Modele extrait de deliberation association

Les taux d`apprentissage calculés à partir de chacune de nos régions d`intérêt, superposées sur les taux d`apprentissage correspondent au comportement du temps de réaction. Les taux d`apprentissage les plus ajustés sont affichés pour chaque type d`essai: les essais séquentiels d`identification d`image, les essais de décision et les essais de résultats de choix. Pour les essais d`apprentissage dans l`hippocampe et le caudate, les taux d`apprentissage sont calculés à l`aide du régressor de l`entropie avant. Pour les essais d`apprentissage dans le cortex sélectif face et maison, les taux d`apprentissage sont calculés en utilisant la probabilité estimée de l`image apparaissant sur le prochain essai. Pour les essais de décision dans l`Hippocampus, le taux d`apprentissage est calculé en utilisant le choix régresseur de difficulté. Pour les essais de décision dans le cortex sélectif du visage et de la maison, les taux d`apprentissage sont calculés en utilisant la portion du régresseur de difficulté de choix spécifique à cette image. Pour les essais de résultats dans le noyau accumbens, le taux d`apprentissage est calculé à l`aide du régressor d`erreur de prédiction de récompense. Barres d`erreur: 1 SEM. Nous sommes en mesure de comparer l`apprentissage entre les différentes phases de la tâche (apprentissage et choix) et les types de mesures (temps de réaction, choix et corrélats gras de différentes quantités) en les traitant tous comme des fenêtres différentes sur un processus d`apprentissage computationnel. Nous adapons chaque type de données avec un modèle de calcul standard de la façon dont les prédictions sont apprises de l`expérience récente, et comparent les paramètres de taux d`apprentissage qui expliquent le mieux ces mesures. Le schéma des données des figures 3 et 5 et du tableau 1 montre une cohérence frappante dans ces taux d`apprentissage estimés entre les différentes mesures. Les images ont été présentées une à la fois pour un processus de transition de Markov de 3000 à un ordre fixe (c.-à-d.

une matrice de probabilités conditionnelles). Les probabilités conditionnelles ont été modifiées brusquement à trois points au cours de la tâche, non alignées sur les périodes de repos et sans notification visuelle ou autre. (Les images présentées ici ne sont pas celles qui sont utilisées dans l`étude, mais les tenants du domaine public de clker.com qui reflètent la catégorie des photographies utilisées au cours de l`expérience.) Cette activité reflète-t-elle l`apprentissage similaire à l`un des processus observés dans le comportement RT? Nous avons de nouveau estimé le taux d`apprentissage implicite par ces corrélats BOLD. Le taux d`apprentissage calculé à partir de l`hippocampe antérieur BOLD pendant les choix correspondait au taux d`apprentissage lent adapté à RT. Le taux d`apprentissage moyen qui expliquait le mieux cette activité était (figure 5). Cela était différent du taux d`apprentissage rapide du comportement RT (), mais ne différait pas du taux d`apprentissage RT lent (). L`implication de la région hippocampale dans les deux phases de la tâche, montrant le même type d`associations apprises, soutient l`idée qu`un processus d`apprentissage commun prend en charge les deux comportements. Un point connexe est que les estimations des taux d`apprentissage à partir de caractères gras dans la figure 5 tendent à être moins extrêmes que leurs homologues comportementaux, c.-à-d. légèrement plus lent par rapport au taux d`apprentissage rapide et plus rapide par rapport au ralentissement. Dans quelques cas, cette différence entre les estimations BOLD et comportementale est significative, semblant de contredire l`interprétation que toutes ces mesures reflètent un processus d`apprentissage commun. Nous croyons que cela se rapporte à un autre ensemble important de mises en garde avec cette étude, qui est qu`il est méthodologique difficile d`estimer les taux d`apprentissage à partir de données BOLD en raison de la relation non linéaire entre le taux d`apprentissage et les variables de décision qui ont Corrélats gras (entropie, etc.).

Pour permettre l`estimation, nous rapprochons cette relation comme linéaire à l`aide d`une expansion de Taylor de premier ordre [7], [25], [39]. Cela nous permet d`estimer le taux d`apprentissage dans le contexte de la même analyse standard de l`IRM (en utilisant un modèle linéaire général) que le reste de nos résultats, et, à son tour, ces analyses font face aux méthodes standard avec les nombreuses complications méthodologiques de l`IRM ( y compris, par exemple, les effets aléatoires intersujets, l`autocorrélation temporelle et spatiale, l`hémodynamique et la colinéarité de la régressor).