Documentos de Académico
Documentos de Profesional
Documentos de Cultura
por
Departamento de Economía
Universidad de Duke
Fecha:_______________________
Aprobado:
___________________________
Scott Huettel, supervisor
___________________________
Atila Abdulkadiroglu
___________________________
Alison Adcock
___________________________
dan ariely
___________________________
curtis taylor
2011
v
Machine Translated by Google
RESUMEN
por
Departamento de Economía
Universidad de Duke
Fecha:_______________________
Aprobado:
___________________________
Scott Huettel, supervisor
___________________________
Atila Abdulkadiroglu
___________________________
Alison Adcock
___________________________
dan ariely
___________________________
curtis taylor
2011
Machine Translated by Google
2011
Machine Translated by Google
Resumen
Los seres humanos deben integrar la información para tomar decisiones. esta tesis es
análisis de patrones (MVPA), para identificar regiones del cerebro que contienen información
enfoque combinatorio para evaluar cómo las regiones del cerebro contribuyen de manera única a la
MVPA muestra que las primeras fases de valoración de estas recompensas difieren en las posteriores
IV
Machine Translated by Google
fuentes potencialmente diferentes de variabilidad neuronal, para identificar las regiones del cerebro que
poder a través de múltiples regiones del cerebro, y las diferencias individuales en estadística
preferencias Por lo tanto, MVPA facilita el mapeo del comportamiento tanto para individuos específicos
la heterogeneidad en este índice se mapea en la variabilidad en dos regiones del cerebro: núcleo
media los efectos predictivos de la ínsula anterior. Estos resultados muestran que
v
Machine Translated by Google
Dedicación
vi
Machine Translated by Google
Contenido
viii
Machine Translated by Google
viii
Machine Translated by Google
ix
Machine Translated by Google
4.3.3 Clasificación dentro de los participantes: relación con las preferencias de elección ......... 104
X
Machine Translated by Google
xi
Machine Translated by Google
xi
Machine Translated by Google
Lista de tablas
Tabla 1: Máximo rendimiento de los reflectores dentro de las regiones de interés ........... 71
Tabla 5: Máximos locales para reflectores de modelos dentro de los participantes ............ 103
Tabla 6: Máximos locales para reflectores en el modelo de participantes cruzados. .................... 108
Tabla 8: Resultados del análisis univariado: dinero > contraste facial. ............................. 125
Tabla 9: Resultados del análisis univariado: cara > contraste de dinero. ............................. 126
Cuadro 10: Resultados del análisis univariado: tipo de cambio.................................... ...... 126
Tabla 11: Correlaciones para la activación de la ínsula anterior y del núcleo accumbens. .. 138
Tabla 12: Máximos para la modalidad de medidas repetidas por interacción de magnitud. 138
Tabla 13: La señal del núcleo accumbens predice el índice motivacional. ...................... 141
Tabla 14: Diferencias máximas para grupo de dulces y grupo de dinero. ..................... 145
XIII
Machine Translated by Google
Lista de Figuras
Figura 1: Marco para el análisis en neuroeconomía........................................... .... 13
Figura 10: Aumentos en la validación cruzada para combinaciones de tres y cuatro. ....... 83
Figura 15: Desempeño de la validación cruzada para modelos dentro de los participantes ............ 102
Figura 17: Codificación de valoración relativa en la corteza prefrontal ventromedial ........... 104
Figura 18: Las regiones de interés tienen distintos patrones locales de información .......... 106
Figura 19: Rendimiento de la validación cruzada para el modelo de participantes cruzados. ............... 108
Figura 20: El poder predictivo difiere según la forma de clasificación ............ 110
Figura 21: Las regiones difieren en la información relativa que llevan los modelos ............ 111
Figura 22: Umbral estadístico para el análisis de decodificación dentro de los participantes. .... 120
xiv
Machine Translated by Google
Figura 23: Matrices de similitud de regiones cerebrales de participantes cruzados .................. 121
Figura 24: Umbral estadístico para el análisis de decodificación de participantes cruzados ........ 122
Figura 27: Modalidad de recompensa y efectos de magnitud en las regiones de interés. ........ 140
Figura 29: Diferencias de grupo en la activación del núcleo accumbens ........................... 144
Figura 30: Núcleo accumbens media el efecto de la ínsula anterior. .......... 147
Figura 31: Efectos de magnitud para la anticipación de ambas modalidades de recompensa ........... 154
Figura 32: Núcleo accumbens e índice motivacional para pequeñas recompensas. ....... 155
XV
Machine Translated by Google
Agradecimientos
Mis años en Carolina del Norte me han enseñado el valor de la comunidad,
persistencia, exploración, serenidad y humildad. Tengo muchas personas a las que agradecer.
crecimiento de su laboratorio desde que me uní a él, tanto en número de miembros como en alcance de
agradecido a todos sus miembros, pasados y presentes, por proporcionar la mezcla perfecta
de educación, apoyo y humor. Doy las gracias a Dharol Tankersley, que no sólo
varias personas brillantes. Estoy agradecido con McKell Carter, David Smith y Crystal
escuela. Estoy entusiasmado con los proyectos en curso, que involucran a los colaboradores.
mencionado anteriormente, así como Chris Rorden y Amy Winecoff. espero continuar
xvi
Machine Translated by Google
capacitación. Estoy agradecido con varias personas que aprobaron mi camino a través de la
respecto a mis actividades de investigación. Disfruté los cursos que tomé de Atila
mis amigos y mi familia. Muchos amigos me han ayudado a sacar lo mejor de mí,
ya sea en casa, en el trabajo, en el gimnasio o en el bar. Estoy agradecido por todos esos
momentos, tanto sinceros como divertidos. Doy las gracias a mi novia, Anne, que ha
hermano, mi hermana y el abuelo, a quienes les hubiera encantado ver este documento. yo
xvii
Machine Translated by Google
1. Introducción
1.1 Objetivos
Esta tesis tiene como objetivo identificar diferentes componentes del procesamiento de recompensas
y la toma de decisiones en el cerebro humano. Los objetivos de investigación de este proyecto están en
que conducen al comportamiento económico. Como campo naciente, la neuroeconomía todavía tiene
investigación que será útil para el campo en su conjunto. Por lo tanto, esta tesis hace que ambos
consideración de la economía.
escenarios para experimentos de comportamiento que pueden ser informativos sobre economía
En primer lugar, la investigación de esta tesis se ocupa de las fases del procesamiento de recompensas.
imágenes por resonancia magnética (fMRI) y nuevas técnicas analíticas que son
determinando la variación en el comportamiento. Sin embargo, las idiosincrasias pueden afectar el comportamiento.
una fase de formación de preferencias, o incluso cuando se ejerce un esfuerzo para obtener una recompensa.
El resto de este capítulo discutirá brevemente los conceptos clave relevantes para
exhaustiva, pero sirve para hacer referencia a discusiones más detalladas en la literatura.
(Glimcher 2003; Glimcher et al. 2008; Glimcher 2011), incluidas discusiones sobre
los orígenes, los hallazgos centrales y las preguntas clave sin respuesta. Mientras que la conciencia de
2
Machine Translated by Google
2005; Cohén 2005; Rustichini 2005; Bernheim 2009), ofrezco una breve descripción
relevante para los capítulos siguientes. Discusiones exhaustivas del material en este
capítulo existen en múltiples fuentes (por ejemplo, textos sobre economía del comportamiento, fMRI, y
comprender los datos neuronales y diseñar mejor los experimentos. De la misma manera que
perspectiva, los métodos para recopilar datos neuronales, entonces, pueden interpretarse como
herramientas adicionales para la economía del comportamiento para comprender mejor tanto la elección
trabajos neuroeconómicos están relacionados con los de la economía del comportamiento, como
mil novecientos ochenta y dos). Algunos de los primeros estudios neuroeconómicos que emplearon fMRI fueron diseñados para
3
Machine Translated by Google
(2001), respectivamente). Siguieron muchos otros estudios con una estructura similar, como
2011). La economía del comportamiento ha demostrado que los seres humanos exhiben enormes
esa variabilidad (Ariely et al. 2003); muchos experimentos neuroeconómicos han sido
capaz de vincular la variabilidad en el comportamiento a la actividad en las regiones del cerebro. Neuroeconomía
mecanismos de interés para la economía del comportamiento. Uso de mecanismos más refinados
información, tanto la economía del comportamiento como la neuroeconomía pueden continuar una
(Samuelson, 2005).
agendas independientes, pero, como se argumentará en gran parte de esta tesis, también hay espacio
generar nuevos conocimientos teóricos, hacer mejores predicciones de los fenómenos de campo,
4
Machine Translated by Google
La economía del comportamiento es, como la neurociencia cognitiva, un insumo clave para
neuroeconomía.
muchos conceptos en neuroeconomía han estado presentes durante mucho tiempo en la neurociencia y
existen (Glimcher et al. 2008; Glimcher 2011), por lo que no los repetiré todos aquí.
