ಪರಿಚಯ

"ನಮ್ಮ ವ್ಯಸನದ ಮೇಲೆ ನಾವು ಶಕ್ತಿಹೀನರಾಗಿದ್ದೇವೆ ಎಂದು ನಾವು ಒಪ್ಪಿಕೊಂಡಿದ್ದೇವೆ-ನಮ್ಮ ಜೀವನವು ನಿರ್ವಹಿಸಲಾಗದಂತಾಗಿದೆ" ಎಂದು ನಾರ್ಕೋಟಿಕ್ಸ್ ಅನಾಮಧೇಯ 12- ಹಂತದ ಕಾರ್ಯಕ್ರಮದ ಮೊದಲ ಸಿದ್ಧಾಂತ ಹೇಳುತ್ತದೆ [1]. ಮಾದಕವಸ್ತು ಸೇವನೆಯು ತಪ್ಪಾದ ಕ್ರಮ ಎಂದು ತಿಳಿದಿದ್ದರೂ ಸಹ, ಶಕ್ತಿಹೀನ ವ್ಯಸನಿಗಳು drugs ಷಧಿಗಳನ್ನು ವಿರೋಧಿಸುವಾಗ ತಮ್ಮನ್ನು ಹೇಗೆ ಕಂಡುಕೊಳ್ಳುತ್ತಾರೆ ಎಂಬುದನ್ನು ಇದು ತೋರಿಸುತ್ತದೆ [2]-[4]. ವಾಸ್ತವವಾಗಿ, ವ್ಯಸನದ ವಿಶಿಷ್ಟ ಲಕ್ಷಣವೆಂದರೆ ಸ್ಪಷ್ಟವಾಗಿ ವ್ಯತಿರಿಕ್ತ ಪರಿಣಾಮಗಳ ವೆಚ್ಚದಲ್ಲಿಯೂ ಸಹ drugs ಷಧಿಗಳನ್ನು ಹುಡುಕುವುದು [5]. ನಿಯಂತ್ರಿತ ಪ್ರಯೋಗಗಳಲ್ಲಿ ಅಂತಹ ರೋಗಶಾಸ್ತ್ರೀಯ ನಡವಳಿಕೆಯ ಸಹಿ ಸ್ಪಷ್ಟವಾಗುತ್ತದೆ, ಅಲ್ಲಿ ವ್ಯಸನಿಗಳು ಒಂದು ವಿಶಿಷ್ಟವಾದ “ಸ್ವಯಂ-ವಿವರಿಸಿದ ತಪ್ಪು” ಯನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತಾರೆ: ಮಾದಕವಸ್ತು-ಸಂಬಂಧಿತ ಆಯ್ಕೆಗಳ ಬಗ್ಗೆ ಪ್ರಬಲವಾದ ವರ್ತನೆಯ ಪ್ರತಿಕ್ರಿಯೆ ಮತ್ತು ವ್ಯಸನಿ ಮಾದಕವಸ್ತುಗಾಗಿ ವರದಿ ಮಾಡುವ ಕಡಿಮೆ ವ್ಯಕ್ತಿನಿಷ್ಠ ಮೌಲ್ಯದ ನಡುವಿನ ಅಸಂಗತತೆ [4], [6], [7]. ನಡವಳಿಕೆಯ ಮೇಲೆ ಪ್ರತಿಬಂಧಕ ಅರಿವಿನ ನಿಯಂತ್ರಣದ ನಷ್ಟದೊಂದಿಗೆ ಸಂಯೋಜಿಸಿದಾಗ, drugs ಷಧಿಗಳಿಗೆ ದೀರ್ಘಕಾಲದವರೆಗೆ ಒಡ್ಡಿಕೊಂಡ ನಂತರ, ಅರಿವಿನ ಯೋಜನೆಗಳು ಮತ್ತು ಏಕೀಕೃತ ಅಭ್ಯಾಸಗಳ ನಡುವಿನ ಈ ವ್ಯತ್ಯಾಸವು ಕ್ಯಾಶುಯಲ್ ನಿಂದ ಕಂಪಲ್ಸಿವ್ drug ಷಧ-ಬೇಡಿಕೆಯ ವರ್ತನೆಗೆ ಪರಿವರ್ತನೆಗೆ ಕಾರಣವಾಗಬಹುದು [8].

ಅರಿವಿನ ನಿಯಂತ್ರಣದ ನಷ್ಟ ಮತ್ತು ಸ್ವಯಂ-ವಿವರಿಸಿದ ತಪ್ಪು ಇದುವರೆಗೆ ವ್ಯಸನದ formal ಪಚಾರಿಕ ಮಾದರಿಗಳಿಂದ ತತ್ವಬದ್ಧವಾದ ವಿವರಣೆಯನ್ನು ತಪ್ಪಿಸಿದೆ [9]-[13]. ಮಾದಕ ವ್ಯಸನದ ಹಿಂದಿನ ಕಂಪ್ಯೂಟೇಶನಲ್ ಸಿದ್ಧಾಂತಗಳು, ಹೆಚ್ಚಾಗಿ ಬಲವರ್ಧನೆಯ ಕಲಿಕೆಯ ಚೌಕಟ್ಟಿನೊಳಗೆ ಒಡ್ಡಲ್ಪಟ್ಟವು, ವ್ಯಸನವನ್ನು ಅಭ್ಯಾಸ ಕಲಿಕೆಯ (ಪ್ರಚೋದಕ-ಪ್ರತಿಕ್ರಿಯೆ) ವ್ಯವಸ್ಥೆಯ ರೋಗಶಾಸ್ತ್ರೀಯ ಸ್ಥಿತಿಯಾಗಿ ವೀಕ್ಷಿಸಿ [9]-[13]. ಆ ಎಲ್ಲಾ ಮಾದರಿಗಳ ಹಿಂದಿನ ಕೇಂದ್ರ hyp ಹೆಯೆಂದರೆ, ಡೋಪಮೈನ್ ಸಿಗ್ನಲಿಂಗ್‌ನಲ್ಲಿನ drugs ಷಧೀಯ ಪರಿಣಾಮವು ಪ್ರಚೋದಕ-ಪ್ರತಿಕ್ರಿಯೆ ಬೋಧನಾ ಸಂಕೇತವನ್ನು ಹೊತ್ತುಕೊಂಡು, ಅಂತಹ ಸಂಘಗಳ ಕ್ರಮೇಣ ಅಧಿಕ ಬಲವರ್ಧನೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ. ಈ ಪರಿಣಾಮವು ಕಂಪಲ್ಸಿವ್ drug ಷಧ-ಬೇಡಿಕೆಯ ಅಭ್ಯಾಸಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ. ವ್ಯಸನದ ಈ ಕಡಿಮೆ ದೃಷ್ಟಿಕೋನವು ವಿದ್ಯಮಾನದ ಕೆಲವು ಅಂಶಗಳನ್ನು ಸೆರೆಹಿಡಿದಿದ್ದರೂ, ವ್ಯಸನ ಸಾಹಿತ್ಯದಲ್ಲಿ ಹೆಚ್ಚುತ್ತಿರುವ ಒಮ್ಮತವು ರೋಗಶಾಸ್ತ್ರದಲ್ಲಿ ಬಹು ಕಲಿಕಾ ವ್ಯವಸ್ಥೆಗಳು ತೊಡಗಿಕೊಂಡಿವೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಮೆದುಳಿನ ಅರಿವಿನ ಜೊತೆಗೆ ಕೆಳಮಟ್ಟದ ಅಭ್ಯಾಸ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಇಂತಹ ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾದ ಚಿತ್ರ ಮಾತ್ರ ವ್ಯಸನದಂತಹ ನಡವಳಿಕೆಗಳನ್ನು ವಿವರಿಸುತ್ತದೆ [8], [14].

ಈ ಕಾಗದದಲ್ಲಿ, ನಾವು ಕ್ರಮಾನುಗತ ಬಲವರ್ಧನೆಯ ಕಲಿಕೆಯ ವಿಧಾನವನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳುತ್ತೇವೆ [15] ಅರಿವಿನ-ಮೋಟಾರ್ ಶ್ರೇಣಿಯಲ್ಲಿ ನಿರ್ಧಾರಗಳನ್ನು ವಿವಿಧ ಹಂತದ ಅಮೂರ್ತತೆಗಳಲ್ಲಿ ಪ್ರತಿನಿಧಿಸಲಾಗುತ್ತದೆ. ಡೋಪಮೈನ್-ಅವಲಂಬಿತ ಕಲಿಕೆಯ ಸಂಕೇತಗಳ ಕ್ಯಾಸ್ಕೇಡ್ ಕ್ರಮಾನುಗತ ಮಟ್ಟವನ್ನು ಒಟ್ಟಿಗೆ ಜೋಡಿಸುತ್ತದೆ ಎಂದು ನಾವು ಭಾವಿಸುತ್ತೇವೆ [16]. ದುರುಪಯೋಗದ drugs ಷಧಗಳು ಅಮೂರ್ತತೆಯ ಮಟ್ಟಗಳ ನಡುವಿನ ಸಂವಹನ ಕಾರ್ಯವಿಧಾನವನ್ನು c ಷಧೀಯವಾಗಿ ಅಪಹರಿಸುತ್ತವೆ ಎಂದು ನಾವು ಭಾವಿಸುತ್ತೇವೆ. ಈ ump ಹೆಗಳನ್ನು ಆಧರಿಸಿ, ವ್ಯಸನಿಗಳಲ್ಲಿ ವರದಿಯಾದ ಅರಿವಿನ ಅಪಶ್ರುತಿಯು ಕ್ರಮಾನುಗತ ಬಲವರ್ಧನೆಯ ಕಲಿಕೆಯ ಚೌಕಟ್ಟಿನೊಳಗೆ ಹೊರಹೊಮ್ಮುತ್ತದೆ ಎಂದು ನಾವು ತೋರಿಸುತ್ತೇವೆ. ಈ ಅಡ್ಡಿಪಡಿಸುವಿಕೆಯು ಕಡಿಮೆ-ಮಟ್ಟದ ಅಭ್ಯಾಸ ಪ್ರಕ್ರಿಯೆಗಳಲ್ಲಿ drug ಷಧದ ಆಯ್ಕೆಗಳ ರೋಗಶಾಸ್ತ್ರೀಯ ಅತಿಯಾದ ಮೌಲ್ಯಮಾಪನಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ ಮತ್ತು ಆದ್ದರಿಂದ ಅಭ್ಯಾಸದ drug ಷಧ-ಬೇಡಿಕೆಯ ನಡವಳಿಕೆಯನ್ನು ಪ್ರೇರೇಪಿಸುತ್ತದೆ. "ಇಷ್ಟಪಡದ" ಆದರೆ ಕಂಪಲ್ಸಿವ್ drug ಷಧ-ಬೇಡಿಕೆಯನ್ನು ನಡವಳಿಕೆಯನ್ನು ನಿಯಂತ್ರಿಸುವ drug ಷಧ-ಅಪಹರಣದ ಕೆಳಮಟ್ಟದ ಅಭ್ಯಾಸ ಪ್ರಕ್ರಿಯೆಗಳೆಂದು ನಾವು ವಿವರಿಸುತ್ತೇವೆ, ಆದರೆ ಉನ್ನತ ಪ್ರಾತಿನಿಧ್ಯ ಹಂತಗಳಲ್ಲಿನ ಆರೋಗ್ಯಕರ ಅರಿವಿನ ವ್ಯವಸ್ಥೆಗಳು ನಡವಳಿಕೆಯ ಮೇಲೆ ನಿಯಂತ್ರಣವನ್ನು ಕಳೆದುಕೊಳ್ಳುತ್ತವೆ. ಇದಲ್ಲದೆ, ಪ್ರಸ್ತಾವಿತ ಮಾದರಿಯು ಅನುಕ್ರಮವಾಗಿ ವೆಂಟ್ರಲ್ ವರ್ಸಸ್ ಡಾರ್ಸಲ್ ಸ್ಟ್ರೈಟಂನಲ್ಲಿ drug ಷಧ ಕ್ಯೂ-ಹೊರಹೊಮ್ಮಿದ ಡೋಪಮೈನ್ ಹರಿವಿನ ಕ್ಷಿಪ್ರ ವರ್ಸಸ್ ವಿಳಂಬದ ಬೆಳವಣಿಗೆಗೆ ಇತ್ತೀಚಿನ ಪುರಾವೆಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು ಮತ್ತು ಡೋಪಮೈನ್ ಸುರುಳಿಯಾಕಾರದ ಸರ್ಕ್ಯೂಟ್ರಿಯ ಮೇಲೆ ಈ ಮಾದರಿಯ ಅವಲಂಬನೆಯನ್ನು ತೋರಿಸುತ್ತದೆ.

ವಸ್ತುಗಳು ಮತ್ತು ವಿಧಾನಗಳು

ಪೂರ್ವಭಾವಿಗಳು

ಶ್ರೀಮಂತ ಅರಿವಿನ ಮನೋವಿಜ್ಞಾನ ಸಾಹಿತ್ಯದೊಂದಿಗೆ, ನಮ್ಮ ಕ್ರಮಾನುಗತ ಬಲವರ್ಧನೆಯ ಕಲಿಕೆ [15], [18] ಚೌಕಟ್ಟು "ಬ್ರೂಯಿಂಗ್ ಟೀ" ನಂತಹ ಅಮೂರ್ತ ಅರಿವಿನ ಯೋಜನೆಯನ್ನು ಕೆಳ ಹಂತದ ಕ್ರಿಯೆಗಳ ಅನುಕ್ರಮವಾಗಿ ವಿಂಗಡಿಸಬಹುದು: ಕುದಿಯುವ ನೀರು, ಮಡಕೆಯಲ್ಲಿ ಚಹಾವನ್ನು ಹಾಕುವುದು ಇತ್ಯಾದಿ. ಇಂತಹ ವಿಭಜನೆಯು ಕಾಂಕ್ರೀಟ್ ಮೋಟಾರ್-ಮಟ್ಟದ ಪ್ರತಿಕ್ರಿಯೆಗಳ ತನಕ ಅತ್ಯಂತ ಕಡಿಮೆ ಮಟ್ಟದಲ್ಲಿ ಮುಂದುವರಿಯುತ್ತದೆ ಕ್ರಮಾನುಗತ (ಚಿತ್ರ 1A). ನರವಿಜ್ಞಾನದ ಪ್ರಕಾರ, ಕಾರ್ಟಿಕೊ-ಬಾಸಲ್ ಗ್ಯಾಂಗ್ಲಿಯಾ (ಬಿಜಿ) ಸರ್ಕ್ಯೂಟ್‌ನ ರೋಸ್ಟ್ರೋ-ಕಾಡಲ್ ಅಕ್ಷದ ಉದ್ದಕ್ಕೂ ಅರಿವಿನಿಂದ ಮೋಟಾರು ಮಟ್ಟಗಳವರೆಗಿನ ವಿವಿಧ ಹಂತದ ನಿರ್ಧಾರ ಕ್ರಮಾನುಗತತೆಯನ್ನು ನಿರೂಪಿಸಲಾಗಿದೆ. [19]-[21]. ಈ ಸರ್ಕ್ಯೂಟ್ ಮುಂಭಾಗದ ಕಾರ್ಟೆಕ್ಸ್ ಮತ್ತು ಬಾಸಲ್ ಗ್ಯಾಂಗ್ಲಿಯಾ ನಡುವೆ ಹಲವಾರು ಸಮಾನಾಂತರ ಮುಚ್ಚಿದ ಕುಣಿಕೆಗಳಿಂದ ಕೂಡಿದೆ [22], [23] (ಚಿತ್ರ 1B). ಮುಂಭಾಗದ ಕುಣಿಕೆಗಳು ಕ್ರಿಯೆಗಳ ಹೆಚ್ಚು ಅಮೂರ್ತ ನಿರೂಪಣೆಗೆ ಆಧಾರವಾಗಿದ್ದರೆ, ಸಂವೇದನಾ-ಮೋಟಾರ್ ಕಾರ್ಟೆಕ್ಸ್ ಮತ್ತು ಡಾರ್ಸೊಲೇಟರಲ್ ಸ್ಟ್ರೈಟಮ್ ಅನ್ನು ಒಳಗೊಂಡಿರುವ ಕಾಡಲ್ ಕುಣಿಕೆಗಳು ಕಡಿಮೆ-ಮಟ್ಟದ ಅಭ್ಯಾಸಗಳನ್ನು ಎನ್ಕೋಡ್ ಮಾಡುತ್ತದೆ [19]-[21].

ಡೌನ್ಲೋಡ್:

• PPT

  ಪವರ್ಪಾಯಿಂಟ್ ಸ್ಲೈಡ್

• PNG ಸೇರಿಸಲಾಗಿದೆ

  ದೊಡ್ಡ ಚಿತ್ರ (1.06MB)

• TIFF

  ಮೂಲ ಚಿತ್ರ (1.56MB)

ಚಿತ್ರ 1. ವರ್ತನೆಯ ಕ್ರಮಾನುಗತ ಸಂಸ್ಥೆ ಮತ್ತು ಕಾರ್ಟಿಕೊ-ಬಿಜಿ ಸರ್ಕ್ಯೂಟ್.

