Opis projektu
Nagroda w ludzkich zachowaniach opartych na statystyce
Ludzie i inne zwierzęta muszą uczyć się wydajnego kompresowania informacji pochodzących ze zmysłów – pomagają im w tym zarówno regularności statystyczne obecne w środowisku, jak i dostępna w nim nagroda. Niedawne badania z zakresu psychologii i neuronauki wykazują, że sygnały nagrody należycie modulują poznane reprezentacje. Jednakże reprezentacje te określają, w jaki sposób rozpoznajemy obiekty i koncepcje, zaś pośredni wpływ, jaki wywiera na nie nagroda, pozostaje niejasny. Twórcy projektu RELEARN stawiają hipotezę, że ludzie wykorzystują ograniczone zasoby obliczeniowe w celu kierowania poznanymi reprezentacjami pod kątem ich użyteczności w zakresie uzyskania nagrody. Badacze proponują też model matematyczny integrujący uczenie przez wzmocnienie oraz uczenie reprezentacyjne oparte o prawdopodobieństwo. Badacze przetestują przewidywania behawiorystyczne i neuronowe w eksperymentach, w ramach których ludzie uczą się zdobywać nagrodę w oparciu o statystykę funkcji symulowanego środowiska.
Cel
Learning the statistical buildup of the environment serves the purpose of making good decisions, thus what regularities humans learn and what ones they neglect depends on the relevance towards maximizing reward. Recent studies characterise reward-based modulation of feature representations built by humans and animals both on the behavioural and neural level, but the effect of reward on learning higher-order environmental statistics is unknown. Our hypothesis is that humans do not learn to represent feature co-occurrence statistics if it does not help to predict reward due to resource constraints on computation and storage. We propose a mathematical framework based on Bayesian hierarchical modelling and reinforcement learning to predict the modulatory effect of reward on learned representations. We will test the predictions of the model in a series of experiments where humans need to learn to associate precisely controlled statistical aspects of a naturalistic simulated environment to reward both in the lab and online, in reactive and planning-based tasks. Additional to behaviour, the model will predict the structure of neural representations and their changes over the course of the experiment as well. We will test those predictions using magnetoencephalography during the learning phase of the experiments and decoding analysis to compare model variables to neural responses. The results will contribute to the understanding of representational learning in humans, with potential implications in psychiatry and economics as well as supply the community with novel analytical tools and data. The unique mentoring at the host institution together with the extensive training program including international visits to world-leading collaborators will establish my independent research program in computational neuroscience.
Dziedzina nauki
Słowa kluczowe
Program(-y)
Temat(-y)
System finansowania
MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)Koordynator
80539 Munchen
Niemcy