本研究由Ting Jiang (蒂尔堡大学及宾夕法尼亚大学)、Jan Potters (蒂尔堡大学) 和 Yukihiko Funaki (早稻田大学) 共同完成，论文发表于*Journal of Behavioral Decision Making*期刊，并已于2015年10月在线发表，于2016年正式刊出。

研究背景与目标

此项研究属于行为经济学与实验经济学的交叉领域，其核心在于探索社会偏好（Social Preferences）模型的真实性及其背后的认知过程。社会偏好模型（如Fehr & Schmidt, 1999; Charness & Rabin, 2002）假设个体的效用不仅取决于自身收益，也受到他人收益的影响，从而能够解释大量的非自私行为。然而，传统研究主要依赖观察被试的最终选择来推断其社会偏好类型（如追求效率/Maximizing Efficiency、最大化最小值/Maximizing the Minimum Payoff或最小化嫉妒/Minimizing Envy）。这种方法存在根本性的局限：不同的偏好模型可能预测出完全相同的选择模式。因此，仅凭选择数据很难从根本上区分一个行为是源于某种真实的偏好驱动，还是一种与模型预测偶然相符的“看似如此”（as if）的行为。这种识别问题（Identification Problem）使得研究者难以确信所推断的偏好是否真实驱动了决策过程。

为了解决这一难题，本研究引入了一种过程追踪技术——眼动追踪（Eye Tracking）。研究的基本假设是：如果个体确实由某种特定的社会偏好所驱动，那么在选择过程中，他们会相应地、有区别地获取决策所需的信息，而这种信息获取模式会反映在独特的眼动轨迹上。例如，一个追求最大化最小值（关心最弱势者）的人，理应在决策过程中更多地将注意力集中在最低收益的信息上。因此，本研究旨在通过对比基于选择数据的偏好分类与基于眼动数据的偏好分类之间的一致性，来验证社会偏好模型的“行为相关性”（Behavioral Relevance）。如果两者高度一致，则表明所推断的偏好不仅能够预测选择，还能描述导致这些选择的认知信息加工过程，从而极大地增强该偏好模型的解释力和可信度。

详细研究流程与方法

本研究采用了严谨的实验经济学范式结合眼动追踪技术，整个工作流程可以分为实验设计、被试处理、数据采集与数据分析四个主要环节，具体细节如下：

第一环节：实验设计与材料准备。 研究采用了类似于Engelmann and Strobel (2004)的三人分配游戏（three-person distribution/dictator games）。在这些游戏中，被试扮演“分配者”（Person 2），从三个分配方案（A, B, C）中选择一个，以决定另外两个匿名参与者（Person 1和Person 3）的收益，而自身的收益在所有方案中固定不变（恒为9）。这种设计巧妙地剥离了自利动机，使研究能够纯粹聚焦于社会偏好。研究团队设计了18个不同的游戏（支付矩阵）。这些矩阵具备以下特征：Person 1总是最高收益者，Person 2（分配者）收益固定居中，Person 3总是最低收益者。在12个游戏中，三个核心社会偏好规则（最大化总和/Maxi-sum， 最大化最小值/Maxi-min， 最小化与最高收益者的差距/Mini-envy）会给出相互冲突的选择建议；而在另外6个游戏中，这些规则的建议是重叠的，以评估规则的联合预测力。每个游戏都有两个版本，仅A列和C列的顺序互换，以控制视觉注视的列顺序偏差。

第二环节：被试与实验程序。 共有51名来自蒂尔堡大学的学生参与了实验。实验在配备Tobii 1750眼动仪的独立隔间中进行。实验分为两个部分。 * 第一部分（偏好决策部分）： 被试在无特定指令的情况下，作为Person 2完成上述18个游戏的自由选择。他们被告知，实验结束后会被随机与其他两名参与者匹配，并随机分配角色（1，2，3），然后随机抽取一轮游戏，实施该轮中Person 2的选择以决定所有人的报酬。这意味着被试的决策只有在他们被随机选为Person 2时才影响他人报酬，而他们作为Person 2时的自身报酬总是9，从而强调了决策的社会性。 * 第二部分（规则诱导部分）： 被试在明确的指令和金钱激励下，按照指定的规则进行选择。他们需要依次完成：8个游戏按“最大化总和”规则选择，8个游戏按“最大化最小值”规则选择，以及8个游戏按“最小化嫉妒”（即最小化Person 1与Person 2的收益差）规则选择。每个正确答案奖励0.20欧元。这部分实验的目的是为了获取“纯净”的眼动模式数据——即在几乎可以确定被试正在执行特定规则时，其眼动轨迹是怎样的。这为后续基于眼动数据推断自由决策时的偏好规则提供了校准基准。在数据分析前，研究者预先设定了排除标准：在任一规则的8个问题中错误达到或超过一半的被试将被排除，最终5名被试被剔除，剩余46名有效被试。

