Standaard sequential sampling modellen zijn zeer succesvol in het verklaren van hoe we alledaagse, maar toch belangrijke, beslissingen nemen, zoals wanneer het veilig is om de weg over te steken. Een belangrijk recent voorstel om deze modellen te verbeteren, was om het beslissingsproces aan te passen aan de instabiliteit van de omgeving. In het alledaagse leven moeten we echter vaak voortdurend wisselen tussen meerdere omgevingen, verschillend in instabiliteit, en ons leren aanpassen aan al deze omgevingen tegelijk. Daarom stellen we een nieuw model voor dat in staat is het beslissingsproces aan te passen aan verschillende omgevingen tegelijk door contextuele cues te associëren met omgevingsinstabiliteiten. We gaan dit model ontwikkelen en gedragsexperimenten uitvoeren waarin deelnemers een random dot motion taak maken terwijl ze voortdurend wisselen tussen omgevingen, herkenbaar aan contextuele cues. We gaan testen of ons model de gedragsdata beter verklaart dan andere modellen. We gaan ook onderzoeken of mensen deze context-instabiliteit associaties gepast kunnen generaliseren wanneer ze optimale beslissingen moeten nemen in nieuwe, maar gelijkaardige, omgevingen. Deze paradigma’s gaan ons ook een nieuwe kijk geven op de neuronale kenmerken van deze taakuitvoeringsparameters. Met behulp van representational similarity analyse gaan we onderzoeken welke hersenregio’s een respons vertonen die consistent is met de context-specifieke regulatie van deze beslissingsparameter.