A, ಎರಡು ಪರ್ಯಾಯ ಆಯ್ಕೆಗಳಿಗಾಗಿ ನಿರ್ಧಾರ ಕ್ರಮಾನುಗತಕ್ಕೆ ಉದಾಹರಣೆ: ಡ್ರಗ್ ವರ್ಸಸ್ ಫುಡ್. ಪ್ರತಿಯೊಂದು ಕ್ರಿಯೆಯ ಕೋರ್ಸ್ ಅನ್ನು ವಿಭಿನ್ನ ಹಂತದ ಅಮೂರ್ತತೆಯಲ್ಲಿ ಪ್ರತಿನಿಧಿಸಲಾಗುತ್ತದೆ, ಇದನ್ನು ವಿವಿಧ ಕಾರ್ಟಿಕೊ-ಬಿಜಿ ಲೂಪ್‌ಗಳಲ್ಲಿ ಎನ್ಕೋಡ್ ಮಾಡಲಾಗಿದೆ. ಪ್ರತಿ ಎರಡು ರೀತಿಯ ಪ್ರತಿಫಲವನ್ನು ಹುಡುಕುವುದು 16 ಪರಿಮಾಣದ ಶಿಕ್ಷೆಯನ್ನು ಅನುಸರಿಸಬಹುದು. B, ವಿವಿಧ ಪ್ರಿಫ್ರಂಟಲ್ ಪ್ರದೇಶಗಳಿಂದ ಗ್ಲುಟಾಮಾಟರ್ಜಿಕ್ ಸಂಪರ್ಕಗಳು ಸ್ಟ್ರೈಟಲ್ ಉಪಪ್ರದೇಶಗಳಿಗೆ ಯೋಜಿಸುತ್ತವೆ ಮತ್ತು ನಂತರ ಪ್ಯಾಲಿಡಮ್ ಮತ್ತು ಥಾಲಮಸ್ ಮೂಲಕ ಪಿಎಫ್‌ಸಿಗೆ ಹಿಂತಿರುಗುತ್ತವೆ, ಹಲವಾರು ಸಮಾನಾಂತರ ಕುಣಿಕೆಗಳನ್ನು ರೂಪಿಸುತ್ತವೆ. ಸ್ಟ್ರೈಟೊ-ನಿಗ್ರೊ-ಸ್ಟ್ರೈಟಲ್ ಡೋಪಮೈನ್ ನೆಟ್‌ವರ್ಕ್ ಮೂಲಕ, ಸ್ಟ್ರೈಟಮ್‌ನ ಕುಹರದ ಪ್ರದೇಶಗಳು ಹೆಚ್ಚು ಡಾರ್ಸಲ್ ಪ್ರದೇಶಗಳ ಮೇಲೆ ಪ್ರಭಾವ ಬೀರುತ್ತವೆ. vmPFC, ವೆಂಟ್ರಲ್ ಮೀಡಿಯಲ್ ಪ್ರಿಫ್ರಂಟಲ್ ಕಾರ್ಟೆಕ್ಸ್; OFC, ಕಕ್ಷೀಯ ಮುಂಭಾಗದ ಕಾರ್ಟೆಕ್ಸ್; dACC, ಡಾರ್ಸಲ್ ಮುಂಭಾಗದ ಸಿಂಗ್ಯುಲೇಟ್ ಕಾರ್ಟೆಕ್ಸ್; ಎಸ್‌ಎಂಸಿ, ಸೆನ್ಸರಿ-ಮೋಟಾರ್ ಕಾರ್ಟೆಕ್ಸ್; ವಿಟಿಎ, ವೆಂಟ್ರಲ್ ಟೆಗ್ಮೆಂಟಲ್ ಪ್ರದೇಶ; ಎಸ್‌ಎನ್‌ಸಿ, ಸಬ್ಸ್ಟಾಂಟಿಯಾ ನಿಗ್ರಾ ಪಾರ್ಸ್ ಕಾಂಪ್ಯಾಕ್ಟಾ. ಚಿತ್ರ 1B Ref 21 ನಿಂದ ಮಾರ್ಪಡಿಸಲಾಗಿದೆ.

doi: 10.1371 / journal.pone.0061489.g001

ಈ ಸರ್ಕ್ಯೂಟ್ರಿಯೊಳಗೆ, ಸ್ಟ್ರೈಟಮ್‌ಗೆ ಪ್ರಕ್ಷೇಪಿಸುವ ಮಿಡ್‌ಬ್ರೈನ್ ಡೋಪಮೈನ್ (ಡಿಎ) ನ್ಯೂರಾನ್‌ಗಳ ಹಂತ ಚಟುವಟಿಕೆಯು icted ಹಿಸಲಾದ ಮತ್ತು ಪಡೆದ ಪ್ರತಿಫಲಗಳ ನಡುವಿನ ದೋಷವನ್ನು ಸಂಕೇತಿಸುತ್ತದೆ, ಇದರಿಂದಾಗಿ ಪ್ರಚೋದಕ-ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಬಲಪಡಿಸುವ ಮಾಹಿತಿಯನ್ನು ಹೊಂದಿರುತ್ತದೆ [24]. ಈ ಡೇರ್ಜಿಕ್ ಪ್ರಕ್ಷೇಪಗಳು stri ಸುರುಳಿಯಾಕಾರದ ″ ಸಂಪರ್ಕಗಳ ಮೂಲಕ ಸ್ಟ್ರೈಟಮ್‌ನ ಹೆಚ್ಚು ಕುಹರದ ಪ್ರದೇಶಗಳನ್ನು ಹಂತಹಂತವಾಗಿ ಹೆಚ್ಚು ಡಾರ್ಸಲ್ ಪ್ರದೇಶಗಳಿಗೆ ಸಂಪರ್ಕಿಸುವ ಕ್ಯಾಸ್ಕೇಡಿಂಗ್ ಸರಣಿ ಸಂಪರ್ಕವನ್ನು ರೂಪಿಸುತ್ತವೆ. [25]-[27] (ಚಿತ್ರ 1B). ಕ್ರಿಯಾತ್ಮಕವಾಗಿ, ರೋಸ್ಟ್ರಾಲ್ ಅನ್ನು ಕಾಡಲ್ ಕಾರ್ಟಿಕೊ-ಬಿಜಿ ಲೂಪ್‌ಗಳಿಗೆ ಸಂಪರ್ಕಿಸುವ ಅಂತಹ ಫೀಡ್-ಫಾರ್ವರ್ಡ್ ಸಂಸ್ಥೆ ಒರಟಾದಿಂದ ಉತ್ತಮವಾದ ಪ್ರಾತಿನಿಧ್ಯಗಳಿಗೆ ನಿರ್ದೇಶನವನ್ನು ಜೋಡಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಅಂತೆಯೇ, ಉನ್ನತ ಶ್ರೇಣಿಯ ಶ್ರೇಣಿಯಿಂದ (ವರ್ತನೆಯ ಆಯ್ಕೆಗಳ ಮೌಲ್ಯದ ಬಗ್ಗೆ ಅಮೂರ್ತ ಜ್ಞಾನವನ್ನು ಎನ್ಕೋಡಿಂಗ್ ಮಾಡುವುದು) ಪ್ರತಿಫಲ ಮುನ್ಸೂಚನೆ ದೋಷದ ಪ್ರಗತಿಪರ ಶ್ರುತಿಗಾಗಿ ನ್ಯೂರೋಬಯಾಲಾಜಿಕಲ್ ತಲಾಧಾರವನ್ನು ಒದಗಿಸಲು ಡಿಎ ಸುರುಳಿಗಳನ್ನು othes ಹಿಸಲಾಗಿದೆ. ಈ ದೋಷವನ್ನು ನಂತರ ಹೆಚ್ಚು ವಿವರವಾದ ಹಂತಗಳಲ್ಲಿ ಕ್ರಿಯೆ-ಮೌಲ್ಯಗಳನ್ನು ನವೀಕರಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ [16]. ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಡಿಎ ಸುರುಳಿಗಳು ಹೆಚ್ಚು ವಿವರವಾದ ಕ್ರಿಯಾ-ಮೌಲ್ಯಮಾಪನ ಪ್ರಕ್ರಿಯೆಗಳಲ್ಲಿ ಕಲಿಕೆಗೆ ಮಾರ್ಗದರ್ಶನ ನೀಡಲು ಅಮೂರ್ತ ಅರಿವಿನ ಮಟ್ಟದ ಮೌಲ್ಯಮಾಪನವನ್ನು ಅನುಮತಿಸುತ್ತದೆ.

ಸಿದ್ಧಾಂತದ ಸ್ಕೆಚ್

ಬಲವರ್ಧನೆಯ ಕಲಿಕೆಯ ಕಂಪ್ಯೂಟೇಶನಲ್ ಸಿದ್ಧಾಂತದ ದೃಷ್ಟಿಯಿಂದ [28] (ಆರ್ಎಲ್), ದಳ್ಳಾಲಿ (ನಮ್ಮ ಸಂದರ್ಭದಲ್ಲಿ ಒಬ್ಬ ವ್ಯಕ್ತಿ ಅಥವಾ ಪ್ರಾಣಿ) ಅದರ ಪೂರ್ವ ಅಂದಾಜು ಮೌಲ್ಯವನ್ನು ನವೀಕರಿಸುವ ಮೂಲಕ ತಿಳುವಳಿಕೆಯುಳ್ಳ ಕ್ರಮ-ಆಯ್ಕೆಗಳನ್ನು ಮಾಡಲು ಕಲಿಯುತ್ತಾನೆ, , ಪ್ರತಿ ರಾಜ್ಯ-ಕ್ರಿಯೆಯ ಜೋಡಿಗೆ, , ಪ್ರತಿಫಲವಾದಾಗ ಆ ಸಮಯದಲ್ಲಿ ಏಜೆಂಟರಿಂದ ಸ್ವೀಕರಿಸಲಾಗುತ್ತದೆ ಕ್ರಿಯೆಯನ್ನು ನಿರ್ವಹಿಸಿದ ಪರಿಣಾಮವಾಗಿ ಸಂದರ್ಭೋಚಿತ ಸ್ಥಿತಿಯಲ್ಲಿ (ಪ್ರಚೋದನೆ) . ಬೆಲೆ ಪ್ರತಿಫಲ ಮುನ್ಸೂಚನೆ ದೋಷ ಸಂಕೇತವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವ ಮೂಲಕ ನವೀಕರಿಸಲಾಗುತ್ತದೆ. ಈ ಸಂಕೇತವು ತಕ್ಷಣ ಸ್ವೀಕರಿಸಿದ ಪ್ರತಿಫಲವನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ (), ಆದರೆ ಆ ಕ್ರಿಯೆಯನ್ನು ನಿರ್ವಹಿಸಿದ ನಂತರ ದಳ್ಳಾಲಿ ಕೊನೆಗೊಳ್ಳುವ ಹೊಸ ಸ್ಥಿತಿಯ ಮೌಲ್ಯದ ಮೇಲೆಯೂ ಸಹ. ಇವರಿಂದ ಸೂಚಿಸಲಾಗಿದೆ , ಈ ತಾತ್ಕಾಲಿಕವಾಗಿ-ಸುಧಾರಿತ ಮೌಲ್ಯ-ಕಾರ್ಯವು ಫಲಿತಾಂಶದ ಸ್ಥಿತಿಯಿಂದ ಪ್ರಾಣಿ ಪಡೆಯಲು ನಿರೀಕ್ಷಿಸುವ ಭವಿಷ್ಯದ ಪ್ರತಿಫಲಗಳ ಮೊತ್ತವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ, , ನಂತರ. ಭವಿಷ್ಯದ ದೋಷವನ್ನು ಈ ಕೆಳಗಿನ ಸಮೀಕರಣದಿಂದ ಲೆಕ್ಕಹಾಕಬಹುದು:

(1)

ಅಂತರ್ಬೋಧೆಯಿಂದ, error ಹಿಸುವಿಕೆಯ ದೋಷ ಸಂಕೇತವು ಕ್ರಿಯೆಯ ನಿರೀಕ್ಷಿತ ಮತ್ತು ಅರಿತುಕೊಂಡ ಲಾಭದಾಯಕ ಮೌಲ್ಯದ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತದೆ. ಕ್ರಮಾನುಗತ ನಿರ್ಧಾರ ರಚನೆಯಲ್ಲಿ, ಆದಾಗ್ಯೂ, ಕಲಿಯುವುದಕ್ಕಿಂತ ವಿವಿಧ ಹಂತಗಳಲ್ಲಿ ಸ್ವತಂತ್ರವಾಗಿ ಮೌಲ್ಯಗಳು, ಹೆಚ್ಚು ಅಮೂರ್ತ ಮಟ್ಟಗಳು ಕೆಳಮಟ್ಟದಲ್ಲಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡಿದ ಬೋಧನಾ ಸಂಕೇತವನ್ನು ಟ್ಯೂನ್ ಮಾಡಬಹುದು. ಶ್ರೇಣಿಯ ಉನ್ನತ ಮಟ್ಟಗಳು ಪರಿಸರ ಆಕಸ್ಮಿಕಗಳ ಹೆಚ್ಚು ಅಮೂರ್ತ ಪ್ರಾತಿನಿಧ್ಯವನ್ನು ಪ್ರತಿನಿಧಿಸುವುದರಿಂದ, ಕಲಿಕೆ ಆ ಹಂತಗಳಲ್ಲಿ ವೇಗವಾಗಿ ಸಂಭವಿಸುತ್ತದೆ. ನಡವಳಿಕೆಯ ಅಮೂರ್ತ ಪ್ರಾತಿನಿಧ್ಯದ ಕಡಿಮೆ ಆಯಾಮದ ಕಾರಣದಿಂದಾಗಿ ಇದು ಸಂಭವಿಸುತ್ತದೆ: ಕ್ರಿಯಾ ಯೋಜನೆಯನ್ನು ಶ್ರೇಣಿಯ ಉನ್ನತ ಮಟ್ಟದಲ್ಲಿ ಒಂದೇ ಹಂತವಾಗಿ (ಒಂದು ಆಯಾಮ) ಮತ್ತು ಕೆಳ ಹಂತಗಳಲ್ಲಿ ಅನೇಕ ವಿವರವಾದ ಕ್ರಿಯೆಗಳಾಗಿ (ಬಹು ಆಯಾಮಗಳು) ಪ್ರತಿನಿಧಿಸಬಹುದು. ಕ್ರಮಾನುಗತ. ವಿವರವಾದ ಹಂತಗಳಿಗೆ ಹೋಲಿಸಿದರೆ ಈ ಕ್ರಿಯಾ-ಯೋಜನೆಯ ಉನ್ನತ ಮಟ್ಟದ ಮೌಲ್ಯವನ್ನು ತ್ವರಿತವಾಗಿ ಕಲಿಯಲಾಗುವುದು, ಅಲ್ಲಿ ಪ್ರತಿಫಲ ದೋಷಗಳು ಎಲ್ಲಾ ವಿವರವಾದ ಕ್ರಿಯಾ-ಹಂತಗಳನ್ನು ಹಿಂದಕ್ಕೆ ಪ್ರಚಾರ ಮಾಡಬೇಕಾಗುತ್ತದೆ. ಹೀಗಾಗಿ, ಉನ್ನತ ಮಟ್ಟದ ಮೌಲ್ಯ ಮಾಹಿತಿಯಿಂದ ಕೆಳ ಹಂತದ ಮೌಲ್ಯಗಳನ್ನು ಟ್ಯೂನ್ ಮಾಡುವುದರಿಂದ ಈ ಮೌಲ್ಯಗಳ ಒಮ್ಮುಖವನ್ನು ವೇಗಗೊಳಿಸಬಹುದು. ಹಾಗೆ ಮಾಡುವ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ ಪರಿಣಾಮಕಾರಿ ಮಾರ್ಗವೆಂದರೆ at ಹಿಸುವಿಕೆಯ ದೋಷ ಸಂಕೇತವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಅಮೂರ್ತತೆಯ ಹಂತ, , ತಾತ್ಕಾಲಿಕವಾಗಿ-ಸುಧಾರಿತ ಮೌಲ್ಯ ಕಾರ್ಯ, , ಒಂದು ಉನ್ನತ ಮಟ್ಟದ ಅಮೂರ್ತತೆಯಿಂದ ಬರುತ್ತದೆ, [16]:

(2)

ಆಪ್ಟಿಮಲಿಟಿ ಕಾಪಾಡಲು, ಅಮೂರ್ತ ಆಯ್ಕೆಯ ಕೊನೆಯ ಘಟಕದ ಪ್ರಾಚೀನ ಕ್ರಿಯೆಯನ್ನು ನಿರ್ವಹಿಸಿದಾಗ ಮಾತ್ರ ಭವಿಷ್ಯ ದೋಷವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು 2 ಸಮೀಕರಣವನ್ನು ಬಳಸಬಹುದು (ಚಿತ್ರ S1 ನೋಡಿ ಫೈಲ್ ಎಸ್ಎಕ್ಸ್ಎನ್ಎಕ್ಸ್). ಇತರ ಸಂದರ್ಭಗಳಲ್ಲಿ, 1 ಸಮೀಕರಣದಂತೆ ವಿವಿಧ ಹಂತಗಳಲ್ಲಿ ಮೌಲ್ಯ-ಕಲಿಕೆ ಸ್ವತಂತ್ರವಾಗಿ ಸಂಭವಿಸುತ್ತದೆ. ಎರಡೂ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಪೂರ್ವಭಾವಿ ಮೌಲ್ಯಗಳನ್ನು ಅನುಗುಣವಾದ ಮಟ್ಟದಲ್ಲಿ ನವೀಕರಿಸಲು ಬೋಧನಾ ಸಂಕೇತವನ್ನು ಬಳಸಲಾಗುತ್ತದೆ:

(3)
ಅಲ್ಲಿ ಕಲಿಕೆಯ ದರ. ಡಿಎ ಸರ್ಕ್ಯೂಟ್ರಿಯ ಸುರುಳಿಯಾಕಾರದ ರಚನೆಯನ್ನು ಇದು ಪ್ರತಿಬಿಂಬಿಸುವುದರಿಂದ, ಅಂತರ್-ಮಟ್ಟದ ಮಾಹಿತಿ-ಹಂಚಿಕೆಯ ಈ ರೂಪವು ಜೈವಿಕವಾಗಿ ಸಮರ್ಥನೀಯವಾಗಿದೆ, ಮಾಹಿತಿಯನ್ನು ಕ್ರಮಾನುಗತದಲ್ಲಿ ವೆಂಟ್ರೊ-ಡಾರ್ಸಲ್ ದಿಕ್ಕಿನಲ್ಲಿ ಸಾಗಿಸುತ್ತದೆ. ಅದೇ ಸಮಯದಲ್ಲಿ, ಹೆಚ್ಚು ಅಮೂರ್ತ ಮಟ್ಟಗಳಿಂದ ಮಾರ್ಗದರ್ಶನ ಪಡೆಯುವುದು ಕಲಿಕೆಯನ್ನು ಗಮನಾರ್ಹವಾಗಿ ವೇಗಗೊಳಿಸುತ್ತದೆ, ವಿವರವಾದ ಮಟ್ಟದಲ್ಲಿ ಮೌಲ್ಯ ಕಲಿಕೆಯ ಉನ್ನತ ಆಯಾಮವನ್ನು ನಿವಾರಿಸುತ್ತದೆ [16].

