狂熱的徒步旅行者知道要小心那些由三張小葉組成的葉子，如果它們在春季或秋季是紅色的。世界各地的父母都知道就寢時間和與孩子的住房之間的不穩定關係。
徒步旅行者如何知道將葉子的顏色與季節聯繫起來以確定它是否是常春藤？父母如何知道將一天中的時間與孩子的興奮程度聯繫起來，以確定就寢時間的成功與否？就像鈴響時巴甫洛夫的狗流涎一樣，人們學會了認出真人娛樂城通過將有毒植物周圍的細節與發生的事情聯繫起來捕魚達人舊版，使有毒植物變質或防止幼兒疲憊的眼淚。
亞利桑那州立大學和斯坦福大學的研究人員分析了人類大腦活動的模式，並發現了海馬（一種大腦ar94大發網對記憶很重要，在學習過程中形成聯想。該研究於3月6日發表在《自然通訊》上。
坦普爾大學心理學助理教授，未參與這項研究的Vishnu Murty說：“這項研究對於理解大腦的記憶系統如何促進學習和決策麻將王換現金具有重要意義。” “這些發現可以幫助我們了解人群中決策缺陷的複雜性，這些人群主要關註記憶缺陷，例如阿爾茨海默氏病，其他心理病理疾病和正常衰老。”
當人們學習時，他們會在功能之間建立關聯，例如一天中的時間和蹣跚學步的心情，以預測結果，例如粗住房是否會以眼淚結束。
“這些協會對行為產生很大影響，”伊恩·巴拉德（Ian Ballard）說，他最近在斯坦福大學獲得了神經科學博士學位，並且是該論文的第一作者。 “但是在現實世界中，對像或事件是由多個功能或功能組合定義的，我們想了解大腦如何在相似的功能配置上建立關聯。”
為了揭示大腦如何處理在如此復雜的真實世界信息上建立關聯的問題，研究團隊著眼於一個看起來像蝸牛殼的小大腦結構。
小而強大的大腦區域
海馬大約是口香糖大小的三分之一，而這種小的大腦大樂透開獎直播結構對於記憶形成至關重要。沒有它，人們就無法形成關於事實或事件的新記憶，例如今天是什麼日子或同事的名字。在記憶形成過程中，海馬代表事件的各個細節，例如您將車停在何處，以使彼此盡可能不同。
“記憶的一個挑戰是很難區分相似的經歷。因此，如果您每天在工作中使用同一個停車庫，則必須記住一天結束時要去哪個樓層和空間。” ASU心理學副教授，論文的高級作者Samuel McClure說。 “問題在於，很容易混淆您在不同日期停泊的位置。海馬對於記住何時何地的組合至關重要。”
海馬如何形成記憶，提供了一種機制，可以說明大腦中復雜的特徵組合如何表達，但是這種小的，盤繞的結構實際上是否有助於人們了解世界，這是一個懸而未決的問題。
為了確定海馬可能如何促進人們在現實世界中形成聯想，研究人員設計了一項學習任務，要求參與者使用多種功能組合來預測結果是否會發生。一系列刺激圖像，例如單臉或臉對娛樂城賺錢d帶有建築物的屏幕上依次出現。然後，參與者必須預測在刺激圖像之後是否會出現目標圖像。該任務的目標是對出現的任何目標圖像盡快做出響應。
僅僅是兩個刺激圖片的組合，例如一張臉和一棟聯排別墅，就可以用來預測目標何時出現。像面部圖像一樣，個體刺激對自己進行預測沒有用。
當參與者完成任務時，研究團隊使用功能磁共振成像（fMRI）來測量海馬和其他已知參與學習的大腦結構的大腦活動。然後，研究小組檢查了任務期間的活動模式，並發現了有關海馬活動的一些有趣信息。這是唯一表示綁定在一起的刺激圖像的大腦結構，這一點很重要，因為要成功完成此任務就需要形成與梳子有關的關聯皇璽會娛樂城信息以準確響應目標圖像。
巴拉德說：“我們發現海馬獨特地代表了綁定特徵：面孔和房屋不同於面孔和房屋混合在一起。”
海馬促進學習的新方式
當研究小組研究海馬活動模式與其他大腦區域的關係時，他們發現海馬活動與紋狀體活動密切相關。紋狀體位於皮層下方，由三個獨立的結構-尾狀，殼狀核和伏隔核組成，並且在了解預測可預期結果的過程中起著重要作用。
巴拉德說：“海馬體形成了多個特徵的綁定關聯，從而支持紋狀體中有關環境中多個特徵配置的學習。”
紋狀體如何在學習過程中處理信息是眾所周知的，但是所有信息來自何處是一個懸而未決的問題。巴拉德補充說，這項研究通過顯示海馬提供了有關紋狀體特徵組合的信息，並且該信息用於學習如何成功完成這項任務，從而開始解決了這個問題。
直到最近，人們還認為大腦具有獨立的學習系統，但研究結果表明海馬記憶系統和紋狀體強化學習系統是相互關聯的。
“將大腦視為一個相互連接的結構是非常重要的，它的不同部分共同作用產生令人印象深刻的精神壯舉。神經科學和心理學在理解各個部分的工作方式方面做得很好。開始嘗試弄清他們如何開始合作是令人興奮的，” McClure說。 “我們懷疑了解正常和患病的心理功能需要弄清楚所有信用卡娛樂城 的零件可以一起工作-還是不可以。”
斯坦福大學心理學教授安東尼·瓦格納（Anthony Wagner）也為這項研究做出了貢獻。這項工作得到了美國國家科學基金會的研究生研究獎學金和綜合研究生教育與研究實習的支持，並得到了斯坦福大學和ASU的資助。
本文已從亞利桑那州立大學提供的材料中重新發布。注意：材料的長度和內容可能已被編輯。有關更多信息，請聯繫引用的來源。
參考文獻：Ballard，I. C.，Wagner，A.D.，＆McClure，S.M.（2019）。海馬模式分離支持強化學習。自然通訊，10（1），1073. https://doi.org/10.1038/s41467-019-08998-1
