English
 
Help Privacy Policy Disclaimer
  Advanced SearchBrowse

Item

ITEM ACTIONSEXPORT

Released

Journal Article

Komputationale Modelle in der psychiatrischen Forschung

MPS-Authors
/persons/resource/persons96505

Schlagenhauf,  Florian
Department of Psychiatry and Psychotherapy, Charité University Medicine Berlin, Germany;
Department Neurology, MPI for Human Cognitive and Brain Sciences, Max Planck Society;

External Resource
No external resources are shared
Fulltext (public)
There are no public fulltexts stored in PuRe
Supplementary Material (public)
There is no public supplementary material available
Citation

Heinz, A., Schlagenhauf, F., Maricic, L. M., & Daedelow, L. S. (2017). Komputationale Modelle in der psychiatrischen Forschung. Zeitschrift für Psychiatrie, Psychologie und Psychotherapie, 65(1), 27-36. doi:10.1024/1661-4747/a000298.


Cite as: http://hdl.handle.net/21.11116/0000-0004-AB40-3
Abstract
Komputationale Methoden werden in einem weiten Bereich psychiatrischer Forschung eingesetzt v. a. beim Umgang mit großen Datensätzen. Hier diskutieren wir, wie mit Hilfe komputationaler Methoden das Entscheidungsverhalten in bestimmten Testsituationen in mathematischen Gleichungen abgebildet werden kann, um diesem Entscheidungsverhalten wiederum neurobiologischen Korrelaten zuord-nen zu können. Ein bekanntes Beispiel ist das belohnungsabhängige Lernen, bei dem die Größe eines Vorhersagefehlers, d. h. des Unterschieds zwischen der erwarteten und der eingetroffenen Belohnung, mathematisch berechenbar ist und mit entsprechenden Signalen wie der Dopa-minfreisetzung im ventralen Striatum in Tiermodellen oder entsprechenden funktionellen Bildgebungskorrelaten beim Menschen in Verbin-dung gebracht werden kann. Veränderungen dieser Lernmechanismen lassen sich nosologieübergreifend bei verschiedenen Störungsbildun-gen wie Suchterkrankungen, Psychosen und majoren affektiven Erkrankungen nachweisen und ermöglichen so einen dimensionalen Ansatz, mit dem neurobiologische Korrelate einzelner Mechanismen in verschiedenen Krankheitsbildern identifi ziert und mit Teilaspekten der Symp-tomatik in Verbindung gebracht werden können. Die vorliegende Arbeit diskutiert entsprechende Ansätze im Bereich Pawlowschen Konditio-nierens und des belohnungsabhängigen, zielgerichteten und habituellen Entscheidungsverhaltens. Der Fokus auf Lernmechanismen betont hierbei die Vielfältigkeit und Veränderbarkeit menschlichen Verhaltens, beispielsweise durch Trainingsprogramme oder kognitiv-behaviorale Interventionen.
Computational methods are widely used in psychiatric research and comprise big data approaches as well as the here discussed research approach, that mathematically models decision making in order to identify its neurobiological correlates. A well-known example is reward-dependent learning, where the prediction error (the difference between expected and actual reward) is mathematically computable and can be linked to neural signals such as dopamine release in the ventral striatum of animals and its functional correlates in humans. Changes in relevant learning mechanisms can be detected across different mental disorders including substance use disorders, psychoses and major depressive disorders thus providing a dimensional approach to identify neurobiological correlates of specifi c learning-mechanisms and their associated symptoms in different mental disorders. Here we discuss key approaches in the area of Pavlovian conditioning as well as re-ward-dependent (goal-directed and habitual) decision making. The focus on learning mechanisms emphasizes the diversity and modifi ability of human behavior, which can be targeted therapeutically with training programs and cognitive-behavioral interventions.