🧠 neuroscience

Asymmetric Reinforcement Learning Explains Human Choice Patterns in Decision-making Under Risk

यह अध्ययन प्रदर्शित करता है कि एक असममित जोखिम-संवेदनशील (Risk Sensitive) सुदृढीकरण शिक्षण मॉडल, जो पुरस्कारों और हानियों को विभेदित रूप से भारित करता है, जोखिम के तहत निर्णय लेने में मानव चयन पैटर्न और प्रतिक्रिया समय के लिए सममित शिक्षण दृष्टिकोणों की तुलना में एक बेहतर स्पष्टीकरण प्रदान करता है।

मूल लेखक: Shahdoust, N., Cowan, R. L., Price, T. A., Davis, T. S., Liu, A., Rabinovich, R., Zarr, V., Libowitz, M. R., Shofty, B., Rahimpour, S., Borisyuk, A., Smith, E. H.

प्रकाशित 2026-03-11

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Shahdoust, N., Cowan, R. L., Price, T. A., Davis, T. S., Liu, A., Rabinovich, R., Zarr, V., Libowitz, M. R., Shofty, B., Rahimpour, S., Borisyuk, A., Smith, E. H.

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

मुख्य विचार: हम जीत और हार से कैसे सीखते हैं

कल्पना कीजिए कि आप एक खेल खेल रहे हैं जहाँ आपको यह अनुमान लगाना है कि आपके हाथ में मौजूद कार्ड से छिपा हुआ कार्ड ऊँचा है या नीचा। कभी आप एक डॉलर जीतते हैं, और कभी आप एक डॉलर हार जाते हैं।

वैज्ञानिक लंबे समय से एक सरल प्रश्न पर बहस कर रहे हैं: जब हम इन खेलों से सीखते हैं, तो क्या हम जीत और हार के साथ बिल्कुल एक जैसा व्यवहार करते हैं?

पुरानी थ्योरी (सिमेट्रिक लर्निंग - सममित सीखना): यह थ्योरी कहती है कि हमारा मस्तिष्क एक पूरी तरह से संतुलित तराजू की तरह है। यदि आप $1 जीतते हैं, तो आपका मस्तिष्क कहता है, "बहुत बढ़िया, इसे फिर से करो!" यदि आप$ 1 हारते हैं, तो आपका मस्तिष्क कहता, "बुरा हुआ, ऐसा दोबारा मत करना!" जीत और हार का वजन बिल्कुल समान होता है।
नई थ्योरी (एसिमेट्रिक लर्निंग - विषम सीखना): यह पेपर सुझाव देता है कि हमारा मस्तिष्क एक पक्षपाती तराजू की तरह है। हम एक जीत से एक हार की तुलना में कहीं अधिक तेज़ी से सीख सकते हैं, या इसके विपरीत भी हो सकता है। हम छोटी हानियों को नज़रअंदाज़ कर सकते हैं लेकिन बड़ी जीत को लेकर बेहद उत्साहित हो सकते हैं।

इस अध्ययन का उद्देश्य यह पता लगाना था कि वास्तव में कौन सी थ्योरी सच है।

प्रयोग: "स्टारलिंग" कार्ड गेम

शोधकर्ताओं ने स्टारलिंग टास्क (Starling Task) नामक एक नया खेल बनाया। यह इस प्रकार काम करता था:

सेटअप: आप एक कार्ड देखते हैं (मान लीजिए 4)। आपको अनुमान लगाना है कि छिपे हुए प्रतिद्वंद्वी का कार्ड ऊँचा है या नीचा।
ट्विस्ट: कार्डों की गड्डी हमेशा निष्पक्ष नहीं होती।
- यूनिफॉर्म डेक (समान गड्डी): सभी नंबर (1-9) समान रूप से संभावित हैं।
- लो डेक (कम नंबर वाली गड्डी): ज्यादातर कम नंबर (1, 2, 3) हैं।
- हाई डेक (उच्च नंबर वाली गड्डी): ज्यादातर ऊँचे नंबर (7, 8, 9) हैं।
चुनौती: कभी-कभी गड्डी लंबे समय तक एक जैसी रहती है (ताकि आप पैटर्न सीख सकें)। अन्य समय में, गड्डी हर टर्न में बदल जाती है, और आपको यह जानने के लिए एक रंग के संकेत पर ध्यान देना पड़ता है कि आप किस डेक में हैं।

