موش ها از اعتماد به نفس برای تصمیم گیری استفاده می کنند

joanna.jia@wecistanche.com/ واتساپ: 008618081934791

حافظهدسترسی به تجربیات گذشته را برای هدایت رفتار آینده امکان پذیر می کند. انسان ها می توانند تعیین کنند که به کدام خاطرات اعتماد کنند (با اعتماد به نفس بالا) و به کدام شک کنند (اعتماد پایین). با این حال، چگونگی ارتباط بازیابی حافظه، اعتماد به حافظه و تصمیم گیری های هدایت شده توسط حافظه مشخص نیست. به طور خاص، نحوه استفاده از اعتماد به خاطرات در تصمیم گیری ناشناخته است. ما فضایی را توسعه دادیمحافظهوظیفه‌ای که در آن موش‌ها تشویق شدند تا زمان خود را قمار کنند: شرط‌بندی بیشتر به دنبال انتخاب صحیح، پاداش بیشتری به همراه داشت. رفتار موش منعکس شده استحافظهاطمینان، با شرط بندی های زمانی بالاتر به دنبال انتخاب های صحیح. ما از یادگیری ماشین برای شناسایی یک متغیر تصمیم گیری حافظه استفاده کردیم و یک مدل تولیدی از خاطرات در حال تکامل ساختیم که هم انتخاب ها و هم گزارش های اطمینان را به دقت پیش بینی می کرد. نتایج ما توانایی‌هایی را در موش‌ها نشان می‌دهد که تصور می‌شود منحصراً در پستانداران وجود دارد و یک مدل واحد از پویایی حافظه، بازیابی، انتخاب و اطمینان را معرفی می‌کند.

سیستانچمی شود بهترش کردحافظه

مقدمه

حیوانات برای هدایت رفتار به دو منبع اطلاعاتی تکیه می کنند: اطلاعات حسی فعلی از دنیای بیرون و خاطرات گذشته از ذخیره سازی داخلی. زیرا ادراک حسی وحافظههر دو ناقص هستند، نظارت فراشناختی خطاهای احتمالی آنها می‌تواند به‌طور با ارزشی به اقدامات آینده کمک کند، به عنوان مثال، با ایجاد انگیزه در جستجوی اطلاعات قبل از تصمیم‌گیری یا کاهش سرمایه‌گذاری منابع پس از آن.

مطالعات این نظارت فراشناختی عمدتاً بر اعتماد به اطلاعات درک شده از بیرون (مانند تشخیص حرکت و تشخیص بو)، گزارش رفتارهای مرتبط با اطمینان در بین گونه‌های مختلف از جمله دلفین‌ها، 7 نخستی‌های غیر انسانی، 8 تا 12 زنبور عسل، 13 و موش‌ها متمرکز شده است. .14،15 یک چارچوب آماری که به طور رسمی اعتماد و امضاهای آن را تعریف می کند14،16،17 به برقراری ارتباط بین اعتماد آماری در ادراکات و حس ذهنی اعتماد انسانی کمک کرده است و شناسایی نشانگرهای اعتماد رفتاری و عصبی را در گونه هایی از جمله ماکاک ها امکان پذیر می کند. 10،19 نوزاد پیش کلامی، 20 و موش. 21،22

در مقایسه، درک اعتماد به اطلاعات بازیابی شده از حافظه محدود است. 23،24 مطالعات انسانی و نخستی ها منحصراً بر اعتماد به خاطرات تشخیص بصری متمرکز شده اند، 25-30 و اینکه آیا این یافته ها به اشکال دیگر حافظه تعمیم می یابند، مشخص نیست. پیشرفت در سطح مدار عصبی نیز به دلیل فقدان مدل جوندگان مانع شده است. جوندگان می‌توانند به اشکال مختلف حافظه دسترسی داشته باشند، اما اینکه آیا جوندگان می‌توانند مانند نخستی‌ها از اعتماد به حافظه برای سنجش شواهد از یک سری تجربیات گذشته استفاده کنند یا خیر، هنوز مشخص نیست. در حالی که دیگری شواهدی را برای فراشناخت، با تعریف کلی، با یک تصمیم دوتایی مرتبط با حافظه بو ارائه کرد.

هانا آر. جو، هکسین لیانگ، جیسون ای. چانگ، شارلوت گیگان-براینر، جیانگ لان فن، بنجامین پی ناچمن، آدام کپکس و لورن ام. فرانک

1برنامه آموزش دانشمند پزشکی، دانشگاه کالیفرنیا، سانفرانسیسکو، خیابان 513 Parnassus، سانفرانسیسکو، CA 94143، ایالات متحده آمریکا

2Kavli Institute for Fundamental Neuroscience, Center for Integrative Neuroscience, University of California, San Francisco, 675 Nelson Rising Lane, San Francisco, CA 94158, USA

3گروه فیزیولوژی، دانشگاه کالیفرنیا، سانفرانسیسکو، خیابان 401 Parnassus، سانفرانسیسکو، CA 94158، ایالات متحده آمریکا

4بخش روانپزشکی، دانشگاه کالیفرنیا، سانفرانسیسکو، خیابان 401 Parnassus، سانفرانسیسکو، CA 94158، ایالات متحده آمریکا

5برنامه تحصیلات تکمیلی علوم اعصاب، گروه علوم اعصاب سولومون اچ. اسنایدر، دانشکده پزشکی دانشگاه جانز هاپکینز، 725 N. Wolfe Street، بالتیمور، MD 21205، ایالات متحده آمریکا

6بخش جراحی مغز و اعصاب، دانشگاه کالیفرنیا، سانفرانسیسکو، خیابان 505 Parnassus، سانفرانسیسکو، CA 94143، ایالات متحده آمریکا

7برنامه تحصیلات تکمیلی مهندسی زیستی، دانشگاه کالیفرنیا، برکلی/دانشگاه کالیفرنیا، سانفرانسیسکو، 1675 خیابان اونز، سانفرانسیسکو، CA 94158، ایالات متحده آمریکا

8 بخش فیزیک، آزمایشگاه ملی لارنس برکلی، 1 Cyclotron Road, Berkeley, CA 94720, USA

9 موسسه علوم داده برکلی، دانشگاه کالیفرنیا، برکلی، کتابخانه 190 Doe، برکلی، CA 94720، ایالات متحده آمریکا

10 دپارتمان روانپزشکی، دانشکده پزشکی دانشگاه واشنگتن، 660 S. Euclid Avenue, St. Louis, MO 63110, USA

11 موسسه پزشکی هوارد هیوز، جاده پل جونز 4000، Chevy Chase، MD 20815، ایالات متحده آمریکا

در اینجا، ما یک کار رفتاری را در موش‌ها ایجاد کردیم که ارزیابی کمی دقت و اطمینان خاطر را برای رویدادهای تجربه‌شده شخصی در زمینه‌های زمانی و مکانی آنها امکان‌پذیر کرد. در هر کارآزمایی، موش‌ها ابتدا بر اساس اطلاعات بازیابی شده از حافظه، انتخابی را انجام دادند و به آنها انگیزه داده شد تا با منتظر ماندن برای دوره‌ای از زمان تعیین‌شده، روی درستی انتخاب شرط بندی کنند. شرط‌بندی موقت گزارش اطمینان درجه‌بندی‌شده‌ای را در هر آزمایش ارائه می‌کند، طرح‌های روی کار را بهبود می‌بخشد که فقط اطمینان باینری را ارزیابی می‌کنند، 14،27،36 اجازه نمی‌دهند اطمینان و انتخاب در همان آزمایش‌ها جمع‌آوری شود، 8،10،25 یا فقط می‌توانند ارزیابی شوند. اعتماد به زیرمجموعه‌ای از آزمایش‌ها. طراحی کار ما همچنین مجموعه‌ای از هزاران آزمایش از هر موش صحرایی را قادر می‌سازد، که شامل تصمیمات حافظه فضایی است که طیفی از مشکلات را در بر می‌گیرد و هر کدام با یک گزارش اعتماد رفتاری مرتبط هستند. ما متوجه شدیم که موش‌ها به طور مداوم زمان بیشتری را روی آزمایش‌های صحیح شرط می‌بندند، که حاکی از محاسبه اطمینان حافظه است. برای ارزیابی این امکان، ما یک مدل محاسباتی ساختیم که به طور شهودی بازیابی حافظه، انتخاب و اطمینان را یکی می‌کند و دریافتیم که به‌طور دقیق انتخاب‌ها و شرط‌بندی‌های زمانی را پیش‌بینی می‌کند.

نتایج

انتخاب حافظه و کار اعتماد به نفس

ما یک کار تصمیم گیری حافظه با شرط بندی پس از تصمیم برای ارزیابی اعتماد طراحی کردیم. برای هدف نهایی درک رفتار و محاسبه عصبی اطمینان با هم، این کار به گونه‌ای طراحی شد که حتی توسط موش‌هایی که با سخت‌افزار ضبط عصبی کاشته شده و به یک دستگاه ضبط متصل شده بودند، انجام شود. موش‌های موجود در اینجا (n=4) از یک گروه بزرگ اصلی (n=30؛ روش‌های STAR) بر اساس پیش غربالگری مسیر خطی انتخاب شدند، از قبل از 2- تا {{2- از قبل آموزش دیده بودند. 6}}دوره ماه در منطق کار اصلی، و قبل از جمع آوری داده های رفتاری با سخت افزار ضبط عصبی کاشته شد (شکل S1A و S1B-S1E). هر حیوان هزاران آزمایش انجام داد (به زیر مراجعه کنید)، و ما هر حیوان را به طور جداگانه تجزیه و تحلیل کردیم تا تکرارهای مستقلی از اثرات ارائه دهیم.

هر آزمایشی به یک انتخاب باینری و هدایت‌شده توسط حافظه و به دنبال آن یک گزارش اطمینان نیاز دارد (شکل‌های 1A، 1B، و S1F). دو درگاه انتخابی از راه دور به طور تصادفی انتخاب شده توسط یک نور در پورت (از لحاظ فیزیکی دور) نشان داده می شوند و یک انتخاب معتبر با وارد کردن یکی از پورت های انتخابی روشن انجام می شود. انتخاب صحیح یا هدف، فاصله زمانی بیشتری در توالی بازدیدهای مداوم در آن دوره است، در حالی که پورت دیگری که اخیراً بازدید شده است، حواس‌پرتی است. در مرحله بعد، موش‌ها می‌توانند با ماندن در پورت انتخابی برای مدت زمان مشخصی، با کل زمان صرف شده به عنوان یک شرط، روی انتخاب خود شرط‌بندی کنند (شکل 1B). فقط برای انتخاب های صحیح، شرط های طولانی تر پاداش بیشتری به همراه خواهند داشت. مهمتر از همه، این کار در دوره‌های ثابت و تقریباً یک ساعته، با آزمایش‌های خود گام انجام می‌شود. بنابراین، شرط‌بندی‌های زمانی طولانی‌تر، در صورت انتخاب صحیح، پاداش احتمالی بیشتری را دریافت می‌کنند، اما در صورت انتخاب نادرست، جریمه بالاتری را به شکل هزینه فرصت برای شروع نکردن آزمایش بعدی دارند. اگر موش‌ها اطمینان خاطرات خود را محاسبه کنند، باید زمان بیشتری را بر روی انتخاب‌هایی که بر اساس خاطراتی که در آن‌ها اطمینان بیشتری دارند، شرط‌بندی کنند، زیرا این کار باعث می‌شود که در طول دوره، پاداش را به حداکثر برسانند.

