青少年通过推断潜在动机来构建他人行为的泛化模型

《iScience》：Adolescents infer latent motives to build generalizable models of others’ behavior

　　亮点
• 青少年能够推断出潜在且可泛化的动机，以预测他人的社会决策
• 青少年推断出的动机类型与成年人中常见的类型一致
• 青少年推断出的不同动机数量随着年龄增长而增加

摘要
理解并预测他人的行为是青少年时期一项关键的发展任务，因为此时社会互动变得更加复杂。由于社会情境很少完全重复，准确的预测需要超越过去行为的泛化。我们考察了青少年（n = 127；年龄10至20岁）在一系列经济游戏中预测他人行为的能力。预测准确率随年龄增长而提高。计算建模显示，这种提高是由推断行为背后不可观察动机（例如贪婪和风险厌恶）的倾向增强所驱动的，年龄较大的青少年更有可能推断出多种动机。特别是，从青春期早期到中期，推断风险厌恶变得更为常见。这些结果表明，青少年日益构建出关于他人行为的抽象、可泛化的模型，从而支持在新情境中的灵活社会推理。

图形摘要

引言
社会互动很少是相同的。同一个人可能因情境不同而表现出不同行为：一个通常合作的人可能在个人代价高昂时拒绝帮助，而一个内敛的人可能在声誉受到威胁时大胆行事。成功应对这种变化，不仅需要识别一个人通常的行为方式，还需要推断驱动其选择的动机。青春期是完善这些社会推理技能的关键时期，因为此时同伴关系变得更加核心，社会环境变得更加复杂，使得对他人的学习变得更加突出。然而，大多数发展研究考察的是青少年如何察觉他人的一般行为倾向（如合作性），而非塑造他人行为的潜在动机。在这里，我们将动机定义为稳定的偏好和人格特质，涵盖道德和非道德关注，并构成我们关于他人行为心理模型的基础。我们使用一种基于结构的强化学习方法来考察青少年如何推断社会动机，例如风险厌恶，这些动机使得他们能够在新的情境中准确预测他人的行为。

从计算的角度来看，“动机推断”可以置于更广泛的目标导向学习框架之中。在许多社会学习模型中，关于他人行为的信念是通过将特定行为的概率与个体直接关联来更新的（例如，学习到某人通常值得信赖），同时保持决策情境不变。相比之下，结构学习在更高的表征层面运作：它识别出潜在的变量，如动机，这些变量在不同情境中一致地产生他人的行为。一旦被推断出来，这些潜在动机将丰富的行为压缩为一组紧凑的潜在变量，从而实现超越过去经历情境的泛化。因此，动机推断通过为灵活、情境敏感的预测提供压缩基础，补充了传统的社会学习。

这种情境敏感性是积极社会互动的关键要素。例如，一个青少年可能需要决定是否向朋友倾诉。如果他们的决定仅基于该朋友过去有多值得信赖，他们可能无法预见信赖并非绝对的。一个通常保守秘密的朋友，如果可能获得社会认可，或许会传播闲话。理解他人可能拥有的潜在动机，例如他们是优先考虑忠诚还是个人利益，有助于在不同情境下进行适应性的社会决策（例如，避免被背叛）。可泛化动机的推断在青春期尤为重要，因为与儿童和成年人相比，青少年更加重视社会地位和受欢迎程度。

尽管重要，但大多数实验研究考察的是青少年如何学习他人在重复、相同情境下通常会做出什么决策。这些研究表明，从社会反馈中学习存在与年龄相关的变化，例如更依赖主动采样的关于伴侣过去行为的信息，增加对反复不值得信赖伴侣的回避，以及更好地纠正不准确的先验信息。然而，这些研究往往忽略了现实互动中社会决策发生的情境经常变化的事实。准确预测新情境中的行为需要从过去经验中泛化，通过推断潜在动机来实现。

在成年人中，van Baar等人表明，人们从经济游戏中的决策推断出诸如风险厌恶和贪婪等动机。重要的是，成年人利用这些推断来预测他人在先前未见过的游戏中的行为。在他们的范式中，参与者观察他人在系统变化合作成本和背叛潜在收益的游戏中的决策。参与者不是形成固定的信任印象，而是根据每个情境的具体结构调整预测，从而产生更准确的预测。计算建模揭示，成年人推断出如贪婪和风险厌恶等动机以做出可泛化的预测。这一框架为考察青少年时期社会预测如何形成提供了有力工具。

人们推断出的动机可能与经济决策研究中确立的行为表型一致。一个例子是期望值最大化，这是经济决策理论的基本原理，已被证明在广泛的社会和非社会情境中指导行为。期望值最大化者通过整合关于潜在结果的概率信息（如合作的可能性），并选择具有最高预期效用的选项来行动。社会决策游戏中的其他常见动机包括合作性（即使牺牲个人利益也优先考虑共同结果）、风险厌恶（在潜在巨大损失时回避不确定结果）以及贪婪（追求个人利益而不管他人结果如何）。重要的是，这些动机不仅仅是描述性标签，而是反映跨情境应用的决策规则。计算建模使我们能够测试青少年是否确实推断出这些潜在动机以做出社会预测，并识别他们推断出哪些动机。

推断的动机集合在青春期可能扩展，反映了社会互动经验的增加以及其复杂性和显著性的提高。认知共情的持续发展可能进一步促进这种发展，因为认知共情反映了理解和推理他人思想、意图和动机的能力，尤其是当这些与他人自身不同时。一种可能被认知共情发展克服的偏见是“自我锚定”策略，即个体将自己的动机投射到他人身上。例如，风险厌恶的成年人更可能假设他人同样风险厌恶。在整个青春期，个体在预测他人行为时可能变得更擅长考虑与自己不同的多种动机。