ಈ ಕಾಗದದಲ್ಲಿ ನಾವು ಮಾದರಿಯ ಮಾರ್ಪಡಿಸಿದ ಆವೃತ್ತಿಯ ನಡುವಿನ ಪರಸ್ಪರ ಕ್ರಿಯೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದೇವೆ ಎಂದು ತೋರಿಸುತ್ತೇವೆ [16] ಮತ್ತು ಡೋಪಮಿನರ್ಜಿಕ್ ವ್ಯವಸ್ಥೆಯಲ್ಲಿನ ದುರುಪಯೋಗದ drugs ಷಧಿಗಳ ನಿರ್ದಿಷ್ಟ c ಷಧೀಯ ಪರಿಣಾಮಗಳು ವ್ಯಸನಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಡೇಟಾವನ್ನು ಆಮೂಲಾಗ್ರವಾಗಿ ವಿಭಿನ್ನ ವಿಶ್ಲೇಷಣೆಯ ಮಾಪಕಗಳಲ್ಲಿ ಸೆರೆಹಿಡಿಯಬಹುದು: ವರ್ತನೆಯ ಮತ್ತು ಸರ್ಕ್ಯೂಟ್-ಮಟ್ಟದ ನ್ಯೂರೋಬಯಾಲಾಜಿಕಲ್. ಮೊದಲನೆಯದಾಗಿ, ಹೊಸ ಮಾದರಿಯು ಮಾದಕ ವ್ಯಸನಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಹಲವಾರು ಆಸಕ್ತಿದಾಯಕ ನಡವಳಿಕೆಯ ಅಂಶಗಳಿಗೆ ಸಂಭಾವ್ಯ ವಿವರಣೆಯನ್ನು ತರುತ್ತದೆ (ಉದಾ. ಸ್ವಯಂ-ವಿವರಿಸಿದ ತಪ್ಪು [4], [6], [7]). ಎರಡನೆಯದಾಗಿ, drug ಷಧ-ಪ್ರಚೋದಿತ ಡೋಪಮೈನ್ ಬಿಡುಗಡೆಯ ಚಲನಶೀಲತೆಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ನಾವು ವ್ಯಾಪಕವಾದ ಪುರಾವೆಗಳನ್ನು ಪಡೆಯಬಹುದು [17].

ಪ್ರಸ್ತುತಪಡಿಸಿದ ಮಾದರಿಯನ್ನು ನಾವು ಮಾರ್ಪಡಿಸುತ್ತೇವೆ [16] ಕೆಳಗಿನಂತೆ. ವರ್ಕಿಂಗ್ ಮೆಮೊರಿ ಸಾಮರ್ಥ್ಯದ ಬದಲಿಗೆ ನಾವು ಮಾದರಿಯನ್ನು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಮಾಡುತ್ತೇವೆ ಜೊತೆ , 2 ಸಮೀಕರಣದಲ್ಲಿ, ಎರಡು ಮೌಲ್ಯಗಳು ಒಂದೇ ಸ್ಥಿರ ಮಟ್ಟಕ್ಕೆ ಒಮ್ಮುಖವಾಗುವುದರಿಂದ (ಚಿತ್ರ S2 ನೋಡಿ ಫೈಲ್ ಎಸ್ಎಕ್ಸ್ಎನ್ಎಕ್ಸ್, ಕಂಪ್ಯೂಟೇಶನಲ್ ಮತ್ತು ನ್ಯೂರೋಬಯಾಲಾಜಿಕಲ್ ಆಧಾರದ ಮೇಲೆ):

(4)

ಇಲ್ಲಿ, ತುಲನಾತ್ಮಕವಾಗಿ ಅಮೂರ್ತ ಆಯ್ಕೆಯಾಗಿದೆ ಮತ್ತು ಈ ಆಯ್ಕೆಯನ್ನು ಪೂರ್ಣವಾಗಿ ತುಂಬುವ ವರ್ತನೆಯ ಅನುಕ್ರಮದಲ್ಲಿನ ಕೊನೆಯ ಪ್ರಾಚೀನ ಕ್ರಿಯೆಯಾಗಿದೆ. ಅಂತೆಯೇ, ಇದರ ಲಾಭದಾಯಕ ಮೌಲ್ಯವಾಗಿದೆ , ಇದು ಒಳಗೊಂಡಿದೆ (ಇದರ ಲಾಭದಾಯಕ ಮೌಲ್ಯ ).

ಬಹುಮುಖ್ಯವಾಗಿ, ಮಾನವರು ದುರುಪಯೋಗಪಡಿಸಿಕೊಳ್ಳುವ ವಿವಿಧ drugs ಷಧಿಗಳು ಸ್ಟ್ರೈಟಂನೊಳಗೆ op ಷಧೀಯವಾಗಿ ಹೆಚ್ಚುತ್ತಿರುವ ಡೋಪಮೈನ್ ಸಾಂದ್ರತೆಯ ಮೂಲಭೂತ ಆಸ್ತಿಯನ್ನು ಹಂಚಿಕೊಳ್ಳುತ್ತವೆ [29]. ಅಂತೆಯೇ, ನಾವು ಪಕ್ಷಪಾತವನ್ನು ಸೇರಿಸುವ ಮೂಲಕ drug ಷಧದ ಈ c ಷಧೀಯ ಪರಿಣಾಮವನ್ನು ಸಂಯೋಜಿಸುತ್ತೇವೆ, , (ಸಹ ನೋಡಿ [9]-[12]) ಡೋಪಮೈನ್ ನ್ಯೂರಾನ್‌ಗಳು ನಡೆಸುವ error ಹೆಯ ದೋಷ ಸಂಕೇತಕ್ಕೆ (ಚಿತ್ರ S3 ನೋಡಿ ಫೈಲ್ ಎಸ್ಎಕ್ಸ್ಎನ್ಎಕ್ಸ್, ಕಂಪ್ಯೂಟೇಶನಲ್ ಮತ್ತು ನ್ಯೂರೋಬಯಾಲಾಜಿಕಲ್ ಆಧಾರದ ಮೇಲೆ):

(5)

ಇಲ್ಲಿ ಡಿಎ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ drug ಷಧದ ನೇರ c ಷಧೀಯ ಪರಿಣಾಮವನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತದೆ, ಮತ್ತು ಯೂಫೋರಿಜೆನಿಕ್ ಪರಿಣಾಮಗಳಿಂದಾಗಿ ಅದರ ಬಲಪಡಿಸುವ ಮೌಲ್ಯವಾಗಿದೆ (ನೋಡಿ ಫೈಲ್ ಎಸ್ಎಕ್ಸ್ಎನ್ಎಕ್ಸ್ ಪೂರಕ ಮಾಹಿತಿಗಾಗಿ).

ನಮ್ಮ ಮಾದರಿಯಲ್ಲಿನ ಮೌಲ್ಯಗಳನ್ನು ನವೀಕರಿಸಲು 3 ಮತ್ತು 5 ಸಮೀಕರಣಗಳು ಒಟ್ಟಾಗಿ ಕಂಪ್ಯೂಟೇಶನಲ್ ಕಾರ್ಯವಿಧಾನವನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿದರೆ, ಅನಿಶ್ಚಿತತೆ ಆಧಾರಿತ ಸ್ಪರ್ಧೆಯ ಕಾರ್ಯವಿಧಾನವು ನಡವಳಿಕೆಯನ್ನು ನಿಯಂತ್ರಿಸುವ ಅಮೂರ್ತತೆಯ ಮಟ್ಟವನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ ಎಂದು ನಾವು hyp ಹಿಸುತ್ತೇವೆ. ರಲ್ಲಿ ಪ್ರಸ್ತಾಪಿಸಲಾದ ಕಾರ್ಯವಿಧಾನದಿಂದ ಇದು ಸ್ಫೂರ್ತಿ ಪಡೆದಿದೆ [29] ಅಭ್ಯಾಸ ಮತ್ತು ಗುರಿ-ನಿರ್ದೇಶಿತ ವ್ಯವಸ್ಥೆಗಳ ನಡುವಿನ ಮಧ್ಯಸ್ಥಿಕೆಗಾಗಿ. ಈ ನಿಟ್ಟಿನಲ್ಲಿ, ಪ್ರತಿ ನಿರ್ಧಾರದ ಹಂತದಲ್ಲಿ, ಆಯ್ಕೆಗಳ ಮೌಲ್ಯವನ್ನು ಅಂದಾಜು ಮಾಡುವಲ್ಲಿ ಹೆಚ್ಚಿನ ನಿಶ್ಚಿತತೆಯೊಂದಿಗೆ ಅಮೂರ್ತತೆಯ ಮಟ್ಟ ಮಾತ್ರ ವರ್ತನೆಯನ್ನು ನಿಯಂತ್ರಿಸುತ್ತದೆ. ಈ ಹಂತವು ಕಾರ್ಯನಿರ್ವಹಿಸುವ ನಿರ್ಧಾರವನ್ನು ತೆಗೆದುಕೊಂಡ ನಂತರ, ಪ್ರಾಚೀನ ಮೋಟಾರು ಪ್ರತಿಕ್ರಿಯೆಗಳ ಅನುಕ್ರಮವಾಗಿ ಆಯ್ದ ಕ್ರಿಯೆಯನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಲು ಕ್ರಮಾನುಗತತೆಯ ಎಲ್ಲಾ ಕೆಳ ಹಂತಗಳನ್ನು ಈ ಪ್ರಬಲ ಮಟ್ಟದಿಂದ ನಿಯೋಜಿಸಲಾಗುತ್ತದೆ (ನೋಡಿ ಫೈಲ್ ಎಸ್ಎಕ್ಸ್ಎನ್ಎಕ್ಸ್ ಪೂರಕ ಮಾಹಿತಿಗಾಗಿ; ಚಿತ್ರ S4 ಫೈಲ್ ಎಸ್ಎಕ್ಸ್ಎನ್ಎಕ್ಸ್; ಚಿತ್ರ S5 ಫೈಲ್ ಎಸ್ಎಕ್ಸ್ಎನ್ಎಕ್ಸ್). ಪರಿಸರದಿಂದ ಪ್ರತಿಫಲ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಸ್ವೀಕರಿಸಿದ ನಂತರ, ಎಲ್ಲಾ ಹಂತಗಳಲ್ಲಿನ ಮೌಲ್ಯಗಳನ್ನು ನವೀಕರಿಸಲಾಗುತ್ತದೆ. ಈ ಅನಿಶ್ಚಿತತೆ-ಆಧಾರಿತ ಮಧ್ಯಸ್ಥಿಕೆ ಕಾರ್ಯವಿಧಾನವು ಅಮೂರ್ತ ಪ್ರಕ್ರಿಯೆಗಳು ಹೆಚ್ಚು ಮೃದುವಾಗಿರುವುದರಿಂದ, ಕಲಿಕೆಯ ಆರಂಭಿಕ ಹಂತಗಳಲ್ಲಿ ಅವು ಉತ್ತಮ ಮೌಲ್ಯ-ಅಂದಾಜು ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿರುತ್ತವೆ ಮತ್ತು ಆದ್ದರಿಂದ, ಈ ಹಂತಗಳಲ್ಲಿ ನಡವಳಿಕೆಯನ್ನು ನಿಯಂತ್ರಿಸುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಅಮೂರ್ತ ಮಟ್ಟಗಳು ಪರಿಸರದ ಒರಟಾದ ಪ್ರಾತಿನಿಧ್ಯವನ್ನು ಬಳಸುವುದರಿಂದ (ಉದಾ. ತುಲನಾತ್ಮಕವಾಗಿ ಕಡಿಮೆ ಸಂಖ್ಯೆಯ ಆಧಾರ ಕಾರ್ಯಗಳನ್ನು ಹೊಂದಿರುವುದರಿಂದ), ಅವುಗಳ ಅಂತಿಮ ಮೌಲ್ಯ ಅಂದಾಜು ಸಾಮರ್ಥ್ಯವು ವಿವರವಾದ ಹಂತಗಳಂತೆ ನಿಖರವಾಗಿರುವುದಿಲ್ಲ. ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ವ್ಯಾಪಕ ತರಬೇತಿಯ ನಂತರ ಅಂದಾಜು ಮೌಲ್ಯಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ನಿಶ್ಚಿತತೆಯು ಮೇಲಿನ ಹಂತಗಳಿಗೆ ಹೋಲಿಸಿದರೆ ಕ್ರಮಾನುಗತತೆಯ ಕೆಳ ಹಂತಗಳಿಗೆ ಕಡಿಮೆ ಇರುತ್ತದೆ. ಆದ್ದರಿಂದ, ಪ್ರಗತಿಪರ ಕಲಿಕೆಯೊಂದಿಗೆ, ಕ್ರಮಾನುಗತತೆಯ ಕೆಳ ಹಂತಗಳು ಕ್ರಿಯಾ ಆಯ್ಕೆಯ ಮೇಲಿನ ನಿಯಂತ್ರಣವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತವೆ, ಏಕೆಂದರೆ ಅವುಗಳ ಅನಿಶ್ಚಿತತೆಯು ಕ್ರಮೇಣ ಕಡಿಮೆಯಾಗುತ್ತದೆ. Drug ಷಧ-ಬೇಡಿಕೆಯ ಮೇಲಿನ ನಿಯಂತ್ರಣದಲ್ಲಿ (ಹಾಗೆಯೇ ನೈಸರ್ಗಿಕ ಪ್ರತಿಫಲವನ್ನು ಹುಡುಕುವಲ್ಲಿ) ಕುಹರದ ಸ್ಟ್ರೈಟಮ್‌ನ ಮೇಲೆ ಡಾರ್ಸಲ್‌ನ ಪ್ರಗತಿಪರ ಪ್ರಾಬಲ್ಯವನ್ನು ತೋರಿಸುವ ಹಲವಾರು ಸಾಕ್ಷಿಗಳೊಂದಿಗೆ ಇದು ಒಪ್ಪಂದವಾಗಿದೆ. [8], [30], [31].

