Machine Translated by Google
Disponível online em www.sciencedirect.com
ScienceDirect
Abordagens da neurociência computacional para a cognição social
Leor M Hackel1 e David M Amodio2,3
Como formamos impressões de pessoas e grupos e usamos essas
representações para guiar nossas ações? Desde seu início, a
neurociência social procurou iluminar essas formas complexas de
cognição social e, recentemente, esses esforços foram revigorados
pelo uso de modelagem computacional.
A modelagem computacional fornece uma estrutura para delinear
processos específicos subjacentes à cognição social e relacioná-los
com a atividade neural e o comportamento. Fornecemos uma cartilha
sobre a abordagem de modelagem computacional e descrevemos
como ela tem sido usada para elucidar mecanismos psicológicos e
neurais de formação de impressões, aprendizado social, tomada de
decisões morais e viés intergrupal.
Endereços 1
Departamento de Psicologia, Stanford University, Jordan Hall, 450 Serra
Mall, Stanford, CA 94305, EUA
2
recompensa que se recebe e a recompensa que se espera (veja o
Departamento de Psicologia, Universidade de Nova York, 6 Washington Place,
Nova York, NY 10003, EUA
3
Departamento de Psicologia, Universidade de Amsterdã, Nieuwe
Achtergracht 129, REC G, 1001 NK Amsterdã, NL
Autores correspondentes: Hackel, Leor M (lhackel@stanford.edu), Amodio, David M
(david.amodio@nyu.edu)
Opinião Atual em Psicologia 2018, 24:92–97
Esta revisão vem de uma edição temática sobre neurociência social
Editado por David Amodio e Christian Keysers
Para obter uma visão geral completa, consulte o Problema e o Editorial
Disponível on-line em 11 de setembro de 2018
https://doi.org/10.1016/j.copsys.2018.09.001
2352-250X/ã 2018 Elsevier Ltda. Todos os direitos reservados.
Como formamos impressões de outras pessoas? Jane é gentil? Nós
gostamos dela? E podemos prever como ela vai agir? Essas são
questões centrais da cognição social – o campo da psicologia
dedicado a compreender os processos pelos quais percebemos,
representamos e agimos em relação a pessoas e grupos. Psicólogos
sociais têm buscado essas questões por mais de 40 anos, e os
primeiros estudos de neurociência social sondaram a base neural da
formação de impressões e atitudes sociais. Recentemente,
neurocientistas sociais têm usado abordagens computacionais para
avançar e, em alguns casos, reconceituar o pensamento sobre a
cognição social. Aqui, fornecemos uma breve introdução à abordagem
de modelagem computacional e destacamos estudos recentes que a
usaram para elucidar a cognição social.
Opinião Atual em Psicologia 2018, 24:92–97
Abordagens de modelagem computacional para cognição social e
neurociência social O objetivo central da cognição social é
compreender o comportamento social elucidando seus mecanismos
cognitivos e neurais subjacentes. No passado, isso foi realizado com
experimentação cuidadosa e modelagem comportamental (por
exemplo, dissociação de processos, modelo Quad) [1,2], mas essas
abordagens são limitadas em sua capacidade de avaliar processos
dinâmicos complexos. Os modelos computacionais permitem que os
pesquisadores analisem a dinâmica de aprendizagem e escolha
tentativa a tentativa e façam previsões quantitativas precisas sobre o
comportamento ao longo do tempo (Quadro 1). Na pesquisa de
neuroimagem, os modelos computacionais permitem que os
pesquisadores testem correlatos neurais de variáveis latentes
teorizadas que não são diretamente observáveis no comportamento.
Por exemplo, em modelos de aprendizado por reforço, uma variável-
chave é o erro de previsão de recompensa – a discrepância entre a
Quadro 1) [3].
Ao ajustar o comportamento aos modelos de aprendizado por reforço,
os pesquisadores podem estimar os erros de previsão de tentativa a
tentativa de um aluno. Ajustar essa série temporal aos dados de fMRI
pode identificar regiões neurais que variam com a previsão
erros.
Os modelos formais também permitem que os pesquisadores
comparem o comportamento humano ao de um agente ótimo. Por
exemplo, comparando o comportamento e as respostas neurais a um
modelo Bayesiano, pode-se perguntar se as pessoas estão de acordo
com os princípios racionais de atualização em ambientes sociais
[4,5 ] ou se desviam da racionalidade de maneira sistemática [6].
Tais desvios podem fornecer pistas importantes para os processos
psicológicos e neurais envolvidos no comportamento. Alternativamente,
com modelagem baseada em agentes, os pesquisadores podem
simular agentes que instanciam diferentes modelos e identificam qual
tem melhor desempenho em uma determinada tarefa (por exemplo,
alcançar a maior precisão ou ganhar mais dinheiro) [7 ].
A neuroimagem fornece pistas sobre os processos cognitivos que
impulsionam um comportamento, e os modelos formais oferecem
uma abordagem poderosa para delinear com mais precisão esses
processos. Por exemplo, pessoas com viés racial mais forte aprendem
mais prontamente a evitar rostos ameaçadores de fora do grupo [8].
