Reward probability and magnitude in saccadic decisions under risk: measuring bias and sensitivity to expected value
Notice bibliographique
Résumé
Objective: Our goal was to evaluate how healthy subjects integrate information of reward magnitude and the likelihood of reward, to determine their threshold sensitivity to differences in value and their choice biases. Background: There are few clinical tests of decisions under risk. The most well-known, the Iowa Gambling task, assesses the ability to learn cumulative probabilities of gain or loss and to forego large rewards for smaller ones. However, tests that characterize sensitivity to expected value and biases between reward magnitude versus probability may provide insights in conditions with anomalous reward-related behaviour. Design/Methods: Twenty subjects were required in 170 trials to choose between two explicitly described prospects, one having higher probability of reward but lower magnitude of reward than the other. The sizes of reward and the degree of probability were varied so that the difference in expected value between the two prospects varied from 3% to 23%. We first plotted choice as a function of expected value. Second, we used Prospect Theory to evaluate choice as a function of perceived value, using an exponential function for perceived reward utility and a single-parameter Prelec function for perceived probability. Results: Subjects showed a threshold sensitivity of 9.0% difference in expected value. Regarding choice bias, we found a ‘risk premium’ of 9.4%, indicating a slight tendency to choose higher probability over higher reward. Prospect Theory analysis showed that this risk premium is the predicted outcome of non-linearities in the subjective perception of reward value and probability. Conclusions: This simple test provides a robust measure of discriminative value thresholds and biases in decisions under risk. Prospect Theory makes predictions about choice patterns when perception of reward or probability is anomalous, as may occur in populations with dopaminergic or striatal dysfunction, such as Parkinson's disease and schizophrenia.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».