etiquetados como de naturaleza neuroeconómica, apuntan a un conjunto de conceptos que son relevantes
para la toma de decisiones basadas en valores. Es importante destacar que los enumerados no son los únicos
estructuras relevantes para la toma de decisiones, pero varias de ellas serán discutidas en
esta tesis. [Para discusiones adicionales sobre otros circuitos y estructuras de interés,
comienza con lo que se entiende por recompensa. Una recompensa generalmente se puede considerar
las ratas demostradas elegirían repetidamente regresar a los lugares en los que
5
Machine Translated by Google
recibió estimulación eléctrica directa de una región del cerebro (el prosencéfalo medial)
que contiene muchas neuronas de dopamina (Olds y Milner 1954). Un cuerpo de trabajo,
que incluía mostrar que las ratas macho elegirían la autoestimulación sobre
alimentos o ratas hembra, argumentaría a favor de una fuerte relación entre la dopamina
et al. 1993). Estos datos demostraron que la tasa de activación de las neuronas dopaminérgicas
la recepción de la recompensa en sí no afectó las tasas de activación de las neuronas de dopamina. Además, si un
dopamina (Schultz et al. 1997), lo que significa que las neuronas de dopamina señalarán si
recompensas (u otros factores del entorno circundante) están por encima, por debajo o
También estaban comenzando los primeros estudios de IRMf sobre el procesamiento de recompensas en humanos
para aislar regiones del cerebro, muchas de las cuales son fuertemente dopaminérgicamente
6
Machine Translated by Google
inervado Además de los estudios de fMRI que fueron fuertemente influenciados por
economía del comportamiento (Breiter et al. 2001; McCabe et al. 2001), un conjunto de fMRI
(Delgado et al. 2000; Elliott et al. 2000; O'Doherty et al. 2001). Estos estudios,
e innumerables proyectos posteriores, implican un conjunto de regiones que son centrales para
sección discutirá brevemente aquellas regiones del cerebro pertinentes a la investigación contenida
en esta tesis.
estructura cerebral clave para estudiar la neurobiología de la recompensa. Los tres subcorticales
de procesamiento de recompensas. Sin embargo, la subregión más relevante para esta tesis es
NAcc (a veces más ampliamente conocido como el cuerpo estriado ventral). Actividad en
Delgado et al. 2000; Knutson et al. 2001), errores de predicción de recompensa apetitiva
(McClure et al. 2003; O'Doherty et al. 2003), errores de predicción de recompensa aversiva
2010). Además de recibir proyecciones de dopamina del cerebro medio, NAcc recibe su
7
Machine Translated by Google
corteza prefrontal (VMPFC), un término que se usa con frecuencia para describir partes de MPFC
que incluyen OFC medial (Grabenhorst y Rolls 2011). Como tal, la discusión
aquí involucrará a ambos. La OFC tiene varias características importantes (Wallis 2007): es
la única parte de PFC que recibe información de todas las modalidades sensoriales (Carmichael
recompensas (Rosenkilde et al. 1981; Wallis 2007). Ahora bien, existe una vasta literatura
Los análisis demuestran que la actividad OFC medial está relacionada con el procesamiento de
recompensas positivas y la actividad OFC lateral está relacionada con el procesamiento de negativas
Behrens 2008), aunque las respuestas neuronales pueden ser independientes de otras
8
Machine Translated by Google
recompensas (Tremblay y Schultz 1999). Evidencia de que estas regiones son necesarias
para el cálculo del valor están respaldados por muchos estudios de lesiones en ambos roedores
(Gallagher et al. 1999) y monos (Buckley et al. 2009), donde las lesiones OFC condujeron
valor subjetivo (Kable y Glimcher 2007; Chib et al. 2009). Estos subjetivos
VMPFC contiene circuitos necesarios para tomar decisiones sobre diferentes tipos de recompensa
Al igual que OFC y VMPFC, la actividad de la corteza parietal posterior (PPAR) también ha
Glimcher 1999), así como rastrear la probabilidad relativa de que una opción sea
elegido, tanto con una tasa de recompensa fija (Platt y Glimcher 1999) como variable
eso depende del comportamiento de elección reciente (Sugrue et al. 2004). Porciones similares de
9
Machine Translated by Google
Tareas de discriminación: antes de tomar una decisión también se atribuye con frecuencia a
LABIO (Gold y Shadlen 2007). Es importante destacar que PPAR, particularmente a lo largo de la
implican ampliamente PPAR para la toma de decisiones y el cálculo de valor (de algunos
en neuroeconomía como lo hacen otras regiones del cerebro, pero juega un papel crucial en
incertidumbre ambiental (Singer et al. 2009). De manera más general, las discusiones sobre
representaciones de estados internos (por ejemplo, hambre, excitación), todos los cuales pueden afectar
2007; Behrens et al. 2009; Rilling y Sanfey 2011). Información social con frecuencia
10
Machine Translated by Google
implica tanto el surco temporal superior (Adolphs 2003) como el medial (dorsal)
región confiable selectiva de rostros en el cerebro humano, una porción de la circunvolución fusiforme
(Kanwisher et al. 1997; McCarthy et al. 1997), frecuentemente llamado cara fusiforme
área (FFA). Los estudios neuroeconómicos ahora emplean con frecuencia rostros humanos como
estímulos en los estudios, por lo que si bien esta región no es un foco de estudios de toma de decisiones
las regiones cerebrales anteriores (y otras) trabajan en conjunto para crear y guiar el comportamiento.
hacer ocurre en el cerebro (Rangel et al. 2008; Kable y Glimcher 2009). los
Los pasos cognitivos son bastante sencillos, pero no necesariamente concretos en términos de
distinción unos de otros. Una elección basada en el valor primero debe implicar la generación de una
representación de la información relevante (rojo, Figura 1). Una vez que la recompensa
determinar el valor subjetivo de los posibles resultados. Entonces hay una acción
(por ejemplo, una elección) basada de alguna manera en el proceso de valoración (púrpura, Figura 1).
11
Machine Translated by Google
(es decir, cómo se comparó el resultado con lo que se esperaba). Esta fase se
incluir el aprendizaje y la actualización de la información para las elecciones posteriores (verde claro,
Figura 1).
Aunque las asignaciones de color a las regiones del cerebro en la Figura 1 están destinadas a
a las diferentes fases de la toma de decisiones basada en valores. Como se discutió en el anterior
mientras que NAcc parece desempeñar un papel en el cálculo de errores de predicción de recompensas y
contribuyendo a la actualización de creencias (Hare et al. 2008). Del mismo modo, hay
la información relacionada con la recompensa también se atribuye con frecuencia a PPAR. Específico
las contribuciones de las regiones seguirán identificándose a medida que los modelos mapeen con precisión
por recompensas Es importante destacar que gran parte del trabajo también asignará datos neuronales a
comportamiento, lo que demuestra que la actividad neuronal en una fase (por ejemplo, representación) de
la valoración puede ser predictiva de las fases subsiguientes (p. ej., acción). Como
la neuroeconomía avanza a pasos agigantados en el perfeccionamiento de este marco, más robusto y más
12
Machine Translated by Google
introducción de resonancia magnética funcional. La popularidad de fMRI dentro de los partidos de neuroeconomía
incluso publicado) en las principales revistas económicas (Caplin et al. 2010). Como resultado, el
Es probable que muchos economistas conozcan las propiedades básicas de la IRMf. Esta sección
proporciona una breve sinopsis de fMRI. [Más detalles, así como toda la información
Mintun 2006; Logothetis 2008) o textos sobre imágenes cerebrales (Huettel et al. 2008).]
posee como método para recopilar datos neuronales. En primer lugar, es un método no invasivo.
13
Machine Translated by Google
mayor resolución temporal que fMRI, pero son menos precisos en su espacial
medición, hace que la resonancia magnética funcional sea adecuada para estudiar muchos procesos cognitivos.
Otra distinción importante para las herramientas de neurociencia es entre aquellas que
Los estudios que involucran la manipulación de la función cerebral incluyen aquellos que analizan
implica estimular temporalmente una región específica del cerebro para interrumpir su función.
Claramente, las escalas de tiempo para estas manipulaciones varían dramáticamente. Efectos de la lesión
horas, días o semanas, y los efectos de TMS durarán solo segundos o minutos. En todo
casos, sin embargo, hay puntos de vista mecanicistas potenciales, muchos de los cuales pueden ser
14
Machine Translated by Google
gran parte de la neurociencia cognitiva proviene de la oxigenación de la sangre dependiente del nivel
(NEGRITA) IRMf. Los orígenes de esta medida se detallan en otra parte (Raichle y
Mintun 2006; Huetel et al. 2008; Raichle 2009), pero resumiré rápidamente los
La actividad neuronal provoca cambios vasculares en el cerebro, ya que las neuronas activas
requieren oxígeno y glucosa adicionales para obtener energía. A través de la circulación sanguínea,
Los glóbulos rojos ricos en oxígeno reponen las neuronas agotadas en el cerebro. Hemoglobina
moléculas, que transportan oxígeno en los glóbulos rojos desde los pulmones al resto de
el flujo sanguíneo aumenta como resultado de la actividad neuronal, pero el consumo de oxígeno
disminuye en relación con el aumento del suministro de oxígeno, la cantidad total de dHB en un
la región del cerebro disminuirá. Este vínculo entre el aumento de la actividad neuronal y
roedores (Ogawa et al. 1990) y poco después en humanos (Ogawa et al. 1992).