不良社会经历的个体差异可能显著塑造对他人的动机期望。例如，具有较高社交焦虑或遭受过攻击的青少年可能发展出对社会威胁的增强敏感性。这种经历可能使个体推断动机的集合产生偏见。例如，反复暴露于不值得信赖或剥削性行为可能使青少年更可能预期他人行为由贪婪或自利驱动，即使替代动机（如风险厌恶和公平）也能解释该行为。这种对特定动机的选择性偏见可能阻碍准确、可泛化动机表征的形成。因此，这种有偏见的推断可能强化负面期望，并限制社会学习的灵活性。

在这项预先注册的研究中，我们针对四个目标。首先，我们评估青少年是否推断已知驱动人们社会决策的潜在动机。为了区分潜在动机推断与一般学习，我们测试青少年是否更善于预测与自然人类动机匹配的行为，而非来自人工、非人类动机的行为。其次，我们检查青少年是否使用与成年人相同的泛化策略来做出社会预测。这通过拟合计算模型来测试，每个模型代表一种不同的泛化策略以做出社会预测，并比较它们的拟合度。第三，我们调查推断动机的集合是否随年龄变化。第四，我们调查认知共情、自我锚定、社交焦虑和既往攻击的个体差异是否预测动机推断的变异。我们预期动机推断在青春期期间会提高，并使用基于动机的强化学习计算模型来捕捉推断过程。

结果
一百二十七名青少年（年龄范围=10至20岁）进行了社会预测游戏（图1A），他们被要求预测四名不同玩家在四种不同经济游戏的16个试验中的选择（图1B）。在每个试验中，玩家决定合作或背叛，遵循一种策略，使得每个玩家在四种游戏类型中产生独特的响应模式（图1C）。任务设计使得每个玩家在50%的试验中合作，这意味着显著高于该阈值的准确率将表明学习关于玩家并将此信息推广到其他试验。

图1 社会预测游戏
显示完整说明
图查看器
(A) 呈现给参与者的社会预测任务的一个示例试验。在每个试验中，两名玩家显示在机器两侧，各有五枚硬币的初始筹码。玩家必须选择保留或分享他们的硬币，通过将硬币投入机器。机器根据双方玩家的选择显示所有可能结果。机器顶部的两个结果，标记为S（背叛者收益）和T（背叛诱惑），在不同试验之间变化。字母S和T未向参与者显示，但在本图中为澄清目的而显示。基于此信息，参与者预测左侧玩家（玩家1，由箭头标记）的选择，然后在0到100的尺度上表示其预测置信度。左侧的玩家1在16个试验中保持不变，而右侧的玩家2在每个试验中都是独特的。
(B) 水平轴显示16个游戏中T（背叛诱惑）的值，而垂直轴显示S（背叛者收益）的所有可能值。划分为四个象限说明了S和T的组合如何映射到社会预测任务中使用的四种经济游戏类型。此图改编自Van Baar等人。
(C) 每个矩阵代表社会预测任务中四名玩家之一的响应模式，其中“C”表示合作响应（即分享），“D”表示背叛（即保留）。水平轴显示16个游戏中T（背叛诱惑）的所有可能值，而垂直轴显示S（背叛者收益）的所有可能值。此图改编自Van Baar等人使用的图。

行为结果
为了测试参与者是否在试验之间泛化信息，我们首先将平均任务准确率与50%的随机水平进行比较。确认我们的假设，参与者表现显著高于随机水平（M = 58.5%，SD = 22.3%，t(507) = 8.56，p < 0.001，d = 0.38；图2A）。然后，为了测试参与者是否利用先验期望来指导预测，我们比较了预测遵循人类动机的玩家和遵循人工动机的玩家的选择时的准确率。如预期，参与者在人类动机条件下预测行为时更准确（M = 74.5%，SD = 15.4%）比在人工动机条件下（M = 42.4%，SD = 15.7%，平均差 = 32.1%，t(253) = ?26.58，p < 0.001，d = ?2.04；图2B和表1）。

图2 预测准确率
显示完整说明
图查看器
(A) 整体任务表现：每个点代表单个参与者在所有四个区块中的总准确率，样本标准差用黑色误差线标记在分布中心。虚线表示50%的阈值。总的来说，这些元素显示总平均表现显著高于50%。
(B) 人类动机准确率与人工动机准确率的比较。两种条件下的准确率都显著不同于50%，并且条件之间显著不同。

表1 每种玩家类型的平均准确率
玩家类型 平均准确率 标准差
贪婪 73.7% 15.9%
风险厌恶 75.3% 15.0%
反向贪婪 41.6% 15.1%
反向风险厌恶 43.4% 15.5%
表1 四种玩家类型中每种类型在组水平上正确预测的比例。
打开新选项卡中的表格

接下来，我们测试了预先注册的假设，即参与者的预测随时间（以试验次数为操作化）变得更准确，并考察年龄是否在其中发挥作用（图3）。如预期，我们发现参与者随时间变得更准确（优势比 [OR] = 1.17，95%置信区间 [CI] [1.09–1.26]，β = 0.157，p < 0.001）。此外，与我们主要预注册假设一致，我们发现年长参与者比年轻参与者显著更准确（OR = 1.11, 95% CI [1.01–1.23], β = 0.108, p < 0.05）。年龄与时间的交互作用不显著（OR = 1.03, 95% CI [0.96–1.10], β = 0.028, p = 0.43）。二次和三次年龄效应也进行了检验，但均未显著改善模型拟合。

图3 不同玩家类型的试次学习曲线

显示完整说明
图查看器

每个图显示了四种玩家类型（即贪婪、反向贪婪、风险厌恶和反向风险厌恶）在每个试次中的正确反应比例。线条代表均值，阴影区域代表均值的标准误。

（A）正确反应比例随时间的变化。横轴上的每个单位代表四个连续试次，其中所有游戏类型以随机顺序呈现。相应的绘制值显示这些试次中正确反应的平均比例。年龄组仅用于可视化目的。

