Divergent effects of win-paired cues on learning from timeout penalties in female and male rats
Notice bibliographique
Résumé
In both males and females, linking rewards with salient audiovisual cues in simulated gambling games increases risky choice in humans and rats. However, the prevalence and severity of gambling problems differs in men and women. In previous work, reinforcement learning (RL) models were applied to data from male rats performing the rat gambling task (rGT) to investigate the computational processes promoting risky choice. In the rGT, the optimal strategy is to favor options paired with smaller per-trial gains but shorter and less frequent time-out penalties. Rewards are either delivered with (cued) or without (uncued) concurrent audiovisual cues. Previous work showed these cues drive risky decision making by causing male rats to under weigh the relative cost of timeout punishments, specifically for one of the highly risky options. Here, we applied the same methodology to a large dataset from female rats performing the cued and uncued rGT to investigate whether the same cognitive mechanism drives risky decision making across sexes. Cues decreased the learning rate from all time-out penalties in female rats, rather than specifically from those paired with a risky option. Although females were less sensitive to the shortest time-outs associated with the one pellet option (P1), this computation failed to promote choice of this comparatively safe option due to the overall lower learning rate from penalties. Differences revealed by computational modeling in the way risky choice develops across sexes may help us understand the divergent trajectory of gambling disorder in men and women.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».