Reward Learning Through the Lens of RDoC: a Review of Theory, Assessment, and Empirical Findings in the Eating Disorders

Schaefer, Lauren M.; Steinglass, Joanna E.

doi:10.1007/s11920-020-01213-9

Cited by 25 publications

(24 citation statements)

References 84 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Ein naheliegendes Krankheitsbild, bei dem PVS eine Rolle spielen könnten, sind Essstörungen, da es hier um die krankhafte veränderte Aufnahme oder eben Restriktion eines überlebensnotwendigen primären Verstärkers, nämlich Essen, geht. In einer rezenten Übersichtsarbeit untersuchen Schaefer und Steinglass daher Studien zu Belohnung und Essstörungen aus einer RDoC-Perspektive [ 32 ]. Sie fanden 75 jährliche Publikationen zum Stichwort „Essstörungen“ und „Belohnung“ zwischen 2010 und 2019, deutlich mehr als vor der Einführung des RDoC-Ansatzes im Jahr 2009.…”

Section: Essstörungenunclassified

“…Zusammengefasst fanden Schaefer und Steinglass [ 32 ], dass probabilistisches Lernen und Verstärkungslernen häufiger untersucht wurden und es auch Hinweise auf Störungen bei Essstörungen in diesem Subkonstrukt gibt. Für den Vorhersagefehler gibt es eine Reihe an Bildgebungsstudien, jedoch kaum Befunde mit den in der RDoC-Matrix empfohlenen Paradigmen.…”

Section: Essstörungenunclassified

“…Für Anorexia nervosa gibt es Hinweise aus der Selbstberichtliteratur, dass ungünstige Verhaltensroutinen mit Mechanismen von Gewohnheiten zu tun haben; für Störungen bei der Herausbildung von Gewohnheiten gibt es dagegen keine Hinweise. Schaefer und Steinglass [ 32 ] schließen, dass hier ein großer Forschungsbedarf besteht, und schlagen dazu ein entwicklungsorientiertes Modell zur Untersuchung von Essstörungen vor: Während probabilistisches und Verstärkungslernen v. a. in der initialen Symptomentwicklung von Bedeutung sein sollten (Lerntyp: Response-Outcome), sollten mit zunehmender Chronifizierung vor allem der Vorhersagefehler (Lerntyp: Erwartung eines Outcomes) und dann schließlich Gewohnheiten (Lerntyp: Stimulus-Response) eine Rolle spielen. Dieser Ansatz ist ein gutes Beispiel dafür, wie heterogene Forschungsaktivitäten in ein Modell überführt werden können, bei dem RDoC-PVS-Konstrukte eine strukturierende Rolle spielen.…”

Section: Essstörungenunclassified

See 2 more Smart Citations

Kognitive Neurowissenschaft des Positiven

2021

View full text Add to dashboard Cite

In diesem Artikel werden die Domäne „positive Valenzsysteme“ (PVS) der Research-Domain-Criteria(RDoC)-Matrix sowie ihre Subkonstrukte dargestellt und erläutert. Unter PVS fallen im Wesentlichen verschiedene Formen und Prozesse der Belohnungsverarbeitung. Diese werden in der Psychiatrie schon seit Jahrzehnten im Bereich von Sucht, Schizophrenie und Depression untersucht und letztere sind daher nicht Gegenstand dieses Artikels. Hier soll vielmehr die heuristische Fruchtbarkeit der RDoC-Systematik für das Verständnis anderer Erkrankungen und Konstrukte dargestellt werden und zwar für das transdiagnostische Konstrukt der Anhedonie sowie für die Autismusspektrumstörung und die Gruppe der Essstörungen. Weiterhin wird gezeigt, wie die PVS-Domäne auch klinisch den Blick über die traditionelle Psychopathologie erweitert und wie sie die Entwicklung neuer behavioraler Messinstrumente angeregt hat. Abschließend wird auf Limitationen und mögliche zukünftige Erweiterungen des Ansatzes eingegangen.

show abstract

Section: Essstörungenunclassified

See 1 more Smart Citation

Kognitive Neurowissenschaft des Positiven

2021

View full text Add to dashboard Cite

show abstract

“…Learning from experience occurs through updating expectations about the outcome in proportion to PE, so that the expected outcome converges to the actual outcome. The majority of studies of learning in AN have focused on passive Pavlovian conditioning (Schaefer & Steinglass, 2021), with evidence of elevated reward PE signals in the ventral striatum and orbitofrontal cortex in ill and remitted AN (GK Frank, Collier, Shott, & O'Reilly, 2016;GK Frank et al, 2012). However, Pavlovian tasks have demonstrated poor behavioral profiles (National Institute of Mental Health, 2016).…”

