Dissociating volatility and stochasticity reveals transdiagnostic computational signatures of psychopathology

본 연구는 내재성 장애를 가진 개인이 환경적 노이즈를 변동성으로 오인하여 과도하게 업데이트하는 반면, 외재성 장애를 가진 개인은 변동성을 노이즈로 오인하여 업데이트가 부족함을 보여줌으로써 정신병리의 학습 결핍이 일반화된 손상이 아니라 불확실성 유형을 구분하는 선택적 실패임을 규명하여 정신병리의 전 진단적 계산적 서명을 식별한다.

핵심

당신의 뇌가 규칙이 끊임없이 변하는 길을 운전하려는 운전기사라고 상상해 보세요. 잘 운전하려면 두 가지 매우 다른 것을 파악해야 합니다:

1. 길은 미끄럽습니다 (확률성): 때로는 차가 랜덤한 구덩이나 돌풍 때문에 덜컹거립니다. 이는 단순한 '노이즈'일 뿐입니다. 만약 모든 덜컹거림을 길이 변했다는 신호로 여긴다면, 과잉 반응하여 wildly 휘둘리며 결코 제자리를 찾지 못할 것입니다. 이러한 작은 덜컹거림을 무시하고 속도를 일정하게 유지해야 합니다.
2. 길은 변하고 있습니다 (변동성): 때로는 도로 자체가 재포장되거나 새로운 우회로가 추가됩니다. 규칙이 진정으로 바뀐 것입니다. 만약 이러한 큰 변화를 무시하고 아무 일도 없었던 것처럼 계속 운전한다면 추돌할 것입니다. 학습 속도를 높이고 즉시 적응해야 합니다.

문제는 랜덤한 구덩이와 새로운 우회로가 당신의 눈에는 똑같이 보인다는 점입니다. 둘 다 차를 떨리게 만들기 때문입니다. 이 차이를 구별하는 것은 매우 어렵습니다.

연구의 발견
이 논문은 사람들의 뇌가 이러한 혼란을 세 가지 다른 방식으로 처리하며, 이러한 방식이 서로 다른 유형의 정신 건강 문제와 연결되어 있다고 제안합니다:

• 균형 잡힌 운전기사 (정상 학습자): 이들은 랜덤한 덜컹거림과 실제 도로 변화를 구별할 수 있습니다. 노이즈가 있을 때는 속도를 늦추고, 길이 변할 때는 속도를 높이는 등 운전 속도를 완벽하게 조절합니다.
• 과잉 반응하는 운전기사 (확률성 맹목): 이들은 노이즈를 무시하지 못합니다. 작은 덜컹거림 하나하나가 길이 변했다는 신호라고 생각합니다. 그래서 끊임없이 휘둘러가며 당황하고, 사소한 실수 하나하나에서 배우려 합니다. 연구에 따르면 이렇게 운전하는 사람들은 내재화 문제, 즉 불안과 우울증과 더 많이 씨름하는 경향이 있습니다. 그들은 본질적으로 랜덤한 노이즈에 기반하여 세계관을 '과도하게 업데이트'하는 것입니다.
• 과소 반응하는 운전기사 (변동성 맹목): 이들은 정반대입니다. 길이 명확하게 변하고 있을지라도 길은 항상 같다고 생각합니다. 큰 우회로를 무시하고 흔들림이 일시적인 고장일 것이라고 가정하며 계속 직진합니다. 연구에 따르면 이렇게 운전하는 사람들은 외재화 문제, 즉 행동 중독과 강박성과 더 많이 씨름하는 경향이 있습니다. 그들은 환경을 변화시켜야 할 때조차 '업데이트가 부족하여' 오래된 습관에 매달립니다.

큰 그림
연구자들은 이 가설을 이러한 까다로운 도로 상황을 시뮬레이션한 컴퓨터 게임을 통해 수천 명에게 테스트했습니다. 그들은 명확한 분열을 발견했습니다:

• 불안과 우울증에 취약하다면, 당신의 뇌는 랜덤한 노이즈에 너무 민감하여 너무 자주 생각을 바꿀 수 있습니다.
• 중독이나 강박적 행동에 취약하다면, 당신의 뇌는 너무 고집이 세서 환경의 실제 변화를 무시할 수 있습니다.