تابع پاداش پاداش برای تشویق موش‌ها به شرط‌بندی معنادار زمان با مقابله با اثرات احتمالی تخفیف موقت طراحی شده است. موش‌ها مانند انسان‌ها تخفیف هذلولی نشان می‌دهند و پاداش‌های کوچک‌تر را زودتر به پاداش‌های بزرگ‌تر ترجیح می‌دهند، ۳۷،۳۸ که می‌تواند انگیزه شرط‌بندی بالا را خنثی کند. بنابراین، ما یک تابع پاداش محدب را انتخاب کردیم، که بازده پاداش فوق‌العاده افزایشی را برای شرط‌بندی تا 2.2 ثانیه ایجاد می‌کند (RðtÞ=0:27e0:34ðt به علاوه 0:8Þ؛ شکل 1B ). برای جلوگیری از زمان‌های بیش از حد طولانی قمار، ما یک تابع پرداخت مقعر را فراتر از 2.2 ثانیه انتخاب کردیم که بازده پاداش به‌طور زیرخطی افزایش می‌یابد RðtÞ=2:63logð0:44 3ðt به علاوه 0 :8 ÞÞ که 300 میلی لیتر جایزه برای طولانی ترین زمان قمار مشاهده شده 10 ثانیه ارائه کرد. کوتاه‌ترین قمار تقریباً 60-میلی‌لیتر کاهش (یک حداقل) پاداش ارائه می‌کند، و تضمین می‌کند که موش‌ها برای همه انتخاب‌های صحیح پاداش قابل‌توجهی دریافت می‌کنند.

این کار در یک مسیر بزرگ و منشعب برای آزمایش حافظه برای تجربیاتی که در زمان‌ها و مکان‌های مشخص رخ می‌دهند انجام می‌شود (شکل‌های 1C و S1K). برای محدود کردن تعداد انواع آزمایش فضایی، هدف و حواس پرت کننده همیشه در مجاورت یکدیگر قرار می گیرند که منجر به شش جفت فضایی ممکن می شود (شکل 1D). برای بررسی طیفی از مشکلات حافظه، جفت های حواس پرت کننده-هدف به طور تصادفی در محدوده سنی انتخاب شدند (آزمایش ها از آخرین بازدید؛ شکل 1E). این مطالعه دقت و اطمینان انتخاب را به عنوان تابعی از مدت‌ها پیش که قسمت‌های مورد پرسش رخ داده‌اند، فعال کرد. سن حواس پرتی به 1، 2، یا 3 محدود شد تا تعداد کل انواع آزمایش برای تجزیه و تحلیل با قدرت کافی در طیف وسیعی از مشکلات محدود شود. سن هدف به شدت بالاتر از سن حواس پرت کننده بود (به عنوان مثال، برای سن حواس پرت کننده 1، سن هدف مجاز 2، 3، 4 و غیره است). برای هر موش صحرایی، نسبت کارآزمایی‌ها با سنین 1، 2 و 3 حواس‌پرتی تقریباً یک‌سوم بود، در طول دوره‌ها و درون دوره‌ها (شکل‌های S1G-S1J). نکته مهم، از آنجایی که جفت‌های حواس‌پرده-هدف 1-2، 1-3 و 2-3 مجاز هستند، کار را نمی‌توان با به خاطر سپردن و اجتناب از پورت‌های 1، 2، و 3 ساله حل کرد. آزمایشی، انتخاب به دنباله‌ای از بازدیدهای بندری در این دوره اضافه می‌شود (شکل 1F). بنابراین، انتخاب صحیح در هر آزمایش معین، به سابقه بازدیدهای واقعی بستگی دارد، حتی اگر آنها خطا باشند. این امر از دقت عملکرد بالا که منحصراً بر اساس حافظه بصری برای دنباله نشانه های روشن است جلوگیری می کند.

موش ها قانون حافظه را با دقت انتخاب بالا یاد می گیرند و به کار می برند

عملکرد صحیح در بین جفت های حواس پرت کننده-هدف مستلزم مقایسه آخرین زمان بازدید از هر مکان است. این شامل یک قضاوت زمانی بود که حافظه را در مقیاس زمانی دقیقه منعکس می‌کرد: موش‌ها به طور متوسط ​​تقریباً 45 ثانیه برای انجام یک آزمایش طول می‌کشیدند، و بازدیدهای قبلی از هدف و حواس‌پرتی اغلب سه بار یا بیشتر در گذشته بود. موش‌ها 50-100 کارآزمایی در هر دوره و تقریباً 3،000 کارآزمایی را در هر دوره انجام دادند و دقت عملکرد را در طول دوره‌ها حفظ کردند (روش‌های STAR). دقت انتخاب 0.04 ± 80.2 درصد بود (میانگین ± SEM؛ n=192 دوره جمع آوری شده روی 4 موش صحرایی)، به طور قابل توجهی بالاتر از آنچه که می توان با یک استراتژی تصمیم گیری تصادفی به دست آورد، چه در هر شش پورت انتخابی یا بین دو نشانه. پورت ها (شکل های 2A و S2A-S2C).

به طور بحرانی، دقت انتخاب را نمی توان با ترجیح برای پورت های جداگانه یا توالی پورت های آموخته شده یا با هر یک از انواع استراتژی های جایگزین توضیح داد (به عنوان مثال، سمت چپ ترین پورت را انتخاب کنید؛ روش های STAR، شکل S3). همچنین نمی‌توان دقت را با قضاوت‌های جدید توضیح داد (یعنی آیا قبلاً اینجا بوده‌ام؟): همه بازوها بر اساس تجربیات قبلی گسترده برای حیوانات آشنا بودند. عملکرد بالا همچنین نیاز به حافظه برای بازدید از مکان‌ها دارد، نه فقط خاطراتی برای زمانی که چراغ‌های آن مکان‌ها در آزمایش‌های قبلی روشن شده بودند. به طور خاص، یک پورت معین می‌تواند ابتدا به‌عنوان حواس‌پرت روشن شود و سپس مدت کوتاهی پس از آن به‌عنوان هدف روشن شود، و دقت عملکرد بالای حیوانات، خاطره بازدید از آن مکان را منعکس می‌کند، نه خاطره‌شان از آخرین زمان روشن شدن نور در آن مکان. : حافظه پورت روشن 68 درصد درست است، به طور قابل توجهی کمتر از 80 درصد عملکرد صحیح برای هر یک (p=3.1 3 10- 23، p=3.0 3 10- 24، p { {8}}.8 3 10- 32 و p=1.5 3 10- 29 برای موش‌های T، S، D، و R). عملکرد بالا همچنین حداقل برای سه مکان بازدید آخر به حافظه نیاز دارد، زیرا سن حواس‌پرت‌کننده به 1، 2 یا 3 محدود شده بود. {17}}) و 2-3 (درست=3) (شکل 2A) نشان می‌دهد که حیوانات ترتیب توالی واقعی حداقل سه بازدید آخر را به خاطر داشتند. در نهایت، توجه می‌کنیم که دقت عملکرد پایدار نشان می‌دهد که شرط‌بندی‌های زمانی منعکس‌کننده عدم قطعیت در مورد انتخاب خاص به جای عدم قطعیت در خود قانون است.

(الف) کارآزمایی‌های خودگام با نوک بینی در یک پورت خانگی آغاز می‌شوند. دو گزینه پورت انتخابی با یک چراغ نشان داده شده است. چهار گزینه نامعتبر و نامعتبر هستند که صحیح نیستند. یکی از پورت‌های نشانه‌دار مدت‌ها پیش در توالی بازدید مداوم (از راه دور، هدف) نسبت به دیگری (اخیر، حواس‌پرنده) بازدید شده است و درست است. انتخاب حافظه با فشار دادن بینی در یک پورت نشان داده می شود. با سرمایه گذاری در زمان، موش ها با حفظ موقعیت نوک بینی برای یک فاصله زمانی مشخص، روی نتیجه انتخاب قمار می کنند. پاداش پاداش، فقط برای آزمایش های صحیح، به زمان شرط بندی بستگی دارد. (ب) مقدار پاداش (آبی) تابعی از زمان شرط بندی است و در بندر انتخاب شده دریافت می شود. در آزمایش‌های خطا (قرمز)، هیچ پاداشی دریافت نمی‌شود. (C) هندسه مسیر که پورت های A-F را به عقب (سیاه)، خانه (خاکستری) و انتخابی نشان می دهد. پس از خروج از پورت انتخابی، موش‌ها همان پاداش وابسته به قمار را دریافت می‌کنند و آزمایش را تکمیل می‌کنند. نوار مقیاس، 1 متر. (د) پورت‌های Cued همیشه مجاور هستند و سه جفت روی یک شاخه تولید می‌کنند که با یک ساقه متفاوت هستند (بالا، آزمایش‌های ساقه: AB؛ CD؛ و EF) و سه جفت که از نظر شاخه و ساقه متفاوت هستند (پایین، آزمایش‌های شاخه: BC ؛ DE؛ و FA) آزمایشات. نوار مقیاس، 1 متر. (ه) حواس پرت کننده های 1، 2 و 3 ساله، با اهداف بزرگتر از حواس پرت کننده داده شده، مجاز هستند (زرد). (F) توالی مثال (بالا به پایین) پورت های علامت دار (زرد) و انتخاب های صحیح (چپ، خطوط آبی) یا خطا (راست، خطوط قرمز) برای طیفی از سنین هدف (عدد پررنگ) و حواس پرتی (تعداد). پس از هر آزمایش، بندر بازدید نشده افزایش می یابد. آخرین پورت بازدید شده روی سن 1 تنظیم شده است. توجه داشته باشید که آزمایشات پس از خطا می توانند، اما معمولاً این پورت ها را دوباره ارائه نمی دهند. شکل S1 و ویدئو S1 را نیز ببینید.

