“他可能会对某些事情有所期待，但不知道是什么，但知道这项调查正在导致他可以围绕其建立计算机模型，可以重复的事物，这将对在线客户决策模型产生巨大影响。”
“十”需要说明Spencer如何创建超级有效的在线激励模型。 该研究结果得出以下“十”的补充。有趣的是，这项研究是真实的，这意味着以如此高的成功率进行激励的能力也是真实的。 参考文献最后。
尽情享受-请记住，我们鼓励您提供反馈。
斯宾塞（Spencer）想确切地知道如何指导决策树。 他想确切地知道是什么导致激励机制起作用，以便他可以将使激励机制起作用的机制用作行为指导过程的一部分。
他开始研究“ 100％有效激励的神经科学”之类的东西，偶然发现了2011年的一份具体研究论文，该论文描述了奖励线索的工作原理。 这引起了他的注意，因为他已经了解了动机和提示，但是并没有真正考虑提示元素。 毕竟，他只是在学习所有这一切。 斯宾塞了解了两个关键项目，这将有助于确定他的激励计划的基础：
1.奖励线索可以充当预测因素和/或激励刺激。 这很关键，因为他现在可以测量，创建用于建模的算法，然后确定提示的有效性。
2.仅当奖励线索是激励性刺激时才使用大脑奖励系统。 这告诉斯宾塞，他必须专注于建立有效的提示系统。
该研究提供了有关有效提示细节的更多细节。
“当提示（有条件的刺激，CS）与食物的输送（无条件的刺激，US）配对时，提示在所有大鼠中都具有诱发CR的能力； 也就是说，它具有同等的预测能力，并支持学习CS-US协会。”
斯宾塞随后开始专注于潜意识食物信息传递，以影响提示 。 斯宾塞像激光一样在他的目标上磨练。 他可能会对某些事情有所预料，不知道是什么，但是知道这项调查正在导致他可以围绕其建立计算机模型，可以重复的事物，会对在线客户决策模型产生巨大影响的事物。
早在星期三的早晨，Spencer抓住了他的咖啡杯，正在做“小小的学习”（当时他只是花时间在他关注的主题上进行搜索），他发现了一篇研究文章使他停下脚步。 他意识到自己找到了答案，可以提高在线成功率 。 他读到
“因此，通过将先前学习的巴甫洛夫关联与有关特定食欲当前状态的新颖生理信息相结合，可以在提示重新遇到时实时进行提示触发的“想要的”信号的动态重新计算。”
Spence认为：“ 想要，激励的主要部分（如果不是主要部分）可以实时，在线地发生 ，而我所要做的就是弄清楚实体的当前状态，甚至更好的是其特定的食欲状态。 我们能做到这一点。”
在那一刻，斯宾塞意识到自己正在走向巨大的事物。 他知道自己需要采取一些措施，才能产生一些切实的数据来说明这一新知识。 他知道他需要可以重复并产生相同结果的测试，即证明测试。 该测试还将生成结果数据，以帮助推动模型的完善。
基于神经学模式，测试必须基于图像，这也是在线实施的要求。 指定的模型：
“…通过结合先前学习的巴甫洛夫式关联和有关特定食欲当前状态的新颖生理信息来重新遇到。”
这意味着基线图像必须在所有测试对象之间通用，越多越好，并且特定食欲的当前状态也必须在所有测试对象之间通用。 新颖的生理因素将不得不等到他确定食欲的共同基线。
Spencer意识到他有一个需要一些细节的测试框架。 只有那样他才能测试。 在意识到这一点之后，他感到自己的能量在增加，并且知道他需要去慢跑才能将能量降低到可控的水平。
斯宾塞变身慢跑，全身筋疲力尽，一直在思考，试图梳理一下我们所有人或至少我们大多数人的食欲。 他离开公寓，开始慢跑，思考可能符合要求的物品清单。 这是一种内部头脑风暴。 他列出了水，基本需求，面包，饮料，肉，蔬菜。 他记得狗有特殊需要时会吃草。 有什么可以采取的解决此问题的方法吗？ 他自言自语：“不切实际的切线，回到清单上，……糖果，糖，这还没有列入清单，但其中一项却有十亿美元的营销活动。 包含糖项目的图像将是基线巴甫洛夫关联。 ”
慢跑时，Spencer想到：“哇，这开始变成某种东西了。 接下来，我需要确定基线，即我们目前的食欲状态。”
再次，斯宾塞开始了集体讨论。 他列出了口渴，高度可变，饥饿，又是高度可变的小型休闲食品？
零食！ 他再次意识到，为维持这种愿望花费了数十亿美元。 那将是构建测试案例的良好起点。
他想：“这已经到位了。” “好的，接下来我必须构建测试用例。”
斯宾塞考虑过最普通的糖食可能是什么。 他认为他将从巧克力开始，开始测试框架。 他认为他以后可以重新访问该项目，以支持研究最常见的食糖食品。 但就目前而言，巧克力将充当占位符。
接下来，他需要一种高度通用的休闲食品来代表当前特定食欲的状态。 他认为，什么是高度销售的休闲食品？ 从苏打水到保健水，一类休闲食品，饮料似乎花费了大量的营销资金。 总体而言，该类别似乎超过了其他休闲食品类别的营销支出，这等于将Spencer视为可能产生的最大影响。 所以现在他有他的两个食物类别。 他现在需要关键，新颖的生理信息来传达，激励， 所要测量的东西 。
对于实验，它必须很简单。 他想：“我们期望通过这种机制向受试者传达什么动作？ 实验可以让受试者采取什么简单的动作？”他还记得他读过一篇关于图像使受试者微笑的研究。 很简单。 他曾经是行动。
斯宾塞现在进行了实验。 他联系了用户体验（UX）研究人员，以建立实验。 研究人员有一个人用于研究。 他们设置了一组图像，然后向每个人提交了一组图像。
受试者有72％的时间表现理想。 斯宾塞认为这是巨大的成功。 他需要随着时间的推移完善模型以提高成功率，但是他知道他正在取得巨大成功。
他有模型和数据！ 接下来，他需要一个有效的交付机制-就像糖一样，他确切地知道在线交付机制需要配合-他刚刚读了一篇关于FOMO的文章（害怕错过-在线活动的普遍现象）。 Spencer意识到他需要从游戏体验中创建FOMO效果-简短的在线游戏广告会产生FOMO效果，使他能够将图像定位在该效果中。
他需要Beth提供反馈并完善模型。
参考文献：
食物预测提示必须具有激励显着性，才能在皮质-纹状体-丘脑脑区域诱导c-fos mRNA表达
http://www.sciencedirect.com/science/article/pii/S0306452211010499
激励显着性的动态计算：“想要”从未被“喜欢”的东西
http://www.jneurosci.org/content/29/39/12220.short
想要和喜欢：神经科学与心理学实验室的观察
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2813042/#!po=17.4419
有选择地增强大脑中脑边缘多巴胺信号的操作往往会特别增加“想要”，
因此，将大脑多巴胺系统视为强有力地控制“想要”是有用的速记（尽管也涉及中皮质皮质下回路的其他神经阶段）。
在我们手中，导致“喜欢”的大脑操纵几乎也总是引起“想要”。
而且，“喜欢”的生成也受到大脑回路的限制，需要同时激活多个热点（而单个热点可以增强“恶意”）
因此，wanting具有较少的变量，因此是更好的开始构建计算机模型的地方
此外，他们表示愿意在开心的表情后被问到的价格是生气后的价格的四倍。
