关于人类感知估计中“切换观察者”模型的学术研究报告

本研究由斯坦福大学心理学系的Steeve Laquitaine与Justin L. Gardner（通讯作者，jlg@stanford.edu）共同完成，并于2018年1月17日发表在《Neuron》期刊第97卷，第462-474页。

一、 研究背景与目标

本研究属于认知神经科学和计算心理学交叉领域，核心关注人类如何进行感知推断（Perceptual Inference）。长期以来，贝叶斯（Bayesian）理论框架为理解人类感知提供了一个优雅的规范性（Normative）模型。该框架认为，大脑在进行感知判断时，会以最优方式将先验知识（Prior）与当前感官证据（Sensory Evidence，或称似然性 Likelihood）进行乘法整合，形成后验概率分布（Posterior Distribution），并从中读出最优估计值。大量研究显示，人类在速度、方向、位置等感知任务中的行为模式（如估计值的平均值和变异性）与基本贝叶斯观察者模型的预测相符。

然而，规范性（最优）理论与启发式（Heuristic）理论之间存在张力。规范性理论描述了系统“应该”实现的目标，但实际实现可能受限于计算资源或神经机制，从而采用更简单、可能次优的启发式策略。本研究旨在深入探究人类在感知估计任务中，其内部计算过程究竟是遵循严格的贝叶斯乘法整合，还是采用了某种更简单的启发式策略来近似最优行为。具体而言，研究者通过两个独立的感知估计任务（运动方向估计和空间朝向估计），系统操纵感官证据的强度和先验分布的强度，旨在检验人类行为是否完全符合基本贝叶斯观察者模型的预测，特别是该模型对估计值整体分布形态的预测。

二、 研究流程与方法

本研究包含两个主要的行为实验，并辅以详尽的计算建模分析。

1. 实验对象与任务设计： * 实验一（运动方向估计）： 12名健康成年人参与。实验采用随机点运动刺激。在每个试次中，受试者需要观察一个短暂呈现（300毫秒）的运动光点团，并报告其感知到的整体运动方向。关键的自变量有两个： * 感官证据强度： 通过改变运动一致性（Motion Coherence，即朝同一方向移动的点所占百分比，分为6%、12%、24%三个水平）来操纵。一致性越低，证据越模糊，不确定性越高。 * 先验知识强度： 通过改变一个试次区块（Block）内所有试次所呈现运动方向的分布宽度来操纵。所有区块的先验均值均为225度，但分布的标准差不同（80度、40度、20度、10度）。标准差越小，表示先验越强、越确定。每个区块包含约200个试次，不同先验强度的区块在实验中随机出现。 * 实验二（空间朝向估计）： 9名新的健康成年人参与。任务逻辑与实验一类似，但刺激物改为一个带有滤波噪声的细长条，任务是估计其空间朝向。感官证据强度通过改变条形的对比度（15.6%和100%）来操纵，先验强度同样通过改变朝向的分布宽度来操纵。 * 反馈与学习： 受试者在每次估计后，会看到真实运动方向/朝向的反馈（一条绿线），但没有关于对错的明确奖惩。这有助于他们快速学习当前区块的先验分布。

2. 数据收集与初步分析： 研究者收集了每位受试者在所有条件下（不同先验强度 x 不同感官证据强度 x 不同真实方向/朝向）的试次级估计值。首先，他们计算了估计值的汇总统计量，包括平均值（反映系统偏差）和标准差（反映变异性或不确定性）。他们将这些行为数据与一个基本贝叶斯观察者模型的预测进行对比。该模型假设： * 感官似然函数和先验分布均服从冯·米塞斯分布（Von Mises distribution，环形空间中的高斯分布）。 * 在每个试次，大脑对真实刺激的感官测量存在内部噪声（由似然函数的宽度参数 ke 表示）。 * 大脑学习到的先验分布宽度（参数 kp）可能与真实先验不同。 * 感知是通过将先验分布与感官似然函数相乘得到后验分布，然后读取后验分布的众数（最大值，即最大后验概率估计 MAP）作为“知觉”，再叠加一个运动输出噪声（参数 km）和一个小概率的随机猜测（lapse rate，参数 pr）来产生最终的行为估计。