第三环节：数据采集与处理。 * 眼动数据采集： 使用Tobii 1750眼动仪和ClearView 2.7.0软件记录和分析眼动数据。采样率为50Hz。在实验屏幕上，为支付矩阵的9个收益单元格分别定义了兴趣区（Areas of Interest, AOIs）。记录的数据包括：注视点次数（Fixation Count）、在每个AOI内的总注视时间即凝视时间（Gaze Time），以及在不同AOI之间移动的次数即眼跳（Saccades）。 * 眼动变量构建： 从原始数据中构建了两大类、共八个关键变量用于分析。 1. 凝视时间变量： 构建了三个变量（gaze_row_1, gaze_row_2, gaze_row_3），分别表示分配给第一行（Person 1收益）、第二行（Person 2收益）和第三行（Person 3收益）的凝视时间占总凝视时间的比例。研究者有意未使用列凝视时间变量，以避免因不同规则偏好的选项在屏幕上的位置偶然相关而“虚增”眼动数据的预测力，确保分析纯粹基于与偏好结构相关的信息获取模式。 2. 眼跳变量： 构建了五个变量，分别衡量不同类别的眼跳占总眼跳次数的比例： * sac_within_rows: 在同一行内不同列之间的眼跳（比较同一个人的不同收益）。 * sac_between_rows12: 在第一行与第二行之间的眼跳（比较Person 1和Person 2的收益）。 * sac_between_rows13: 在第一行与第三行之间的眼跳（比较Person 1和Person 3的收益）。 * sac_between_rows23: 在第二行与第三行之间的眼跳（比较Person 2和Person 3的收益）。 * sac_within_aois: 在同一AOI内的眼跳。

第四环节：数据分析工作流。 1. 基于规则诱导数据的模型建立： 使用第二部分（规则诱导部分）的眼动数据和对应的已知规则标签，估计了一个多项Logit模型（Multinomial Logit Model）。该模型以被试在每轮游戏中使用的规则（maxi-sum, maxi-min, mini-envy）为因变量，以上述八个眼动变量为自变量。模型估计结果非常直观且符合逻辑。例如，凝视第三行（Person 3）时间的增加，会显著提高模型预测为“最大化最小值”规则的概率；而行1与行2之间的眼跳增加，则会显著提高预测为“最小化嫉妒”规则的概率。该模型在86%的情况下能正确预测被试正在使用的规则，表明眼动模式与决策规则之间存在清晰、可识别且直观的联系。 2. 基于选择数据的偏好分类： 对第一部分（偏好决策部分）每个被试的18个选择进行分析，计算其选择分别与三个规则相符的次数比例。将被试分类到与其选择最一致的规则（即“主导规则”，Dominant Rule）。结果显示，在45名被试（剔除1名平局者）中，26人主导规则为最大化最小值，10人为最大化总和，9人为最小化嫉妒。总体上，87%的选择与主导规则一致，表明这三个规则足以捕获大部分被试的行为模式。 3. 基于眼动数据的偏好分类： 将第一部分每个被试每一轮的眼动数据输入上述已建立的Logit模型，得到模型预测该轮被试使用各规则的概率。然后，计算每个被试在所有18轮中被预测为使用各规则的平均概率。将每个被试分类到平均预测概率最高的规则。 4. 一致性检验与稳健性分析： 将基于选择数据的分类与基于眼动数据的分类进行交叉对比。此外，研究还进行了多项稳健性检验，包括：使用注视点次数替代凝视时间；仅使用部分变量构建模型；仅分析第二次出现的游戏（以考察学习效应）；根据眼动数据预测强度对被试进行分组分析；以及在单个试次水平上检验眼动数据对选择的预测力。

主要研究结果

本研究的主要发现体现在多个层面，数据相互支持，逻辑链条清晰。

首先，规则诱导部分成功建立了社会偏好规则与独特眼动模式之间的映射关系。 多项Logit模型的结果（如图2和附录表D1所示）提供了强有力的证据。例如，凝视第三行（gaze_row_3）的时间比例每增加一个标准差，模型预测被试使用最大化最小值规则的概率就上升约10%。同样，行1与行2之间的眼跳（sac_between_rows12）比例增加一个标准差，预测使用最小化嫉妒规则的概率上升约12%。这些结果高度符合直觉：最大化最小值需要关注最低收益者（第三行），而最小化嫉妒则需要频繁比较最高收益者与自己（第一行与第二行）。这证实了研究的基本前提：不同的决策规则需要获取和处理不同的信息，并反映在可测量的眼动差异上。

