情感线索整合的贝叶斯机制与个体差异研究：来自动态场景下情绪推断的证据

《Nature Communications》：Integration of affective cues in context-rich and dynamic scenes varies across individuals

【编辑推荐】为揭示人类在复杂社交场景中如何整合面部表情与情境线索进行情绪推断，研究人员开展了涉及944名被试的三项研究。研究发现个体普遍采用贝叶斯（Bayesian）模型动态加权线索歧义性进行最优整合，但存在显著个体差异：部分个体使用启发式（Heuristic）平均策略。该研究发表于《Nature Communications》，为情感认知的个体化计算模型奠定了理论基础。

　　

在纷繁复杂的社交世界中，我们每时每刻都在进行着高速的情感解码——从稍纵即逝的微表情到错综复杂的环境线索，大脑如同一位技艺精湛的侦探，将碎片化的情感信号拼凑成完整的情绪图景。这种能力是人类社会互动的基石，但背后的认知机制却始终笼罩在迷雾中：当面部表情与情境信息同时存在时，人脑是如何决定哪些信号更值得信赖？不同线索是简单平均还是动态加权？个体之间是否存在策略差异？

长期以来，研究者们争论不休。一方主张最优整合的贝叶斯（Bayesian）理论，认为大脑会像精密仪器般计算每条线索的歧义性（ambiguity）并分配权重；另一方则支持简洁的启发式（Heuristic）模型，认为大脑会采用“平均主义”策略简化计算。然而，传统研究多局限于静态刺激，难以捕捉真实社交场景的动态本质，更缺乏对个体差异的系统性探索。

为破解这一谜题，研究团队在《Nature Communications》发表的最新研究中，通过三项精心设计的行为实验（总样本量n=944），首次在动态场景下验证了情感推断的贝叶斯计算框架。研究发现，大多数人的大脑确实是“天生的贝叶斯学家”——能够根据线索可靠性动态调整权重，但人群中隐藏着习惯采用启发式策略的“效率优先者”。这种个体差异的发现，如同在认知神经科学领域投下一块巨石，揭示了人类情感处理机制的复杂图谱。

关键技术方法方面，研究整合了三项独立实验的数据（包括新采集和既有数据集），采用计算建模方法对比了贝叶斯整合模型与启发式整合模型的预测效能，并通过模型拟合优度评估个体差异。所有实验均采用动态社交场景刺激材料，要求被试对场景中人物的情绪状态进行推断。

模型比较揭示最优整合机制

通过系统比较贝叶斯模型与启发式模型的预测能力，研究发现贝叶斯框架显著优于简单的线索平均策略。该模型核心在于其动态加权机制——大脑不仅整合多模态情感线索，更会实时评估每条线索的歧义性程度。当面部表情模糊不清时，情境信息的权重会自动提升；当情境充满矛盾时，面部表情的决策价值随之增强。这种灵活调整使得情感推断在多数情况下能达到最优解。

个体差异揭示策略分化

深入分析揭示惊人发现：虽然群体层面支持贝叶斯模型，但个体层面存在明显分化。约三分之一被试表现出典型的启发式策略特征，他们对线索歧义性变化不敏感，始终采用固定比例整合不同信号。这种策略虽降低了认知负荷，但牺牲了推断精度，形成了“效率与精准”的认知权衡。

稳定权重模型的失效

研究还检验了稳定权重整合模型（即固定权重分配）与非整合模型（如单独依赖面部或情境）的适用性。结果明确显示，这些简化模型无法有效预测真实行为数据，证实了动态加权在复杂社交情境中的必要性。

研究结论表明，人类情感线索整合遵循近似最优的贝叶斯计算原则，但存在显著的个体化策略分化。这种分化可能源于认知风格、经验积累甚至神经基础的差异，为理解社会认知障碍（如自闭症谱系障碍）提供了新视角。该研究不仅建立了情感推断的计算模型范式，更启示未来研究需从群体平均水平转向个体差异探索，为发展个性化社交干预方案奠定理论基础。