（B）每种玩家类型的正确预测比例随年龄的变化。虚线表示50%阈值下的随机水平。

随后，我们检验了准确率在任务中呈现的四种不同玩家之间是否存在差异。正如假设的那样，不同玩家之间的准确率存在差异（F(3,378) = 199.7, p < 0.001）。为理解哪些玩家条件驱动了这一效应，我们进行了事后成对比较。我们发现，预测任一反向玩家类型的选择时，准确率显著低于预测任一人类玩家类型的选择（反向贪婪 vs. 贪婪：β = ?0.321, SE = 0.0185, t(378) = ?17.35, p < 0.0001；反向贪婪 vs. 风险：β = ?0.337, SE = 0.0185, t(378) = ?18.20, p < 0.0001；反向风险 vs. 贪婪：β = ?0.303, SE = 0.0185, t(378) = ?16.37, p < 0.0001；反向风险 vs. 风险：β = ?0.319, SE = 0.0185, t(378) = ?17.22, p < 0.0001）。两种人类动机之间的准确率没有差异（贪婪 vs. 风险：β = ?0.0157, SE = 0.0185, df = 378, t = ?0.850, p = 1.000），两种反向玩家类型之间也没有差异（β = ?0.0182, SE = 0.0185, df = 378, t = ?0.983, p = 1.000）。此外，我们发现了游戏类型（F(3, 1890) = 17.38, p < 0.001）、玩家类型（F(3, 1890) = 274.11, p < 0.001）以及游戏类型与玩家类型之间的交互作用（F(9, 1890) = 64.36, p < 0.001）对总体预测准确率的高度显著主效应（图S1）。

参与者对每个玩家动机的自我报告证实，参与者将贪婪玩家解释为追求个人利益最大化，将风险厌恶玩家解释为自利但谨慎，而将具有反向动机的玩家解释为难于理解（参见操纵检验：自我报告的推断动机）。这支持了我们的假设，即参与者对玩家的感知与其预设动机一致。

计算模型比较

模型比较（图4）显示，完整的基于动机的模型（贝叶斯信息准则 [BIC]：M = 35.3, SD = 31.3），包括所有测试的四种动机，优于无结构模型（BIC：M = 86.0, SD = 31.6；完整动机 vs. 无结构：胜 = 122, 负 = 5, 95% CI [bootstrap] = [46.69, 54.71]）和基于游戏类型的模型（BIC：M = 44.4, SD = 29.7；完整动机 vs. 游戏类型：胜 = 115, 负 = 12, 95% CI [bootstrap] = [7.50, 10.84]）。总之，这些发现表明，完整的基于动机的模型在个体水平（即几乎对所有参与者的成对比较均获胜）和群体水平（即平均BIC更低，CI差异排除零，表明模型拟合存在可靠差异）上均优于无结构模型和基于游戏类型的模型。模型拟合通过基于动机子集的模型（BIC：M = 23.9, SD = 31.3）进一步改善，该模型仅包含测试的四种动机中的受试者唯一子集，且该模型反过来优于完整的基于动机的模型（完整动机 vs. 子集动机：胜 = 0, 负 = 126, 95% CI [bootstrap] = [10.14, 12.78]）。这一结果通过随机效应贝叶斯模型选择（RFX-BMS）分析得到确认，该分析强烈支持基于动机子集的模型（r = 0.99，保护性超越概率（PEP）≈ 1.00，贝叶斯综合风险（BOR）< 0.001）。

图4 各模型的BIC比较

显示完整说明
图查看器

蓝点表示个体水平的BIC值，而条形代表每个模型的平均BIC；误差线表示标准差。BIC值越低表示模型拟合越好。对于每对成对比较，计算每位参与者的ΔBIC，并使用百分位bootstrap（10,000次重采样）评估其可靠性；统计显著性标注如下：?95% bootstrap CI排除零，??99% bootstrap CI排除零，???99.9% bootstrap CI排除零。获胜模型是基于动机模型的子集变体，该模型考虑四种动机的受试者特定子集。

我们使用平方误差和（SSE）而非BIC重复模型比较，以检查子集模型是否因BIC对自由参数数量的惩罚而优于完整的基于动机模型。令人欣慰的是，子集模型（SSE：M = 4.80, SD = 2.47）显示出比完整基于动机模型（SSE：M = 4.95, SD = 2.47；完整 vs. 子集：胜 = 59, 负 = 67, 95% CI [bootstrap] = [0.06, 0.25]）更小的SSE，这进一步证明参与者考虑了分析中涵盖的四种动机中的某些（而非全部）来指导其预测。

推断动机的年龄差异

在将计算模型拟合到每位参与者的数据后，我们可以研究推断的动机在受试者之间是否存在差异以及如何差异。我们首先评估了每位受试者最佳拟合动机子集中包含多少种动机。考虑两种动机是我们样本中最常见的（图5），这重复了先前成人研究的结果（van Baar et al., 2021）。正如预期的那样，年龄相关结果显示，考虑多于一种动机的可能性随年龄增加而增加（即，随年龄增长，仅考虑一种动机的可能性降低，β = ?0.41, SE = 0.19, z = ?2.11, p = 0.035）。年龄与考虑多于两种（β = 0.01, SE = 0.25, z = 0.05, p = 0.96）或三种（β = 1.28, SE = 1.16, z = 1.10, p = 0.27）动机的可能性无显著关联（表S2）。这些发现表明，参与者用于指导其预测的心理模型复杂性（即考虑的动机数量）随年龄增长而增加。二次和三次年龄效应未显著改善模型拟合。

