Understanding psychiatric disorder by capturing ecologically relevant features of learning and decision-making

تحقیقات اخیر در علوم اعصاب شناختی شروع به کشف فرآیندهای مبتنی بر رفتارهای داوطلبانه به طور فزاینده پیچیده، از جمله یادگیری و تصمیم گیری می دانند. تقریبا این موفقیت با پیشرفت کارهای ساده ای به پارادایم هایی که ویژگی های اکولوژیکی بیشتری را در بر می گیرد، امکان پذیر است. به طور خاص، فرض این است که برای درک شناخت ها و عملکرد مغز مرتبط با زندگی واقعی، ما باید برخی از چالش های زیست محیطی که ما برای حل آن پیشرفت کرده ایم را معرفی کنیم. این اغلب مستلزم افزایش پیچیدگی کاری است که می تواند با استفاده از مدل های محاسباتی برای تجزیه رفتارهای پیچیده به مکانیزم های مولفه های خاص مدیریت شود. در اینجا ما پیشنهاد می کنیم که با استفاده از مدل های محاسباتی با وظایفی که یادگیری و تصمیم گیری های مرتبط با محیط زیست را جذب می کنند، می تواند مزایای انتقادی را برای جذب مکانیسم هایی که علائم اختلالات در روانپزشکی دارند، فراهم کند. در نتیجه، ممکن است به ایجاد رویکرد مکانیکی نسبت به تشخیص و درمان کمک کند. ما این بررسی را با نقشه برداری از مفاهیم و مدل های اصلی یادگیری و تصمیم گیری آغاز می کنیم. پس از آن ما در حال بررسی چالش های خاصی که در محیط های واقع گرایانه ظاهر می شوند را شرح خواهیم داد و توضیح خواهیم داد که چگونه می توان از طریق وظایف آنها را دستگیر کرد. اینها شامل تغییرات زمینه، عدم اطمینان، تعصبات بازتابی / عاطفی، تصمیم گیری هزینه-سود و توازن بین اکتشاف و بهره برداری است. در صورت لزوم، ما لینک های آینده یا فعلی را به روانپزشکی نشان می دهیم. ما به ویژه نمونه هایی از تحقیقات در مورد افسردگی بالینی، اختلالی که به طور قابل توجهی در رفتارهای انگیزشی در زندگی واقعی به خطر می اندازد، جلب می کنیم، اما پارادایم های ساده تر نتایج متفاوتی را به دست می آورند. در نهایت، ما پارادایم های متعددی را که می توان برای کمک به ارائه بینش جدید در مکانیزم های اختلالات روانی استفاده کرد، برجسته کنیم.