiminta lisääntyy ikään liittyen (PFC Turner ja Spreng, 2012), kun taas havainnot, jotka koskevat vähentynyttä aktivaatiota, sijaitsevat aivoissa heterogeenisemmin.

Tässä osassa tarkastelemme joitain näistä pääteorioista, jotka ovat ilmestyneet yritettäessä selittää aivojen muutosten kehitystä ja niiden suhdetta kognitioon. On tärkeää huomata, että kun aiemmilla tai “ -klassisimmilla ” -näkemyksillä pyrittiin antamaan mielekkäitä tulkintoja useista yksittäisistä ilmiöistä, kuten alueellisen aivotoiminnan lisääntymisestä tai vähenemisestä vanhoissa verrattuna nuoriin henkilöihin, uudempien teorioiden tavoitteena on tarjota globaali, integroiva tulkinta aivojen muutoksista.

Klassiset teoriat, jotka on johdettu Task-fMRI-tutkimuksista

Yleensä alueellista hyperaktiivisuutta on tulkittu korvaukseksi (tai yritykseksi kompensoida), kun taas aktivoinnin epäonnistuminen tai aktivoinnin vähentäminen on tyypillisesti liittynyt ikääntymiseen liittyviin kognitiivisiin puutteisiin. Näiden ikään liittyvien aktiviteettimuutosten luonteen selittämiseksi ehdotettiin kahta päähypoteesia: erilaistuminen hypoteesi ja korvausta hypoteesi.

Toisaalta termi dedifferentiaatio kuvataan toiminnallisen spesifisyyden menettämiseksi aivoalueilla, jotka ovat mukana tehtävän suorittamisen aikana (Park et ai., 2004 Rajah ja D 𠆞posposito, 2005). Neurobiologisessa mielessä on ehdotettu, että tämä muutosmalli johtuu prosessiketjusta, joka alkaa dopaminergisen neuromodulaation heikkenemisestä, joka lisää hermomelua, mikä johtaa vähemmän erottuvaan aivokuoren esitykseen (Li et al., 2001) .

Toisaalta ikääntymisen korvaushypoteesi sanoo, että vanhemmat aikuiset kykenevät rekrytoimaan korkeampaa aktiivisuutta kuin nuoret koehenkilöt joillakin aivoalueilla kompensoimaan muualla aivoissa olevia toimintahäiriöitä. Tämä lisääntynyt aktiivisuus näkyy usein etualueilla (Park ja Reuter-Lorenz, 2009 Turner ja Spreng, 2012). Ensimmäiset tutkimukset, jotka viittasivat kompensoiviin mekanismeihin, ilmestyivät kirjallisuuden alkuvaiheessa ja käyttivät PET: tä visuaalisen (Grady et ai., 1994) tai episodisen muistin (Cabeza et ai., 1997 Madden et al., 1999) tehtävien suorittamisen aikana. Myöhemmin nämä löydökset toistettiin fMRI: llä (Cabeza et ai., 2002).

Lisäksi korvaukseen liittyvien mekanismien erilaiset alueelliset lokalisointimallit johtivat kolmeen tärkeimpään kognitiiviseen malliin:

(1) Puolipallon epäsymmetrian väheneminen vanhoilla aikuisilla (HAROLD) -mallin (Cabeza, 2002) mukaan vanhemmat aikuiset käyttävät tehtävän suorittamisen aikana vähemmän lateralisoitua toimintamallia kuin nuoret koehenkilöt, mikä on kompensoivaa. Tämä vähentynyt lateralisaatio havaittiin pääasiassa etualueilla, episodisen muistin ja työmuistitehtävien suorittamisen aikana (Cabeza et ai., 2002 Cabeza, 2004).

(2) Neuraalipiirien hypoteesin korvaamiseen liittyvä hyödyntäminen (CRUNCH Reuter-Lorenz ja Cappell, 2008 Schneider-Garces et al., 2010) puolustaa sitä, että vanhemmilla aikuisilla hermoston lisääntyminen tapahtuu kognitiivisilla tasoilla, jotka tyypillisesti merkitsevät aivotoiminnan heikkenemistä nuoremmilla koehenkilöillä. Tämä vaikutus on havaittu PFC: ssä ja myös parietaalisessa aivokuoressa, erityisesti preuneusissa ja posteriorisessa cingulaatiossa sekä episodisissa muistitehtävissä (Spaniol ja Grady, 2012) että työmuistitehtävissä (Mattay et ai., 2006 Reuter-Lorenz ja Cappell, 2008).

(3) Posterior-Anterior-muutos ikääntymisen kanssa (PASA) todistivat kokeellisesti Davis et ai., Joka käytti kahta eri tehtävää, visoperceptiivistä ja episodista hakua, ja havaitsi, että vanhemmilla koehenkilöillä oli vajauksia aktivoida alueita posteriorisen keskilinjan kuoreen, johon liittyi lisääntynyt aktiivisuus mediaalisessa otsakuorissa (Davis et ai. , 2008).

Globaalit, integroivat teoriat kognitiivisesta toiminnasta ja ikääntymisestä

FMRI-aktiivisuuden tarjoamien ainutlaatuisten tietojen ja edellä kuvatun luokituksen perusteella, jossa mallit esitetään yksinomaisina niiden välillä, näyttää vaikealta erottaa, mikä ehdotetusta mallista selittää paremmin ikään liittyviä muutoksia kognitiossa.

Viime aikoina multimodaaliset tutkimukset, jotka yhdistävät rakenteelliset ja toiminnalliset aivotoimenpiteet, ovat antaneet merkittävän panoksen näiden mallien tulkintaan. Esimerkiksi joissakin tapauksissa on raportoitu, että tehtävään liittyvillä alueilla vähentynyt aktiivisuus korreloi positiivisesti aivojen atrofian kanssa samoilla aivojen alueilla (Brassen et ai., 2009 Rajah et al., 2011), kun taas muut tutkimukset ovat raportoineet korrelaatioista PFC: n lisääntyneen toiminnallisen aktiivisuuden ja entorinaalisen kuoren ja muiden mediaalisten ajallisten lohkojen (MTL) rakenteiden säilyneen rakenteellisen eheyden välillä (Rosen et ai., 2005 Braskie et al., 2009). Tämän vuoksi jotkut kirjoittajat ovat teorioineet, että vaikka lisääntynyt aktiivisuus PFC: ssä voi laukaista etuosan GM: n surkastumisen, mikä on yleisesti raportoitu ominaisuus ikääntymisessä, tämän lisääntyneen aktiivisuuden kompensoiva rooli voi riippua distaalialueiden rakenteellisesta eheydestä pääasiassa MTL: ssä (Maillet ja Rajah, 2013).

Siksi ja lähinnä neurokuvatekniikoiden uusien saavutusten ansiosta on ehdotettu, että ikääntymisen kognitiivinen toiminta johtuu monien prosessien summasta, mukaan lukien rakenteelliset ja toiminnalliset aivotoimenpiteet sekä ulkoiset tekijät. Tältä osin rakennustelineiden teoria ikääntymisestä ja kognitiosta (STAC) toteaa, että ikääntyvissä aivoissa on prosessi, jota kutsutaan kompensoiviksi rakennustelineiksi ja joka edellyttää lisähermoresurssien käyttöä (verkon uudelleenorganisoinnin kannalta) ja joka tukee kognitiivisten toimintojen säilyttämistä rakenteellisen ja toiminnallisen heikkenemisen edessä (Park ja Reuter-Lorenz, 2009). Tätä teoriaa on äskettäin tarkistettu, jotta siihen voitaisiin sisällyttää uusimmat havainnot, jotka on saatu pääasiassa pitkittäis- ja interventiotutkimuksista. Tämän seurauksena STAC-r on käsitteellinen malli, joka laajentaa STAC: ia sisällyttämällä elinkaaren vaikutuksia, jotka parantavat, säilyttävät tai vaarantavat aivojen tilan, kompensointimahdollisuudet ja kognitiivisen toiminnan ajan myötä (Reuter-Lorenz ja Park, 2014).

Samassa mielessä Walhovd et ai. (2014) ehdotti järjestelmähaavoittuvuutta koskevaa näkemystä ikääntymisen kognitiosta. Heidän mukaansa ikään liittyvä kognitiivinen heikkeneminen olisi seurausta elinikäisestä vaikutuksen kasautumisesta, joka muuttaa aivotoimintaa ja rakennetta moniulotteisella tavalla ja vaikuttaa monenlaisiin neurokuvamarkkereihin, kuten rakenteelliseen eheyteen, toiminnalliseen toimintaan ja liitettävyyteen, glukoosin aineenvaihdunta tai amyloidin kertyminen. Tämän näkemyksen mukaan tietyt aivojärjestelmät, kuten hippokampus ja posteromediaaliset alueet, olisivat erityisen alttiita ikääntymisen vaikutuksille, mikä liittyy sen keskeiseen rooliin mekanismeina, jotka vähentävät eliniän aivojen plastisuutta (Fjell et ai., 2014).

Lopuksi, täydentävä hypoteesi, joka ilmeni myös pitkittäistutkimusten tuloksista, on ‚ivojen ylläpito ”, jonka mukaan aivojen rakenteellisten ja toiminnallisten merkkiaineiden muutosten puute antaisi joidenkin ihmisten näyttää vähän tai ei ollenkaan ikään liittyvää kognitiivista lasku. Aivojen ylläpidon käsitteellinen ajatus sai alkunsa siitä, että lisääntynyt toiminnallinen aktiivisuus HA: ssa ei välttämättä tarkoita toiminnallisten verkkojen tehostamista ajan myötä. Siksi kunnossapidon mukaan parhaat ennustimet ikääntymisen onnistumisesta olisivat kemiallisten, rakenteellisten ja toiminnallisten muutosten minimointi ajan mittaan (Nyberg et al., 2012).


HBayesDM: ssä TOTEUTETUT TEHTÄVÄT JA TIETOMALLIT

Taulukossa 1 on luettelo tehtävistä ja laskentamalleista, jotka on tällä hetkellä toteutettu hBayesDM -paketissa (versiosta 0.3.0 alkaen). Huomaa, että joillakin tehtävillä on useita laskentamalleja ja että käyttäjät voivat verrata mallin suorituskykyä hBayesDM-kehyksen puitteissa (katso hBayesDM-paketin vaiheittaiset oppaat). Jotta malleja voidaan sovittaa tehtävään, käyttäjän on ensin valmisteltava kokeiluversiotiedot tekstitiedostona (*.txt), jossa jokainen rivi (havainto) sisältää tehtävään vaadittavat sarakkeet (katso taulukko 1). Käyttäjät voivat myös käyttää kunkin tehtävän mallitietojoukkoa mallina.

Alla kuvataan jokainen tehtävä ja sen laskentamalli (t), tarkastellaan lyhyesti sen sovelluksia terveille ja kliinisille populaatioille ja kuvataan malliparametrit. Lyhyyden vuoksi kerromme lukijoista alkuperäisistä artikkeleista, joissa on kaikki yksityiskohdat kokeellisesta suunnittelusta ja laskentamalleista, ja paketin ohjetiedostoissa, esimerkiksi koodeissa, joissa kerrotaan, kuinka parametrit arvioidaan ja poimitaan kustakin mallista. Paketin ohjetiedostot löytyvät antamalla seuraava komento R -konsolissa:

Yllä oleva komento avaa pääsivun, josta voidaan navigoida vastaavaan tehtävään/malliin. Käyttäjät voivat myös etsiä suoraan kunkin tehtävän/mallin ohjetiedoston soittamalla sen ohjetiedostoon, joka seuraa muotoa? Function_name (esim.? Dd_cs, katso taulukko 1 näiden toimintojen luettelosta). Jokainen ohjetiedosto sisältää työkoodit konkreettisen reaaliaikaisen esimerkin suorittamiseksi alusta loppuun.

Viivästysalennustehtävä

Viivealennustehtävä (DDT Rachlin, Raineri ja amp Cross, 1991) on suunniteltu arvioimaan, kuinka paljon yksittäinen alentaa ajoittain viivästyttäneitä suurempia tuloksia verrattuna pienempiin-aikaisempiin. Jokaisessa DDT -kokeilussa esitetään kaksi vaihtoehtoa: nopeampi ja pienempi palkinto (esim. 5 dollaria nyt) ja myöhempi ja suurempi palkinto (esim. 20 dollaria ensi viikolla). Koehenkilöitä pyydetään valitsemaan kustakin kokeesta haluamansa vaihtoehto.

DDT: tä on tutkittu laajalti terveillä populaatioilla (esim. Green & amp; Myerson, 2004 Kable & amp; Glimcher, 2007), ja viivästynyt diskonttaus on yhdistetty kognitiivisiin kykyihin, kuten älykkyyteen (Shamosh et ai., 2008) ja työmuistiin (Hinson, Jameson , & amp; Whitney, 2003). Jyrkempi viivealennus on vahva käyttäytymismerkki riippuvuutta aiheuttavalle käytökselle (Ahn, Ramesh, Moeller, & amp; Vassileva, 2016 Ahn & amp; Vassileva, 2016 Bickel, 2015 Green & amp; Myerson, 2004 MacKillop, 2013), ja siihen on liittynyt myös muita psykiatrisia tiloja, kuten skitsofrenia (Ahn, Rass, et ai., 2011 Heerey, Matveeva, & amp Gold, 2011 Heerey, Robinson, McMahon, & amp Gold, 2007) ja kaksisuuntainen mielialahäiriö (Ahn, Rass et ai., 2011). HBayesDM -paketti sisältää tällä hetkellä kolme eri mallia DDT: lle:

dd_cs (vakioherkkyysmalli Ebert & amp; Prelec, 2007)

Eksponentiaalinen diskonttokorko (0 & ltr & lt 1)

Käänteinen lämpötila (0 & lt β& lt 5)

dd_exp (eksponentiaalinen malli Samuelson, 1937)

Eksponentiaalinen diskonttokorko (0 & lt r & lt 1)

Käänteinen lämpötila (0 & lt β & lt 5)

dd_hyperbolic (hyperbolinen malli Mazur, 1987)

Käänteinen lämpötila (0 & lt β & lt 5)

DDT: Parametrien kuvaukset

Eksponentiaalisissa ja hyperbolisissa malleissa tulevien (eli viivästyneiden) palkkioiden ajallinen diskonttaus kuvataan yhdellä parametrilla, diskonttokorolla (0 & lt r & lt 1), joka osoittaa, kuinka paljon tulevia palkintoja diskontataan. Korkea ja matala diskonttokorko heijastavat tulevien palkkioiden suurempaa ja pienempää diskonttausta. Eksponentiaalisissa ja hyperbolisissa malleissa viivästyneen palkkion arvo diskontataan eksponentiaalisessa ja hyperbolisessa muodossa. Jatkuvan herkkyyden (CS) mallissa on lisäparametri, nimeltään aikaherkkyys (0 & lt s & lt 10). Kun s on yhtä kuin 1, CS -malli pienenee eksponentiaaliseksi malliksi. Arvot s Lähes 0 johtaa yksinkertaiseen "nyky -tulevaisuuden kaksijakoisuuteen", jossa kaikki tulevat palkinnot diskontataan jyrkästi tiettyyn subjektiiviseen arvoon viiveistä riippumatta. Arvot s suurempi kuin 1 johtaa "laajennettu-nykyinen" heuristiikkaan, jossa palkinnot laajennetun nykyhetken aikana arvostetaan lähes tasavertaisesti ja tulevat palkkiot laajennetun nykyhetken ulkopuolella ovat nolla-arvoisia.

Kaikki mallit käyttävät softmax-valintasääntöä, jossa on käänteinen lämpötilaparametri (Kaelbling, Littman, & amp; Moore, 1996 Luce, 1959), joka kuvastaa sitä, kuinka deterministisesti yksilön valinnat tehdään vaihtoehtoisten valintojen vahvuuden (subjektiivisen arvon) suhteen. Korkea ja matala käänteinen lämpötila edustavat enemmän deterministisiä ja satunnaisempia valintoja.

Iowan uhkapelitehtävä

Iowan uhkapelitehtävä (IGT Bechara, Damasio, Damasio, & amp; Anderson, 1994) on alun perin kehitetty arvioimaan potilaiden päätöksentekovajeita, joilla on ventromediaalinen prefrontaalinen aivokuoren vaurio. Jokaisessa kokeessa koehenkilöille esitetään neljä korttipakkaa. Kaksi kantta on edullinen (hyvä) ja kaksi muuta kannetta haitallista (huono) pitkän aikavälin voittojen kannalta. Koehenkilöitä kehotetaan valitsemaan dekit, jotka maksimoivat pitkän aikavälin hyödyt, jotka heidän odotetaan oppivan kokeilemalla. Tilastollisesta näkökulmasta IGT on nelivartinen rosvoongelma.