47 लोगों ने यह खेल खेला (कुछ स्वस्थ स्वयंसेवक थे, और कुछ मिर्गी के रोगी थे जो पहले से ही ब्रेन मॉनिटरिंग के लिए अस्पताल में भर्ती थे)। उन्होंने सैकड़ों राउंड खेले, और नकली पैसे जीते या हारे।

जासूसी कार्य: मॉडल्स का परीक्षण

शोधकर्ताओं ने केवल लोगों को देखा ही नहीं; उन्होंने यह देखने के लिए पाँच अलग-अलग कंप्यूटर "मस्तिष्क" (गणितीय मॉडल) बनाए कि कौन सा मॉडल सबसे अच्छी तरह से भविष्यवाणी कर सकता है कि इंसान आगे क्या करेंगे।

"विन-स्टे, लूज़-शिफ्ट" रोबोट: एक सरल रोबलेट जो बस जीतने पर एक चाल दोहराता है और हारने पर उसे बदल देता है। (जैसे चलना सीखने वाला एक छोटा बच्चा)।
"ग्रीडी" (लालची) रोबोट: हमेशा वही विकल्प चुनता है जिसे वह सबसे अच्छा समझता है, लेकिन सुरक्षा के लिए कभी-कभी कुछ रैंडम (अनिश्चित) भी आज़माता है।
"स्मूथ" (सुचारू) रोबोट: सबसे अच्छे विकल्प को चुनता है लेकिन उसमें थोड़ा सा रैंडम तत्व मिला देता है, जैसे एक स्मूथ कर्व।
"डबल-ट्रैकर" रोबोट: दो अलग-अलग स्कोरकार्ड रखता है: एक "मैंने कितना पैसा कमाया?" और दूसरा "यह कितना जोखिम भरा था?"
"रिस्क-सेंसिटिव" (RS - जोखिम-संवेदनशील) रोबोट: यह मुख्य आकर्षण है। यह एसिमेट्रिकल (विषम) तरीके से सीखता है। इसके पास दो अलग-अलग "सीखने की गति" होती है: एक गति तब जब यह जीतता है, और एक अलग गति तब जब यह हारता है।

परिणाम: "रिस्क-सेंसिटिव" रोबोट की जीत

संख्याओं का विश्लेषण करने के बाद, रिस्क-सेंसिटिव (RS) रोबोट स्पष्ट विजेता रहा। इसने किसी भी अन्य मॉडल की तुलना में मानव व्यवहार की बेहतर भविष्यवाणी की।

इसका क्या अर्थ है?
इसका अर्थ यह है कि जब मनुष्य जोखिम के तहत निर्णय लेते हैं, तो हम जीत और हार को समान रूप से नहीं देखते हैं। हम परिणामों के आधार पर अपनी अपेक्षाओं को अलग-अलग तरह से अपडेट करते हैं।

उपमा (Analogy): कल्पना कीजिए कि आप खाना बनाना सीख रहे हैं।
- यदि आप स्टेक जला देते हैं (एक हार), तो आप सोच सकते हैं, "ठीक है, अगली बार मैं आंच थोड़ी कम कर दूँगा," लेकिन शायद आपको सटीक तापमान पूरी तरह से याद न रहे।
- यदि आप एक बेहतरीन स्टेक पकाते हैं (एक जीत), तो आप सोच सकते हैं, "मैं तो जीनियस हूँ! मैं निश्चित रूप से इसे फिर से करूँगा!" और आप सटीक तापमान को बहुत स्पष्ट रूप से याद रखेंगे।
- अध्ययन सुझाव देता है कि हमारा मस्तिष्क इस तरह काम करता है: हम एसिमेट्रिक लर्नर्स (विषम शिक्षार्थी) हैं। हम केवल स्कोरबोर्ड पर अंक जोड़ते या घटाते नहीं हैं; हम जीत के भावनात्मक प्रभाव को हार की तुलना में अलग तरह से तौलते हैं।

यह क्यों महत्वपूर्ण है?

