ConclusionsFinally, how does comput

Conclusions
Finally, how does computational modeling help advance cognitive science and neuroscience with respect to decision-making research? One important way that we mentioned earlier is to use predictions from a mathematical/computational model to generate prediction for BOLD fMRI signals in hypothesized brain regions during decision making. The first step in model-based fMRI is to estimate the free parameters in the mathematical/computational model of behavior. Then these estimates are used to generate predictions from the model across time and or trials. The model predictions are then convolved with a hemodynamic response function to produce a regressor that is finally used to predict the BOLD signal across time. Getting accurate parameter estimates is important because they affect the results of the subsequent model-based fMRI analysis (e.g., Tanaka et al., 2004). For example, Ahn and colleagues (2011) compared regressors obtained from maximum likelihood estimates of individuals with regressors obtained from individual estimates derived from hierarchical Bayesian estimation methods. For both estimation methods, they inserted the parameters estimated for an individual into the PVL model to generate the predicted choice probabilities for each trial, and they convolved these predictions with the canonical hemodynamic response filter. The choice probability is a relative measure of the expected value signal (Daw et al., 2006). Finally these regressors were used to predict activation in brain areas including the ventromedial prefrontal cortex (vmPFC), which is known to encode reward (Daw et al., 2006 and Knutson et al., 2005). Subsequent model-based fMRI results were generally consistent with the behavioral results. Importantly, the model based regressor produced substantially stronger correlations with BOLD signals in target areas than regressors simply based on observed behavior in the task. A similar result was also reported by Jessup et al. (2010). Finally, hierarchical Bayesian estimates produced substantially stronger correlations with activation in the vmPFC than maximum likelihood estimates. In conclusion, computational modeling in conjunction with effective parameter estimation methods can substantially improve analyses and understanding of the neural basis of cognition and decision.

ผลลัพธ์ (ไทย) 1:

บทสรุป
ในที่สุด วิธีไม่สร้างโมเดลการคำนวณช่วยล่วงหน้าประชานศาสตร์และประสาทวิทยาศาสตร์เกี่ยวกับวิจัยตัดสินใจ วิธีหนึ่งที่สำคัญที่เรากล่าวถึงก่อนหน้านี้จะใช้คาดการณ์จากแบบจำลองทางคณิตศาสตร์/คอมพิวเตอร์เพื่อสร้างการคาดเดาสำหรับสัญญาณ fMRI หนาในภูมิภาคค่าสมองในระหว่างการตัดสินใจ ขั้นตอนแรกในเซ fMRI จะประมาณพารามิเตอร์ในแบบจำลองทางคณิตศาสตร์/คำนวณของลักษณะการทำงานฟรี แล้ว การประเมินเหล่านี้จะใช้ในการสร้างคาดการณ์จากแบบจำลองการข้ามเวลาและหรือการทดลอง คาดคะเนรูปแบบอยู่แล้ว convolved กับฟังก์ชันตอบสนองแสดงความดันโลหิตการผลิต regressor ที่สุดท้ายใช้ทำนายตัวหนาสัญญาณตลอดเวลา การประมาณพารามิเตอร์ที่ถูกต้องเป็นสิ่งสำคัญ เพราะจะส่งผลต่อผลลัพธ์ของการวิเคราะห์ fMRI ตามรุ่นต่อมา (เช่น ทานากะ et al., 2004) สำหรับตัวอย่าง อาห์น และเพื่อนร่วมงาน (2011) เปรียบเทียบ regressors ที่ได้จากการประเมินความเป็นไปได้สูงสุดของแต่ละบุคคล ด้วย regressors ที่ได้รับจากการประเมินแต่ละที่ได้มาจากวิธีการประเมินทฤษฎีลำดับชั้น สำหรับวิธีการประเมินทั้งสอง เขาแทรกพารามิเตอร์การประเมินสำหรับแต่ละในแบบ PVL สร้างกิจกรรมทางเลือกการคาดการณ์สำหรับการทดลองแต่ละ และพวกเขา convolved คาดการณ์เหล่านี้ มีตัวกรองมาตรฐานตอบสนองแสดงความดันโลหิต ความน่าเป็นทางเลือกเป็นการวัดสัมพันธ์ของสัญญาณค่าคาดหมาย (โอและ al., 2006) สุดท้าย regressors เหล่านี้ถูกใช้เพื่อเปิดใช้งานในพื้นที่สมอง ventromedial prefrontal cortex (vmPFC), ซึ่งเป็นที่รู้จักกันเข้ารางวัล (โอและ al., 2006 และ Knutson et al., 2005) รวมถึงทำนาย ผลลัพธ์ fMRI ตามรุ่นต่อมาโดยทั่วไปสอดคล้องกับพฤติกรรมผลลัพธ์ได้ ที่สำคัญ regressor จำลองผลิตความสัมพันธ์ที่แข็งแกร่งมาก ด้วยตัวหนาสัญญาณในพื้นที่เป้าหมาย regressors ก็ตามสังเกตพฤติกรรมในงาน ผลคล้ายยังรายงานโดย Jessup et al. (2010) ในที่สุด การประเมินทฤษฎีลำดับชั้นผลิตสัมพันธ์มากแข็งแกร่ง ด้วยการเปิดใช้งาน vmPFC ที่มากกว่าการประเมินความเป็นไปได้สูงสุด ในสรุป สร้างโมเดลการคำนวณร่วมกับวิธีการประมาณค่าพารามิเตอร์มีประสิทธิภาพมากสามารถปรับปรุงวิเคราะห์และความเข้าใจในพื้นฐานของประชานและตัดสินใจประสาท