شرط‌های موقتی منعکس کننده اعتماد به تصمیم هستند

موش‌ها به طور مداوم زمان بیشتری را روی انتخاب‌هایی که درست از آب در می‌آمدند قمار می‌کردند (شکل‌های 2B و S2D–S2F؛ سطح متوسط ​​زیر منحنی [AUC] 0.74 ± 0.03 SEM, n {{7 }} rats؛ برای هر موش، آزمون مجموع رتبه یک طرفه p< 1="" 3="" 10="" 5="" ),="" pointing="" to="" a="" representation="" of="" memory="" confidence.="" similarly,="" temporal="" bets="" predicted="" overall="" choice="" accuracy="" in="" a="" graded="" manner="" (figure="" 2c).="" the="" difference="" was="" striking="" and="" consistent="" across="" rats:="" on="" average,="" temporal="" bets="" were="" 1.45="" ±="" 0.33="" s="" higher="" for="" correct="" than="" error="" trials="" (average="" ±="" sem;="" n="4" rats).="" temporal="" bets="" were="" also="" longer="" for="" correct="" trials="" considering="" each="" port="" pair="" separately="" (figures="" s2g–s2i;="" for="" each="" rat="" p="">< 1="" 3="" 10-="" 5,="" one-sided="" rank-sum="">

(الف) دقت انتخاب در هر دوره ثابت است، همانطور که برای رت T نماینده نشان داده شده است در 8 0.9 درصد ± 0.9 درصد، به طور قابل توجهی بالاتر از انتخاب تصادفی بین هر شش پورت (خط خاکستری روشن، 17 درصد) یا دو نشانه پورت ها (خط خاکستری تیره، 50 درصد). (ب) برای موش‌های نماینده T، میانگین زمان‌های قمار (خطوط عمودی چین‌دار) به طور قابل‌توجهی برای انتخاب‌های صحیح (آبی) بیشتر از انتخاب‌های خطا (قرمز) بود، که شامل همه آزمایش‌ها در همه دوره‌ها می‌شد. (C) برای هر موش، زمان قمار (10 سطل صدک) دقت انتخاب را پیش‌بینی می‌کند که به عنوان نسبت صحیح اندازه‌گیری می‌شود. برای موش‌های صحرایی T، S، D، R، n کارآزمایی=2،۹۷۸، ۴،۱۱۱، ۴،۳۶۹، و ۳،۶۶۰. (D) برای موش‌های نماینده T، میانگین زمان‌های قمار (خطوط عمودی چین‌دار) برای انتخاب‌های نامعتبر (زرد) به طور قابل‌توجهی کوتاه‌تر از خطاهای درگاه نشانه‌گذاری شده بود. انتخاب‌های نامعتبر درصدهای زیر را از کل کارآزمایی‌ها نشان می‌دهند: موش T، 3.3 درصد؛ موش S، 1.7 درصد ; موش D، 2.7 درصد ; و موش R، 4.6 درصد. بدون در نظر گرفتن انتخاب‌های نامعتبر، میانگین زمان قمار در آزمایش‌های صحیح (خط چین آبی) همچنان به‌طور قابل‌توجهی بیشتر از خطاها است. (E) برای هر چهار موش، زمان های قمار برای آزمایش های صحیح به طور قابل توجهی بیشتر از آزمایش های خطا بود. (F) زمان های کم قمار (10 سطل صدک) نسبت بیشتری از آزمایشات نامعتبر را برای هر چهار موش پیش بینی می کند. تمام نوارهای خطا نشان دهنده SEM هستند و همه آزمون های آماری مجموع رتبه یک طرفه بودند. شکل های S2–S4 را نیز ببینید.

رفتار موش ها در بازدیدهای گاه به گاه به یکی از چهار پورت نامعتبر و نامعتبر (4.6 ± 0.2 درصد از آزمایشات؛ n=4 موش) نیز شواهدی برای آگاهی از قانون و ارزیابی فراشناختی انتخاب حافظه کسر پایین این انتخاب‌ها نشان می‌دهد که موش‌ها یاد گرفته‌اند که فقط پورت‌های cued پاداش می‌دهند. اگر موش ها این اقتضای وظیفه را درک می کردند، اعتماد آنها به دریافت پاداش پس از انتخاب نامعتبر باید کم باشد. از این رو، سرمایه گذاری زمانی کم یا بدون سرمایه گذاری در این انتخاب ها بهینه است. مطابق با این پیش‌بینی، زمان شرط‌بندی روی انتخاب‌های نامعتبر به‌طور قابل‌توجهی کمتر از آزمایش‌های خطا بود (شکل‌های 2D، 2E، و S2J–S2L؛ میانگین AUC 0.74 ± 0.{33}} 1 SEM، n=4 موش؛ هر موش، آزمون مجموع رتبه یک طرفه p < 1="" 3="" 10="" 5="" ).="" علاوه="" بر="" این،="" کسری="" از="" کارآزمایی‌های="" نامعتبر="" برای="" کوتاه‌ترین="" شرط‌بندی‌های="" زمانی="" بالاترین="" بود،="" مطابق="" با="" این="" احتمال="" که="" موش‌ها="" این="" آزمایش‌ها="" را="" به‌عنوان="" آزمایش‌های="" اکتشافی="" با="" پاداش="" کم="" مورد="" انتظار="" درک="" کردند="" (شکل="" 2f).="" همچنین="" مطابق="" با="" این="" احتمال،="" خطاها="" در="" پورت‌های="" نامعتبر="" رایج‌ترین="" (69.1="" درصد="" ±="" 3.2="" درصد؛="" n="4" موش)="" در="" آزمایش="" سن="" 1="" حواس‌پرتی="" بود="" (شکل="" s4)،="" که="" بیشترین="" نسبت="" صحیح="" را="" داشت="" (شکل‌های="" 3a-3d)="" ،="" نشان="" دهنده="" استراتژی="" اکتشاف="" انتخابی="" در="" آزمایش="" های="" آسان="" است.="" از="" این="" رو،="" شرط‌بندی="" زمانی="" در="" آزمایش‌های="" نامعتبر="" را="" می‌توان="" به="" عنوان="" شکل="" دیگری="" از="" ارزیابی="" فراشناختی="" مناسب="" انتخاب="" حافظه="" در="" نظر="" گرفت،="" اگرچه="" به="" طور="" رسمی="" به="" عنوان="" اطمینان="" تصمیم="" در="" نظر="" گرفته="" نمی‌شود.="" شکل‌های="" 2d،="" 2e،="" و="" s2j-s2l؛="" میانگین="" auc="" 0.71="" ±="" 0.02="" sem،="" n="4" موش؛="" هر="" موش،="" آزمون="" مجموع="" رتبه‌ای="" یک="" طرفه="" p=""><1 3="" 10="">

همانطور که از مطالعات بر روی انسان و نخستی‌های غیر انسانی انتظار می‌رفت، زمان تصمیم گیری 25،40 (در اینجا، زمان سپری شده از نوک بینی در خانه تا نوک بینی در درگاه انتخابی) برای آزمایش‌های صحیح نسبت به خطا برای همه موش‌ها کوتاه‌تر بود (رتبه یک طرفه). تست جمع ص<1 3="" 10="" 5,="" 0.95,="" 5.8="" 3="" 10="" 5,="" and="" 1.4="" 3="" 10="" 14="" for="" rats="" t,="" s,="" d,="" and="" r,="" respectively).="" in="" theory,="" both="" confidence="" and="" decision="" time="" are="" functions="" of="" discriminability,="" and="" experimentally,="" they="" are="" both="" reliably="" correlated="" with="" accuracy.40,41="" this="" raises="" the="" question="" of="" whether="" reported="" confidence="" should="" be="" interpreted="" as="" a="" sign="" of="" cognitive="" appraisal="" of="" memory="" or="" a="" ''lower="" level''="" measurement="" of="" choice="" latency="" itself,="" which="" is="" a="" public,="" external="" observable.42="" we="" thus="" asked="" how="" well="" gambled="" times="" can="" be="" predicted="" from="" choice="" latency.="" less="" than="" 10%="" of="" the="" variance="" in="" gambled="" time="" could="" be="" explained="" by="" choice="" latency="" alone="" (linear="" regression="" r2="" for="" rats="" t,="" s,="" d,="" and="" r="" for="" error="" trials="6%," 0.4%,="" 8%,="" and="" 7%;="" for="" correct="" trials="0.4%," 0.1%,="" 0.4%,="" and="" 0.2%).="" by="" contrast,="" distractor="" age="" alone="" explains="" approximately="" three="" times="" more="" of="" the="" variance="" (linear="" regression="" r2="" for="" rats="" t,="" s,="" d,="" and="" r="" of="" 20%,="" 10%,="" 20%,="" and="" 30%).="" moreover,="" when="" we="" considered="" choices="" and="" gambles="" for="" specific="" choice="" latencies,="" long="" gambled="" times="" were="" predictive="" of="">

دقت در طیف وسیعی از زمان‌های تأخیر انتخابی (برای هر موش، قمار در آزمایش‌های صحیح طولانی‌تر از آزمایش‌های خطا بود، با p < 1="" 3="" 10="" 5="" برای="" تأخیر="" کمتر="" از="" میانه="" و="" p="1" 3="" 10="" 30="" برای="" تأخیر="" بالاتر="" از="" میانه؛="" یک="" آزمون="" های="" مجموع="" رتبه="" ای).="" این="" نتایج="" با="" هم="" نشان="" می‌دهد="" که="" موش‌ها="" می‌توانند="" نتایج="" انتخاب="" را="" پیش‌بینی="" کنند،="" مطابق="" با="" محاسبه="" اعتماد="" به="">

دقت انتخاب بستگی به سن حافظه و تمایز دارد

موش ها از چه اطلاعاتی برای پیش بینی نتیجه انتخاب استفاده می کنند؟ با طراحی، آزمایش‌ها طیف وسیعی از مشکلات را در بر می‌گرفت که بر اساس سن‌های حواس‌پرتی و هدف تعیین می‌شد. اگر انتخاب‌ها بر اساس حافظه باشد، باید به تدریج برای اهداف و عوامل مسن‌تر سخت‌تر شود.43 همچنین برای تفاوت‌های سنی کمتر بین هدف و حواس‌پرت، انتخاب‌ها باید سخت‌تر باشند، زیرا اپیزودهایی که در زمان نزدیک‌تر به هم اتفاق می‌افتند بیشتر ممکن است اشتباه گرفته شوند. از این پیش بینی ها ثابت شد که درست است. میانگین دقت انتخاب برای سنین حواس پرتی 1، 2 و 3 به ترتیب 89.5 درصد ± 0.5 درصد، 77.7 درصد ± 0.7 درصد و 72.7 درصد ± 0 بود. 0.7 درصد (n=192 دوره جمع آوری شده از 4 موش صحرایی؛ شکل 3A-3D). علاوه بر این، دقت انتخاب با اختلاف سنی بین حواس‌پرنده و هدف هنگام کنترل سن حواس‌پرنده افزایش می‌یابد (شکل‌های 3A-3D).

ساخت یک متغیر تصمیم گیری مصنوعی

این نتایج با هم یک محاسبه اطمینان حافظه را نشان می دهد. برای ارزیابی این امکان، هدف ما ایجاد مدلی از اعتماد به حافظه بود که به طور دقیق اطمینان و شرط‌بندی‌های زمانی را به عنوان تابعی از قابلیت تشخیص حافظه پیش‌بینی می‌کند. بنابراین، ما دو هدف داشتیم: اول، مشخص کردن محور تفکیک پذیری حافظه برای این امضاهای اطمینان خاطر و، دوم، ساختن مدلی از پویایی حافظه به عنوان تابعی از قابلیت تشخیص.

