统计学习与奖赏学习共享注意机制但计算动态不同
Common attentional mechanisms, but distinct computational dynamics, across Statistical and Reward Learning
预印本 · 尚未经过同行评审
过去经验如何通过统计学习和奖赏学习引导注意，两者是否共享机制尚不清楚。研究先在一项脑电视觉搜索实验中用多变量解码检验奖赏学习能否建立潜在空间表征，再在双 session 实验中直接比较两种学习，并结合 Rescorla-Wagner 模型与漂移扩散模型以及瞳孔测量。结果显示两者建立可比的神经表征并同样促进目标选择与证据累积，但奖赏学习的学习率更慢，瞳孔反应在两种学习中含义不同。
两项脑电视觉搜索实验用多变量解码比较统计学习与奖赏学习，并结合 Rescorla-Wagner 与漂移扩散模型及瞳孔测量。
过往经验通过统计学习（SL）和奖赏学习（RL）引导注意。然而，二者是否通过相似的神经与计算机制实现这一点仍不清楚。在第一项EEG视觉搜索实验中，我们检验了RL是否会建立此前已在SL中证实的潜在空间表征。随后，在一项双session实验中，我们直接比较了RL与SL。利用多变量解码，实验1表明，在任务无关、空间非特异性的视觉扰动之后，高奖赏位置可在目标出现之前被解码。实验2揭示，SL与RL建立了可比的神经表征，并且同样促进了目标选择与证据积累（漂移率）。然而，结合Rescorla-Wagner模型与漂移扩散模型发现，RL的学习率比SL更慢。瞳孔测量进一步追踪到SL期间的空间选择性预期违背，但在RL期间反映的是唤醒度升高。总之，我们的结果揭示了大脑如何将不同的计算算法（概率估计与价值缓存）整合到统一的注意优先级图中。
中文由 AI 翻译，仅供参考，以原文为准。
来源：bioRxiv · Neuroscience · biorxiv.org