ผลลัพธ์ (ไทย) 2:

ข้อสรุป
สุดท้ายว่าจะสร้างแบบจำลองการคำนวณความช่วยเหลือล่วงหน้าวิทยาศาสตร์พุทธิปัญญาและประสาทที่เกี่ยวกับการวิจัยการตัดสินใจ? วิธีการหนึ่งที่สำคัญที่เรากล่าวก่อนหน้านี้คือการใช้การคาดการณ์จากแบบจำลองทางคณิตศาสตร์ในการคำนวณ / การสร้างการคาดการณ์สำหรับสัญญาณ fMRI ตัวหนาในบริเวณสมองสมมติฐานในระหว่างการตัดสินใจ ขั้นตอนแรกในรูปแบบที่ใช้ fMRI คือการประมาณค่าพารามิเตอร์ฟรีในทางคณิตศาสตร์ / รุ่นคอมพิวเตอร์ของพฤติกรรม แล้วประมาณการเหล่านี้จะใช้ในการสร้างการคาดการณ์จากแบบจำลองข้ามเวลาและหรือการทดลอง การคาดการณ์แบบจำลองจะ convolved แล้วด้วยฟังก์ชั่นการตอบสนองเพียงใดในการผลิต regressor ที่ใช้ในที่สุดในการทำนายสัญญาณหนาข้ามเวลา การประมาณการค่าพารามิเตอร์ที่ถูกต้องเป็นสิ่งสำคัญเพราะพวกเขาส่งผลกระทบต่อรูปแบบการใช้การวิเคราะห์ fMRI ภายหลัง (เช่นทานากะ, et al., 2004) ตัวอย่างเช่น Ahn และเพื่อนร่วมงาน (2011) regressors เทียบที่ได้จากการประเมินความน่าจะเป็นสูงสุดของบุคคลที่มี regressors ที่ได้จากการประมาณการของแต่ละคนมาจากลำดับชั้นวิธีการประมาณค่าแบบเบย์ ทั้งวิธีการประเมินพวกเขาใส่พารามิเตอร์ที่ประมาณสำหรับบุคคลในรูปแบบ PVL ในการสร้างความน่าจะเป็นทางเลือกที่คาดการณ์ไว้สำหรับแต่ละตัวอย่างและการที่พวกเขา convolved การคาดการณ์เหล่านี้ด้วยตัวกรองการตอบสนองเพียงใดเป็นที่ยอมรับ น่าจะเป็นทางเลือกที่เป็นตัวชี้วัดความสัมพันธ์ของสัญญาณมูลค่าที่คาดว่าจะ (นาง et al., 2006) สุดท้าย regressors เหล่านี้ถูกนำมาใช้ในการทำนายการยืนยันการใช้งานในพื้นที่ของสมองรวมทั้ง ventromedial prefrontal นอก (vmPFC) ซึ่งเป็นที่รู้จักกันในการเข้ารหัสรางวัล (นาง et al., ปี 2006 และ Knutson et al. 2005) ผลที่ตามมาแบบที่ใช้ fMRI โดยทั่วไปสอดคล้องกับผลพฤติกรรม ที่สำคัญ regressor ตามรูปแบบการผลิตอย่างมีนัยสำคัญความสัมพันธ์ที่แข็งแกร่งกับสัญญาณตัวหนาในพื้นที่เป้าหมายกว่า regressors ก็ขึ้นอยู่กับพฤติกรรมการสังเกตในงาน ผลที่คล้ายกันยังได้รับรายงานจากซัพและคณะ (2010) สุดท้ายประมาณการคชกรรมลำดับชั้นการผลิตอย่างมีนัยสำคัญความสัมพันธ์ที่แข็งแกร่งกับการเปิดใช้ใน vmPFC กว่าประมาณการความน่าจะเป็นสูงสุด โดยสรุปการสร้างแบบจำลองการคำนวณร่วมกับวิธีการประมาณค่าพารามิเตอร์ที่มีประสิทธิภาพอย่างมากสามารถปรับปรุงการวิเคราะห์และความเข้าใจในพื้นฐานของระบบประสาทของความรู้ความเข้าใจและการตัดสินใจ