1. यह समझाता है कि हम "अजीब" चुनाव क्यों करते हैं।
कभी-कभी लोग बड़ा जोखिम लेते हैं क्योंकि उन्हें बड़ी जीत बहुत स्पष्ट रूप से याद रहती है लेकिन वे छोटी हानियों को भूल जाते हैं। यह मॉडल इस व्यवहार को पूरी तरह से समझाता है।

2. यह हमें मानसिक स्वास्थ्य को समझने में मदद करता है।
पेपर में उल्लेख किया गया है कि जुए की लत या एडिक्शन वाले लोगों में अक्सर "टूटे हुए" लर्निंग सिस्टम होते हैं। शायद उनकी "लॉस लर्निंग स्पीड" (हार से सीखने की गति) बहुत धीमी है, इसलिए वे पैसे हारने के बाद भी खेलते रहते हैं क्योंकि वे यह समझने के लिए अपने दिमाग को अपडेट करने में बहुत धीमे हैं कि यह एक बुरा विचार है। यह नया मॉडल डॉक्टरों को इन स्थितियों को समझने और इलाज करने के लिए एक बेहतर उपकरण देता है।

3. यह सभी के लिए काम करता है।
दिलचस्प बात यह है कि अध्ययन में पाया गया कि मिर्गी के रोगियों ने स्वस्थ लोगों की तरह ही अच्छा खेला। एकमात्र अंतर यह था कि मिर्गी के रोगी बटन दबाने में थोड़े धीमे थे। यह बताता है कि हम कैसे सीखते हैं (उसका "सॉफ्टवेयर") उसका तर्क सभी के लिए समान है, भले ही हमारी प्रतिक्रिया की गति (उसका "हार्डवेयर") भिन्न हो।

निष्कर्ष (The Takeaway)

मानव निर्णय लेना कोई ठंडा, गणितीय कैलकुलेशन नहीं है जहाँ +1 और -1 एक-दूसरे को काट देते हैं। इसके बजाय, यह एक गतिशील प्रक्रिया है जहाँ जीत और हार हमें अलग-अलग वजन के साथ प्रभावित करती हैं।

हम परफेक्ट कैलकुलेटर नहीं हैं; हम रिस्क-सेंसिटिव लर्नर्स (जोखिम-संवेदनशील शिक्षार्थी) हैं। हम कुछ परिणामों से दूसरों की तुलना में तेज़ी से सीखते हैं, और यही विषमता (asymmetry) वास्तव में वह कुंजी है जो हमें एक जोखिम भरी दुनिया में नेविगेट करने में मदद करती है।

यहाँ शोध पत्र "Asymmetric Reinforcement Learning Explains Human Choice Patterns in Decision-making Under Risk" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

अनिश्चितता के तहत मानव निर्णय लेना संज्ञानात्मक और तंत्रिका विज्ञान (cognitive and neural science) का एक मुख्य विषय है, फिर भी अनुभव को चुनाव में बदलने वाले कम्प्यूटेशनल तंत्रों पर बहस जारी है। जबकि सुदृढीकरण शिक्षण (Reinforcement Learning - RL) एक मानक ढांचा है, यह स्पष्ट नहीं है कि जोखिम भरे वातावरण में मानव व्यवहार को किसके द्वारा सबसे अच्छी तरह समझाया जा सकता है:

सममित अद्यतन (Symmetric updating): जहाँ लाभ और हानि दोनों समान दर से मूल्य अनुमानों को अपडेट करते हैं।
असममित शिक्षण (Asymmetric learning): जहाँ पुरस्कार और हानि को अलग-अलग तरह से भारित (weight) किया जाता है (जैसे, लाभ की तुलना में हानि से तेजी से सीखना, या इसके विपरीत)।

मौजूदा साहित्य सुझाव देता है कि दुर्लभ घटनाओं को अक्सर कम महत्व दिया जाता है और व्यक्ति विभिन्न रणनीतियों पर अपनी निर्भरता में भिन्न होते हैं। हालाँकि, एक ऐसा एकीकृत मॉडल जो ट्रायल-दर-ट्रायल चुनाव पैटर्न, प्रतिक्रिया समय (RT), और नियंत्रित जोखिम वातावरण में असममित शिक्षण दरों के विशिष्ट प्रभाव को पकड़ सके, उसकी कमी थी। इस अध्ययन का उद्देश्य यह पहचानना है कि कौन सा लर्निंग रूल एक नवीन जोखिमपूर्ण निर्णय लेने वाले कार्य में मानव व्यवहार को सबसे अच्छी तरह समझाता है।