Esse viés pode surgir porque avaliam as faces de forma mais
negativa (avaliação diferencial) ou porque aprendem de forma mais
eficiente (aprendizagem diferencial). A modelagem computacional
apóia a segunda explicação, fornecendo insights sobre como os
preconceitos sociais moldam o próprio aprendizado [8].
Quando combinados com neuroimagem, os modelos formais podem
identificar padrões dissociáveis na atividade neural, adicionando mais
precisão na caracterização de substratos neurocognitivos do
comportamento social. Embora nunca se possa saber se a explicação
teórica é a verdadeira explicação,
www.sciencedirect.com
Machine Translated by Google
Caixa 1 Uma cartilha de modelagem de aprendizado por reforço
Modelos computacionais fornecem uma descrição matemática abstrata de como
alguém pode aprender ou fazer escolhas. Aqui, oferecemos uma breve cartilha
sobre modelos de aprendizado por reforço (RL), que têm sido influentes na
neurociência social, embora os modelos bayesianos e de difusão por deriva
também sejam amplamente utilizados.
Os modelos RL descrevem como um agente forma preferências de ação por meio
de tentativa e erro. Por exemplo, imagine escolher entre duas máquinas caça-níqueis
para ganhar dinheiro. Inicialmente, você pode escolher aleatoriamente. À medida
que você ganha dinheiro, você forma e atualiza as expectativas sobre seus
respectivos pagamentos. Nos modelos RL, essa atualização depende de um erro de
previsão de recompensa, ou seja, a diferença entre a recompensa recebida e a
recompensa esperada (simbolizada d): dt ¼ Recompensa Qt1
Aqui, Qt-1 representa o valor de recompensa esperado a partir do ponto de tempo
anterior. Erros de previsão são usados para atualizar a estimativa anterior de
recompensa para cima ou para baixo:
Qt ¼ Qt1 þ adt
onde a é um parâmetro livre que representa uma taxa de aprendizado. Este
parâmetro dimensiona os erros de previsão e, portanto, controla a extensão em
que se atualiza as expectativas. Com uma taxa de aprendizado zero, os agentes
não atualizariam suas expectativas; com uma taxa de aprendizado de um, os
agentes atualizariam totalmente suas expectativas com base na previsão
erros.
Finalmente, um agente faz uma escolha na tentativa subsequente, dados os
valores atualizados das máquinas caça-níqueis. Isso é frequentemente
modelado usando uma equação 'softmax': exp b Qi;t P j exp b Qj;t
pt ¼
eu
onde b é um parâmetro que controla a estocasticidade da escolha e pi,t é a
probabilidade de escolher a opção i (de j opções) na tentativa t. Essa equação
indica que os participantes escolherão probabilisticamente uma opção com base
na diferença de recompensa esperada entre eles.
Eq. (3) pode ser substituído por uma função linear para modelar respostas como
tempo de reação [15] ou resposta de condutância da pele [69].
Juntas, essas equações especificam como um agente aprende qual ação tomar
por meio de tentativa e erro. Dado um conjunto de parâmetros aeb, essas equações
fazem previsões quantitativas sobre a probabilidade de um agente escolher cada
opção em cada tentativa. Os programas de computador podem encontrar valores
de parâmetros que maximizem a correspondência entre as escolhas previstas e
as escolhas reais. Além disso, modelos alternativos podem ser especificados e
comparados para ver qual fornece a melhor correspondência (para detalhes,
consulte a Ref. [70]).
Finalmente, dados os parâmetros de melhor ajuste, pode-se estimar o valor
esperado ou o erro de previsão experimentado por um agente em cada tentativa
durante a escolha e o feedback, respectivamente. Essa série temporal pode servir
como regressor em análises de fMRI, identificando regiões que apresentam maior
sinal de fMRI durante ensaios com maior valor ou sinais de erro de previsão.
modelagem pode identificar a melhor conta entre os modelos
concorrentes (ver também Refs. [9,10 ]).
Contribuições de abordagens computacionais para
cognição social e neurociência social
Aqui, revisamos áreas notáveis de inovação em neurociência social
computacional, com atenção especial para as vantagens descritas
acima: componente dissociativo
www.sciencedirect.com
Cognição social computacional Hackel e Amodio 93
processos, ligando variáveis latentes ao cérebro, ganhando precisão
quantitativa e comparando comportamento com otimalidade.
Aprendizagem por reforço social Os
seres humanos tendem a repetir ações que geram recompensa –
um processo conhecido como aprendizado por reforço [3,11-13].
Em tarefas não sociais (por exemplo, ganhar dinheiro em uma
máquina caça-níqueis), a atividade neural no corpo estriado ventral
se correlaciona com erros de previsão de recompensa especificados
por modelos computacionais de aprendizado por reforço [14] (ver Quadro 1).
