掃碼聯系客服
想掌握衰老的神奇密碼么？今年七月在NATURE COMMUNICATIONS發表的這篇 Ageing is associated with disrupted reinforcement learning whilst learning to help others is preserved (IF: 14.914)給了我們一定啟示，看到標題的一瞬間小編由衷感慨，“活到老，學到老”是有道理的！
隨著年齡增加，多巴胺分泌下降，成人的學習能力也隨之降低，衰老與許多變化有關，包括認知功能和感知的下降。這篇文章使用年輕和年長的參與者強化學習計算模型來研究與自我相關和親社會學習的機制，以及與社會認知能力的健康個體差異的聯系。強化學習是許多物種表現出的一種基本機制。然而，適應性行為不僅取決于學習影響我們自己的行為和結果，還取決于學習影響他人的行為和結果。
結果
研究選擇了75名18-36歲年輕人和77名60-80歲老年人完成了一項概率強化學習任務（圖1）、神經心理學測試以及自我報告的精神病特征測量，該任務旨在將自我相關（對自我的獎勵）與親社會學習（對另一個人的獎勵）分開，并控制獲得對自我和他人都沒有獎勵的總值。
這是兩個很有意思的實驗，實驗一：角色分配包括參與者（深藍色）、同盟者（淺藍色）和兩名實驗者（綠色）。參與者和兩名實驗者以及在門的另一側的同盟者在測試室內的位置如圖1a。參與者和同盟者戴著一只手套來掩飾他們的身份，并在門的兩側向對方揮手致意。在這個過程，參與者被告知他們將玩一個游戲，在這個游戲中他們可以為自己、另一個參與者（玩家2）或兩個參與者都分配獎勵。他們被告知玩家2不會為他們玩同一個游戲，玩家2也不知道他們可能會根據參與者的選擇獲得額外獎勵。
實驗二：參與者執行親社會學習任務，他們學習抽象符號獲得相應獎勵。在每個模塊開始時，參與者被告知他們為誰比賽，要么是自己，要么是為另一個參與者，要么是在沒有人收到獎勵的情況下。“自我”條件下的積分被轉換為參與者自身的額外獎勵，“其他”條件下的積分被轉換為玩家2的獎勵，而“無人”條件下的積分被顯示，但不會被轉換為任何人的獎勵。
為了量化學習，使用強化學習的計算模型來估計學習率（α）和溫度參數（β），即人們更新預估獎勵的速度和選擇精度的關鍵指標。模型采用分層方法，使用貝葉斯方法進行比較。測試了多個模型后，基于之前的結果，使用了四個候選模型：
詳細的模型比較表明，具有不同學習率的計算模型最好地解釋了人們如何了解不同接受者的關聯（圖2）。較高的學習率與更好的行為表現相關。
使用線性混合效應模型（RLMM）分析了最合適的計算模型中針對特定條件的學習率。RLMM 固定效應為年齡組（年輕、年長）、受助人（自我、他人和無名），以及年齡組 * 受助人互動。與幫助他人相比，年輕人在有益于自己時學習速度更快。老年人的情況并非如此，與他們自己受益相比，他們學會幫助他人的行為的比率相對增加（圖3a，b）。為了完整性，研究還測試了接受者和年齡組對選擇高回報刺激的試驗傾向的影響（圖3c），結果顯示，與年輕人相比，老年人更傾向于非高回報的實驗結果，在研究過程中，這一現象并沒有改善。
最后，研究了自我報告的精神病特征中的個人特性，考慮了與年齡相關的差異和對親社會學習的影響，要求參與者完成自我報告精神病評分表（SRP-IV-SF）。對比這些尺度上的兩個年齡組，發現年齡較大的參與者在核心情感-人際關系和生活方式-反社會子尺度上的得分明顯較低 。與年輕人（平均值=24.36）相比，老年人自我報告的心理特征水平顯著降低（平均值=21.09），而在老年人中，自我報告的心理特征分數較低，與親社會學習率相關（圖4a，b）。
鑒于自述心理特征水平的年齡組差異及其與親社會學習的相關性，最終通過心理特征測量的核心情感人際子量表的得分，分析考慮了年齡組對相對親社會學習率的可能間接影響。標準調解模型（圖5a）未顯示明顯間接影響。然而，如果自我報告的心理特征與親社會學習之間的聯系取決于年齡，則可以預測，在適度調解模型中存在顯著的間接影響。這揭示了年齡組通過老年人自我報告的心理特征對相對親社會學習率的間接影響，但對年輕人則沒有（圖5b）。總之，年輕人和老年人在自我報告的心理特征水平以及自我報告的心理特征分數是否與他們的親社會學習率相關存在差異。
小結
研究使用計算強化學習模型，測試了年輕人和老年人是否學習為自己、他人（親社會）或兩者（對照組）都獲得獎勵的情況。與其他人相比，當他們的行為有益于自己時，年輕人學習得更快。與年輕人相比，老年人的自我相關學習率降低，但親社會學習保持不變。此外，在老年人中，亞臨床自我報告的精神病特征（包括缺乏對他人的關心）水平較低，該測量的核心情感人際成分與親社會學習呈負相關。這些研究結果表明，在人的一生中，有益于他人的行為會被保留，這對強化學習和健康老齡化理論具有重要意義。這篇文章的實驗設計很簡單，但是很有新意，模型設計切入點完整性很值得參考。