2. कार्यप्रणाली (Methodology)

प्रतिभागी (Participants)

कुल: 47 प्रतिभागी (37 गैर-मिर्गी नियंत्रण समूह; 10 दवा-प्रतिरोधी मिर्गी वाले रोगी)।
सेटिंग: गैर-मिर्गी प्रतिभागियों ने कार्य को ऑनलाइन पूरा किया; रोगियों ने इसे अस्पताल के न्यूरो-एक्यूट केयर यूनिट में पूरा किया।

कार्य: "स्टारलिंग" टास्क (The "Starling" Task)

एक नवीन स्थिर जोखिम लेने वाला प्रतिमान (paradigm) जहाँ प्रतिभागी भविष्यवाणी करते हैं कि क्या उनका कार्ड उनके प्रतिद्वंद्वी के अनदेखे कार्ड से उच्च या निम्न है।

उद्दीपन (Stimuli): 1–9 तक संख्या वाले कार्ड।
फीडबैक: सही चुनाव पर + $0.50 मिलते हैं; गलत चुनाव पर –$ 0.50 मिलते हैं।
प्रायोगिक डिजाइन:
- फिक्स ब्लॉक्स (3 ब्लॉक): प्रतिभागियों ने प्रत्येक ब्लॉक में एक एकल डेक वितरण (deck distribution) सीखा:
  - यूनिफॉर्म (Uniform): कार्ड 1–9 के लिए समान संभावना।
  - लो स्क्यूड (Low Skewed): कम संख्याओं (1–3) की उच्च संभावना।
  - हाई स्क्यूड (High Skewed): उच्च संख्याओं (7–9) की उच्च संभावना।
- मिक्स ब्लॉक (1 ब्लॉक): वितरण हर ट्रायल में बदलता रहता है। प्रतिभागी वर्तमान डेक वितरण की पहचान करने के लिए एक रंग संकेत (color cue) का उपयोग करते हैं।
माप (Measures): सटीकता (Accuracy), कुल पुरस्कार (Total Reward), फ्लिप RT (कार्ड प्रकट होने का समय), और चॉइस RT (निर्णय लेने का समय)।

कम्प्यूटेशनल मॉडल (Computational Models)

पाँच संभावित RL मॉडलों को व्यक्तिगत ट्रायल इतिहास पर फिट किया गया ताकि चयनों और RT की भविष्यवाणी की जा सके:

विन-स्टे/लूज-शिफ्ट (WSLS): पिछले परिणाम पर आधारित एक सरल ह्यूरिस्टिक।
रेस्कोला-वैगनर (RW) $\epsilon$ -ग्रीडी के साथ: एक्सप्लोरेशन-एक्सप्लोइटेशन नीति के साथ सममित शिक्षण।
रेस्कोला-वैगनर (RW) सॉफ्टमैक्स के साथ: तापमान ( $\tau$ ) पर आधारित एक संभाव्य नीति के साथ सममित शिक्षण।
डुअल-Q मॉडल (Dual-Q Model): स्पष्ट पुरस्कार (Reward) और जोखिम (Risk) (अनिश्चितता) के लिए अलग-अलग Q-वैल्यू बनाए रखता है, जो स्वतंत्र रूप से अपडेट होते हैं।
रिस्क-सेंसिटिव (RS) मॉडल: असममित शिक्षण दरों ( $\alpha_+$ सकारात्मक RPEs के लिए, $\alpha_-$ नकारात्मक RPEs के लिए) के साथ RW का विस्तार करता है और एक सॉफ्टमैक्स नीति का उपयोग करता है। यह मॉडल परीक्षण करता है कि क्या लाभ और हानि को अलग-अलग तरीके से संसाधित किया जाता है।

विश्लेषण पाइपलाइन (Analysis Pipeline)