اولین گام، مربوط به یک چالش طولانی مدت در مطالعه اعتماد به حافظه، شناسایی یک محور تشخیص مناسب حافظه یا متغیر اطمینان تصمیم بود (P. Masset and A. Kepecs, 2017, Conf. Cogn. Comput. Neuro sci .، کنفرانس). در مطالعات مربوط به اطمینان ادراکی، متغیر تصمیم گیری مربوطه معمولاً با پارامترهای وظیفه خارجی (مثلاً انسجام حرکت) تعریف می شود، که در آن یک رابطه یکنواخت ساده بین پارامتر کار و دشواری کار می تواند نشان داده شود. در تصمیم‌گیری‌ها، متغیر تصمیم اغلب با استفاده از یک رویکرد مبتنی بر مدل استنباط می‌شود که یک مدل محاسباتی مشخص را برای توضیح رفتار انتخاب ارائه می‌کند. با این حال، در اینجا، چند پارامتر وظیفه به طور بالقوه می‌توانند بر انتخاب‌های موش‌ها تأثیر بگذارند، و ما از یک محاسباتی موجود آگاه نیستیم. مدلی که می تواند برای تناسب رفتار انتخاب مورد استفاده قرار گیرد.

بنابراین، ما به دنبال یک رویکرد مدل-آگنوستیک برای استخراج یک متغیر تصمیم گیری حافظه مصنوعی (MDV) بودیم که خلاصه ای اسکالر از اطلاعات موجود است که موش ها به طور بالقوه می توانند از حافظه به آن دسترسی داشته باشند، جایی که مقادیر بالاتر MDV دقت بالاتری را پیش بینی می کند. ما یک شبکه عصبی عمیق (DNN) را برای پیش‌بینی انتخاب موش در هر آزمایش بر اساس مجموعه ویژگی‌های جامع (شکل 3E؛ روش‌های STAR) آموزش دادیم. ما فقط آن ویژگی‌هایی را که در حافظه قابل دسترسی هستند، که مستقیماً در آزمایش داده‌شده قابل مشاهده نیستند (به عنوان مثال، مقادیر پاداش قبلی، اما نه هویت‌های پورت فعلی) گنجانده‌ایم. از این رو، یک متغیر تصمیم گیری حافظه است. یک DNN، به ویژه، رویکرد آگنوستیکی را که ما به دنبال آن بودیم، فعال کرد: چون برای گنجاندن ویژگی‌های اضافی و مرتبط قوی است، یک مرحله انتخاب ویژگی بصری یا مبتنی بر مدل ضروری نبود. به همین ترتیب، انتخاب شرایط تعامل مورد نیاز نبود.

هجده مورد از 20 ویژگی، برای هر یک از هدف و حواس پرتی، سن در واحد آزمایش و زمان بود. آخرین، حداکثر و مجموع پاداش تحویل داده شده آنها. زمان از آخرین پاداش؛ آخرین و تجمعی زمان اقامت. و تعداد آزمایش‌ها از آخرین باری که هر بخشی از مسیر آن طی شده است. دو ویژگی نهایی، برای هدف و حواس‌پرنده، نوع آزمایشی فضایی و زمانی (سن هدف حواس‌پرتی) آنها بود. DNN، که با 5- اعتبار سنجی متقاطع برای هر موش آموزش داده شده است، یک مقدار واحد را به دست می دهد، یک آمار تشخیص بین 0 و 1 که مربوط به احتمال پیش بینی شده ای است که آزمایش درست خواهد بود. همانطور که انتظار می‌رفت، این مدل هم از مدلی که فقط نسبت کلی آزمایش‌های صحیح را یاد گرفته بود و هم مدلی که تنها در سن حافظه آموزش دیده بود، بهتر عمل کرد (شکل 3F). ما استدلال کردیم که احتمال خروجی صحیح پیش‌بینی‌شده توسط DNN با دشواری آزمایشی کمتر مطابقت دارد، که معادل قابل تشخیص بودن حافظه است - زیرا ویژگی‌های ورودی در حافظه موجود است. بنابراین، ما خروجی DNN آموزش‌دیده‌شده در مجموعه ویژگی‌های کامل را به عنوان MDVDNN، با مقادیر بالاتر مربوط به قابلیت تشخیص حافظه و پیش‌بینی فراخوان دقیق‌تر تعریف کردیم (شکل 3G). توجه می کنیم که هر تابع یکنواخت MDV استنباط شده نیز دارای ویژگی های یکسانی خواهد بود. از این رو، منحصر به فرد نیست.

مدل حافظه تولیدی (GEMM)

شناسایی یک محور تشخیص پذیری حافظه ما را قادر ساخت تا به مرحله دوم ساخت مدلی از پویایی حافظه قسمت برویم. هدف ما ایجاد مدلی از بازیابی حافظه، تصمیم گیری و اطمینان، بر اساس MDV به عنوان شاخص دشواری آزمایش، با پارامترهایی متناسب با داده های تصمیم بود که پیش بینی های قابل آزمایش برای اطمینان و مکانیسم های زیربنایی آن را ایجاد کند. ما بر روی زیرمجموعه‌ای از پارامترها تمرکز کردیم و درک پدیده‌های حافظه را برای ایجاد یک GeMM که می‌تواند انتخاب و اطمینان (زمان قمار) را با توجه به بازنمایی اساسی حافظه پیش‌بینی کند، به کار بردیم.

ما روی سن حافظه تمرکز کردیم، یک عامل تعیین‌کننده قابل تفسیر و تثبیت‌شده برای به یاد ماندنی بودن که در وظیفه ما، به طور مستقل بر دقت انتخاب تأثیر می‌گذاشت. ما سن حافظه را به عنوان یک متغیر تصادفی با توزیع احتمال متمرکز بر یک جدول زمانی ذهنی در زمان وقوع آن نشان دادیم. تحقق این متغیر تصادفی نشان‌دهنده بازیابی حافظه خاص است که مربوط به تخمین‌هایی است که چه مدت پیش این تجربه رخ داده است. واریانس توزیع، نویز یادگاری ناشی از خطاها در رمزگذاری، تلفیق، و/یا بازیابی را نشان می‌دهد. ما فرض کردیم که (1) این خطاها در طول زمان انباشته می شوند به طوری که حافظه کمتر دقیق است، و با افزایش واریانس در طول زمان منعکس می شود؛ (2) توزیع باید همیشه مقادیر مثبت داشته باشد، زیرا امکان بازیابی اشتباه یک قسمت از آن وجود ندارد. حافظه که در آینده رخ داده است. و (3) یک قسمت را هرگز نباید به طور کامل فراموش کرد.

با توجه به آن محدودیت ها، ما یک فرمول ریاضی از مدل را توسعه دادیم. ما M. را به عنوان تعداد واقعی آزمایش‌ها از آخرین بازدید از پورت z (یعنی سن آن پورت) تعریف می‌کنیم. ما M. را به عنوان یادآوری سوژه از پرتاژ تعریف می کنیم. الزامات (2) و 3 با هم یک پروفیل نویز نامتقارن با گسترش بیشتر در زمان‌های قبل از زمان‌های بعدی را مشخص می‌کنند. بنابراین، ما M,'|M,= m را به عنوان یک متغیر تصادفی lognormal مدل می کنیم (نمادهای بزرگ نشان دهنده متغیرهای تصادفی هستند، در حالی که نمادهای کوچک نشان دهنده تحقق آن متغیرهای تصادفی هستند). برای برآوردن نیاز (1)، خانواده توزیع‌های لگ نرمال تعریف شده توسط ma=1،2،...... آزمایش‌های برگشتی، تکامل حافظه را در طول زمان نشان می‌دهد (شکل 4A). این خانواده از توزیع‌های لگ نرمال دارای یک میانگین وابسته به زمان a0ma و یک انحراف استاندارد وابسته به زمان s{{{10}} (1 به اضافه a1ma به علاوه a2ma2) است. ما سن حافظه را با کارآزمایی های سپری شده و نه زمان ساعت سپری شده پارامتر کردیم، زیرا تعداد آزمایش های سپری شده پیش بینی کننده بهتری برای نتیجه انتخاب بود (شکل S5؛ روش های STAR). پارامتر جدایی a{18}} افزایش واحد را در جدول زمانی ذهنی تنظیم می‌کند که با یک آزمایش واقعی مطابقت دارد، انحراف استاندارد s0 دقت خط پایه هر توزیع حافظه را تنظیم می‌کند و ضرایب a1 و a2 میزان تغییر را تنظیم می‌کند. برای انحراف معیار به عنوان یک تابع چند جمله ای مرتبه دوم در سن ma، که به آن انعطاف پذیری افزایش یا کاهش به عنوان تابعی از زمان را می دهد، اگرچه ما فرض کردیم که باید به شدت افزایش یابد. برای یک آزمایش داده شده، دو پورت a و b نشان داده می شوند که Ma > Mb به ترتیب مربوط به هدف و حواس پرتی است. انتخاب (شکل 4B) با علامت تفاوت ma' MB و اطمینان با بزرگی آن تعیین می شود |ma' mb| (شکل 4C).

با توجه به آن مدل، ما به طور مکرر پارامترهای GeMM را برای هر موش با دقت انتخاب (شکل 4D) در انواع آزمایشی بر اساس یک متریک c2 (روش‌های STAR) متناسب می‌کنیم. بر اساس آن تناسب با دقت حافظه (شکل‌های 4E، S6A-S6C، S6E-S6G، S6I-S6K، و S6M-S6O)، ما پیش‌بینی‌هایی برای اطمینان حافظه ایجاد کردیم.

جاسازی GeMM در داده ها، پیش بینی انتخاب و اطمینان را به عنوان تابعی از MDV امکان پذیر می کند.