주요 교훈은 정신 건강 문제가 단순히 일반적인 '나쁜 학습'에 관한 것이 아니라는 점입니다. 대신, 서로 다른 문제들은 불확실성을 해석하는 방식에서 발생하는 구체적이고 정반대의 오류들에서 비롯됩니다. 어떤 사람들은 노이즈를 필터링하지 못해 너무 빨리 학습하는 반면, 다른 사람들은 실제 변화를 보지 못해 너무 느리게 학습합니다.

기술 요약

기술적 요약: 정신병리학에서 변동성과 확률성 분리

문제 제기
동적 환경에서의 적응적 학습은 인지 시스템이 불확실성의 두 가지 명확한 원인, 즉 변동성(환경의 잠재적 상태 변화) 과 확률성(관측치에서의 순간적 노이즈) 을 구별할 것을 요구합니다. 이 두 요인은 학습률에 정반대의 조정을 필요로 합니다: 높은 변동성은 환경 변화를 추적하기 위해 더 빠른 업데이트를 요구하는 반면, 높은 확률성은 노이즈를 필터링하기 위해 더 느린 업데이트를 요구합니다. 핵심 계산적 과제는 두 요인이 모두 관측치의 경험적 분산을 증가시킨다는 점에서 이러한 요인들을 분리해 내는 데 있습니다. 이러한 모호성은 추론에서의 체계적인 개인차를 위한 토대를 형성하며, 저자들은 이것이 정신병리학의 특정 기저 메커니즘일 수 있다고 가설을 세웠습니다.

방법론
본 연구는 두 개의 대규모 온라인 표본과 세 가지 다른 과제를 통해 계산적 표현형 분석 접근법을 적용했습니다. 연구자들은 불확실성 하의 학습을 모델링하는 프레임워크를 활용하여 특정 계산적 서명을 식별했습니다. 개인이 불확실성을 추론하는 방식에 기반하여 세 가지 구별되는 학습자 표현형을 정의했습니다:

1. 정상 학습자: 변동성과 확률성을 올바르게 구별하는 사람들.
2. 확률성 무감각 학습자: 노이즈를 인식하지 못하여 무작위 변동을 환경 변화로 간주함으로써 신념을 과도하게 업데이트하는 사람들.
3. 변동성 무감각 학습자: 환경적 변화를 인식하지 못하여 실제 변화를 단순한 노이즈로 간주함으로써 신념을 과소 업데이트하는 사람들.

이러한 표현형들은 이후 내재화(불안, 우울) 및 외재화(행동 중독, 강박성) 스펙트럼과 같은 초진단적 정신과 차원과 상관관계 분석되었습니다.

주요 기여
본 연구의 주요 기여는 특정 계산적 추론 실패와 초진단적 증상 차원 간의 성공적인 이중 분리에 있습니다. 이 연구는 정신건강에서의 학습 결함에 대한 일반화된 관점을 넘어, 서로 다른 증상 군집이 불확실성에 관한 서로 다른 계산적 오류에 매핑된다는 선택적 설명을 제시합니다.

결과
분석은 계산적 프로필의 명확한 분리를 드러냈습니다:

• 확률성 무감각 학습자(과도하게 업데이트하는 사람들) 는 불안과 우울을 포함한 내재화 차원에서 더 높은 점수와 유의미하게 연관되었습니다.
• 변동성 무감각 학습자(과소 업데이트하는 사람들) 는 행동 중독과 강박성을 포함한 외재화 차원에서 더 높은 점수와 유의미하게 연관되었습니다.

이러한 발견들은 분산의 원인을 올바르게 추론하지 못하는 것이 정신병리학 전반에 걸친 균일한 결함이 아니라, 오히려 장애의 성격에 따라 구체적임을 시사합니다.

의의
본 논문은 이러한 결과가 정신병리학에서 불확실성 하의 학습 결함에 대한 선택적이지 않고 일반화된 설명이 아닌 선택적 설명을 지지한다고 주장합니다. 서로 다른 증상 차원이 불확실성 (특히 변동성 대 확률성) 에 관한 서로 다른 추론 실패에 대응함을 입증함으로써, 이 연구는 정신병리학이 학습 메커니즘의 전반적 손상보다는 뇌가 불확실성을 처리하는 방식에서의 특정 계산적 부적응에서 비롯될 수 있음을 시사합니다.