15
Machine Translated by Google
llegó a la conclusión de que los potenciales de campo locales, que generalmente se cree que son mejores
reflejar la entrada en una región del cerebro y no aumentar la actividad de las neuronas, mejor
2009). Por el contrario, también hay evidencia creciente de que BOLD sirve como un
proxy cercano de la actividad neuronal. Un estudio en humanos encontró que aumentar la actividad
de las neuronas de la corteza auditiva durante la visualización de películas fuertemente correlacionadas con
entre la actividad celular y el contraste BOLD (Lee et al. 2010). Aunque tal
necesario para determinar hasta qué punto se puede emplear el contraste BOLD como
La jerarquía básica para los datos de fMRI es bastante común entre los estudios (ver
Huetel et al. (2008)). Una comprensión de esta jerarquía también será útil en
aclarando gran parte de la terminología de datos en esta tesis (que puede no ser familiar para
la comunidad económica).
Primero, un estudio de resonancia magnética funcional requiere que los participantes se inscriban en un estudio. conductual
medidas (tales como encuestas u otras tareas económicas) se pueden recopilar antes o
dieciséis
Machine Translated by Google
después de la sesión de exploración. Dentro de una sola sesión de escaneo, habrá ambos
adquirir información espacial más precisa sobre la estructura del cerebro de un individuo, como
Las exploraciones de resonancia magnética funcional sacrifican algo de resolución espacial para aumentar la temporal.
resolución. La mayoría de las sesiones contienen varias ejecuciones de análisis funcionales. Durante
exploraciones funcionales, los participantes completan tareas de interés (por ejemplo, una tarea de juego), por lo que
que los datos neuronales y de comportamiento se registran simultáneamente. Una sola ejecución puede
durar de cinco a quince minutos; varias ejecuciones, en lugar de una sola ejecución,
De esta manera, los datos de fMRI son de cuatro dimensiones, ya que consisten en datos de series de tiempo de tres
volúmenes dimensionales (en un escaneo de cinco minutos, por ejemplo, podría haber 150
podría tomar aproximadamente 30 cortes para cubrir todo el cerebro en un solo volumen.
La unidad de medida en la mayoría de los estudios de resonancia magnética funcional es un vóxel. cada rebanada
varias opciones en la literatura para el espacio estereotáxico; esta tesis utiliza el espacio
creado por el Instituto Neurológico de Montreal (MNI). Las imágenes se toman cada
unos segundos (un tiempo de repetición, TR) y los datos se registran a partir de vóxeles, que se
17
Machine Translated by Google
generalmente un cubo de 3 a 4 mm de largo en cada tamaño (p. ej., cuyo volumen varía de
27 mm3 a 64 mm3 ).
Los pasos necesarios para el análisis de los datos de fMRI se pueden agrupar en dos
necesarios para preparar datos de fMRI para inferencias estadísticas sobre cognitiva
procesos, la mayoría de los cuales son bastante estándar en todo el campo. Estos pasos incluyen
extracción de cerebro (eliminación de tejido no cerebral de las imágenes), tiempo de adquisición de cortes
Los filtros temporales y espaciales se aplican con frecuencia a los datos de fMRI, en
un intento de mejorar la relación señal-ruido en los datos. Una razón común para
aplicar un filtro temporal a los datos de fMRI es eliminar las autocorrelaciones en los datos.
debido a las similitudes funcionales del cerebro. Además, a través de múltiples individuos, hay
El teorema del filtro establece que el mejor filtro es el que tiene la misma frecuencia que el
señal de interés, lo que significa que un núcleo de suavizado debe coincidir con el tamaño del
especificidad espacial deseada (Friston 2007). Por lo tanto, usando un filtro espacial que coincida
la correlación espacial esperada de los datos, la relación señal-ruido de los datos de fMRI
18
Machine Translated by Google
datos. Por definición, cualquier filtro espacial elimina alguna información de los datos. En
en algunos casos, ciertas técnicas que no eliminan estos datos pueden ser más útiles
Después de preprocesar los datos de fMRI, la inferencia estadística se puede hacer usando un
un enfoque univariante que implica un modelo lineal general para explicar el neural
datos. Existen varios recursos técnicos para esta metodología (Jezzard et al. 2003;
Luo y Nichols 2003; Friston 2005; Huetel et al. 2008; Woolrich et al. 2009).
implica un enfoque univariado (Friston et al. 1995; Huettel et al. 2008). Cerebro
observación), pero el mismo modelo lineal general se aplica por separado a cada uno
las regiones son reclutadas por varias tareas, así como también cómo ese reclutamiento puede variar
Se han aplicado técnicas a datos de fMRI para estudiar patrones de actividad neuronal.
tales como estados mentales y lectura del cerebro (Norman et al. 2006). Del mismo modo, MVPA es
19
Machine Translated by Google
con frecuencia se dice que decodifica o predice el comportamiento o los estados mentales a partir de la neuroimagen
datos (Friston 2009). Aquí, los estados mentales pueden referirse a varios fenómenos cognitivos.
participantes que ven imágenes de rostros humanos, casas u otros objetos (botellas,
zapatos) (Haxby et al. 2001). MVPA encontró que cada categoría tenía un patrón confiable
que contienen el ángulo de orientación del estímulo (de las líneas que ven los participantes)
En la mayoría de los casos, la MVPA se aplica de prueba a prueba, lo que hace posible
para identificar patrones que pertenecen a un solo estímulo o acción. MVPA puede
descubrir topografías en la corteza visual que son específicas de los estímulos dentro de la categoría,
como rostros humanos (Kriegeskorte et al. 2007), objetos (Eger et al. 2008), o incluso
20
Machine Translated by Google
neurociencia Cognitiva.
intenciones ocultas (Haynes et al. 2007), libre albedrío (Soon et al. 2008), olor
et al. 2010).
diferencias individuales en los procesos cognitivos (Hariri 2009; Braver et al. 2010).
et al. 2006; O'Toole et al. 2007), así como tutoriales detallados (Etzel et al. 2009; Mur
et al. 2009; Pereira et al. 2009). Sin embargo, el concepto básico detrás de MVPA puede ser
21
Machine Translated by Google
(por ejemplo, con contraste BOLD de fMRI), las respuestas neuronales difieren entre
esos dos estados mentales, entonces debería ser posible identificar (usando datos de
una o múltiples regiones del cerebro) cuál de esos dos estados mentales es actualmente
Considere el siguiente ejemplo como una aplicación para MVPA (Figura 2):
precio o tamaño). Se pueden recopilar datos neuronales (Figura 2B) para múltiples
realizado para reducir la dimensionalidad de los datos; diferentes regiones del cerebro
implica un proceso cognitivo relacionado con una manzana o una naranja. este algoritmo
luego podría probarse (Figura 2C) en nuevos datos neuronales que pertenecen a cualquiera de las manzanas
o naranjas.
22
Machine Translated by Google
(Figura 2D). Si el interés principal de la investigación implica instancias únicas (p. ej., ensayos
proceso de interés. Por supuesto, las predicciones también podrían potencialmente hacerse a través de
individuos (por ejemplo, esta persona prefiere las manzanas más que esa persona). Sin importar,
predicción, per se. Por ejemplo, como suele ser el caso con los análisis fMRI,
muchas regiones del cerebro son reclutadas para cualquier tarea o proceso cognitivo dado (como en
el caso de evaluar y elegir entre una manzana y una naranja). MVPA puede
ayudar a descubrir información única cuando muchas regiones contribuyen a un proceso cognitivo
contenido informativo de los patrones neuronales a través de un conjunto de estímulos o condiciones (por ejemplo,
recompensas) varan de manera continua a lo largo de alguna dimensin particular (por ejemplo,
las manzanas y las naranjas difieren claramente en términos de color y sabor, pero pueden no diferir en
las respuestas se pueden comparar de una manera común (Kriegeskorte et al. 2008).
23
Machine Translated by Google
aprendizaje automático a datos de fMRI para comprender mejor los componentes específicos de
técnicas multivariadas para analizar datos de resonancia magnética funcional, como las que incorporan
múltiples regiones del cerebro (Buchel y Friston 1997; Friston et al. 2003; Bullmore y
Sporns 2009), todos los cuales seguramente serán importantes para la neuroeconomía.
Es probable que las recompensas sean más motivadoras, en relación con otras recompensas, para
el valor monetario se mantiene constante. Por supuesto, el efectivo no es la única forma de recompensa,
(por ejemplo, manzana o naranja, como en la Figura 2), y transacciones que no involucran efectivo
(por ejemplo, tarjetas de débito, tarjetas de regalo y tarjetas de crédito). ¿Cómo se toman las decisiones, entonces? Cómo
¿El cerebro humano hace una elección entre manzanas y naranjas, y luego
asignar un valor monetario a esa preferencia? El concepto básico, como se discutió con
con respecto a las regiones cerebrales OFC y VMPFC, es que debe haber algún tipo de
25
Machine Translated by Google
paradigmas experimentales, los estudios de ejemplo incluyen aquellos con dulces y simples
alimentos (Plassmann et al. 2007), pequeñas baratijas (Chib et al. 2009), recompensas líquidas
et al. 2006), fotografías de rostros (O'Doherty et al. 2003), pagos de caridad (Hare et al.
2007), toque (Rolls et al. 2003), o recompensas monetarias para otros individuos (Mobbs
et al. 2009). Incluso dentro de la modalidad de recompensa monetaria, diferentes horizontes temporales
debe calcularse y compararse para tomar una decisión (Kable y Glimcher 2007),
al igual que las cantidades monetarias positivas (ganancias) y negativas (ganancias) (Tom et al.
estudian el concepto de moneda común para la elección dirigida a objetivos (Izuma et al.
