Neurokomputationale Mechanismen für approximative Entscheidungsfindung mittels Vorwärtsplanen und Zustandsabstraktion

• Antragsteller: Professor Dr. Stefan Kiebel
• Fachliche Zuordnung: Biologische Psychologie und Kognitive Neurowissenschaften
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 538763959

Vorwärtsplanen ist unerlässlich, um Entscheidungen zu treffen, die darauf abzielen, langfristige Ziele durch koordinierte Handlungsabläufe zu erreichen. In der Psychologie und den kognitiven Neurowissenschaften gehen die vorherrschenden Computermodelle vom vollständigen Vorwärtsplanen aus. Diese Modelle simulieren alle denkbaren Zukunftspfade, eine Methodik, die für experimentelle Standardaufgaben geeignet ist. Bei komplexeren Aufgaben allerdings, wie sie in unserer dynamischen und unsicheren Umwelt häufig vorkommen, würde eine erschöpfende Vorausplanung zu übermäßig langen Entscheidungszeiten führen, da es eine überwältigende Anzahl von potenziellen Zukunftspfade gibt. Die Forschung zeigt, dass das menschliche Gehirn eine effizientere Methode als die des vollständigen Planens anwendet und so eine schnelle Entscheidungsfindung ermöglicht. Der genaue Prozess, der hinter dieser schnellen und angenäherten Entscheidungsfindung beim Menschen steht, ist nach wie vor unklar. Die Herausforderung besteht darin, zu verstehen, wie der Mensch effektiv vorausschauende Entscheidungen treffen kann, ohne auf Simulationen aller möglicher Trajektorien zurückzugreifen. Dies ist von entscheidender Bedeutung, da die Herangehensweise des Gehirns an das Vorwärtsplanen maßgeblich den Entscheidungsprozess prägt und potentiell zu einer Präferenz für oder gegen bestimmte Handlungsabläufe führt. In diesem Projekt wird ein neuer Ansatz vorgeschlagen, der sich an Algorithmen der state abstraction aus der Informatik orientiert, um diese Frage zu erforschen. Diese Algorithmen wurden speziell entwickelt, um künstliche Agenten in die Lage zu versetzen, in komplexen Umgebungen ungefähre und damit schnelle Entscheidungen zu treffen. Durch die Anpassung dieser Algorithmen an kognitive Modelle der menschlichen Entscheidungsfindung soll untersucht werden, ob Menschen vergleichbare Strategien anwenden. Mit den daraus resultierenden neuen Modellen erwarten wir eine bessere Modellierung der schnellen und approximativen Entscheidungsfindung von menschlichen Teilnehmern. Um dies zu demonstrieren, planen wir Experimente mit Verhaltenstests und funktioneller Magnetresonanztomographie. Die gesammelten Daten werden mit Hilfe probabilistischer Inferenzmodelle, Bayes'scher Modellvergleiche, modellbasierter Analysen und representational similiarity analysis analysiert. Zusammengefasst zielt dieses Projekt darauf ab, eine mechanistische Erklärung für eines der Kernmerkmale der menschlichen Entscheidungsfindung zu finden, nämlich schnelle und approximative Entscheidungen zu treffen in unserer komplexen und unsicheren Umgebung.

• DFG-Verfahren: Sachbeihilfen