IGT: tä on käytetty laajasti päätöksenteon tutkimiseen useissa psykiatrisissa väestöryhmissä (Ahn et al., 2014 Bechara & amp Martin, 2004 Bechara et al., 2001 Bolla et al., 2003 Grant, Contoreggi & London, 2000 Vassileva, Gonzalez , Bechara ja Martin, 2007). HBayesDM -paketti sisältää tällä hetkellä kolme erilaista mallia IGT: lle:

igt_pvl_decay (Ahn ym., 2014 Ahn, Krawitz, Kim, Busemeyer ja amp Brown, 2011)

igt_pvl_delta (Ahn, Busemeyer, Wagenmakers, & amp Stout, 2008)

igt_vpp (Worthy, Pang ja amp Byrne, 2013)

Pysyvyyden vaikutus (⁠ - ∞ & lt ϵ p & lt ∞ ⁠)

Vaikutus sitkeyden menetykseen (⁠ - ∞ & lt ϵ n & lt ∞ ⁠)

Sinnikkyyden hajoamisnopeus (0 & lt k & lt 1)

Vahvistusopetuspaino (0 & lt ω & lt 1)

IGT: Parametrien kuvaukset

Prospect Valence Learning (PVL) -malli, jossa on delta-sääntö (PVL-delta), käyttää Rescorla – Wagner -päivitysyhtälöä (Rescorla & amp Wagner, 1972) päivittääkseen valitun kannen odotetun arvon jokaisessa kokeessa. Odotettu arvo päivitetään oppimisnopeusparametrilla (0 & lt A & lt 1) ja ennustevirhetermi, missä A lähes 1 paikkaa enemmän painoarvoa viimeaikaisiin tuloksiin, ja A Lähes 0 paikkaa enemmän painoarvoa aikaisempiin tuloksiin, ennustusvirhe on ero ennustettujen ja kokeneiden tulosten välillä. Muoto (0 & lt α & lt 2) ja tappioiden karttaminen (0 & lt λ & lt 1) parametrit ohjaavat hyötyfunktion muotoa (teho) ja häviöiden vaikutusta suhteessa voittoihin. Arvot α suurempi kuin 1 osoittaa, että tuloksen hyödyllisyys on kupera, ja pienemmät kuin 1 osoittavat, että apuohjelma on kovera. Arvot λ suurempi tai pienempi kuin 1 osoittaa suurempaa tai pienempää herkkyyttä tappioille suhteessa voittoihin. Johdonmukaisuusparametri (0 & lt c & lt 1) on käänteislämpötilaparametri (katso lisätietoja viivästymisalennustehtävästä).

PVL-malli, jossa on rappeutumissääntö (PVL-decay), käyttää samaa muotoa, häviämisen välttämistä ja sakeuden parametreja kuin PVL-delta, mutta uusintaparametri (0 & lt A & lt 1) käytetään arvon päivittämiseen. Viimeaikaisuusparametri osoittaa, kuinka paljon kaikkien kansien odotetut arvot on diskontattu kussakin kokeilussa.

PVL-delta-malli on sijoitettu Value-Plus-Perseverance (VPP) -malliin, joka on PVL-delta-hybridimalli ja heuristinen sitkeysstrategia. Sitkeyden hajoamisnopeus (0 & lt k & lt 1) heikentää kaikkien valintojen sinnikkyysvahvuuksia kussakin kokeessa, samalla tavalla kuin PVL-hajoamisen uusintaparametri vaikuttaa odotettuun arvoon. Parametrit voiton (⁠ - ∞ & lt ϵ p & lt ∞ ⁠) ja tappion (⁠ - ∞ & lt ϵ n & lt ∞ ⁠) vaikutuksista sitkeyteen heijastavat sitä, kuinka sinnikkyysarvo muuttuu voittojen ja tappioiden jälkeen, vastaavasti positiiviset arvot heijastavat suuntausta tehdä sama valinta ja negatiiviset arvot taipumus vaihtaa valintoja. Vahvistusopetuspaino (0 & lt ω & lt 1) on sekoitusparametri, joka ohjaa sitä, kuinka paljon päätöspainoa vahvistamisopetukselle annetaan sinnikkyysjakson suhteen. Korkeat ja matalat arvot heijastavat enemmän ja vähemmän riippuvuutta vahvistavan oppimisen termistä.

Ortogonalisoitu Go/No-Go-tehtävä

Eläimet käyttävät Pavlovian ja instrumentaaliohjaimia toimenpiteisiin ryhtyessään. Pavlovian ohjain valitsee lähestyvät/houkuttelevat toimet, jotka ennustavat ruokahalua, tai välttävät/estävät toimet, joilla on vastenmielisiä tuloksia. Instrumentaalinen ohjain puolestaan ​​valitsee toimet ympäristön toiminnan ja lopputuloksen mukaan. Nämä kaksi ohjainta tekevät yleensä yhteistyötä, mutta joskus ne kilpailevat keskenään (esim. Dayan, Niv, Seymour ja amp Daw, 2006). Ortogonalisoitu go/no-go (GNG) -tehtävä (Guitart-Masip et al., 2012) on suunniteltu tutkimaan kahden ohjaimen välistä vuorovaikutusta ortogonalisoimalla toimintavaatimus (go vs. no go) verrattuna lopputuloksen valenssiin ( voitto vs. rahan menettämisen välttäminen).

Jokaisessa ortogonaalisen GNG -tehtävän kokeessa on kolme tapahtumaa seuraavassa järjestyksessä: vihjeesitys, kohteen havaitseminen ja lopputulos. Ensin esitetään yksi neljästä vihjeestä ("Mene voittaaksesi", "Mene välttämään (häviäminen)", "Ei voittaa" tai "NoGo välttää"). Jonkin viiveen jälkeen kohde (”ympyrä”) esitetään näytöllä, ja kohteiden on vastattava joko a mennä (paina painiketta) tai ei mene (pidä painiketta painettuna). Sitten koehenkilöt saavat todennäköisyyden (esim. 80%) tuloksen. Katso Guitart-Masip et ai. (2012) saadakseen lisätietoja kokeellisesta suunnittelusta.

gng_m1 (M1 Guitart-Masip et al., 2012)

Vahvikkeen tehokas koko (⁠ 0 & lt ρ & lt ∞ ⁠)

gng_m2 (M2 Guitart-Masip et al., 2012)

Vahvikkeen tehokas koko (⁠ 0 & lt ρ & lt ∞ ⁠)

gng_m3 (M3 Guitart-Masip et al., 2012)

Vahvikkeen tehokas koko (⁠ 0 & lt ρ & lt ∞ ⁠)

gng_m4 (M5 julkaisussa Cavanagh et al., 2013)

Palkinnon vahvistamisen tehokas koko (⁠ 0 & lt ρ r e w & lt ∞ ⁠)

Rangaistuksen vahvistamisen tehokas koko (⁠ 0 & lt ρ p u n & lt ∞ ⁠)

GNG: Parametrien kuvaukset

Kaikki GNG -tehtävän mallit sisältävät vanhenemisnopeusparametrin (0 & lt ξ & lt 1), oppimisnopeusparametri (0 & lt ϵ & lt 1 viittaa IGT: parametrien kuvauksiin saadaksesi lisätietoja) ja parametrin raudoituksen todelliselle koolle (⁠ 0 & lt ρ & lt ∞ ⁠). Keskeytymisnopeusparametri tallentaa satunnaisten valintojen osuuden niiden toimintatodennäköisyyksien vahvuudesta riippumatta. The ρ parametri määrittää raudoituksen todellisen koon. Gng_m4 -mallissa on erilliset efektiiviset kokoparametrit palkitsemista (⁠ 0 & lt ρ r e w & lt ∞ ⁠) ja rangaistusta (⁠ 0 & lt ρ p u n & lt ∞ ⁠) varten, joten palkinnot ja rangaistukset voidaan arvioida eri tavalla.

Kolme GNG -mallia (gng_m2, gng_m3 ja gng_m4) sisältää go -bias -parametrin (⁠ - ∞ & lt b & lt ∞ ⁠). Go -puolueellisuus heijastaa taipumusta vastata (mennä) riippumatta toiminnon ja lopputuloksen yhdistyksistä, jotka ovat korkeita tai alhaisia b heijastavat voimakasta tai matalaa taipumusta toimia (moottori) vastaavasti.

Kaksi GNG -mallia (gng_m3 ja gng_m4) sisältävät Pavlovian bias -parametrin (⁠ - ∞ & lt π & lt ∞ ⁠). Pavlovian puolueellisuus heijastaa taipumusta antaa vastauksia, jotka ovat pavlovilaisia ​​yhdenmukaisia: toisin sanoen edistää tai estää mennäjos ärsykkeen odotettu arvo on positiivinen (ruokahaluinen) tai negatiivinen (vastenmielinen).

Todennäköinen käänteinen oppimistehtävä

Ympäristöissä on usein korkeamman tason rakenteita, kuten ärsykkeiden, toimien ja tulosten keskinäinen riippuvuus. Tällaisissa ympäristöissä tutkittavien on päätettävä ja käytettävä rakenteita optimaalisten päätösten tekemiseksi. Todennäköisyysperusteisessa käänteisoppimisessa (PRL) on olemassa korkeamman asteen rakenne siten, että kahden ärsykkeen palkitsemisjakaumat ovat korreloimattomia (esim. Jos yhden vaihtoehdon palkitsemisaste on 80%, toisen vaihtoehdon palkintoprosentti on [100 - 80] prosenttia, mikä on 20 prosenttia). Koehenkilöiden on opittava ylemmän tason rakenne ja otettava se huomioon päätöksenteon optimoimiseksi ja tulojen maksimoimiseksi.

Tyypillisessä PRL -tehtävässä potilaalle esitetään kaksi ärsykettä. "Oikean" tai hyvän ärsykkeen valinta johtaa yleensä rahalliseen voittoon (esim. 70%), kun taas "väärän" tai huonon ärsykkeen valinta johtaa yleensä rahatappioon. Palkitsemisvaroja ei muuteta kiinteissä pisteissä (esim. Murphy, Michael, Robbins, & amp; Sahakian, 2003) tai ne käynnistyvät peräkkäisillä oikeilla valinnoilla (Cools, Clark, Owen, & amp; Robbins, 2002 Hampton et al., 2006).

PRL -tehtävää on käytetty laajasti käänteisen oppimisen tutkimiseen terveillä yksilöillä (Cools et al., 2002 den Ouden et al., 2013 Gläscher et al., 2009). PRL: ää on käytetty myös tutkimaan päätöksenteon puutteita, jotka liittyvät prefrontaalisiin aivokuoren vaurioihin (esim. Fellows & amp; Farah, 2003 Rolls, Hornak, Wade ja McGrath, 1994) sekä Parkinsonin tautiin (esim. Cools, Lewis, Clark) , Barker, & amp; Robbins, 2007 Swainson et ai., 2000), skitsofrenia (esim. Waltz & amp. Gold, 2007) ja kokaiiniriippuvuus (Ersche, Roiser, Robbins ja amp. HBayesDM -paketti sisältää tällä hetkellä kolme mallia PRL -tehtäviin:

Käänteinen lämpötila (0 & lt β & lt 1)

prl_fictitious (Gläscher et al., 2009)

Käänteinen lämpötila (0 & lt β & lt 1)

Käänteinen lämpötila (0 & lt β & lt 1)

PRL: Parametrien kuvaukset

Kaikki yllä olevat PRL -mallit sisältävät oppimisnopeusparametreja (katso lisätietoja kohdasta IGT: Parametrien kuvaukset). Prl_rp -mallissa on erilliset oppimisprosentit palkinnoille (0 & lt Arew & lt 1) ja rangaistukset (0 & lt Apunamusiikki & lt 1). Prl_ewa -mallissa (Camerer & amp; Ho, 1999) alhaiset ja korkeat arvot φ heijastavat enemmän painoarvoa viimeaikaisiin ja menneisiin tuloksiin. Kaikki PRL-mallit sisältävät myös käänteisen lämpötilan parametrin (katso lisätietoja kohdasta DDT: Parametrien kuvaukset).

Julkaisussa den Ouden et ai. Ehdotettu prl_ewa -malli. (2013) sisältää hajoamisnopeusparametrin (0 & lt ρ & lt). Valitun vaihtoehdon kokenut paino vähenee suhteessa ρ, ja 1 lisätään painoon jokaisessa kokeessa. Näin ollen suurempi arvo ρ osoittaa kokeneen painon hitaampaa hajoamista tai päivittämistä.

Prl_fictitious -malli sisältää päättämättömyyspisteparametrin (0 & lt α & lt 1). Tämä kohta kuvastaa aiheen harhaa tai vaihtoehtoja. Korkea tai matala arvo α osoittavat suuremman tai pienemmän suosion yhdestä vaihtoehdosta toiseen.

Riskien välttämisen tehtävä

Riskien välttäminen (RA Sokol-Hessner, Camerer, & amp Phelps, 2013 Sokol-Hessner et al., 2009) on kuvaukseen perustuva tehtävä (Hertwig, Barron, Weber ja amp Erev, 2004), jossa kaikkien mahdolliset tulokset vaihtoehdot ja niiden todennäköisyydet annetaan tutkittaville jokaisessa kokeessa. RA -tehtävässä koehenkilöt valitsevat joko varman vaihtoehdon, jolla on taattu määrä, tai riskialtisen vaihtoehdon (eli uhkapelin), jolla on mahdollisia voittoja ja/tai tappioita. Koehenkilöitä pyydetään valitsemaan kussakin kokeessa haluamansa vaihtoehto (tai haluavatko he hyväksyä uhkapelin). RA -tehtävässä aiheet muodostavat kaksi kognitiivista säätelyä (osallistua ja säännellä) olosuhteet aiheen sisäisessä suunnittelussa: osallistumisolosuhteissa oppilaita pyydetään keskittymään jokaiseen valintaan erikseen, kun taas sääntelytilassa tutkittavia pyydetään korostamaan valintoja laajemmassa kontekstissaan (katso Sokol-Hessner et ai., 2009, lisätietoja). Sokol-Hessner et ai. (2009) löytyy seuraavilla poluilla (nämä polut ovat saatavana myös RA -mallin ohjetiedostoista):

path_to_attend_data = system.file("extdata/ra_data_attend.txt", package = "hBayesDM")

path_to_regulate_data = system.file("extdata/ra_data_reappraisal. txt", paketti = "hBayesDM").

ra_prospect (Sokol-Hessner et ai., 2009)

Käänteinen lämpötila (⁠ 0 & lt τ & lt ∞ ⁠)

ra_noLA (ei tappionkiertoa [LA] -parametri vain voittoja sisältäville tehtäville)

Käänteinen lämpötila (⁠ 0 & lt τ & lt ∞ ⁠)

ra_noRA (ei riskien karttamista [RA] -parametria, katso esim. Tom ym., 2007)

Käänteinen lämpötila (⁠ 0 & lt τ & lt ∞ ⁠)

RA: Parametrien kuvaukset

Ra_prospect -malli sisältää häviön välttämisparametrin (0 & lt λ & lt 5), riskien karttamisparametri (0 & lt ρ & lt 2) ja käänteisen lämpötilan parametri (⁠ 0 & lt τ & lt ∞ ⁠). Katso DDT: Käänteisen lämpötilan parametrien kuvaukset. RA -mallien riskien karttamis- ja menettämisparametrit ovat samanlaisia ​​kuin IGT -malleissa. RA -malleissa ne kuitenkin ohjaavat tarkasteltavien mahdollisten valintojen arviointia, toisin kuin tulosten arviointia niiden kokemisen jälkeen (Rangel et al., 2008).

Ra_noLA- ja ra_noRA -mallit on sisällytetty ra_prospect -malliin, ja joko tappioiden karttaminen (ra_noLA) tai riskien karttaminen (ra_noRA) on asetettu arvoon 1.

Kaksivaiheinen rosvoitehtävä

Moniaseiset bandiittitehtävät tai -ongelmat viittaavat tyypillisesti tilanteisiin, joissa pelaajat päättävät, mitä uhkapeliä tai hedelmäpeliä pelataan maksimoidakseen pitkän aikavälin voiton. Monet vahvistus-oppimistehtävät ja kokemukseen perustuvat (Hertwig et al., 2004) tehtävät voidaan luokitella rosvo-ongelmiksi. Tyypillisessä kaksivaiheisessa ryöstötehtävässä koehenkilöille esitetään kaksi vaihtoehtoa (ärsykettä) jokaisessa kokeessa. Palaute annetaan ärsykkeen valitsemisen jälkeen. Koehenkilöitä pyydetään maksimoimaan positiivinen palaute, kun he tekevät valintoja, ja heidän odotetaan oppivan ärsykkeen ja lopputuloksen satunnaisia ​​tilanteita kokeilukohtaisesti. HBayesDM-paketti sisältää tällä hetkellä yksinkertaisen mallin kaksivaiheiselle rosvo-tehtävälle:

bandit2arm_delta (Hertwig ym., 2004)

Käänteinen lämpötila (0 & lt τ & lt 1)

Kaksikätinen rosvo: Parametrien kuvaukset

Bandit2arm_delta -malli käyttää Rescorla – Wagner -sääntöä (katso IGT: Parametrien kuvaukset) valitun vaihtoehdon odotetun arvon päivittämiseen yhdessä softmax -valintasäännön kanssa, jossa on käänteinen lämpötila (katso DDT: Parametrien kuvaukset).

