Project

Back to overview

Learning and Exploration under Perceptual and Value Uncertainty

Applicant Toutounji Hazem
Number 190774
Funding scheme Spark
Research institution Institut für Neuroinformatik Universität Zürich Irchel und ETH Zürich
Institution of higher education ETH Zurich - ETHZ
Main discipline Neurophysiology and Brain Research
Start/End 01.02.2020 - 31.07.2021
Approved amount 97'800.00
Show all

All Disciplines (3)

Discipline
Neurophysiology and Brain Research
Psychology
Mathematics

Keywords (8)

statistical data analysis; uncertainty; computational modeling; pscychophysics; directed exploration; human behavior; reinforcement learning; decision making

Lay Summary (German)

Lead
Stellen Sie sich vor, Sie gingen an einem nebligen Morgen zum See angeln. Sie rudern mit Ihrem Boot zu Ihrer Lieblingsstelle, werfen die Angelleine aus und warten. Wie viel Zeit vergeht bis Sie schlussfolgern, dass Ihre Lieblingsstelle nicht so ertragreich ist wie sonst und Sie an einer anderen Stelle bessere Chancen hätten? Sind Sie inmitten des Nebels überhaupt sicher, an Ihrer Lieblingsstelle zu sein? Wir begegnen immer wieder vergleichbaren Situationen, in denen wir wichtige Entscheidungen treffen, obgleich weder Wahrnehmung (Standort auf dem See) noch Wert (Anzahl der Fische) gewiss sind. Viele Forschungsberichte beschäftigen sich mit Entscheidungsfindung und Lernen unter Unsicherheit der Wahrnehmung oder der des Wertes, aber nie beider zugleich. Dieses Projekt beabsichtigt eben das.
Lay summary

Inhalt und Ziel des Forschungsprojekts

Wir werden ein Verhaltensexperiment entwickeln und durchführen, in welchem die Teilnehmenden versuchen so viele Punkte wie möglich zu sammeln, indem sie wiederholt eines von zwei Objekten auswählen. Diese Objekte sind nicht leicht zu unterscheiden (Wahrnehmungsunsicherheit) und die Anzahl der Punkte für jedes Objekt ändern sich (Wertunsicherheit). Um festzustellen welche theoretischen Annahmen das Verhalten der Teilnehmenden am besten erklären, werden den Annahmen entsprechende virtuelle Entscheider entwickelt und deren Verhalten mit dem der realen Teilnehmenden verglichen.

Wissenschaftlicher und gesellschaftlicher Kontext des Forschungsprojekts

So gibt das Projekt Erkenntnisse über eine zentrale Frage der Neurowissenschaften: Wie lernen und verhalten sich Lebewesen in einer ungewissen Umgebung. Diese Erkenntnisse sind Ausgangspunkt für weitere Forschung über die diesem Verhalten zugrunde liegenden neuronalen Mechanismen und den Einfluss psychiatrischer Störungen auf das Lernen und die Entscheidungsfindung.
Direct link to Lay Summary Last update: 16.01.2020

Responsible applicant and co-applicants

Employees

Name Institute

Collaboration

Group / person Country
Types of collaboration
Decision Science Laboratory, ETH Zurich Switzerland (Europe)
- in-depth/constructive exchanges on approaches, methods or results
- Research Infrastructure

Abstract

Organisms often face the challenge of navigating a world riddled with many sources of uncertainty, be it ambiguous sensory inputs or unreliable behavioral outcomes. Most existing research only considered either of these two sources of uncertainty in the contexts of perceptual decision making for the former, and reinforcement learning and value-based decision making for the latter. We aim at developing a unifying experimental and theoretical account of human adaptive behavior subject to both perceptual and value uncertainty. To do so, we will design and conduct psychophysical experiments that combine perceptual inference and value-based learning tasks. Namely, subjects are encouraged to maximize reward through reinforcement learning in an environment where both stimuli and rewards are unreliable. We will then use computational modeling and statistical model comparison to probe how those two forms of uncertainty jointly affect behavior. One potential outcome is that humans solve the perceptual inference and value-based learning tasks independently. Alternatively, perceptual and value uncertainty interaction cannot be explained by accounts that considered the two processes independently. Our data-guided computational approach will allow us to identify the strategies used by subjects to solve the combined task and to generate new empirically testable hypotheses about complex behaviors.
-