Section: Introductionmentioning

confidence: 99%

Altered Reinforcement Learning from Reward and Punishment in Anorexia Nervosa: Evidence from Computational Modeling

Wierenga

Reilly

Bischoff‐Grethe

et al. 2021

J Int Neuropsychol Soc

View full text Add to dashboard Cite

Objectives: Anorexia nervosa (AN) is associated with altered sensitivity to reward and punishment. Few studies have investigated whether this results in aberrant learning. The ability to learn from rewarding and aversive experiences is essential for flexibly adapting to changing environments, yet individuals with AN tend to demonstrate cognitive inflexibility, difficulty set-shifting and altered decision-making. Deficient reinforcement learning may contribute to repeated engagement in maladaptive behavior. Methods: This study investigated learning in AN using a probabilistic associative learning task that separated learning of stimuli via reward from learning via punishment. Forty-two individuals with Diagnostic and Statistical Manual of Mental Disorders (DSM)-5 restricting-type AN were compared to 38 healthy controls (HCs). We applied computational models of reinforcement learning to assess group differences in learning, thought to be driven by violations in expectations, or prediction errors (PEs). Linear regression analyses examined whether learning parameters predicted BMI at discharge. Results: AN had lower learning rates than HC following both positive and negative PE (p < .02), and were less likely to exploit what they had learned. Negative PE on punishment trials predicted lower discharge BMI (p < .001), suggesting individuals with more negative expectancies about avoiding punishment had the poorest outcome. Conclusions: This is the first study to show lower rates of learning in AN following both positive and negative outcomes, with worse punishment learning predicting less weight gain. An inability to modify expectations about avoiding punishment might explain persistence of restricted eating despite negative consequences, and suggests that treatments that modify negative expectancy might be effective in reducing food avoidance in AN.

show abstract

“…Reinforcement learning models provide useful quantifications of individual choice behavior and the integration of information over repeated decisions (Sutton & Barto, 2018). Hence, disturbances in reward learning may result in maladaptive choices and are associated with various mental and metabolic disorders, such as depression (Chen, Takahashi, Nakagawa, Inoue, & Kusumi, 2015;Eshel & Roiser, 2010;Mkrtchian, Aylward, Dayan, Roiser, & Robinson, 2017), eating disorders (Schaefer & Steinglass, 2021), and obesity (Coppin, Nolan-Poupart, Jones-Gotman, & Small, 2014;Kroemer & Small, 2016). Parameters of individual reinforcement learning, such as the learning rate or reward sensitivity may even serve as transdiagnostic biomarkers (Montague, Dolan, Friston, & Dayan, 2012) for aberrant cognitive processes that contribute to key symptoms of disorders, such as apathy or anhedonia (Husain & Roiser, 2018;Huys, Pizzagalli, Bogdan, & Dayan, 2013).…”

Section: Introductionmentioning

confidence: 99%

Influenca: a gamified assessment of value-based decision-making for longitudinal studies

Neuser

Kraeutlein

Kuehnel

et al. 2021

Preprint

View full text Add to dashboard Cite

Reinforcement learning is a core facet of motivation and alterations have been associated with various mental disorders. To build better models of individual learning, repeated measurement of value-based decision-making is crucial. However, the focus on lab-based assessment of reward learning has limited the number of measurements and the test-retest reliability of many decision-related parameters is therefore unknown. Here, we developed an open-source cross-platform application Influenca that provides a novel reward learning task complemented by ecological momentary assessment (EMA) for repeated assessment over weeks. In this task, players have to identify the most effective medication by selecting the best option after integrating offered points with changing probabilities (according to random Gaussian walks). Participants can complete up to 31 levels with 150 trials each. To encourage replay on their preferred device, in-game screens provide feedback on the progress. Using an initial validation sample of 127 players (2904 runs), we found that reinforcement learning parameters such as the learning rate and reward sensitivity show low to medium intra-class correlations (ICC: 0.22-0.52), indicating substantial within- and between-subject variance. Notably, state items showed comparable ICCs as reinforcement learning parameters. To conclude, our innovative and openly customizable app framework provides a gamified task that optimizes repeated assessments of reward learning to better quantify intra- and inter-individual differences in value-based decision-making over time.

show abstract

Reward Learning Through the Lens of RDoC: a Review of Theory, Assessment, and Empirical Findings in the Eating Disorders

Cited by 25 publications

References 84 publications

Kognitive Neurowissenschaft des Positiven

Kognitive Neurowissenschaft des Positiven

Altered Reinforcement Learning from Reward and Punishment in Anorexia Nervosa: Evidence from Computational Modeling

Influenca: a gamified assessment of value-based decision-making for longitudinal studies

Contact Info

Product

Resources

About