Abstract What drives us to search for creative ideas, and why does it feel good to find one? While previous studies demonstrated the positive influence of motivation on creative abilities, how reward and subjective values play a role in creativity remains unknown. This study proposes to characterize the role of individual preferences (how people value ideas) in creative ideation via behavioral experiments and computational modeling. Using the Free Generation of Associates Task coupled with rating tasks, we demonstrate the involvement of valuation processes during idea generation: preferred ideas are provided faster. We found that valuation depends on the adequacy and originality of ideas and guides response selection and creativity. Finally, our computational model correctly predicts the speed and quality of human creative responses, as well as interindividual differences in creative abilities. Altogether, this model introduces the mechanistic role of valuation in creativity. It paves the way for a neurocomputational account of creativity mechanisms. Public Significance Statement This study addresses the role of individual preferences in creativity. It demonstrates that preferences for ideas energize creative idea production: the more participants like their ideas, the faster they provide them. Moreover, preferences rely on an equilibrium between the adequacy and originality of ideas and vary across individuals. This study introduces a computational model which incorporates individual preferences and that correctly predicts the speed and quality of responses in a creative idea generation task, as well as inter-individual differences in creative abilities. Comparison of several versions of this model demonstrated that preferences guide the selection of creative responses.

Abstract Exploring why individuals vary in their willingness to exert effort is pivotal for understanding human motivation. Here, we utilized proton magnetic resonance spectroscopy ( 1 H-MRS) at 7 Tesla on the dorsomedial prefrontal cortex/dorsal anterior cingulate cortex (dmPFC/dACC) and anterior insula (AI) to uncover neurometabolic factors that influence these differences. Computational modeling and machine learning revealed that a model established on dmPFC/dACC metabolites could effectively predict decisions to exert high mental effort and sensitivity to mental effort but not physical effort. Glutamate, aspartate, and lactate in dmPFC/dACC were identified as key discriminative metabolites in the dmPFC/dACC, predictive of mental effort choices, whereas AI metabolism did not predict effort-related decisions. Notably, there was a correlation between plasma and dmPFC/dACC lactate levels, suggesting a metabolic link between peripheral and central biomarkers of effort. Our findings provide novel insights into the neurometabolic underpinnings of motivated behavior and propose novel biomarkers for mental effort-based decision-making.

Abstract Functional outcomes (e.g., subjective percepts, emotions, memory retrievals, decisions, etc…) are partly determined by external stimuli and/or cues. But they may also be strongly influenced by (trial-by-trial) uncontrolled variations in brain responses to incoming information. In turn, this variability provides information regarding how stimuli and/or cues are processed by the brain to shape behavioral responses. This can be exploited by brain-behavior mediation analysis to make specific claims regarding the contribution of brain regions to functionally-relevant input-output transformations. In this work, we address four challenges of this type of approach, when applied in the context of mass-univariate fMRI data analysis: (i) we quantify the specificity and sensitivity profiles of different variants of mediation statistical tests, (ii) we evaluate their robustness to hemo-dynamic and other confounds, (iii) we identify the sorts of brain mediators that one can expect to detect, and (iv) we disclose possible interpretational issues and address them using complementary information-theoretic approaches. En passant , we propose a computationally efficient algorithmic implementation of the approach that is amenable to whole-brain exploratory analysis. We also demonstrate the strengths and weaknesses of brain-behavior mediation analysis in the context of an fMRI study of decision under risk. Finally, we discuss the limitations and possible extensions of the approach.

Motivation levels vary across individuals, yet the underlying mechanisms driving these differences remain elusive. The dorsomedial prefrontal cortex/dorsal anterior cingulate cortex (dmPFC/dACC) and the anterior insula (aIns) play crucial roles in effort-based decision-making. Here, we investigate the influence of lactate, a key metabolite indicating energy deficit, on decisions involving both physical and mental effort, as well as its effects on neural activation. Using proton magnetic resonance spectroscopy and functional MRI in 75 participants, we find that higher lactate levels in the dmPFC/dACC are associated with reduced motivation for physical effort, a relationship mediated by neural activity within this region. Additionally, plasma and dmPFC/dACC lactate levels correlate, suggesting a systemic influence on brain metabolism. Supported by path analysis, our results highlight lactate's role as a modulator of dmPFC/dACC activity, hinting at a neurometabolic mechanism that integrates both peripheral and central metabolic states with brain function in effort-based decision-making.

