MARC

 008260126s2025        us                              c    eng  d
■001000017357102
■00520260202103131
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798286442607
■035    ▼a(MiAaPQ)AAI31939778
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a616
■1001  ▼aCash-Padgett,  Tyler.
■24510▼aBehavioral  and  Neural  Population  Dynamics  of  Foraging  Decisions
■260    ▼a[Sl]▼bUniversity  of  Minnesota▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a93  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-12,  Section:  B.
■500    ▼aAdvisor:  Hayden,  Benjamin  Y.
■5021  ▼aThesis  (Ph.D.)--University  of  Minnesota,  2025.
■520    ▼aThe  adaptive  value  of  the  brain  lies  in  its  ability  to  generate  a  complex  behavioral  repertoire.  This  ability  arises  out  of  the  computations  that  occur  as  sensory  input  is  transformed  into  motor  output.  The  process  of  behavioral  selection,  or  decision  making,  as  a  collection  of  neurophysiological  algorithms  is  therefore  a  useful  paradigm  for  understanding  how  the  brain  works.  Here,  I  argue  for  an  approach  to  characterizing  these  algorithms  that  combines  behavioral  and  theoretical  insights  with  neurophysiology  itself.  I  do  so  via  three  studies  of  decision  making  that  highlight  this  confluence.  In  macaques  performing  a  computerized  foraging  task,  I  observe  that  pupillary  responses  to  potential  reward  outcomes  appear  to  reflect  relative  (rather  than  absolute)  reward  value.  The  correlation  of  pupil  size  with  reward  also  reverses  once  a  decision  has  been  made,  suggesting  a  dynamic  underlying  computation.  Next,  I  hypothesize  that  a  widely  observed  suboptimal  foraging  behavior  could  be  theoretically  explained  by  accounting  for  the  variability  intrinsic  to  such  dynamic  decision  making  processes.  Using  a  mathematical  model  of  a  patch  foraging  task,  I  show  that  representing  accumulated  reward  thresholds  as  noisy  distributions  instead  of  specific  values  shifts  the  optimal  strategy  towards  what  is  behaviorally  observed.  Finally,  in  order  to  characterize  what  a  decision  making  algorithm  based  on  relative  value  might  physiologically  entail,  I  analyze  population  dynamics  in  the  orbitofrontal  cortex.  I  find  that  higher  offer  values  during  the  second  epoch  of  a  sequential  decision  making  task  elicit  stronger  perturbations  of  the  population  state.  The  strength  of  this  perturbation,  however,  is  biased  by  the  population  state  entropy  at  the  beginning  of  the  epoch.  The  entropy,  in  turn,  is  systematically  related  to  the  value  of  the  first  offer,  providing  a  potential  algorithm  for  relative  value  comparison.
■590    ▼aSchool  code:  0130.
■650  4▼aNeurosciences
■650  4▼aPhysiology
■650  4▼aCognitive  psychology
■653    ▼aDecision-making
■653    ▼aDynamics
■653    ▼aForaging
■690    ▼a0317
■690    ▼a0633
■690    ▼a0719
■71020▼aUniversity  of  Minnesota▼bNeuroscience.
■7730  ▼tDissertations  Abstracts  International▼g86-12B.
■790    ▼a0130
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357102▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서