| Popis: |
Estradiol je nedavno postal zanimiv v farmakološkem raziskovanju spoznavnega delovanja kot agent, ki ga lahko predrugači. Predpostavljen mehanizem, ki to omogoča, je sprememba v nivoju razpoložljivega dopamina. Implikacije slednjega so pri vzpodbujevalnem učenju (angl. reinforcement learning) danes dobro raziskane. Ker estradiol morebiti predrugači spoznavno delovanje potrebno za uspešno izvrševanje naloge vzpodbujevalnega učenja in je verjeten mehanizem, preko katerega to dosega, sprememba razpoložljivega dopamina, smo poskušali ugotoviti, ali administracija estradiola res vpliva na izvedbo ter učenje pri nalogi verjetnostnega vzpodbujevalnega učenja. V ta namen smo izvedli dvojno slep s placebom kontroliran eksperiment, v katerem smo gledali, če je med kontrolno in eksperimentalno skupino prišlo do sprememb v stopnji učenja pri nalogi vzpodbujevalnega učenja s pomočjo Q-učnega algoritma. Dodatno je bil uporabljen hierarhični Bayesovski učni algoritem (hierarhični Gaussov filter), ki naj bi bil boljši pri razlagi vedenja na nalogah vzpodbujevalnega učenja. Hierarhični Gaussov filter namreč omogoča natančnejše in kompleksnejše modeliranje vedenja preko modeliranja prepričanj s pomočjo dodatnih parametrov v modelu. Za preverjanje te trditve smo modela primerjali s pogosto uporabljenima merama za primerjanje modelov (tj. Bayesovskim informacijskim kriterijem in Akaike informacijskim kriterijem) vrednosti ter izračunali točnost obeh modelov. Udeleženci so prav tako poročali o svojih prepričanjih glede naloge vzpodbujevalnega učenja v obliki statičnih ocen in dinamičnih, časovno-odvisnih ocen. Oboje je bilo uporabljeno za dodatno potrditev modelnih vrednosti drugega modela. Ugotovili smo, da med skupinama ni bilo statistično pomembnih razlik v stopnji učenja. V nasprotju z našimi pričakovanji smo ugotovili, da se je algoritem Q-učenja boljše prilegal podatkom kot drugi model. Kot zadnje smo razkrili statistično pomembno povezanost med ocenami modela in subjektivnimi poročili o prepričanjih v nekaterih izmed izračunanih korelacij. S tem je bila nakazana uporabnost združevanja subjektivnih poročil z modelnimi vrednostmi hierarhičnega Gaussovega filtra v namene potrditve ustreznosti modelnih vrednosti. Estradiol has recently started gaining interest as a modulatory agent of human cognitive functioning. A proposed mechanism by which modulation occurs is a change in dopamine availability. As the implications of the latter in reinforcement learning have been well documented and because estradiol might alter the cognitive processes involved in the successful execution of a reinforcement learning task, we have explored whether administering an acute dose (3 mg) of estradiol in healthy young men indeed affected learning in a probabilistic reinforcement learning task. By using a double-blind, placebo-controlled design, we assessed group differences in learning rates by employing a Q-learning model. A hierarchical Bayesian learning model (the hierarchical Gaussian filter) was used in addition as an alternative that was predicted to be better at explaining the observed behaviour. Namely, the hierarchical Gaussian filter enables a more precise and complex interpretation of behavior by modeling beliefs and yielding parameter estimates related to those beliefs. Both models were compared using two commonly used model selection criteria (i.e. the Bayesian Information Criterion and the Akaike Information Criterion) and by assessing their model accuracy. Furthermore, subjective reports of their beliefs about the task in the form of single point estimates and dynamic, time-dependent estimates were used at the end of the experiment as a way of validating the second model's values. We did not find a clear effect of estradiol administration in the reinforcement learning task. In contrast to our expectations, the Q-learning model fit the data better. Finally, we have shown that the model values statistically significantly correlated with subjective reports in some of the computed correlations, giving further weight to pairing subjective reports with model values and the validity of the model estimates of the hierarchical Gaussian filter themselves. |