2008; Chib et al. 2009; Fitz Gerald et al. 2009). Ese no es el objetivo preciso de este
tesis per se, ya que los datos neuronales incluidos aquí tocarán varios
fases del procesamiento de la recompensa (Figura 1). Sin embargo, los estudios de fMRI en esta tesis
26
Machine Translated by Google
la recompensa afecta su valor y cómo se ven afectadas las preferencias relativas entre las recompensas
Los capítulos 3 y 4 se centran en la aplicación de MVPA a los datos de fMRI para mejorar
el proceso, identifica regiones del cerebro que contienen recompensas únicas relacionadas y
empleando técnicas multivariadas para estudiar los puntos en común y las diferencias de
27
Machine Translated by Google
relacionado con el procesamiento de recompensas, también sigue el Capítulo 4 en su esfuerzo por medir
descrito por primera vez en el Capítulo 2. El capítulo cuantifica la literatura existente tanto en
los fundamentos del Capítulo 2. Apropiadamente, los caminos para el trabajo futuro que se relacionan
a los datos empíricos en esta tesis también se discuten. El capítulo 7 proporciona algunos
trabajar.
28
Machine Translated by Google
2 Fundamentos de la neuroeconomía
Este capítulo resume los desafíos clave del uso de datos neurocientíficos para
2.1 Introducción
tanto la ciencia como la sociedad. Los defensores han argumentado que la integración neurocientífica
métodos y conceptos económicos conducirá a una nueva comprensión de los seres humanos
comportamiento (Glimcher 2003; Camerer et al. 2005; Sanfey et al. 2006). Una amplia gama
demostraciones de regiones del cerebro que guían las respuestas a la feria (King-Casas et al.
2005; Cantante et al. 2006) e injustas (Sanfey et al. 2003) interacciones sociales, resuelven
incertidumbre durante la toma de decisiones (Yoshida e Ishii 2006), aversión a la pérdida de seguimiento
corresponden a señales de error de recompensa (Schultz et al. 1997; O'Doherty et al. 2003).
Los defensores ofrecen estos estudios (y muchos otros) como evidencia de que
En el otro extremo del espectro, los detractores vocales desafían estos audaces
reclamación (es. La neuroeconomía ha sido caracterizada como una yuxtaposición de moda, no como una
29
Machine Translated by Google
este último argumento parece extravagante, resuena con muchos científicos sociales.
de hecho, con poca consideración de cualquier mecanismo que pueda ser la base de la decisión
que la economía tradicionalmente tiene como objetivo predecir las opciones en lugar de dilucidar la elección
preguntas: ¿existe un nicho único para un campo de la neuroeconomía y, de ser así, qué
valor inequívoco a cuestiones de interés para los economistas. Nuestro razonamiento difiere
demostraciones de los sistemas cerebrales que sustentan el comportamiento económico. Aquí nosotros
30
Machine Translated by Google
(Caplin y Schotter 2008). Para fortalecer este argumento, damos nombre y rigor
estos argumentos, aunque lógicamente válidos, contienen suposiciones ocultas que hacen
Es importante destacar que los puntos que planteamos aquí tienen paralelos tanto en el aspecto cognitivo
los campos aparentemente dispares de las ciencias neuronales y sociales tienen mucho que ganar
puede descansar
Tales recompensas podrían ser, por ejemplo, ganancias o pérdidas monetarias, alimentos, información
para los sesgos de decisión como la heurística, los efectos de encuadre y las influencias emocionales.
toma de decisiones bajo riesgo (Hsu et al. 2005; Huettel et al. 2006) y cuando
O'Doherty et al. 2003; Daw et al. 2006). Con base en la amplitud de la investigación hasta el momento,
32
Machine Translated by Google
neurociencia de decisión.
hasta ahora no ha cumplido sus promesas. Las críticas comunes afirman que es pobre
asociado con datos de neuroimagen (Logothetis 2008). Si bien los datos de la neurociencia son
a menudo excluye conclusiones sólidas sobre los vínculos entre las regiones del cerebro y
comportamiento (Poldrack 2006). Incluso en áreas temáticas donde la neurociencia puede preguntar bien
pequeña muestra de humanos o animales. Por el contrario, los experimentos de las ciencias sociales,
33
Machine Translated by Google
Los estudios utilizan datos de observaciones en entornos naturales (p. ej., vivienda
Sin embargo, las ciencias sociales eran solo metodológicas, luego integrando datos de
los datos de la neurociencia no pueden influir en los modelos económicos, ni siquiera en principio. Aquí,
nos centramos en dos de estas críticas, a las que denominamos Suficiencia Conductual y
En una amplia crítica de la investigación neuroeconómica, los teóricos han argumentado que
hipótesis económicas -de hecho, cualquier hipótesis en las ciencias sociales- no puede ser
confirmar o refutar cualquier modelo económico (Gul y Pesendorfer 2008). Para falsificar un
modelo. Así, mientras los críticos admiten que la neuroeconomía puede proporcionar importantes
conocimientos sobre la función cerebral o los trastornos clínicos, hacen hincapié en que los datos de comportamiento
34
Machine Translated by Google
El énfasis económico está en los datos de elección observables, que pueden usarse para construir
los cálculos que causan el comportamiento de decisión generalmente no son parte del modelo.
Para un ejemplo específico, considere la hipótesis simple de que los sentimientos afectivos
(p. ej., tristeza) ejercen un efecto causal en la toma de decisiones bajo riesgo (Loewenstein
et al. 2001). Esta hipótesis parece un candidato natural para los modelos inspirados en
neurociencia, en el sentido de que postula estados intermedios específicos que influyen en la elección.
Sin embargo, para identificar esos estados se requieren datos de comportamiento autoinformados (es decir,
Además, los investigadores pueden inducir tristeza en los participantes (p. ej., presentando
la investigación del comportamiento podría revelar que la tristeza sesga las decisiones arriesgadas
Los modelos pueden incorporar otros estados afectivos (p. ej., ira o miedo) usando
probar las consecuencias de esos sentimientos sobre tipos específicos de decisiones. En todo
casos, los datos puramente conductuales (las respuestas de los sujetos a los estados inducidos) serían
35
Machine Translated by Google
asociado con una medida de decisión del mundo real. Predicción, críticos de
argumentan la neuroeconomía, puede ser facilitado por modelos inspirados en el comportamiento, no por
muestras (es decir, cientos de individuos) rápidamente y con un costo relativamente bajo. Para
muchas preguntas económicas, los datos de los experimentos de laboratorio se fusionan con
observaciones del comportamiento del mundo real, proporcionando controles importantes sobre la
validez ecológica de los fenómenos de investigación. Por el contrario, los experimentos de neurociencia
a menudo prohíbe los análisis de las diferencias individuales. Incluso bien dirigido y
a los métodos tradicionales de las ciencias sociales, el argumento de la suficiencia conductual parece
36
Machine Translated by Google
Sin embargo, la simplicidad de este argumento desmiente una premisa oculta, sin
investigadores podrían, en principio, falsificar cualquier modelo económico posible utilizando sólo
La neuroeconomía se basa en una premisa no declarada: todos los factores potencialmente falsificadores o
recogido). Muchos fenómenos de decisión importantes requieren una amplia gama de pruebas para
(Loewenstein et al. 2001), los investigadores pudieron probar los efectos de muchos estados afectivos:
ira, miedo, repugnancia, presión del tiempo, ansiedad, tentación, euforia, depresión y
privación del sueño, entre otros. Con datos completos sobre cómo el riesgo
las preferencias cambian en estos estados, los teóricos podrían validar, rechazar o refinar
consume mucho tiempo y es costoso, especialmente cuando se prueban factores que interactúan (p. ej.,
El argumento tiene éxito en principio, pero falla en la práctica: ningún investigador, de hecho, ningún
colección de investigadores: obtiene todos los datos posibles sobre todos los comportamientos posibles.
un camino para que los datos de la neurociencia influyan en el modelado económico. Datos de neurociencia
comportamiento mundial. Sin embargo, pueden dirigir el curso de la investigación. Continuando con el
37
Machine Translated by Google
estados como resultado de diferentes mecanismos. Por ejemplo, los estados negativos de
a pesar de algunas similitudes superficiales. Por lo tanto, los datos de la neurociencia que trazan un mapa particular
sistemas afectivos (p. ej., ínsula posterior en lugar de anterior) a formas específicas de
elección (por ejemplo, decisiones de compra) puede sugerir nuevas direcciones para posteriores
investigación del comportamiento. Argumentaremos, en nuestra primera Fundación, que la neurociencia puede
de neuroeconomía. Los estudios neuroeconómicos colocan con frecuencia a los sujetos humanos en una
encuadre de ganancias y pérdidas (De Martino et al. 2006; Tom et al. 2007), rechazo de
ofertas injustas (Sanfey et al. 2003), o retención de memoria incentivada (Adcock et al.
hacer extrapolaciones similares a partir de estudios con animales cuando los monos toman decisiones
con respecto al jugo (Padoa-Schioppa y Assad 2006) o las ratas toman decisiones
involucrando gotas de sacarosa (Roesch et al. 2007). En efecto, estos estudios crean un juguete
modelo que simplifica un fenómeno del mundo real para que pueda ser estudiado en el
laboratorio. El uso de modelos de juguete tiene una larga historia tanto en las ciencias naturales
(por ejemplo, colocar estructuras a pequeña escala en túneles de viento para entender fluido
mecánica) y las ciencias biológicas (p. ej., estudios in vitro para comprender
38
Machine Translated by Google
propiedades celulares). En muchos casos, los modelos de juguete han permitido a los investigadores probar
aplicaciones
desarrollo. En la segunda mitad del siglo XX, los economistas crearon simples
mercados dentro del laboratorio (Plott y Smith 1978; Banks et al. 1989), induciendo
sujetos a comportarse de una manera egoísta que refleje el comportamiento del mundo real.
