灭绝风险下的决策行为：基于灭绝赌博任务(EGT)的认知机制与策略优化研究

研究人员针对日常生活中普遍存在但研究匮乏的灭绝风险决策问题，开发了灭绝赌博任务(EGT)实验范式，通过三个实验系统比较了Keep/Lose/Reset三种灭绝定义下的最优策略与人类决策差异。研究发现被试能定性区分不同灭绝类型，但存在损失追逐(loss chasing)、范围不敏感(scope insensitivity)和机会成本忽视(opportunity cost neglect)等系统性偏差，为理解高风险决策提供了新范式与计算模型框架。

　　

在现实世界中，人们时刻面临可能改变生命轨迹的高风险决策——从司机判断是否超车到国家制定疫情管控政策，这些涉及不可逆后果的选择被统称为"灭绝风险决策"。尽管这类决策具有重大现实意义，传统风险研究却长期聚焦于独立、可重复的二元选择范式(如Kahneman和Tversky的彩票任务)，难以捕捉灭绝风险特有的序列依赖性和机会成本特征。这种理论与现实的脱节，使得我们既无法解释为何人们常低估极端风险(如疫情期间不当防护)，也难以指导高风险情境的理性决策。

针对这一研究空白，伦敦大学学院的研究团队创新性地提出了灭绝赌博任务(Extinction Gambling Task, EGT)，通过三个系列实验系统考察了人类在Keep(保留既有收益)、Lose(清零所有收益)和Reset(清零但可继续游戏)三种灭绝定义下的决策模式。研究发现被试能定性区分不同灭绝类型：在Keep条件下呈现晚期风险偏好增加，与最优单次转换策略(第56次试验后转选风险选项)方向一致；Lose条件下则早期风险偏好更高，接近动态最优解。计算模型揭示了六类个体策略，包括渐进调整、恒定风险和安全→风险转换等。值得注意的是，被试表现出三类系统性偏差：(1)机会成本忽视——对Keep条件(损失未来机会)的风险评估显著劣于Reset条件(损失当前资产)；(2)损失追逐——引入小额损失(-1p)使风险偏好提升60%；(3)范围不敏感——在Lose条件下未能根据总试验数(60vs100)调整策略。

研究采用的关键技术包括：(1)基于贝尔曼方程(Bellman equation)的动态规划算法推导三种灭绝定义的最优策略；(2)开发混合效应模型处理因灭绝事件导致的非随机缺失数据；(3)构建分层依赖混合模型识别六类个体决策策略；(4)通过参数化模拟进行统计功效分析。实验采用JATOS平台在线实施，通过Prolific招募被试，设置20次练习和100次正式试验，采用逻辑回归分析选择模式。

主要研究结果体现在四个层面：

1. 定义区分：提出Keep/Lose/Reset三种操作化定义，Keep对应"收益终止但保留历史"(如拳击手生涯终结)，Lose对应"全损且终止"(如银行破产)，Reset对应"全损但可重启"(如自然灾害后重建)。
2. 策略对比：Keep条件最优解为后期单次转换策略(56/100次后转风险选项)，Lose条件需动态规划考虑当前资产，Reset条件需额外计算重置概率。
3. 行为模式：实验1显示人类决策与最优解定性吻合但定量偏离，Keep条件下实际转换点(64次)晚于最优(56次)，反映风险厌恶；Lose条件下风险选择比例(17%)接近最优(10%)。
4. 认知偏差：实验3a发现-1p损失使风险偏好提升28%→40%；实验3b揭示对总试验数不敏感，符合窄框架(narrow bracketing)理论。

这项发表于《Cognitive Psychology》的研究开创性地建立了灭绝风险决策的实验范式与计算框架，其意义体现在：(1)理论层面，填补了传统风险研究(如前景理论)对不可逆决策的空白，揭示了机会成本评估的认知瓶颈；(2)方法层面，EGT任务可灵活调整参数(如试验数、损益值)来模拟现实场景；(3)应用层面，为疫情管控、气候政策等高风险决策的偏差矫正提供干预靶点。后续研究可拓展至群体决策、跨领域风险传递等方向，推动形成更完备的灭绝风险决策理论体系。