Ultimaattipeli (normikoulutus)

Kyky ymmärtää ympäristön sosiaalisia normeja ja selviytyä mukautuvista normeista on kriittinen normaalin sosiaalisen toiminnan kannalta (Gu et al., 2015 Montague & amp Lohrenz, 2007). Ultimatum-peli (UG) on laajalti käytetty sosiaalinen päätöksenteko, joka tutkii, miten yksilöt reagoivat poikkeamiin sosiaalisista normeista ja sopeutuvat normeihin muuttuvassa ympäristössä.

UG: ssä on kaksi pelaajaa: ehdottaja ja vastaaja. Jokaisessa kokeessa ehdotuksen tekijälle annetaan jonkin verran rahaa jaettavaksi kahden pelaajan kesken. Kun olet päättänyt rahan jakamisesta, vastaajalle tehdään tarjous. Vastaaja voi joko hyväksyä tarjouksen (ja rahat jaetaan tarjottuina) tai hylätä ne (molemmat pelaajat eivät saa mitään). Aiemmat tutkimukset ovat osoittaneet, että yleisin tarjous on noin 50% kokonaismäärästä ja että "epäreilut" tarjoukset (& lt∼20% kokonaismäärästä) hylätään usein, vaikka on optimaalista hyväksyä kaikki tarjoukset (Güth, Schmittberger, & amp; Schwarze, 1982 Sanfey, 2003 Thaler, 1988). Äskettäin tehdyssä tutkimuksessa tarkasteltiin normin säätämisen laskennallisia substraatteja käyttämällä normikoulutuksen UG: tä, jossa koehenkilöt näyttivät reagoivan normia muuttavassa ympäristössä (Xiang et al., 2013).

UG: tä on käytetty tutkimaan sellaisten henkilöiden sosiaalista päätöksentekoa, joilla on ventromediaalinen prefrontaalinen (Gu et al., 2015 Koenigs et al., 2007) ja eristetty aivokuori (Gu et al., 2015), sekä potilaita, joilla on skitsofrenia (Agay, Kron, Carmel, Mendlovic, & amp; Levkovitz, 2008 Csukly, Polgár, Tombor, Réthelyi ja amp Kéri, 2011). HBayesDM-paketti sisältää tällä hetkellä kaksi mallia UG: lle (tai normikoulutus UG: lle), jossa tutkittavilla on vaste:

Käänteinen lämpötila (0 & lt τ & lt 10)

Käänteinen lämpötila (0 & lt τ & lt 10)

Normaali sopeutumisnopeus (0 & lt ϵ & lt 1)

UG: Parametrien kuvaukset

Ug_bayes -malli olettaa, että kohde (vastaaja) käyttäytyy kuten Bayesin ihanteellinen tarkkailija (Knill & amp Pouget, 2004), jotta ehdotuksen tekijän odotettu tarjous päivitetään Bayes -tyyliin. Tämä on toisin kuin ug_delta -malli, jossa oletetaan, että kohde (jälleen vastaaja) päivittää odotetun tarjouksen Rescorla - Wagner (delta) -päivityssääntöä käyttäen. Sekä ug_bayes- että ug_delta -mallit sisältävät kateutta (0 & lt α & lt 20) ja käänteinen lämpötila (0 & lt τ & lt 10 viittaavat yksityiskohtiin DDT: Parametrikuvaukset). Envy -parametri kuvastaa herkkyyttä normin ennustusvirheelle (ks. Alla ug_bayes -malli), jossa korkeammat tai pienemmät arvot osoittavat suuremman tai pienemmän herkkyyden. UG: ssä ennustusvirhe kuvastaa odotettujen ja vastaanotettujen tarjousten eroa.

Ug_bayes -mallissa tarjouksen hyödyllisyyttä säädetään kahdella normin ennustusvirheellä: (1) negatiiviset ennustusvirheet kerrottuna kateusparametrilla (0 & lt α & lt 20) ja (2) positiiviset ennustusvirheet kerrottuna syyllisyysparametrilla (0 & lt β & lt 10). Korkeammat ja pienemmät kateuden arvot (α) ja syyllisyys (β) heijastavat suurempaa ja pienempää herkkyyttä negatiivisille ja positiivisille normien ennustusvirheille. Ug_delta -malli sisältää vain kateusparametrin (Gu et al., 2015).


Tulokset

Palautteen soveltuvuus itsekuvaan

Soveltuvuusluokituksiin vaikutti ryhmävaikutuksen valenssi [χ 2 (4) = 106,19, s & lt 0,001], katso online -täydentävät taulukot S4 ja S5 mallien vertailua ja parametreja varten. Hypoteesimme mukaisesti BPD -potilaat arvioivat välituotteen (b = −0,40, s.e. = 0,16, t = −2,50) ja erityisesti negatiivinen palaute (b = −0,53, s.e. = 0,16, t = −3,36) soveltuvampi HC: hen verrattuna, katso kuva 1a. BPD arvioi positiivista palautetta vähemmän sovellettavaksi verrattuna HC: hen (b = 1,07, s.e. = 0,16, t = 6,74). LSE: hen verrattuna BPD arvioi myös negatiivisen palautteen soveltuvammaksi (b = −0,43, s.e. = 0,17, t = −2,43) ja positiivista palautetta vähemmän soveltuvina (b = 0,63, s.e. = 0,18, t = 3,61), mutta ei eroa välipalautteen sovellettavuudesta (b = −0,15, s.e. = 0,18, t = -0,83). Lisäksi käyttämällä valenssiluokituksia (eli negatiivisuuden tai positiivisuuden aste) havaitsimme, että kaikki kolme ryhmää arvioivat sanojen valenssin samalla tavalla [χ 2 (2) = 2,4, s = 0.307], ja negatiiviset ja positiiviset sanat ovat emotionaalisia kuin välisanoja, katso online -lisätaulukot S2 ja S3. Valenssin ja ryhmän välillä oli kuitenkin suuntaus vuorovaikutukseen [χ 2 (4) = 8,42, s = 0,077], mikä voi osoittaa, että BPD arvioi negatiivisen palautteen hieman vähemmän negatiiviseksi kuin HC (b = −0,43, s.e. = 0,16, t = −2,69), katso myös mallin parametrit online -täydentävästä taulukosta S3.

Kuva 1. (a) Keskimääräiset soveltuvuusluokitukset ryhmissä negatiivisen, keskitason ja positiivisen palautteen jälkeen (virhepalkit osoittavat 95%: n luottamusvälit). (b) Kuva mielialaluokituksista ryhmittäin negatiivisen, keskitason ja positiivisen palautteen jälkeen palautteen sovellettavuuden keskimääräisellä tasolla. (c) Kuva keskimääräisistä mielialaluokituksista ryhmän mukaan negatiivisen, keskitason ja positiivisen palautteen jälkeen, ei kovin soveltuvaan palautteeseen. Soveltavuudella on suurempi vaikutus mielialaan negatiivisen ja keskitason palautteen aikana kuin positiivisella palautteella. Soveltavuudella on suurempi vaikutus HC: n mielialaan verrattuna BPD: hen. Mielialaluokitus on skaalattu pisteisiin 1–4 näyttöä varten.

Vaikuttavia vastauksia

Ryhmä [χ 2 (2) = 11,4 vaikutti mielialaan s = 0,003] BPD raportoi huonommalla tuulella kuin HC yleisesti (b = 0,81, s.e. = 0,19, t = 4.28), katso taulukko 2 ja online -lisätaulukko S6. Valence hillitsi ryhmävaikutusta [χ 2 (4) = 39,89, s & lt 0,001]. BPD ilmoitti huonommasta tunnelmasta negatiivisen jälkeen (b = −0,14, s.e. = 0,15, t = −0,95) ja välipalaute (b = −0,81, s.e. = 0,19, t = 4.28) ja samanlainen mieliala positiivisen palautteen jälkeen (b = −0,49, s.e. = 0,13, t = −3,70) verrattuna HC: hen, katso kuva 1b. Verrattuna LSE: hen BPD raportoi samanlaisesta tunnelmasta välitason jälkeen (b = 0,19, s.e. = 0,21, t = 0,91) ja positiivista palautetta (b = 0,11, s.e. = 0,15, t = 0,75), mutta parempi mieli negatiivisen palautteen jälkeen (b = −0,50, s.e. = 0,16, t = −3.10).

Taulukko 2. Mielialaluokituksia ennustavan mallin vaikutusparametrit valenssiluokittain (välituote = viite), ryhmä (BPD = viite) ja palautteen ja kaksisuuntaisten vuorovaikutusten sovellettavuus

Merkittävyystaso (*** & lt0.001, ** & lt0.01,*& lt0.05, ^& lt0.10) perustuen mallien vertailujen χ 2 testiin, katso online -lisätaulukko S6.

Soveltuvuus hillitsi myös ryhmävaikutusta [χ 2 (4) = 14,8, s = 0,005]. BPD -mielialaluokitukset vaikuttivat vähemmän sovellettavuuteen verrattuna HC: hen (b = 0,07, s.e. = 0,03, t = 2.27), mutta ei poikennut tässä suhteessa LSE: stä (b = 0,01, s.e. = 0,03, t = 0.23), katso kuva 1c. Valenssin kolmisuuntaista vuorovaikutusta ei ollut sovellettavuuden mukaan ryhmittäin [χ 2 (4) = 8,0, s = 0.090].

Neuraaliset vasteet

Ryhmät erosivat palautteen valenssin hermokorrelaateista, ks. Taulukko 3 klustereista ja huippuvokseleista Alaviite † Alaviite 1. Vastauksena negatiiviseen palautteeseen verrattuna positiiviseen palautteeseen HC osoitti vahvempaa vasemman preuneus -aktivaatiota, kun taas BPD osoitti suhteellisen alhaista ja yhtä suurta preuneus -aktivaatiota negatiiviselle ja positiiviselle palautteelle, katso kuva 2. Tässä preuneus -klusterissa LSE: n aktivointi negatiivinen ja positiivinen palaute, joskaan ei merkittävästi erilainen kuin BPD, ks. positiivista palautetta. Verrattuna LSE: hen BPD osoitti voimakkaampaa vasemman preuneuksen aktivaatiota negatiivisen aikana verrattuna positiiviseen palautteeseen, katso taulukko 3 ja kuva 2. Tämä vasemman preuneuksen klusteri ei kuitenkaan ollut päällekkäin löydetyn klusterin kanssa verrattuna HC: hen. Ryhmät eivät eronneet soveltuvuuden hermokorrelaateista. BPD: n negatiivisen valenssin avulla sovellettavan sovelluksen kolmisuuntainen vuorovaikutus verrattuna HC: hen moottorikuoressa, ylivoimaisessa parietaalilohkossa ja huonommassa parietaalilohkassa johtuu luultavasti painikkeen painalluksista (Mars et ai., Reference Mars, Jbabdi, Sallet, O'Reilly, Croxson, Olivier, Noonan, Bergmann, Mitchell, Baxter, Behrens, Johansen-Berg, Tomassini, Miller ja Rushworth 2011).

Kuva 2. Vasemmalla: Neuraalisen aktivoinnin klusterit, jotka osoittavat HC & gt BPD (sininen) ja BPD & gt LSE (oranssi). Oikealla: HC & gt BPD -klustereiden (siniset klusterit) keskimääräiset kontrastiarvot ryhmän ja kontrastin mukaan.

Taulukko 3. Valitut hermokorrelaatit ryhmien vertailuihin valenssin kontrasteista ja palautteen soveltuvuudesta a, klusteri korjattu Z = 2,3, klusteri s & lt 0,05

a Tässä taulukossa ei ilmoiteta kontrasteja ilman kynnyksen yläpuolella olevia klustereita.

Tutkimushavainnot

Selvitystarkoituksia varten tarkistimme, erosiko LSE omasta näkemyksestään HC: stä suorittamalla mallin uudelleen, jonka tuloksena oli soveltuvuusluokitus, mutta HC asetettiin vertailuryhmäksi BPD: n sijaan. Huomasimme, että alhaisemmasta itsetunnosta huolimatta LSE ei ilmoittanut, että negatiivinen palaute soveltuisi paremmin heihin (b = 0,11, s.e. = 0,17, t = 0,65), eikä myöskään välipalaute (b = 0,26, s.e. = 0,17, t = 1,52). He kuitenkin ilmoittivat, että positiivinen palaute ei koske heitä (b = −0,44, s.e. = 0,17, t = −2.64).

Hämmentää

Voidaksemme hallita mahdollisia vaikutuksia siitä, uskoiko osallistuja SF -paradigmaan (kyllä/ei), lääkityksen tilaan (päälle/pois) ja nykyiseen masennukseen, otimme tämän huomioon ylimääräisissä affektiivisissa ja hermoanalyyseissä. Näillä hämmennyksillä ei ollut vaikutusta vaikuttaviin tuloksiin.

Käteisyys otettiin huomioon myös hermoanalyyseissä. Vahvempi preuneus -aktivaatio HC: ssä verrattuna BPD: hen, joka havaittiin negatiivisen palautteen jälkeen verrattuna positiiviseen palautteeseen, ei selvinnyt merkitsevyyskynnyksestä sen jälkeen, kun nykyinen masennus tai kätisyys otettiin huomioon.


Johdanto

FMRI: n tulo mullisti psykologian, koska se salli ensimmäistä kertaa ihmisen kognition ei -invasiivisen kartoittamisen. Tästä edistymisestä huolimatta perinteiset fMRI -analyysit ovat rajallisia, koska ne voivat suurimmaksi osaksi vain varmistaa alueen osallistumisen tehtävään, mutta eivät tarkkaa rooli siinä tehtävässä. Äskettäin on kehitetty mallipohjaisia ​​fMRI-menetelmiä tämän rajoituksen voittamiseksi käyttämällä laskennallisia käyttäytymismalleja valaisemaan mallien piileviä muuttujia (kuten ennustusvirheitä) ja niiden kartoittamista hermorakenteisiin. Tämä lähestymistapa on johtanut tärkeisiin oivalluksiin aivojen käyttämistä algoritmeista ja on onnistunut erityisen hyvin ymmärtämään vahvistuksen oppimisen hermopohjaa (esim. [1 �]).

Tyypillisessä mallipohjaisessa fMRI-analyysissä ensin määritetään malli, joka kuvaa kyseessä olevan käyttäytymisen taustalla olevat hypoteesit kognitiiviset prosessit. Tyypillisesti näissä malleissa on yksi tai useampi vapaa parametri (esim. Oppimisprosentti kokeilu- ja virheoppimallissa). Nämä parametrit on asetettava määrittämään malli kokonaan, mikä yleensä tehdään sovittamalla ne havaittuun käyttäytymiseen [14]. Esimerkiksi mallin perusteella voidaan löytää aihekohtaiset oppimisprosentit, jotka selittävät parhaiten aiheen ja#x02019 käyttäytymisvalinnat. Täysin määritettyä mallia käytetään sitten mallin piilevien muuttujien (esim. Toiminta-arvojen ja ennustusvirheiden) kokeellisten mittausten luomiseen, jotka voidaan regressoida neurotietoihin nähden löytääkseen alueita, joiden toiminta korreloi näiden muuttujien kanssa aivoissa .

Yksi tämän lähestymistavan heikkouksista on vaatimus mallin sovittamisesta. Monissa tapauksissa tiedot eivät riitä tarkasti tunnistamaan parametriarvoja. Tämä voi johtua rajoitetusta kokeiden määrästä, parametrien välisestä vuorovaikutuksesta, joka vaikeuttaa niiden erottamista toisistaan ​​[14], tai käyttäytymisen puutteesta, jota voidaan käyttää sovitusprosessissa (esim. Joissakin Pavlovian hoitokokeissa). Näin ollen avainkysymys on: Kuinka tärkeä mallin sovitusvaihe on? Toisin sanoen, missä määrin mallipohjainen fMRI on herkkä parametrien arviointivirheille? Vastaus tähän kysymykseen määrittää, kuinka paljon meidän on työskenneltävä parhaiden mahdollisten parametrien sovittamiseksi, ja se vaikuttaa paitsi tietojen analysointiin myös siihen, miten suunnittelemme kokeita.

Tässä näytämme, miten tähän kysymykseen voidaan vastata, analysoimalla mallipohjaisen fMRI: n herkkyyttä oppimisnopeusparametrille yksinkertaisissa vahvistustehtävissä. Tarjoamme analyyttisiä rajoja mallipohjaisen analyysin herkkyydelle oppimisprosentin arviointivirheille ja näytämme simulaation avulla, kuinka yhdellä oppimisprosentilla tuotetut arvo- ja ennustusvirhesignaalit tulkitaan mallipohjaisella analyysillä, joka käytti väärää oppimista korko. Hämmästyttävää kyllä, havaitsemme, että mallipohjaisen fMRI: n tulokset ovat huomattavan vankat oppimisnopeuden asetuksiin siinä määrin, että joissakin tilanteissa mallin parametrien asettaminen mahdollisimman kauas niiden todellisesta arvosta tuskin vaikuttaa tuloksiin. Tämä kestävyyden teoreettinen ennuste perustuu kahden viimeaikaisen kokeen fMRI -tietojen analysointiin.

