Neurodynamical theory of decision confidence

Abstract

Decision confidence offers a window on introspection and onto the evaluation mechanisms associated with decision-making. Nonetheless we do not have yet a thorough understanding of its neurophysiological and computational substrate. There are mainly two experimental paradigms to measure decision confidence in animals: post-decision wagering and uncertain option. In this thesis we explore and try to shed light on the computational mechanisms underlying confidence based decision-making in both experimental paradigms. We propose that a double-layer attractor neural network can account for neural recordings and behavior of rats in a post-decision wagering experiment. In this model a decision-making layer takes the perceptual decision and a separate confidence layer monitors the activity of the decision-making layer and makes a judgment about the confidence in the decision. Moreover we test the prediction of the model by analyizing neuronal data from monkeys performing a decision-making task. We show the existence of neurons in ventral Premotor cortex that encode decision confidence. We also found that both a continuous and discrete encoding of decision confidence are present in the primate brain. In particular we show that different neurons encode confidence through three different mechanisms: 1. Switch time coding, 2. rate coding and 3. binary coding. Furthermore we propose a multiple-choice attractor network model in order to account for uncertain option tasks. In this model the confidence emerges from the stochastic dynamics of decision neurons, thus making a separate monitoring network (like in the model of the post-decision wagering task) unnecessary. The model explains the behavioral and neural data recorded in monkeys lateral intraparietal area as a result of the multistable dynamics of the attractor network, whereby it is possible to make several testable predictions. The rich neurophysiological representation and computational mechanisms of decision confidence evidence the basis of different functional aspects of confidence in the making of a decision.

El estudio de la confianza en la decisión ofrece una perspectiva ventajosa sobre los procesos de introspección y sobre los procesos de evaluación de la toma de decisiones. No obstante todav'ia no tenemos un conocimiento exhaustivo del sustrato neurofisiológico y computacional de la confianza en la decisión. Existen principalmente dos paradigmas experimentales para medir la confianza en la decisión en los sujetos no humanos: apuesta post-decisional (post-decision wagering) y opción insegura (uncertain option). En esta tesis tratamos de aclarar los mecanísmos computacionales que subyacen a los procesos de toma de decisiones y juicios de confianza en ambos paradigmas experimentales. El modelo que proponemos para explicar los experimentos de apuesta post-decisional es una red neuronal de atractores de dos capas. En este modelo la primera capa se encarga de la toma de decisiones, mientras la segunda capa vigila la actividad de la primera capa y toma un juicio sobre la confianza en la decisión. Sucesivamente testeamos la predicción de este modelo analizando la actividad de neuronas registrada en el cerebro de dos monos, mientras estos desempeñaban una tarea de toma de decisiones. Con este análisis mostramos la existencia de neuronas en la corteza premotora ventral que codifican la confianza en la decisión. Nuestros resultados muestran también que en el cerebro de los primates existen tanto neuronas que codifican confianza como neuronas que la codifican de forma continua. Más en específico mostramos que existen tres mecanismos de codificación: 1. codificación por tiempo de cambio, 2. codificación por tasa de disparo, 3. codificación binaria. En relación a las tareas de opción insegura proponemos un modelo de red de atractores para opciones multiplas. En este modelo la confianza emerge de la dinámica estocástica de las neuronas de decisión, volviéndose así innecesaria la supervisión del proceso de toma de decisiones por parte de otra red (como en el modelo de la tarea de apuesta post-decisional). El modelo explica los datos de comportamiento de los monos y los registros de la actividad de neuronas del área lateral intraparietal como efectos de la dinámica multiestable de la red de atractores. Además el modelo produce interesantes y novedosas predicciones que se podrán testear en experimentos futuros. La compleja representación neurofisiológica y los distintos mecanísmos computacionales que emergen de este trabajo sugieren distintos aspectos funcionales de la confianza en la toma de decisiones.