[논문 리뷰] Understanding Decision-Making Across the Lifespan Needs Theoretical Neuroscience

Michael Ryan, Letizia S. Ye외 1명|arXiv (Cornell University)|2026. 03. 02.

Embodied and Extended Cognition인용 수 0

한 줄 요약

이 논문은 노화 연구를 이론적 신경과학과 통합하여 수명 주기에 걸친 의사결정에 대한 기계적(mechanistic) 설명을 개발하고자 하며, latent state modeling과 recurrent networks 같은 도구를 활용한다.

ABSTRACT

Understanding how decision making changes across the lifespan is a central challenge for neuroscience, yet research on cognitive aging has remained largely disconnected from the theoretical and computational advances that now shape modern systems neuroscience. Over the past two decades, theoretical frameworks have transformed how we study cognition in young, healthy brains, providing principled tools to model latent decision states, neural dynamics, population codes, and interareal communication. In contrast, aging research has often relied on single metric behavioral readouts, cross sectional comparisons, and descriptive neural analyses, limiting our ability to explain fundamental differences in individual aging trajectories. This gap represents a missed opportunity because aging offers a powerful platform for testing theories of neural computation, stability, and flexibility under changing biological constraints. Here, we argue that closer integration between aging research and contemporary theoretical neuroscience can move the field beyond descriptive accounts toward more mechanistic explanations of decision making across the lifespan. To this end, we outline how recent advances in behavioral quantification, latent state modeling, dynamical systems, encoding models, representational geometry, and recurrent neural networks offer a rich theoretical toolkit for neuroscientists studying decision making across the lifespan.

연구 동기 및 목표

• 노화 연구와 현대 이론 신경과학 간의 격차를 강조한다.
• 수명 기간에 걸친 의사결정에 대한 기계적(mechanistic) 설명을 옹호한다.
• 행동 정량화 및 모델링의 발전이 노화 연구에 어떻게 활용될 수 있는지 보여준다.
• 변하는 생물학적 제약하에서 의사결정을 연구하기 위한 이론적 도구를 제시한다.

제안 방법

• 행동 정량화, latent state modeling, 및 dynamical systems에서의 최근 이론적 및 계산적 진보를 검토한다.
• 인코딩 모델, 표현 기하학(representational geometry), 및 recurrent neural networks를 수명 주기 의사결정 연구의 도구로 논의한다.
• 이 도구들을 노화에 적용하여 기술적 서술(descriptive)에서 기계적 설명으로 나아가도록 주장한다.

실험 결과

연구 질문

• RQ1 노화 연구를 현대 이론 신경과학과 통합하여 수명 주기에 걸친 의사결정에 대한 설명을 개선할 수 있는가?
• RQ2 현대 신경과학의 어떤 이론적 도구들이 노화에 적용되어 기계적 통찰을 이끌어낼 수 있는가?
• RQ3 잠재 상태 모델링(latent state modeling)과 다이나믹스 시스템이 연령 관련 의사결정 변화에 어떤 빛을 비추는가?

주요 결과

• 노화 연구는 현재 서술적 지표에 의해 지배되며, 기계적 이해를 제한한다.
• 이론적 신경과학은 노화 및 의사결정 연구에 재목적화할 수 있는 풍부한 도구 키트를 제공한다.
• 행동 정량화, latent state modeling, 신경망 접근의 발전은 노화 제약하에서의 신경 계산을 검증할 수 있다.
• 인코딩 모델과 표현 기하학은 뉴런 표현과 연령 관련 의사결정 변화 사이의 연계를 제공한다.
• 노화와 이론적 신경과학의 통합은 순수한 기술적 서술이 아닌 기계적 설명으로 분야를 이끌 수 있다.