图5 心理模型复杂性随年龄的变化

显示完整说明
图查看器

（A）获胜模型中包含的四种动机在游戏空间（S和T）中各自的预测行为模式。

（B）复杂性指每位受试者最佳拟合动机子集中包含的动机数量。年龄在所有分析中作为连续变量使用，仅出于可视化目的进行四舍五入并视为分类变量。

接下来，我们探讨是否特定动机驱动了年龄相关的模型复杂性增加。为此，我们根据基于动机子集的模型评估参与者更可能推断哪些特定动机。参与者最常推断的动机是EV，64%的参与者模型中包含该动机。其次是风险厌恶，49%的参与者推断；贪婪，45%；合作性，24%的参与者推断。这一模式与Van Baar等人（2021）观察到的结果不同，他们发现样本中87%的成人考虑贪婪，51%考虑合作性，31%考虑EV最大化，仅21%考虑风险厌恶。此外，我们发现推断特定动机的概率随年龄变化（图6）。具体而言，推断风险厌恶作为玩家1决策潜在动机的概率随年龄增加，特别是从青春期早期到中期（年龄 = 线性, estimate = 1.63, p = 0.028, OR = 5.10, 95% CI [1.26, 23.75]；年龄 = 二次, estimate = ?0.047, p = 0.045, OR = 0.95, 95% CI [0.91, 0.998]），这与我们的假设一致。然而，出乎意料的是，推断其他动机的概率与年龄无关（贪婪：年龄 = 线性, estimate = 0.024, p = 0.688, OR = 1.02, 95% CI [0.91, 1.15]；EV：年龄 = 线性, estimate = 0.001, p = 0.983, OR = 1.00, 95% CI [0.89, 1.13]；合作性：年龄 = 线性, estimate = ?0.092, p = 0.197, OR = 0.91, 95% CI [0.79, 1.05]）。总之，结果表明我们的主要假设得到部分确认；推断他人动机的能力随年龄提高，这尤其由青春期早期至中期推断风险厌恶能力的提高所驱动。

图6 考虑每种动机的概率随年龄的变化

显示完整说明
图查看器

条形图显示，根据基于动机子集的模型，考虑特定动机（即期望值、风险厌恶、贪婪和合作性）的个体比例随年龄的变化。年龄组仅用于可视化目的，因为年龄在所有分析中作为连续变量处理。

自我锚定结果

在127名参与者中，20名遵循风险厌恶动机，16名遵循EV动机，16名遵循贪婪动机，12名遵循合作性动机。其余63名参与者未匹配任何特定动机模式。每种动机的频率随年龄变化，总结于表2中。完整模型结果可见图S2和表S1。

年龄组 | 合作 | 贪婪 | EV | 风险 | 无
10–13 | 5 | 3 | 7 | 3 | 7
14–17 | 3 | 11 | 7 | 12 | 22
18–20 | 4 | 2 | 2 | 5 | 17
总计 | 12 | 16 | 16 | 20 | 63

表2 自身动机频率随年龄的变化

年龄在所有分析中作为连续变量处理。

在新标签页中打开表格

随后，我们检验自我锚定是否导致任务表现提高，即参与者在预测与自身动机相同的玩家选择时是否更准确。与我们的预注册预期相反，我们未发现自我锚定对风险厌恶玩家的预测准确率有显著影响（b = ?5.12, t(123) = ?1.18, p = 0.238）或对贪婪玩家有显著影响（b = 9.8, t(123) = 1.85, p = 0.065）。自我锚定与年龄之间的交互作用也不显著（风险厌恶：b = 0.36, t(123) = 1.37, p = 0.174；贪婪：b = ?0.62, t(123) = ?1.88, p = 0.063）。

最后，多项逻辑回归分析揭示了所有测试动机的显著线性和二次年龄效应（表S1）。这表明参与者在经济游戏中自身的偏好动机随年龄变化（图S2）。然而，特定玩家动机的稀缺性和用于确定玩家动机的有限试次数量可能引入了噪声。因此，需要更多研究来评估经济游戏中自身动机的年龄相关变化。

个体差异结果

与我们的预期相反，我们未发现心理模型复杂性与环境严酷度（pHolm = 1.0, OR = 0.97, 95% CI [0.91, 1.03]）、社交焦虑（pHolm = 0.5, OR = 0.97, 95% CI [0.95, 1.00]）或认知共情（pHolm = 1.0, OR = 1.02, 95% CI [0.94, 1.11]）之间存在显著关系。我们也未发现社交焦虑与风险厌恶之间存在显著关系（pHolm = 0.4, OR = 0.96, 95% CI [0.92, 0.99]）。环境严酷度和认知共情同样与偏好风险厌恶动机无显著关联（pHolm = 1.0, OR = 1.07, 95% CI [0.95, 1.21]）。个体差异报告于表3中。

M（范围）| SD
社交焦虑 | 48.79（22–110）| 15.45
环境严酷度 | 28.98（15–89）| 6.34
认知共情 | 24.03（7–35）| 4.88

表3 个体差异

社交焦虑指青少年社交焦虑量表的总分；环境严酷度是邻里暴力量表与父母攻击量表的综合得分。认知共情指人际反应量表的观点采择分量表。

在新标签页中打开表格

讨论

准确预测他人的行为是社会认知发展的核心部分，尤其是在青春期，这一阶段以社会显著性增强和日益复杂的人际目标为特征。这些变化增加了学习他人行为的可概括方面的需求，以便在新情境中准确预测其行为。在这项研究中，我们表明，青少年能够推断出跨情境中人们社会决策背后的潜在、可泛化的动机。这些动机无法直接观察或传达。相反，必须从第三方视角观察到的多次一次性互动行为中推断出来。此外，青少年关于他人动机的心理模型的复杂性随年龄增长而增加。这些发现扩展了先前将青少年期定位为社会学习敏感期的发展研究，表明青少年构建了关于“他人为何如此行事”的高阶表征。从这个意义上说，我们的发现与计算社会学习理论中提出的动机推断框架一致。

青少年依赖潜在动机推断的结论得到了我们研究中多项发现的支持。当行为由常见的人类动机生成时，青少年预测行为的准确率高于当行为遵循人为的非人类动机时。这表明他们的社会预测基于一个结构化的假设空间，该空间调校到现实世界互动中可能发生的行为规律。模型比较进一步显示，青少年预测的最佳解释是子集动机的潜在动机推断，与先前在成人中报道的相似。不包含任何结构或结构由游戏类型决定的模型无法很好地解释青少年的预测。此外，青少年的自我报告与我们对动机的解释一致，因为参与者描述玩家动机的方式与贪婪和风险规避一致。青少年用于进行预测的可泛化结构（即贪婪和风险规避）与成人社会决策中常见的推断动机相匹配，并且这些表征支持跨情境泛化。这表明，即使在青少年早期，人们也能敏感地感知他人行为中的更深层规律。

