主动消歧：社会互动中可控性与因果推断的行为策略与神经机制

《Nature Communications》：Active disambiguation guides inferring controllability and cause in social interactions

在合作或竞争的社会环境中，个体如何从模糊的共享结果中推断出自身与他人的贡献度（可控性）是一个核心问题。本研究通过fMRI与计算建模，揭示了人类会采用一种名为“主动消歧（Active Disambiguation, AD）”的行为策略，即通过故意犯错来主动干预环境，从而消解不确定性并推断可控性。研究发现，缘上回（Supramarginal Gyrus, SMG）的神经活动不仅编码了不确定性，还表征了AD行为、可控性推断以及基于可控性信念的社会预测误差（sPE/oPE）分配。该研究为理解社会信用分配（Social Credit Assignment）的认知神经机制提供了新视角。

　　

在人类社会中，合作是常态。从共同完成一个科研项目到团队赢得一场比赛，我们常常需要与他人协作。然而，当结果揭晓时，无论是成功还是失败，一个根本性的问题随之而来：这究竟是谁的功劳，或者是谁的责任？在心理学和认知神经科学中，这被称为“信用分配（Credit Assignment）”问题。具体来说，个体需要从模糊的共享结果中，推断出三个关键信息：我自己的表现如何？他人的表现如何？以及，我在这件事上到底有多大的控制权或影响力？

这个问题之所以困难，是因为结果往往是多因一果。例如，一个学生收到了关于小组项目的平庸反馈，她很难判断这是因为自己能力不足，还是因为队友拖了后腿，亦或是自己在这个项目中的话语权本就不高。以往的研究多关注于个体如何将结果归因于不同的选择或刺激，但在涉及多主体的社会情境中，如何将模糊的反馈归因于自身或他人，并推断出可控性，其机制尚不明确。理解这一过程不仅有助于揭示人类学习的基本原理，也对理解抑郁症、精神分裂症等精神疾病中感知控制（Perception of Control）的异常具有重要意义。

为了回答这些问题，来自牛津大学等机构的研究团队在《Nature Communications》上发表了一项研究。他们通过结合功能磁共振成像（fMRI）、行为实验和计算建模，揭示了人类在面对社会信用分配难题时，会采用一种名为“主动消歧（Active Disambiguation, AD）”的独特行为策略，并发现缘上回（Supramarginal Gyrus, SMG）在这一过程中扮演了核心角色。

研究方法概述

本研究招募了31名参与者进行fMRI实验，另有69名参与者完成在线行为实验。研究人员设计了一个社会信用分配任务，参与者需要与一个虚构的玩家合作完成一系列小游戏。在游戏中，参与者无法直接感知自己或他人的表现，只能依赖一个单一的、参数化的反馈分数来推断三个隐藏的潜在原因：自己的表现、他人的表现以及自己的控制水平。任务被分为不同的阶段，以系统性地操纵参与者需要学习的信息。例如，在“自我-他人”阶段，参与者知道自己的控制水平，但需要推断自己和他人的表现；而在“控制-他人”阶段，参与者知道自己的表现水平，但需要推断自己的控制水平和他人的表现。为了激励参与者准确地进行信用分配，他们的奖金取决于其评级（Rating）的准确性，而非游戏表现本身。研究团队还开发了贝叶斯观察者模型（Bayesian Observer Model）来模拟参与者的学习过程，并利用fMRI技术记录了参与者执行任务时的大脑活动。

研究结果

1. 可控性信念调节社会预测误差的分配

研究人员首先验证了参与者在任务中的学习行为。他们发现，参与者能够追踪并预测总体反馈。更重要的是，当参与者知道自己的控制水平时，他们会根据这一控制水平，将总预测误差（Total Prediction Error, tPE）合理地分配给自身和他人。具体而言，当参与者认为自己控制力更强时，他们会将更多的预测误差归因于自己，反之则归因于他人。这种行为模式与一个名为“主动学习者（Active Learner）”的计算模型高度一致，表明参与者能够根据可控性信念，对社会预测误差进行适当的分配。

2. 主动消歧作为一种行为策略

由于任务中的反馈具有模糊性，信用分配变得非常困难。研究人员假设，参与者会采用一种名为“主动消歧（Active Disambiguation, AD）”的策略来应对这一挑战。AD被定义为一种有目的的行为干预，即参与者故意在游戏中表现得很差（例如，在需要精准按键时故意按错），从而将自己的贡献从结果中移除。通过观察这种“自我破坏”行为对反馈的影响，参与者可以更清晰地分离出自身和他人对结果的贡献。