Is irrational behavior the incidental outcome of biological constraints imposed on neural information processing? In this work, we consider the paradigmatic case of gamble decisions, where gamble values integrate prospective gains and losses. Under the assumption that neurons have a limited firing response range, we show that mitigating the ensuing information loss within artificial neural networks that synthetize value involves a specific form of self-organized plasticity. We demonstrate that the ensuing efficient value synthesis mechanism induces value range adaptation. We also reveal how the ranges of prospective gains and/or losses eventually determine both the behavioral sensitivity to gains and losses and the information content of the network. We test these predictions on two fMRI datasets from the OpenNeuro.org initiative that probe gamble decision-making but differ in terms of the range of gain prospects. First, we show that peoples' loss aversion eventually adapts to the range of gain prospects they are exposed to. Second, we show that the strength with which the orbitofrontal cortex (in particular: Brodmann area 11) encodes gains and expected value also depends upon the range of gain prospects. Third, we show that, when fitted to participant's gambling choices, self-organizing artificial neural networks generalize across gain range contexts and predict the geometry of information content within the orbitofrontal cortex. Our results demonstrate how self-organizing plasticity aiming at mitigating information loss induced by neurons' limited response range may result in value range adaptation, eventually yielding irrational behavior.

Abstract Computational investigations of learning and decision making suggest that systematic deviations to adaptive behavior may be the incidental outcome of biological constraints imposed on neural information processing. In particular, recent studies indicate that range adaptation, i.e., the mechanism by which neurons dynamically tune their output firing properties to match the changing statistics of their inputs, may drive plastic changes in the brain’s decision system that induce systematic deviations to rationality. Here, we ask whether behaviorally-relevant neural information processing may be distorted by other incidental, hard-wired, biological constraints, in particular: Hebbian plasticity. One of our main contributions is to propose a simple computational method for identifying (and comparing) the neural signature of such biological mechanisms or constraints. Using ANNs (i.e., artificial neural network models) and RSA (i.e., representational similarity analysis), we compare the neural signatures of two types of hard-wired biological mechanisms/constraints: namely, range adaptation and Hebbian plasticity. We apply the approach to two different open fMRI datasets acquired when people make decisions under risk. In both cases, we show that although peoples’ apparent indifferent choices are well explained by biologically-constrained ANNs, choice data alone does not discriminate between range adaptation and Hebbian plasticity. However, RSA shows that neural activity patterns in bilateral Striatum and Amygdala are more compatible with Hebbian plasticity. Finally, the strength of evidence for Hebbian plasticity in these structures predicts inter-individual differences in choice inconsistency.

Abstract Neural signal shapes convey significant information about their generating processes. In this study, we introduce a data-driven methodology to identify sensory and behaviourally-relevant traces within neural responses. We present a phenomenological model that characterises temporal variations in intracranial EEG using eight interpretable parameters: peak time, peak intensity, initial and final baselines, accumulation and depletion period, and their respective concavities. This model effectively captures subtle signal variations, especially in sensory decision-making tasks. By decomposing the signals in this manner, we then conduct a comprehensive brain mediation analysis on iEEG data’s shape, pinpointing regions that mediate behavioural processes. Importantly, we can determine which signal dynamics specifically reflect underlying behavioural processes, enhancing the depth of analysis and critique of their role in behaviour. Preliminary applications on a cohort of epileptic patients reveal that our model explains over a third of the signal variance at the trial level across all brain regions. We identified four key regions—encompassing sensory, associative, frontal, and premotor areas—that mediate the impact of task difficulty on reaction time. Notably, in these regions, it was the depletion period, rather than signal amplitude, that correlated with behavioural speed. This study highlights the potential of our approach in providing detailed insights into the neural mechanisms linking stimuli to behaviour.