重要的是，我们的结果也突显了动机推断中的年龄差异。随着年龄增长，青少年更可能考虑不止一种动机。风险规避的推断从青少年早期到中期（10-15岁）有所改善。这一发现与以下研究一致：这些研究显示童年期社会推断的表征复杂性在发展上不断精炼，并有证据表明这种精炼在青少年期进一步发展。计算模型显示，人类从婴儿期起就使用逆向规划（即从观察到的行为逆向推理到潜在目标和偏好）。然而，这些文献主要集中在从物理运动（如伸手或指向物体动作）进行简单推断。我们的发现进一步扩展了这些见解，表明青少年在观察策略性社会互动时表现出相关的推断能力。这支持了社会学习在青少年期继续经历质性精细化的观点。

有趣的是，青少年推断出的动机并未完全反映先前在成人中观察到的动机。在我们的研究中，期望值最大化是最常见的推断动机之一。然而，van Baar等人的成人参与者中最常推断出的是贪婪。这种差异可能表明个体评估他人社会决策时的基线存在与年龄相关的转变。在社会预测游戏中，期望值最大化策略是合作，除非背叛的诱惑比受骗者的收益高5枚硬币，其中5枚硬币代表双方都保留时的结果。相比之下，贪婪策略是合作，除非背叛的诱惑超过10枚硬币，即双方分享时的结果。这种区别提出了一种可能性：青少年期望他人通过将背叛诱惑与互不信任的结果进行比较来做出社会决策，而成人可能依赖于锚定在合作结果上的更乐观基线。一个适应的任务设计可以直接检验这一点，从而揭示关于学习他人的进一步发展变化。

自我锚定（即一种自我中心偏差，将自己的动机投射到他人身上）不太可能解释我们研究中发现的期望值最大化推断更普遍的现象，因为这不是青少年自己选择中最常见的动机。事实上，与预期相反，我们发现了自我锚定的有限证据。虽然空结果应谨慎解释，因为它们可能取决于任务要求或参与者与观察对象之间的感知相似性，但这一发现在理论上可能具有信息量。自我锚定通常见于成人决策中，但青少年期可能是人们日益区分自己观点与他人观点的时期。较少依赖自我模拟可能是适应性的，因为它使青少年能够轻松地了解到他人的想法、价值观和行为与自己不同。未来需要研究工作来检验青少年在预测他人决策时何时依赖基于自我的模拟、他人导向的推断或基于规范的期望。

与预期相反，我们还未发现证据表明童年期接触攻击行为、认知共情或社交焦虑能预测该任务中的动机推断。社会预测任务要求参与者从第三方视角观察他人，而不受决策的个人影响。预期关系可能主要出现在涉及情感过程且与自我相关的情境中。例如，不良童年经历可能影响学习策略，或当参与者的自身结果面临风险时，对动机的先验分布产生偏差。发展充分的动机推断技能对于暴露于攻击行为的青少年可能尤为重要，因为这些技能可能支持自我保护警觉性。然而，第三方观察本身是一种生态有效且重要的社会学习和社会能力模式。青少年学习社会规范、声誉和他人性格的许多内容是通过观察他们不直接参与的互动来实现的，例如观察同伴冲突或跟随群体内的社会动态。

我们的研究受益于多项优势。对人类和人为动机的受试者内操纵使我们能够检验青少年是否特别敏感于从观察到的社会决策中推断人类动机结构。此外，试验和区块顺序的随机化减少了潜在的顺序效应，计算建模的使用使我们能够将潜在动机推断与产生相似准确性但暗示不同认知机制的替代模型区分开来。虽然在线数据收集可能因缺乏对在线环境的控制而影响参与者参与度，但我们预计不会因设置而产生实质性定性差异，因为人类动机的准确性得分远高于随机水平。此外，先前研究建立了青少年参与者在在线和实验室研究结果之间的高度相似性，表明我们的主要结论不太可能归因于测试环境。

总之，我们的发现将动机推断定位为青少年社会学习的更高层次组成部分。青少年推断出的潜在动机结构支持在不同情境下的灵活预测。这些表征的复杂性随年龄增长而增加，表明青少年用于理解他人行为的认知模型进一步精细化。这将青少年社会学习的发展研究从对情境独立的行动-结果关联的关注扩展出去。未来需要研究这些过程如何纵向发展，以及它们如何在缺乏完整先验知识且行动和结果空间不受约束的环境中运作。理解这些机制对于完善青少年社会发展的理论模型以及可能为旨在促进这一社会发展敏感期社会能力的干预措施提供信息至关重要。

本研究的局限性

以下局限性为未来研究提供了机会。首先，数据收集开始于COVID-19大流行后期，因此社会隔离经历可能影响了社会发展或任务表现。然而，如果社会经历强化了对人类行为的先验，那么当前效应可能低估了青少年在更典型社会条件下的动机推断能力。未来使用社会互动定量测量的研究可以进一步揭示这种关系。其次，由于统计功效不足，我们没有检验预测准确性或模型复杂性方面潜在的性别差异。未来需要使用大样本、性别平衡的研究来检验社会预测的发展轨迹是否因生理性别或社会性别而异。第三，我们的任务要求在被试中学习他人的决策，即在人们可能根据收益偏好确定结果而非不确定结果的情境中。未来研究可能有益地探索其他情境中的学习，例如损失厌恶可能驱动合作决策的情境。第四，横断面设计限制了关于个体内发展变化的结论。需要大样本的纵向研究来检验青少年是否随着时间的推移日益能够推断多种动机，以及这些变化如何与现实世界的社会经验、个体差异和更广泛的社会能力相关联。