Tuloksemme ovat sekä hyviä että huonoja uutisia mallipohjaiselle fMRI: lle. Hyvä uutinen on, että se on vankka, joten oppimisprosentin virheet eivät muuta dramaattisesti tietyn signaalin paikallistamiseen tähtäävien tutkimusten tuloksia. Huono uutinen on kuitenkin se, että mallipohjainen fMRI ei ole herkkä parametrien eroille, mikä tarkoittaa, että on oltava äärimmäisen varovainen, kun yritetään määrittää hermoalueen laskennallinen rooli (esim. Kun kysytään, vastaako aivojen alue jotakin tulosignaali tai ennustusvirhesignaali). Keskustelussa pohdimme, missä määrin tämä tulos yleistyy muihin parametreihin ja muihin malleihin, ja tarjoamme ehdotuksia parametrien herkkyyden diagnosoimiseksi muissa malleissa.


Hyviä resursseja fMRI -tietojen oppimisen mallintamiseen - psykologia

Tämän osion loppuun mennessä voit:

  • Määrittele havainnollinen oppiminen
  • Keskustelkaa mallinnusprosessin vaiheista
  • Selitä havainnollisen oppimisen prososiaaliset ja epäsosiaaliset vaikutukset

Tämän luvun aiemmissa osissa keskityttiin klassiseen ja operanttiseen ehdollistamiseen, jotka ovat assosiatiivisen oppimisen muotoja. Havainnollisessa oppimisessa me opimme katsomalla muita ja sitten matkimalla tai mallintamalla, mitä he tekevät tai sanovat. Jäljitellyn käyttäytymisen yksilöitä kutsutaan malleiksi. Tutkimukset viittaavat siihen, että tähän jäljittelevään oppimiseen liittyy erityinen neuronityyppi, jota kutsutaan peilineuroniksi (Hickock, 2010 Rizzolatti, Fadiga, Fogassi, & amp; Gallese, 2002 Rizzolatti, Fogassi ja amp Gallese, 2006).

Ihmiset ja muut eläimet kykenevät oppimaan havainnollisesti. Kuten näette, lause ”apina näkee, apina tekee” on todella tarkka ([link]). Samaa voisi sanoa muista eläimistä. Esimerkiksi simpanssien sosiaalista oppimista koskevassa tutkimuksessa tutkijat antoivat mehupulloja oljilla kahdelle vankeudessa pidettävälle simpanssiryhmälle. Ensimmäinen ryhmä kastoi oljen mehulaatikkoon ja imee sitten pienen määrän mehua oljen päähän. Toinen ryhmä imee oljen läpi suoraan ja saa paljon enemmän mehua. Kun ensimmäinen ryhmä, "dippers", havaitsi toisen ryhmän, "imevät", mitä luulet tapahtuneen? Kaikki ensimmäisen ryhmän "dipperit" siirtyivät imemään suoraan olkia. Tarkkailemalla yksinkertaisesti muita simpansseja ja mallintamalla heidän käyttäytymistään, he oppivat, että tämä oli tehokkaampi tapa saada mehua (Yamamoto, Humle ja Tanaka, 2013).

Tämä hämähäkki -apina oppi juomaan vettä muovipullosta näkemällä ihmisen käyttämän käyttäytymisen. (luotto: Yhdysvaltain ilmavoimat, vanhempi lentomies Kasey Close)

Jäljitelmä on paljon ilmeisempi ihmisillä, mutta onko jäljitelmä todella vilpitön imartelun muoto? Ajattele Clairen kokemusta havainnollisesta oppimisesta. Clairen yhdeksänvuotias poika Jay joutui vaikeuksiin koulussa ja oli uhmakas kotona. Claire pelkäsi, että Jay päätyy veljiensä kaltaiseksi, joista kaksi oli vankilassa. Eräänä päivänä, toisen huonon koulupäivän ja opettajan toisen negatiivisen muistiinpanon jälkeen, Claire järjissään löi poikaansa vyöllä saadakseen hänet käyttäytymään. Myöhemmin samana iltana, kun hän laittoi lapsensa nukkumaan, Claire todisti, kuinka hänen nelivuotias tyttärensä Anna otti vyön nallekarhulleen ja piiskasi sen. Claire oli kauhuissaan ja tajusi, että Anna jäljittelee äitiään. Silloin Claire tiesi haluavansa kurittaa lapsiaan eri tavalla.

Kuten Tolman, jonka rotilla tehdyt kokeet ehdottivat kognitiivista komponenttia oppimiseen, psykologi Albert Bandura ajatteli oppimisesta eri tavalla kuin tiukat käyttäytymistieteilijät. Bandura ja muut tutkijat ehdottivat käyttäytymismallia nimeltä sosiaalinen oppimisteoria, joka otti huomioon kognitiiviset prosessit. Banduran mukaan puhdas käyttäytyminen ei voinut selittää, miksi oppiminen voi tapahtua ilman ulkoista vahvistusta. Hän koki, että sisäisillä henkisillä tiloilla on myös oltava oma roolinsa oppimisessa ja että havainnolliseen oppimiseen liittyy paljon muutakin kuin matkiminen. Jäljitelmässä henkilö yksinkertaisesti kopioi sen, mitä malli tekee. Havainnollinen oppiminen on paljon monimutkaisempaa. Lefrançoisin (2012) mukaan havainnoiva oppiminen voi tapahtua useilla tavoilla:
Opit uuden vastauksen. Kun olet nähnyt, että pomosi pureskelee työtoveriasi myöhästymisestä, lähdet kotoa 10 minuuttia aikaisemmin, jotta et myöhästy.
Voit valita, matkitaanko mallia vai ei sen mukaan, mitä olet nähnyt tapahtuvan mallille. Muistatko Julianin ja hänen isänsä? Kun hän oppii surffaamaan, Julian saattaa katsoa, ​​kuinka hänen isänsä nousee onnistuneesti surffilaudalleen ja yrittää sitten tehdä saman. Toisaalta Julian saattaa oppia olemaan koskematta kuumaan uuniin sen jälkeen, kun hän oli nähnyt isänsä polttavan liesi.

Opit yleisen säännön, jota voit soveltaa muihin tilanteisiin.

Bandura tunnisti kolmenlaisia ​​malleja: elävä, sanallinen ja symbolinen. Live -malli osoittaa käyttäytymisen henkilökohtaisesti, kuten kun Ben nousi surffilaudalleen, jotta Julian näki kuinka hän teki sen. Suullinen opetusmalli ei suorita käyttäytymistä, vaan selittää tai kuvaa käyttäytymistä, kuten silloin, kun jalkapallovalmentaja käskee nuoria pelaajia potkimaan palloa jalalla, ei varpaalla. Symbolinen malli voi olla kuvitteellisia hahmoja tai todellisia ihmisiä, jotka osoittavat käyttäytymistä kirjoissa, elokuvissa, televisio -ohjelmissa, videopeleissä tai Internet -lähteissä ([link]).

(a) Joogaopiskelijat oppivat havainnoimalla, kun heidän joogaopettajansa osoittaa oppilaidensa oikean asennon ja liikkeen (live -malli). (b) Mallien ei tarvitse olla läsnä oppimiseen: symbolisen mallinnuksen avulla tämä lapsi voi oppia käyttäytymisen katsomalla jonkun osoittavan sen televisiossa. (luotto a: Tony Cecalan työn muokkaus luotto b: Andrew Hyden tekemä työn muutos)

Linkki oppimiseen

Latenttia oppimista ja mallintamista käytetään koko ajan markkinoinnin ja mainonnan maailmassa. Tämä mainos pelasi kuukausia New Yorkin, New Jerseyn ja Connecticutin alueilla, Derek Jeter, New York Yankeesin palkittu baseball-pelaaja, mainostaa Fordia. Mainos esitettiin osassa maata, jossa Jeter on uskomattoman tunnettu urheilija. Hän on rikas, ja häntä pidetään erittäin uskollisena ja hyvännäköisenä. Minkä viestin mainostajat lähettävät ottamalla hänet esille mainoksessa? Kuinka tehokas se mielestäsi on?


Rajoitukset

Psychopy_ext julkaistiin julkisesti marraskuussa 2013, joten yhteisö ei ole vielä hyväksynyt ja testannut sitä laajasti. Siksi taustalla olevan oppimiskäyrää on vaikea ennustaa psykopaatti_xt filosofiaa ja missä määrin se vastaa yhteisön tarpeita. Esimerkiksi monet tutkijat ovat tottuneet lineaarisiin kokeellisiin ja analysoiviin skripteihin, kun taas psykopaatti_xt perustuu objektipohjaisiin ohjelmointikonsepteihin, kuten luokkiin ja modulaarisiin toimintoihin, perinnön ja joustavuuden tarjoamiseksi. Kohdekeskeinen lähestymistapa tarkoittaa kuitenkin myös sitä, että aina kun tarvittavat toiminnot eivät ole suoraan saatavilla psykopaatti_xt tai jos ne eivät vastaa käyttäjän tarpeita, ne voidaan ohittaa tai käyttää suoraan laajennetuista paketeista, usein (mutta ei aina) vaikuttamatta muuhun työnkulkuun.

Lisäksi, psykopaatti_xt on suunniteltu parantamaan tyypillisen työnkulkua PsychoPy käyttäjä. Tutkijat, jotka käyttävät muita ärsykkeiden generointipaketteja tai jopa eri ohjelmointikieliä (kuten R tietojen analysointia varten) eivät voi hyötyä psykopaatti_xt yhtä helposti. Tällainen rajoitus on osittain suunniteltu valinta tarjoamaan työnkulkuja, jotka ovat riippuvaisia ​​mahdollisimman vähän työkaluista. Pythonilla on suuri määrä tehokkaita paketteja ja psykopaatti_xt on sitoutunut edistämään niitä muiden kielten vastaavien ratkaisujen hyväksi. Siitä huolimatta, kun vaihtoehtoa ei ole, käyttäjät voivat helposti olla vuorovaikutuksessa heidän kanssaan R (kautta rpy2 25), C/C ++ (Pythonin kautta ctypes), MATLAB (pymatlab 26: n tai mlab 27: n kautta) ja useita muita skriptejä.


Johdanto

Kokeellinen psykologia pyrkii selittämään ihmisten käyttäytymistä. Tämä edellyttää kykyä selittää käyttäytymisen taustalla olevat syy -mekanismit ja ennustaa tulevaa käyttäytymistä (Kaplan, 1973 Shmueli, 2010 Yarkoni & amp; Westfall, 2016). Käytännössä kokeelliset psykologian perinteiset menetelmät ovat kuitenkin keskittyneet pääasiassa syy -selitysten testaamiseen. Vasta viime vuosina psykologian tutkimus on korostanut ennustamista (Forster, 2002 Shmueli & amp Koppius, 2011). Tässä ennustavassa käänteessä koneoppimiseen perustuvat ennustamismenetelmät ovat nopeasti kehittyneet toteuttamiskelpoisiksi keinoiksi ennustaa tulevia havaintoja mahdollisimman tarkasti eli minimoida ennustusvirhe (Breiman, 2001b Song, Mitnitski, Cox ja amp Rockwood, 2004).

Monimuuttujainen luonne ja keskittyminen ennustusvirheisiin ("sovituksen hyvyyden" sijasta) antaa näille menetelmille suuremman herkkyyden ja paremman tulevaisuuden ennustustehon kuin perinteiset menetelmät. Kokeellisessa psykologiassa niitä käytetään menestyksekkäästi ennustamaan kiinnostava muuttuja (esim. Kokeellinen tila A vs. kokeellinen ehto B) tehtävään tai toimintaan osallistuvan yksilön käyttäytymismalleista minimoimalla ennustusvirhe. Nykyiset sovellukset vaihtelevat kasvotoimintojen tunnistamisen ennustamisesta kasvojen mikroilmoituksista aikomusten luokitteluun liike-kinematiikan eroista (esim. Ansuini ym., 2015 Cavallo, Koul, Ansuini, Capozzi ja Becchio, 2016 Haynes et ai., 2007 Srinivasan, Golomb ja Martinez, 2016). Niitä on käytetty esimerkiksi dekoodaamaan tavoite tarttua esineeseen (kaataa vs. juoda) käsien liikemallien hienoisista eroista (Cavallo et al., 2016). Lisäksi koneoppimiseen perustuvia ennustavia malleja voidaan käyttää paitsi ryhmän ennustamiseen (potilaat vs. kontrollit) myös yksilölliseen ennustamiseen. Näin ollen nämä mallit soveltuvat potentiaaliseksi diagnostiikkatyökaluksi kliinisissä olosuhteissa (Anzulewicz, Sobota ja Delafield-Butt, 2016 Hahn, Nierenberg, & amp; Whitfield-Gabrieli, 2017 Huys, Maia, & amp; Frank, 2016).

Ennakoivien lähestymistapojen hyödyt ovat kuitenkin tulossa tunnetuksi, mutta koneoppimiseen perustuvista ennustamismenetelmistä puuttuu edelleen vakiintunut ja helppokäyttöinen ohjelmistokehys. Monet nykyiset toteutukset eivät sisällä lainkaan tai rajoitettuja ohjeita, jotka koostuvat pienistä koodinpätkistä tai pakettisarjoista. Lisäksi olemassa olevien pakettien käyttö vaatii usein edistynyttä ohjelmointitaitoa. Näiden puutteiden poistamiseksi tämän asiakirjan päätavoitteena oli rakentaa käyttäjäystävällinen työkalupakki, "PredPsych ”, jolla on useita toimintoja kvantitatiivisten käyttäytymistietojen monimuuttuja-analyyseihin koneoppimismallien perusteella.

Seuraavassa esittelemme puitteet PredPsych äskettäin julkaistun usean aiheen liiketallennustietoaineiston analyysin avulla (Ansuini et al., 2015). Ensinnäkin tarjoamme lyhyen kuvauksen tietojoukosta ja kuvaamme, kuinka asentaa ja suorittaa PredPsych. Seuraavaksi keskustelemme viidestä tutkimuskysymyksestä, joita voidaan käsitellä vuonna toteutetulla koneoppimiskehyksellä PredPsych. Tarjoamme opastettuja esimerkkejä siitä, miten näihin tutkimuskysymyksiin voidaan vastata PredPsych ohjeet parhaista tekniikoista (yleiskuvaus katso kuva 1) ja varovaisuuden syyt. Koska ennakoivista lähestymistavoista on keskusteltu äskettäin muualla (Breiman, 2001b Shmueli, 2010), käsittelemme niitä vain lyhyesti täällä.

Yleiskatsaus PredPsych toimintoja. Yleiskatsaus tutkimuskysymyksiin, joihin voidaan vastata PredPsych ja vastaavat tekniikat


JOHDANTO

Kognition tutkimus on kukoistanut viime vuosikymmeninä, koska on olemassa paljon neurokuvatietoja, jotka antavat pääsyn aivotoimintaan ihmisillä. Vuosien mittaan työkaluja eri aloilta, kuten koneoppimisesta ja verkkoteoriasta, on tuotu neurokuvantamissovelluksiin tietojen analysoimiseksi. Vastaavilla työkaluilla on omat vahvuutensa, kuten koneoppimisen ennustettavuus. Tämä artikkeli kokoaa yhteen viimeaikaiset tutkimukset, jotka perustuvat samaan koko aivojen dynaamiseen malliin yhtenäisessä prosessissa, joka on johdonmukainen mallin arvioinnista sen analyysiin-erityisesti malliolettamusten vaikutuksia voidaan arvioida jokaisessa vaiheessa. Näin voimme luonnollisesti yhdistää useiden alojen käsitteitä, erityisesti tietojen ennustettavuuden ja tulkittavuuden vuoksi. Korostamme, että kehys voidaan siirtää muihin dynaamisiin malleihin säilyttäen sen suunnittelun taustalla olevat käsitteet. Seuraavassa tarkastelemme ensin aikaisempaa työtä, joka koskee yhteystoimenpiteitä muodollisuuden asettamiseksi asiayhteyteen. Dynaamisen mallin (monimuuttuja Ornstein-Uhlenbeck -prosessi tai MOU) esittelyn jälkeen keskustelemme sen optimointimenettelystä fMRI/BOLD-signaalien tilastollisten toistojen (spatiotemporaaliset kovarianssit) tuottamiseksi, jolloin saadaan koko aivojen tehokas yhteysarvio (MOU-EC). Sitten tutkitaan kaksi MOU-EY-pohjaista sovellusta: koneoppiminen biomarkkereiden poimimiseksi ja verkkoanalyysi arvioitujen liitäntäpainojen tulkitsemiseksi kollektiivisesti. Samaan aikaan esitämme yksityiskohtia kehyksestämme ja tarjoamme kriittisen vertailun aiempiin tutkimuksiin, jotta voimme tuoda esiin yhtäläisyyksiä ja eroja. Havainnollistamme MOU-EC-kyvykkyyttä kognition tutkimisessa käyttämällä tietojoukkoa, jossa kohteet tallennettiin kahdessa tilanteessa, elokuvan katselussa ja mustalla näytöllä (jäljempänä lepo). Huomaamme myös, että samoja työkaluja voidaan käyttää neuropatologioiden aiheuttamien kognitiivisten muutosten tutkimiseen.