Estos mercados obedecían principios básicos de investigación: los participantes recibían total y
típicamente adoptado estos principios. En estudios recientes sobre decisiones de compra, por
bienes (por ejemplo, iPods y dulces) a cambio (Knutson et al. 2007; Plassmann et al.
2007). Los investigadores extrapolan que los mecanismos neuronales reclutados en tales
Los principios de interés se mantienen desde el entorno del laboratorio hasta el entorno natural.
modelos a pequeña escala de edificios a sus contrapartes del mundo real: una
que dan forma al comportamiento en el laboratorio (por ejemplo, efectos de demanda del experimentador) no
necesariamente influir en los fenómenos del mundo real (por ejemplo, la cantidad de donaciones caritativas
39
Machine Translated by Google
fuera del contexto del laboratorio). Supongamos que un economista está interesado en formas de
decisiones para ahorrar dinero. ¿Cómo puede esa información sobre el mecanismo - como
recopilados de unas pocas docenas de temas: generar una mejor comprensión de fuera de
teorías que describen datos agregados. Se han hecho afirmaciones similares y notables
dentro de la economía sobre los fenómenos de mercado (Friedman 1953). Nos referimos a esto como
nivel. Un razonamiento similar impregna las críticas a la economía del comportamiento, consistente
(Weng et al. 1999; Foote 2007). Si se acepta, este argumento limita el alcance
fenómenos de nivel.
sólo existe, pero subsume cualquier influencia de los niveles inferiores. Sin embargo, como ha sido
40
Machine Translated by Google
explica resultados de nivel superior a partir de datos de nivel inferior. Considere la adicción a las drogas, un
problema a nivel social de creciente interés para los economistas (Gul y Pesendorfer
2007; Bernheim 2009). Ningún científico afirma que la comprensión de los nervios
mecanismos de la adicción proporciona una explicación completa del abuso de drogas. Aún,
evidente en las influencias genéticas (Kreek et al. 2005), y el éxito de las intervenciones
política. Otros fenómenos económicos pueden tener sólo una aparición limitada. Para
Por ejemplo, la planificación de la jubilación en adultos mayores probablemente esté determinada por factores cognitivos.
modelos mecanicistas, pero no hace que esos modelos sean lógicamente inválidos.
Ahora es cada vez más probable que los modelos de las ciencias sociales incorporen algunos
explicaciones mecanicistas que dan cuenta de los efectos a través de los niveles. Económico
utilizar opciones de cartera individuales para explicar el comportamiento del mercado financiero (Bossaerts et al.
41
Machine Translated by Google
Alabama. 2007). Fuera de la economía, el crecimiento de los modelos basados en agentes (Axtell et al.
2002) sugiere una dirección prometedora: cómo los actores independientes se combinan para
que los investigadores pueden especificar con mayor precisión los mecanismos que subyacen a la
la investigación en neuroeconomía puede unificar las teorías cognitivas y neuronales del comportamiento
(Bernheim 2009). El conocimiento sobre los mecanismos subyacentes (cerebro) puede generar
hipótesis novedosas sobre factores moduladores externos, que a su vez pueden probarse
experimentos de neurociencia pueden acelerar el curso de la investigación del comportamiento, de manera efectiva
comportamiento.
fenómenos, para indicar los mecanismos potenciales que subyacen a esos fenómenos,
mientras que la tentación y el arrepentimiento parecen ser fenómenos subjetivos muy diferentes,
43
Machine Translated by Google
pueden llevar a las personas a decisiones de compra similares (Sarver 2008), como cuando
la compra podría conducir a un arrepentimiento posterior. [Se pueden construir argumentos similares para
sustratos (Coricelli et al. 2005; Coricelli et al. 2007). Datos de la neurociencia que
experimentos e hipótesis más específicas que diferencian las propiedades del arrepentimiento
y la tentación, junto con fenómenos relacionados que pueden compartir algunos de sus
mecanismos neurales. Según esta primera Fundación, los datos de la neurociencia deberían
El conocimiento neurobiológico puede hacer más que producir nuevas hipótesis; eso
también puede restringir modelos. Modelos de función neural, influenciados tanto por humanos
y estudios con animales, han guiado las teorías del control ejecutivo y la decisión
economía (Rabin 1998; Caplin y Leahy 2001; Kahneman 2003). En nuestro segundo
Foundation, Biological Plausibility, argumentamos que los datos de la neurociencia pueden inspirar
44
Machine Translated by Google
Schultz et al. 1997) y estudios en humanos (McClure et al. 2003; O'Doherty et al.
2003) han llevado a una teoría convergente sobre el papel de la dopamina en la recompensa
comprensión de los mecanismos que guían las diferentes formas de utilidad, tal conocimiento
apoyada por humanos (De Martino et al. 2006; Yacubian et al. 2006) y
interacciones entre sistemas cerebrales en competencia. Esto puede incluir, por supuesto, su
rechazo. Por ejemplo, estudios recientes sugieren una perspectiva contraria, que una mayor
(Kable y Glimcher 2007; Tom et al. 2007; Chib et al. 2009). Restricción
45
Machine Translated by Google
Alexandrova 2008).
Observamos, como advertencia, que la mayoría de los métodos neurocientíficos actuales proporcionan
(Logothetis 2008). Los modelos basados en estas técnicas son intrínsecamente incompletos
y debe hacer suposiciones simplificadoras (p. ej., la región A se activa como si fuera
mecanismo real entre las regiones A y B no está siendo modelado, al igual que el
los cálculos reales que subyacen a las preferencias generalmente se ignoran. Nuevos métodos
entre regiones (Friston et al. 2003), prometen crear modelos integrados que
incluir tanto una descripción del flujo de información entre las regiones del cerebro como la
efectos del comportamiento sobre las conexiones entre esas regiones. Además,
y Weinberger 2004; Hariri et al. 2006; Hariri 2009), también proporcionará más
crítico para identificar una jerarquía de mecanismos de nivel inferior y superior (Caplin
46
Machine Translated by Google
2.5 Conclusión
La teoría de la utilidad esperada puede explicar las respuestas de las neuronas individuales a
información entrante (Glimcher 2003). De manera similar, los aspectos de la teoría de la utilidad pueden ser
utilizado para describir la actividad de las poblaciones de neuronas dentro de la recompensa del cerebro
teoría de la decisión para explicar los mecanismos de toma de decisiones, como construir a partir de
fenómenos tan diversos como las interacciones de los neurotransmisores (Daw et al. 2002) tiempo
comportamiento (Fehr y Camerer 2007), y arrepentimiento (Coricelli et al. 2007). sin claro
ejemplos de modelos económicos formados por datos de la neurociencia, sin embargo, los críticos argumentan
que la investigación en neuroeconomía tiene relevancia para los neurocientíficos, pero no para
Estamos de acuerdo con las valoraciones de los críticos sobre el estado actual de la neuroeconomía
investigación -la neuroeconomía ha estado centrada en el cerebro-, pero no estamos de acuerdo con
las conclusiones que extraen para el futuro del campo. Las críticas fundamentales de
47
Machine Translated by Google
curso de futuros estudios conductuales. Como paralelo histórico, los economistas han
durante muchos años (Simon 1955; Geanakoplos et al. 1989; Elster 1998; Rabin 1998),
48
Machine Translated by Google
información de recompensa cuando se pide explícitamente a los individuos que evalúen una recompensa.
3.1 Introducción
et al. 2005). En este capítulo, investigamos los sistemas neuronales que subyacen a la
técnicas a los datos de resonancia magnética funcional, a saber, MVPA (Figura 2).
et al. 2006; Wallis 2007; Rangel et al. 2008). Estos y trabajos anteriores (Schultz et al.
1997; Delgado et al. 2000; Knutson et al. 2000) se han centrado en el ventral
49
Machine Translated by Google
valor elegido, respectivamente. Juntas, estas regiones pueden convertir una amplia gama de
recompensas en una moneda común que acelera la elección, con OFC en última instancia
(Wallis 2007).
Aunque cada vez hay más pruebas que respaldan el papel de la OFC en
conocido acerca de cómo otras regiones pueden apoyar la construcción de valor basada en
integrando el valor de las acciones potenciales (Sugrue et al. 2004; Glimcher et al.
2005). Incluso si OFC representa el valor de las opciones de elección, en una amplia gama de
cálculos necesarios para algunas variables de decisión, pero no para otras. Estas
región, y por lo tanto podría ser inaccesible a través de análisis de neuroimagen estándar
clasificadores”, que utiliza las características de ejemplos conocidos para desarrollar características
50
Machine Translated by Google
conjuntos que pueden clasificar nuevos ejemplos en categorías (Vapnik y Lener 1963).