ಫಲಿತಾಂಶಗಳು

ಕ್ರಮಾನುಗತ ಮೌಲ್ಯಮಾಪನ ಅಸಂಗತತೆಯು drug ಷಧದ ಅಡಿಯಲ್ಲಿ ಹೊರಹೊಮ್ಮುತ್ತದೆ ಆದರೆ ನೈಸರ್ಗಿಕ ಪ್ರತಿಫಲವಲ್ಲ

ಹಿಂದಿನ ಬಲವರ್ಧನೆಯ ಕಲಿಕೆ-ಆಧಾರಿತ ವ್ಯಸನದ ಮಾದರಿಗಳಿಗೆ ವ್ಯತಿರಿಕ್ತವಾಗಿದೆ [9]-[13] ಇದು ಏಕ-ನಿರ್ಧಾರ-ವ್ಯವಸ್ಥೆಯ ವಿಧಾನವನ್ನು ಆಧರಿಸಿದೆ, ನಮ್ಮ ಖಾತೆಯು ಬಹು-ಸಂವಹನ-ವ್ಯವಸ್ಥೆಗಳ ಚೌಕಟ್ಟಿನ ಮೇಲೆ ನಿರ್ಮಿತವಾಗಿದೆ. ಇದರ ಪರಿಣಾಮವಾಗಿ, ನಮ್ಮ ಮಾದರಿಯಲ್ಲಿನ error ಹೆಯ ದೋಷ ಸಂಕೇತದ ಮೇಲೆ ಮಾಡೆಲಿಂಗ್ drug ಷಧದ ಪರಿಣಾಮವು ಹಿಂದಿನದಕ್ಕೆ ಹೋಲುತ್ತದೆ [9]-[12], ಇದು ಮೂಲಭೂತವಾಗಿ ವಿಭಿನ್ನ ಪರಿಣಾಮಗಳಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ. Drug ಷಧ-ಪ್ರೇರಿತ ಅಸ್ಥಿರ ಡೋಪಮೈನ್ ಹೆಚ್ಚಳವು ಶ್ರೇಣಿಯ ಪ್ರತಿಯೊಂದು ಹಂತದಲ್ಲೂ ತಕ್ಷಣದ ಮುನ್ಸೂಚನೆ ದೋಷವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ ಮತ್ತು ಇದರ ಪರಿಣಾಮವಾಗಿ, ಒಂದು ಪಕ್ಷಪಾತವನ್ನು ಪ್ರವೇಶಿಸುತ್ತದೆ, , ಶ್ರೇಣಿಯ ಒರಟಾದಿಂದ ಉತ್ತಮವಾದ ದಿಕ್ಕಿನಲ್ಲಿ, ಒಂದು ಹಂತದ ಅಮೂರ್ತತೆಯಿಂದ ಇನ್ನೊಂದಕ್ಕೆ ಜ್ಞಾನದ ವರ್ಗಾವಣೆಯ ಮೇಲೆ. ಈ ಪಕ್ಷಪಾತವು ಒಂದು ನಿರ್ದಿಷ್ಟ ಮಟ್ಟದಲ್ಲಿ drug ಷಧ-ಬೇಡಿಕೆಯ ಲಕ್ಷಣರಹಿತ ಮೌಲ್ಯವನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ ಒಂದು ಹೆಚ್ಚು ಅಮೂರ್ತ ಪದರಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ಘಟಕಗಳು (ಚಿತ್ರ 2B). ರೋಸ್ಟ್ರೊ-ಕಾಡಲ್ ಅಕ್ಷದ ಉದ್ದಕ್ಕೂ ಈ ವ್ಯತ್ಯಾಸಗಳ ಕ್ರೋ ulation ೀಕರಣವು ಕ್ರಮಾನುಗತವಾಗಿ ಕ್ರಮಾನುಗತತೆಯ ಮೇಲಿನ ಮತ್ತು ಕೆಳಗಿನ ವಿಪರೀತಗಳ ನಡುವೆ drug ಷಧ-ಬೇಡಿಕೆಯ ನಡವಳಿಕೆಗಳ ಮೌಲ್ಯದಲ್ಲಿ ಗಮನಾರ್ಹ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ. ಆದ್ದರಿಂದ, ಬಲವಾದ ಶಿಕ್ಷೆಯನ್ನು ಅನುಸರಿಸಿದಾಗಲೂ ಸಹ, drug ಷಧ-ಸಂಬಂಧಿತ ನಡವಳಿಕೆಯ ಮೌಲ್ಯವು ಕಡಿಮೆ-ಮಟ್ಟದ ಮೋಟಾರ್ ಕುಣಿಕೆಗಳಲ್ಲಿ ಸಕಾರಾತ್ಮಕವಾಗಿ ಉಳಿಯುತ್ತದೆ, ಆದರೆ ಅದು ಅರಿವಿನ ಮಟ್ಟದಲ್ಲಿ negative ಣಾತ್ಮಕವಾಗುತ್ತದೆ. ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಡಿಎ ಸುರುಳಿಗಳ ಮೇಲೆ drug ಷಧದ ಪರಿಣಾಮವು ಶೇಖರಣೆಯಾಗುವುದರಿಂದ ಮೋಟಾರು-ಮಟ್ಟದ ಅಭ್ಯಾಸಗಳಲ್ಲಿ drug ಷಧ-ಬೇಡಿಕೆಯ ಮೌಲ್ಯವನ್ನು ಅಂತಹ ಹೆಚ್ಚಿನ ವೈಶಾಲ್ಯಕ್ಕೆ ಹೆಚ್ಚಿಸುತ್ತದೆ ಎಂದು ಬಲವಾದ ts ಹಿಸುತ್ತದೆ, ಬಲವಾದ ನೈಸರ್ಗಿಕ ಶಿಕ್ಷೆ ಕೂಡ ಅದನ್ನು ಸಾಕಷ್ಟು ಕಡಿಮೆ ಮಾಡಲು ಸಾಧ್ಯವಾಗುವುದಿಲ್ಲ. ವ್ಯಸನಿಗಳಲ್ಲಿ ಮಾದಕವಸ್ತು ಸಂಬಂಧಿತ ನಡವಳಿಕೆಗಳ ಅರಿವಿನ ಮತ್ತು ಕಡಿಮೆ ಮಟ್ಟದ ಮೌಲ್ಯಮಾಪನದ ನಡುವಿನ ಅಸಂಗತತೆಯನ್ನು ಇದು ವಿವರಿಸುತ್ತದೆ ಎಂದು ನಾವು ಸೂಚಿಸುತ್ತೇವೆ. ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಕಂಪಲ್ಸಿವ್ ಡ್ರಗ್ ಅನ್ವೇಷಣೆ ಮತ್ತು ಸಂಬಂಧಿತ ವೆಚ್ಚಗಳಿಗೆ ಗಮನಾರ್ಹವಾಗಿ ಕಡಿಮೆಯಾದ ಸ್ಥಿತಿಸ್ಥಾಪಕತ್ವವು ನಿರ್ಧಾರದ ಶ್ರೇಣಿಯ ಹಂತಗಳಲ್ಲಿ ಮಾಹಿತಿಯನ್ನು ವರ್ಗಾಯಿಸುವ ಡೋಪಮೈನ್-ಅವಲಂಬಿತ ಕಾರ್ಯವಿಧಾನವನ್ನು ಅಪಹರಿಸುವ drug ಷಧದ c ಷಧೀಯ ಪರಿಣಾಮದಿಂದ ಉಂಟಾಗುತ್ತದೆ ಎಂದು ನಾವು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ.

ಡೌನ್ಲೋಡ್:

• PPT

  ಪವರ್ಪಾಯಿಂಟ್ ಸ್ಲೈಡ್

• PNG ಸೇರಿಸಲಾಗಿದೆ

  ದೊಡ್ಡ ಚಿತ್ರ (289KB)

• TIFF

  ಮೂಲ ಚಿತ್ರ (471KB)

ಚಿತ್ರ 2. ಅಮೂರ್ತತೆಯ ವಿವಿಧ ಹಂತಗಳಲ್ಲಿ ಆಹಾರ ಮತ್ತು drug ಷಧಕ್ಕಾಗಿ ಪ್ರೇರಣೆ (ಸಿಮ್ಯುಲೇಶನ್ ಫಲಿತಾಂಶಗಳು).

ಯಾವುದೇ ಶಿಕ್ಷೆಯು ಪ್ರತಿಫಲವನ್ನು ಅನುಸರಿಸದ ಮೊದಲ 150 ಪ್ರಯೋಗಗಳಲ್ಲಿ, ಎಲ್ಲಾ ಹಂತಗಳಲ್ಲಿ ನೈಸರ್ಗಿಕ ಪ್ರತಿಫಲಗಳನ್ನು ಪಡೆಯುವ ಮೌಲ್ಯವು 10 ಗೆ ಒಮ್ಮುಖವಾಗುತ್ತದೆ (A). Drug ಷಧದ ವಿಷಯದಲ್ಲಿ, ಆದಾಗ್ಯೂ, drug ಷಧದ ನೇರ c ಷಧೀಯ ಪರಿಣಾಮ (, ಗೆ ಹೊಂದಿಸಲಾಗಿದೆ) ಪ್ರತಿ ಹಂತದಲ್ಲಿ ಲಕ್ಷಣರಹಿತ ಮೌಲ್ಯಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ ಒಂದು ಉನ್ನತ ಮಟ್ಟದ ಅಮೂರ್ತತೆಗಿಂತ ಹೆಚ್ಚಿನ ಘಟಕಗಳು (B). ಹೀಗಾಗಿ, ಶಿಕ್ಷೆಯ ನಂತರ, ಅರಿವಿನ ಕುಣಿಕೆಗಳು drug ಷಧ-ಬೇಡಿಕೆಯ ಆಯ್ಕೆಗೆ ನಕಾರಾತ್ಮಕ ಮೌಲ್ಯವನ್ನು ಸರಿಯಾಗಿ ನಿಗದಿಪಡಿಸಿದರೆ, ಮೋಟಾರು-ಮಟ್ಟದ ಕುಣಿಕೆಗಳು drug ಷಧ-ಅಪೇಕ್ಷಣೀಯ (ಸಕಾರಾತ್ಮಕ ಮೌಲ್ಯ) ವನ್ನು ಕಂಡುಕೊಳ್ಳುತ್ತವೆ. ಈ ಚಿತ್ರದಲ್ಲಿನ ವಕ್ರಾಕೃತಿಗಳು “ಒಂದು” ಅನುಕರಿಸಿದ ಪ್ರಾಣಿಗಳಲ್ಲಿನ ಮೌಲ್ಯಗಳ ವಿಕಾಸವನ್ನು ತೋರಿಸುತ್ತವೆ ಮತ್ತು ಆದ್ದರಿಂದ, ಯಾವುದೇ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಶ್ಲೇಷಣೆ ಅನ್ವಯಿಸುವುದಿಲ್ಲ.

doi: 10.1371 / journal.pone.0061489.g002

Drug ಷಧಗಳು, ನಮ್ಮ ಮಾದರಿಯಲ್ಲಿ, ಮಟ್ಟಗಳಾದ್ಯಂತ ಅಸಮತೋಲಿತ ಮೌಲ್ಯಮಾಪನಕ್ಕೆ ಕಾರಣವಾಗಿದ್ದರೆ, ಡಿಎ ಸಿಗ್ನಲಿಂಗ್ ಕಾರ್ಯವಿಧಾನದ ಮೇಲೆ ನೇರ c ಷಧೀಯ ಪರಿಣಾಮದ ಕೊರತೆಯಿಂದಾಗಿ ನೈಸರ್ಗಿಕ ಪ್ರತಿಫಲಗಳ ಮೌಲ್ಯವು ಎಲ್ಲಾ ಹಂತಗಳಲ್ಲೂ ಒಂದೇ ಮೌಲ್ಯಕ್ಕೆ ಒಮ್ಮುಖವಾಗುತ್ತದೆ.). ಇದರ ಪರಿಣಾಮವಾಗಿ, ನೈಸರ್ಗಿಕ ಪ್ರತಿಫಲಗಳ ಸಂದರ್ಭದಲ್ಲಿ ವಿವರವಾದ ಮಟ್ಟಗಳಲ್ಲಿ ಅಸಂಗತತೆ ಅಥವಾ ಅತಿಯಾದ ಮೌಲ್ಯಮಾಪನವನ್ನು ಗಮನಿಸಲಾಗುವುದಿಲ್ಲ (ಚಿತ್ರ 2A). ಕ್ರಮಾನುಗತತೆಯ ಕೆಳ ಹಂತಗಳಲ್ಲಿ drug ಷಧ-ಬೇಡಿಕೆಯ ಪ್ರತಿಕ್ರಿಯೆಗಳ ಅತಿಯಾದ ಮೌಲ್ಯಮಾಪನವು ನೈಸರ್ಗಿಕ ಪ್ರತಿಫಲಗಳಿಗಿಂತ drugs ಷಧಿಗಳ ಅಸಹಜ ಆದ್ಯತೆಗೆ ಕಾರಣವಾಗಬಹುದು ಮತ್ತು drug ಷಧ-ಸಂಬಂಧಿತ ಚಟುವಟಿಕೆಗಳಲ್ಲಿ ಅತಿಯಾಗಿ ತೊಡಗಿಸಿಕೊಳ್ಳಬೇಕು.

Drug ಷಧ-ಸಂಬಂಧಿತ ಸೂಚನೆಗಳಿಗೆ ಕುಹರದ ವಿರುದ್ಧ ಡಾರ್ಸಲ್ ಸ್ಟ್ರೈಟಂನಲ್ಲಿ ಪ್ರತಿಕ್ರಿಯಿಸುವ ಡಿಫರೆನ್ಷಿಯಲ್ ಡೋಪಮೈನ್

ನರವಿಜ್ಞಾನದ ಪ್ರಕಾರ, ಮಾದಕವಸ್ತು-ಬೇಡಿಕೆಯ ನಡವಳಿಕೆಯ ಸ್ವಾಧೀನ ಮತ್ತು ಅಭಿವ್ಯಕ್ತಿಯಲ್ಲಿ ಸ್ಟ್ರೈಟಲ್ ಉಪಪ್ರದೇಶಗಳ ಭೇದಾತ್ಮಕ ಪಾತ್ರಗಳು ವ್ಯಸನ ಸಂಶೋಧನೆಯಲ್ಲಿ ಕೇಂದ್ರ ಹಂತವನ್ನು ಪಡೆದಿವೆ. ವಿಭಿನ್ನ ರೀತಿಯ ಸಂಶೋಧನೆಗಳಿಂದ ಪುರಾವೆಗಳನ್ನು ಪರಿವರ್ತಿಸುವುದರಿಂದ ಮನರಂಜನೆಯಿಂದ ಕಂಪಲ್ಸಿವ್ ಮಾದಕವಸ್ತು ಬಳಕೆಗೆ ವರ್ತನೆಯ ಪರಿವರ್ತನೆಯು ಕುಹರದಿಂದ ಡಾರ್ಸೊಲೇಟರಲ್ ಸ್ಟ್ರೈಟಮ್‌ಗೆ ಮೌಲ್ಯಮಾಪನದ ನ್ಯೂರೋಬಯಾಲಾಜಿಕಲ್ ಬದಲಾವಣೆಯನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. [8], [33], [34], ನಮ್ಮ ಮಾದರಿಯಲ್ಲಿ ಅರಿವಿನಿಂದ ವಿವರವಾದ ಮಟ್ಟಕ್ಕೆ ಬದಲಾವಣೆಗೆ ಅನುರೂಪವಾಗಿದೆ. ನಮ್ಮ ಮಾದರಿಗೆ ಅನುಗುಣವಾಗಿ, ಸ್ಟ್ರೈಟಮ್‌ನ ಹಂತಹಂತವಾಗಿ ಹೆಚ್ಚು ಡಾರ್ಸಲ್ ಪ್ರದೇಶಗಳಿಗೆ ಕುಹರವನ್ನು ಸಂಪರ್ಕಿಸುವ ಡಿಎ ಸ್ಪೈರಲಿಂಗ್ ನೆಟ್‌ವರ್ಕ್ ಈ ಪರಿವರ್ತನೆಯಲ್ಲಿ ಪ್ರಮುಖ ಪಾತ್ರ ವಹಿಸುತ್ತದೆ ಎಂದು ತೋರಿಸಲಾಗಿದೆ [25].

ಇತ್ತೀಚಿನ ಪ್ರಮುಖ ಅಧ್ಯಯನದಲ್ಲಿ ವಿಲ್ಲುಹ್ನ್ ಮತ್ತು ಇತರರು. [17] ಕೊಕೇನ್ ಅನುಭವಿಸಿದ ಮೂರು ವಾರಗಳಲ್ಲಿ ಇಲಿಗಳ ಕುಹರದ ಮತ್ತು ಡಾರ್ಸೊಲೇಟರಲ್ ಸ್ಟ್ರೈಟಂನಲ್ಲಿನ drug ಷಧ-ಸಂಬಂಧಿತ ಸೂಚನೆಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯೆಯಾಗಿ ಡೋಪಮೈನ್ ಬಿಡುಗಡೆಯ ಮಾದರಿಯನ್ನು ನಿರ್ಣಯಿಸಲಾಗಿದೆ. ಫಾಸ್ಟ್-ಸ್ಕ್ಯಾನ್ ಸೈಕ್ಲಿಕ್ ವೋಲ್ಟಮೆಟ್ರಿಯನ್ನು ಬಳಸಿಕೊಂಡು, ನಿರ್ಣಾಯಕ ಅವಲೋಕನವೆಂದರೆ, ಕುಹರದ ಸ್ಟ್ರೈಟಂನಲ್ಲಿ ಕ್ಯೂ-ಪ್ರೇರಿತ ಡಿಎ ಹರಿವು ಬಹಳ ಸೀಮಿತ ತರಬೇತಿಯ ನಂತರವೂ ಹೊರಹೊಮ್ಮುತ್ತದೆ. ಇದಕ್ಕೆ ವ್ಯತಿರಿಕ್ತವಾಗಿ, ಡಾರ್ಸೊಲೇಟರಲ್ ಸ್ಟ್ರೈಟಮ್ ಕ್ಯೂ-ಪ್ರಚೋದಿತ ಡಿಎ ಹರಿವನ್ನು ವ್ಯಾಪಕ ತರಬೇತಿಯ ನಂತರವೇ ತೋರಿಸಿತು, ಮತ್ತು ಇಪ್ಸಿಲ್ಯಾಟರಲ್ ಗೋಳಾರ್ಧದಲ್ಲಿ ವೆಂಟ್ರಲ್ ಸ್ಟ್ರೈಟಮ್ ಲೆಸಿಯಾನ್ ಮಾಡಿದಾಗ ಈ ಬಿಡುಗಡೆ ಮಾದರಿಯ ಅಭಿವೃದ್ಧಿಯು ಕಣ್ಮರೆಯಾಯಿತು.

