Tässä kirjoituksessa käsittelen RPE-teoriaa, vapaa suomennokseni on palkkioennustevirhe -teoria. Ihanan sekava käsite heti alkuun. Toivon, että kirjoituksen lopussa ymmärrät miksi jonkin odottaminen on usein parempaa (tai kamalampaa) kuin itse tapahtuma. Aivot palkitsevat yllätyksistä ja päivittävät odotuksia.
Jos haluat lukea aiheesta klassisen artikkelin, suosittelen tätä: Schultz, Dayan & Montague (1997).
Aloitetaan alusta.
Kuvittele jokin uusi tilanne, jossa et ole ollut aikaisemmin. Vaikkapa kahvila ulkomailla. Et tunne paikkaa, etkä tiedä mitä odottaa. Tilaat pullan, jota et ole koskaan maistanut. Ensimmäinen pala yllättää: pulla on käsittämättömän hyvää.
Tässä kohtaa on helppo sanoa: “sain dopamiinia palkinnoksi.” Se on toimiva arkikuva, mutta tieteellisesti tarkempi tapa sanoa sama on tämä: aivoissa aktivoituu päivityssignaali, joka kertoo, että lopputulos oli parempi kuin odotin. Tätä eroa odotuksen ja toteuman välillä kutsutaan palkkioennustevirheeksi (reward prediction error, RPE).
- Jos tapahtuu paremmin kuin odotit → positiivinen ennustevirhe
- Jos tapahtuu juuri kuten odotit → ennustevirhe on pieni tai nolla
- Jos tapahtuu huonommin kuin odotit → negatiivinen ennustevirhe
Tämä signaali liittyy dopamiinijärjestelmään, mutta tärkeä pointti on: kyse ei ole pelkästään “nautinnon määrästä”, vaan siitä, että aivot oppivat. Ne päivittävät karttaa: kannattaako tähän palata?
Koska olet ihminen, opit nopeasti. Opit, että tässä kahvilassa on tämä tietty pulla, joka on aivan poikkeuksellisen hyvä. Seuraavana päivänä kävelet sattumalta saman kahvilan ohi. Huomaat kyltin, tuoksun, tutun kulman kadulla — jonkin pienen vihjeen, joka muistuttaa eilisestä. Ja päätät mennä sisään.
Nyt sinulla on odotus.
RPE-ajattelun historiallinen tausta tulee tutkimuksista, joissa eläimille opetettiin, että esimerkiksi tietty valon välähdys ennustaa makean herkun saamista. Kun eläin oppii yhteyden, dopamiinijärjestelmän “yllätyssignaali” alkaa näkyä yhä enemmän jo siinä valon välähdyksessä — ei enää vasta herkun saamisessa.
Kahvila (tai oikeammin: joku selkeä vihje siihen liittyen) alkaa ennustaa pullaa.
Teorian yksi keskeinen havainto on juuri tämä: oppimisen myötä signaali siirtyy palkinnosta sitä ennustavaan vihjeeseen. Kun huomaat kahvilan ja muistat pullan, odotus voi jo itsessään tuntua palkitsevalta. Itse pulla voi edelleen maistua hyvältä — mutta se ei enää yllätä samalla tavalla kuin ensimmäisellä kerralla. Uutta opittavaa on vähemmän.
Ja nyt se kohta, joka selittää miksi odottaminen voi olla parempaa tai kamalampaa kuin itse tapahtuma.
Jos menet kahvilaan kolmannen kerran, mutta pulla ei olekaan hyvä, tapahtuu kaksi erillistä asiaa:
- Vihje nostaa odotusta. Kun näet kahvilan, aivot “lataavat” ennusteen: kohta tulee se hyvä juttu.
- Toteuma rikkoo ennusteen. Kun pulla osoittautuu pettymykseksi, syntyy negatiivinen ennustevirhe: tämä oli huonompaa kuin odotin. Dopamiinijärjestelmässä tämä näkyy tyypillisesti “notkahduksena” juuri siinä hetkessä, kun hyvän olisi pitänyt toteutua.
Eli: joskus odotus palkitaan enemmän kuin itse palkinto — ja joskus odotus tekee pettymyksestä erityisen kitkerän.
Tämä on myös syy siihen, miksi monet modernit houkuttimet (some, ilmoitukset, satunnaiset pienet palkinnot) toimivat niin tehokkaasti: vihjeet ja odotus voivat alkaa elää omaa elämäänsä. Aivot oppivat ennustamaan, ja ennustaminen itsessään muuttuu käyttäytymistä ohjaavaksi voimaksi.
Jatkan tällä teemalla seuraavassa kirjoituksessa. Yritän linkittää RPE-mallin pakko-oireisiin ymmärrettävästi. Katsotaan jos onnistun. Sinulla on jonkinlainen odotus siitä, toivon mukaan voin yllättää sinut positiivisesti.