Las máquinas de vectores de soporte (SVM) subyacen a los enfoques más comunes (Cortés
2004; Haynes y Rees 2005). Dado un problema de clasificación binaria, una SVM
derivado de los cambios conjuntos en la activación a través de vóxeles. Los más comunes
Tong 2005; Kay et al. 2008). Sin embargo, la clasificación de patrones también ha mostrado potencial
de diferentes tipos de recompensas, nuestro objetivo era proporcionar nueva información sobre la
Dos tipos comunes de valoraciones involucran resultados que solo ocurren con
Federico et al. 2002). Muchos fenómenos de comportamiento son similares en estos dos
51
Machine Translated by Google
que dan cuenta de estos puntos en común (Prelec y Loewenstein 1991; Green y
Myerson 2004). Cada uno ha sido, al menos de forma independiente, un objetivo de la neurociencia.
investigar. Para estudios de neuroimagen de la incertidumbre (Critchley et al. 2001; Paulus et al.
Alabama. 2003; Huetel et al. 2005; Kuhnen y Knutson 2005; Huetel et al. 2006), la mayoría
han implicado corteza insular (INS), corteza parietal posterior (PPAR), inferior
2004; Hariri et al. 2006; Kable y Glimcher 2007; McClure et al. 2007; Weber y
Huetel 2008). Estos estudios apuntan a una variedad de regiones: VSTR, MPFC, medial
corteza orbitofrontal (MOFC), corteza cingulada anterior (ACC), corteza cingulada posterior
Este capítulo informa los datos de fMRI recopilados mientras los participantes valoraban
Los análisis buscaron identificar las regiones específicas del cerebro que, cuando se agregan a un
contribuciones de los patrones neurales a los estados cerebrales. Concretamente, nuestros resultados apuntan a
52
Machine Translated by Google
cálculos de valor.
3.2.1 Participantes
y datos de resonancia magnética funcional. Dos de estos individuos fueron eliminados de la muestra antes de
análisis de datos: uno por movimiento excesivo de la cabeza y otro debido a una recopilación de datos
error, quedando una muestra final de once participantes. Todos los participantes fueron
Los participantes dieron su consentimiento informado por escrito como parte de un protocolo aprobado por el
premio económico (Figura 3, presentada en escala de grises). Para los ensayos probabilísticos,
las probabilidades de resultado variaron continuamente de 0,25 a 0,75 y los valores de los premios
osciló entre $ 20 y $ 75. Tanto el premio como su probabilidad fueron sorteados pseudo
aleatoriamente a partir de distribuciones uniformes, restringidas de modo que el valor esperado varió
ganando el premio, que siempre estaba encima. El resultado alternativo fue $0 en todos
juicios Para los juicios intertemporales, el período hasta el parto varió de uno a
dieciséis semanas y el premio oscilaba entre $15 y $50 (solo valores enteros). los
la duración de la demora estaba representada por la parte gris del rectángulo, lo que significa que la
no tendria que esperar. Por lo tanto, los dos tipos de ensayos coincidieron tanto como
En una sesión de exploración previa, los participantes se enfrentaron a 12 intentos de cada tipo (24
dos del mismo tipo que aparecen consecutivamente. Cada apuesta se mostró inicialmente
durante 7 s, luego a los participantes se les dio tiempo ilimitado para escribir su valor subjetivo
(es decir, certeza o inmediatez equivalente) para ese premio. Esta sesión inicial sirvió
dos propósitos Primero, familiarizaba a los participantes con la tarea antes de que los posteriores
sensibilidad al riesgo y al retraso que guió la selección de los posibles valores de respuesta
dentro de la sesión de fMRI. Los participantes completaron una segunda carrera de práctica corta.
En la sesión de escáner, los participantes completaron ocho carreras, cada una con 24
juicios de valoracion El tiempo fue el mismo que el de la práctica: los premios eran visibles
presentado para cada premio, y los participantes seleccionaron el valor más cercano a su
calificación subjetiva presionando uno de los ocho botones. Los valores de respuesta potencial
botón tres y botón seis. Una vez que se presionaba un botón, aparecía un rectángulo azul.
se muestra alrededor del valor seleccionado (Figura 3) durante un breve intervalo (0,2 s). Ensayos
54
Machine Translated by Google
MathWorks, Inc.).
3.2.3 Pago
Se les garantizó al menos $30 en tarjetas de regalo, aunque era posible que un
55
Machine Translated by Google
los pagos se enviaron a través de una confirmación por correo electrónico) y para mantener una moneda única
durante todo el experimento (no se pagó ninguna cantidad en efectivo; la cantidad garantizada
Los participantes fueron informados de todas estas condiciones antes de aceptar tomar
parte en el estudio.
sesión. Primero, los participantes lanzaron un dado de ocho caras dos veces, una vez por un
ensayo probabilístico y una vez para un ensayo intertemporal, para determinar las dos corridas
desde el cual una computadora seleccionaría aleatoriamente los ensayos para el pago. Una vez el
1964) para determinar el pago. Para cada ensayo, la computadora extrajo aleatoriamente un
valor de la apuesta del ensayo elegido. Si el entero aleatorio fuera menor que el indicado
valor subjetivo para ese juicio, entonces se llevó a cabo la apuesta. si fuera mayor
Adquirimos datos de fMRI en un escáner de resonancia magnética General Electric 3.0 Tesla con un
56
Machine Translated by Google
[tiempo de repetición (TR) = 2000 ms; tiempo de eco (TE) = 27 ms; campo de visión (FOV) = 256
milímetro; tamaño de vóxel = 4*4*4 mm] en 30 cortes axiales paralelos a la línea que conecta el
compuesto por 182 imágenes (excepto un participante con 178), con una inicial
Las imágenes funcionales se corrigieron por movimiento usando una herramienta de FMRIB
herramienta de registro de imágenes) (Jenkinson et al. 2002). Las imágenes funcionales también fueron
Instituto Neurológico, MNI) usando FSL 4.0 (Smith et al. 2004), manteniendo un
(Huettel et al. 2005; Huettel et al. 2006; McClure et al. 2007) y en el existente
corteza insular anterior (INS), DLPFC, estriado dorsal (DSTR), prefrontal inferior
(MOFC), MPFC, PCC, corteza parietal posterior izquierda (LPPAR), posterior derecha
57
Machine Translated by Google
corteza parietal (RPPAR) y VSTR. Cada ROI estaba compuesto por varios vóxeles.
esferas centradas en varias coordenadas (x, y, z) MNI. Las máscaras de ROI eran
(1)
El premio monetario Z se puede modelar como una función de poder simple (Huettel et al.
2006),
(2)
neutral (a = 1), o buscador de riesgo (a > 1). Dados nuestros premios probabilísticos, también
las preferencias supuestas de los participantes tienen una representación de utilidad esperada.
intensidad dentro de cada vóxel para cada prueba, definida como la señal media a través de
tres volúmenes consecutivos dentro del período de valoración (con un retraso de 5 s después
58
Machine Translated by Google
construya clasificadores de patrones a partir de cuatro conjuntos de datos de características: ROI global, ROI local,
reflector global y reflector local (Figura 4). La señal global de ROI fue
calculado tomando la señal media en todos los N vóxeles en el ROI. El ROI local
la señal del vóxel, lo que da como resultado un vector de patrón N-dimensional para cada par de prueba,
de los datos de ROI, usamos SVM para determinar si la información local decodificó los ensayos
El clasificador era un SVM que usaba un conjunto de base radial. Se utilizó una cuadrícula de búsqueda para optimizar
de nuestros espacios característicos utilizados para entrenar a los clasificadores, nuestro tercer y cuarto set
(Figura 4) utilizaron conjuntos de características de reflectores (Kriegeskorte et al. 2006). Estos conjuntos de datos
también son más específicos espacialmente; y por lo tanto podría ser capaz de identificar individuos
vóxeles que impulsan el rendimiento de ROI local o global. Por cada vóxel en
definido como la señal media de todos los vóxeles en el reflector, mientras que el reflector
El clasificador local se obtuvo (como para los ROI más grandes) restando el reflector
59
Machine Translated by Google
(Mitchell et al. 2004). Seleccionamos repetidamente cuatro quintas partes de los ensayos para entrenar a un
SVM (Figura 5), con la parte restante de los ensayos utilizados como conjunto de prueba de ensayo
las cinco pruebas fue el porcentaje de CV. Para cualquier SVM, un CV alto es indicativo de una
algoritmo de aprendizaje flexible que es más probable que clasifique con precisión nuevos datos.
60
Machine Translated by Google
(50%). Todas las afirmaciones de importancia se refieren a p < 0,05, corregido por múltiples
número de clasificadores que se comparan (p. ej., para ROI individuales, hubo 13). como un
prueba adicional para la precisión de nuestro clasificador, también usamos LIBSVM para generar
relación entre la fracción de predicciones correctas para un tipo de ensayo (p. ej.