ಫಾಸ್ಟ್-ಸ್ಕ್ಯಾನ್ ವೋಲ್ಟ್ಯಾಮೆಟ್ರಿಯ ತಾತ್ಕಾಲಿಕ ರೆಸಲ್ಯೂಶನ್ ಸಾಂದ್ರತೆಯಲ್ಲಿ ಉಪ ಸೆಕೆಂಡ್ ಏರಿಳಿತಗಳನ್ನು ಸೆರೆಹಿಡಿಯುವುದರಿಂದ, ಡಿಎ ಹರಿವಿನ ಗಮನಿಸಿದ ಮಾದರಿಯನ್ನು “ಫಸಿಕ್” ಡಿಎ ಸಿಗ್ನಲಿಂಗ್‌ಗೆ ಕಾರಣವೆಂದು ಹೇಳಬೇಕು ಮತ್ತು ಡೋಪಮೈನ್‌ನ ಆರ್ಎಲ್ ಸಿದ್ಧಾಂತದ ಪ್ರಕಾರ ಭವಿಷ್ಯದ ದೋಷ ಸಂಕೇತಕ್ಕೆ ಕಾರಣವಾಗಬೇಕು. [24]. ಆರ್ಎಲ್ ಸಿದ್ಧಾಂತದ ಪ್ರಕಾರ, ಅನಿರೀಕ್ಷಿತ ಪ್ರಚೋದನೆಯನ್ನು ಗಮನಿಸಿದಾಗ error ಹಿಸುವ ದೋಷ ಸಂಕೇತವು ಆ ಪ್ರಚೋದನೆಯು ts ಹಿಸುವ ಲಾಭದಾಯಕ ಮೌಲ್ಯಕ್ಕೆ ಸಮಾನವಾಗಿರುತ್ತದೆ. ಆದ್ದರಿಂದ, ಕ್ಯೂ-ಪ್ರೇರಿತ ಡಿಎ ಬಿಡುಗಡೆ ಆ ಕ್ಯೂ icted ಹಿಸಿದ ಮೌಲ್ಯಕ್ಕೆ ಸಮಾನವಾಗಿರುತ್ತದೆ.

ಈ ನಿಟ್ಟಿನಲ್ಲಿ, ನಮ್ಮ ಕ್ರಮಾನುಗತ ಚೌಕಟ್ಟಿನಲ್ಲಿ ವರದಿಯಾದ ವೆಂಟ್ರಲ್ ವರ್ಸಸ್ ಡಾರ್ಸಲ್ ಸ್ಟ್ರೈಟಲ್ ಡಿಎ ಹರಿವಿನ ಭೇದಾತ್ಮಕ ಮಾದರಿಗೆ formal ಪಚಾರಿಕ ವಿವರಣೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ [17]. ಶ್ರೇಣಿಯ ಅಮೂರ್ತ ಅರಿವಿನ ಮಟ್ಟದಲ್ಲಿ drug ಷಧ-ಸಂಬಂಧಿತ ಕ್ಯೂ icted ಹಿಸಿದ ಮೌಲ್ಯವು ತರಬೇತಿಯ ಆರಂಭಿಕ ಹಂತಗಳಲ್ಲಿ ವೇಗವಾಗಿ ಹೆಚ್ಚಾಗುತ್ತದೆ (ಚಿತ್ರ 2B), ಹೆಚ್ಚಿನ ಮಟ್ಟದ ಅಮೂರ್ತತೆಯಲ್ಲಿ ಕಲಿಕೆಯ ಸಮಸ್ಯೆಯ ಕಡಿಮೆ ಆಯಾಮದ ಕಾರಣ. ಪರಿಣಾಮವಾಗಿ, ಸೀಮಿತ ಮಾದರಿಯ ತರಬೇತಿಯ ನಂತರವೂ ಕ್ಯೂ-ಪ್ರೇರಿತ ಡಿಎ ಹರಿವನ್ನು ಕುಹರದ ಸ್ಟ್ರೈಟಂನಲ್ಲಿ ಗಮನಿಸಬೇಕು ಎಂದು ನಮ್ಮ ಮಾದರಿ ತೋರಿಸುತ್ತದೆ (ಚಿತ್ರ 3). ಆದಾಗ್ಯೂ, ಹೆಚ್ಚು ವಿವರವಾದ ಪ್ರಾತಿನಿಧ್ಯ ಮಟ್ಟದಲ್ಲಿ, ಕಲಿಕೆಯ ಪ್ರಕ್ರಿಯೆಯು ನಿಧಾನವಾಗಿರುತ್ತದೆ (ಚಿತ್ರ 2B), ಸಮಸ್ಯೆಯ ಸ್ಥಳದ ಹೆಚ್ಚಿನ ಆಯಾಮದ ಕಾರಣದಿಂದಾಗಿ, ಡಿಎ ಸುರುಳಿಗಳ ಮೂಲಕ ಹೆಚ್ಚು ಅಮೂರ್ತ ಮಟ್ಟವನ್ನು ಕಲಿಯುವ ಅವಲಂಬನೆಯಿಂದಾಗಿ. ಪರಿಣಾಮವಾಗಿ, ಡಾರ್ಸೊಲೇಟರಲ್ ಸ್ಟ್ರೈಟಂನಲ್ಲಿನ ಕ್ಯೂ-ಪ್ರೇರಿತ ಡಿಎ ಹರಿವು ಕ್ರಮೇಣ ಅಭಿವೃದ್ಧಿ ಹೊಂದಬೇಕು ಮತ್ತು ವ್ಯಾಪಕ ತರಬೇತಿಯ ನಂತರವೇ ಗಮನಿಸಬಹುದಾಗಿದೆ (ಚಿತ್ರ 3).

ಡೌನ್ಲೋಡ್:

• PPT

  ಪವರ್ಪಾಯಿಂಟ್ ಸ್ಲೈಡ್

• PNG ಸೇರಿಸಲಾಗಿದೆ

  ದೊಡ್ಡ ಚಿತ್ರ (447KB)

• TIFF

  ಮೂಲ ಚಿತ್ರ (896KB)

ಚಿತ್ರ 3. Drug ಷಧ-ಸಂಬಂಧಿತ ಸೂಚನೆಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯೆಯಾಗಿ ವಿಭಿನ್ನ ಸ್ಟ್ರೈಟಲ್ ಉಪಪ್ರದೇಶಗಳಲ್ಲಿ ಡೋಪಮೈನ್ ಹರಿವು (ಸಿಮ್ಯುಲೇಶನ್ ಫಲಿತಾಂಶಗಳು).

ಪ್ರಾಯೋಗಿಕ ಡೇಟಾಗೆ ಅನುಗುಣವಾಗಿ [17], ಮಾದಕವಸ್ತು-ಸಂಬಂಧಿತ ಸೂಚನೆಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯೆಯಾಗಿ, ಸೀಮಿತ ಮತ್ತು ವ್ಯಾಪಕ ತರಬೇತಿಯ ನಂತರ, ಕುಹರದ ಸ್ಟ್ರೈಟಂನಲ್ಲಿ ಡೋಪಮೈನ್ ಒಳಹರಿವು ಇರುತ್ತದೆ ಎಂದು ಮಾದರಿ ತೋರಿಸುತ್ತದೆ (ಎಡ ಕಾಲಮ್). ಆದಾಗ್ಯೂ, ಹೆಚ್ಚು ಡಾರ್ಸೊಲೇಟರಲ್ ಉಪಪ್ರದೇಶಗಳಲ್ಲಿ, ಕ್ಯೂ-ಎಲೈಟೆಡ್ ಡಿಎ ಹರಿವು ಕಲಿಕೆಯ ಅವಧಿಯಲ್ಲಿ ಕ್ರಮೇಣ ಅಭಿವೃದ್ಧಿಗೊಳ್ಳುತ್ತದೆ. ಡಾರ್ಸಲ್ ಸ್ಟ್ರೈಟಂನಲ್ಲಿ ಕ್ಯೂ-ಎಲೈಟೆಡ್ ಡಿಎ ಹರಿವಿನ ಈ ವಿಳಂಬ ಅಭಿವೃದ್ಧಿಯು ಡಿಎ-ಅವಲಂಬಿತ ಸರಣಿ ಸಂಪರ್ಕವನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ, ಅದು ಕುಹರವನ್ನು ಡಾರ್ಸಲ್ ಸ್ಟ್ರೈಟಮ್‌ಗೆ ಸಂಪರ್ಕಿಸುತ್ತದೆ ಎಂದು ಮಾದರಿ (ಹಿಸುತ್ತದೆ (ಬಲದಿಂದ ಎರಡನೇ ಕಾಲಮ್). ಅಂದರೆ, ಡಿಎ ಸುರುಳಿಗಳನ್ನು ಸಂಪರ್ಕ ಕಡಿತಗೊಳಿಸಿದ ಪರಿಣಾಮವಾಗಿ, ಕ್ಯೂ-ಎಲೈಟೆಡ್ ಡಿಎ ಪ್ರತಿಕ್ರಿಯೆ ಕುಹರದ ಸ್ಟ್ರೈಟಂನಲ್ಲಿ ಹಾಗೇ ಉಳಿದಿದೆ, ಇದು ಡಾರ್ಸೊಲೇಟರಲ್ ಸ್ಟ್ರೈಟಂನಲ್ಲಿ ಗಮನಾರ್ಹವಾಗಿ ಕಡಿಮೆಯಾಗುತ್ತದೆ. ಇದಲ್ಲದೆ, ಲೆಸಿಯಾನ್ಡ್ ವೆಂಟ್ರಲ್ ಸ್ಟ್ರೈಟಮ್ನ ಸಂದರ್ಭದಲ್ಲಿ ಡಾರ್ಸೊಲೇಟರಲ್ ಸ್ಟ್ರೈಟಟಮ್ನಲ್ಲಿ ಕ್ಯೂ-ಪ್ರೇರಿತ ಡಿಎ ಹರಿವಿಗೆ ಮಾದರಿಯು (ಬಲದಿಂದ ಮೂರನೇ ಕಾಲಮ್) ಇದೇ ರೀತಿಯ ಫಲಿತಾಂಶಗಳನ್ನು ts ಹಿಸುತ್ತದೆ. ಅಂತಿಮವಾಗಿ, ಅಖಂಡ ಪ್ರಾಣಿಗಳಲ್ಲಿ ವ್ಯಾಪಕವಾದ drug ಷಧ-ಕ್ಯೂ ಜೋಡಣೆಯ ನಂತರ, ಒಂದು ಶಿಕ್ಷೆಯು drug ಷಧವನ್ನು ಅನುಸರಿಸುತ್ತದೆ, ಮಾದರಿಯು (ಹಿಸುವ ಕಾಲಮ್) drug ಷಧ-ಸಂಬಂಧಿತ ಕ್ಯೂ ಡಿಎ ಸುರುಳಿಗಳ ಕುಹರದ ಕಾಲಿನ ಪ್ರತಿಬಂಧಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ, ಸೀಮಿತ ತರಬೇತಿಯ ನಂತರವೂ. ಆದಾಗ್ಯೂ, ಹೆಚ್ಚು ಡಾರ್ಸಲ್ ಪ್ರದೇಶಗಳಲ್ಲಿ, ಕಲಿಕೆಯ ಸಮಯದಲ್ಲಿ ಡಿಎ ಹರಿವು ನಿಧಾನವಾಗಿ ಕಡಿಮೆಯಾಗುತ್ತದೆ, ಆದರೆ ವ್ಯಾಪಕವಾದ drug ಷಧ-ಶಿಕ್ಷೆಯ ಜೋಡಣೆಯ ನಂತರವೂ ಧನಾತ್ಮಕವಾಗಿ ಉಳಿಯುತ್ತದೆ. ಈ ಚಿತ್ರದಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾದ ಡೇಟಾವನ್ನು "ಒಂದು" ಅನುಕರಿಸಿದ ಪ್ರಾಣಿಗಳಿಂದ ಪಡೆಯಲಾಗುತ್ತದೆ ಮತ್ತು ಆದ್ದರಿಂದ, ಯಾವುದೇ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಶ್ಲೇಷಣೆ ಅನ್ವಯಿಸುವುದಿಲ್ಲ.

doi: 10.1371 / journal.pone.0061489.g003

ಇದಲ್ಲದೆ, ನಮ್ಮ ಮಾದರಿಯು ಸಾಕ್ಷ್ಯವನ್ನು ವಿವರಿಸುತ್ತದೆ [17] ಡಾರ್ಸೊಲೇಟರಲ್ ಸ್ಟ್ರೈಟಂನಲ್ಲಿ ಕ್ಯೂ-ಎಲೈಟೆಡ್ ಡಿಎ ಹರಿವಿನ ವಿಳಂಬ ಅಭಿವೃದ್ಧಿಯು ಕುಹರದ ಸ್ಟ್ರೈಟಮ್ ಅನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ (ಚಿತ್ರ 3). ನಮ್ಮ ಮಾದರಿಯಲ್ಲಿ, ವೆಂಟ್ರಲ್ ಸ್ಟ್ರೈಟಮ್‌ನ ಅನುಕರಿಸಿದ ಏಕಪಕ್ಷೀಯ ಲೆಸಿಯಾನ್ (ಮಾದರಿಯಲ್ಲಿನ ಅಮೂರ್ತ ಮೌಲ್ಯಮಾಪನ ಮಟ್ಟ) ಇಪ್ಸಿಲ್ಯಾಟರಲ್ ಗೋಳಾರ್ಧದಲ್ಲಿ ವಿವರವಾದ ಮಟ್ಟದಲ್ಲಿ drug ಷಧಿ ಕ್ಯೂ- icted ಹಿಸಲಾದ ಮೌಲ್ಯವನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಹೀಗಾಗಿ, ಕ್ಯೂ-ಪ್ರೇರಿತ ಡಿಎ ಒಳಹರಿವಿನ ಮಟ್ಟವನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. ಕುಹರದ ಸ್ಟ್ರೈಟಮ್‌ನ ಲೆಸಿಯಾನ್ ಅನ್ನು ರೂಪಿಸುವ ಸಲುವಾಗಿ, ನಾವು ಎಲ್ಲಾ ಪ್ರಚೋದಕಗಳ ಮೌಲ್ಯವನ್ನು ಶ್ರೇಣಿಯ ಉನ್ನತ ಮಟ್ಟದಲ್ಲಿ ಶೂನ್ಯಕ್ಕೆ ಸರಿಪಡಿಸುತ್ತೇವೆ.

ಅಂತೆಯೇ, ಡಾರ್ಸೊಲೇಟರಲ್ ಸ್ಟ್ರೈಟಂನಲ್ಲಿ ಫಸಿಕ್ ಡಿಎ ಸಿಗ್ನಲಿಂಗ್ ಅಭಿವೃದ್ಧಿಯು ಡಿಎ ಸ್ಪೈರಲಿಂಗ್ ಸರ್ಕ್ಯೂಟ್ನ ಸಮಗ್ರತೆಯನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ ಎಂದು ನಮ್ಮ ಮಾದರಿ ts ಹಿಸುತ್ತದೆ (ಚಿತ್ರ 3). ವಾಸ್ತವವಾಗಿ, ನಮ್ಮ ಮಾದರಿಯಲ್ಲಿನ ಡಿಎ ಸುರುಳಿಯಾಕಾರದ ಸರ್ಕ್ಯೂಟ್‌ನಲ್ಲಿನ ಸಂಪರ್ಕ ಕಡಿತವು ಅಮೂರ್ತತೆಯ ಮಟ್ಟದಾದ್ಯಂತ ಸಂವಹನವನ್ನು ಕಡಿತಗೊಳಿಸುತ್ತದೆ, ಇದು ನಿರ್ಧಾರದ ಶ್ರೇಣಿಯ ಮಟ್ಟದಲ್ಲಿ, ಬಲವರ್ಧನೆಯ ಸಂಕೇತದ ಮೇಲೆ drug ಷಧ-ಪ್ರೇರಿತ ಪಕ್ಷಪಾತವನ್ನು ಸಂಗ್ರಹಿಸುವುದನ್ನು ತಡೆಯುತ್ತದೆ. ವೆಂಟ್ರಲ್‌ನಿಂದ ಡಾರ್ಸಲ್ ಸ್ಟ್ರೈಟಮ್‌ನ ಡಿಎ-ಅವಲಂಬಿತ ಸೀರಿಯಲ್ ಸರ್ಕ್ಯೂಟ್ರಿಯಲ್ಲಿ ಸಂಪರ್ಕ ಕಡಿತಗೊಳಿಸಲು, ತಾತ್ಕಾಲಿಕವಾಗಿ ಮುಂದುವರಿದ ಸ್ಥಿತಿಯ ಮೌಲ್ಯವನ್ನು ತಕ್ಷಣದ ಎತ್ತರದಿಂದ ಪಡೆಯದೆ, ಸ್ಥಳೀಯವಾಗಿ ಭವಿಷ್ಯದ ದೋಷ ಸಂಕೇತವನ್ನು ಸ್ಥಳೀಯವಾಗಿ (ಸಮೀಕರಣ 3 ನಂತೆ) ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ನಾವು ಪ್ರತಿ ಹಂತದ ಅಮೂರ್ತತೆಯನ್ನು ಕ್ಲ್ಯಾಂಪ್ ಮಾಡುತ್ತೇವೆ. ಅಮೂರ್ತತೆಯ ಮಟ್ಟ.