در نهایت، ما MDV و GeMM را برای تولید یک سری منحنی های تنظیم اطمینان با هم ترکیب کردیم که بتوانیم داده های رفتاری را با آنها مقایسه کنیم (شکل 5). ایجاد پیش‌بینی‌های GeMM به‌عنوان تابعی از MDVDNN، بهترین تخمین‌های ممکن را فعال می‌کند و تضمین می‌کند که پیش‌بینی‌های ما طیف کاملی از قابلیت تشخیص حافظه در هر آزمایش را در بر می‌گیرد. ابتدا، برای هر کارآزمایی، سن هدف و حواس پرتی را به GeMM که قبلاً نصب شده بود وارد می‌کنیم تا توزیعی از نتایج آزمایش شبیه‌سازی شده (درست در مقابل خطا) و مقادیر اطمینان (شکل 5A؛ شبیه‌سازی GeMM) را ایجاد کنیم. سپس، این مقادیر اطمینان پیش‌بینی‌شده توسط GeMM را با نگاشت، برای هر موش، تابع توزیع تجمعی معکوس (CDF) توزیع زمان شرط‌بندی مشاهده شده به زمان‌های شرط‌بندی تبدیل کردیم (شکل‌های S6D، S6H، S6L، و S6P؛ روش‌های STAR). توجه داشته باشید که این نگاشت هیچ پارامتر رایگانی ندارد. علاوه بر این، فقط توزیع زمان کامل قمار را در نظر می گیرد، نه آزمایش های فردی. به طور جداگانه آزمایش های صحیح در مقابل خطا یا هر زیر مجموعه دیگری از داده ها را ترسیم نمی کند و فرضیاتی در مورد

نمادهایی که تحقق آن متغیرهای تصادفی را نشان می دهند). برای برآوردن نیاز (1)، خانواده توزیع‌های لگ نرمال تعریف شده توسط ma=1،2،...... آزمایش‌های سپری شده، نشان‌دهنده تکامل حافظه در طول زمان است (شکل 4A). این خانواده از توزیع‌های لگ نرمال دارای میانگین وابسته به زمان a0ma و انحراف استاندارد وابسته به زمان s0 (1 به اضافه a1ma به علاوه a2ma2) است. ما سن حافظه را با کارآزمایی های سپری شده و نه زمان ساعت سپری شده پارامتر کردیم، زیرا تعداد آزمایش های سپری شده پیش بینی کننده بهتری برای نتیجه انتخاب بود (شکل S5؛ روش های STAR). پارامتر جداسازی a{13}} افزایش واحد را در جدول زمانی ذهنی تنظیم می‌کند که با یک آزمایش واقعی مطابقت دارد، انحراف استاندارد s{15}} دقت خط پایه هر توزیع حافظه و ضرایب a1 و a2 را تنظیم می‌کند. نرخ تغییر انحراف معیار را به عنوان یک تابع چند جمله‌ای مرتبه دوم در سن ma تنظیم کنید، و به آن انعطاف‌پذیری افزایش یا کاهش به عنوان تابعی از زمان را می‌دهیم، اگرچه ما فرض کردیم که باید به شدت افزایش یابد. برای یک آزمایش داده شده، دو پورت a و b نشان داده می شوند که Ma > Mb به ترتیب مربوط به هدف و حواس پرتی است. انتخاب (شکل 4B) با علامت تفاوت ma' MB و اطمینان با بزرگی آن تعیین می شود |ma mb| (شکل 4C).

شکل 4. مدل حافظه مولد (GEMM) (A) خانواده توزیع های لگ نرمال که نشان دهنده چگالی احتمال سنین قسمت های فراخوان شده Ma'|Ma=ma به عنوان سن واقعی از 1 به 4 برای پورت a افزایش می یابد. نمادهای بزرگ نشان دهنده متغیرهای تصادفی هستند (مثلاً Ma' و Ma) در حالی که نمادهای کوچک نشان دهنده تحقق آن متغیرهای تصادفی هستند (مثلاً ma' و ma). (ب) نمونه آزمایشی دارای پورت هدف با سن=4 و درگاه حواس پرتی با سن مگابایت=1 است. درک صحیح (آبی) و خطا (قرمز) سنین یادآوری شده برای دو پورت به ترتیب به صورت خطوط چین عمودی برای هدف (بنفش) و حواس پرت (نارنجی) در مقادیر ma' و MB نشان داده می شود. (ج) چگالی احتمال Ma' Mb' با توجه به Ma و Mb. ناحیه سمت راست 0 نسبت صحیح برای این جفت سنی هدف - حواس پرتی است. اطمینان (c) به صورت|محاسبه می شود ma' MB |، و میانگین اطمینان برای آزمایش های صحیح (آبی) و خطا (قرمز) نشان داده شده است. (د) دقت انتخاب مشاهده شده در 12 نوع آزمایشی مشخص، به استثنای انتخاب‌های نامعتبر. (E) دقت انتخاب پیش‌بینی‌شده توسط مدل در 12 نوع آزمایشی مشخص، به استثنای انتخاب‌های نامعتبر. نماینده موش D برای همه کرت ها استفاده می شود. برای موش D، GeMM از پارامترهای برازش a0=1.20، a{13}}.32، a2=0.38، و s{17}} استفاده می‌کند. برای توزیع لگ نرمال با میانگین a{{20}}ma و انحراف معیار s0ð1 به اضافه a1ma به علاوه a2ma2Þ: a1 و a2 مثبت توزیع‌هایی را با افزایش واریانس با آزمایش‌های سپری شده تعریف می‌کنند. s0< 1="" sets="" a="" low="" overlap="" between="" neighboring="" densities,="" consistent="" with="" high="" observed="" choice="" accuracy.="" see="" also="" figures="" s5="" and="">

با توجه به آن مدل، ما به طور مکرر پارامترهای GeMM را برای هر موش با دقت انتخاب (شکل 4D) در انواع آزمایشی بر اساس یک متریک c2 (روش‌های STAR) متناسب می‌کنیم. بر اساس آن تناسب با دقت حافظه (شکل‌های 4E، S6A-S6C، S6E-S6G، S6I-S6K، و S6M-S6O)، ما پیش‌بینی‌هایی برای اطمینان حافظه ایجاد کردیم.

جاسازی GeMM در داده ها، پیش بینی انتخاب و اطمینان را به عنوان تابعی از MDV امکان پذیر می کند.

در نهایت، ما MDV و GeMM را برای تولید یک سری منحنی های تنظیم اطمینان با هم ترکیب کردیم که بتوانیم داده های رفتاری را با آنها مقایسه کنیم (شکل 5). ایجاد پیش‌بینی‌های GeMM به‌عنوان تابعی از MDVDNN، بهترین تخمین‌های ممکن را فعال می‌کند و تضمین می‌کند که پیش‌بینی‌های ما طیف کاملی از قابلیت تشخیص حافظه در هر آزمایش را در بر می‌گیرد. ابتدا، برای هر کارآزمایی، سن هدف و حواس پرتی را به GeMM که قبلاً نصب شده بود وارد می‌کنیم تا توزیعی از نتایج آزمایش شبیه‌سازی شده (درست در مقابل خطا) و مقادیر اطمینان (شکل 5A؛ شبیه‌سازی GeMM) را ایجاد کنیم. سپس، این مقادیر اطمینان پیش‌بینی‌شده توسط GeMM را با نگاشت، برای هر موش، تابع توزیع تجمعی معکوس (CDF) توزیع زمان شرط‌بندی مشاهده شده به زمان‌های شرط‌بندی تبدیل کردیم (شکل‌های S6D، S6H، S6L، و S6P؛ روش‌های STAR). توجه داشته باشید که این نگاشت هیچ پارامتر رایگانی ندارد. علاوه بر این، فقط توزیع زمان کامل قمار را در نظر می گیرد، نه آزمایش های فردی. به طور جداگانه آزمایش‌های صحیح در مقابل خطا یا هر زیرمجموعه دیگری از داده‌ها را ترسیم نمی‌کند، و فرضیاتی در مورد تطابق بین نگاشت نتیجه آزمایش با اطمینان مدل و داده‌ها ایجاد نمی‌کند.

از نظر مفهومی، این رویه جنبه اقتصادی انتظار را بر اساس مدل نشان می‌دهد، یعنی مدت زمانی که حیوان حاضر است با توجه به درجه خاصی از اطمینان صبر کند. هر یک از این آزمایش‌های شبیه‌سازی‌شده دارای MDVDNN یکسان است که مستقیماً به عنوان خروجی DNN از ۲۰ ویژگی ورودی آزمایش داده محاسبه می‌شود (شکل 5A؛ محاسبه MDV). با هم، این روش برای هر آزمایش، (1) یک نتیجه پیش‌بینی‌شده (درست در مقابل خطا)، (2) یک زمان شرط بندی پیش‌بینی‌شده، و (3) یک MDVDNN محاسبه‌شده ایجاد می‌کند، که ما از آن برای ایجاد سه منحنی تنظیم اسمی برای اطمینان خاطر حافظه استفاده کردیم. در مورد تمایز حافظه، شرط بندی های زمانی و دقت انتخاب (شکل 5B). در واقع، این رویه روندهای پیش‌بینی‌شده توسط GeMM را برای زمان شرط‌بندی ایجاد می‌کند که بر اساس همه 20 ویژگی MDVDNN است: اگرچه GeMM به صراحت تنها به عنوان حواس‌پرتی ورودی و سن‌های هدف در نظر گرفته می‌شود، آزمایش‌های شبیه‌سازی شده با GeMM 20 ورودی MDVDNN را از داده‌های آزمایشی مبتنی بر آن‌ها هستند و در نتیجه ساختار کوواریانس داده‌ها را حفظ می‌کنند (یعنی، آنها در داده‌ها جاسازی می‌شوند، مانند مدل‌های شبیه‌سازی داده‌های ترکیبی در فیزیک برخورددهنده).

GEMM رفتار اطمینان حافظه را به دقت پیش‌بینی می‌کند. ما تطابق قابل توجهی بین پیش‌بینی‌های GeMM و رفتار مشاهده‌شده مشاهده کردیم. از آنجایی که تمام مفروضات اطمینان تصمیم گیری آماری برای تکلیف اعتماد حافظه ما نیز اعمال می شود، ما می توانیم به طور کمی رابطه گزارش های اعتماد رفتاری و سطوح اطمینان حاصل از GeMM را با تمرکز بر مجموعه مقایسه های تعیین شده برای ارزیابی اطمینان به عنوان یک متغیر تصمیم، ارزیابی کنیم. یک منحنی کالیبراسیون این پیش‌بینی شهودی را انجام می‌دهد که آزمایش‌هایی با زمان‌های طولانی‌تر قمار باید دقت انتخاب بالاتری داشته باشند (شکل‌های 6A، 6D، 6G، و 6J). مطابق با این پیش بینی، دقت به عنوان تابعی از زمان شرط بندی هم برای مدل و هم برای داده ها افزایش می یابد. دوم، برای هر سطح دشواری انتخاب معین (تمایزپذیری حافظه)، دقت باید در آزمایش‌هایی با اطمینان بالاتر، جایی که زمان بیشتری قمار شده است، بالاتر باشد. ما این پیش‌بینی را با استفاده از یک منحنی روان‌سنجی شرطی آزمایش کردیم که داده‌ها را به زمان‌های قمار پیش‌بینی‌شده بالا و پایین (GEMM) یا واقعی (داده) تقسیم می‌کند. ما دریافتیم که زمان‌های طولانی‌تر قمار، دقت انتخاب بالاتری را در طیفی از به خاطر سپردن هم برای داده‌ها و هم برای مدل پیش‌بینی می‌کنند (شکل‌های 6B، 6E، 6H، و 6K). ثالثاً، برای هر سطح دشواری آزمایشی معین، زمان‌های قمار باید برای درستی در مقایسه با آزمایش‌های خطا بالاتر باشد. ساختن این منحنی "هلیومتریک"، قمارهای به طور مداوم بالاتری را برای آزمایش های صحیح نسبت به خطا در طیف وسیعی از تمایزپذیری حافظه در مدل و داده ها نشان داد (شکل های 6C، 6F، 6I، و 6L). برای هر سه امضا و هر چهار موش صحرایی، اکثر نقاط داده در دو انحراف استاندارد از مدل قرار دارند، که با توجه به تعداد کم پارامترهای مدل و این واقعیت که مدل تنها با رفتار انتخابی مناسب است، نشان‌دهنده پیش‌بینی‌های دقیق شگفت‌آوری است. زمان های قمار این تجزیه و تحلیل همچنین شواهدی از یک امضای شهودی از اطمینان منطبق با مدل استاندارد اطمینان تصمیم ادراکی را نشان داد: تفاوت در زمان شرط بندی بین آزمون های صحیح و خطا برای آزمایش های به یاد ماندنی بیشتر بیشتر است.