未来研究的另一个问题是社会预测任务中的动机推断如何与现实世界的社会能力相关。在van Baar等人的研究中，成人参与者在社会预测任务后玩了一个检查游戏，他们可以支付费用来检查员工是否偷懒，如果是，则扣发工资。参与者更频繁地检查他们先前推断为贪婪的员工，而不是推断为风险规避的员工。这表明人们选择性地将推断出的动机泛化到新情境中，从而为可信度判断提供信息。这一见解可以指导未来研究测试青少年的潜在动机学习如何与新情境和现实环境中的可信度判断相关联。此类研究可以变化社会情境，以更接近现实生活的社会情境。

资源可用性

主要联系人

•有关本研究的更多信息，请联系主要联系人Ili Ma博士（[e-mail]）。

材料可用性

•本研究未产生新的独特试剂。本研究中使用的任务脚本和材料可应主要联系人要求提供。

数据与代码可用性

•原始和分析数据已存放在OSF上，自出版之日起公开可用。登录号列在关键资源表中。
•所有分析所用代码已存放在OSF上，自出版之日起公开可用。登录号列在关键资源表中。
•本文未报告上述数据和代码之外的其他项目。重新分析本文报告数据所需的任何额外信息可应主要联系人要求提供。

致谢

我们感谢所有参与者及其父母的贡献。非常感谢Dani?l de Beer以及所有招募参与者的本科和硕士学生。我们也感谢Nicky Case提供的游戏图像，以及Willem Frankenhuis和Anne Miers的有益讨论。L.M.获得瑞典研究委员会资助（资助号2024-01197）。A.C.K.v.D.获得荷兰政府教育、文化和科学部资助的NWO引力计划资助（资助号024.005.011）。I.M.获得欧洲研究委员会资助（ERC StG 101164150-DISINFORMED TEENS）。

作者贡献

J.V.-E.，正式数据分析、调查、方法论、项目管理、软件、可视化、验证和写作——初稿；J.v.B.，概念化、调查、方法论、软件、监督、验证和写作——审阅与编辑；L.M.，方法论、验证、监督和写作——审阅与编辑；A.C.K.v.D.，方法论和写作——审阅与编辑；I.M.，概念化、调查、方法论、资源、软件、监督、写作——初稿以及审阅与编辑。

利益声明

作者声明无利益冲突。

手稿准备过程中生成式人工智能和AI辅助技术的声明

为了总结参与者对有关其动机主观解释的开放性问题的回答，作者使用了ChatGPT。为确保可复制性和透明度，STAR方法中完整描述了该程序。作者审查了其输出并对出版内容负全责。研究中或手稿中使用的任何图像均非生成式人工智能生成。

STAR★方法

关键资源表

试剂或资源 | 来源 | 标识符
沉积数据
原始和分析数据 | 本文 | https://osf.io/p5h4j/
软件和算法
MATLAB（R2022b） | MathWorks; https://www.mathworks.com/products/matlab.html | RRID:SCR_001622
Python | Python软件基金会; https://www.python.org/ | RRID:SCR_008394
R | R基金会; https://www.r-project.org/ | RRID:SCR_001905
VBA工具箱 | MBB团队; https://mbb-team.github.io/VBA-toolbox/download/ | https://doi.org/10.1371/journal.pcbi.1003441（无RRID注册）