ಇದಲ್ಲದೆ, ಕೊಕೇನ್ ಮತ್ತು ಕೊಕೇನ್ ಸಂಬಂಧಿತ ಸೂಚನೆಗಳೊಂದಿಗೆ ವ್ಯಾಪಕವಾದ ತರಬೇತಿಯ ನಂತರ, ಮೇಲಿನ ಪ್ರಯೋಗದಂತೆ, ಒಬ್ಬರು ಕೊಕೇನ್ ವಿತರಣೆಯನ್ನು ಬಲವಾದ ಶಿಕ್ಷೆಯೊಂದಿಗೆ ಜೋಡಿಸಲು ಪ್ರಾರಂಭಿಸಿದರೆ ಕ್ಯೂ-ಎಲೈಟೆಡ್ ಡಿಎ ಹರಿವಿನ ಮಾದರಿಯು ಬದಲಾಗುತ್ತದೆ ಎಂದು ಮಾದರಿ ts ಹಿಸುತ್ತದೆ. ಕೊಕೇನ್-ಸಂಬಂಧಿತ ಕ್ಯೂಗೆ ಪ್ರತಿಕ್ರಿಯೆಯಾಗಿ ಡಿಎ ಹೊರಹರಿವು ಕುಹರದ ಸ್ಟ್ರೈಟಟಮ್ನಲ್ಲಿ ಬೇಸ್ಲೈನ್ಗಿಂತ ವೇಗವಾಗಿ ಕಡಿಮೆಯಾಗುತ್ತದೆ ಎಂದು ನಾವು ict ಹಿಸುತ್ತೇವೆ. ಆದಾಗ್ಯೂ, ಡಾರ್ಸೊಲೇಟರಲ್ ಸ್ಟ್ರೈಟಟಮ್‌ನಲ್ಲಿ, ಕ್ಯೂ-ಪ್ರೇರಿತ ಡಿಎ ಬಿಡುಗಡೆಯು ಬೇಸ್‌ಲೈನ್‌ಗಿಂತ ಮೇಲಿರಬೇಕು (ಚಿತ್ರ 3) ಸಂಭವನೀಯ ವಿಳಂಬ ಭಾಗಶಃ ಇಳಿಕೆಯೊಂದಿಗೆ. ಅರಿವಿನ ಮಟ್ಟದಲ್ಲಿ negative ಣಾತ್ಮಕ (ಬೇಸ್‌ಲೈನ್‌ಗಿಂತ ಕೆಳಗಿರುವ) ಮೌಲ್ಯಗಳ ಹೊರತಾಗಿಯೂ, ವಿವರವಾದ ಮಟ್ಟದಲ್ಲಿ drug ಷಧ ಪ್ರಚೋದನೆಗೆ ಸಕಾರಾತ್ಮಕ ವ್ಯಕ್ತಿನಿಷ್ಠ ಮೌಲ್ಯವನ್ನು ನಿಯೋಜಿಸುವುದನ್ನು ಇದು ಸೂಚಿಸುತ್ತದೆ. ಈ ಮುನ್ಸೂಚನೆಯು ಶಿಕ್ಷೆಯನ್ನು ಮೆದುಳಿನಿಂದ ನಕಾರಾತ್ಮಕ ಪ್ರತಿಫಲವಾಗಿ ಪರಿಗಣಿಸುತ್ತದೆ ಎಂಬ on ಹೆಯ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ ಎಂಬುದು ಗಮನಾರ್ಹ. ಈ umption ಹೆಯು ಸ್ವಲ್ಪ ವಿವಾದಾಸ್ಪದವಾಗಿದೆ: ಇದನ್ನು ಪ್ರಾಯೋಗಿಕ ಅಧ್ಯಯನಗಳು ಸ್ಪಷ್ಟವಾಗಿ ಬೆಂಬಲಿಸುತ್ತವೆ [35], ಇನ್ನೂ ಇತರರು ಚರ್ಚಿಸಿದ್ದಾರೆ [14], [36]. ಈ ಮುನ್ಸೂಚನೆಯನ್ನು ಹೊರತುಪಡಿಸಿ, ಮಾದರಿಯ ಇತರ ಅಂಶಗಳು ಶಿಕ್ಷೆಯನ್ನು ಡೋಪಮೈನ್‌ನಿಂದ ಎನ್ಕೋಡ್ ಮಾಡಲಾಗಿದೆಯೆ ಅಥವಾ ಇನ್ನೊಂದು ಸಿಗ್ನಲಿಂಗ್ ವ್ಯವಸ್ಥೆಯಿಂದ ಅವಲಂಬಿಸಿರುವುದಿಲ್ಲ.

ವಿಲ್ಲುಹ್ನ್ ಮತ್ತು ಇತರರು ಬಳಸುವ ತರಬೇತಿ ಕಟ್ಟುಪಾಡು. [34] ಕಂಪಲ್ಸಿವ್ drug ಷಧ-ಬೇಡಿಕೆಯ ನಡವಳಿಕೆಯನ್ನು ಉತ್ಪಾದಿಸಲು ಸಾಕಷ್ಟು ವಿಸ್ತರಿಸಲಾಗಿಲ್ಲ, ಇದು ಮಾದಕವಸ್ತು-ಸಂಬಂಧಿತ ಶಿಕ್ಷೆಗಳಿಗೆ ಸೂಕ್ಷ್ಮತೆಯಿಲ್ಲ [37], [38]. ಹೀಗಾಗಿ, ಡಿಎಲ್‌ಎಸ್‌ನಲ್ಲಿ ಕ್ಯೂ-ಪ್ರೇರಿತ ಡಿಎ ಪ್ರತಿಕ್ರಿಯೆಯ ವಿಳಂಬ ಅಭಿವೃದ್ಧಿ ಮತ್ತು ಕಂಪಲ್ಸಿವ್ ಪ್ರತಿಕ್ರಿಯೆಯ ತಡವಾದ ಅಭಿವೃದ್ಧಿಯ ನಡುವಿನ ಸಂಬಂಧವೇನು ಎಂಬುದು ಉತ್ತರಿಸಬೇಕಾದ ಪ್ರಮುಖ ಪ್ರಶ್ನೆಯಾಗಿದೆ. ನಮ್ಮ ಮಾದರಿಯ ಪ್ರಕಾರ, ಕಂಪಲ್ಸಿವ್ ನಡವಳಿಕೆಗೆ ಕ್ರಮಾನುಗತತೆಯ ಕಡಿಮೆ ಮಟ್ಟದಲ್ಲಿ drug ಷಧ ಆಯ್ಕೆಯ ಅತಿಯಾದ ಮೌಲ್ಯಮಾಪನ ಮಾತ್ರವಲ್ಲ, ಅಮೂರ್ತ ಅರಿವಿನಿಂದ ಕೆಳಮಟ್ಟದ ಅಭ್ಯಾಸ ಪ್ರಕ್ರಿಯೆಗಳಿಗೆ ವರ್ತನೆಯ ಮೇಲಿನ ನಿಯಂತ್ರಣವನ್ನು ವರ್ಗಾಯಿಸುವುದು ಸಹ ಅಗತ್ಯವಾಗಿರುತ್ತದೆ. ಈ ಎರಡು ಪ್ರಕ್ರಿಯೆಗಳ ಸಮಯದ ಪ್ರಮಾಣವು ಭಾಗಶಃ ಪರಸ್ಪರ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ: ಅತಿಯಾದ ಮೌಲ್ಯಮಾಪನ ಪ್ರಕ್ರಿಯೆಯು error ಹಿಸುವಿಕೆಯ ದೋಷ ಸಂಕೇತವನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ, ಆದರೆ ವರ್ತನೆಯ ನಿಯಂತ್ರಣದ ವರ್ಗಾವಣೆಯು ಮೌಲ್ಯ-ಅಂದಾಜಿನಲ್ಲಿನ ಸಾಪೇಕ್ಷ ಅನಿಶ್ಚಿತತೆಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ. ಆದ್ದರಿಂದ, ಕ್ರಮಾನುಗತತೆಯ ಕಡಿಮೆ ಮಟ್ಟದಲ್ಲಿ drug ಷಧ-ಸಂಬಂಧಿತ ಸೂಚನೆಗಳ ಅತಿಯಾದ ಮೌಲ್ಯಮಾಪನವು ವರ್ತನೆಯ ಮೇಲಿನ ನಿಯಂತ್ರಣವನ್ನು ಮೇಲಿನಿಂದ ಕ್ರಮಾನುಗತಕ್ಕೆ ಬದಲಾಯಿಸುವ ಮೊದಲು ಆಗಬಹುದು. ಎರಡು ಪ್ರಕ್ರಿಯೆಗಳ ನಿಖರವಾದ ಸಮಯ ಮಾಪಕಗಳು ಕ್ರಮವಾಗಿ ಕಲಿಕೆಯ ದರ ಮತ್ತು ವಿವಿಧ ಹಂತಗಳಲ್ಲಿ ಅಂತರ್ಗತವಾಗಿರುವ ಶಬ್ದವನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ (ನೋಡಿ ಫೈಲ್ ಎಸ್ಎಕ್ಸ್ಎನ್ಎಕ್ಸ್ ಪೂರಕ ಮಾಹಿತಿಗಾಗಿ). ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಕಂಪಲ್ಸಿವ್ drug ಷಧ-ಬೇಡಿಕೆಯು ವರ್ತನೆಯಿಂದ ಸ್ಪಷ್ಟವಾಗಿ ಗೋಚರಿಸುವ ಮೊದಲು ಡಿಎಲ್‌ಎಸ್‌ನಲ್ಲಿನ ಕ್ಯೂ-ಪ್ರೇರಿತ ಡೋಪಮೈನ್ ಹರಿವು ಗಮನಾರ್ಹವಾಗಿ ಬೆಳೆಯುವ ಸಾಧ್ಯತೆಯಿದೆ.

ನೈಸರ್ಗಿಕ ಪ್ರತಿಫಲಗಳ ವಿರುದ್ಧ drugs ಷಧಿಗಳ ಅಸಮಂಜಸ ಮೌಲ್ಯಮಾಪನದ ವರ್ತನೆಯ ಪರಿಣಾಮಗಳು

ವರ್ತನೆಯಂತೆ, ನಮ್ಮ ಮಾದರಿಯಲ್ಲಿ, ಸ್ವಯಂಪ್ರೇರಿತ ಮಾದಕವಸ್ತು ಬಳಕೆಯ ಆರಂಭಿಕ ಹಂತಗಳಲ್ಲಿ ಶಿಕ್ಷೆಯನ್ನು drug ಷಧದೊಂದಿಗೆ ಜೋಡಿಸಿದರೆ, ಮಾದಕವಸ್ತು-ಬೇಡಿಕೆಯ ಪ್ರತಿಕ್ರಿಯೆಯ ಅಮೂರ್ತ ಮೌಲ್ಯವು ವೇಗವಾಗಿ ನಕಾರಾತ್ಮಕವಾಗುತ್ತದೆ. ಈ ಆರಂಭಿಕ ಹಂತಗಳಲ್ಲಿ drug ಷಧ-ಅನ್ವೇಷಣೆಯನ್ನು ಅಮೂರ್ತ ಮಟ್ಟದಿಂದ ನಿಯಂತ್ರಿಸಲಾಗುತ್ತದೆ ಎಂದು uming ಹಿಸಿದರೆ, drug ಷಧ ಆಯ್ಕೆಯ negative ಣಾತ್ಮಕ ಅಮೂರ್ತ ಮೌಲ್ಯಮಾಪನವು ಆ ಕ್ರಿಯೆಯ ಹಾದಿಯನ್ನು ಇನ್ನು ಮುಂದೆ ಅನುಭವಿಸಲು ಇಷ್ಟವಿರುವುದಿಲ್ಲ. ಇದು ಕಾಲಾನಂತರದಲ್ಲಿ drugs ಷಧಿಗಳ ಕಡೆಗೆ ಕಡಿಮೆ ಮಟ್ಟದ ಆದ್ಯತೆಯನ್ನು ಬಲಪಡಿಸುವುದನ್ನು ತಡೆಯುತ್ತದೆ. ಹೀಗಾಗಿ, ಮಾದಕವಸ್ತು ಸೇವನೆಯ ಆರಂಭಿಕ ಹಂತಗಳಲ್ಲಿ costs ಷಧಿ ಆಯ್ಕೆಗಳ ಸ್ಥಿತಿಸ್ಥಾಪಕತ್ವವನ್ನು ಮಾದರಿಯು ವಿವರಿಸುತ್ತದೆ, ಆದರೆ ದೀರ್ಘಕಾಲದ ಬಳಕೆಯ ನಂತರ ಅಲ್ಲ. ಸ್ಥಿರವಾಗಿ, ವ್ಯಸನದ ಪ್ರಾಣಿಗಳ ಮಾದರಿಗಳು ಮಾದಕವಸ್ತುವಿಗೆ ಸಂಬಂಧಿಸಿದ ಹಾನಿಕಾರಕ ಪರಿಣಾಮಗಳಿಗೆ ಮಾದಕವಸ್ತು-ಬೇಡಿಕೆಯ ಪ್ರತಿಕ್ರಿಯೆಗಳ ಸೂಕ್ಷ್ಮತೆಯು ದೀರ್ಘಕಾಲದ drug ಷಧ ಸ್ವ-ಆಡಳಿತದ ನಂತರವೇ ಬೆಳವಣಿಗೆಯಾಗುತ್ತದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ, ಆದರೆ ಸೀಮಿತ drug ಷಧ ಬಳಕೆಯಲ್ಲ [37], [38]. ನಮ್ಮ ಸಿದ್ಧಾಂತಕ್ಕೆ ವಿರುದ್ಧವಾಗಿ, ವ್ಯಸನದ ಹಿಂದಿನ ಕಂಪ್ಯೂಟೇಶನಲ್ ಮಾದರಿಗಳು [9], [10] ಸಾಕ್ಷ್ಯದ ಈ ದೇಹಕ್ಕೆ ನೇರ ವಿರೋಧಾಭಾಸವಿದೆ, ಏಕೆಂದರೆ drug ಷಧಿ ಬಳಕೆಯನ್ನು ತಕ್ಷಣವೇ ಅನುಸರಿಸುವ ಪ್ರತಿಕೂಲ ನಡವಳಿಕೆಯ ಫಲಿತಾಂಶಗಳು, drugs ಷಧಿಗಳನ್ನು ಅನುಭವಿಸುವ ಆರಂಭಿಕ ಹಂತಗಳಲ್ಲಿಯೂ ಸಹ ಯಾವುದೇ ಪ್ರೇರಕ ಪರಿಣಾಮವನ್ನು ಬೀರುವುದಿಲ್ಲ ಎಂದು ಅವರು ict ಹಿಸಿದ್ದಾರೆ (ನೋಡಿ ಫೈಲ್ ಎಸ್ಎಕ್ಸ್ಎನ್ಎಕ್ಸ್ ಪೂರಕ ಮಾಹಿತಿಗಾಗಿ).