HBayesDM: ssä TOTEUTETUT TEHTÄVÄT JA TIETOMALLIT

Taulukossa 1 on luettelo tehtävistä ja laskentamalleista, jotka on tällä hetkellä toteutettu hBayesDM -paketissa (versiosta 0.3.0 alkaen). Huomaa, että joillakin tehtävillä on useita laskentamalleja ja että käyttäjät voivat verrata mallin suorituskykyä hBayesDM-kehyksen puitteissa (katso hBayesDM-paketin vaiheittaiset oppaat). Jotta malleja voidaan sovittaa tehtävään, käyttäjän on ensin valmisteltava kokeiluversiotiedot tekstitiedostona (*.txt), jossa jokainen rivi (havainto) sisältää tehtävään vaadittavat sarakkeet (katso taulukko 1). Käyttäjät voivat myös käyttää kunkin tehtävän mallitietojoukkoa mallina.

Alla kuvataan jokainen tehtävä ja sen laskentamalli (t), tarkastellaan lyhyesti sen sovelluksia terveille ja kliinisille populaatioille ja kuvataan malliparametrit. Lyhyyden vuoksi kerromme lukijoista alkuperäisistä artikkeleista, joissa on kaikki yksityiskohdat kokeellisesta suunnittelusta ja laskentamalleista, ja paketin ohjetiedostoissa, esimerkiksi koodeissa, joissa kerrotaan, kuinka parametrit arvioidaan ja poimitaan kustakin mallista. Paketin ohjetiedostot löytyvät antamalla seuraava komento R -konsolissa:

Yllä oleva komento avaa pääsivun, josta voidaan navigoida vastaavaan tehtävään/malliin. Käyttäjät voivat myös etsiä suoraan kunkin tehtävän/mallin ohjetiedoston soittamalla sen ohjetiedostoon, joka seuraa muotoa? Function_name (esim.? Dd_cs, katso taulukko 1 näiden toimintojen luettelosta). Jokainen ohjetiedosto sisältää työkoodit konkreettisen reaaliaikaisen esimerkin suorittamiseksi alusta loppuun.

Viivästysalennustehtävä

Viivealennustehtävä (DDT Rachlin, Raineri ja amp Cross, 1991) on suunniteltu arvioimaan, kuinka paljon yksittäinen alentaa ajoittain viivästyttäneitä suurempia tuloksia verrattuna pienempiin-aikaisempiin. Jokaisessa DDT -kokeilussa esitetään kaksi vaihtoehtoa: nopeampi ja pienempi palkinto (esim. 5 dollaria nyt) ja myöhempi ja suurempi palkinto (esim. 20 dollaria ensi viikolla). Koehenkilöitä pyydetään valitsemaan kustakin kokeesta haluamansa vaihtoehto.

DDT: tä on tutkittu laajalti terveillä populaatioilla (esim. Green & amp; Myerson, 2004 Kable & amp; Glimcher, 2007), ja viivästynyt diskonttaus on yhdistetty kognitiivisiin kykyihin, kuten älykkyyteen (Shamosh et ai., 2008) ja työmuistiin (Hinson, Jameson , & amp; Whitney, 2003). Jyrkempi viivealennus on vahva käyttäytymismerkki riippuvuutta aiheuttavalle käytökselle (Ahn, Ramesh, Moeller, & amp; Vassileva, 2016 Ahn & amp; Vassileva, 2016 Bickel, 2015 Green & amp; Myerson, 2004 MacKillop, 2013), ja siihen on liittynyt myös muita psykiatrisia tiloja, kuten skitsofrenia (Ahn, Rass, et ai., 2011 Heerey, Matveeva, & amp Gold, 2011 Heerey, Robinson, McMahon, & amp Gold, 2007) ja kaksisuuntainen mielialahäiriö (Ahn, Rass et ai., 2011). HBayesDM -paketti sisältää tällä hetkellä kolme eri mallia DDT: lle:

dd_cs (vakioherkkyysmalli Ebert & amp; Prelec, 2007)

Eksponentiaalinen diskonttokorko (0 & ltr & lt 1)

Käänteinen lämpötila (0 & lt β& lt 5)

dd_exp (eksponentiaalinen malli Samuelson, 1937)

Eksponentiaalinen diskonttokorko (0 & lt r & lt 1)

Käänteinen lämpötila (0 & lt β & lt 5)

dd_hyperbolic (hyperbolinen malli Mazur, 1987)

Käänteinen lämpötila (0 & lt β & lt 5)

DDT: Parametrien kuvaukset

Eksponentiaalisissa ja hyperbolisissa malleissa tulevien (eli viivästyneiden) palkkioiden ajallinen diskonttaus kuvataan yhdellä parametrilla, diskonttokorolla (0 & lt r & lt 1), joka osoittaa, kuinka paljon tulevia palkintoja diskontataan. Korkea ja matala diskonttokorko heijastavat tulevien palkkioiden suurempaa ja pienempää diskonttausta. Eksponentiaalisissa ja hyperbolisissa malleissa viivästyneen palkkion arvo diskontataan eksponentiaalisessa ja hyperbolisessa muodossa. Jatkuvan herkkyyden (CS) mallissa on lisäparametri, nimeltään aikaherkkyys (0 & lt s & lt 10). Kun s on yhtä kuin 1, CS -malli pienenee eksponentiaaliseksi malliksi. Arvot s Lähes 0 johtaa yksinkertaiseen "nyky -tulevaisuuden kaksijakoisuuteen", jossa kaikki tulevat palkinnot diskontataan jyrkästi tiettyyn subjektiiviseen arvoon viiveistä riippumatta. Arvot s suurempi kuin 1 johtaa "laajennettu-nykyinen" heuristiikkaan, jossa palkinnot laajennetun nykyhetken aikana arvostetaan lähes tasavertaisesti ja tulevat palkkiot laajennetun nykyhetken ulkopuolella ovat nolla-arvoisia.

Kaikki mallit käyttävät softmax-valintasääntöä, jossa on käänteinen lämpötilaparametri (Kaelbling, Littman, & amp; Moore, 1996 Luce, 1959), joka kuvastaa sitä, kuinka deterministisesti yksilön valinnat tehdään vaihtoehtoisten valintojen vahvuuden (subjektiivisen arvon) suhteen. Korkea ja matala käänteinen lämpötila edustavat enemmän deterministisiä ja satunnaisempia valintoja.

Iowan uhkapelitehtävä

Iowan uhkapelitehtävä (IGT Bechara, Damasio, Damasio, & amp; Anderson, 1994) on alun perin kehitetty arvioimaan potilaiden päätöksentekovajeita, joilla on ventromediaalinen prefrontaalinen aivokuoren vaurio. Jokaisessa kokeessa koehenkilöille esitetään neljä korttipakkaa. Kaksi kantta on edullinen (hyvä) ja kaksi muuta kannetta haitallista (huono) pitkän aikavälin voittojen kannalta. Koehenkilöitä kehotetaan valitsemaan dekit, jotka maksimoivat pitkän aikavälin hyödyt, jotka heidän odotetaan oppivan kokeilemalla. Tilastollisesta näkökulmasta IGT on nelivartinen rosvoongelma.

IGT: tä on käytetty laajasti päätöksenteon tutkimiseen useissa psykiatrisissa väestöryhmissä (Ahn et al., 2014 Bechara & amp Martin, 2004 Bechara et al., 2001 Bolla et al., 2003 Grant, Contoreggi & London, 2000 Vassileva, Gonzalez , Bechara ja Martin, 2007). HBayesDM -paketti sisältää tällä hetkellä kolme erilaista mallia IGT: lle:

igt_pvl_decay (Ahn ym., 2014 Ahn, Krawitz, Kim, Busemeyer ja amp Brown, 2011)

igt_pvl_delta (Ahn, Busemeyer, Wagenmakers, & amp Stout, 2008)

igt_vpp (Worthy, Pang ja amp Byrne, 2013)

Pysyvyyden vaikutus (⁠ - ∞ & lt ϵ p & lt ∞ ⁠)

Vaikutus sitkeyden menetykseen (⁠ - ∞ & lt ϵ n & lt ∞ ⁠)

Sinnikkyyden hajoamisnopeus (0 & lt k & lt 1)

Vahvistusopetuspaino (0 & lt ω & lt 1)

IGT: Parametrien kuvaukset

Prospect Valence Learning (PVL) -malli, jossa on delta-sääntö (PVL-delta), käyttää Rescorla – Wagner -päivitysyhtälöä (Rescorla & amp Wagner, 1972) päivittääkseen valitun kannen odotetun arvon jokaisessa kokeessa. Odotettu arvo päivitetään oppimisnopeusparametrilla (0 & lt A & lt 1) ja ennustevirhetermi, missä A lähes 1 paikkaa enemmän painoarvoa viimeaikaisiin tuloksiin, ja A Lähes 0 paikkaa enemmän painoarvoa aikaisempiin tuloksiin, ennustusvirhe on ero ennustettujen ja kokeneiden tulosten välillä. Muoto (0 & lt α & lt 2) ja tappioiden karttaminen (0 & lt λ & lt 1) parametrit ohjaavat hyötyfunktion muotoa (teho) ja häviöiden vaikutusta suhteessa voittoihin. Arvot α suurempi kuin 1 osoittaa, että tuloksen hyödyllisyys on kupera, ja pienemmät kuin 1 osoittavat, että apuohjelma on kovera. Arvot λ suurempi tai pienempi kuin 1 osoittaa suurempaa tai pienempää herkkyyttä tappioille suhteessa voittoihin. Johdonmukaisuusparametri (0 & lt c & lt 1) on käänteislämpötilaparametri (katso lisätietoja viivästymisalennustehtävästä).

PVL-malli, jossa on rappeutumissääntö (PVL-decay), käyttää samaa muotoa, häviämisen välttämistä ja sakeuden parametreja kuin PVL-delta, mutta uusintaparametri (0 & lt A & lt 1) käytetään arvon päivittämiseen. Viimeaikaisuusparametri osoittaa, kuinka paljon kaikkien kansien odotetut arvot on diskontattu kussakin kokeilussa.

PVL-delta-malli on sijoitettu Value-Plus-Perseverance (VPP) -malliin, joka on PVL-delta-hybridimalli ja heuristinen sitkeysstrategia. Sitkeyden hajoamisnopeus (0 & lt k & lt 1) heikentää kaikkien valintojen sinnikkyysvahvuuksia kussakin kokeessa, samalla tavalla kuin PVL-hajoamisen uusintaparametri vaikuttaa odotettuun arvoon. Parametrit voiton (⁠ - ∞ & lt ϵ p & lt ∞ ⁠) ja tappion (⁠ - ∞ & lt ϵ n & lt ∞ ⁠) vaikutuksista sitkeyteen heijastavat sitä, kuinka sinnikkyysarvo muuttuu voittojen ja tappioiden jälkeen, vastaavasti positiiviset arvot heijastavat suuntausta tehdä sama valinta ja negatiiviset arvot taipumus vaihtaa valintoja. Vahvistusopetuspaino (0 & lt ω & lt 1) on sekoitusparametri, joka ohjaa sitä, kuinka paljon päätöspainoa vahvistamisopetukselle annetaan sinnikkyysjakson suhteen. Korkeat ja matalat arvot heijastavat enemmän ja vähemmän riippuvuutta vahvistavan oppimisen termistä.

Ortogonalisoitu Go/No-Go-tehtävä

Eläimet käyttävät Pavlovian ja instrumentaaliohjaimia toimenpiteisiin ryhtyessään. Pavlovian ohjain valitsee lähestyvät/houkuttelevat toimet, jotka ennustavat ruokahalua, tai välttävät/estävät toimet, joilla on vastenmielisiä tuloksia. Instrumentaalinen ohjain puolestaan ​​valitsee toimet ympäristön toiminnan ja lopputuloksen mukaan. Nämä kaksi ohjainta tekevät yleensä yhteistyötä, mutta joskus ne kilpailevat keskenään (esim. Dayan, Niv, Seymour ja amp Daw, 2006). Ortogonalisoitu go/no-go (GNG) -tehtävä (Guitart-Masip et al., 2012) on suunniteltu tutkimaan kahden ohjaimen välistä vuorovaikutusta ortogonalisoimalla toimintavaatimus (go vs. no go) verrattuna lopputuloksen valenssiin ( voitto vs. rahan menettämisen välttäminen).

Jokaisessa ortogonaalisen GNG -tehtävän kokeessa on kolme tapahtumaa seuraavassa järjestyksessä: vihjeesitys, kohteen havaitseminen ja lopputulos. Ensin esitetään yksi neljästä vihjeestä ("Mene voittaaksesi", "Mene välttämään (häviäminen)", "Ei voittaa" tai "NoGo välttää"). Jonkin viiveen jälkeen kohde (”ympyrä”) esitetään näytöllä, ja kohteiden on vastattava joko a mennä (paina painiketta) tai ei mene (pidä painiketta painettuna). Sitten koehenkilöt saavat todennäköisyyden (esim. 80%) tuloksen. Katso Guitart-Masip et ai. (2012) saadakseen lisätietoja kokeellisesta suunnittelusta.

gng_m1 (M1 Guitart-Masip et al., 2012)

Vahvikkeen tehokas koko (⁠ 0 & lt ρ & lt ∞ ⁠)

gng_m2 (M2 Guitart-Masip et al., 2012)

Vahvikkeen tehokas koko (⁠ 0 & lt ρ & lt ∞ ⁠)

gng_m3 (M3 Guitart-Masip et al., 2012)

Vahvikkeen tehokas koko (⁠ 0 & lt ρ & lt ∞ ⁠)

gng_m4 (M5 julkaisussa Cavanagh et al., 2013)

Palkinnon vahvistamisen tehokas koko (⁠ 0 & lt ρ r e w & lt ∞ ⁠)

Rangaistuksen vahvistamisen tehokas koko (⁠ 0 & lt ρ p u n & lt ∞ ⁠)

GNG: Parametrien kuvaukset

Kaikki GNG -tehtävän mallit sisältävät vanhenemisnopeusparametrin (0 & lt ξ & lt 1), oppimisnopeusparametri (0 & lt ϵ & lt 1 viittaa IGT: parametrien kuvauksiin saadaksesi lisätietoja) ja parametrin raudoituksen todelliselle koolle (⁠ 0 & lt ρ & lt ∞ ⁠). Keskeytymisnopeusparametri tallentaa satunnaisten valintojen osuuden niiden toimintatodennäköisyyksien vahvuudesta riippumatta. The ρ parametri määrittää raudoituksen todellisen koon. Gng_m4 -mallissa on erilliset efektiiviset kokoparametrit palkitsemista (⁠ 0 & lt ρ r e w & lt ∞ ⁠) ja rangaistusta (⁠ 0 & lt ρ p u n & lt ∞ ⁠) varten, joten palkinnot ja rangaistukset voidaan arvioida eri tavalla.

Kolme GNG -mallia (gng_m2, gng_m3 ja gng_m4) sisältää go -bias -parametrin (⁠ - ∞ & lt b & lt ∞ ⁠). Go -puolueellisuus heijastaa taipumusta vastata (mennä) riippumatta toiminnon ja lopputuloksen yhdistyksistä, jotka ovat korkeita tai alhaisia b heijastavat voimakasta tai matalaa taipumusta toimia (moottori) vastaavasti.

Kaksi GNG -mallia (gng_m3 ja gng_m4) sisältävät Pavlovian bias -parametrin (⁠ - ∞ & lt π & lt ∞ ⁠). Pavlovian puolueellisuus heijastaa taipumusta antaa vastauksia, jotka ovat pavlovilaisia ​​yhdenmukaisia: toisin sanoen edistää tai estää mennäjos ärsykkeen odotettu arvo on positiivinen (ruokahaluinen) tai negatiivinen (vastenmielinen).

Todennäköinen käänteinen oppimistehtävä

Ympäristöissä on usein korkeamman tason rakenteita, kuten ärsykkeiden, toimien ja tulosten keskinäinen riippuvuus. Tällaisissa ympäristöissä tutkittavien on päätettävä ja käytettävä rakenteita optimaalisten päätösten tekemiseksi. Todennäköisyysperusteisessa käänteisoppimisessa (PRL) on olemassa korkeamman asteen rakenne siten, että kahden ärsykkeen palkitsemisjakaumat ovat korreloimattomia (esim. Jos yhden vaihtoehdon palkitsemisaste on 80%, toisen vaihtoehdon palkintoprosentti on [100 - 80] prosenttia, mikä on 20 prosenttia). Koehenkilöiden on opittava ylemmän tason rakenne ja otettava se huomioon päätöksenteon optimoimiseksi ja tulojen maksimoimiseksi.