بحث

ما انتخاب مبتنی بر حافظه و اعتماد به نفس را با هم مطالعه کردیم، با استفاده از یک شکل جدید از گزارش اطمینان، قمار زمانی، که در هر آزمایشی در دسترس بود. به طور بحرانی، ما دریافتیم که شرط‌بندی‌های زمانی دقت انتخاب را به شیوه‌ای درجه‌بندی شده پیش‌بینی می‌کنند. این کار همچنین به ما امکان داد تا چالش طولانی مدت تعریف MDV را برطرف کنیم: ما یک DNN را در لیست کاملی از مشاهدات کار برای پیش بینی دقت انتخاب آموزش دادیم و آمار تشخیص خروجی آن را به عنوان تعریف محور دشواری حافظه مصنوعی یا متغیر تصمیم تفسیر کردیم. MDVDNN. در مرحله بعد، ما یک GeMM توسعه دادیم که سن خاطرات را به عنوان یک توزیع منطقی که با تجربیات تکامل می‌یابد نشان می‌دهد. ما GeMM و MDVDNN را در یک مدل نهایی ادغام کردیم که از MDVDNN برای تخصیص یک مشکل به هر کارآزمایی استفاده می‌کرد و متوجه شدیم که در طیف وسیعی از مشکلات، پیش‌بینی‌های GeMM رفتارهای انتخاب و اطمینان را خلاصه می‌کند. این یافته‌ها با اعتماد به حافظه در موش‌ها سازگار است و یک مدل ساده و قابل تفسیر از محاسبات اساسی را معرفی می‌کند.

مطالعات یادگیری و حافظه در حیوانات معمولاً بر معیارهای دقت حافظه متمرکز شده است (به عنوان مثال، زمان صرف شده برای انجماد در یک زمینه شرطی). محتوا، ذخیره سازی، بازیابی و استفاده از آن خاطرات. موش‌ها زمانی که تصمیم درستی گرفته بودند در آزمایش‌ها زمان بیشتری قمار می‌کردند، حتی اگر نتیجه آزمایش تا پایان دوره قمار آشکار نشد. یعنی وقتی موش‌ها در تصمیمی مطمئن‌تر بودند، مدت بیشتری در بندر منتظر می‌ماندند و از پاداش کوچک‌تر و زودتر به نفع پاداش بزرگ‌تر و دیرتر صرف‌نظر می‌کردند (متوسط ​​آزمایش‌های صحیح 1.5 ثانیه بیشتر از آزمایش‌های خطا یا 0} .8 انحراف استاندارد توزیع زمان شرط بندی شده). به ندرت، موش‌ها پورت‌های بدون علامت را انتخاب می‌کردند، که هرگز پاداشی دریافت نمی‌کردند (انتخاب‌های نامعتبر)، و زمانی که این کار را انجام می‌دادند، حتی کمتر از اشتباهات در پورت‌های نشانه‌گذاری شده، قمار می‌کردند، که همچنین با بازنمایی داخلی از اطمینان سازگار بود. انتخاب‌های نامعتبر اغلب در آزمایش‌های آسان اتفاق می‌افتند (سن حواس‌پرتی=1)، و به طور کلی، کمترین زمان‌های قمار مربوط به دقت کمتر از شانس است که به نسبت بالایی از آزمایش‌های نامعتبر نسبت داده می‌شود. این نشان‌دهنده یک استراتژی اکتشافی است که در آن پاسخ واقعی مشخص است و «پرتاب» یک آزمایش می‌تواند مطمئن شود که استراتژی بهینه بدون تغییر است. این نتایج با هم، شواهد قوی از توانایی محاسبه و عمل بر روی اطمینان در تصمیم گیری مبتنی بر حافظه در یک حیوان غیر نخستی را ارائه می دهد. مطالعه حاضر مطالعه قبلی را که شکلی از فراشناخت را در موش صحرایی گزارش می‌کرد، گسترش می‌دهد. مجموعه ای از هزاران آزمایش در موش های صحرایی با قابلیت ضبط عصبی. و یک مدل کمی از اعتماد به حافظه.

شواهدی برای اطمینان خاطر و فراشناخت در موش‌ها

یافته های ما به طور خاص این توانایی را برای خاطرات مربوط به محل حضور سوژه در سه آزمایش قبلی یا بیشتر و با چه ترتیب نسبی در زمان نشان می دهد. این نیاز به حافظه شبیه به وظایف N-back است که در انسان برای مطالعه حافظه "کار" استفاده می شود، 48 که معمولاً به عنوان حافظه در مقیاس زمانی ثانیه تا دقیقه تعریف می شود. 50، قضاوت‌های اخیر موش‌ها را نمی‌توان صرفاً با دسترسی به بدیع بودن یا نبودن یک تجربه خاص توضیح داد. به این ترتیب، نیاز حافظه آن با وظایف حافظه تشخیص بصری که اعتماد حافظه را در نخستی‌های انسانی و غیرانسان ایجاد کرده است، متفاوت است، که نیاز به چنین قضاوت قدیمی یا جدیدی دارد، اما نیازی به این ندارد که آزمودنی کجا یا به‌طور خاص زمانی که مورد دیده شد در نهایت، از حیوانات خواسته شد تا عنصری از «آنچه» رخ داده است را به خاطر بیاورند و تشخیص دهند که آیا قبلاً یک نشانه بصری (پورلایت) را در مقابل بازدید از مکان آن دیده‌اند یا خیر. وظایفی که به عناصر «چه، کجا و چه زمانی» نیاز دارند، اغلب به عنوان اپیزودیک یا اپیزودیک اطلاق می‌شوند. در اینجا، به دلیل نداشتن تعریف دقیقی که امکان تعیین اینکه آیا «اپیزودیک» است یا نه، از آن اصطلاحات اجتناب می‌کنیم. برای هر کار غیر انسانی مشخصی مناسب است.

توجه داریم که، به طور کلی، مشخص نیست که موش‌ها از کدام مکانیسم (مکانیسم‌ها) برای بافت زمانی استفاده می‌کنند یا اینکه آیا آنها به عنوان اپیزودیک (چه زمانی) واجد شرایط هستند یا خیر. در یک جدول زمانی و چگونگی تکامل آنها در طول زمان و بنابراین پتانسیل توصیف پویایی حافظه در انسان و حیوانات غیر انسانی را دارد. همانطور که در مورد همه وظایف، سیستم های حافظه چندگانه (روی و معنایی) نیز مورد نیاز است. وظیفه ما از یک گزارش اطمینان درجه‌بندی شده استفاده می‌کند، که در آن در مطالعات قبلی در مورد اعتماد به حافظه، در میمون‌ها و موش‌ها، 36 از وظایف گزینه کاهش استفاده می‌شد. این دسته از وظایف، تصمیمات تطبیق به نمونه با تأخیر را بین هدف، حواس پرت کننده و گزینه دیگری برای رد تصمیم و کسب پاداش کمتر ایجاد می کند. این ادعا که این وظایف اعتماد حافظه را بررسی می‌کنند بر دو الگوی پاسخ استوار است: (1) میزان کاهش انتخاب‌ها با دشواری افزایش می‌یابد و (2) دقت انتخاب در آزمایش‌های انتخاب اجباری در مقایسه با آزمون‌های حافظه انتخابی آزادانه کمتر است. با این حال، این الگوهای انتخاب را می‌توان با فرآیندهای ابتدایی‌تری نسبت به محاسبات اطمینان توضیح داد. برای مثال، مکانیسم‌های یادگیری تقویتی ساده می‌توانند توضیح دهند که چرا گزینه‌های رد کردن دشواری را دنبال می‌کنند.

به طور مشابه، تفاوت دقت بین انتخاب های اجباری و آزاد می تواند زمانی ایجاد شود که حیوانات به سطوح انگیزه یا درگیری خود دسترسی داشته باشند، با انگیزه و درگیری بالا که کاهش های کمتر و دقت بالاتر را پیش بینی می کند. ,57,58 اهمیت مشخص کردن یک مدل محاسباتی صریح، تعیین اینکه آیا آن مدل می‌تواند داده‌ها را به طور دقیق توصیف کند و آزمایش سایر توضیحات ممکن را برجسته می‌کند. بنابراین، سهم مهم مطالعه ما ارائه یک طراحی تکلیف رفتاری جدید و مدلی از حافظه است که انتخاب و اعتماد را تعیین می کند. همین چارچوب برای رفتار انسان نیز قابل استفاده است و بنابراین ممکن است به ما اجازه دهد که اعتماد به حافظه را در همه گونه‌ها در یک سطح قرار دهیم.

مدلی از انتخاب و اعتماد به نفس مبتنی بر حافظه

برای ساخت مدل، ابتدا از داده‌های رفتاری برای استنتاج یک متغیر تصمیم‌گیری استفاده کردیم و سپس یک مدل تولیدی ابداع کردیم، پارامترهای آن را با رفتار انتخابی مطابقت دادیم و پیش‌بینی‌های اطمینان را برای آزمایش در برابر داده‌ها ایجاد کردیم. برای استنباط متغیر تصمیم گیری حافظه، ما از یک رویکرد مبتنی بر داده مبتنی بر مدل-آگنوستیک مبتنی بر همه متغیرهایی که به طور بالقوه در حافظه موش ها در دسترس هستند استفاده کردیم. مهم‌تر از همه، برخلاف وظایف ادراکی59 یا مبتنی بر ارزش60 که آزمایشگر دشواری هر آزمایش را کنترل می‌کند، در اینجا، ناشناخته بود که چگونه عناصر مختلف هر آزمایش حافظه برای تعریف دشواری با هم تعامل دارند. DNN ما به درجه بالایی از دقت پیش‌بینی (80 درصد) رسید و از شبکه‌ای که به تنهایی مبتنی بر پورتاژ است، بهتر عمل کرد. چنین رویکردی ممکن است به طور گسترده مفید باشد زمانی که دشواری آزمایشی نمی تواند از قبل تعیین شود.