ಮಾದಕವಸ್ತು ಫಲಿತಾಂಶಗಳಿಗೆ ಪರಿಣಾಮವನ್ನು ತಡೆಯುವ ಸಂಭವಕ್ಕೆ ನಮ್ಮ ಮಾದರಿ ಮತ್ತಷ್ಟು ಕಾರಣವಾಗಿದೆ [39]. ನಿರ್ಬಂಧಿಸುವುದು ಒಂದು ಕಂಡೀಷನಿಂಗ್ ವಿದ್ಯಮಾನವಾಗಿದೆ, ಅಲ್ಲಿ ಒಂದು ಪ್ರಚೋದನೆಯ ಮೊದಲು ಜೋಡಿಸುವಿಕೆಯು ಫಲಿತಾಂಶದೊಂದಿಗೆ ವಿಭಿನ್ನ ಪ್ರಚೋದಕ ಬಿ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ರಚಿಸುವುದನ್ನು ನಿರ್ಬಂಧಿಸುತ್ತದೆ, ನಂತರದ ತರಬೇತಿ ಹಂತದಲ್ಲಿ ಆ ಫಲಿತಾಂಶದೊಂದಿಗೆ ಫಲಿತಾಂಶವನ್ನು ತಲುಪಿಸುವ ಮೊದಲು ಎ ಮತ್ತು ಬಿ ಎರಡನ್ನೂ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗುತ್ತದೆ [40]. ಪಾವ್ಲೋವಿಯನ್ ಪ್ರಾಯೋಗಿಕ ವಿನ್ಯಾಸದಲ್ಲಿ ನಮ್ಮ ಮಾದರಿಯನ್ನು ಅನುಕರಿಸುವ ಫಲಿತಾಂಶಗಳು (ನೋಡಿ ಫೈಲ್ ಎಸ್ಎಕ್ಸ್ಎನ್ಎಕ್ಸ್ ಮಾದರಿಯ ಪಾವ್ಲೋವಿಯನ್ ಆವೃತ್ತಿಯ ಪೂರಕ ಮಾಹಿತಿಗಾಗಿ) ನೈಸರ್ಗಿಕ ಪ್ರತಿಫಲಗಳು ಮತ್ತು drugs ಷಧಿಗಳ ಎರಡೂ ಪ್ರಕರಣಗಳಿಗೆ, ಶ್ರೇಣಿಯ ಒಂದು ನಿರ್ದಿಷ್ಟ ಹಂತದ ಅಂದಾಜು ಮೌಲ್ಯವು ಅದರ ಸ್ಥಿರ ಸ್ಥಿತಿಯನ್ನು ತಲುಪಿದಾಗ (ಮಿತಿಯಿಲ್ಲದೆ ಬೆಳೆಯುವ ಬದಲು), ಹೆಚ್ಚಿನ ಕಲಿಕೆ ಸಂಭವಿಸುವುದಿಲ್ಲ ಮಟ್ಟ, error ಹೆಯ ದೋಷ ಸಂಕೇತವು ಶೂನ್ಯಕ್ಕೆ ಇಳಿದಿರುವುದರಿಂದ (ಚಿತ್ರ 4). ಹೀಗಾಗಿ, ಈಗಾಗಲೇ ಉತ್ತೇಜಿಸಲಾದ ಪ್ರತಿಫಲದೊಂದಿಗೆ ಹೊಸ ಪ್ರಚೋದನೆಯನ್ನು ಸಂಯೋಜಿಸುವುದನ್ನು ನಿರ್ಬಂಧಿಸಲಾಗುತ್ತದೆ. Drug ಷಧ ಮತ್ತು ನೈಸರ್ಗಿಕ ಬಲವರ್ಧಕಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ನಿರ್ಬಂಧಿಸುವ ಪರಿಣಾಮವನ್ನು ತೋರಿಸುವ ವರ್ತನೆಯ ಪುರಾವೆಗಳು [39] ಹಿಂದೆ ಪ್ರಸ್ತಾಪಿಸಲಾದ ಡೋಪಮೈನ್ ಆಧಾರಿತ ಕಂಪ್ಯೂಟೇಶನಲ್ ಮಾದರಿಯನ್ನು ವ್ಯಸನವನ್ನು ಟೀಕಿಸಲು ಪ್ರಮುಖ ವಾದವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ [9]. ಪ್ರಾತಿನಿಧ್ಯಗಳ ಕ್ರಮಾನುಗತ ಸ್ವರೂಪ ಮತ್ತು ಡಾರ್ಸಲ್-ವೆಂಟ್ರಲ್ ಸುರುಳಿಯಾಕಾರದ ಡೋಪಮೈನ್ ಲೂಪ್ ಸಂಘಟನೆಯ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುವುದು ವಾಸ್ತವವಾಗಿ ನಿರ್ಬಂಧಿಸುವ ದತ್ತಾಂಶಕ್ಕೆ ಕಾರಣವಾಗಬಹುದು ಮತ್ತು ಆ ಮೂಲಕ ಈ ಟೀಕೆಗಳನ್ನು ತಪ್ಪಿಸಬಹುದು ಎಂದು ಇಲ್ಲಿ ನಾವು ತೋರಿಸಿದ್ದೇವೆ (ನೋಡಿ ಫೈಲ್ ಎಸ್ಎಕ್ಸ್ಎನ್ಎಕ್ಸ್ ಪೂರಕ ಮಾಹಿತಿಗಾಗಿ).

ಡೌನ್ಲೋಡ್:

• PPT

  ಪವರ್ಪಾಯಿಂಟ್ ಸ್ಲೈಡ್

• PNG ಸೇರಿಸಲಾಗಿದೆ

  ದೊಡ್ಡ ಚಿತ್ರ (360KB)

• TIFF

  ಮೂಲ ಚಿತ್ರ (615KB)

ಚಿತ್ರ 4. ನೈಸರ್ಗಿಕ ವರ್ಸಸ್ ಡ್ರಗ್ ರಿವಾರ್ಡ್‌ಗಳಿಗೆ ಪರಿಣಾಮವನ್ನು ನಿರ್ಬಂಧಿಸುವುದು.

ನೈಸರ್ಗಿಕ ಪ್ರತಿಫಲಗಳಿಗಾಗಿ ನಿರ್ಬಂಧಿಸುವುದು ಸಂಭವಿಸುತ್ತದೆ ಎಂದು ಮಾದರಿ ts ಹಿಸುತ್ತದೆ (A) ಮತ್ತು drugs ಷಧಗಳು (B), ಆರಂಭಿಕ ತರಬೇತಿ ಅವಧಿ “ವಿಸ್ತಾರ” ವಾಗಿದ್ದರೆ ಮಾತ್ರ, ಮೊದಲ ಪ್ರಚೋದನೆಯು ಫಲಿತಾಂಶದ ಮೌಲ್ಯವನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ts ಹಿಸುತ್ತದೆ. “ಮಧ್ಯಮ” ತರಬೇತಿಯ ನಂತರ, ಹೆಚ್ಚು ಮೃದುವಾದ ಅರಿವಿನ ಮಟ್ಟಗಳು ಮೌಲ್ಯಗಳನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ict ಹಿಸುತ್ತವೆ ಮತ್ತು ಇದರಿಂದಾಗಿ ಮುಂದಿನ ಕಲಿಕೆಯನ್ನು ನಿರ್ಬಂಧಿಸಿ. ಆದಾಗ್ಯೂ, ಎರಡನೇ ತರಬೇತಿ ಹಂತ (ಎರಡೂ ಪ್ರಚೋದಕಗಳ ಏಕಕಾಲಿಕ ಪ್ರಸ್ತುತಿ) ಪ್ರಾರಂಭವಾದಾಗ ಕಲಿಕೆಯು ಕೆಳಮಟ್ಟದ ಪ್ರಕ್ರಿಯೆಗಳಲ್ಲಿ ಇನ್ನೂ ಸಕ್ರಿಯವಾಗಿದೆ. ಹೀಗಾಗಿ, ನೈಸರ್ಗಿಕ ಪ್ರತಿಫಲಗಳೊಂದಿಗಿನ ತಡೆಯುವ ಪ್ರಯೋಗದಲ್ಲಿ ಮಧ್ಯಮ ಆರಂಭಿಕ ತರಬೇತಿಯು ಅರಿವಿನ / ವರ್ತನೆಯ ಅಸಂಗತತೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ ಎಂದು ನಮ್ಮ ಮಾದರಿ ts ಹಿಸುತ್ತದೆ. ಈ ಚಿತ್ರದಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾದ ಡೇಟಾವನ್ನು "ಒಂದು" ಅನುಕರಿಸಿದ ಪ್ರಾಣಿಗಳಿಂದ ಪಡೆಯಲಾಗುತ್ತದೆ ಮತ್ತು ಆದ್ದರಿಂದ, ಯಾವುದೇ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಶ್ಲೇಷಣೆ ಅನ್ವಯಿಸುವುದಿಲ್ಲ.

doi: 10.1371 / journal.pone.0061489.g004

ಮೊದಲೇ ಹೇಳಿದಂತೆ, ಕಲಿಕೆಯ ಸಮಯದಲ್ಲಿ ನಡವಳಿಕೆಯ ಮೇಲಿನ ನಿಯಂತ್ರಣದಲ್ಲಿ ಕುಹರದ ಸ್ಟ್ರೈಟಮ್‌ನ ಮೇಲೆ ಡಾರ್ಸಲ್‌ನ ಪ್ರಗತಿಪರ ಪ್ರಾಬಲ್ಯವನ್ನು ಹಲವಾರು ಸಾಕ್ಷಿಗಳು ತೋರಿಸುತ್ತವೆ [8], [31], [32]. ಆ ಸಾಕ್ಷ್ಯಗಳ ಹಿನ್ನೆಲೆಯಲ್ಲಿ ವ್ಯಾಖ್ಯಾನಿಸಲ್ಪಟ್ಟರೆ, ಕ್ರಮಾನುಗತದಲ್ಲಿ ಅಸಮತೋಲಿತ drug ಷಧ-ಬೇಡಿಕೆಯ ಮೌಲ್ಯಮಾಪನವು ಮಾದಕವಸ್ತುಗಳೊಂದಿಗೆ ದೀರ್ಘಕಾಲದ ಅನುಭವದ ನಂತರ, ಮಾದಕವಸ್ತು-ಸಂಬಂಧಿತ ಆಯ್ಕೆಗಳ ಮೇಲಿನ ನಿಯಂತ್ರಣವು ಅರಿವಿನಿಂದ ಕಡಿಮೆ ಮಟ್ಟಕ್ಕೆ ಬದಲಾದಾಗ ಮಾದಕವಸ್ತು ಬಳಕೆಯನ್ನು ಕಡಿತಗೊಳಿಸುವ ವ್ಯಸನಿಗಳ ವಿಫಲ ಪ್ರಯತ್ನಗಳನ್ನು ವಿವರಿಸುತ್ತದೆ ಮಟ್ಟದ ಅಭ್ಯಾಸ ಪ್ರಕ್ರಿಯೆಗಳು. ಮಾದಕವಸ್ತು ಪ್ರಾಬಲ್ಯದ ಪ್ರಕ್ರಿಯೆಗಳ ಈ ಪ್ರಾಬಲ್ಯವು ಸ್ವಾಭಾವಿಕವಾಗಿ ಮಾದಕವಸ್ತು-ಸಂಬಂಧಿತ ವೆಚ್ಚಗಳಿಗೆ (ಕಂಪಲ್ಸಿವ್ drug ಷಧ-ಬೇಡಿಕೆ) ವರ್ತನೆಯ ಅಸ್ಥಿರತೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ, ಇದು ಸ್ವಯಂ-ವಿವರಿಸಿದ ತಪ್ಪಿನೊಂದಿಗೆ ಇರುತ್ತದೆ. ಆದಾಗ್ಯೂ, ನೈಸರ್ಗಿಕ ಪ್ರತಿಫಲಗಳ ವಿಷಯದಲ್ಲಿ, ಕಲಿಕೆಯ ಅವಧಿಯಲ್ಲಿ ವರ್ತನೆಯ ಅನಿರ್ದಿಷ್ಟತೆಯು ಹೆಚ್ಚಾಗುತ್ತಿದ್ದರೂ, ಕ್ರಮಾನುಗತ ಮಟ್ಟದಲ್ಲಿ ಯಾವುದೇ ಮೌಲ್ಯಮಾಪನ-ಅಸಂಗತತೆಯು ಬೆಳೆಯುವುದಿಲ್ಲವಾದ್ದರಿಂದ, ಪ್ರತಿಫಲಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಶಿಕ್ಷೆಗಳು ಅಂತಿಮವಾಗಿ ಪ್ರತಿಫಲವನ್ನು ಹುಡುಕುವುದನ್ನು ತಡೆಯುತ್ತದೆ ಎಂದು ನಮ್ಮ ಮಾದರಿ ts ಹಿಸುತ್ತದೆ.

ನಮ್ಮ ಮಾದರಿಯು "ಸಂಭಾವ್ಯವಾಗಿ ನೀಡಲಾದ" ನಿರ್ಧಾರ ಶ್ರೇಣಿಯಲ್ಲಿನ ಕ್ರಿಯೆಗಳ ಮೌಲ್ಯಮಾಪನದ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ ಮತ್ತು ಅಭಿವೃದ್ಧಿಯ ಸಮಯದಲ್ಲಿ ಅಮೂರ್ತ ಆಯ್ಕೆಗಳು ಮತ್ತು ಅವುಗಳ ಅನುಗುಣವಾದ ಕೆಳಮಟ್ಟದ ಸಬ್‌ರುಟೀನ್‌ಗಳನ್ನು ಹೇಗೆ ಕಂಡುಹಿಡಿಯಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ಬದಿಗಿರಿಸುತ್ತದೆ. ನಿರ್ಧಾರ ಕ್ರಮಾನುಗತವನ್ನು ಕಂಡುಹಿಡಿಯುವುದು ಕೆಳ ಹಂತದ ಪ್ರಕ್ರಿಯೆ ಎಂದು ಪ್ರಸ್ತಾಪಿಸಲಾಗಿದೆ, ಕಡಿಮೆ-ಮಟ್ಟದ ಕ್ರಿಯೆಗಳ ಅನುಕ್ರಮಗಳನ್ನು ಒಟ್ಟುಗೂಡಿಸಿ ಮತ್ತು ಹೆಚ್ಚು ಅಮೂರ್ತ ಆಯ್ಕೆಗಳನ್ನು ನಿರ್ಮಿಸುವ ಮೂಲಕ ಇದನ್ನು ಸಾಧಿಸಲಾಗುತ್ತದೆ [41]. ವರ್ತನೆಯ ಮೇಲೆ ಹಿಡಿತ ಸಾಧಿಸಲು ಡಾರ್ಸಲ್‌ನಿಂದ ವೆಂಟ್ರಲ್ ಸ್ಟ್ರೈಟಮ್‌ಗೆ ಸ್ಥಳಾಂತರಗೊಳ್ಳುವ ಈ ಪ್ರಕ್ರಿಯೆಯು ಇಲ್ಲಿ ಪ್ರಸ್ತಾಪಿಸಲಾದ ಸ್ಪರ್ಧೆಯ ಕಾರ್ಯವಿಧಾನದ ವಿರುದ್ಧ ದಿಕ್ಕಿನಲ್ಲಿದೆ.

ಚರ್ಚೆ

ವ್ಯಸನದಲ್ಲಿ ವಿಭಿನ್ನ ಸ್ಟ್ರೈಟಲ್ ಉಪಪ್ರದೇಶಗಳ ಭೇದಾತ್ಮಕ ಪಾತ್ರದ ಬಗ್ಗೆ ಬೆಳೆಯುತ್ತಿರುವ ಸಾಕ್ಷ್ಯವನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಅಭ್ಯಾಸ ಮತ್ತು ಗುರಿ-ನಿರ್ದೇಶಿತ ದ್ವಂದ್ವಶಾಸ್ತ್ರದ ಚೌಕಟ್ಟಿನಲ್ಲಿ ವ್ಯಾಖ್ಯಾನಿಸಲಾಗುತ್ತದೆ [8], [14], [34]. ನಾವು ಇಲ್ಲಿ ಬಳಸುವ ಕ್ರಮಾನುಗತ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವ ವಿಧಾನವು ಅಂತಹ ದ್ವಿ-ವ್ಯವಸ್ಥೆಯ ಖಾತೆಗಳಿಗೆ ಪೂರಕವಾಗಿದೆ. ಆದರೆ ಡ್ಯುಯಲ್-ಪ್ರೊಸೆಸ್ ವಿಧಾನವು ವಿಭಿನ್ನ ಕ್ರಮಾವಳಿಗಳೊಂದಿಗೆ (ಮಾದರಿ-ಮುಕ್ತ ವರ್ಸಸ್ ಮಾಡೆಲ್-ಬೇಸ್) ವ್ಯವಹರಿಸುತ್ತದೆ [30]) ಒಂದೇ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು, ಕ್ರಮಾನುಗತ ಆರ್ಎಲ್ ಫ್ರೇಮ್ವರ್ಕ್ ವಿವಿಧ ಹಂತದ ತಾತ್ಕಾಲಿಕ ಅಮೂರ್ತತೆಗಳಲ್ಲಿ ಒಂದೇ ಸಮಸ್ಯೆಯ ವಿಭಿನ್ನ ಪ್ರಾತಿನಿಧ್ಯಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ. ಸಿದ್ಧಾಂತದಲ್ಲಿ, ಅಭ್ಯಾಸ ಅಥವಾ ಗುರಿ-ನಿರ್ದೇಶಿತ ಅಲ್ಗಾರಿದಮ್ ಈ ಪ್ರತಿಯೊಂದು ವಿಭಿನ್ನ ಪ್ರಾತಿನಿಧ್ಯಗಳನ್ನು ಪರಿಹರಿಸಬಹುದು. ನಮ್ಮ ಮಾದರಿಯಲ್ಲಿ, ಡಿಎ ಸುರುಳಿಗಳ ಮೇಲೆ drug ಷಧ-ಪ್ರೇರಿತ ಪಕ್ಷಪಾತಗಳ ಸಂಗ್ರಹವು ಮೌಲ್ಯ-ಅಂದಾಜು ಅಲ್ಗಾರಿದಮ್ ಮಾದರಿ-ಮುಕ್ತ (ಅಭ್ಯಾಸ ಕಲಿಕೆ) ಇರುವ ಒಂದು ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಸಂಭವಿಸುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಕ್ರಮಾನುಗತತೆಯ ಉನ್ನತ ಹಂತಗಳಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಮಾದರಿ ಆಧಾರಿತ ವ್ಯವಸ್ಥೆಗಳ ಅಸ್ತಿತ್ವವನ್ನು ಇದು ತಳ್ಳಿಹಾಕುವಂತಿಲ್ಲ. ಉನ್ನತ ಮಟ್ಟದ ಅಮೂರ್ತತೆಯ ಕ್ರಿಯೆಗಳನ್ನು ಗುರಿ-ನಿರ್ದೇಶಿತ ವ್ಯವಸ್ಥೆಯಿಂದ ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗುತ್ತದೆ ಎಂದು by ಹಿಸುವ ಮೂಲಕ ಒಬ್ಬರು ಪಿಎಫ್‌ಸಿ-ಅವಲಂಬಿತ ಗುರಿ-ನಿರ್ದೇಶಿತ ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ನಿರ್ಧಾರ ವ್ಯವಸ್ಥೆಯನ್ನು ಮಾದರಿಯಲ್ಲಿ ಸೇರಿಸಿಕೊಳ್ಳಬಹುದು. ಅಂತಹ ಹಸ್ತಕ್ಷೇಪವು ಈ ಹಸ್ತಪ್ರತಿಯಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಿದ ಫಲಿತಾಂಶಗಳ ಸ್ವರೂಪವನ್ನು ಬದಲಾಯಿಸುವುದಿಲ್ಲವಾದರೂ, ವ್ಯಸನದ ಇತರ ಅಂಶಗಳನ್ನು ವಿವರಿಸುವಲ್ಲಿ ಇದರ ನಂತರದ ಹೆಚ್ಚುವರಿ ನಮ್ಯತೆಯನ್ನು ಭವಿಷ್ಯದ ಅಧ್ಯಯನಗಳಿಗೆ ಬಿಡಲಾಗುತ್ತದೆ. ವಾಸ್ತವವಾಗಿ, ನಮ್ಮ ಮಾದರಿಯಲ್ಲಿ, ಗುರಿ-ನೇರ ವ್ಯವಸ್ಥೆ ಅಸ್ತಿತ್ವದಲ್ಲಿದೆಯೋ ಇಲ್ಲವೋ ಎಂಬುದನ್ನು ಲೆಕ್ಕಿಸದೆ, ಶ್ರೇಣಿಯ ಎರಡು ವಿಪರೀತಗಳ ನಡುವೆ drug ಷಧ-ಬೇಡಿಕೆಯ ಲಕ್ಷಣರಹಿತ ಮೌಲ್ಯದಲ್ಲಿನ ವ್ಯತ್ಯಾಸವು “ಅಭ್ಯಾಸ” ಪ್ರಕ್ರಿಯೆಯಿಂದ ನಿಯಂತ್ರಿಸಲ್ಪಡುವ ನಿರ್ಧಾರ ಮಟ್ಟಗಳ ಸಂಖ್ಯೆಯೊಂದಿಗೆ ಬೆಳೆಯುತ್ತದೆ .

