Individual Differences in Policy Precision: Links to Suicidal Ideation and Network Dynamics
Notice bibliographique
Résumé
Abstract Behavioural modelling of decision-making processes has advanced our understanding of impairments associated with various psychiatric conditions. However, as research increasingly prioritises the development of models that best explain observed behaviour, the question of whether these behaviours stem from biologically plausible brain functions has often been overlooked. To address this gap, we developed a probabilistic two-armed bandit task model based on the active inference framework and compared its performance to established reinforcement learning (RL) models. Our model demonstrated superior explanatory power in capturing individual variability in choice behaviour. A key parameter in our model, policy precision—analogous to the temperature parameter in RL models—is also optimised based on previous outcomes. This optimisation accounts for the balance between model-free (MF) and model-based (MB) decision-making strategies. Notably, incorporating the rate of change in policy precision enhanced the model’s ability to explain brain network dynamics and their inter-subject correlations. Specifically, we observed a positive correlation with default mode network dominance and a negative correlation with dorsal attention and frontoparietal network-dominant states. These opposing network patterns suggest a cooperative relationship, as evidenced by correlations between state transitions and behavioural parameters. This transition may represent a neural mechanism underlying MB-MF arbitration, which appears to be disrupted by prolonged activation of another state characterised by heightened ventral attention network activity and increased inter-network connectivity. Finally, we found that reduced prior policy precision in loss-related context is associated with suicidal ideation in individuals with major depressive disorders. Highlights The AIF model explains pronounced individual behavioural variability. Neural signals are better explained by changes in policy precision. The anti-correlation can be explained from the perspective of the MB-MF arbitration. The AIF model better explains the HAM-D score. The AIF model can discriminate suicidal ideation in MDD with a loss task.
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 | 0,002 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».