Descrizione del progetto
In che modo il cervello impara a ottimizzare il processo decisionale umano
L’allenamento e l’esperienza possono condurre a miglioramenti duraturi nella nostra capacità di prendere decisioni in diversi ambiti. Consideriamo, ad esempio, l’imparare come esaminare un’immagine radiografica rumorosa per formulare una diagnosi accurata o l’imparare come scegliere tra diverse opzioni azionarie per massimizzare i rendimenti finanziari. Questi scenari di apprendimento apparentemente così diversi sono stati finora studiati isolatamente. L’obiettivo del progetto DyNeRfusion, finanziato dall’UE, è quello di sviluppare un quadro unificato per integrare queste diverse linee di ricerca e caratterizzare i processi neurobiologici alla base dell’apprendimento e del processo decisionale nel cervello umano. A tal fine, esso svilupperà un imaging cerebrale all’avanguardia (unione di EEG e fMRI), sfruttando nuove tecniche di apprendimento automatico e modellazione matematica del comportamento umano. Il progetto offrirà un resoconto esauriente di come il nostro cervello impara a ottimizzare le decisioni, andando oltre a ciò che potrebbe essere dedotto con tecniche di imaging cerebrale più tradizionali.
Obiettivo
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.
Parole chiave
Programma(i)
Argomento(i)
Invito a presentare proposte
(si apre in una nuova finestra) ERC-2019-COG
Vedi altri progetti per questo bandoMeccanismo di finanziamento
ERC-COG -Istituzione ospitante
G12 8QQ Glasgow
Regno Unito