Tyypillisessä PRL -tehtävässä potilaalle esitetään kaksi ärsykettä. "Oikean" tai hyvän ärsykkeen valinta johtaa yleensä rahalliseen voittoon (esim. 70%), kun taas "väärän" tai huonon ärsykkeen valinta johtaa yleensä rahatappioon. Palkitsemisvaroja ei muuteta kiinteissä pisteissä (esim. Murphy, Michael, Robbins, & amp; Sahakian, 2003) tai ne käynnistyvät peräkkäisillä oikeilla valinnoilla (Cools, Clark, Owen, & amp; Robbins, 2002 Hampton et al., 2006).

PRL -tehtävää on käytetty laajasti käänteisen oppimisen tutkimiseen terveillä yksilöillä (Cools et al., 2002 den Ouden et al., 2013 Gläscher et al., 2009). PRL: ää on käytetty myös tutkimaan päätöksenteon puutteita, jotka liittyvät prefrontaalisiin aivokuoren vaurioihin (esim. Fellows & amp; Farah, 2003 Rolls, Hornak, Wade ja McGrath, 1994) sekä Parkinsonin tautiin (esim. Cools, Lewis, Clark) , Barker, & amp; Robbins, 2007 Swainson et ai., 2000), skitsofrenia (esim. Waltz & amp. Gold, 2007) ja kokaiiniriippuvuus (Ersche, Roiser, Robbins ja amp. HBayesDM -paketti sisältää tällä hetkellä kolme mallia PRL -tehtäviin:

Käänteinen lämpötila (0 & lt β & lt 1)

prl_fictitious (Gläscher et al., 2009)

Käänteinen lämpötila (0 & lt β & lt 1)

Käänteinen lämpötila (0 & lt β & lt 1)

PRL: Parametrien kuvaukset

Kaikki yllä olevat PRL -mallit sisältävät oppimisnopeusparametreja (katso lisätietoja kohdasta IGT: Parametrien kuvaukset). Prl_rp -mallissa on erilliset oppimisprosentit palkinnoille (0 & lt Arew & lt 1) ja rangaistukset (0 & lt Apunamusiikki & lt 1). Prl_ewa -mallissa (Camerer & amp; Ho, 1999) alhaiset ja korkeat arvot φ heijastavat enemmän painoarvoa viimeaikaisiin ja menneisiin tuloksiin. Kaikki PRL-mallit sisältävät myös käänteisen lämpötilan parametrin (katso lisätietoja kohdasta DDT: Parametrien kuvaukset).

Julkaisussa den Ouden et ai. Ehdotettu prl_ewa -malli. (2013) sisältää hajoamisnopeusparametrin (0 & lt ρ & lt). Valitun vaihtoehdon kokenut paino vähenee suhteessa ρ, ja 1 lisätään painoon jokaisessa kokeessa. Näin ollen suurempi arvo ρ osoittaa kokeneen painon hitaampaa hajoamista tai päivittämistä.

Prl_fictitious -malli sisältää päättämättömyyspisteparametrin (0 & lt α & lt 1). Tämä kohta kuvastaa aiheen harhaa tai vaihtoehtoja. Korkea tai matala arvo α osoittavat suuremman tai pienemmän suosion yhdestä vaihtoehdosta toiseen.

Riskien välttämisen tehtävä

Riskien välttäminen (RA Sokol-Hessner, Camerer, & amp Phelps, 2013 Sokol-Hessner et al., 2009) on kuvaukseen perustuva tehtävä (Hertwig, Barron, Weber ja amp Erev, 2004), jossa kaikkien mahdolliset tulokset vaihtoehdot ja niiden todennäköisyydet annetaan tutkittaville jokaisessa kokeessa. RA -tehtävässä koehenkilöt valitsevat joko varman vaihtoehdon, jolla on taattu määrä, tai riskialtisen vaihtoehdon (eli uhkapelin), jolla on mahdollisia voittoja ja/tai tappioita. Koehenkilöitä pyydetään valitsemaan kussakin kokeessa haluamansa vaihtoehto (tai haluavatko he hyväksyä uhkapelin). RA -tehtävässä aiheet muodostavat kaksi kognitiivista säätelyä (osallistua ja säännellä) olosuhteet aiheen sisäisessä suunnittelussa: osallistumisolosuhteissa oppilaita pyydetään keskittymään jokaiseen valintaan erikseen, kun taas sääntelytilassa tutkittavia pyydetään korostamaan valintoja laajemmassa kontekstissaan (katso Sokol-Hessner et ai., 2009, lisätietoja). Sokol-Hessner et ai. (2009) löytyy seuraavilla poluilla (nämä polut ovat saatavana myös RA -mallin ohjetiedostoista):

path_to_attend_data = system.file("extdata/ra_data_attend.txt", package = "hBayesDM")

path_to_regulate_data = system.file("extdata/ra_data_reappraisal. txt", paketti = "hBayesDM").

ra_prospect (Sokol-Hessner et ai., 2009)

Käänteinen lämpötila (⁠ 0 & lt τ & lt ∞ ⁠)

ra_noLA (ei tappionkiertoa [LA] -parametri vain voittoja sisältäville tehtäville)

Käänteinen lämpötila (⁠ 0 & lt τ & lt ∞ ⁠)

ra_noRA (ei riskien karttamista [RA] -parametria, katso esim. Tom ym., 2007)

Käänteinen lämpötila (⁠ 0 & lt τ & lt ∞ ⁠)

RA: Parametrien kuvaukset

Ra_prospect -malli sisältää häviön välttämisparametrin (0 & lt λ & lt 5), riskien karttamisparametri (0 & lt ρ & lt 2) ja käänteisen lämpötilan parametri (⁠ 0 & lt τ & lt ∞ ⁠).Katso DDT: Käänteisen lämpötilan parametrien kuvaukset. RA -mallien riskien karttamis- ja menettämisparametrit ovat samanlaisia ​​kuin IGT -malleissa. RA -malleissa ne kuitenkin ohjaavat tarkasteltavien mahdollisten valintojen arviointia, toisin kuin tulosten arviointia niiden kokemisen jälkeen (Rangel et al., 2008).

Ra_noLA- ja ra_noRA -mallit on sisällytetty ra_prospect -malliin, ja joko tappioiden karttaminen (ra_noLA) tai riskien karttaminen (ra_noRA) on asetettu arvoon 1.

Kaksivaiheinen rosvoitehtävä

Moniaseiset bandiittitehtävät tai -ongelmat viittaavat tyypillisesti tilanteisiin, joissa pelaajat päättävät, mitä uhkapeliä tai hedelmäpeliä pelataan maksimoidakseen pitkän aikavälin voiton. Monet vahvistus-oppimistehtävät ja kokemukseen perustuvat (Hertwig et al., 2004) tehtävät voidaan luokitella rosvo-ongelmiksi. Tyypillisessä kaksivaiheisessa ryöstötehtävässä koehenkilöille esitetään kaksi vaihtoehtoa (ärsykettä) jokaisessa kokeessa. Palaute annetaan ärsykkeen valitsemisen jälkeen. Koehenkilöitä pyydetään maksimoimaan positiivinen palaute, kun he tekevät valintoja, ja heidän odotetaan oppivan ärsykkeen ja lopputuloksen satunnaisia ​​tilanteita kokeilukohtaisesti. HBayesDM-paketti sisältää tällä hetkellä yksinkertaisen mallin kaksivaiheiselle rosvo-tehtävälle:

bandit2arm_delta (Hertwig ym., 2004)

Käänteinen lämpötila (0 & lt τ & lt 1)

Kaksikätinen rosvo: Parametrien kuvaukset

Bandit2arm_delta -malli käyttää Rescorla – Wagner -sääntöä (katso IGT: Parametrien kuvaukset) valitun vaihtoehdon odotetun arvon päivittämiseen yhdessä softmax -valintasäännön kanssa, jossa on käänteinen lämpötila (katso DDT: Parametrien kuvaukset).

Ultimaattipeli (normikoulutus)

Kyky ymmärtää ympäristön sosiaalisia normeja ja selviytyä mukautuvista normeista on kriittinen normaalin sosiaalisen toiminnan kannalta (Gu et al., 2015 Montague & amp Lohrenz, 2007). Ultimatum-peli (UG) on laajalti käytetty sosiaalinen päätöksenteko, joka tutkii, miten yksilöt reagoivat poikkeamiin sosiaalisista normeista ja sopeutuvat normeihin muuttuvassa ympäristössä.

UG: ssä on kaksi pelaajaa: ehdottaja ja vastaaja. Jokaisessa kokeessa ehdotuksen tekijälle annetaan jonkin verran rahaa jaettavaksi kahden pelaajan kesken. Kun olet päättänyt rahan jakamisesta, vastaajalle tehdään tarjous. Vastaaja voi joko hyväksyä tarjouksen (ja rahat jaetaan tarjottuina) tai hylätä ne (molemmat pelaajat eivät saa mitään). Aiemmat tutkimukset ovat osoittaneet, että yleisin tarjous on noin 50% kokonaismäärästä ja että "epäreilut" tarjoukset (& lt∼20% kokonaismäärästä) hylätään usein, vaikka on optimaalista hyväksyä kaikki tarjoukset (Güth, Schmittberger, & amp; Schwarze, 1982 Sanfey, 2003 Thaler, 1988). Äskettäin tehdyssä tutkimuksessa tarkasteltiin normin säätämisen laskennallisia substraatteja käyttämällä normikoulutuksen UG: tä, jossa koehenkilöt näyttivät reagoivan normia muuttavassa ympäristössä (Xiang et al., 2013).

UG: tä on käytetty tutkimaan sellaisten henkilöiden sosiaalista päätöksentekoa, joilla on ventromediaalinen prefrontaalinen (Gu et al., 2015 Koenigs et al., 2007) ja eristetty aivokuori (Gu et al., 2015), sekä potilaita, joilla on skitsofrenia (Agay, Kron, Carmel, Mendlovic, & amp; Levkovitz, 2008 Csukly, Polgár, Tombor, Réthelyi ja amp Kéri, 2011). HBayesDM-paketti sisältää tällä hetkellä kaksi mallia UG: lle (tai normikoulutus UG: lle), jossa tutkittavilla on vaste:

Käänteinen lämpötila (0 & lt τ & lt 10)

Käänteinen lämpötila (0 & lt τ & lt 10)

Normaali sopeutumisnopeus (0 & lt ϵ & lt 1)

UG: Parametrien kuvaukset

Ug_bayes -malli olettaa, että kohde (vastaaja) käyttäytyy kuten Bayesin ihanteellinen tarkkailija (Knill & amp Pouget, 2004), jotta ehdotuksen tekijän odotettu tarjous päivitetään Bayes -tyyliin. Tämä on toisin kuin ug_delta -malli, jossa oletetaan, että kohde (jälleen vastaaja) päivittää odotetun tarjouksen Rescorla - Wagner (delta) -päivityssääntöä käyttäen. Sekä ug_bayes- että ug_delta -mallit sisältävät kateutta (0 & lt α & lt 20) ja käänteinen lämpötila (0 & lt τ & lt 10 viittaavat yksityiskohtiin DDT: Parametrikuvaukset). Envy -parametri kuvastaa herkkyyttä normin ennustusvirheelle (ks. Alla ug_bayes -malli), jossa korkeammat tai pienemmät arvot osoittavat suuremman tai pienemmän herkkyyden. UG: ssä ennustusvirhe kuvastaa odotettujen ja vastaanotettujen tarjousten eroa.

Ug_bayes -mallissa tarjouksen hyödyllisyyttä säädetään kahdella normin ennustusvirheellä: (1) negatiiviset ennustusvirheet kerrottuna kateusparametrilla (0 & lt α & lt 20) ja (2) positiiviset ennustusvirheet kerrottuna syyllisyysparametrilla (0 & lt β & lt 10). Korkeammat ja pienemmät kateuden arvot (α) ja syyllisyys (β) heijastavat suurempaa ja pienempää herkkyyttä negatiivisille ja positiivisille normien ennustusvirheille. Ug_delta -malli sisältää vain kateusparametrin (Gu et al., 2015).


Rajoitukset

Psychopy_ext julkaistiin julkisesti marraskuussa 2013, joten yhteisö ei ole vielä hyväksynyt ja testannut sitä laajasti. Siksi taustalla olevan oppimiskäyrää on vaikea ennustaa psykopaatti_xt filosofiaa ja missä määrin se vastaa yhteisön tarpeita. Esimerkiksi monet tutkijat ovat tottuneet lineaarisiin kokeellisiin ja analysoiviin skripteihin, kun taas psykopaatti_xt perustuu objektipohjaisiin ohjelmointikonsepteihin, kuten luokkiin ja modulaarisiin toimintoihin, perinnön ja joustavuuden tarjoamiseksi. Kohdekeskeinen lähestymistapa tarkoittaa kuitenkin myös sitä, että aina kun tarvittavat toiminnot eivät ole suoraan saatavilla psykopaatti_xt tai jos ne eivät vastaa käyttäjän tarpeita, ne voidaan ohittaa tai käyttää suoraan laajennetuista paketeista, usein (mutta ei aina) vaikuttamatta muuhun työnkulkuun.

Lisäksi, psykopaatti_xt on suunniteltu parantamaan tyypillisen työnkulkua PsychoPy käyttäjä. Tutkijat, jotka käyttävät muita ärsykkeiden generointipaketteja tai jopa eri ohjelmointikieliä (kuten R tietojen analysointia varten) eivät voi hyötyä psykopaatti_xt yhtä helposti. Tällainen rajoitus on osittain suunniteltu valinta tarjoamaan työnkulkuja, jotka ovat riippuvaisia ​​mahdollisimman vähän työkaluista. Pythonilla on suuri määrä tehokkaita paketteja ja psykopaatti_xt on sitoutunut edistämään niitä muiden kielten vastaavien ratkaisujen hyväksi. Siitä huolimatta, kun vaihtoehtoa ei ole, käyttäjät voivat helposti olla vuorovaikutuksessa heidän kanssaan R (kautta rpy2 25), C/C ++ (Pythonin kautta ctypes), MATLAB (pymatlab 26: n tai mlab 27: n kautta) ja useita muita skriptejä.


FMRI terveessä ikääntymisessä

Käyttäytymisnäkökulmasta tiedetään, että jotkut aikuiset kykenevät pitämään kognitiiviset kykynsä korkealla tasolla, toisin kuin toiset henkilöt, joilla on selviä kognitiivisia heikkenemisiä iän myötä. On oletettu, että tämä vaihtelu riippuu neurofunktionaalisista resursseista. Kuitenkin tarkat mekanismit, jotka johtavat tällaisiin suuriin eroihin, ovat edelleen epäselviä (Park ja Reuter-Lorenz, 2009).

Tehtävä-fMRI: n käyttö ikääntymisessä on paljastanut aivotoiminnan muutosten monimutkaisen mallin, jolle on ominaista sekä vähentyminen että lisääntyminen vanhoilla henkilöillä verrattuna nuoriin (Grady, 2012). Joissakin tapauksissa havaintojen monimuotoisuus riippuu monista muuttujista, kuten käytetyistä kognitiivisista testeistä ja niiden vaikeustasosta (Grady et al., 2006). Siitä huolimatta vallitsee suhteellinen yksimielisyys siitä, että aivotoiminta lisääntyy ikään liittyen (PFC Turner ja Spreng, 2012), kun taas havainnot, jotka koskevat vähentynyttä aktivaatiota, sijaitsevat aivoissa heterogeenisemmin.

Tässä osassa tarkastelemme joitain näistä pääteorioista, jotka ovat ilmestyneet yritettäessä selittää aivojen muutosten kehitystä ja niiden suhdetta kognitioon. On tärkeää huomata, että kun aiemmilla tai “ -klassisimmilla ” -näkemyksillä pyrittiin antamaan mielekkäitä tulkintoja useista yksittäisistä ilmiöistä, kuten alueellisen aivotoiminnan lisääntymisestä tai vähenemisestä vanhoissa verrattuna nuoriin henkilöihin, uudempien teorioiden tavoitteena on tarjota globaali, integroiva tulkinta aivojen muutoksista.

Klassiset teoriat, jotka on johdettu Task-fMRI-tutkimuksista

Yleensä alueellista hyperaktiivisuutta on tulkittu korvaukseksi (tai yritykseksi kompensoida), kun taas aktivoinnin epäonnistuminen tai aktivoinnin vähentäminen on tyypillisesti liittynyt ikääntymiseen liittyviin kognitiivisiin puutteisiin. Näiden ikään liittyvien aktiviteettimuutosten luonteen selittämiseksi ehdotettiin kahta päähypoteesia: erilaistuminen hypoteesi ja korvausta hypoteesi.

Toisaalta termi dedifferentiaatio kuvataan toiminnallisen spesifisyyden menettämiseksi aivoalueilla, jotka ovat mukana tehtävän suorittamisen aikana (Park et ai., 2004 Rajah ja D 𠆞posposito, 2005). Neurobiologisessa mielessä on ehdotettu, että tämä muutosmalli johtuu prosessiketjusta, joka alkaa dopaminergisen neuromodulaation heikkenemisestä, joka lisää hermomelua, mikä johtaa vähemmän erottuvaan aivokuoren esitykseen (Li et al., 2001) .

