MétaCan
Menu
← Retour à la cohorte
Enregistrement W3000714218 · doi:10.1101/2020.01.09.900530

EEG correlates of physical effort and reward processing during reinforcement learning

2020· preprint· en· W3000714218 sur OpenAlexaff
Dimitrios J. Palidis, Paul L. Gribble

Notice bibliographique

RevuebioRxiv (Cold Spring Harbor Laboratory) · 2020
Typepreprint
Langueen
DomaineNeuroscience
ThématiqueNeural and Behavioral Psychology Studies
Établissements canadiensWestern University
Organismes subventionnairesnon disponible
Mots-clésReinforcement learningPsychologyIsometric exerciseTask (project management)ContingencyReinforcementElectroencephalographyNegativity effectNeurofeedbackPhysical medicine and rehabilitationCognitive psychologyNegative feedbackComputer scienceSocial psychologyArtificial intelligenceNeurosciencePhysical therapyMedicine

Résumé

récupéré en direct d'OpenAlex

Abstract Effort-based decision making is often described by choices according to subjective value, a function of reward discounted by effort. We asked whether a neural reinforcement learning signal, the feedback related negativity (FRN), is modulated not only by reward outcomes but also physical effort. We recorded EEG from human participants while they performed a task in which they were required to accurately produce target levels of muscle activation to receive rewards. Participants performed isometric knee extensions while quadriceps muscle activation was recorded using EMG. Real-time feedback indicated muscle activation relative to a target. On a given trial, the target muscle activation required either low or high effort. The effort was determined probabilistically according to a binary choice, such that the responses were associated with 20% and 80% probability of high effort. This contingency could only be known by experience, and it reversed periodically. After each trial binary reinforcement feedback was provided to indicate whether participants were sufficiently accurate in producing the target muscle activity. Participants adaptively avoided effort by switching responses more frequently after choices that resulted in hard effort. Feedback after participants’ choices which revealed the resulting effort requirement for the subsequent knee extension did not elicit an FRN component. However, the neural response to reinforcement feedback after the knee extension was increased during and after the time period of the FRN by preceding physical effort. Thus, retrospective effort modulates reward processing which may underlie paradoxical behavioral findings whereby rewards requiring more effort to obtain can become more powerful reinforcers. Significance Statement When making decisions, we typically select more rewarding and less effortful options. Neural reinforcement learning signals reinforce rewarding actions and deter punishing actions. When participants received feedback that their choices would require easy or hard physical effort, we did not observe reinforcement learning signals that are typically observed in response to feedback predicting reward and punishment. Thus, the reinforcement learning system does not strictly treat effort as loss or punishment. However, when the effort was completed and participants received feedback indicating whether they successfully achieved a reward or not, reinforcement learning signals were amplified by preceding effort. Thus, retrospective effort can affect neural responses to reinforcement outcomes, which may explain how effort can enhance the motivational effect of reinforcers.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,045
Tête enseignante GPT0,286
Écart entre enseignants0,242 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuebioRxiv (Cold Spring Harbor Laboratory)→Même sujetNeural and Behavioral Psychology Studies→Travaux en français237 207→