Estudos computacionais revelam que processos semelhantes
ð1Þ
também estão subjacentes ao aprendizado de reforço social, tanto
no comportamento quanto no cérebro. Primeiro, recompensas
sociais – incluindo rostos sorridentes, conformidade social,
avaliações positivas e ganhos vicários – podem reforçar o
ð2Þ
comportamento na ausência de recompensa monetária [15-21]. Em
segundo lugar, os processos de reforço de recompensa podem
apoiar a formação de atitudes sociais [22-24]. Por exemplo, quando
alguém nos compra um almoço ou faz um elogio, esse feedback
gratificante pode incentivar futuras interações com esse parceiro
[7 ]. Ambos os tipos de aprendizagem social têm sido associados a
erros de predição de recompensa no estriado ventral, sugerindo que
computações semelhantes estão subjacentes ao reforço social e
não social (mas cf. Refs. [20,25,26].). Como tal, os princípios da
aprendizagem por recompensa podem ser aplicados em questões
ð3Þ
sociocognitivas, oferecendo novas previsões sobre como as pessoas
desenvolvem atitudes e preferências sociais complexas [27,28 ].
Em comparação, as teorias psicológicas sociais tradicionais
assumem que as atitudes são formadas por meio da observação
passiva de informações positivas ou negativas sobre uma pessoa e
representadas em uma rede conceitual [29,30]. A evidência
emergente da modelagem de reforço sugere que esses modos de
formação de atitude - conceitual e instrumental - podem ser
complementares e que cada tipo de representação pode apoiar
diferentes aspectos da expressão de atitude (por exemplo, em
julgamentos e impressões em oposição a comportamentos de
escolha) [29]. ]. Assim, uma abordagem de modelagem computacional
promete iluminar ainda mais os mecanismos psicológicos envolvidos
na formação de atitudes e preferências sociais.
Formação de impressões
Os modelos computacionais estão lançando uma nova luz sobre
como as pessoas atualizam as impressões ao longo do tempo.
Investigações anteriores de fMRI revelaram que as atualizações de
impressão estão associadas à atividade em um amplo conjunto de
regiões corticais, incluindo córtex pré-frontal dorsomedial (dmPFC),
lóbulo parietal inferior (IPL), córtex pré-frontal ventrolateral (vlPFC)
e córtex cingulado posterior (PCC) [ 1]. 31-34]. Essas ativações
podem refletir erros de previsão relacionados aos traços dos outros
– isto é, a discrepância entre o comportamento de uma pessoa e o
comportamento esperado com base em uma impressão de traço
(por exemplo, de competência [6,35], generosidade [ 7,36 ], ou
confiabilidade [4,37-40]).
Opinião Atual em Psicologia 2018, 24:92–97
Machine Translated by Google
94 Neurociência social
Estudos computacionais sugerem que regiões cerebrais distintas
rastreiam dois tipos de erros de previsão de traços. Primeiro, ao
observar os outros, as pessoas podem atualizar uma representação
conceitual dos traços dos outros. Portanto, alguns estudos
examinaram erros absolutos de previsão, ou surpresa geral,
quando as pessoas observam o comportamento de outras
pessoas – por exemplo, aprender um alvo foi mais ou menos
generoso do que o esperado [35,36]. Esses erros de previsão se
correlacionam com regiões corticais, incluindo as listadas acima.
Em segundo lugar, ao interagir diretamente com os outros, pode-
se atualizar as representações de valor informadas pelos traços
do outro, como inferir que uma pessoa generosa é um valioso
parceiro de interação. Outra linha de trabalho, portanto, examinou
erros de previsão direcional durante a interação, como saber que
um parceiro foi mais generoso do que o esperado [7 ]. Esses
erros de previsão se correlacionam com a atividade no estriado
ventral - uma região associada à recompensa e avaliação - além
das regiões corticais observadas acima (Figura 1). Juntos, esses
estudos revelam maneiras distintas pelas quais o cérebro rastreia
os traços dos outros – um que pode construir uma representação
conceitual dos outros e outro que pode rastrear o valor oferecido
pelos traços de um parceiro. Ao fazer isso, este trabalho
novamente expande o escopo da cognição social para incluir a
formação de impressões por meio de interação social ativa e
aprendizagem baseada em valores.
Os modelos bayesianos podem revelar ainda mais se as pessoas
atualizam as impressões de maneira ideal [4,6,7,41 ].
Por exemplo, os modelos Bayesianos especificam a rapidez com
que um aluno deve revisar crenças anteriores à luz de novas
evidências: em um ambiente volátil (com mudanças rápidas),
deve-se atualizar as crenças rapidamente à luz de novas
evidências, enquanto em um ambiente estável, um deve atualizar
as crenças mais lentamente [42]. Ao aprender sobre a
confiabilidade de outra pessoa, os observadores rastreiam a
volatilidade da pessoa e atualizam as impressões rápida ou
lentamente como resultado [4,41]. Essas estimativas de
volatilidade se correlacionam com a ativação no giro do córtex
cingulado anterior (ACC) [4]. Os modelos bayesianos podem,
assim, identificar os processos psicológicos e neurais necessários
para a atualização ideal da impressão.
Da mesma forma, os modelos bayesianos podem revelar desvios
esclarecedores da otimalidade. Por exemplo, quando as pessoas
aprendem sobre a competência de um orientador, seus
julgamentos não imitam um aluno bayesiano ideal; em vez disso,
as pessoas mostram um viés de confirmação ao reduzir o peso
dos resultados negativos, mantendo assim um otimismo irreal
sobre a competência do outro [6]. Ao fornecer um ponto de
referência para a racionalidade, os modelos Bayesianos podem
identificar vieses na atualização de impressão.
