CBBS Wissenschaftscampus

Entschlüsselung des zeitlichen Verlaufs von Lernen und Entscheidungsfindung

Entscheidungsfindung in einer sich dynamisch verändernden Welt hängt oft von Überzeugungen über den aktuellen Zustand der Welt ab. Einige Zustände mögen konstant sein, aber verrauscht, und diese Stochastizität spiegelt sich in der erwarteten Unsicherheit wider. Wenn sich Zustände hingegen erheblich ändern, entsteht eine unerwartete Unsicherheit, d. h. eine Unsicherheit über den Zustand selbst. Darüber hinaus können verschiedene Informationsquellen manchmal konvergieren, in anderen Fällen jedoch divergieren, und Entscheidungen sollten optimalerweise auf der zuverlässigsten verfügbaren Informationsquelle oder einer gewichteten Integration widersprüchlicher Beobachtungen basieren.

Frühere Studien haben gezeigt, dass die Aktivität in visuellen Bereichen mit dem Grad der Überraschung zusammenhängt, der die Lerngeschwindigkeit bestimmt, die als Lernrate dargestellt werden kann. Es ist jedoch nicht bekannt, ob dies ein flexibler Prozess ist. Das Lernen selbst wird durch ein Netzwerk höherer kortikaler Regionen, darunter der parietale und der vordere präfrontale Kortex, umgesetzt. Wie diese Netzwerke jedoch dynamisch miteinander in Beziehung stehen und wo die Informationen selbst zusammenlaufen, ist unbekannt.

In diesem Projekt werden wir eine Aufgabe entwickeln, die sich zur Untersuchung des dynamisch gewichteten Lernens und zur Entschlüsselung seines Informationsgehalts eignet. Damit lässt sich direkt und parametrisch quantifizieren, inwieweit Menschen ihre Entscheidungen auf verschiedene Informationsquellen stützen, und gleichzeitig lassen sich Aktualisierungen der Überzeugungen hinsichtlich der Validität jeder Quelle messen und mit der Leistung eines Bayes-optimalen Lernenden vergleichen.