3. 核心建模工作流： 研究的关键创新在于对估计值完整分布形态的细致检验，而不仅仅是汇总统计量。当发现基本贝叶斯模型无法解释数据中观察到的双峰分布特征后，研究者开发并系统比较了一系列替代模型： * 基本贝叶斯观察者模型： 作为基准模型。 * 切换观察者模型： 这是本研究提出的核心模型。该模型不进行先验与似然的乘法整合。相反，它假设在每个试次，观察者会根据先验和感官证据的相对强度（由它们的浓度参数决定），以一定的概率“切换”到直接报告先验均值，或以另一概率报告从感官似然函数中读出的方向。这个切换概率的计算基于两者强度，无需引入额外参数。该模型同样包含感官噪声、先验学习、运动噪声和随机猜测参数。 * 多种替代贝叶斯模型： 为了检验双峰分布是否源于其他原因，研究者测试了多个变体： * 长尾先验/似然模型： 假设先验或似然函数具有更长的尾部（混合了均匀分布），这可能在乘法整合后产生双峰后验。 * 基于刺激统计的似然模型： 使用更接近真实随机点运动刺激统计特性的似然函数（基于运动能量模型）。 * 采样贝叶斯观察者： 从后验分布中采样而非取众数。 * 最小二乘读出的贝叶斯模型： 读取后验分布的均值而非众数。 * 加入基数效应先验的模型： 考虑人类对基数方向（如0°，90°）的固有偏好。 * 切换后验模型： 在部分试次报告先验均值，部分试次进行完整的贝叶斯整合后报告后验众数。 * 先验采样切换模型： 切换时，不是固定报告先验均值，而是从学到的先验分布中采样一个值报告，以模拟对先验均值记忆的不稳定性（在空间朝向任务中尤其有用）。 * 模型拟合与比较： 所有模型都使用最大似然估计法在试次级别上拟合每个受试者的行为数据。模型比较主要基于赤池信息准则（AIC），该准则在衡量模型拟合优度的同时惩罚模型复杂度。AIC值越低，模型在权衡拟合度与简洁性后越优。研究者系统地比较了切换模型与所有贝叶斯变体模型的AIC差异。

三、 主要研究结果

1. 汇总统计量与基本贝叶斯模型的一致性： 行为数据显示，当感官证据弱（低一致性）且先验强（窄分布）时，受试者的平均估计值系统地偏向先验均值；估计的变异性（标准差）随着感官证据和先验强度的增加而降低。这些趋势与基本贝叶斯观察者模型的预测完全一致，并且该模型在拟合平均值和变异性方面显著优于一个忽略先验的纯感官模型。这表明受试者确实学习并利用了先验信息，其行为在“汇总统计量”层面上表现出近似最优的特性。

2. 分布形态的显著背离与双峰性的发现： 然而，对估计值完整分布的分析揭示了与基本贝叶斯模型的关键矛盾。基本贝叶斯模型预测，估计值分布应是单峰的，峰值位于先验均值与感官证据之间的某个位置。但实际数据，特别是在感官证据较弱、且呈现方向远离先验均值的条件下，显示出清晰的双峰分布：一个峰值位于呈现的运动方向（感官证据）附近，另一个峰值位于先验均值附近。当先验很强时，在先验均值处的峰值甚至高于感官证据处的峰值。这一现象是基本贝叶斯模型（及其大多数仅改变读out方式的变体）无法解释的。

3. 切换观察者模型的优越性： 本研究所提出的切换观察者模型成功捕捉到了这种双峰性。它不仅能够复现平均估计的偏差和变异性的变化模式，更重要的是，它能定性和定量地生成与人类数据相似的双峰估计分布。模型比较结果显示，在运动方向估计任务中，切换观察者模型对大多数受试者（12人中的8人）数据的拟合优于基本贝叶斯模型。当考虑到受试者对先验均值的记忆可能存在不稳定性（即采用“先验采样切换模型”）时，该模型对所有12名受试者的拟合都优于基本贝叶斯模型。在空间朝向估计任务中，考虑到对朝向先验均值记忆的不稳定性，切换模型同样优于贝叶斯模型（9人中的8人）。

4. 排除其他解释：

   • 学习效应： 分析表明，受试者对先验的学习非常迅速（大约在45个试次内达到95%的学习程度），并且在整个实验区块中保持稳定。因此，双峰性不是由于早期试次依赖感官、后期试次依赖先验所导致的。
   • 刺激随机性： 基于刺激实际统计特性（运动能量）的模型虽然能产生某种程度的双峰，但其预测与数据在定性（如当呈现方向接近先验均值时峰值形状）和定量上均不符。
   • 基于最近试次的启发式： 数据分析显示，受试者的估计偏向于整个区块的先验均值，而非仅仅前一个试次的方向，表明他们学习的是基于历史的长时程先验，而非简单的“最近效应”。
   • 窄先验暴露的特异性： 在一个仅使用最宽先验（80度标准差）的独立实验中，双峰性依然存在，且切换模型仍是最佳模型，表明该现象并非由暴露于极窄先验所诱发。