Mentalização
As decisões sociais muitas vezes exigem uma consideração dos
estados mentais dos outros. Por exemplo, jogar xadrez, dar
presentes e oferecer condolências exige que consideremos as
intenções, preferências e emoções dos outros.
Opinião Atual em Psicologia 2018, 24:92–97
Estudos computacionais caracterizam como as pessoas atualizam
suas inferências sobre estados mentais e traduzem essas
inferências em escolhas. No contexto de jogos econômicos, em
que os participantes devem frequentemente cooperar ou competir
com outros, os modelos computacionais especificam como as
pessoas atualizam as crenças sobre as ações que um concorrente
irá tomar [43], tentam influenciar os outros [44,45 ] ou raciocinam
sobre a estratégia de outro. [46].
As abordagens computacionais também podem abordar como
nos tornamos mais precisos ao inferir os estados mentais dos
outros ao longo do tempo, como aprender que um amigo
geralmente parece calmo mesmo quando está chateado. Esse
processo pode ser modelado como um tipo de aprendizado por
reforço: à medida que as pessoas fazem julgamentos e recebem
feedback, elas ajustam suas inferências dando mais ou menos
peso a dicas úteis ou inúteis (por exemplo, uma expressão facial
calma) [47 ]. De fato, durante o feedback, os erros de previsão
de recompensa relacionados à precisão foram correlacionados
com a atividade do estriado ventral. Em contraste com as
abordagens psicológicas sociais tradicionais que empregam
julgamentos únicos, este trabalho sugere que as pessoas
valorizam a precisão social e melhoram suas inferências de
estado mental ao longo do tempo por meio de reforço.
Aprendizagem
observacional Uma vantagem chave da vida social é que
aprendemos com os erros e insights dos outros – um processo
conhecido como aprendizagem observacional [48]. As abordagens
computacionais podem identificar se a aprendizagem direta e
observacional dependem de processos neurais sobrepostos ou
distintos. Durante o condicionamento do medo, uma forma
passiva de aprendizado, computações neurais semelhantes
suportam ambos os processos [49]. Em contraste, durante a
aprendizagem instrumental, uma forma ativa de aprendizagem,
diferentes computações parecem apoiar a aprendizagem a partir
da experiência e observação [50]. Durante a aprendizagem
instrumental observacional e direta, as regiões frontoparietais
rastreiam se um resultado é surpreendente; essa resposta pode
refletir uma compreensão abstrata das contingências de
recompensa. Durante o aprendizado instrumental direto, o estriado
ventral reflete ainda mais se um resultado é mais recompensador
do que o esperado, sugerindo o papel de um segundo processo de memória [12,51
Mesmo sem ver os resultados dos outros, apenas observar as
decisões dos outros pode influenciar as próprias escolhas [53-57].
Modelos computacionais permitem aos pesquisadores testar se
as pessoas usam essa informação social de forma otimizada à
luz de sua própria incerteza [5 ] e dissociar processos componentes
subjacentes à influência social [57]. Tais estudos revelam assim
como a observação social e a experiência direta são rastreadas
e integradas no cérebro.
Moralidade
As pessoas muitas vezes devem escolher como alocar ganho ou
dano entre si e os outros, e as investigações computacionais
conectam essas compensações morais ao estudo mais amplo.
www.sciencedirect.com
Machine Translated by Google

Cognição social computacional Hackel e Amodio 95

figura 1

(uma) (b) (c)

VS VS

y = 12 y = 12 y = 12

(d) (f)
PrCu
IPL PCC
vIPFC
rTPJ

x = -44 x=0 x = 52
Opinião Atual em Psicologia

Correlatos neurais de erros de previsão relacionados ao reforço baseado em recompensa e formação de impressão durante a interação social, conforme revelado por
meio de modelagem computacional. Os participantes jogaram um jogo econômico no qual os parceiros variaram em valor de recompensa (quantidade de dinheiro que
compartilharam) e generosidade (proporção de dinheiro disponível que compartilharam). Atividade no estriado ventral (VS) correlacionou-se com (a) erros de predição de
recompensa e (b) erros de predição de generosidade; sobreposição mostrada em (c). Notavelmente, os erros de predição de generosidade também se correlacionaram com
a atividade em um conjunto de regiões anteriormente associadas à atualização de impressão, incluindo (d) córtex pré-frontal ventrolateral (vlPFC) e lóbulo parietal inferior
(IPL), (e) córtex cingulado posterior (PCC) e precuneus. PrCu) e (f) junção temporoparietal direita (rTPJ). Reimpresso da referência [7 ].

de aprendizagem e escolha [58]. Modelos computacionais podem Conclusão A

identificar variáveis latentes subjacentes a essas escolhas – como a
medida em que um valoriza o bem-estar do outro ou se sente incerto
sobre as preferências do outro – e vincular essas variáveis latentes
à atividade cerebral [59,60,61 ].
