Nehéz döntések

Két új vizsgálat feszegette a döntések hátterében álló idegrendszeri folyamatokat, újító kísérleti elrendezések segítségével.

A viselkedés lényegében döntések láncolata. Ha például az ember éhes, el kell határoznia, hogy hogyan próbál táplálékot szerezni. Üssön össze valamit a konyhában? Rendelje meg a vacsoráját? Menjen el egy étterembe? Ha megszületett a döntés, újabbakat kell meghozni. Legyen tészta, vagy inkább szendvics? Hamburgert rendeljen vagy pizzát? A kínai éttermet válassza, vagy legyen inkább az indiai? Ezeknél a döntéseknél egy sor szempontot kell figyelembe venni. Mennyi ideje van a vacsorára? Mennyi pénze? Ezek az összetett döntési helyzetek azonban nehezen képezhetnék kísérletek alapját, hiszen rengeteg bennük az ismeretlen, ami befolyásolhatja a döntést. A kutatók éppen ezért igyekeznek leegyszerűsített helyzetekben, laboratóriumi körülmények között vizsgálni a döntéshozás részleteit.

Az egyik legnagyobb hatású döntési feladat például a perceptuális döntési feladat. Ebben a feladatban a részvevőknek az a dolga, hogy döntést hozzanak egy zavaros kép alapján. A képek általában pontfelhőkből jönnek létre úgy, hogy a két azonos pontfelhő közül az egyiket némileg eltolják és így illesztik a kettőt. Ez azt eredményezi, hogy az ábrán két pontból álló vonalak láthatók, melyeknél van egy jól meghatározható irányultság. A feladat azzal tehető nehezebbé, hogy a pontfelhő bizonyos pontjainál véletlenszerű eltolást alkalmaznak, így az általuk létrehozott vonalak már nem a fő irányultsággal jelennek meg. Ezzel a döntési helyzet nehezebbé válik, alaposabban fel kell mérni a képet, hogy meghatározható legyen a vonalak fő irányultsága. Ez az egyszerű feladat vezetett az idegtudomány egyik legizgalmasabb modelljének létrehozásához, amely a perceptuális „bizonyíték” felhalmozódásával hozza összefüggésbe a döntéshozást. A modell szerint minél több a véletlenszerű irányultságú vonal a képen, annál tovább tart meghozni a helyes döntést. A modell egyik változója a fő irányultságú vonalak számát követi és ezt a változót számos vizsgálatban hozták már összefüggésbe a fali lebeny sejtjeinek aktivitásával. Ezek alapján a fali lebenyben képeződik le a vonalak irányultságára vonatkozó információ, ami a döntés meghozásához szükséges.

Noha az efféle modellek méltán gyönyörködtetik a természettudósokat, az egyszerűsítések mégis azzal járnak, hogy bizonyos folyamatok kikerülnek a vizsgálható jelenségek köréből. Ilyen például a hosszabb mérlegelést kívánó döntések problematikája. Nem minden döntésnél elégséges ugyanis pontosan felmérni, hogy mit is lát a döntéshozó. A legtöbb döntési helyzet, amivel az ember a hétköznapokban találkozik pont ilyen. A hűtőben lévő alapanyagok felmérése általában csak az első lépés az elkészítendő étel meghatározásánál, ahogy az étlap felmérése sem mindig vezet azonnal rendeléshez. Gyakran csak további latolgatás, mérlegelés vezet az elhatározáshoz. Egy új vizsgálatban amerikai kutatók makákókat állítottak hosszabb mérlegelést igénylő döntések elé, hogy a döntéshozás e kevéssé ismert tényezőjét mérjék fel.

A mérlegelés idegrendszeri háttere

A kutatók trükkös feladatot állítottak össze, aminek részleteit hosszas gyakorlás után sajátították el a makákók. A kísérleti állatok különféle vizuális ingerek értékének megtanulásával kezdték a tréninget. Az ingerek egy része 0,2 ml, a többi 0,45 ml gyümölcslével kecsegtetett. Ezután az állatokat arra is megtanították, hogy amikor egyszerre több is megjelenik az ingerek közül, akkor többet is választhatnak, így annyi gyümölcslevet kapnak, amennyit az összes kiválasztott inger ér. Ezen a ponton jött a csavar: a jutalmat csak akkor kapták meg, ha az nem haladta meg a 0,8 ml-t. A feladatban tehát jól meghatározhatók voltak a kimenetek, azonban ezeket alaposan fel kellett mérnie a kísérleti állatoknak, hogy a lehető legjobb döntést hozhassák. Az állatok teljesítménye természetesen egyre rosszabb volt, ahogy bonyolódtak a próbák és egyre több időt igényelt a megoldásuk is.

