Projektbeschreibung
Wie das Gehirn lernt, die menschliche Entscheidungsfindung zu optimieren
Schulung und Erfahrung können zu lange anhaltenden Verbesserungen unserer Fähigkeit führen, Entscheidungen in unterschiedlichen Bereichen zu treffen. Stellen Sie sich zum Beispiel vor, wie man ein verrauschtes Röntgenbild untersucht, um eine genaue Diagnose zu stellen oder wie man zwischen verschiedenen Aktienoptionen auswählt, um Finanzerträge zu maximieren. Diese scheinbar unterschiedlichen Lernszenarien wurden bisher isoliert untersucht. Mit dem EU-finanzierten Projekt DyNeRfusion sollen ein einheitlicher Rahmen für die Integration dieser unterschiedlichen Forschungslinien entwickelt und die neurologischen Prozesse charakterisiert werden, die dem Lernen und der Entscheidungsfindung im Gehirn des Menschen zugrunde liegen. Hierfür wird modernste Hirnbildgebung entwickelt (Fusion aus EEG und fMRT), indem neuartige Techniken maschinellen Lernens und mathematische Modellierung des menschlichen Verhaltens genutzt werden. Das Projekt wird eine umfassende Darstellung der Art und Weise, wie unser Gehirn lernt, Entscheidungen zu optimieren, ermöglichen, was über das hinausgeht, was man mit herkömmlichen Hirnbildgebungsverfahren ableiten könnte.
Ziel
Training and experience can lead to long-lasting improvements in our ability to make decisions based on either ambiguous sensory or probabilistic information (e.g. learning to diagnose a noisy x-ray image or betting on the stock market). These two processes are referred to as perceptual and probabilistic/reward learning, respectively. Despite considerable efforts to uncover the neural systems involved in these processes, perceptual and reward learning have largely been studied in separate lines of research using divergent learning mechanisms. The primary aim of this proposal is to develop a unified framework for integrating these lines of research and understand the extent to which they share a common computational and neurobiological basis. Specifically, we will test the proposition that both the perceptual and reward systems could be understood in a common framework of reward maximization, whereby a domain-general reinforcement-guided learning mechanism based on separate prediction error representations facilitates future actions and adaptive behavior. To offer a comprehensive spatiotemporal characterization of the relevant networks and their computational principles we will adopt a state-of-the-art multimodal neuroimaging approach to fuse simultaneously-acquired EEG and fMRI data, via machine-learning-inspired multivariate single-trial analysis techniques and computational modelling. The projects ultimate goal is to empower a level of neuronal and mechanistic understanding that extends beyond what could be inferred with each of these modalities in isolation. We will achieve this goal by exploiting endogenous trial-by-trial electrophysiological variability to build parametric fMRI predictors that can offer additional explanatory power than what can already be achieved by stimulus- or behaviorally-derived predictors, allowing us to go over and beyond what has been reported previously in the literature.
Schlüsselbegriffe
Programm/Programme
Thema/Themen
Aufforderung zur Vorschlagseinreichung
(öffnet in neuem Fenster) ERC-2019-COG
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
ERC-COG -Gastgebende Einrichtung
G12 8QQ Glasgow
Vereinigtes Königreich