Estudos computacionais também trouxeram nova atenção para os
processos de aprendizagem que dão origem a julgamentos morais
[62-64] e comportamento pró-social [28,65,66]. Por exemplo, trabalhos
anteriores sugerem que as pessoas retribuem com indivíduos
percebidos como generosos [67,68]. No entanto, os modelos de
aprendizagem por reforço sugerem que as pessoas também gostam
de indivíduos que lhes proporcionam grandes recompensas materiais
[7 ]. De fato, as pessoas retribuem mais com parceiros mais ricos
que fornecem grandes recompensas materiais, e essa tendência se
correlaciona com a extensão em que as pessoas se envolvem em
aprendizado baseado em recompensas [65]. Este trabalho revela
assim como as dinâmicas de aprendizagem dão origem à moralidade.
abordagem computacional da neurociência social oferece ferramentas
importantes para elucidar os processos neurais e cognitivos que
impulsionam a cognição e o comportamento social. Essa abordagem
reflete uma progressão natural de documentar ativações neurais para
sondar suas funções dinâmicas, e está sendo aplicada a uma gama
cada vez maior de processos sociais – um prenúncio de excitantes
inovações que virão no estudo do cérebro social.
Declaração de conflito de interesses Nada
declarado.
Agradecimentos Este trabalho
foi financiado pela US National Science Foundation (prêmio 1606959). Os
autores agradecem o generoso apoio da US National Science Foundation
(1606959 para LH e 1551826 para DA) e da Netherlands Organization for Scientific
Research (VICI 016.185.058 para DA) durante o trabalho neste artigo.

www.sciencedirect.com Opinião Atual em Psicologia 2018, 24:92–97

Machine Translated by Google
96 Neurociência social
Referências e leituras recomendadas
Os artigos de particular interesse, publicados dentro do período de revisão,
foram destacados como
de interesse especial
de interesse pendente
1. Amodio DM, Harmon-Jones E, Devine PG, Curtin JJ, Hartley SL, Covert AE:
Sinais neurais para detecção de viés racial não intencional . Psychol Sci 2004,
15:88-93.
2. Conrey FR, Sherman JW, Gawronski B, Hugenberg K, Groom CJ: Separando
vários processos na cognição social implícita: o modelo quádruplo de
desempenho de tarefas implícitas. J Pers Soc Psychol 2005, 89:469.
3. Sutton RS, Barto AG: Aprendizado por Reforço: Uma Introdução.
Cambridge: MIT Press; 1998.
4. Behrens TEJ, Hunt LT, Woolrich MW, Rushworth MFS:
Aprendizagem associativa de valor social. Nature 2008, 456:245-249 http://
dx.doi.org/10.1038/nature07538.
5. De Martino B, Bobadilla-Suarez S, Nouguchi T, Sharot T, Love BC: A informação
social é integrada em julgamentos de valor e confiança de acordo com sua
confiabilidade. J Neurosci 2017, 37:6066-6074 .
Este estudo examinou se as pessoas seguem os princípios da integração bayesiana
ao confiar em informações de consenso social (revisões de produtos online).
Os participantes confiaram principalmente em avaliações de produtos quando se
sentiram incertos e as avaliações eram confiáveis, de acordo com os princípios
Bayesianos, e o dmPFC correlacionado com as mudanças de crença à luz desses fatores.
6. Leong YC, Zaki J: Otimismo irreal na tomada de conselhos: uma conta
computacional. J Exp Psychol Gen 2018, 147:170.
7. Hackel LM, Doll BB, Amodio DM: Aprendizagem instrumental de traços versus
recompensas: correlatos neurais dissociáveis e efeitos na escolha. Nat
Neurosci 2015, 18:1233-1235 http://dx.doi.org/10.1038/nn.4080 .
Este estudo usou modelagem computacional de aprendizado por reforço para
examinar a formação de impressão baseada em traços, dissociando-a do aprendizado
baseado em recompensa durante a interação social. A modelagem de sinais de erro
de previsão revelou que, embora ambas as formas de aprendizado social dependessem
do estriado ventral, o aprendizado de traços dependia ainda de regiões corticais
adicionais anteriormente implicadas na formação de impressões passivas.
8. Lindstrom B, Selbing I, Molapour T, Olsson A: O preconceito racial molda o
aprendizado por reforço social. Psychol Sci 2014, 25:711-719.
9. O'doherty JP, Hampton A, Kim H: fMRI baseado em modelo e seus
aplicação para recompensar a aprendizagem e a tomada de decisão. Ann NY
Acad Sci 2007, 1104:35-53.
10. Palminteri S, Wyart V, Koechlin E: A importância da falsificação na modelagem
cognitiva computacional. Trends Cogn Sci 2017, 21:425-433.
Este artigo propõe diretrizes para testar qual dos vários modelos computacionais
melhor explica o comportamento humano. Os autores propõem que os pesquisadores
devem testar não apenas qual modelo fornece o melhor ajuste relativo em comparação
com outros modelos (comparação de modelos), mas também se cada modelo
consegue reproduzir características dos dados (falsificação do modelo).
Esta última abordagem requer o uso de simulações para identificar como diferentes
modelos fazem previsões qualitativamente diferentes sobre o comportamento.
11. Wood W, Ringer D: Psicologia do hábito. Annu Rev Psychol 2016, 67:289-314
http://dx.doi.org/10.1146/annurev-psych-122414-033417 .