ผลลัพธ์ (ไทย) 3:

สรุป
ในที่สุด แล้วคำนวณแบบจำลองช่วยให้ก้าวหน้าวิทยาศาสตร์พุทธิปัญญาและประสาทวิทยาศาสตร์ ด้วยความเคารพกับการตัดสินใจ การวิจัย หนึ่งที่สำคัญที่เรากล่าวถึงก่อนหน้านี้เพื่อใช้คาดคะเนจากทางคณิตศาสตร์ / การคำนวณรูปแบบการสร้างพยากรณ์หนา fMRI สัญญาณในสมมติฐานพื้นที่สมองในการตัดสินใจขั้นตอนแรกคือการประมาณค่าพารามิเตอร์สำหรับ fMRI ฟรีในแบบจำลองคอมพิวเตอร์คณิตศาสตร์ / พฤติกรรม แล้วการประมาณการเหล่านี้จะใช้เพื่อสร้างการคาดการณ์จากแบบจำลองในเวลาและหรือการทดลอง แบบจำลองทำนายแล้ว convolved ด้วยฟังก์ชันการตอบสนองการผลิตเพื่อผลิต regressor นั้นก็ทำนายหนาสัญญาณทั่วเวลาการประมาณพารามิเตอร์ที่ถูกต้องเป็นสิ่งสำคัญเพราะพวกเขามีผลกระทบต่อผลที่ตามมาสำหรับการวิเคราะห์ fMRI ( เช่น ทานากะ et al . , 2004 ) ตัวอย่างเช่น อาน และเพื่อนร่วมงาน ( 2011 ) เมื่อเทียบ regressors ความเป็นไปได้สูงสุดได้จากประมาณการของแต่ละบุคคล regressors ได้จากประมาณการที่ได้มาจากวิธีการประมาณแบบเบส์ .ทั้งวิธีการประมาณค่าพารามิเตอร์ที่พวกเขาใส่ประมาณ สำหรับบุคคลในการเลือกรูปแบบ pvl คาดการณ์ความน่าจะเป็นสำหรับแต่ละการทดลอง , และพวกเขา convolved การคาดการณ์เหล่านี้กับ Canonical กรองการตอบสนองการผลิต . ทางเลือกที่น่าจะเป็นวัดสัมพัทธ์ของค่าคาดหวังสัญญาณ ( นาง et al . , 2006 )ในที่สุด regressors เหล่านี้ถูกใช้เพื่อทำนายการกระตุ้นสมองในพื้นที่รวมทั้งเปลือกสมองส่วนหน้า ventromedial ( vmpfc ) ซึ่งเป็นที่รู้จักกันเพื่อเข้ารหัสรางวัล ( นาง et al . , 2006 และคนูตสัน et al . , 2005 ) สำหรับผลลัพธ์ที่ตามมา fMRI โดยทั่วไปที่สอดคล้องกับผลทางพฤติกรรม ที่สำคัญรูปแบบพื้นฐานที่แข็งแกร่งความสัมพันธ์ regressor อย่างมากด้วยตัวหนาสัญญาณในพื้นที่เป้าหมายกว่า regressors เพียงแค่ตามสังเกตพฤติกรรมในงาน ผลที่คล้ายกันก็รายงานโดยเจส et al . ( 2010 ) ในที่สุด ลำดับชั้นแบบประมาณการผลิตมากแข็งแกร่งความสัมพันธ์กับการกระตุ้นใน vmpfc กว่าประมาณความควรจะเป็นสูงสุด สรุปการคำนวณแบบควบคู่กับวิธีประมาณค่าพารามิเตอร์ที่มีประสิทธิภาพอย่างมากสามารถปรับปรุงการวิเคราะห์และความเข้าใจในพื้นฐานของการตัดสินใจและประสาทรับรู้ .