5. 模型参数的意义： 切换观察者模型拟合出的先验宽度参数更接近实验中使用的真实先验宽度，而基本贝叶斯模型拟合出的先验则系统地弱于真实先验。这暗示切换模型可能更准确地反映了受试者对先验强度的内部表征。

四、 研究结论与意义

本研究得出结论：在运动方向和空间朝向的感知估计任务中，人类受试者的行为虽然在平均表现上符合贝叶斯最优估计的预测，但其试次层面的行为模式揭示了一种不同的计算策略。人类并非始终如一地进行先验与感官证据的乘法整合，而是采用了一种“切换启发式”策略。该策略根据先验和感官证据的相对确定性，在两者之间进行选择性地切换。这种策略能够以更低的计算复杂度（无需进行分布相乘的复杂运算）近似实现贝叶斯最优行为的目标。

科学价值： 1. 调和规范性理论与启发式理论： 研究表明，最优行为的目标与实现该目标的机制可以分离。人类行为在“目标层面”（降低平均误差）是近似最优的，但在“算法层面”采用了更简单、可能更符合神经实现约束的启发式策略。这为理解理性行为与有限认知资源之间的关系提供了新视角。 2. 深化对感知推断算法的理解： 研究揭示了感知推断并非单一、固定的乘法整合过程，而可能包含基于不确定性的策略选择。这挑战了将基本贝叶斯观察者作为人类感知推断“万能模型”的简单看法，推动发展更精细、更贴近生物现实的计算模型。 3. 提出新的计算机制： “切换观察者”模型为解释一系列感知偏差和近似最优行为提供了一个简洁而有力的计算框架。它提示，大脑可能通过在不同神经表征（如编码先验期望的群体和编码感官证据的群体）之间进行“赢者通吃”式的竞争或选择，来实现高效的推断。

应用价值与启示： 1. 神经机制探索： 该模型为寻找支持感知推断的神经相关物提供了新的预测。例如，可以寻找在切换发生时表现出活动模式变化的脑区，或者表征先验和感官证据相对权重的神经信号。 2. 人工智能与机器学习： 在构建需要高效、鲁棒地进行不确定下推理的人工系统时，这种“切换”或“选择”启发式可能提供一种资源节约型的算法灵感。 3. 理解个体差异与精神疾病： 不同个体或在某些精神疾病（如精神分裂症）中，先验与感官证据的整合或切换机制可能失调。本研究提供的范式和分析方法可用于量化这种失调。

五、 研究亮点

1. 重要发现： 首次在感知估计任务中系统性地揭示了人类行为与标准贝叶斯乘法整合模型在估计值分布形态上的根本性背离——即双峰分布的存在，并证明这种模式可以通过一个简单的“切换”启发式模型得到更好的解释。
2. 方法新颖性： 研究没有停留在对行为平均值和变异性的分析上，而是深入挖掘了试次级估计值的完整分布形态，这成为了发现与经典理论矛盾的关键。同时，研究设计了精巧的实验，独立操纵感官证据和先验的强度，为严格检验不同计算模型奠定了基础。
3. 模型比较的全面性： 研究者没有仅仅提出一个新模型，而是系统地构建和比较了十余个相互竞争的替代模型，包括考虑不同先验/似然形状、不同读out方式、不同学习机制等，从而强有力地支持了切换模型是最佳解释。
4. 任务的普适性： 在运动方向和空间朝向两个不同的感知模态中都观察到了类似的现象，并都可用切换模型解释，增强了结论的普遍性。

六、 其他有价值的内容

研究者在讨论中指出，切换行为并不意味着人类完全不能进行贝叶斯整合。在某些任务或情境下，乘法整合可能仍然发生。他们提出了一个层次贝叶斯解释的可能性，即大脑可能有一个关于“当前刺激究竟是从均匀分布还是从峰值分布中产生”的超先验，而切换行为对应于在这个超先验层级上的推断。这为未来研究提供了有趣的方向。此外，研究强调了在理解人类行为时，需要同时考虑计算目标（规范性最优）和实现约束（算法与神经机制），二者共同塑造了我们所观察到的行为模式。