A vizsgálat érdekessége azonban abban rejlik, hogy a kutatók különféle algoritmusokkal is összehasonlították az állatok teljesítményét. Az egyszerűbb helyzetekben az egyszerű algoritmusok gyorsak és pontosak voltak, épp, mint a kísérleti állatok. A bonyolultabb helyzetekben azonban ezek az algoritmusok felsültek, viszont a bonyolultabb algoritmusok sikeresek voltak, ezek azonban több feldolgozási lépésben teljesítették a próbákat. Ez párhuzamba állítható azzal, hogy a makákók is hosszasabban morfondíroztak ezeken a próbákon. A kutatók úgy gondolják, hogy ezek az összefüggések arra mutatnak rá, hogy az algoritmusok jól közelítik a kognitív szinten zajló folyamatokat, amelyek a döntéshozáshoz szükségesek. Az új eredmény jelentősége abban rejlik, hogy új távlatokat nyithat a döntéshozás idegtudományában, hiszen lehetővé teszi a mérlegelés neurális alapjainak vizsgálatát. Ez egy klasszikus elképzelést emel be az állatkísérletes idegtudományba, ami a döntéshozás mechanizmusait firtatja. Az elmélet lényege, hogy a döntéshozás két rendszer révén valósul meg, melyek közül az egyik gyors döntéseket hoz ismerős helyzetekben, míg egy másik az új, ismeretlen helyzetekre reagál, esetenként hosszas mérlegelés után. Izgalmas lesz látni, mekkora az átfedés és milyen különbségek vannak a két rendszer neurális alapjai között.

A mérlegelés idegrendszeri alapjainak vizsgálatára szolgáló elrendezés (Forrás: Hong és Stauffer, 2023 – Nature Neuroscience).

Hogyan befolyásolja a döntéseket a társaság?

Az ember viselkedését nagymértékben befolyásolja a többi ember viselkedése. Elvégre az ember társas lény, ahogy szokták mondani. Egy kínai kutatócsoport azt vizsgálta, hogyan befolyásolja az emberek döntéseit más személyek viselkedése. A kutatók véletlenszerűen osztották be a kísérleti személyeket egy hálózat csomópontjaihoz. A csomópontok többsége három másik csomóponttal volt kapcsolatban, azonban olyan csomópont is volt, amelyik csak kettő, illetve olyan is, amelyik öt másikkal volt kapcsolatban. Ezáltal manipulálták, hogy a résztvevők hány másik személy döntéseit ismerhetik. A résztvevők tisztában voltak a hálózatban betöltött helyükkel.

A feladat során a program automatikusan választott egy golyókkal teli zsákot, amiből aztán a résztvevők húzhattak egyet. A zsákokban kék és sárga golyók voltak, 5:2 vagy 2:5 arányban. A húzások után a golyók visszahelyeződtek. A húzás után a résztvevőknek meg kellett tippelnie, hogy milyen arányban vannak a golyók a zsákban. Ezután megnézhette, hogy a vele kapcsolatban lévő kísérleti személyek milyen döntést hoztak ugyanebben a kérdésben. Mikor megnézte egy szomszéd válaszát, a kísérleti személy megváltoztathatta a saját válaszát. Az eredmények szerint a résztvevők jobban hallgattak arra a szomszédra, akinek több másik résztvevő válaszaira is volt rálátása, illetve azok a résztvevők, akik több szociális információval rendelkeztek, kevésbé hagyatkoztak a többiek döntéseire. A kutatók ezt a hatást az övtekervény elülső részéhez kötötték, ugyanis a terület aktivitása összefüggött a társak döntéseinek befolyásoló erejével.

A döntéshozás társas befolyásolását vizsgáló feladat. Minden résztvevő húz egyet a zsákból, majd megnézhetik egymás döntéseit arra vonatkozólag, hogy melyik szín volt túlsúlyban a zsákban. Jobbra felül különböző modellek predikciói, alul a valós adatok. Az eredmények szerint az övtekervény (dACC) aktivitása tükrözte a kapcsolati hálóban betöltött pozíciót (Forrás: Zhu és Jiang, 2023 – Nature Neuroscience).

Ez a vizsgálat is új távlatokat nyit a döntéshozás idegtudományában, hiszen szemben az eddig használt feladatokkal, ezúttal egy teljes társas hálózat kölcsönhatásait figyelték meg a kutatók. A szakértők szerint a feladat alkalmas lehet arra, hogy a későbbiekben felmérjék, hogyan határozzák meg az emberek a kapcsolatok számát, amennyiben azok nem egyértelműek. Az új eljárás azt is segíthet megérteni, hogyan áramlik az információ egy szociális hálóban, ami olyan valós jelenségekre is új fényt vethet, mint az összeesküvéselméletek terjedése, vagy a radikalizálódás.

Ez a cikkem az Élet és Tudomány Agyi aktualitások rovatában jelent meg.

Források

Neurocomputational mechanism of real-time distributed learning on social networks | Nature Neuroscience

Computational complexity drives sustained deliberation | Nature Neuroscience