मॉडल फिटिंग: लॉग-लाइक्लीहुड को अधिकतम करने के लिए ग्रिड सर्च के माध्यम से मापदंडों का अनुमान लगाया गया।
मूल्यांकन मेट्रिक्स: सटीकता, परिशुद्धता (Precision), रिकॉल (Recall), विशिष्टता (Specificity), बेयसियन इंफॉर्मेशन क्राइटेरियन (BIC), और एकाइके इंफॉर्मेशन क्राइटेरियन (AIC)।
व्यवहार संबंधी सहसंबंध: प्रतिगमन विश्लेषण (Regression analysis) ने परीक्षण किया कि मॉडल-व्युत्पन्न गुप्त चर (विशेष रूप रूप से Q-वैल्यू अंतर, $\Delta Q$ ) ने मानव चॉइस RT और बाइनरी चॉइस की कितनी अच्छी तरह भविष्यवाणी की।
पैरामीटर रिकवरी: सिमुलेशन ने सत्यापित किया कि फिट किए गए पैरामीटर पहचानने योग्य थे।

3. मुख्य परिणाम (Key Results)

व्यवहार संबंधी निष्कर्ष (Behavioral Findings)

सीखना (Learning): प्रतिभागियों ने ट्रायल के दौरान कुल पुरस्कार में निरंतर वृद्धि दिखाई।
संदर्भ प्रभाव (Context Effects): "फिक्स" ब्लॉक्स में, प्रतिभागियों ने डेक प्रायोरिटीज़ (बेस रेट्स) पर भारी भरोसा किया, जिससे उनके निर्णय सीमाएँ (decision boundaries) बाहर की ओर फैल गईं। "मिक्स" ब्लॉक (उच्च प्रासंगिक अनिश्चितता) में, निर्णय सीमाएँ केंद्र (कार्ड 5) की ओर सिमट गईं, जो ट्रायल-विशिष्ट साक्ष्य की ओर झुकाव और बेस-रेट उपेक्षा (base-rate neglect) का संकेत देती हैं।
समूह अंतर: मिर्गी वाले प्रतिभागियों ने गैर-मिर्गी नियंत्रणों की तुलना में काफी धीमे चॉइस RT दिखाए, लेकिन तुलनात्मक सटीकता और पुरस्कार प्रक्षेपवक्र (trajectories) प्रदर्शित किए, जो मोटर/प्रोसेसिंग गति में अंतर के बावजूद संरक्षित निर्णय नीतियों का सुझाव देते हैं।

मॉडल तुलना (Model Comparison)

RS मॉडल की श्रेष्ठता: रिस्क-सेंसिटिव (RS) मॉडल सभी मेट्रिक्स में अन्य सभी मॉडलों (WSLS, $\epsilon$ $ϵ$ -Greedy, Softmax, Dual-Q) से काफी बेहतर प्रदर्शन कर गया:
- उच्चतम सटीकता, परिशुद्धता, रिकॉल और विशिष्टता।
- सबसे कम $\Delta$ BIC और $\Delta$ AIC स्कोर।
- कुल पुरस्कार प्रक्षेपवक्र और चॉइस प्रोबेबिलिटी कर्व्स (सिग्मॉइड फिट) के प्रति सबसे अच्छा फिट।
सममित मॉडलों की विफलता: सममित मॉडल (RW वेरिएंट) स्क्यूड डेक में देखे गए चॉइस प्रोबेबिलिटी के तीव्र बदलावों को पकड़ने में विफल रहे। डुअल-Q मॉडल, जो जोखिम और पुरस्कार को स्पष्ट रूप से अलग करता है, RS मॉडल की तुलना में खराब प्रदर्शन कर गया, जो यह सुझाव देता है कि मस्तिष्क अनिवार्य रूप से जोखिम को एक अलग मूल्य सिग्नल के रूप में ट्रैक नहीं करता है, बल्कि परिणामों को असममित रूप से भारित करता है।

लेटेंट वेरिएबल विश्लेषण (Latent Variable Analysis)

$\Delta Q$ और रिस्पॉन्स टाइम: RS मॉडल के व्युत्पन्न मूल्य अंतर ( $\Delta Q = Q_{up} - Q_{down}$ ) ने चॉइस RT के साथ सबसे मजबूत नकारात्मक सहसंबंध दिखाया। बड़े मूल्य पृथक्करण ने तेज़ निर्णयों की भविष्यवाणी की, और RS मॉडल अन्य मॉडलों की तुलना में इस संबंध को बेहतर ढंग से पकड़ सका।
असममिति (Asymmetry): RS मॉडल ने एक लॉस लर्निंग रेट ( $\alpha_-$ ) का अनुमान लगाया जो अक्सर शून्य के करीब या गेन लर्निंग रेट ( $\alpha_+$ ) की तुलना में काफी कम था। इसका तात्पर्य यह है कि प्रतिभागियों ने इस कार्य में लाभों के सापेक्ष हानियों को कम महत्व (underweighted) दिया, या हानियों ने कमजोर मूल्य अपडेट उत्पन्न किए, जिससे उच्च-पुरस्कार विकल्पों के प्रति एक "चिपचिपाहट" (stickiness) पैदा हुई।