61
Machine Translated by Google
riesgo) y la fracción de predicciones incorrectas para el otro tipo de ensayo (por ejemplo, retraso),
Para los clasificadores locales de ROI, también construimos clasificadores usando todos
posibles combinaciones de dos, tres y cuatro ROI. Esto resultó en 1092 SVM
para cada participante. Para comparar el rendimiento de estos clasificadores con cada
a 1092. Este proceso nos permitió controlar las diferencias entre los participantes en
el rendimiento medio de todos los clasificadores (es decir, una mejor clasificación general en todos
ROI). Las clasificaciones promedio de cada posible combinación de ROI entre los participantes
luego se usaron para pruebas de orden de rango de diferencias pareadas. Para pruebas estadísticas de
contra ningún cambio (0%). Las imágenes del rendimiento del clasificador se generaron utilizando
El análisis utilizando un modelo lineal general (GLM) se llevó a cabo utilizando FEAT
(Herramienta de análisis experto FMRI) 5.92 en FSL 4.0. Primero, MELODIC 3.0 (Beckmann y
Smith 2004) se usó para identificar artefactos del escáner, y un sistema automatizado y
usando BET, el corte del filtro de paso alto se estableció en 100, y los datos fueron espacialmente
juicios intertemporales y dos para juicios probabilísticos. Dentro de cada tipo de valoración,
representó el período de respuesta. Cada uno de los dos regresores de valoración fue
de manera similar para el período de respuesta, aunque ese intervalo fue modelado para sus 4 s
carreras individuales para nuestros once participantes. Los datos se combinaron entre ejecuciones
(segundo nivel) utilizando un análisis de efectos fijos, y los datos se combinaron entre
participantes usando análisis de efectos aleatorios a través del algoritmo FSL FLAME. Estas
los análisis de tercer nivel utilizaron el umbral estándar de significación de conglomerados de p = 0,05,
análisis de todo el cerebro y análisis enmascarados por nuestros ROI a priori (es decir, con un
3.3 Resultados
3.3.1 Comportamiento
ensayos, con diez de once alcanzando un promedio de 99,6% de 192 ensayos; el restante
el participante falló el 16%. [Observamos que todos los análisis informados fueron sólidos para
63
Machine Translated by Google
hecha.]
una mano. Las respuestas se equilibraron entre los ocho valores posibles para cada
prueba, con la mayoría de las respuestas ocurriendo cerca de los valores medios, lo que refleja nuestra
respuestas entre los dos tipos de ensayos para cualquiera de los once participantes. Significar
el tiempo de respuesta (RT) para la condición intertemporal (1,8 ± 0,5 s) fue significativamente
más rápido (diferencia pareada, p < 0,01) que el de la condición probabilística (2,1 ±
0,4 s). Esto puede reflejar una mayor dificultad para ubicar el valor elegido en el
dado que a los participantes se les asignaron siete segundos para completar la valoración
También obtuvimos medidas de retraso y preferencias de riesgo para cada uno de nuestros
participantes (Tabla 2) usando los datos de las ocho corridas de escaneo. Individual
de demora neutral a bastante aversión a la demora, con el comportamiento de todos los participantes encajando bien
2
por una función de descuento hiperbólica (mediana r = 0,97; Figura 9). Participantes
eran neutrales al riesgo a ligeramente buscadores de riesgo, con sus elecciones generalmente bien ajustadas por
64
Machine Translated by Google
2
un modelo de poder para el riesgo (mediana r = 0,84; Figura 9). Preferencias de riesgo y demora
de nuestros ROI elegidos a priori se desempeñaron significativamente por encima del azar cuando el
disminuye a través de los vóxeles de la señal ROI promedio (Figura 6). La parte superior
del 76,2%, p < 0,001). Por el contrario, ninguna región se desempeñó significativamente por encima del azar
(es decir, la señal promedio en todos los vóxeles en el ROI). Para una señal promedio, el
comparaciones, este efecto no fue significativamente diferente del azar. Para todos
señal, con la mayor diferencia nuevamente encontrada en LPPAR (la señal local CV fue
Nuestras curvas ROC para los clasificadores locales de ROI brindan más apoyo
bajo la curva (AUC) como nuestra medida del rendimiento del clasificador (Fawcett 2006)
a través de todos los umbrales posibles, encontramos que el AUC promedio para LPPAR fue
0,79 (p < 0,001), el más alto de los 13 ROI. Además, esta medida de clasificador
sesenta y cinco
Machine Translated by Google
Una preocupación intrínseca a los datos de fMRI es que este clasificador diferencial
podría variar según las regiones en función de las propiedades del escáner (p. ej., la distancia desde
bobinas del receptor en la matriz en fase). Determinamos el fSNR para cada ROI y
encontró que las diferencias de fSNR explicaban menos del 6% de toda la variación entre los ROI.
Esto indica que las diferencias en la sensibilidad de los datos de fMRI solo pueden explicar una
66
Machine Translated by Google
datos combinados de todas las combinaciones de una, dos, tres y cuatro regiones,
dando como resultado un total de 1092 clasificadores para cada participante. Mediante el uso de clasificaciones de
las combinaciones de ROI para realizar nuestras pruebas estadísticas, podemos evaluar cómo estas
Las combinaciones se comportan una con respecto a la otra, mientras se controla por
realización de todas las combinaciones posibles. Este grupo fue significativamente mejor (p <
0,05) que todas las demás combinaciones de tres o cuatro ROI que no contenían dos de
en la predicción del tipo de valoración que PCC o RPPAR por sí solos (p < 0,01),
pero no significativamente mejor que LPPAR por sí mismo (p = 0,32). Finalmente, los dos primeros
Los resultados mostraron que la información local en LPPAR fue un mejor predictor
de la forma de valoración que la información local de cualquier otra región. LPPAR por
los 1092 clasificadores posibles, LPPAR consistentemente lo hace mejor que PCC (p < 0.02)
67
Machine Translated by Google
y RPPAR (p < 0,001). Por lo tanto, los datos indicaron que LPPAR proporcionó la
valoraciones intertemporales.
doce retornos de la inversión se combinaron con él. Por ejemplo, cuando LPPAR se combinó con
en comparación con AMYG solo. Sin embargo, como se muestra en la esquina superior derecha, el
los ROI combinados en realidad funcionaron peor (es decir, una reducción en CV en un 5%) que
LPPAR solo. La Figura 7B colapsa a lo largo de las filas de la Figura 7A para demostrar que,
en promedio, LPPAR (promedio 9,3%, p < 0,001), PCC (6,6%, p < 0,001), RPPAR
(5,9 %, p < 0,001) y DLPFC (5,5 %, p < 0,003) agregaron poder predictivo al
ROI (Figura 7C), las tasas de CV de muchas de esas regiones no se vieron afectadas o
mostró una disminución significativa en la tasa de CV cuando se combinó con cualquier otro ROI (-
disminuye la tasa de CV del nuevo clasificador. Ningún otro ROI exhibió disminuciones similares
68
Machine Translated by Google
cuatro ROI (Figura 10). La adición de LPPAR a otras combinaciones de ROI todavía
energía. Por lo tanto, los datos de estas combinaciones de ROI convergen en un sólido
69
Machine Translated by Google
Si bien los enfoques basados en el ROI tienen muchas ventajas para la investigación de fMRI
(por ejemplo, reduciendo el número de pruebas estadísticas), corren el riesgo de identificar erróneamente funcional
regiones, especialmente si los vóxeles que llevan una señal significativa están incluidos dentro
modelos que incorporan un gran número de vóxeles más ruidosos. Como control de nuestra
regiones dentro de nuestros ROI: creamos clasificadores de patrones a partir de reflectores más pequeños
(Figura 4B), definida como esferas de ~100 vóxeles que rodean cada vóxel en el ROI
clasificadores globales y locales fue análogo al proceso para cada ROI. Probamos
reflectores con precisión predictiva superior al 70% fue LPPAR (Figura 8A),
dentro del cual más del 23% de todos los vóxeles pasaron ese nivel (máximo
contribuciones de un pequeño conjunto de vóxeles contiguos en una región del cerebro, fue
ROI.
Para cada retorno de la inversión, el rendimiento medio del clasificador de señal global cayó entre
probabilidad y ~ 55%, aunque cada ROI tenía al menos un reflector local y uno
reflector global con un CV significativamente por encima del azar. Además, el mayor
la diferencia entre los reflectores locales y globales (~39 %) se vuelve a encontrar en LPPAR
70
Machine Translated by Google
(Figura 8B) que indica que LPPAR contiene la mayor parte de la información local. Estas
los hallazgos están en línea con los resultados del ROI (Figura 6 y Figura 7).