12. Glascher J, Daw ND, Dayan P, O'Doherty JP: Estados versus recompensas:
sinais de erro de predição neural dissociáveis subjacentes ao aprendizado
por reforço baseado em modelo e livre de modelo. Neuron 2010,
66:585-595 http://dx.doi.org/10.1016/j. neurônio.2010.04.016.
13. Thorndike EL: Inteligência Animal: Estudos Experimentais. Nova York:
Macmillan; 1911.
14. Garrison J, Erdeniz B, Done J: Erro de previsão na aprendizagem por reforço:
uma meta-análise de estudos de neuroimagem. Neurosci Biobehav Rev 2013,
37:1297-1310 http://dx.doi.org/10.1016/j. neubiorev.2013.03.023.
15. Jones RM, Somerville LH, Li J, Ruberry EJ, Libby V, Glover G,
Voss HU, Ballon DJ, Casey BJ: Propriedades comportamentais e neurais
Opinião Atual em Psicologia 2018, 24:92–97
da aprendizagem por reforço social. J Neurosci 2011, 31:13039-13045 http://
dx.doi.org/10.1523/JNEUROSCI.2972-11.2011.
16. Lin A, Adolphs R, Rangel A: Recompensa social e monetária
aprendizagem envolve substratos neurais sobrepostos. Soc Cogn Affect
Neurosci 2011 http://dx.doi.org/10.1093/scan/nsr006.
17. Klucharev V, Hytonen K, Rijpkema M, Smidts A, Fernandez G: O sinal de
aprendizado por reforço prevê a conformidade social.
Neuron 2009, 61:140-61151 http://dx.doi.org/10.1016/j.
neurônio.2008.11.027.
18. Nook EC, Zaki J: As normas sociais mudam comportamentais e neurais
respostas aos alimentos. J Cogn Neurosci 2015, 27 : 1412-1426 http://
dx.doi.org/10.1162/jocn_a_00795.
19. Kwak Y, Pearson J, Huettel SA: Aprendizagem de recompensa diferencial para
si e para os outros prediz o altruísmo auto-relatado. PLoS One 2014, 9 http://
dx.doi.org/10.1371/journal.pone.0107621.
20. Lockwood PL, Apps MAJ, Valton V, Viding E, Roiser JP:
Mecanismos neurocomputacionais de aprendizagem pró-social e links para
empatia. Proc Natl Acad Sci 2016, 113: 9763-9768 http://dx.doi.org/10.1073/
pnas.1603198113.
21. Sul S, Tobler PN, Hein G, Leiberg S, Jung D, Fehr E, Kim H: Gradiente espacial
na representação de valores ao longo do córtex pré-frontal medial reflete
diferenças individuais na prossocialidade. Proc Natl Acad Sci 2015,
112201423895 http://dx.doi.org/10.1073/pnas.1423895112 .
22. Lott AJ, Lott BE: O papel da recompensa na formação de atitudes interpessoais
positivas. Em Encontrado. Intérpretes. Atrai. Editado por Huston TL. Nova
York: Imprensa Acadêmica; 1974. pág. 171.
23. Newcomb TM: A previsão da atração interpessoal. Am Psychol 1956, 11:575.
24. Clore GL, Byrne D: Um modelo de atração por efeito de reforço.
Em Encontrado. Intérpretes. Atrair.. Editado por Huston TL. Nova York:
Imprensa Acadêmica; 1974:143-170.
25. Apps MAJ, Rushworth MFS, Chang SWC: O giro cingulado anterior e cognição
social: acompanhando a motivação dos outros.
Neuron 2016, 90:692-707 http://dx.doi.org/10.1016/j.
neurônio.2016.04.018.
26. Ruff CC, Fehr E: A neurobiologia de recompensas e valores na tomada de
decisão social. Nat Rev Neurosci 2014, 15:549-562 http://dx.doi.org/10.1038/
nrn3776.
27. FeldmanHall O, Dunsmoor JE, Kroes MCW, Lackovic S,
Phelps EA: Aprendizagem associativa de valor social em grupos dinâmicos.
Psychol Sci 2017, 28:1160-1170.
Este estudo testou se os princípios computacionais da aprendizagem pavloviana
podem explicar o desenvolvimento de preferências sociais complexas. Os participantes
aprenderam sobre um doador altruísta que primeiro compartilhou dinheiro sozinho e
depois compartilhou dinheiro em conjunto com um parceiro. Os participantes não
aprenderam a associar o parceiro ao valor, consistente com os mecanismos de
bloqueio previstos pelos modelos de aprendizagem associativa.
28. FeldmanHall O, Dunsmoor JE, Tompary A, Hunter LE, Todorov A, Phelps EA:
Generalização de estímulos como mecanismo para aprender a confiar. Proc
Natl Acad Sci USA 2018, 115:E1690- E1697.
29. Amodio DM, Berg JJ: Rumo a um modelo de múltiplos sistemas de memória
de atitudes e cognição social. Psychol Inq 2018, 29:14-19.
30. Smith ER, DeCoster J: Modelos de processo duplo em psicologia social e
cognitiva: integração conceitual e links para sistemas de memória
subjacentes. Pers Soc Psychol Rev 2000, 4:108-131 .