4. मुख्य योगदान (Key Contributions)

असममित शिक्षण की पहचान: यह अध्ययन ठोस प्रमाण प्रदान करता है कि जोखिम के तहत मानव निर्णय लेना असममित शिक्षण दरों (लाभ बनाम हानि के लिए अलग-अलग भार) द्वारा बेहतर ढंग से समझाया जाता है, न कि सममित अद्यतन या स्पष्ट अलग जोखिम ट्रैकिंग द्वारा।
नवीन कार्य डिजाइन: स्टारलिंग टास्क का परिचय वितरण संबंधी अनिश्चितता (Uniform बनाम Skewed) और स्थिर प्रायर्स से अस्थिर संदर्भों (Mix block) में संक्रमण के सटीक हेरफेर की अनुमति देता है।
RT के साथ यांत्रिक लिंक: यह शोध प्रदर्शित करता है कि RS मॉडल के गुप्त चर (विशेष रूप से $\Delta Q$ ) न केवल यह भविष्यवाणी करते हैं कि लोग क्या चुनते हैं, बल्कि यह भी कि वे कितनी तेज़ी से निर्णय लेते हैं, जो चॉइस और टाइमिंग के लिए एक एकीकृत विवरण प्रदान करता है।
नैदानिक सामान्यीकरण (Clinical Generalizability): निष्कर्ष बताते हैं कि असममित मूल्य अद्यतन की कम्प्यूटेशनल प्रक्रिया मिर्गी जैसी नैदानिक आबादी में भी संरक्षित रहती है जहाँ प्रोसेसिंग गति बाधित होती है, जो "नीति" (policy) को "निष्पादन" (execution) से अलग करती है।

5. महत्व (Significance)

कम्प्यूटेशनल साइकियाट्री (Computational Psychiatry): परिणाम असममित RL मॉडलों के उपयोग का समर्थन करते हैं, जो जुआ खेलने या मादक द्रव्यों के सेवन जैसे विकारों को समझने में सहायक हो सकते है, जहाँ पुरस्कार और हानि के प्रति बदली हुई संवेदनशीलता एक प्रमुख लक्षण है। यह तथ्य कि हानियों को कम महत्व दिया जा सकता है ( $\alpha_- \approx 0$ ), इस बात का यांत्रिक स्पष्टीकरण देता है कि क्यों व्यक्ति नकारात्मक फीडबैक के बावजूद जोखिम भरे व्यवहारों में बने रह सकते हैं।
सैद्धांतिक प्रगति: यह अध्ययन सममित RL मॉडलों की पर्याप्तता और जटिल Dual-Q आर्किटेक्चर की आवश्यकता को चुनौती देता है। यह सुझाव देता है कि लर्निंग रूल में एक सरल संशोधन (असममिति) ही बेस-रेट उपेक्षा और जोखिम संवेदनशीलता जैसे जटिल मानव व्यवहारों को पकड़ने के लिए पर्याप्त है।
भावी दिशाएं: लेखक प्रस्तावित करते हैं कि ये लेटेंट वेरिएबल्स (असममित RPEs) न्यूरल एनकोडिंग मॉडल (जैसे, iEEG, fMRI) के लिए लक्ष्य बन सकते हैं, ताकि असममित शिक्षण के न्यूरल आधारों (जैसे स्ट्रिएटम या प्रीफ्रंटल कॉर्टेक्स में) को खोजा जा सके।

निष्कर्षतः, यह शोध स्थापित करता है कि असममित सुदृढीकरण शिक्षण (Asymmetric Reinforcement Learning) जोखिम भरे वातावरण में मानव ट्रायल-दर-ट्रयाल चयनों को समझाने के लिए सबसे संक्षिप्त और सटीक ढांचा है, जो यह रेखांकित करता है कि मनुष्य लाभ और हानि को सीखने की प्रक्रिया में समान इनपुट के रूप में नहीं देखते हैं।