Toisaalta ikääntymisen korvaushypoteesi sanoo, että vanhemmat aikuiset kykenevät rekrytoimaan korkeampaa aktiivisuutta kuin nuoret koehenkilöt joillakin aivoalueilla kompensoimaan muualla aivoissa olevia toimintahäiriöitä. Tämä lisääntynyt aktiivisuus näkyy usein etualueilla (Park ja Reuter-Lorenz, 2009 Turner ja Spreng, 2012). Ensimmäiset tutkimukset, jotka viittasivat kompensoiviin mekanismeihin, ilmestyivät kirjallisuuden alkuvaiheessa ja käyttivät PET: tä visuaalisen (Grady et ai., 1994) tai episodisen muistin (Cabeza et ai., 1997 Madden et al., 1999) tehtävien suorittamisen aikana. Myöhemmin nämä löydökset toistettiin fMRI: llä (Cabeza et ai., 2002).

Lisäksi korvaukseen liittyvien mekanismien erilaiset alueelliset lokalisointimallit johtivat kolmeen tärkeimpään kognitiiviseen malliin:

(1) Puolipallon epäsymmetrian väheneminen vanhoilla aikuisilla (HAROLD) -mallin (Cabeza, 2002) mukaan vanhemmat aikuiset käyttävät tehtävän suorittamisen aikana vähemmän lateralisoitua toimintamallia kuin nuoret koehenkilöt, mikä on kompensoivaa. Tämä vähentynyt lateralisaatio havaittiin pääasiassa etualueilla, episodisen muistin ja työmuistitehtävien suorittamisen aikana (Cabeza et ai., 2002 Cabeza, 2004).

(2) Neuraalipiirien hypoteesin korvaamiseen liittyvä hyödyntäminen (CRUNCH Reuter-Lorenz ja Cappell, 2008 Schneider-Garces et al., 2010) puolustaa sitä, että vanhemmilla aikuisilla hermoston lisääntyminen tapahtuu kognitiivisilla tasoilla, jotka tyypillisesti merkitsevät aivotoiminnan heikkenemistä nuoremmilla koehenkilöillä. Tämä vaikutus on havaittu PFC: ssä ja myös parietaalisessa aivokuoressa, erityisesti preuneusissa ja posteriorisessa cingulaatiossa sekä episodisissa muistitehtävissä (Spaniol ja Grady, 2012) että työmuistitehtävissä (Mattay et ai., 2006 Reuter-Lorenz ja Cappell, 2008).

(3) Posterior-Anterior-muutos ikääntymisen kanssa (PASA) todistivat kokeellisesti Davis et ai., Joka käytti kahta eri tehtävää, visoperceptiivistä ja episodista hakua, ja havaitsi, että vanhemmilla koehenkilöillä oli vajauksia aktivoida alueita posteriorisen keskilinjan kuoreen, johon liittyi lisääntynyt aktiivisuus mediaalisessa otsakuorissa (Davis et ai. , 2008).

Globaalit, integroivat teoriat kognitiivisesta toiminnasta ja ikääntymisestä

FMRI-aktiivisuuden tarjoamien ainutlaatuisten tietojen ja edellä kuvatun luokituksen perusteella, jossa mallit esitetään yksinomaisina niiden välillä, näyttää vaikealta erottaa, mikä ehdotetusta mallista selittää paremmin ikään liittyviä muutoksia kognitiossa.

Viime aikoina multimodaaliset tutkimukset, jotka yhdistävät rakenteelliset ja toiminnalliset aivotoimenpiteet, ovat antaneet merkittävän panoksen näiden mallien tulkintaan. Esimerkiksi joissakin tapauksissa on raportoitu, että tehtävään liittyvillä alueilla vähentynyt aktiivisuus korreloi positiivisesti aivojen atrofian kanssa samoilla aivojen alueilla (Brassen et ai., 2009 Rajah et al., 2011), kun taas muut tutkimukset ovat raportoineet korrelaatioista PFC: n lisääntyneen toiminnallisen aktiivisuuden ja entorinaalisen kuoren ja muiden mediaalisten ajallisten lohkojen (MTL) rakenteiden säilyneen rakenteellisen eheyden välillä (Rosen et ai., 2005 Braskie et al., 2009). Tämän vuoksi jotkut kirjoittajat ovat teorioineet, että vaikka lisääntynyt aktiivisuus PFC: ssä voi laukaista etuosan GM: n surkastumisen, mikä on yleisesti raportoitu ominaisuus ikääntymisessä, tämän lisääntyneen aktiivisuuden kompensoiva rooli voi riippua distaalialueiden rakenteellisesta eheydestä pääasiassa MTL: ssä (Maillet ja Rajah, 2013).

Siksi ja lähinnä neurokuvatekniikoiden uusien saavutusten ansiosta on ehdotettu, että ikääntymisen kognitiivinen toiminta johtuu monien prosessien summasta, mukaan lukien rakenteelliset ja toiminnalliset aivotoimenpiteet sekä ulkoiset tekijät. Tältä osin rakennustelineiden teoria ikääntymisestä ja kognitiosta (STAC) toteaa, että ikääntyvissä aivoissa on prosessi, jota kutsutaan kompensoiviksi rakennustelineiksi ja joka edellyttää lisähermoresurssien käyttöä (verkon uudelleenorganisoinnin kannalta) ja joka tukee kognitiivisten toimintojen säilyttämistä rakenteellisen ja toiminnallisen heikkenemisen edessä (Park ja Reuter-Lorenz, 2009). Tätä teoriaa on äskettäin tarkistettu, jotta siihen voitaisiin sisällyttää uusimmat havainnot, jotka on saatu pääasiassa pitkittäis- ja interventiotutkimuksista. Tämän seurauksena STAC-r on käsitteellinen malli, joka laajentaa STAC: ia sisällyttämällä elinkaaren vaikutuksia, jotka parantavat, säilyttävät tai vaarantavat aivojen tilan, kompensointimahdollisuudet ja kognitiivisen toiminnan ajan myötä (Reuter-Lorenz ja Park, 2014).

Samassa mielessä Walhovd et ai. (2014) ehdotti järjestelmähaavoittuvuutta koskevaa näkemystä ikääntymisen kognitiosta. Heidän mukaansa ikään liittyvä kognitiivinen heikkeneminen olisi seurausta elinikäisestä vaikutuksen kasautumisesta, joka muuttaa aivotoimintaa ja rakennetta moniulotteisella tavalla ja vaikuttaa monenlaisiin neurokuvamarkkereihin, kuten rakenteelliseen eheyteen, toiminnalliseen toimintaan ja liitettävyyteen, glukoosin aineenvaihdunta tai amyloidin kertyminen. Tämän näkemyksen mukaan tietyt aivojärjestelmät, kuten hippokampus ja posteromediaaliset alueet, olisivat erityisen alttiita ikääntymisen vaikutuksille, mikä liittyy sen keskeiseen rooliin mekanismeina, jotka vähentävät eliniän aivojen plastisuutta (Fjell et ai., 2014).

Lopuksi, täydentävä hypoteesi, joka ilmeni myös pitkittäistutkimusten tuloksista, on ‚ivojen ylläpito ”, jonka mukaan aivojen rakenteellisten ja toiminnallisten merkkiaineiden muutosten puute antaisi joidenkin ihmisten näyttää vähän tai ei ollenkaan ikään liittyvää kognitiivista lasku. Aivojen ylläpidon käsitteellinen ajatus sai alkunsa siitä, että lisääntynyt toiminnallinen aktiivisuus HA: ssa ei välttämättä tarkoita toiminnallisten verkkojen tehostamista ajan myötä. Siksi kunnossapidon mukaan parhaat ennustimet ikääntymisen onnistumisesta olisivat kemiallisten, rakenteellisten ja toiminnallisten muutosten minimointi ajan mittaan (Nyberg et al., 2012).


Hyviä resursseja fMRI -tietojen oppimisen mallintamiseen - psykologia

Tämän osion loppuun mennessä voit:

  • Määrittele havainnollinen oppiminen
  • Keskustelkaa mallinnusprosessin vaiheista
  • Selitä havainnollisen oppimisen prososiaaliset ja epäsosiaaliset vaikutukset

Tämän luvun aiemmissa osissa keskityttiin klassiseen ja operanttiseen ehdollistamiseen, jotka ovat assosiatiivisen oppimisen muotoja. Havainnollisessa oppimisessa me opimme katsomalla muita ja sitten matkimalla tai mallintamalla, mitä he tekevät tai sanovat. Jäljitellyn käyttäytymisen yksilöitä kutsutaan malleiksi. Tutkimukset viittaavat siihen, että tähän jäljittelevään oppimiseen liittyy erityinen neuronityyppi, jota kutsutaan peilineuroniksi (Hickock, 2010 Rizzolatti, Fadiga, Fogassi, & amp; Gallese, 2002 Rizzolatti, Fogassi ja amp Gallese, 2006).

Ihmiset ja muut eläimet kykenevät oppimaan havainnollisesti. Kuten näette, lause ”apina näkee, apina tekee” on todella tarkka ([link]). Samaa voisi sanoa muista eläimistä. Esimerkiksi simpanssien sosiaalista oppimista koskevassa tutkimuksessa tutkijat antoivat mehupulloja oljilla kahdelle vankeudessa pidettävälle simpanssiryhmälle. Ensimmäinen ryhmä kastoi oljen mehulaatikkoon ja imee sitten pienen määrän mehua oljen päähän. Toinen ryhmä imee oljen läpi suoraan ja saa paljon enemmän mehua. Kun ensimmäinen ryhmä, "dippers", havaitsi toisen ryhmän, "imevät", mitä luulet tapahtuneen? Kaikki ensimmäisen ryhmän "dipperit" siirtyivät imemään suoraan olkia. Tarkkailemalla yksinkertaisesti muita simpansseja ja mallintamalla heidän käyttäytymistään, he oppivat, että tämä oli tehokkaampi tapa saada mehua (Yamamoto, Humle ja Tanaka, 2013).

Tämä hämähäkki -apina oppi juomaan vettä muovipullosta näkemällä ihmisen käyttämän käyttäytymisen. (luotto: Yhdysvaltain ilmavoimat, vanhempi lentomies Kasey Close)

Jäljitelmä on paljon ilmeisempi ihmisillä, mutta onko jäljitelmä todella vilpitön imartelun muoto? Ajattele Clairen kokemusta havainnollisesta oppimisesta. Clairen yhdeksänvuotias poika Jay joutui vaikeuksiin koulussa ja oli uhmakas kotona. Claire pelkäsi, että Jay päätyy veljiensä kaltaiseksi, joista kaksi oli vankilassa. Eräänä päivänä, toisen huonon koulupäivän ja opettajan toisen negatiivisen muistiinpanon jälkeen, Claire järjissään löi poikaansa vyöllä saadakseen hänet käyttäytymään. Myöhemmin samana iltana, kun hän laittoi lapsensa nukkumaan, Claire todisti, kuinka hänen nelivuotias tyttärensä Anna otti vyön nallekarhulleen ja piiskasi sen. Claire oli kauhuissaan ja tajusi, että Anna jäljittelee äitiään. Silloin Claire tiesi haluavansa kurittaa lapsiaan eri tavalla.

Kuten Tolman, jonka rotilla tehdyt kokeet ehdottivat kognitiivista komponenttia oppimiseen, psykologi Albert Bandura ajatteli oppimisesta eri tavalla kuin tiukat käyttäytymistieteilijät. Bandura ja muut tutkijat ehdottivat käyttäytymismallia nimeltä sosiaalinen oppimisteoria, joka otti huomioon kognitiiviset prosessit. Banduran mukaan puhdas käyttäytyminen ei voinut selittää, miksi oppiminen voi tapahtua ilman ulkoista vahvistusta. Hän koki, että sisäisillä henkisillä tiloilla on myös oltava oma roolinsa oppimisessa ja että havainnolliseen oppimiseen liittyy paljon muutakin kuin matkiminen. Jäljitelmässä henkilö yksinkertaisesti kopioi sen, mitä malli tekee. Havainnollinen oppiminen on paljon monimutkaisempaa. Lefrançoisin (2012) mukaan havainnoiva oppiminen voi tapahtua useilla tavoilla:
Opit uuden vastauksen. Kun olet nähnyt, että pomosi pureskelee työtoveriasi myöhästymisestä, lähdet kotoa 10 minuuttia aikaisemmin, jotta et myöhästy.
Voit valita, matkitaanko mallia vai ei sen mukaan, mitä olet nähnyt tapahtuvan mallille.Muistatko Julianin ja hänen isänsä? Kun hän oppii surffaamaan, Julian saattaa katsoa, ​​kuinka hänen isänsä nousee onnistuneesti surffilaudalleen ja yrittää sitten tehdä saman. Toisaalta Julian saattaa oppia olemaan koskematta kuumaan uuniin sen jälkeen, kun hän oli nähnyt isänsä polttavan liesi.

Opit yleisen säännön, jota voit soveltaa muihin tilanteisiin.

Bandura tunnisti kolmenlaisia ​​malleja: elävä, sanallinen ja symbolinen. Live -malli osoittaa käyttäytymisen henkilökohtaisesti, kuten kun Ben nousi surffilaudalleen, jotta Julian näki kuinka hän teki sen. Suullinen opetusmalli ei suorita käyttäytymistä, vaan selittää tai kuvaa käyttäytymistä, kuten silloin, kun jalkapallovalmentaja käskee nuoria pelaajia potkimaan palloa jalalla, ei varpaalla. Symbolinen malli voi olla kuvitteellisia hahmoja tai todellisia ihmisiä, jotka osoittavat käyttäytymistä kirjoissa, elokuvissa, televisio -ohjelmissa, videopeleissä tai Internet -lähteissä ([link]).

(a) Joogaopiskelijat oppivat havainnoimalla, kun heidän joogaopettajansa osoittaa oppilaidensa oikean asennon ja liikkeen (live -malli). (b) Mallien ei tarvitse olla läsnä oppimiseen: symbolisen mallinnuksen avulla tämä lapsi voi oppia käyttäytymisen katsomalla jonkun osoittavan sen televisiossa. (luotto a: Tony Cecalan työn muokkaus luotto b: Andrew Hyden tekemä työn muutos)

Linkki oppimiseen

Latenttia oppimista ja mallintamista käytetään koko ajan markkinoinnin ja mainonnan maailmassa. Tämä mainos pelasi kuukausia New Yorkin, New Jerseyn ja Connecticutin alueilla, Derek Jeter, New York Yankeesin palkittu baseball-pelaaja, mainostaa Fordia. Mainos esitettiin osassa maata, jossa Jeter on uskomattoman tunnettu urheilija. Hän on rikas, ja häntä pidetään erittäin uskollisena ja hyvännäköisenä. Minkä viestin mainostajat lähettävät ottamalla hänet esille mainoksessa? Kuinka tehokas se mielestäsi on?


Tulokset

Palautteen soveltuvuus itsekuvaan

Soveltuvuusluokituksiin vaikutti ryhmävaikutuksen valenssi [χ 2 (4) = 106,19, s & lt 0,001], katso online -täydentävät taulukot S4 ja S5 mallien vertailua ja parametreja varten. Hypoteesimme mukaisesti BPD -potilaat arvioivat välituotteen (b = −0,40, s.e. = 0,16, t = −2,50) ja erityisesti negatiivinen palaute (b = −0,53, s.e. = 0,16, t = −3,36) soveltuvampi HC: hen verrattuna, katso kuva 1a. BPD arvioi positiivista palautetta vähemmän sovellettavaksi verrattuna HC: hen (b = 1,07, s.e. = 0,16, t = 6,74). LSE: hen verrattuna BPD arvioi myös negatiivisen palautteen soveltuvammaksi (b = −0,43, s.e. = 0,17, t = −2,43) ja positiivista palautetta vähemmän soveltuvina (b = 0,63, s.e. = 0,18, t = 3,61), mutta ei eroa välipalautteen sovellettavuudesta (b = −0,15, s.e. = 0,18, t = -0,83). Lisäksi käyttämällä valenssiluokituksia (eli negatiivisuuden tai positiivisuuden aste) havaitsimme, että kaikki kolme ryhmää arvioivat sanojen valenssin samalla tavalla [χ 2 (2) = 2,4, s = 0.307], ja negatiiviset ja positiiviset sanat ovat emotionaalisia kuin välisanoja, katso online -lisätaulukot S2 ja S3. Valenssin ja ryhmän välillä oli kuitenkin suuntaus vuorovaikutukseen [χ 2 (4) = 8,42, s = 0,077], mikä voi osoittaa, että BPD arvioi negatiivisen palautteen hieman vähemmän negatiiviseksi kuin HC (b = −0,43, s.e. = 0,16, t = −2,69), katso myös mallin parametrit online -täydentävästä taulukosta S3.