方法细节

参与者

共有N=127名荷兰青少年（年龄范围=10-20岁，M=15.5，SD=2.97，n=55名男性和n=68名女性，以及4名未披露性别）参与了我们的在线研究。参与者于2021年至2024年间通过学校和学生的社交圈招募。该研究经莱顿大学伦理审查委员会批准（2021-01-11-I. Ma-V3-2759）。在参与研究前，已获得参与者的书面知情同意。对于未成年人，法定监护人亦提供了知情同意。预注册本研究在数据收集前进行了预注册（https://osf.io/p5h4j/）。最初，预注册中包含青春期发育量表。然而，我们的预实验表明，青少年在在线调查中填写这些问题时感到不适，因为该量表以身体外观作为青春期阶段的替代指标。基于这一原因，以及青春期阶段并非本研究的主要关注点，该量表在数据收集前被移除。研究流程在研究过程中，参与者首先观看社会预测任务的视听说明。随后，他们回答理解性问题，并试玩社会预测任务中每种游戏类型（囚徒困境、猎鹿博弈、雪堆博弈、和谐博弈；见下文）各一轮。参与者被告知，他们将获得6欧元的报酬，并可根据在社会预测任务中随机选取试次上的准确性获得最高额外4欧元的奖励。此举旨在激励其表现。实际上，所有参与者均获得10欧元的参与报酬，以避免未成年人因基于准确性的报酬而处于不利地位。完成社会预测任务后，参与者填写了四份问卷，并听取了关于研究目标的汇报。社会预测任务在社会预测任务中，参与者被要求在一系列行为经济游戏中预测他人的决策。在这些游戏中，玩家可选择合作或背叛，参与者需预测特定玩家将做出何种选择。在每次试验中，参与者看到一台机器的插图，机器两侧各有一个卡通角色，代表其他玩家（图1A）。玩家可通过其独特的帽子加以区分。每个玩家旁边有硬币，代表货币单位，他们可“分享”（即合作）或“保留”（即背叛）这些硬币。参与者的目标是预测机器左侧的玩家（玩家1）是会分享还是保留其硬币（即合作还是背叛），需考虑双方可能的收益结果。机器显示了潜在的收益，即双方合作、双方背叛以及双方做出不同选择时的货币结果。该收益矩阵以此方式呈现，以使信息更易理解，并使整体游戏结构及转换更透明、更易掌握。在每次试验中，参与者首先表明其预测（保留或分享），并在0至100的标度上评价其预测的置信度，随后看到玩家1的选择，并进入下一次试验。当双方都分享（每人始终获得10个硬币）和双方都选择保留（每人始终获得5个硬币）时，结果保持不变。当双方做出不同选择时，结果在各试验间有所变化。在部分试验中，选择分享的玩家的潜在结果低于初始的5个硬币，例如在囚徒困境游戏中。这种分享玩家的较低收益有时被称为“受骗者收益”（S）。在这些试验中，分享代表一种冒险选择。类似地，选择保留的玩家的潜在结果在部分试验中高于初始的最佳结果10个硬币，因此有时被称为“背叛诱惑”（T）。每次试验具有独特的S和T组合，因此每个玩家有16个独特试验（整个任务共16×4个试验）；试验顺序在受试者间随机化以避免顺序效应。改变S和T的值会改变合作的激励。这些组合覆盖了一系列策略上不同的情境，可归为四种游戏类型，对应人类互动中的典型情境。第一种游戏类型是囚徒困境，其呈现了一种合作具有风险的情境，原因在于高背叛诱惑（T）和不平等互动中合作者的低收益（S）。第二种游戏类型是和谐博弈，其中合作对双方都是最优选择。第三种游戏类型是雪堆博弈，其中单方背叛产生最高收益，但双方背叛导致更差的结果。最后，第四种游戏类型是猎鹿博弈，其中相互合作产生最高收益，而单方合作导致最低收益（图1B）。每种游戏类型有四种收益设置，因此每个玩家共16个试验。在连续预测一个玩家的16次选择后，参与者进入下一组块，再次预测一个新玩家的16次选择，直到他们预测完所有四个不同玩家的行为。试验和组块顺序均被随机化。四个玩家各自被编程为根据对S和T不同组合敏感的玩家特定动机来响应每种游戏，该动机对参与者而言是未知的（图1C）。其中两个玩家的动机基于人类在这些类型游戏中的常见行为。第一种人类动机是受个人利益驱动的，在此称为“贪婪”，即选择具有最高可能收益的选项。第二种动机是“风险规避”，即玩家选择剥削风险最低的选项，当单方合作的成本过高时（例如S=0时）选择背叛。由于每个玩家在50%的试验中合作，其选择由潜在动机决定，玩家类型内的试验顺序被随机化。如图1C所示，在S<5且T<10范围内的合作决策和在S>5且T>10范围内的背叛决策区分了贪婪型与风险规避型玩家。在这项任务上获得高于随机水平的表现的唯一方法是推断潜在动机，并据此将预测推广到新试验。如果青少年确实利用自然出现的潜在动机来预测他人的决策，那么与这些动机相符的行为应比源于人为、非人类动机的行为更容易预测。为检验青少年是否确实比非人类动机更擅长基于自然出现的人类动机来预测决策，我们还包含了两个具有非典型人类行为中常见、且在与纳什均衡相悖意义上不理性的人为动机的玩家。第一个人为动机是“反向贪婪”，即在贪婪玩家会背叛时选择合作。第二个人为动机是“反向风险规避”，即在风险规避玩家会合作的处境下选择背叛。通过使用人类动机的逆反形式，我们确保人类动机与人为动机具有相同的复杂性，并且合作与背叛各占试验的50%。操纵检验：自报的推断动机作为操纵检验，参与者在完成16轮后被要求描述玩家的策略。这是一个开放式问题，参与者可以输入答案。我们使用ChatGPT（GPT-5.4版本）将回答从荷兰语翻译为英语（数据可在OSF上获取：https://osf.io/p5h4j/）。随后，我们要求GPT基于英语描述为每种动机类型提供摘要。提示词如下：“这里是一个包含推断行为经济游戏策略描述的数据集，分为四个类别。请基于描述为每个类别提供最可能的推断策略摘要。”请注意，我们有目的地使用“类别”而非给出动机名称来设计提示词，以避免引入偏见。动机类型和名称未向LLM披露。输出结果如下：“类别1（贪婪）。最可能的推断策略：以最高个人收益为目标的收益最大化。参与者通常将这位玩家描述为追求‘最高金额’、‘最多钱’或‘最高可能数字’，往往不太在意对手。该策略似乎被视为贪婪/全有或全无/寻求风险，一些评论表明该玩家只是选择了具有最大潜在回报的选项。最佳摘要标签：最大化自身收益/最高可能奖励。类别2（风险规避）。最可能的推断策略：自利但谨慎的优化。这一类别更常被描述为安全、聪明，旨在避免零或极低的收益。受访者经常提到该玩家在考虑对方可能选择的前提下，尽可能多地获取收益。因此，这看起来是一种策略性、风险规避的自利模式，而非纯粹的贪婪。最佳摘要标签：安全自利/策略性最大化且规避风险。类别3（反向风险规避）。最可能的推断策略：低收益或损害对手的策略，但被认为非常不明确或随机。这一类别之所以突出，是因为许多受访者表示他们不知道，觉得奇怪、不可预测，或认为没有策略。在确实反复出现的解读中，最强烈的主题是选择最低选项、试图让对方赚得尽可能少，或总体上产生尽可能少的利润。因此，主导印象要么是恶意最小化，要么是随机/不可理解的玩法。最佳摘要标签：最小化结果/可能带有恶意，但总体被视为随机。类别4（反向贪婪）。最可能的推断策略：公平/寻求平等的策略，但也被视为不可预测。相当多的回答提到公平分享、保持差距较小、获得相等结果，或共同最大化分数。与此同时，许多人也表示未能察觉清晰模式，认为选择奇怪或不一致。尽管如此，与其他类别相比，最清晰的积极主题是公平/平等/亲社会平衡。最佳摘要标签：寻求公平或平等。一个重要警告是，类别3和4比类别1和2更模糊。类别3尤其以困惑为主，而类别4则混合了公平印象与不可预测性。”这一结果表明，参与者对动机的解读与我们手稿中使用的贪婪和风险规避动机的心理学解释高度一致。这也证实了反向动机对参与者而言更难解读，尽管在统计上具有同等复杂性。问卷我们使用自我报告来探讨先前（不良）童年经历的个体差异是否影响认知共情及其与潜在动机推断的关系。参与者填写了邻里暴力量表和简版父母严厉问卷。这些量表分别测量邻里中遭受暴力的程度以及由一方或双方父母造成的暴力暴露。我们将这些量表的得分合并，作为青少年社会环境严酷程度的衡量指标。为探讨社交焦虑症状引起的偏差，我们使用青少年社交焦虑量表，并将人际反应指数（IRI）的观点采择分量表作为认知共情的测量。计算模型基于动机的模型我们的主要目标是研究青少年在社交预测任务中推断出何种可概括信息，以在新社交情境中预测他人行为。由于这无法从平均任务准确性中直接观察，我们拟合了各种基于特征强化学习模型。每个模型都形式化了一种心理学上合理的假设，涉及参与者可能从玩家选择中推断出的潜在动机或其他潜在结构（即“特征”），以指导其对新试验中玩家可能选择的预测。评估最佳拟合模型使我们能够考察每个参与者个体推断出的潜在动机或结构。这些计算模型在van Baar等人的文献中有更详细描述，但为清晰起见，在此重申主要观点。主要模型名为“基于动机的模型”，它通过推断玩家1的心理动机来反映学习。该模型预设了一组潜在动机（如风险规避和贪婪），将潜在收益映射到行动，并通过强化学习过程为这些动机分配权重。重要的是，推断这种潜在动机支持在游戏空间中的新情境（即新的S和T组合）中进行泛化，因为一种动机在一种游戏类型中导致分享，而在另一种中导致保留。因此，该模型使我们能够测试青少年是否能够推断潜在动机，并利用这些动机做出更准确的预测。完整的动机基础模型包含四种动机：贪婪、风险规避、合作性和预期价值最大化（EV）。这些反映了人类社会决策中的常见动机。使用相同的任务，van Baar等人发现这四种动机（贪婪、风险规避、合作性和EV）优于5,000组随机生成的伪动机，证明了这四种经典动机与社会预测任务的相关性。我们测试了两种版本的动机基础模型。完整版本包含上述所有四种动机。第二种版本是动机子集基础模型，仅包含这些动机的子集。对于每个被试，子集是通过测试四种动机的每种可能组合并选择拟合最佳的组合来确定的。这种方法使我们能够检测每个被试考虑哪些动机以及多少种动机，从而能够测试被试之间的差异（例如，按年龄）。例如，较年轻的个体可能只推断一种动机，而推断的动机数量可能随年龄增长。因此，这种方法揭示了在青春期期间，泛化如何随年龄变化。