研究结果证实了这一假设。参与者确实会在反馈不确定性高、信息模糊时，更多地产生AD行为。更重要的是，AD行为并非偶然的失误，而是有意的策略，因为参与者事后报告的有意犯错次数与其行为数据中检测到的AD次数高度相关。计算模型的分析进一步表明，AD行为能够有效降低不确定性，并帮助参与者更准确地分配信用，减少评级错误。

3. 主动消歧支持可控性的推断

那么，AD行为具体是如何帮助参与者推断可控性的呢？研究人员提出了一个关键的推断机制：参与者通过比较正常表现和AD表现下的反馈差异，并结合对自己表现水平的估计，来推断自己的控制水平。直观地说，如果故意犯错（AD）导致反馈发生巨大变化，那么参与者可以推断自己拥有较高的控制权；反之，如果反馈几乎没有变化，则说明自己的控制权很低。计算模型对比分析表明，参与者的行为与一个能够识别并利用AD信息的“主动学习者”模型最为吻合，而与那些忽略或误解AD信息的模型存在显著差异。这表明，参与者确实有意识地利用AD行为来推断可控性。

4. 缘上回（SMG）追踪不确定性和主动消歧

接下来，研究人员利用fMRI技术探索了AD行为及其相关认知过程的神经基础。全脑分析发现，在参与者产生动作（即玩游戏）时，左侧缘上回（Supramarginal Gyrus, SMG）的神经活动同时与不确定性（Uncertainty）和AD行为相关。这意味着，SMG在参与者决定是否采取AD策略以解决不确定性时，扮演了重要角色。

5. 缘上回（SMG）携带学习可控性的神经信号

研究人员进一步将分析聚焦于SMG，以探究其在结果反馈阶段的作用。他们发现，当参与者需要推断自己的控制水平时，SMG的神经活动不仅表征了最终推断出的控制水平，还表征了控制信念的更新程度。更重要的是，SMG的神经活动反映了参与者对正常反馈和AD反馈的比较过程，而不是简单地比较当前反馈与前一反馈。此外，SMG的活动还受到参与者对自己表现水平估计的影响。这些发现表明，SMG整合了推断可控性所需的所有关键信息，包括反馈差异、自我表现估计以及最终的信念更新。

6. 缘上回（SMG）追踪分配给自我和他人的预测误差

最后，研究人员考察了当参与者已知控制水平时，SMG如何参与社会预测误差的分配。他们发现，在结果反馈阶段，SMG的神经活动分别受到分配给自己的预测误差（sPE）和分配给他人的预测误差（oPE）的调节。然而，SMG的活动并不追踪总预测误差（tPE）本身。这表明，SMG在社会信用分配中扮演着基于主体（Agent-based）的角色，专门处理与自我和他人相关的预测误差，而不是简单地处理总体结果。

研究结论与讨论

本研究揭示了人类在社会互动中解决信用分配难题的一种核心策略——主动消歧（Active Disambiguation, AD）。当面对模糊的共享结果时，个体会主动改变自己的行为，通过故意犯错来干预环境，从而获取关键信息以消解不确定性。这种行为策略使得个体能够通过比较正常表现和AD表现下的反馈差异，来推断自己对他人的相对控制水平。

在神经层面，缘上回（Supramarginal Gyrus, SMG）是这一过程的核心枢纽。SMG的神经活动不仅编码了驱动AD行为的不确定性，还表征了AD行为本身。在结果反馈阶段，SMG整合了推断可控性所需的所有信息，包括反馈差异、自我表现估计，并最终表征了推断出的控制水平。此外，当控制水平已知时，SMG还负责处理基于可控性信念分配给自我和他人的预测误差。

这项研究将主动信息寻求（Active Information Seeking）和因果推理（Causal Reasoning）的机制扩展到了社会互动领域。它表明，人类不仅是被动地观察环境，还会主动地创造信息来测试关于自身能动性（Agency）的假设。SMG在这一过程中的核心作用，也将其与以往研究中发现的与非社会性信用分配相关的脑区（如腹外侧前额叶皮层）区分开来，强调了其在社会情境中区分自我与他人能动性的独特功能。

这些发现对于理解精神疾病的病理机制具有重要启示。例如，抑郁症患者对不可控结果的感知（抑郁现实主义，Depressive Realism）以及精神分裂症患者的控制妄想（Delusions of Control），都可能与AD策略的异常或SMG功能的失调有关。因此，深入理解AD引导的可控性推断机制，有望为开发新的认知行为疗法提供神经科学依据。