Publicacions - FIDMAG, Fundació per a la recerca

US DE COOKIES
Utilitzem cookies necessàries de sistema per al correcte funcionament de la web i cookies opcionals de Google Analytics per obtenir estadístiques de visita. +info

Configuració cookies

Necessàries

Les cookies necessàries són absolutament essencials perquè el lloc web funcioni correctament. Aquesta categoria només inclou galetes que garanteixen funcionalitats bàsiques i funcions de seguretat del lloc web. Aquestes cookies no emmagatzemen cap informació personal.

Nom	Proveïdor	Propietat	Finalitat	Caducitat
_GRECAPTCHA	google.com	Propia	Proveir protecció antispam amb el servei reCaptcha	6 mesos
cc_cookie_accept	fidmag.org	Propia	Usada per confirmar que l'usuari ha confirmat / refusat les cookies (i quins tipus accepta)	1 any
WEB_SESSION	fidmag.org	Propia	Cookie técnica: cookie de sessió PHP. Guarda l'id de sessió d'usuari.	al acabar la sessió

Anàlisi

Les cookies analítiques s'utilitzen per entendre com interactuen els visitants amb el lloc web. Aquestes cookies ajuden a proporcionar informació sobre mètriques, el nombre de visitants, el percentatge de rebots, la font del trànsit, etc.

Nom	Proveïdor	Propietat	Finalitat	Caducitat
_ga	Google Analytics	De tercers	Cookie d'anàlisi o mesurament: Identifica els usuaris i proporciona informació sobre com els usuaris troben la pàgina web i com la utilitzen per a realització d'Informes estadístics	2 anys
_gat_gtag_UA_141706552_1	Google Analytics	De tercers	Cookie d'anàlisi o mesurament: Tracking per part de google per google analytics	1 minut
_gid	Google Analytics	De tercers	Cookie d'anàlisi o mesurament: S'usa per limitar el percentatge de sol·licituds	24 hores
_guid	linkedin	De tercers	Identifica de manera única els visitants per a finalitats d’anàlisi.	90 dies
AnalyticsSyncHistory	linkedin	De tercers	Emmagatzema informació sobre la sincronització de dades amb serveis d’anàlisi.	30 dies
bcookie	linkedin	De tercers	Identifica dispositius de forma única per motius de seguretat i detecció d’abús.	2 anys
li_gc	linkedin	De tercers	Desa el consentiment de l’usuari sobre l’ús de cookies no essencials.	6 mesos
li_mc	linkedin	De tercers	Emmagatzema dades d’identificadors per a la sincronització i segmentació publicitària.	2 anys
liap	linkedin	De tercers	Manté l’estat d’inici de sessió dels usuaris de LinkedIn.	1 any
lidc	linkedin	Propia	Utilitzada per al balanç de càrrega entre servidors per assegurar el bon funcionament de LinkedIn.	24 hores
UserMatchHistory	linkedin	De tercers	Emmagatzema informació sobre visites per realitzar retargeting publicitari.	30 dies

Configurar Rebutjar totes Acceptar Totes

Inici
> Recerca

Tornar als resultats

FI
5.618

33839955

2021 Brain Structure & Function

Reward and fictive prediction error signals in ventral striatum: asymmetry between factual and counterfactual processing.

Santo-Angles A, Fuentes-Claramonte P, Argila-Plaza I, Guardiola-Ripoll M, Almodóvar-Payá C, Munuera J, McKenna PJ, Pomarol-Clotet E, Radua J

Servei limitat a col·laboradors/res de la xarxa de centres de Germanes Hospitalàries. Rebreu un missatge al vostre correu-e amb un enllaç per a la descàrrega del present article.

Abstract

Reward prediction error, the difference between the expected and obtained reward, is known to act as a reinforcement learning neural signal. In the current study, we propose a model fitting approach that combines behavioral and neural data to fit computational models of reinforcement learning. Briefly, we penalized subject-specific fitted parameters that moved away too far from the group median, except when that deviation led to an improvement in the model's fit to neural responses. By means of a probabilistic monetary learning task and fMRI, we compared our approach with standard model fitting methods. Q-learning outperformed actor-critic at both behavioral and neural level, although the inclusion of neuroimaging data into model fitting improved the fit of actor-critic models. We observed both action-value and state-value prediction error signals in the striatum, while standard model fitting approaches failed to capture state-value signals. Finally, left ventral striatum correlated with reward prediction error while right ventral striatum with fictive prediction error, suggesting a functional hemispheric asymmetry regarding prediction-error driven learning.