ResultsWe model the task as a simpl

Results
We model the task as a simple Markov Decision Process (MDP)
with different paths that parallel the diverse observed behaviours
ranging from sign-tracking – engaging with the lever as soon as it
appears – to goal-tracking – engaging with the magazine as soon
as the lever-CS appears – (see Figure 1).
The computational model (see Figure 2) consists of two learning
systems, employing distinct mechanisms to learn the same task: (1)
a Model-Based system which learns the structure of the task from
which it infers its values; (2) a Feature-Model-Free system where values
for the relevant stimuli (lever-CS and the food magazine) are directly
learned by trial and error using RPEs. The respective values of each
system are then weighted by an v parameter before being used in a
classical softmax action-selection mechanism (see Methods).
An important feature of the model is that varying the systems
weighting parameter v (while sharing the other parameter values
of the model across subgroups) is sufficient to qualitatively
reproduce the characteristics of the different subgroups of rats
observed experimentally during these studies.

ผลลัพธ์ (ไทย) 1:

ผลลัพธ์เรารูปแบบงานเป็นการง่าย Markov ตัดสินกระบวนการ (MDP)มีเส้นทางแตกต่างกัน พร้อมกันนั้นหลากหลายสังเกตอากัปกิริยาตั้งแต่เครื่องหมายติดตาม – เสน่ห์ ด้วยคันโยกทันทีนั้นปรากฏเป้าหมายติดตาม – มีนิตยสารเป็นเร็ว ๆ นี้เป็นคันโยก-CS แล้ว- (ดูรูปที่ 1)แบบคำนวณ (ดูรูปที่ 2) ประกอบด้วยการเรียนรู้ที่ 2ระบบ การใช้กลไกที่แตกต่างเพื่อเรียนรู้งานเดียวกัน: (1)รุ่นที่ใช้ระบบการเรียนรู้โครงสร้างของงานจากได้ที่ infers ค่าของ (2) คุณลักษณะรุ่นฟรีระบบที่ค่าในสิ่งเร้าที่เกี่ยวข้อง (คาน-CS และอาหารนิตยสาร) ได้โดยตรงเรียนรู้ โดยการลองผิดลองถูกโดยใช้ RPEs ค่าเกี่ยวข้องของแต่ละระบบมีแล้วถ่วงน้ำหนัก โดยมีพารามิเตอร์ v ก่อนที่จะใช้ในการกลไกการดำเนินการเลือก softmax คลาสสิก (ดูวิธีการ)เป็นคุณลักษณะสำคัญของรูปแบบที่แตกต่างกันระบบน้ำหนัก v พารามิเตอร์ (ในขณะที่ค่าพารามิเตอร์อื่น ๆ ร่วมกันรูปแบบข้ามกลุ่มย่อย) เพียงพอที่จะ qualitativelyเกิดลักษณะของกลุ่มย่อยต่าง ๆ ของหนูสังเกต experimentally ในระหว่างการศึกษาเหล่านี้

ผลลัพธ์ (ไทย) 3:

ผลลัพธ์
เรารูปแบบงานเป็นแบบมาร์คอฟกระบวนการตัดสินใจ ( MDP )
กับเส้นทางที่แตกต่างกันที่ขนานสังเกตพฤติกรรมหลากหลาย
ตั้งแต่เซ็นติดตาม–เสน่ห์กับคันโยกทันทีที่
ปรากฏและเป้าหมายการติดตามและมีส่วนร่วมกับนิตยสารทันที
เป็นคันโยก CS จะปรากฏขึ้น ( ดูรูปที่ 1 ) – .
รูปแบบการคำนวณ ( ดูรูปที่ 2 ) ประกอบด้วยสองการเรียนรู้
ระบบการใช้กลไกที่แตกต่างกันเพื่อเรียนรู้งานเดียวกัน ( 1 )
รูปแบบตามระบบที่ได้เรียนรู้โครงสร้างของงานจาก
ซึ่งอ้างถึงค่าของ ( 2 ) รูปแบบคุณลักษณะฟรีระบบที่ค่า
สำหรับสิ่งเร้าที่เกี่ยวข้อง ( CS และคันโยกนิตยสารอาหาร ) โดยตรง
เรียนรู้โดยการทดลองและข้อผิดพลาดโดยใช้ rpes . คุณค่าที่เกี่ยวข้องของแต่ละ
ระบบจะถ่วงน้ำหนักโดย v ตัวแปรก่อนที่จะถูกใช้ในการเลือก softmax
คลาสสิกกลไก ( ดูวิธีการ ) .
คุณสมบัติที่สำคัญของรูปแบบที่แตกต่างกันพารามิเตอร์ระบบ
( V ( ในขณะที่การแบ่งปันค่าพารามิเตอร์ของแบบจำลองในกลุ่มย่อยๆ

) ก็เพียงพอที่จะสร้างคุณภาพคุณลักษณะของ กลุ่มย่อยต่าง ๆ ของหนู
ผลการศึกษาพบว่า ในช่วงนี้