Measuring effortful motivation with HEFFORT: Psychometric testing and validation using machine learning

Abstract

Motivasyon eksikliği modern dünyamızdaki herkesi etkileyebilir. Düşük iş ve okul performansından azalan ailesel ilişkilere kadar değişen farklı sonuçları olabilir. Bu nedenle motivasyon mekanizmalarını anlamak ve kişiselleştirilmiş tedaviler tasarlamak önemlidir. Geleneksel olarak insanlarda motivasyon ve diğer psikolojik durumlar anketlerle ölçülür. Ancak, mevcut anketlerin hiçbiri ödül sisteminin iki bileşeni olan motivasyon ve haz arasında ayrım yapamaz. Bu ise beynin çalışma ilkelerine aykırıdır; beyin motivasyona aracılık etmek için dopamin sistemini, haz için ise opiyat sistemini kullanır. Daha da önemlisi, her iki sistemdeki eksiklikler farklı bir tedavi gerektirir ve bu nedenle ilgili psikolojik durumların ayırt edilmesi gerekmektedir. Bu sorunu çözmek için geliştirilen yeni bir anket (HEFFORT), yaş, gelir ve yaşam tarzı açısından farklı İstanbulluların temsili bir örneğine bu tez çerçevesinde uygulandı. HEFFORT'un motivasyonu hazdan ayırabileceği hipotezi test edilmiştir. İlk olarak, yeni ve doğrulanmış anketler arasındaki ilişkiler Spearman korelasyonlarını kullanılarak araştırıldı. Daha sonra, denetimsiz makine öğrenimi olan kümeleme teknikleri kullanılarak çaba gerektiren motivasyondaki bireysel farklılıkları tahmin eden bir algoritma geliştirildi. Son olarak, algoritmayı ayrı bir test veri setinde inceleyerek tahminlerin doğruluğu belirlendi. Sonuçlarımız HEFFORT'un güvenilir olduğunu ve çaba gerektiren motivasyon ile haz arasında ayrım yapabildiğini göstermektedir. Böylelikle HEFFORT ödül sistemin farklı bileşenlerini değerlendiren gelecek araştırmalarda ve klinik teşhis aracı olarak kullanılabilir.

Lack of motivation can affect everyone in our modern world, with consequences ranging from poor work and school performance to decreased family functioning. Thus, it is important to understand the mechanisms of motivation and devise personalized treatments. Traditionally, motivational and other psychological states in humans are measured with questionnaires. However, none of the current questionnaires can distinguish between motivation and pleasure, two components of the reward system. This is in contrast to how the brain works which employs the dopamine system to mediate effortful motivation and the opiate system to mediate pleasure. Importantly, deficits in either system require a different treatment and thus it is pertinent that we can distinguish between these psychological states. To address this issue, our group has developed a novel questionnaire (HEFFORT) that we administered to a representative sample of Istanbulites varying in age, income, and lifestyle. We tested the hypothesis that HEFFORT can separate motivation from pleasure. First, we explored the relationships between the novel and validated questionnaires using Spearman correlations. Second, we developed an algorithm that predicts individual differences in effortful motivation using supervised machine learning classification techniques. Third, we determined the accuracy of the predictions by testing the algorithm on a separate testing dataset. Our results show that HEFFORT is reliable and able to distinguish between effortful motivation and pleasure. Future testing and use can establish HEFFORT as a research and clinical diagnostic tool that assesses different components of reward.