Kuva 1. (a) Keskimääräiset soveltuvuusluokitukset ryhmissä negatiivisen, keskitason ja positiivisen palautteen jälkeen (virhepalkit osoittavat 95%: n luottamusvälit). (b) Kuva mielialaluokituksista ryhmittäin negatiivisen, keskitason ja positiivisen palautteen jälkeen palautteen sovellettavuuden keskimääräisellä tasolla. (c) Kuva keskimääräisistä mielialaluokituksista ryhmän mukaan negatiivisen, keskitason ja positiivisen palautteen jälkeen, ei kovin soveltuvaan palautteeseen. Soveltavuudella on suurempi vaikutus mielialaan negatiivisen ja keskitason palautteen aikana kuin positiivisella palautteella. Soveltavuudella on suurempi vaikutus HC: n mielialaan verrattuna BPD: hen. Mielialaluokitus on skaalattu pisteisiin 1–4 näyttöä varten.

Vaikuttavia vastauksia

Ryhmä [χ 2 (2) = 11,4 vaikutti mielialaan s = 0,003] BPD raportoi huonommalla tuulella kuin HC yleisesti (b = 0,81, s.e. = 0,19, t = 4.28), katso taulukko 2 ja online -lisätaulukko S6. Valence hillitsi ryhmävaikutusta [χ 2 (4) = 39,89, s & lt 0,001]. BPD ilmoitti huonommasta tunnelmasta negatiivisen jälkeen (b = −0,14, s.e. = 0,15, t = −0,95) ja välipalaute (b = −0,81, s.e. = 0,19, t = 4.28) ja samanlainen mieliala positiivisen palautteen jälkeen (b = −0,49, s.e. = 0,13, t = −3,70) verrattuna HC: hen, katso kuva 1b. Verrattuna LSE: hen BPD raportoi samanlaisesta tunnelmasta välitason jälkeen (b = 0,19, s.e. = 0,21, t = 0,91) ja positiivista palautetta (b = 0,11, s.e. = 0,15, t = 0,75), mutta parempi mieli negatiivisen palautteen jälkeen (b = −0,50, s.e. = 0,16, t = −3.10).

Taulukko 2. Mielialaluokituksia ennustavan mallin vaikutusparametrit valenssiluokittain (välituote = viite), ryhmä (BPD = viite) ja palautteen ja kaksisuuntaisten vuorovaikutusten sovellettavuus

Merkittävyystaso (*** & lt0.001, ** & lt0.01,*& lt0.05, ^& lt0.10) perustuen mallien vertailujen χ 2 testiin, katso online -lisätaulukko S6.

Soveltuvuus hillitsi myös ryhmävaikutusta [χ 2 (4) = 14,8, s = 0,005]. BPD -mielialaluokitukset vaikuttivat vähemmän sovellettavuuteen verrattuna HC: hen (b = 0,07, s.e. = 0,03, t = 2.27), mutta ei poikennut tässä suhteessa LSE: stä (b = 0,01, s.e. = 0,03, t = 0.23), katso kuva 1c. Valenssin kolmisuuntaista vuorovaikutusta ei ollut sovellettavuuden mukaan ryhmittäin [χ 2 (4) = 8,0, s = 0.090].

Neuraaliset vasteet

Ryhmät erosivat palautteen valenssin hermokorrelaateista, ks. Taulukko 3 klustereista ja huippuvokseleista Alaviite † Alaviite 1. Vastauksena negatiiviseen palautteeseen verrattuna positiiviseen palautteeseen HC osoitti vahvempaa vasemman preuneus -aktivaatiota, kun taas BPD osoitti suhteellisen alhaista ja yhtä suurta preuneus -aktivaatiota negatiiviselle ja positiiviselle palautteelle, katso kuva 2. Tässä preuneus -klusterissa LSE: n aktivointi negatiivinen ja positiivinen palaute, joskaan ei merkittävästi erilainen kuin BPD, ks. positiivista palautetta. Verrattuna LSE: hen BPD osoitti voimakkaampaa vasemman preuneuksen aktivaatiota negatiivisen aikana verrattuna positiiviseen palautteeseen, katso taulukko 3 ja kuva 2. Tämä vasemman preuneuksen klusteri ei kuitenkaan ollut päällekkäin löydetyn klusterin kanssa verrattuna HC: hen. Ryhmät eivät eronneet soveltuvuuden hermokorrelaateista. BPD: n negatiivisen valenssin avulla sovellettavan sovelluksen kolmisuuntainen vuorovaikutus verrattuna HC: hen moottorikuoressa, ylivoimaisessa parietaalilohkossa ja huonommassa parietaalilohkassa johtuu luultavasti painikkeen painalluksista (Mars et ai., Reference Mars, Jbabdi, Sallet, O'Reilly, Croxson, Olivier, Noonan, Bergmann, Mitchell, Baxter, Behrens, Johansen-Berg, Tomassini, Miller ja Rushworth 2011).

Kuva 2. Vasemmalla: Neuraalisen aktivoinnin klusterit, jotka osoittavat HC & gt BPD (sininen) ja BPD & gt LSE (oranssi). Oikealla: HC & gt BPD -klustereiden (siniset klusterit) keskimääräiset kontrastiarvot ryhmän ja kontrastin mukaan.

Taulukko 3. Valitut hermokorrelaatit ryhmien vertailuihin valenssin kontrasteista ja palautteen soveltuvuudesta a, klusteri korjattu Z = 2,3, klusteri s & lt 0,05

a Tässä taulukossa ei ilmoiteta kontrasteja ilman kynnyksen yläpuolella olevia klustereita.

Tutkimushavainnot

Selvitystarkoituksia varten tarkistimme, erosiko LSE omasta näkemyksestään HC: stä suorittamalla mallin uudelleen, jonka tuloksena oli soveltuvuusluokitus, mutta HC asetettiin vertailuryhmäksi BPD: n sijaan. Huomasimme, että alhaisemmasta itsetunnosta huolimatta LSE ei ilmoittanut, että negatiivinen palaute soveltuisi paremmin heihin (b = 0,11, s.e. = 0,17, t = 0,65), eikä myöskään välipalaute (b = 0,26, s.e. = 0,17, t = 1,52). He kuitenkin ilmoittivat, että positiivinen palaute ei koske heitä (b = −0,44, s.e. = 0,17, t = −2.64).

Hämmentää

Voidaksemme hallita mahdollisia vaikutuksia siitä, uskoiko osallistuja SF -paradigmaan (kyllä/ei), lääkityksen tilaan (päälle/pois) ja nykyiseen masennukseen, otimme tämän huomioon ylimääräisissä affektiivisissa ja hermoanalyyseissä. Näillä hämmennyksillä ei ollut vaikutusta vaikuttaviin tuloksiin.

Käteisyys otettiin huomioon myös hermoanalyyseissä. Vahvempi preuneus -aktivaatio HC: ssä verrattuna BPD: hen, joka havaittiin negatiivisen palautteen jälkeen verrattuna positiiviseen palautteeseen, ei selvinnyt merkitsevyyskynnyksestä sen jälkeen, kun nykyinen masennus tai kätisyys otettiin huomioon.


Johdanto

FMRI: n tulo mullisti psykologian, koska se salli ensimmäistä kertaa ihmisen kognition ei -invasiivisen kartoittamisen. Tästä edistymisestä huolimatta perinteiset fMRI -analyysit ovat rajallisia, koska ne voivat suurimmaksi osaksi vain varmistaa alueen osallistumisen tehtävään, mutta eivät tarkkaa rooli siinä tehtävässä. Äskettäin on kehitetty mallipohjaisia ​​fMRI-menetelmiä tämän rajoituksen voittamiseksi käyttämällä laskennallisia käyttäytymismalleja valaisemaan mallien piileviä muuttujia (kuten ennustusvirheitä) ja niiden kartoittamista hermorakenteisiin. Tämä lähestymistapa on johtanut tärkeisiin oivalluksiin aivojen käyttämistä algoritmeista ja on onnistunut erityisen hyvin ymmärtämään vahvistuksen oppimisen hermopohjaa (esim. [1 �]).

Tyypillisessä mallipohjaisessa fMRI-analyysissä ensin määritetään malli, joka kuvaa kyseessä olevan käyttäytymisen taustalla olevat hypoteesit kognitiiviset prosessit. Tyypillisesti näissä malleissa on yksi tai useampi vapaa parametri (esim. Oppimisprosentti kokeilu- ja virheoppimallissa). Nämä parametrit on asetettava määrittämään malli kokonaan, mikä yleensä tehdään sovittamalla ne havaittuun käyttäytymiseen [14]. Esimerkiksi mallin perusteella voidaan löytää aihekohtaiset oppimisprosentit, jotka selittävät parhaiten aiheen ja#x02019 käyttäytymisvalinnat. Täysin määritettyä mallia käytetään sitten mallin piilevien muuttujien (esim. Toiminta-arvojen ja ennustusvirheiden) kokeellisten mittausten luomiseen, jotka voidaan regressoida neurotietoihin nähden löytääkseen alueita, joiden toiminta korreloi näiden muuttujien kanssa aivoissa .

Yksi tämän lähestymistavan heikkouksista on vaatimus mallin sovittamisesta. Monissa tapauksissa tiedot eivät riitä tarkasti tunnistamaan parametriarvoja. Tämä voi johtua rajoitetusta kokeiden määrästä, parametrien välisestä vuorovaikutuksesta, joka vaikeuttaa niiden erottamista toisistaan ​​[14], tai käyttäytymisen puutteesta, jota voidaan käyttää sovitusprosessissa (esim. Joissakin Pavlovian hoitokokeissa). Näin ollen avainkysymys on: Kuinka tärkeä mallin sovitusvaihe on? Toisin sanoen, missä määrin mallipohjainen fMRI on herkkä parametrien arviointivirheille? Vastaus tähän kysymykseen määrittää, kuinka paljon meidän on työskenneltävä parhaiden mahdollisten parametrien sovittamiseksi, ja se vaikuttaa paitsi tietojen analysointiin myös siihen, miten suunnittelemme kokeita.

Tässä näytämme, miten tähän kysymykseen voidaan vastata, analysoimalla mallipohjaisen fMRI: n herkkyyttä oppimisnopeusparametrille yksinkertaisissa vahvistustehtävissä. Tarjoamme analyyttisiä rajoja mallipohjaisen analyysin herkkyydelle oppimisprosentin arviointivirheille ja näytämme simulaation avulla, kuinka yhdellä oppimisprosentilla tuotetut arvo- ja ennustusvirhesignaalit tulkitaan mallipohjaisella analyysillä, joka käytti väärää oppimista korko. Hämmästyttävää kyllä, havaitsemme, että mallipohjaisen fMRI: n tulokset ovat huomattavan vankat oppimisnopeuden asetuksiin siinä määrin, että joissakin tilanteissa mallin parametrien asettaminen mahdollisimman kauas niiden todellisesta arvosta tuskin vaikuttaa tuloksiin. Tämä kestävyyden teoreettinen ennuste perustuu kahden viimeaikaisen kokeen fMRI -tietojen analysointiin.

Tuloksemme ovat sekä hyviä että huonoja uutisia mallipohjaiselle fMRI: lle. Hyvä uutinen on, että se on vankka, joten oppimisprosentin virheet eivät muuta dramaattisesti tietyn signaalin paikallistamiseen tähtäävien tutkimusten tuloksia. Huono uutinen on kuitenkin se, että mallipohjainen fMRI ei ole herkkä parametrien eroille, mikä tarkoittaa, että on oltava äärimmäisen varovainen, kun yritetään määrittää hermoalueen laskennallinen rooli (esim. Kun kysytään, vastaako aivojen alue jotakin tulosignaali tai ennustusvirhesignaali). Keskustelussa pohdimme, missä määrin tämä tulos yleistyy muihin parametreihin ja muihin malleihin, ja tarjoamme ehdotuksia parametrien herkkyyden diagnosoimiseksi muissa malleissa.


Johdanto

Kokeellinen psykologia pyrkii selittämään ihmisten käyttäytymistä. Tämä edellyttää kykyä selittää käyttäytymisen taustalla olevat syy -mekanismit ja ennustaa tulevaa käyttäytymistä (Kaplan, 1973 Shmueli, 2010 Yarkoni & amp; Westfall, 2016). Käytännössä kokeelliset psykologian perinteiset menetelmät ovat kuitenkin keskittyneet pääasiassa syy -selitysten testaamiseen. Vasta viime vuosina psykologian tutkimus on korostanut ennustamista (Forster, 2002 Shmueli & amp Koppius, 2011). Tässä ennustavassa käänteessä koneoppimiseen perustuvat ennustamismenetelmät ovat nopeasti kehittyneet toteuttamiskelpoisiksi keinoiksi ennustaa tulevia havaintoja mahdollisimman tarkasti eli minimoida ennustusvirhe (Breiman, 2001b Song, Mitnitski, Cox ja amp Rockwood, 2004).

Monimuuttujainen luonne ja keskittyminen ennustusvirheisiin ("sovituksen hyvyyden" sijasta) antaa näille menetelmille suuremman herkkyyden ja paremman tulevaisuuden ennustustehon kuin perinteiset menetelmät. Kokeellisessa psykologiassa niitä käytetään menestyksekkäästi ennustamaan kiinnostava muuttuja (esim. Kokeellinen tila A vs. kokeellinen ehto B) tehtävään tai toimintaan osallistuvan yksilön käyttäytymismalleista minimoimalla ennustusvirhe. Nykyiset sovellukset vaihtelevat kasvotoimintojen tunnistamisen ennustamisesta kasvojen mikroilmoituksista aikomusten luokitteluun liike-kinematiikan eroista (esim. Ansuini ym., 2015 Cavallo, Koul, Ansuini, Capozzi ja Becchio, 2016 Haynes et ai., 2007 Srinivasan, Golomb ja Martinez, 2016). Niitä on käytetty esimerkiksi dekoodaamaan tavoite tarttua esineeseen (kaataa vs. juoda) käsien liikemallien hienoisista eroista (Cavallo et al., 2016). Lisäksi koneoppimiseen perustuvia ennustavia malleja voidaan käyttää paitsi ryhmän ennustamiseen (potilaat vs. kontrollit) myös yksilölliseen ennustamiseen. Näin ollen nämä mallit soveltuvat potentiaaliseksi diagnostiikkatyökaluksi kliinisissä olosuhteissa (Anzulewicz, Sobota ja Delafield-Butt, 2016 Hahn, Nierenberg, & amp; Whitfield-Gabrieli, 2017 Huys, Maia, & amp; Frank, 2016).

Ennakoivien lähestymistapojen hyödyt ovat kuitenkin tulossa tunnetuksi, mutta koneoppimiseen perustuvista ennustamismenetelmistä puuttuu edelleen vakiintunut ja helppokäyttöinen ohjelmistokehys. Monet nykyiset toteutukset eivät sisällä lainkaan tai rajoitettuja ohjeita, jotka koostuvat pienistä koodinpätkistä tai pakettisarjoista. Lisäksi olemassa olevien pakettien käyttö vaatii usein edistynyttä ohjelmointitaitoa. Näiden puutteiden poistamiseksi tämän asiakirjan päätavoitteena oli rakentaa käyttäjäystävällinen työkalupakki, "PredPsych ”, jolla on useita toimintoja kvantitatiivisten käyttäytymistietojen monimuuttuja-analyyseihin koneoppimismallien perusteella.

Seuraavassa esittelemme puitteet PredPsych äskettäin julkaistun usean aiheen liiketallennustietoaineiston analyysin avulla (Ansuini et al., 2015). Ensinnäkin tarjoamme lyhyen kuvauksen tietojoukosta ja kuvaamme, kuinka asentaa ja suorittaa PredPsych. Seuraavaksi keskustelemme viidestä tutkimuskysymyksestä, joita voidaan käsitellä vuonna toteutetulla koneoppimiskehyksellä PredPsych. Tarjoamme opastettuja esimerkkejä siitä, miten näihin tutkimuskysymyksiin voidaan vastata PredPsych ohjeet parhaista tekniikoista (yleiskuvaus katso kuva 1) ja varovaisuuden syyt. Koska ennakoivista lähestymistavoista on keskusteltu äskettäin muualla (Breiman, 2001b Shmueli, 2010), käsittelemme niitä vain lyhyesti täällä.

Yleiskatsaus PredPsych toimintoja. Yleiskatsaus tutkimuskysymyksiin, joihin voidaan vastata PredPsych ja vastaavat tekniikat


Usein kysytyt kysymykset tohtori Ahnille

Pyrin rakentamaan "onnellisen" laboratorion, jossa laboratorion jäsenet (mukaan lukien PI) kunnioittavat toisiaan, tuntevat kasvavansa älyllisesti, nauttivat erinomaisesta tuesta tutkimukselle ja tuottavat tutkimustuloksia, jotka tekevät heistä kilpailukykyisiä seuraaville uravaiheille.

Tällaisen ympäristön ja kulttuurin rakentaminen on erittäin haastava tehtävä erityisesti siksi, että jokainen ihminen on eri taustoista ja hänellä on erilaiset odotukset ja normit. Yritän kuitenkin saavuttaa sen (1) edistämällä viestintää laboratoriossa, (2) rekrytoimalla tehokkaita tiimipelaajia ja jakamalla samanlaisia ​​näkemyksiä keskenään, (3) räätälöimällä yksilöllisesti koulutusta kunkin jäsenen vahvuuksien ja etujen perusteella ja ( 4) riittävästi tutkimusvaroja.