ماهیت DNN مانع از درک فوری نحوه محاسبه اطمینان حافظه می شود. بنابراین، در مرحله دوم، مدل‌سازی، روی زیرمجموعه‌ای از پارامترها، به‌ویژه سن‌های هدف و حواس‌پرتی، تمرکز کردیم تا مدلی برای پیش‌بینی انتخاب و اعتماد به حافظه طراحی کنیم. تحت GeMM، چند پارامتر بر تکامل توزیع‌های لگ نرمال زیربنایی بر اساس ویژگی‌های شناخته شده فرآیندهای حافظه حاکم است. هر حافظه در زمان رمزگذاری به عنوان یک تابع دلتا نشان داده می شود و بنابراین شامل نویز ادراکی نمی شود. در مقاطع زمانی بعدی، واریانس آن نویز یادمانی از فرآیندها از جمله رمزگذاری را نشان می دهد. پارامترهای GEMM برای داده‌های انتخابی برای هر موش صحرایی مناسب بود و برای پیش‌بینی اعتماد به حافظه استفاده شد. آنها یک انحراف استاندارد فزاینده با افزایش سن را تعریف می کنند، مطابق با درک این موضوع که حافظه ها در طول زمان دقیق تر می شوند و بازیابی حافظه برای تثبیت یا استفاده باعث ناپایداری می شود. با تعبیه آن در داده ها در مدل مجموعه کامل به حساب می آید. یک رویکرد جایگزین برای ایجاد پیش‌بینی‌های اطمینان از GeMM، استفاده از MDVDNN به‌عنوان یک محور تصمیم‌گیری است، فرض کنید در هر آزمایش، تصمیم حافظه و اطمینان حافظه هر دو بر اساس یک پروفایل نویز ساده تعیین می‌شوند (مثلاً نویز گاوسی با واریانس ثابت). ,50,62 و از این پیش‌بینی زمان قمار شده. 18,22 چنین مدلی پیش‌بینی می‌کند که اعتماد برای آزمایش‌های صحیح افزایش می‌یابد و برای آزمایش‌های خطا به عنوان تابعی از قابلیت تشخیص کاهش می‌یابد.

با این حال، در داده های ما، زمان های قمار با سهولت تصمیم افزایش نمی یابد. مدل ما این ویژگی را با پروفایل های نویز نامتقارن ثبت می کند. GEMM بر اساس مدل‌های قبلی مربوط به تشخیص سیگنال و حافظه، 63-67 از جمله نظریه قدرت و مدل‌های ردیابی اپیزودیک است. این متغیر تصمیم گیری حافظه را می توان به عنوان قدرت ارتباط بین آیتم های حافظه در یک لیست، یک متغیر کلیدی در مدل بافت زمانی تأثیرگذار حافظه تفسیر کرد. انتشار به وفور، 40 GeMM می تواند از نمونه برداری متوالی از توزیع حافظه پشتیبانی کند، زمانی که چندین رویداد بازیابی داخلی برای تخمین سن حافظه استفاده می شود.

در واقع، پیشنهاد شده است که زمان تصمیم‌گیری در تصمیم‌گیری‌های مبتنی بر حافظه، مانند تبعیض ادراکی، ممکن است نتیجه نمونه‌گیری متوالی، به طور بالقوه در قالب بازیابی‌های چندگانه حافظه باشد. مدل‌های یادگیری تقویتی (RL) اخیر شامل نمونه برداری از حافظه برای توضیح انتخاب، 72-74 با استفاده از یک ضریب وزنی اخیر که تجربیات قدیمی را کاهش می دهد تا تغییرات محیطی احتمالی را منعکس کند. نتایج ما نشان می دهد که ترکیب یک عامل بازتاب دهنده قابلیت اطمینان درک شده از خاطرات بازیابی شده (به عنوان مثال، اطمینان خاطر) در مدل های تصمیم گیری مبتنی بر ارزش ممکن است دقت آنها را افزایش دهد.

اهمیت درک اعتماد به نفس

در نهایت، ما تاکید می‌کنیم که اعتماد نابجا در ادراکات برای توضیح انواع علائم روانپزشکی پیشنهاد شده است. 75-77 تحریف در اعتماد به نفس می‌تواند ابعاد اضافی آسیب‌شناسی روانپزشکی را توضیح دهد. اگرچه مطالعات روان‌شناختی نشان می‌دهد که کمبود اعتماد به نفس به عنوان محرک رفتارهای کنترلی در اختلال وسواس فکری اجباری و یک عامل خطر برای ابتلا به اسکیزوفرنی است، اما مطالعه اعتماد به حافظه از نظر وظایف رفتاری برای حیوانات و چارچوب‌های نظری برای کمی کردن حافظه از اطمینان ادراکی عقب‌تر است. گزارش های اطمینان هدایت شده درک عمیق تر از اعتماد به حافظه کاربردهای بالقوه گسترده ای دارد، از قضاوت در مورد اعتبار شهادت شاهدان عینی (مثلاً در جلسات کاوانا 2018)24 تا کمی کردن باورهای تحریف شده در بیماری روانی.

ارجاع

1. Grimaldi، P.، Lau، H.، و Basso، MA (2015). چیزهایی هست که می دانیم و می دانیم و چیزهایی هست که نمی دانیم و نمی دانیم: اطمینان در تصمیم گیری. نوروسک. Biobehav. Rev. 55, 88-97.

2. Pouget, A., Drugowitsch, J., and Kepecs, A. (2016). اطمینان و اطمینان: مقادیر احتمالی متمایز برای اهداف مختلف. نات. نوروسک. 19، 366-374.

3. باخ، DR، و دولان، RJ (2012). دانستن اینکه چقدر نمی دانید: سازمان عصبی تخمین های عدم قطعیت. نات. کشیش نوروسی. 13، 572-586.

4. Meyniel، F.، Sigman، M.، و Mainen، ZF (2015). اعتماد به عنوان احتمال بیزی: از ریشه های عصبی تا رفتار نورون 88، 78-92.

5. Pouget, A., Beck, JM, Ma, WJ, and Latham, PE (2013). مغزهای احتمالی: معلوم و ناشناخته. نات. نوروسک. 16، 1170-1178.

6. Kepecs، A. و Mainen، ZF (2012). یک چارچوب محاسباتی برای مطالعه اعتماد به نفس در انسان و حیوانات. فیلوس ترانس. R. Soc. لندن. B Biol. علمی 367، 1322-1337.

7. اسمیت، جی. پاسخ نامشخص در دلفین پوزه بطری (Tursiops truncatus). J. Exp. روانی Gen. 124, 391-408.

8. کیانی، ر. و شادلن، م.ن (2009). نمایش اعتماد به نفس مرتبط با تصمیم گیری توسط نورون ها در قشر جداری علوم 324، 759-764.

9. Middlebrooks, PG, and Sommer, MA (2012). همبستگی های عصبی فراشناخت در قشر پیشانی نخستی ها نورون 75، 517-530.

10. Komura, Y., Nikkuni, A., Hirashima, N., Uetake, T., and Miyamoto, A. (2013). پاسخ‌های نورون‌های پولوینار نشان‌دهنده اعتماد سوژه به دسته‌بندی‌های بصری است. نات. نوروسک. 16، 749-755.

11. Vining، AQ و Marsh، HL (2015). جستجوی اطلاعات در کاپوچین ها (Cebus apella): شکل ابتدایی فراشناخت؟ انیمیشن. شناخت. 18، 667-681.

12. همپتون، RR (2001). میمون های رزوس می دانند چه زمانی به یاد می آورند. Proc. Natl. آکادمی علمی USA 98, 5359–5362.

13. پری، سی جی، و بارون، AB (2013). زنبورهای عسل به طور انتخابی از انتخاب های دشوار اجتناب می کنند. Proc. Natl. آکادمی علمی USA 110، 19155-19159.

14. Kepecs, A., Uchida, N., Zariwala, HA, and Mainen, ZF (2008). همبستگی های عصبی، محاسبات و تاثیر رفتاری اعتماد به تصمیم طبیعت 455، 227-231.

15. Stolyarova، A.، Rakhshan، M.، Hart، EE، O'Dell، TJ، Peters، MAK، Lau، H.، Soltani، A.، and Izquierdo، A. (2019). مشارکت قشر سینگولیت قدامی و آمیگدال قاعده‌ای جانبی در اعتماد به تصمیم و یادگیری تحت عدم قطعیت نات. اشتراک. 10, 4704.

16. Hangya، B.، Sanders، JI، و Kepecs، A. (2016). چارچوبی ریاضی برای اطمینان تصمیم گیری آماری محاسبات عصبی 28، 1840-1858.

17. اوت، تی، ماست، پی، و کپکس، ا. (2018). عصب‌شناسی اعتماد به نفس: از باورها تا نورون‌ها کولد اسپرینگ هارب. علائم مقدار. Biol. 83، 9-16.

18. Sanders, JI, Hangya, B., and Kepecs, A. (2016). امضاهای یک محاسبات آماری در حس اعتماد انسانی. نورون 90، 499-506.

19. Lak، A.، Nomoto، K.، Keramati، M.، Sakagami، M.، و Kepecs، A. (2017). نورون‌های دوپامین مغز میانی باور به دقت انتخاب را در طول یک تصمیم ادراکی نشان می‌دهند. Curr. Biol. 27، 821-832.

20. گوپیل، ال. و کویدر، اس. (2016). شاخص‌های رفتاری و عصبی حساسیت فراشناختی در نوزادان پیش‌کلامی. Curr. Biol. 26، 3038-3045.

21. Lak, A., Costa, GM, Romberg, E., Koulakov, AA, Mainen, ZF, and Kepecs, A. (2014). قشر Orbitofrontal برای انتظار بهینه بر اساس اطمینان تصمیم مورد نیاز است. نورون 84، 190-201.

22. Masset, P., Ott, T., Lak, A., Hirokawa, J., and Kepecs, A. (2020). رفتار و روش - بازنمایی کلی از اعتماد به نفس در قشر اوربیتوفرونتال. سلول 182، 112-126.e18.

23. Roediger، HL، سوم، و DeSoto، KA (2014). اعتماد به نفس و حافظه: ارزیابی همبستگی های مثبت و منفی حافظه 22، 76-91.

24. Wixted، JT، و Wells، GL (2017). رابطه بین اطمینان شاهد عینی و دقت شناسایی: یک سنتز جدید روانی علمی منافع عمومی 18، 10-65.

25. Rutishauser, U., Ye, S., Koroma, M., Tudusciuc, O., Ross, IB, Chung, JM, and Mamelak, AN (2015). نمایش اطمینان بازیابی توسط نورون های منفرد در لوب تمپورال داخلی انسان. نات. نوروسک. 18، 1041-1050.

26. Miyamoto، K.، Osada، T.، Setsuie، R.، Takeda، M.، Tamura، K.، Adachi، Y.، و Miyashita، Y. (2017). شبکه عصبی علی فراحافظه برای گذشته نگری در پستانداران علوم 355، 188-193.

27. Miyamoto، K.، Setsuie، R.، Osada، T.، و Miyashita، Y. (2018). خاموش شدن برگشت پذیر قشر فروتوقطبی به طور انتخابی قضاوت فراشناختی را در مورد عدم تجربه در پستانداران مختل می کند. Neuron 97, 980-989.e6.

28. Kwok، SC، Cai، Y.، و Buckley، MJ (2019). درون نگری یادگاری در ماکاکوها به قشر جلوی پیشانی پشتی جانبی فوقانی بستگی دارد اما به قشر اربیتو فرونتال وابسته نیست. J. Neurosci. 39، 5922-5934.

29. Kornell، N.، Son، LK، و Terrace، HS (2007). انتقال مهارت های فراشناختی و نکته یابی در میمون ها. روانی علمی 18، 64-71.

30. Rutishauser, U., Aflflalo, T., Rosario, ER, Pouratian, N., and Andersen, RA (2018). نمایش تک نورونی قدرت حافظه و اعتماد به تشخیص در قشر جداری خلفی چپ انسان Neuron 97, 209-220.e3.