ನಮ್ಮ ಸಿದ್ಧಾಂತದ ಬೆಳಕಿನಲ್ಲಿ, ಅರಿವಿನ ಮಟ್ಟಗಳ ಪ್ರಾಬಲ್ಯದ ಅವಧಿಯ ನಂತರ, ಮರುಕಳಿಕೆಯನ್ನು ಸುಪ್ತ ಮೋಟಾರ್-ಮಟ್ಟದ ಅಸಮರ್ಪಕ ಅಭ್ಯಾಸಗಳ ಪುನರುಜ್ಜೀವನ ಎಂದು ನೋಡಬಹುದು. ವಾಸ್ತವವಾಗಿ, ಅರಿವಿನ ಚಿಕಿತ್ಸೆಯ ಪರಿಣಾಮವಾಗಿ (ಮಾನವ ವ್ಯಸನಿಗಳಲ್ಲಿ) ಅಥವಾ ಬಲವಂತದ ಅಳಿವಿನ ಪರಿಣಾಮವಾಗಿ (ಇಂದ್ರಿಯನಿಗ್ರಹದ ಪ್ರಾಣಿಗಳ ಮಾದರಿಗಳಲ್ಲಿ), ಶ್ರೇಣಿಯ ವಿವರವಾದ ಮಟ್ಟದಲ್ಲಿ drug ಷಧ-ಬೇಡಿಕೆಯ ಹೆಚ್ಚಿನ ಮೌಲ್ಯವು ನಂದಿಸುವುದಿಲ್ಲ, ಆದರೆ ಸುಪ್ತವಾಗುತ್ತದೆ ನಿಯಂತ್ರಣದ ಅರಿವಿನ ಮಟ್ಟಕ್ಕೆ ಮರಳಲು. Drug ಷಧ-ಸಂಬಂಧಿತ ನಡವಳಿಕೆಯು ಅಮೂರ್ತ ಮಟ್ಟದಲ್ಲಿ ಪ್ರತಿಕೂಲ ಪರಿಣಾಮಗಳಿಗೆ ಸೂಕ್ಷ್ಮವಾಗಿರುವುದರಿಂದ, ಆದ್ದರಿಂದ ಉನ್ನತ ಮಟ್ಟದ ಅರಿವಿನ ಪ್ರಕ್ರಿಯೆಗಳು ನಡವಳಿಕೆಯ ನಿಯಂತ್ರಣದಲ್ಲಿ ಪ್ರಾಬಲ್ಯವಿರುವವರೆಗೆ drug ಷಧ-ಬೇಡಿಕೆಯನ್ನು ತಪ್ಪಿಸಬಹುದು. ಜನಪ್ರಿಯ 12 ಹಂತದ ಕಾರ್ಯಕ್ರಮಗಳು (ಉದಾ. ಆಲ್ಕೊಹಾಲ್ಯುಕ್ತರು ಅನಾಮಧೇಯರು, ನಾರ್ಕೋಟಿಕ್ಸ್ ಅನಾಮಧೇಯರು, ಇತ್ಯಾದಿ) ಭಾಗವಹಿಸುವವರು ತಮ್ಮ ಮಾದಕವಸ್ತು ಸಂಬಂಧಿತ ಜೀವನಶೈಲಿಯ ಅಸಂಗತತೆಯನ್ನು ಒಪ್ಪಿಕೊಳ್ಳುವಂತೆ ಸ್ಪಷ್ಟವಾಗಿ ಒತ್ತಾಯಿಸುವ ಮೂಲಕ ಭಾಗಶಃ ಕೆಲಸ ಮಾಡುತ್ತಾರೆ ಎಂದು ಒಬ್ಬರು can ಹಿಸಬಹುದು, ಇದರಿಂದಾಗಿ ಅಮೂರ್ತ ಅರಿವಿನ ಮಟ್ಟಗಳು ಅವರ ಮೇಲೆ ಸ್ಪಷ್ಟ ನಿಯಂತ್ರಣವನ್ನು ಬೀರುತ್ತವೆ ನಡವಳಿಕೆ. ಒತ್ತಡದ ಪರಿಸ್ಥಿತಿಗಳು ಅಥವಾ ಮಾದಕವಸ್ತು (ಪ್ರೈಮಿಂಗ್) ಗೆ ಮರು-ಒಡ್ಡಿಕೊಳ್ಳುವುದು ನಡವಳಿಕೆಯ ಮೇಲೆ ಅಮೂರ್ತ ಮಟ್ಟಗಳ ಪ್ರಾಬಲ್ಯವನ್ನು ದುರ್ಬಲಗೊಳಿಸುವ ಅಪಾಯಕಾರಿ ಅಂಶಗಳೆಂದು ಭಾವಿಸಬಹುದು, ಇದು drug ಷಧ-ಬೇಡಿಕೆಯ ಪ್ರತಿಕ್ರಿಯೆಗಳ ಮರು-ಹೊರಹೊಮ್ಮುವಿಕೆಗೆ ಕಾರಣವಾಗಬಹುದು (ಸುಪ್ತ ಹೆಚ್ಚಿನ ಅರಿವಿಲ್ಲದ ಮೌಲ್ಯಗಳಿಂದಾಗಿ) ).

ಸಂಕ್ಷಿಪ್ತವಾಗಿ, ಮಾದಕ ವ್ಯಸನದ ವಿಶಿಷ್ಟವಾದ ಹಲವಾರು, ಸ್ಪಷ್ಟವಾಗಿ ವಿಭಿನ್ನ ವಿದ್ಯಮಾನಗಳಿಗೆ ನಾವು ಸುಸಂಬದ್ಧವಾದ ಖಾತೆಯನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ. ನಮ್ಮ ಮಾದರಿಯು drug ಷಧ-ಬೇಡಿಕೆಯ ಸ್ವಾಧೀನ ಮತ್ತು ಅಭ್ಯಾಸದ ಕಾರ್ಯಕ್ಷಮತೆಯಲ್ಲಿ ವೆಂಟ್ರಲ್ ವರ್ಸಸ್ ಡಾರ್ಸಲ್ ಸ್ಟ್ರೈಟಲ್ ಸರ್ಕ್ಯೂಟ್‌ಗಳ ಡಿಫರೆನ್ಷಿಯಲ್ ಪಾತ್ರಗಳ ದತ್ತಾಂಶಕ್ಕೆ ಒಂದು ಪ್ರಮಾಣಿತ ಖಾತೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ, ಜೊತೆಗೆ drug ಷಧ ಮತ್ತು ನೈಸರ್ಗಿಕ ಬಲವರ್ಧಕಗಳ ಪರಿಣಾಮಗಳಿಗೆ ಫೀಡ್-ಫಾರ್ವರ್ಡ್ ಡಿಎ ಸಂಪರ್ಕದ ಆಯ್ದ ಪಾತ್ರವನ್ನು ಒದಗಿಸುತ್ತದೆ. ಬಹು ಮುಖ್ಯವಾಗಿ, ಅರಿವಿನ ಪ್ರಾತಿನಿಧ್ಯ ಶ್ರೇಣಿಯ ಕೆಳಗೆ ಪ್ರೇರಕ ಮಾಹಿತಿಯನ್ನು ಮೋಸಗೊಳಿಸುವ ವೆಂಟ್ರಲ್-ಟು-ಡಾರ್ಸಲ್ ಡಿಎ ಸಿಗ್ನಲ್‌ಗಳಲ್ಲಿನ drug ಷಧ-ಪ್ರೇರಿತ ರೋಗಶಾಸ್ತ್ರವು ವ್ಯಸನಿಗಳ ಮಾದಕವಸ್ತು-ಅನ್ವೇಷಣೆಯ ಬಗೆಗಿನ ಅಮೂರ್ತ ವರ್ತನೆಗಳು ಮತ್ತು ಅವರು ನಿಜವಾಗಿ ಏನು ಮಾಡುತ್ತಾರೆ ಎಂಬುದರ ನಡುವೆ ಭಿನ್ನಾಭಿಪ್ರಾಯಕ್ಕೆ ಕಾರಣವಾಗಬಹುದು ಎಂಬುದನ್ನು ನಾವು ತೋರಿಸುತ್ತೇವೆ. ನಿಸ್ಸಂಶಯವಾಗಿ, ನಮ್ಮ ಮಾದರಿಯು ಮಾದಕ ವ್ಯಸನದ ಸಂಪೂರ್ಣ ಖಾತೆಯನ್ನು ನೀಡುವುದಿಲ್ಲ, ಮತ್ತು ಇದರ ಅರ್ಥವಲ್ಲ. ವ್ಯಸನದ ಇತರ ವಿವರಿಸಲಾಗದ ಅಂಶಗಳನ್ನು ವಿವರಿಸಲು ಇತರ ಅನೇಕ ಮೆದುಳಿನ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಸೇರಿಸುವ ಅಗತ್ಯವಿರುತ್ತದೆ, ಅದು ದುರುಪಯೋಗದ drugs ಷಧಿಗಳಿಂದ ಪ್ರಭಾವಿತವಾಗಿರುತ್ತದೆ ಎಂದು ನಿರೂಪಿಸಲಾಗಿದೆ [42]. Systems ಪಚಾರಿಕ ಕಂಪ್ಯೂಟೇಶನಲ್ ನೆಟ್‌ವರ್ಕ್‌ನಲ್ಲಿ ಅಂತಹ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಹೇಗೆ ಸೇರಿಸುವುದು ಎಂಬುದು ಹೆಚ್ಚಿನ ತನಿಖೆಗೆ ಒಂದು ವಿಷಯವಾಗಿ ಉಳಿದಿದೆ.

ಪೋಷಕ ಮಾಹಿತಿ

ಫೈಲ್ ಎಸ್ಎಕ್ಸ್ಎನ್ಎಕ್ಸ್.

ಚಿತ್ರ S1,ಐದು ಹಂತದ ಅಮೂರ್ತತೆಯೊಂದಿಗೆ ಮಾದರಿ ನಿರ್ಧಾರ ಶ್ರೇಣಿ. ಚಿತ್ರ S2, ಚರ್ಚಿಸಿದ ಮೂರು ಮೌಲ್ಯ ಕಲಿಕೆ ಕ್ರಮಾವಳಿಗಳಿಗೆ ಅನುಗುಣವಾದ ನರ ಸರ್ಕ್ಯೂಟ್ ಒಂದು ಶ್ರೇಣೀಕೃತ ನಿರ್ಧಾರ ರಚನೆಯಾಗಿದೆ. A, ಸರಳವಾದ ಟಿಡಿ-ಲರ್ನಿಂಗ್ ಅಲ್ಗಾರಿದಮ್ (ಸಮೀಕರಣ ಎಸ್‌ಎಕ್ಸ್‌ಎನ್‌ಯುಎಂಎಕ್ಸ್) ಬಳಸಿ, ಪ್ರತಿ ಹಂತದ ಅಮೂರ್ತತೆಯ ದೋಷ ದೋಷ ಸಂಕೇತವನ್ನು ಇತರ ಹಂತಗಳಿಂದ ಸ್ವತಂತ್ರವಾಗಿ ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ. B, ಹರುನೋ ಮತ್ತು ಕವಾಟೊ (4) (ಸಮೀಕರಣ S8) ಪ್ರಸ್ತಾಪಿಸಿದ ಮಾದರಿಯಲ್ಲಿ, ತಾತ್ಕಾಲಿಕವಾಗಿ-ಮುಂದುವರಿದ ಸ್ಥಿತಿಯ ಮೌಲ್ಯವು ಒಂದು ಉನ್ನತ ಮಟ್ಟದ ಅಮೂರ್ತತೆಯಿಂದ ಬರುತ್ತದೆ. C, ನಮ್ಮ ಮಾದರಿಯಲ್ಲಿ (ಸಮೀಕರಣ S9) ತಾತ್ಕಾಲಿಕವಾಗಿ-ಮುಂದುವರಿದ ಸ್ಥಿತಿಯ ಮೌಲ್ಯವನ್ನು ಉನ್ನತ ಮಟ್ಟದ ಅಮೂರ್ತತೆಯಲ್ಲಿ ನಿರ್ವಹಿಸಿದ ಕ್ರಿಯೆಯ ಪ್ರತಿಫಲ ಮತ್ತು Q- ಮೌಲ್ಯದ ಸಂಯೋಜನೆಯೊಂದಿಗೆ ಬದಲಿಸಲಾಗುತ್ತದೆ. ಚಿತ್ರ S3, ನಮ್ಮ ಮಾದರಿಯು ಪ್ರತಿಫಲ-ಕಲಿಕೆಯ ಸರ್ಕ್ಯೂಟ್‌ನಲ್ಲಿ drugs ಷಧಿಗಳ ಕ್ರಿಯೆಯ ವಿಭಿನ್ನ ಸೈಟ್‌ಗಳನ್ನು ts ಹಿಸುತ್ತದೆ: 1 ರಿಂದ 3 ಸೈಟ್‌ಗಳು. 4 ನಿಂದ 6 ಸೈಟ್‌ಗಳ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವ ugs ಷಧಗಳು ಇದಕ್ಕೆ ವಿರುದ್ಧವಾಗಿ, drugs ಷಧಿಗಳ ಮಾದರಿಯ ಅನುಕರಣೆಯಿಂದ ಉತ್ಪತ್ತಿಯಾಗುವ ವರ್ತನೆಯ ಮತ್ತು ನರ ಜೀವವಿಜ್ಞಾನದ ಮಾದರಿಗಳಿಗೆ ಕಾರಣವಾಗುವುದಿಲ್ಲ, ಆದರೆ ನೈಸರ್ಗಿಕ ಪ್ರತಿಫಲಗಳಂತೆಯೇ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡುತ್ತದೆ. ಚಿತ್ರ S4, ನಡವಳಿಕೆಯ ಮೇಲೆ ಹಿಡಿತ ಸಾಧಿಸಲು ಶ್ರೇಣಿಯ ಹಂತಗಳಲ್ಲಿ ಅನಿಶ್ಚಿತತೆ-ಆಧಾರಿತ ಸ್ಪರ್ಧೆಯ ಕಾರ್ಯವಿಧಾನವನ್ನು ಅನುಕರಿಸಲು ಬಳಸುವ ಕಾರ್ಯ. ಚಿತ್ರ S5, ಸಿಮ್ಯುಲೇಶನ್ ಫಲಿತಾಂಶ, ಕ್ರಮಾನುಗತತೆಯ ಮೇಲಿನಿಂದ ಕೆಳ ಹಂತಕ್ಕೆ ವರ್ತನೆಯ ಮೇಲೆ ನಿಯಂತ್ರಣದ ಕ್ರಮೇಣ ಬದಲಾವಣೆಯನ್ನು ತೋರಿಸುತ್ತದೆ. ಪ್ರಶ್ನೆ (ಗಳು, ಎ) ಮತ್ತು ಯುಎಸ್ಎ) ರಾಜ್ಯ-ಕ್ರಿಯೆಯ ಜೋಡಿಗಳ ಅಂದಾಜು ಮೌಲ್ಯ ಮತ್ತು ಅನಿಶ್ಚಿತತೆಯನ್ನು ಕ್ರಮವಾಗಿ ತೋರಿಸಿ.

doi: 10.1371 / journal.pone.0061489.s001

(ಪಿಡಿಎಫ್)