مدلسازی شناختی - محاسباتی تصمیم‌گیری پویا با استفاده از شبکه‌های پیوندگرا

نویسندگان
هدی منصوریان 1
آزاده نثاری 1
علیرضا مرادی 2
بابک محمدی 3
1 پژوهشکده علوم شناختی
2 دانشگاه خوارزمی
3 پژوهشگاه علوم و فناوری طب نظامی، دانشگاه ارتش
چکیده
در این مطالعه به مدلسازی محاسباتی پیوندگرای تصمیم‌گیری پرداخته شده است. مهمترین مناطق تصمیم‌گیری در مغز، عبارتند از تالاموس، کورتکس پیش پیشانی و آمیگدال. مدل محاسباتی پیوندگرا با سه بخش که نماینده این سه منطقه است بر پایه آزمون برد و باخت آیوا ساخته شد. در مطالعات بسیاری از آزمون آیوا برای بررسی تصمیم‌گیری هیجانی استفاده شده است. در تصمیم‌گیری هیجانی و مبتنی بر احساسات نقش آمیگدال بسیار اساسی است و انتظار می رود مدلی دو بخشی (نماینده تالاموس و آمیگدال) و بدون وجود پردازش های کورتکس نیز بتواند تصمیم‌گیری در این آزمون را مدل کند، هر چند که از منظر ریاضی تنها وجود همین دو بخش در مدل (مفاهیم مستخرج از آزمون و عناصر تابع ارزش) برای پیشبینی تصمیمات شرکت کنندگان کافی است. با استفاده از روش نمونه‌گیری در دسترس، از 56 نفر شرکت کننده متشکل از 20 مرد و 36 زن با میانگین سنی 52/43 سال خواسته شد در آزمون تصمیم‌گیری آیوا شرکت کنند. پس از آن هر دو مدل برای این افراد اجرا شد و نتایج مقایسه شد تا مشاهده شود کدامیک تطابق بیشتری با انتخاب های آزمون دهندگان دارد. یافته های تحقیق نشان می دهند مدل دو بخشی 57/62 و مدل سه بخشی منجر به پیشبینی 46/68 درصدی انتخاب‌های آزمون دهندگان شده است که این اختلاف معنی دار بود. در نتیجه می‌توان گفت پردازش های کورتکس در این نوع تصمیم‌گیری نیز نقش بسزایی دارد.
کلیدواژه‌ها
مدلسازی محاسباتی
تصمیم‌گیری پویا
شبکه‌های پیوندگرا
آزمون آیوا

عنوان مقاله English

Computational modeling of dynamic decision making using connectionist networks

نویسندگان English

Hoda Mansourian 1
Azadeh Nesari 1
Alireza Moradi 2
Babak Mohamadi 3
1 IRICSS
2 Kharazmi University
3 Aja University, Teharan, Iran.
چکیده English

In this research connectionist modeling of decision making has been presented. Important areas for decision making in the brain are thalamus, prefrontal cortex and Amygdala. Connectionist modeling with 3 parts representative for these 3 areas is made based the result of Iowa Gambling Task. In many researches Iowa Gambling Task is used to study emotional decision making. In these kind of decision making the role of Amygdala is so important and we expect that a model with two parts (thalamus and Amygdala) can have the best result in modeling participants decisions without considering any part for cortex process. For this purpose 56 participants composed of 20 men and 36 women wanted to do Iowa Gambling Task. Results show that the networks related to two parts model predict 62.57 Percent’s of participant’s decisions and the 3parts model has 68.46 Percent’s of that. In conclusion it can be said that three parts modeling has been more success than mathematical two parts model in predicting the performance of participants and the difference is significant. In other words cortex role in this kind of decision making is quite important.

کلیدواژه‌ها English

computational modeling
dynamic decision making
connectionist networks
Iowa Gambling Task
Bargh, J. A., & Ferguson, M. J. (2000). Beyond behaviorism: on the automaticity of higher mental processes. Psychological bulletin, 126(6), 925.
Bechara, A., Damasio, A. R., Damasio, H., & Anderson, S. W. (1994). Insensitivity to future consequences following damage to human prefrontal cortex. Cognition, 50(1-3), 7-15.
Bechara, A., Damasio, H., & Damasio, A. R. (2003). Role of the amygdala in decision‐making. Annals of the New York Academy of Sciences, 985(1), 356-369.
Damasio, A. R. (1994). Descartes’ error: Emotion, rationality and the human brain.
de Visser, L., Homberg, J., Mitsogiannis, M., Zeeb, F., Rivalan, M., Fitoussi, A., . . . Dellu-Hagedorn, F. (2011). Rodent versions of the iowa gambling task: opportunities and challenges for the understanding of decision-making. Frontiers in neuroscience, 5, 109.
Evans, J. S. B. (2003). In two minds: dual-process accounts of reasoning. Trends in cognitive sciences, 7(10), 454-459.
Fodor, J. A., & Pylyshyn, Z. W. (1988). Connectionism and cognitive architecture: A critical analysis. Cognition, 28(1-2), 3-71.
Gray, J. R., Braver, T. S., & Raichle, M. E. (2002). Integration of emotion and cognition in the lateral prefrontal cortex. Proceedings of the National Academy of Sciences, 99(6), 4115-4120.
Hansen, N. (2006). The CMA evolution strategy: a comparing review Towards a new evolutionary computation (pp. 75-102): Springer.
Levine, D. S., Mills, B., & Estrada, S. (2005). Modeling emotional influences on human decision making under risk. Paper presented at the Neural Networks, 2005. IJCNN'05. Proceedings. 2005 IEEE International Joint Conference on.
O'reilly, R. C. (2006). Biologically based computational models of high-level cognition. Science, 314(5796), 91-94.
Serrano, J. I., Iglesias, Á., & del Castillo, M. D. (2017). Plausibility validation of a decision making model using subjects’ explanations of decisions. Biologically inspired cognitive architectures, 20, 1-9.
Sloman, S. A. (1996). The empirical case for two systems of reasoning. Psychological bulletin, 119(1), 3.
Turnbull, O. H., Bowman, C., Shanker, S., & Davies, J. (2014). Emotion-based learning: insights from the Iowa Gambling Task. Frontiers in psychology, 5, 162.
Wagar, B. M., & Thagard, P. (2004). Spiking Phineas Gage: a neurocomputational theory of cognitive-affective integration in decision making. Psychological review, 111(1), 67.
Yechiam, E., Busemeyer, J. R., Stout, J. C., & Bechara, A. (2005). Using cognitive models to map relations between neuropsychological disorders and human decision-making deficits. Psychological Science, 16(12), 973-978.