31. Eichenbaum، H. و Cohen، NJ (2001). از شرطی سازی تا یادآوری آگاهانه (دانشگاه آکسفورد).

32. باب، اس جی و کریستال، جی دی (2006). حافظه اپیزودیک مانند در موش. Curr. Biol. 16، 1317–1321.

33. اسمیت، جی دی، کوچمن، جی جی و بران، ام جی (2014). فراشناخت حیوانات: داستان دو روانشناسی تطبیقی J. Comp. روانی 128، 115-131.

34. کرک، CR، مک میلان، N.، و رابرتز، WA (2014). موش ها برای دریافت اطلاعات پاسخ می دهند: فراشناخت در یک جونده؟ J. Exp. روانی انیمیشن. فرا گرفتن. شناخت. 40، 249-259.

35. یوکی، اس.، و اوکانویا، ک. (2017). موش‌ها انتخاب تطبیقی ​​را در یک کار فراشناختی با عدم قطعیت بالا نشان می‌دهند. J. Exp. روانی انیمیشن. فرا گرفتن. شناخت. 43، 109-118.

36. تمپلر، VL، لی، KA، و پرستون، AJ (2017). موش‌ها می‌دانند چه زمانی به یاد می‌آورند: انتقال پاسخ‌های فراشناختی در آزمایش‌های تطبیق به نمونه با تأخیر مبتنی بر بو. انیمیشن. شناخت. 20، 891-906.

37. ریچاردز، جی بی، میچل، SH، دی ویت، اچ، و سیدن، LS (1997). تعیین توابع تخفیف در موش‌ها با روش مقدار تعدیل. J. Exp. مقعدی رفتار 67، 353-366.

38. Mazur، JE (1987). یک روش تنظیم برای مطالعه تقویت تاخیری. در The Effect of Delay and of Intervening Events on Reinforcement Value, ML Commons, JE Mazur, JA Nevin, and H. Rachlin, eds. (لارنس ارلباوم همکاران)، ص 55-73.

39. یونگ، ن. و سامرفیفیلد، سی (2012). فراشناخت در تصمیم گیری انسانی: اطمینان و پایش خطا فیلوس ترانس. R. Soc. لندن. B Biol. علمی 367، 1310-1321.

40. Fetsch, CR, Kiani, R., and Shadlen, MN (2014). پیش بینی صحت یک تصمیم: مکانیزم عصبی اطمینان کولد اسپرینگ هارب. علائم مقدار. Biol. 79، 185-197.

41. Sauerland، M.، Sagana، A.، Sporer، SL، و Wixted، JT (2018). زمان تصمیم گیری و اطمینان، عملکرد شناسایی انتخاب کنندگان را در نمایش های عکاسی پیش بینی می کند. PLoS ONE 13, e0190416.

42. همپتون، RR (2009). تظاهرات چندگانه فراشناخت در افراد غیرانسان: شواهد همگرا یا مکانیسم های متعدد؟ Comp. شناخت. رفتار مکاشفه 4، 17-28.

43. Kesner، RP، و Novak، JM (1982). منحنی موقعیت سریال در موش: نقش هیپوکامپ پشتی علم 218، 173-175.

44. چیبا، AA، Kesner، RP، و Gibson، CJ (1997). حافظه برای ترتیب زمانی توالی های مکان فضایی جدید و آشنا: نقش قشر پیش پیشانی داخلی فرا گرفتن. مم 4، 311-317.

45. Corrado، GS، Sugrue، LP، Brown، JR، و Newsome، WT (2009). مشکل انتخاب: مطالعه متغیرهای تصمیم گیری در مغز در Neuroeconomics: Decision Making and the Brain، PW Glimcher، CF Camerer، E. Fehr و RA Poldrack، eds. (دانشگاهی)، ص 463-480.

46. ​​Sirunyan، AM، Tumasyan، A.، Adam، W.، Ambrogi، F.، Asilar، E.، Bergauer، T.، Brandstetter، J.، Dragicevic، M.، Ero¨، J.، Valle، AED ، و همکاران (2019). یک تکنیک جاسازی برای تعیین پس‌زمینه tt در داده‌های برخورد پروتون- پروتون. J. Instrum. 14, P06032.

47. Shettleworth، SJ (2010). شناخت، تکامل و رفتار (دانشگاه آکسفورد).

48. Kirchner, WK (1958). تفاوت های سنی در حفظ کوتاه مدت اطلاعات به سرعت در حال تغییر. J. Exp. روانی 55، 352-358.

49. Chaudhuri, R., and Fiete, I. (2016). اصول محاسباتی حافظه نات. نوروسک. 19، 394-403.

50. Yonelinas، AP، Aly، M.، Wang، WC، و Koen، JD (2010). یادآوری و آشنایی: بررسی مفروضات بحث برانگیز و جهت گیری های جدید. هیپوکامپ 20، 1178-1194.

51. کلیتون، NS، Bussey، TJ، و Dickinson، A. (2003). آیا حیوانات می توانند گذشته را به یاد بیاورند و برای آینده برنامه ریزی کنند؟ نات. کشیش نوروسی. 4، 685-691.

52. Roberts, WA, Feeney, MC, Macpherson, K., Petter, M., McMillan, N., and Musolino, E. (2008). حافظه اپیزودیک مانند در موش: آیا بر اساس زمان یا چند وقت پیش است؟ علم 320، 113-115.

53. ژو، دبلیو، و کریستال، جی دی (2009). شواهدی برای یادآوری زمان وقوع رویدادها در مدل جوندگان حافظه اپیزودیک. Proc. Natl. آکادمی علمی USA 106, 9525–9529.

54. Jozefowiez, J., Staddon, JER, and Cerutti, DT (2009). فراشناخت در حیوانات: چگونه بدانیم که آنها می دانند؟ Comp. شناخت. رفتار مکاشفه 4، 29-39.

55. Le Pelley، ME (2012). میمون های فراشناختی یا حیوانات تداعی؟ یادگیری تقویتی ساده عدم قطعیت را در حیوانات غیر انسانی توضیح می دهد. J. Exp. روانی فرا گرفتن. مم شناخت. 38، 686-708.

56. سندرز، جی (2014). چارچوب محاسباتی برای درک اطمینان تصمیم (آزمایشگاه کلد اسپرینگ هاربر)، Ph.D. پایان نامه.

57. فوت، AL، و کریستال، JD (2007). فراشناخت در موش صحرایی Curr. Biol. 17، 551-555. 58. فوت، AL، و کریستال، JD (2012). «دوباره بازی کن»: روشی جدید برای آزمایش فراشناخت در حیوانات. انیمیشن. شناخت. 15، 187-199.

59. Fetsch, CR, Kiani, R., Newsome, WT, and Shadlen, MN (2014). اثرات ریز تحریک قشر مغز بر اعتماد به یک تصمیم ادراکی. Neuron 83, 797-804.

60. Sugrue, LP, Corrado, GS, and Newsome, WT (2004). رفتار تطبیق و نمایش ارزش در قشر جداری Science 304، 1782-1787.

61. Dudai, Y., Karni, A., and Born, J. (2015). تحکیم و تبدیل حافظه. نورون 88، 20-32.

62. Wixted، JT، و Mickes، L. (2010). یک مدل فرآیند دوگانه پیوسته از قضاوت های به خاطر سپردن/دانستن. روانی Rev. 117, 1025-1054.

63. کاهنا، ام جی (2012). مبانی حافظه انسانی (دانشگاه آکسفورد).

64. Raaijmakers، JGW و Shiffrin، RM (1980). SAM: نظریه جستجوی احتمالی حافظه انجمنی در روانشناسی یادگیری و انگیزه، GH Bower، ed. (دانشگاهی)، ص 207-262.

65. Raaijmakers, JG, and Shiffrin, RM (1992). مدل هایی برای یادآوری و شناسایی آنو. کشیش روانی. 43، 205-234.

66. هوارد، مگاوات، و کاهنا، ام جی (2002). یک نمایش توزیع شده از زمینه زمانی. جی. ریاضی. روانی 46، 269-299.

67. Howard, MW, Fotedar, MS, Datey, AV, and Hasselmo, ME (2005). مدل بافت زمانی در جهت‌یابی فضایی و یادگیری رابطه‌ای: به سمت یک توضیح مشترک از عملکرد لوب زمانی میانی در سراسر حوزه‌ها. روانی مکاشفه 112، 75-116.

68. ویکرز، دی (1979). 6 - اعتماد به نفس. In Decision Processes in Visual Perception، D. Vickers، ed. (دانشگاهی)، ص 171–200.

69. شادلن، MN، و شوهامی، D. (2016). تصمیم گیری و نمونه برداری متوالی از حافظه. نورون 90، 927-939.

70. باکور، آ.، پالومبو، دی جی، زیلبربرگ، آ.، کانگ، ی.اچ، رید، ا.، ورفالی، ام.، شادلن، ام.ان، و شوهامی، دی. (2019). هیپوکامپ از مشورت در تصمیم گیری های مبتنی بر ارزش پشتیبانی می کند. eLife 8, e46080.

71. جو، HR، و فرانک، LM (2018). موج تیز هیپوکامپ در بازیابی حافظه برای استفاده فوری و تثبیت. نات. کشیش نوروسی. 19، 744-757.

72. گیرشمن، اس جی و داو، ND (2017). تقویت یادگیری و حافظه اپیزودیک در انسان و حیوانات: یک چارچوب یکپارچه آنو. کشیش روانی. 68، 101-128.

73. Bornstein، AM، Khaw، MW، Shohamy، D. و Daw، ND (2017). یادآوری انتخاب های گذشته، تصمیمات را برای پاداش در انسان سوگیری می کند. نات. اشتراک. 8، 15958.

74. Bornstein، AM، و Norman، KA (2017). زمینه اپیزودیک بازیابی شده، تصمیمات مبتنی بر نمونه برداری را برای پاداش راهنمایی می کند. نات. نوروسک. 20، 997-1003.

75. Rouault, M., Seow, T., Gillan, CM, and Fleming, SM (2018). ابعاد علائم روانپزشکی با تغییرات غیرقابل تفکیک در فراشناخت همراه است، اما نه عملکرد وظیفه. Biol. روانپزشکی 84، 443-451.

76. Sterzer، P.، Adams، RA، Fletcher، P.، Frith، C.، Lawrie، SM، Muckli، L.، Petrovic، P.، Uhlhaas، P.، Voss، M.، و Corlett، PR ( 2018). گزارش کدگذاری پیش بینی کننده روان پریشی Biol. روانپزشکی 84، 634-643.

77. Kepecs, A., and Mensh, BD (2015). کنترل احساسات: محاسبات زیربنای تخصیص منابع بدنی، احساسات و اعتماد به نفس. دیالوگ کلین. نوروسک. 17، 391-401.

78. Hoven، M.، Lebreton، M.، Engelmann، JB، Denys، D.، Luigjes، J.، و van Holst، RJ (2019). ناهنجاری های اعتماد به نفس در روانپزشکی: یک مرور کلی و دیدگاه های آینده ترجمه روانپزشکی 9، 268.