31. Ma N, Vandekerckhove M, Baetens K, Van Overwalle F,
Seurinck R, Fias W: Inconsistências em inferências de traços
espontâneos e intencionais. Soc Cogn Affect Neurosci 2012, 7:937-950
http://dx.doi.org/10.1093/scan/nsr064.
32. Mende-Siedlecki P, Cai Y, Todorov A: A dinâmica neural de atualizar as
impressões da pessoa. Soc Cogn Affect Neurosci 2013, 8:623-631 http://
dx.doi.org/10.1093/scan/nss040.
33. Mende-Siedlecki P, Baron SG, Todorov A: Valor diagnóstico
subjaz a atualização assimétrica de impressões na moralidade
www.sciencedirect.com
Machine Translated by Google
e domínios de habilidade. J Neurosci 2013, 33:19406-19415 http://dx. doi.org/
10.1523/JNEUROSCI.2334-13.2013.
34. Mende-Siedlecki P, Todorov A: dissociações neurais entre inconsistência
significativa e mera na atualização de impressão.
Soc Cogn Affect Neurosci 2016, 11:1489-1500.
35. Boorman ED, O'Doherty JP, Adolphs R, Rangel A: Os mecanismos comportamentais
e neurais subjacentes ao rastreamento de perícia.
Neuron 2013, 80:1558-1571 http://dx.doi.org/10.1016/j.
neurônio.2013.10.024.
36. Stanley DA: Conhecendo você: computações neurais gerais e específicas para
aprender sobre pessoas. Soc Cogn Affect Neurosci 2016, 11:525-536 http://
dx.doi.org/10.1093/scan/nsv145 .
37. Chang LJ, Doll BB, van't Wout M, Frank MJ, Sanfey AG: Ver para crer:
confiabilidade como uma crença dinâmica. Cogn Psychol 2010, 61:87-105.
38. Delgado MR, Frank RH, Phelps EA: Percepções de moral
personagem modulam os sistemas neurais de recompensa durante o jogo de
confiança. Nat Neurosci 2005, 8:1611-1618 http://dx.doi.org/10.1038/nn1575 .
39. King-Casas B: Conhecendo você: reputação e confiança em uma troca econômica
de duas pessoas. Science (80-) 2005, 308:78-83 http://dx.doi.org/10.1126/
science.1108062.
40. Fareri DS, Chang LJ, Delgado MR: Efeitos do social direto
experiência em decisões de confiança e circuitos de recompensa neural.
Front Neurosci 2012, 6:148.
41. Diaconescu AO, Mathys C, Weber LAE, Daunizeau J, Kasper L, Lomakina EI,
Fehr E, Stephan KE: Inferindo sobre as intenções dos outros pela aprendizagem
Bayesiana hierárquica. PLoS Comput Biol 2014, 10e1003810.
42. Behrens TEJ, Woolrich MW, Walton ME, Rushworth MFS:
Aprendendo o valor da informação em um mundo incerto. Nat Neurosci 2007,
10:1214.
43. Zhu L, Mathewson KE, Hsu M: Neural Dissociável
representações de erros de previsão de reforço e crença fundamentam o
aprendizado estratégico. Proc Natl Acad Sci USA 2012, 109:1419-1424 http://
dx.doi.org/10.1073/pnas.1116783109.
44. Hampton AN, Bossaerts P, O'Doherty JP: Correlatos neurais de computações
relacionadas à mentalização durante interações estratégicas em humanos.
Proc Natl Acad Sci USA 2008, 105:6741-6746 http://dx.doi.org/10.1073/
pnas.0711099105.
45. Hill CA, Suzuki S, Polania R, Moisa M, O'Doherty JP, Ruff CC: Um relato causal
das computações da rede cerebral subjacentes ao comportamento social
estratégico. Nat Neurosci 2017, 20:1142.
Os autores combinaram modelagem computacional, fMRI e TMS para entender as
bases neurais da mentalização durante as decisões estratégicas. TMS sobre a junção
temporoparietal direita (rTPJ) interrompeu a extensão em que os participantes usaram
uma estratégia baseada em mentalização em um jogo competitivo, como revelado em
ajustes de modelo e atividade neural em rTPJ.
46. Coricelli G, Nagel R: Correlatos neurais de profundidade de estratégia
raciocínio no córtex pré-frontal medial. Proc Natl Acad Sci USA 2009,
106:9163-9168 http://dx.doi.org/10.1073/pnas.0807721106 .
47. Zaki J, Kallman S, Wimmer GE, Ochsner K, Shohamy D: Cognição social como
aprendizado por reforço: o feedback modula a inferência de emoções. J Cogn
Neurosci 2016, 28:1270-1282 http://dx.doi.org/10.1162/jocn_a_00978.
Este estudo perguntou como as pessoas aprendem quais pistas usar ao inferir o estado
emocional de outra pessoa. Os autores usaram um modelo de aprendizado por reforço
para caracterizar como os perceptores ajustam suas inferências emocionais em resposta
ao feedback de precisão e descobriram que os sinais de aprendizado de tentativa a
tentativa se correlacionavam com a ativação no estriado ventral e no TPJ.
