Generalizing experiences to guide decision-making in novel situations is a hallmark of flexible behavior. Cognitive maps of an environment or task can theoretically afford such flexibility, but direct evidence has proven elusive. In this study, we found that discretely sampled abstract relationships between entities in an unseen two-dimensional social hierarchy are reconstructed into a unitary two-dimensional cognitive map in the hippocampus and entorhinal cortex. We further show that humans use a grid-like code in entorhinal cortex and medial prefrontal cortex for inferred direct trajectories between entities in the reconstructed abstract space during discrete decisions. These grid-like representations in the entorhinal cortex are associated with decision value computations in the medial prefrontal cortex and temporoparietal junction. Collectively, these findings show that grid-like representations are used by the human brain to infer novel solutions, even in abstract and discrete problems, and suggest a general mechanism underpinning flexible decision-making and generalization.

Abstract Recent work in cognitive and systems neuroscience has suggested that the hippocampus might support planning, imagination, and navigation by forming “cognitive maps” that capture the structure of physical spaces, tasks, and situations. Critically, navigation involves planning within a context and disambiguating similar contexts to reach a goal. We examined hippocampal activity patterns in humans during a goal-directed navigation task to examine how contextual and goal information are incorporated in the construction and execution of navigational plans. Results demonstrate that, during planning, the hippocampus carries a context-specific representation of a future goal. Importantly, this effect could not be explained by stimulus or spatial information alone. During navigation, we observed reinstatement of activity patterns in the hippocampus ahead of participants’ required actions, which was strongest for behaviorally relevant points in the sequence. These results suggest that, rather than simply representing overlapping associations, hippocampal activity patterns are powerfully shaped by context and goals.

Recent work has shown that the brain abstracts non-spatial relationships between entities or task states into representations called cognitive maps. Here, we investigated how cognitive control enables flexible top-down selection of goal-relevant information from multidimensional cognitive maps retrieved from memory. We examined the relationship between cognitive control and representational geometry by conducting parallel analyses of fMRI data and recurrent neural network (RNN) models trained to perform the same task. We found both stable map-like representations in a medial temporal lobe and orbitofrontal cortical network that reflected both task-relevant and irrelevant dimensions and dynamic, orthogonal representations of only relevant task dimensions in a frontoparietal network. These representational motifs also emerged with distinct temporal profiles over the course of training in the RNN, with map-like representations appearing first. We further show that increasing control demands due to incongruence (conflicting responses) between current task-relevant and irrelevant dimensions impact the geometry of subjective representations, and the degree of this effect further accounts for individual differences in cognitive control. Taken together, our findings show how complementary representational geometries balance stability and behavioral flexibility, and reveal an intricate bidirectional relationship between cognitive control and cognitive map geometry.

Abstract Animals have been proposed to abstract compact representations of a task’s structure that could, in principle, support accelerated learning and flexible behavior. Whether and how such abstracted representations may be used to assign credit for inferred, but unobserved, relationships in structured environments are unknown. Here, we develop a novel hierarchical reversal-learning task and Bayesian learning model to assess the computational and neural mechanisms underlying how humans infer specific choice-outcome associations via structured knowledge. We find that the medial prefrontal cortex (mPFC) efficiently represents hierarchically related choice-outcome associations governed by the same latent cause, using a generalized code to assign credit for both experienced and inferred outcomes. Furthermore, mPFC and lateral orbital frontal cortex track the inferred current “position” within a latent association space that generalizes over stimuli. Collectively, these findings demonstrate the importance both of tracking the current position in an abstracted task space and efficient, generalizable representations in prefrontal cortex for supporting flexible learning and inference in structured environments.

Objectives This study aimed to typify the longitudinal changes in teacher-child conflict relationships among elementary school students and to verify the impact of children's personal and parental factors on the classification of latent profiles in the trajectories of changes in teacher-child conflict relationships. Additionally, the study examined differences in school adaptation across types of teacher-child conflict relationships. Methods Utilizing data from the 9th to 13th waves (2nd to 6th grade in elementary school) of the Panel Study on Korean Children(PSKC), the study estimated a change function suitable for the changes in teacher-child conflict relationships and applied it to classify latent classes. A growth mixture model was used to identify the significance of related child, parental factors, and school adaptation. Results First, it was found that a first-order function model was suitable for the longitudinal changes in teacher-child conflict relationships, and three latent profiles (‘Decreasing’, ‘Maintaining’, ‘Increasing’) were identified based on this model. Upon verifying the influencing factors, compared to the ‘Maintaining’ group set as the reference group, externalized difficulties were significant in the ‘Increasing’ group, while parental interest in school life and externalized difficulties had a significant impact in the ‘Decreasing’ group. Furthermore, when the ‘Decreasing’ group was set as the reference group, externalized difficulties emerged as a significant influencing factor in comparison with the ‘Increasing’ group. In addition, there were overall differences in school adaptation among the three classified groups, with the ‘Maintaining’ group showing a higher level of school adaptation than the ‘Decreasing’ group. Conclusions Based on these results, the study discussed possible measures for improving the conflict relationships between teachers and children.

Abstract Generalizing experiences to guide decision making in novel situations is a hallmark of flexible behavior. It has been hypothesized such flexibility depends on a cognitive map of an environment or task, but directly linking the two has proven elusive. Here, we find that discretely sampled abstract relationships between entities in an unseen two-dimensional (2-D) social hierarchy are reconstructed into a unitary 2-D cognitive map in the hippocampus and entorhinal cortex. We further show that humans utilize a grid-like code in several brain regions, including entorhinal cortex and medial prefrontal cortex, for inferred direct trajectories between entities in the reconstructed abstract space during discrete decisions. Moreover, these neural grid-like codes in the entorhinal cortex are associated with neural decision value computations in the medial prefrontal cortex and temporoparietal junction area during choice. Collectively, these findings show that grid-like codes are used by the human brain to infer novel solutions, even in abstract and discrete problems, and suggest a general mechanism underpinning flexible decision making and generalization.

To make decisions in a social context, humans try to predict the behavior of others, an ability that is thought to rely on having a model of other minds. Having such a model, known as a "theory of mind," allows one to infer the intentions of others, simulate their beliefs, and predict their possible actions, taking into account the fact that others too have a similar theory of mind. Here we show that Bayesian inference of other minds explains human decisions in a group decision making task known as the Volunteer's Dilemma. Our Bayesian model incorporates the effect of one's own actions on future rewards that could accrue to the social group one belongs to. Quantitative results from our normative model of human social decision making suggest that humans maintain a model of other minds and use this model to infer the future actions of others when deciding on their current action. We show that our model explains human data significantly better than model-free reinforcement learning and other previous models.