MPFC (66,7 %) fue más alto que el reflector local máximo en MPFC (64,9 %).
indicando que la información local hizo contribuciones mínimas (si las hubo) en comparación
71
Machine Translated by Google
los contrastes se enumeran en la Tabla 3). Para la valoración de los retrasos intertemporales (D),
encontró una activación significativa tanto en ACC como en la corteza frontal medial. en juicios
involucrando riesgo probabilístico (R), también se encontró una activación significativa en ACC, como
así como en la circunvolución frontal superior, y junto con porciones de LPPAR, con un
máximo local en el lóbulo parietal superior. Es importante destacar que el CV para el local
reflector sobre ese máximo local fue del 57,7%, lo que indica una discrepancia
también identificó regiones que eran significativamente más activas para intertemporal
72
Machine Translated by Google
en comparación con intertemporal (R > D). Para D > R se encontraron diferencias significativas
en MOFC y varias otras regiones corticales. Las únicas regiones corticales que demostraron
Como verificación adicional de nuestros ROI, repetimos nuestros análisis GLM utilizando
nuestros ROI como una máscara de volumen antes de umbralizar y corregir múltiples
reclutado IPFC izquierdo, INS anterior y PPAR bilateral. Para D > R, ACC, bilateral
DLPFC, MOFC, MPFC y PCC fueron todos significativos. Es importante destacar que ninguno de los
Los ROI fueron significativos para R > D, y PPAR no distinguió ningún tipo de ensayo
del otro Por lo tanto, concluimos que el uso de métodos de clasificación de patrones
proporcionó información novedosa sobre los sistemas neuronales que diferencian las formas de
valoración económica; es decir, información que no estaba disponible dentro del estándar
3.4 Discusión
indicó que la información única sobre la construcción de valor fue proporcionada por el
patrón de activación local dentro de LPPAR. Los vóxeles más predictivos en LPPAR
se localizaban en la parte más posterior del lóbulo parietal superior, a lo largo del
surco intraparietal, dentro del hemisferio izquierdo. Estos mapas computacionales locales
no eran evidentes al examinar los resultados del análisis fMRI estándar, tal vez
porque usamos una tarea de valoración simple que controlaba varios posibles
73
Machine Translated by Google
factores de confusión, incluido el rango de valores, la preparación motora y las características visuales. Nuestro
toma de decisiones bajo incertidumbre: aINS, lateral PFC y PPAR, entre otros
(Cuadro 4). Este resultado apoya la inferencia de que los participantes estaban tratando el
procesos de valoración, también observamos una activación dorsal significativa de ACC, que
puede ser relevante para la representación de tareas y elecciones (Rushworth et al. 2007). Aún,
Los datos de clasificación de patrones, sin embargo, nos llevaron a una conclusión diferente: el local
Un estudio reciente utilizó una búsqueda ascendente de combinaciones de ROI para intentar
el mayor porcentaje de nuestros datos, sino para identificar información única que
puede formar la base de modelos robustos de computación. Usamos una combinatoria completa
enfoque que desarrolló clasificadores de todas las combinaciones de hasta cuatro regiones.
74
Machine Translated by Google
Esto permitió la medición de la información única dentro de una región dada que
o disminuciones en la validación cruzada, en lugar de la predicción del modelo, como nuestra medida de
actuación. Este segundo paso es crucial; regiones que conducen a aumentos en la cruz
La validación revela información útil y sirve para construir un modelo más robusto.
Según el examen de todas las combinaciones de dos, tres y cuatro ROI, encontramos
Talla. Aunque PCC y RPPAR también aumentaron el poder predictivo del ROI
respaldado además por nuestro análisis de reflector (Figura 8 y Tabla 1). Entonces, locales
la información codificada en otras regiones del cerebro era redundante con la información
han sido identificados recientemente (Weber y Huettel 2008). Más crítico es nuestro
encontrar que LPPAR contiene información local única que no está presente
en otro lugar dentro del sistema de toma de decisiones. Una posible interpretación de
este resultado es que refleja una topografía computacional dentro de ese específico
para características (por ejemplo, orientación) dentro de la corteza visual primaria (Haynes y Rees
75
Machine Translated by Google
2007) y valor subjetivo (Glimcher et al. 2005). Alternativamente, los patrones locales
podría reflejar proyecciones separadas a otras regiones donde otros cálculos pueden
sección.
puede reflejar una etapa temprana en el procesamiento, mucho antes de distintas clases de
las recompensas se representan dentro de una moneda común (Montague y Berns 2002).
homogéneo, nuestros análisis de luz de búsqueda proporcionaron pruebas sólidas de escala fina
Así como características de estímulo como la orientación (Haynes y Rees 2005; Kamitani
y Tong 2005) y la categoría de objeto (Shinkareva et al. 2008) están representados por
topografías espaciales dentro de regiones específicas, puede haber una topografía similar
en la corteza parietal en función de los tipos de cálculos (por ejemplo, distintos matemáticos
operaciones) necesarias para las valoraciones económicas. Tal proximidad espacial podría
76
Machine Translated by Google
subconjuntos de cálculos locales, como sucedería con frecuencia en el caso del mundo real
las eficiencias pueden ser descritas por dos hipótesis no excluyentes. En primer lugar, ambas formas
cálculo, y por lo tanto la proximidad espacial puede reflejar una necesidad de común
operaciones utilizadas para calcular el riesgo y el retraso. En segundo lugar, la proximidad espacial podría
facilitar las comparaciones entre estos diferentes tipos de valoración (y tal vez
otros) dentro de PPAR como puede ser necesario en muchas decisiones del mundo real, pero no en
el estudio presente.
fases, podemos estar seguros de que los efectos observados en PPAR no se confunden
clasificación. Como ejemplos, estudios previos han pedido a los participantes que agreguen o
restar (Haynes et al. 2007), para cambiar o permanecer en una tarea de función ejecutiva
2005). Nuestra tarea, a modo de comparación, presenta a los participantes una serie de premios.
y les pide que evalúen cada uno de forma independiente, que no elijan entre premios.
ellos mismos.
Por lo tanto, concluimos que PPAR juega un papel clave en el proceso de valoración a través de
77
Machine Translated by Google
necesarios para calcular el valor económico. Debido a que esta información PPAR es
probablemente aguas arriba de otras regiones que finalmente codifican el valor subjetivo en el
tanto el cálculo del valor como la elección deben dar cuenta de lo que
PPAR de salida podría proporcionar VSTR y OFC. Si bien nuestra tarea no fue diseñada para
Las regiones cerebrales de interés, incluido el PCC, contienen patrones locales que se pueden utilizar
para discernir los ensayos de alta probabilidad de los de baja probabilidad y los de poca demora de
juicios de larga demora. Este análisis dentro de la clase de valoración proporciona más pruebas
Una preocupación común para los experimentos de neuroimagen es que los efectos observados
podría reflejar diferencias en el grado (es decir, la magnitud de la actividad neuronal), pero no
tipo (es decir, población o patrón de actividad neuronal). Teniendo en cuenta nuestra
experimento, si los participantes fueran relativamente neutrales al retraso (como lo fueron en nuestro
estudio) y usó una heurística simple para esos ensayos, las valoraciones probabilísticas podrían
reclutan más fuertemente las regiones del cerebro involucradas en el cálculo y tal vez conducen a
más activación (en general) en toda la corteza. Las subregiones de PPAR son ampliamente
2003; Cantlón et al. 2006), así como un cálculo aproximado (Piazza et al. 2004). Si
78
Machine Translated by Google
interpretamos las diferencias de tiempo de respuesta como el resultado del tiempo de cálculo
diferencias, entonces nuestros datos apoyan esta hipótesis, ya que ambos tipos de valoración
PPAR reclutado dentro de los análisis GLM (Tabla 4). Sin embargo, hay evidencia
argumentando en contra de esta posibilidad. Nuestros datos de reflectores demostraron que los locales
los patrones de activación de vóxeles discriminaron de manera confiable las dos formas de valoración,
incluso después de que se eliminó el nivel de activación global a través de ese reflector. Nosotros
tenga en cuenta, sin embargo, que otras regiones, incluida la corteza visual, fueron significativamente
Figura 11), consistente con los efectos computacionales o de excitación generales en aquellos
regiones.
Nuestro papel postulado para PPAR en la construcción de valor también podría reflejar un
dificultad (Anderson et al. 2005). Nuestra robusta activación de ACC en ambas valoraciones
tipos es consistente con la literatura de cambio de tareas (Liston et al. 2006) que
también implica con frecuencia a PPAR como sensible al conflicto de representación de estímulos.
(probabilidad). Una posible explicación basada en la heurística también podría aplicarse aquí: un
diferencia en cómo los participantes tratan los dos tipos de premios, no en cómo
valorarlos, podría conducir potencialmente a diferencias neuronales que fueron decodificadas por
79
Machine Translated by Google
nuestros clasificadores. Es importante señalar que LPPAR siguió siendo el mejor discriminador
de valoración económica, incluso si examinamos solo a los participantes con aversión al retraso o
solo los participantes que no buscan riesgos (Figura 12). Nuestros resultados también fueron robustos a
eliminación de cualquiera de los participantes de los análisis. Finalmente, notamos que LPPAR
fue la región más predictiva o la segunda más predictiva en cada participante dentro
la muestra.
Muchos de nuestros participantes exhibieron un comportamiento neutral al riesgo frente a la búsqueda de riesgo en
Ensayos probabilísticos de toma de decisiones. Si bien tales preferencias son poco comunes,
particularmente cuando las apuestas son pequeñas (Weber y Chapman 2005) . Además, nuestro
estilo de presentación era novedoso (las representaciones visuales eran casi idénticas a través
ambos tipos de prueba) y nuestros pagos fueron completamente en dólares de Amazon.com. Uno o
ambas facetas de nuestro diseño pueden haber cambiado la valoración relativa (o establecer
niveles de aspiración) entre premios. La economía explora con frecuencia los efectos de
evaluar los efectos de la modalidad de premio sobre las preferencias de riesgo. Notamos eso
80
Machine Translated by Google
primeras fases de la construcción de valor. Considere una tarea que implique elegir
si un participante se enfrenta a un ensayo de tipo mixto o un ensayo del mismo tipo, ya que hay
solo un cálculo común para realizar (otra región, sin embargo, podría mostrar
participante estaba eligiendo entre las dos recompensas anteriores frente a dos recompensas de
análisis de conectividad (Buchel y Friston 1997; Friston et al. 2003) o un análisis más
3.5 Conclusión