决策谨慎度而非抑制控制力预测赌博严重程度：一项注册研究报告

这篇注册研究通过认知建模（DDM）解构三种抑制控制任务（Stroop/Go/No-go/Stop-Signal）的表现参数，发现赌博严重程度（PGSI评分）与决策谨慎度（caution）呈负相关（β=-0.10, p=0.04），而非传统认为的抑制控制（inhibitory control）。研究挑战了抑制训练干预的靶点选择，为认知矫正提供了新方向。

　　

摘要

赌博障碍（GD）等成瘾行为模型通常将冲动特质视为核心因素，而抑制控制能力（inhibitory control）被认为是关键预测指标。然而，不同抑制任务间弱相关性提示可能存在更复杂的认知机制。本研究采用漂移扩散模型（DDM）解构422名赌博参与者（通过Prolific平台招募，PGSI评分覆盖全谱系）在Stroop、Go/No-go（GNG）和Stop-Signal任务（SST）中的表现参数，发现赌博严重程度与决策谨慎度（caution）显著负相关（R²=0.01, p=0.04），而与传统关注的抑制控制参数无关。这一发现为基于认知的干预策略提供了新靶点。

引言

赌博障碍被定义为"持续反复的问题赌博行为导致临床显著损害"（APA, 2022），英国约0.3%成人受累。既往研究强调抑制控制缺陷是GD标志（Ioannidis et al., 2019 meta-analysis显示效应量Hedge's g=0.39），但抑制任务间低相关性（r<0.3）暗示"通用抑制能力"可能不存在（Rey-Mermet et al., 2018）。认知建模揭示传统反应时（RT）和准确率指标实际反映多重认知过程：抑制控制、一般加工速度、决策谨慎度和感知/运动速度（Hedge et al., 2022）。

假设

H1：抑制控制与PGSI正相关（未支持）

H2：加工速度与PGSI负相关（边缘显著，β=-0.09, p=0.066）

H3：谨慎度与PGSI相关（支持，β=-0.10）

H4：感知/运动速度与PGSI相关（未支持）

方法

样本：通过功率分析（power=90%, α=0.05）确定需422人，最终样本PGSI分布：无/低风险（PGSI<3）占31.3%，高风险（PGSI≥19）仅4%。

任务设计：

• •

  Stroop：600试次（50% incongruent），测量语义干扰抑制

• •

  GNG：600试次（75% go），抑制优势反应

• •

  SST：600试次（25% stop），采用动态跟踪算法调整停止信号延迟（SSD）

建模：使用HDDM软件分解行为数据为DDM参数，通过探索性因子分析（EFA）生成四类认知过程因子分。

结果

关键发现：

1. 1.

   谨慎度因子（含DDM边界参数a）与PGSI显著负相关，解释1%方差

2. 2.

   抑制控制参数（含SSRT）未形成共同因子，与PGSI无显著关联（整体模型p=0.406）

3. 3.

   传统行为指标（如Stroop效应RT）与PGSI无相关性

解释性讨论：

低谨慎度个体更倾向于"速度-准确率权衡"中的快速决策，这与GD患者的风险偏好一致（Peters et al., 2020）。而既往meta分析可能因未分离谨慎度与抑制控制而高估后者效应：

• •

  GNG高错误率可能反映冲动而非抑制缺陷

• •

  SST中策略性减速会导致SSRT缩短假象（Leotti & Wager, 2010）

局限与展望

1. 1.

   效应量较小（r≈0.1），需N≈800达到足够统计力

2. 2.

   高严重度样本不足（PGSI≥19仅4%），临床推广需谨慎

3. 3.

   谨慎度的跨情境稳定性待验证（如风险决策vs.抑制任务）

应用价值

当前认知矫正干预多靶向抑制控制（如训练APP），但本研究提示调整决策策略（如通过谨慎度训练）可能是更优路径。谨慎度具有可塑性（Ratcliff & Rouder, 1998），适合作为干预切入点。

伦理与数据

研究通过Aston大学伦理审查（HLS21131），数据匿名存储在OSF平台（https://osf.io/f2v45/），符合GDPR规范。