48. Bandura A: Teoria da aprendizagem social. 1977.
49. Lindstrom B, Haaker J, Olsson A: Uma rede neural comum medeia
diferencialmente o aprendizado direto e social do medo.
Neuroimagem 2018, 167:121-129.
50. Dunne S, D'Souza A, O'Doherty JP: O envolvimento de sinais de aprendizado
baseados em modelos, mas não livres de modelos, durante
www.sciencedirect.com
Cognição social computacional Hackel e Amodio 97
aprendizagem por recompensa observacional na ausência de escolha. J
Neurophysiol 2016, 115:3195-3203.
51. Foerde K, Shohamy D: O tempo de feedback modula o cérebro
sistemas de aprendizagem em humanos. J Neurosci 2011, 31:13157-13167
http://dx.doi.org/10.1523/JNEUROSCI.2701-11.2011.
52. Poldrack RA, Clark J, Pare´-Blagoev EJ, Shohamy D, Creso
Moyano J, Myers C, Gluck MA: Sistemas de memória interativos no cérebro
humano. Nature 2001, 414:546-550 http://dx.doi.org/ 10.1038/35107080.
53. Berns GS, Capra CM, Moore S, Noussair C: Mecanismos neurais da influência da
popularidade nas classificações musicais de adolescentes.
Neuroimagem 2010, 49:2687-2696.
54. Burke CJ, Tobler PN, Schultz W, Baddeley M: Striatal BOLD
A resposta reflete o impacto das informações do rebanho nas decisões
financeiras. Front Hum Neurosci 2010, 4:48.
55. Campbell-Meiklejohn DK, Bach DR, Roepstorff A, Dolan RJ,
Frith CD: Como a opinião dos outros afeta nossa avaliação de objetos. Curr
Biol 2010, 20:1165-1170.
56. De Martino B, O'Doherty JP, Ray D, Bossaerts P, Camerer C: Na mente do
mercado: a teoria da mente influencia a computação de valor durante as bolhas
financeiras. Neuron 2013, 79:1222-1231 .
57. Suzuki S, Adachi R, Dunne S, Bossaerts P, O'Doherty JP: Mecanismos neurais
subjacentes à tomada de decisão por consenso humano.
Neuron 2015, 86:591-602.
58. Crockett MJ: Como os modelos formais podem iluminar os mecanismos de
julgamento moral e tomada de decisão. Curr Dir Psychol Sci 2016, 25:85-90.
59. Crockett MJ, Kurth-Nelson Z, Siegel JZ, Dayan P, Dolan RJ: O dano aos outros
supera o dano a si mesmo na tomada de decisões morais.
Proc Natl Acad Sci USA 2014, 111:17320-17325.
60. Zaki J, Lo´pez G, Mitchell JP: Atividade no córtex pré-frontal ventromedial co-varia
com as preferências sociais reveladas: evidência de valor invariante da pessoa.
Soc Cogn Affect Neurosci 2014, 9:464-469 http://dx.doi.org/10.1093/scan/nst005.
61. Hutcherson CA, Bushong B, Rangel A: Um modelo neurocomputacional de
escolha altruísta e suas implicações. Neuron 2015, 87:451-462.
Este estudo aplicou um modelo de deriva-difusão para a tomada de decisão altruísta.
Atividade em regiões neurais distintas correlacionada com quantidades distintas
preditas pelo modelo. A modelagem e os dados neurais ofereceram novas interpretações
de achados de neuroimagem anteriores e sugeriram que escolhas generosas às vezes
podem ser erros.
62. Crockett MJ: Modelos de moralidade. Trends Cogn Sci 2013, 17:363-
366.
63. Cushman F: Ação, resultado e valor: um sistema dual
estrutura para a moralidade. Pers Soc Psychol Rev 2013, 17:273-292.
64. Kleiman-Weiner M, Saxe R, Tenenbaum JB: Aprendendo um
teoria moral do senso comum. Cognição 2017, 167:107-123.
65. Hackel LM, Zaki J: Propagação da desigualdade econômica através da
reciprocidade e reputação. Psychol Sci 2018, 29:604-613.
66. FeldmanHall O, Otto AR, Phelps EA: Aprendendo valores morais: O desejo de
outra pessoa de punir aumenta o próprio comportamento punitivo. J Exp
Psychol Gen 2018, 147(8):1211-1224.
67. Wedekind C, Milinski M: Cooperação por meio de pontuação de imagem em
humanos. Science (80-) 2000, 288:850-852 http://dx.doi.org/10.1126/
science.288.5467.850 .
68. Nowak MA, Sigmund K: Evolução da reciprocidade indireta por pontuação de
imagem. Nature 1998, 393:573-577.
69. Schiller D, Levy I, Niv Y, LeDoux JE, Phelps EA: Do medo ao
segurança e volta: reversão do medo no cérebro humano. J Neurosci 2008,
28:11517-11525.
70. Daw ND: Análise de dados de teste por teste usando computação
modelos. Decis. Fazer, Afetar. Aprender. Às dez. Executar. XXIII. 2011.
Opinião Atual em Psicologia 2018, 24:92–97