其次，也是核心发现，在自由决策情境下，基于选择数据的偏好分类与基于眼动数据的偏好分类之间存在显著且有意义的一致性。 如表3所示，在45名被试中，有28名（62%）的两种分类结果完全吻合。这一致性通过了Cohen‘s Kappa检验，具有高度统计显著性（p < .001）。这意味着，对于大多数被试而言，通过分析其选择推断出的社会偏好类型，与通过分析其决策时的信息获取模式推断出的类型是一致的。简言之，“你看他们的选择时他们似乎感兴趣的东西，与你追踪他们的眼动时他们似乎感兴趣的东西是相符的。” 这为社会偏好模型的真实性提供了强有力的过程性证据，表明它们不仅仅是“看似如此”的拟合模型，而是真实描述了驱动决策的认知过程。

再次，稳健性分析进一步巩固了这一核心结论。 * 当仅使用被试第二次遇到的相同结构游戏（即剔除可能的初始探索阶段）进行分析时，分类一致性从62%提升至67%，表明随着被试对任务更熟悉，其决策过程与信息获取过程的一致性更高。 * 将被试按眼动数据预测其规则的“强度”进行分组后发现，在眼动证据较强的被试组中，分类一致性高达73%，而在较弱的组中为52%。这说明眼动数据质量越高，与选择数据的契合度也越好。 * 在试次水平上，眼动数据对被试的单个选择也具有显著的预测力（χ²检验，p < .001），准确率达到67%。 * 更有趣的是，即使在6个三种规则预测重叠的游戏（即选择数据无法区分偏好）中，眼动数据依然能够以显著高于随机水平的准确度（56%， p = .049）预测出被试在其他游戏中表现出来的主导偏好。这表明眼动追踪在传统选择数据失效的场合，仍能提供有价值的识别信息。

最后，研究还对分类不一致的情况进行了探索性分析。 发现不一致可能部分源于少数被试的选择不一致（如在相同游戏的不同版本中做出不同选择），或者部分被试可能遵循了未被模型涵盖的其他更复杂的偏好（如不平等厌恶或准最大化最小值）。这恰恰说明了眼动数据的另一个潜在价值：当选择数据与过程数据不一致时，可能提示了现有模型的误设，从而指引研究者去探索更复杂的偏好模型。

结论与意义

本研究的主要结论是：社会偏好模型与决策过程中的眼动模式之间存在显著对应关系。当个体的选择符合某种社会偏好时，其信息获取过程也倾向于反映出该偏好的特征。这一发现极大地增强了社会偏好模型作为行为解释工具的可信度，因为它们不仅与结果（选择）一致，也与导致结果的认知过程（信息获取）一致。

研究的科学价值在于方法论和理论验证两个层面。 1. 方法论贡献： 本研究提供了一套利用眼动追踪技术验证经济理论模型的新范式。关键在于通过“规则诱导”阶段获取基准眼动模式，再用此基准去解读“自由决策”阶段的眼动数据。这种方法可以推广到行为经济学的其他领域，如认知复杂性、学习过程或启发式与偏误的检验。 2. 理论验证价值： 研究为社会偏好理论的微观认知基础提供了直接证据。它表明，诸如效率、公平（关注最差者）和嫉妒等社会偏好概念，并非仅仅是经济学家为了方便解释行为而设定的抽象参数，而是与可观测的、系统性的信息处理模式相关联的真实心理构念。

研究亮点

本研究的亮点突出表现在以下几个方面： 1. 创新性的研究视角： 首次系统地将眼动追踪这一过程追踪技术用于验证社会偏好模型的“真实性”，超越了传统仅依赖选择数据的推断方法，解决了行为经济学中一个长期存在的模型识别难题。 2. 巧妙的实验设计： 采用“规则诱导”与“自由决策”相结合的实验流程，为眼动数据的解释提供了客观、可校准的基准，这是方法论上的关键创新。 3. 清晰且强有力的核心发现： 获得了选择数据与眼动数据分类之间统计上高度显著的一致性（62%），为社会偏好模型的认知现实性提供了令人信服的证据。 4. 丰富的稳健性与探索性分析： 研究并未停留在主要结果上，而是通过多角度的稳健性检验以及对不一致案例的深入探讨，使结论更加可靠，并揭示了眼动数据更广泛的应用潜力（如识别模型误设）。

其他有价值的方面

研究还指出，相较于其他神经科学研究方法（如fMRI），眼动追踪成本更低、对被试侵扰性小，且数据相对易于分析和解释。相较于其他过程追踪方法（如Mouselab或出声思维法），眼动记录是无意识的、非侵入性的，更能反映自动化的信息处理过程，而较少诱发有目的性的、可能改变自然决策过程的推理。这些优势使得眼动追踪在行为经济学研究中具有广阔的应用前景。