形式上，代理关于玩家1分享决策的预测由基于每个包含动机生成的预测的加权平均值的价值函数给出。具体来说，预测玩家1将分享的当前值（Vshare）为：

???????????=∑????=1????????(??,??)（公式1）

其中Mi(S,T)是动机在当前S和T值下的预测，对于分享为1，对于保留为?1；wi是动机i的权重；i是动机编号；k是动机总数。预测玩家1将分享的概率（Pshare）随后由softmax函数给出：

???????????=???????????????1+???????????????（公式2）

其中β是逆温度参数，允许决策噪声。在学习过程中，代理基于预测误差PE更新其对玩家1选择的预测，PE是代理预测玩家1选择分享的概率与玩家1实际选择之间的差异：

????=???????????????????????（公式3）

其中如果玩家1分享，choice = 1；如果决定保留，则choice = 0。在每个时间点，对于所有动机i从1到k，权重wi基于PE和学习率α进行更新：

????,??+1=????,??+??×????×????(??,??)（公式4）

其中更新后的权重为wi,t+1。如前所述，如果给定动机的预测是分享，则Mi(S,T) = 1；如果是保留，则为?1。通过将Mi(S,T)与预测误差相乘，如果与该动机相关的预测正确，即Mi(S,T)与PE同号，则该动机的权重增加。如果该动机的预测不正确，即Mi(S,T)与PE异号，则该动机的权重减少。这里明确提到时间t，以区分当前权重wi,t和更新后的权重wi,t+1。然而，在公式1、2、3和4的其他部分，时间t是隐式的。

替代模型。遵循van Baar等人，我们测试了两种心理学上合理的替代模型。第一个模型称为基于博弈类型的模型，与主模型类似。它不是测试四种动机，而是测试参与者是否在每个博弈类型内对玩家1的行为进行推断泛化，例如囚徒困境（关于所有4种博弈类型及其与S和T组合的映射，见图1B）。鉴于玩家1的行为在每个博弈类型内确实一致（图1C），这种策略可能成功。然而，该模型不允许像动机基础模型那样在博弈类型之间进行动机泛化。形式上，基于博弈类型的模型与主模型相同，只是它使用四种博弈类型Gi(S,T)而不是动机Mi(S,T)。具体而言，博弈类型是猎鹿、和谐、雪堆和囚徒困境。第二个替代模型测试青少年是否在不跨博弈具体情境特征进行泛化的情况下做出预测。在该模型中，称为无结构模型，代理将S和T的每个独特组合视为独立。此外，一个截距代表整个博弈空间中的合作概率（即一个包罗万象的潜在结构），并平等地泛化到所有博弈。所有模型都是可恢复的，并且参数是可识别的，如van Baar等人所报告。所有模型均使用MATLAB 2023b（MathWorks）中的fmincon函数为每个参与者单独拟合。

模型拟合过程。使用MATLAB（MathWorks）中的fmincon函数为每个参与者单独拟合模型。动机基础模型有六个自由参数：四个动机权重、α和β。基于博弈类型的模型有七个自由参数：四个博弈类型权重、一个截距、α和β，而无结构模型有十九个自由参数：对应于S和T组合的十六个特征权重、一个截距、α和β。与其他自由参数不同，权重在每个块开始时（切换到新玩家时）被重置为随机先验值。与van Baar等人一致，我们通过最小化平方误差和来拟合模型，平方误差和通过将模型预测Pshare与预测X进行比较计算，X由参与者在任务中指示的置信度（在0到1之间缩放）加权，因此置信度较低的预测在拟合过程中被赋予较小的权重：

??={1+????????????????????2,??????????????????1?????????????????????2,????????????（公式5）

??????=∑????=1(???????????????????????)2（公式6）

最后，基于贝叶斯信息准则（BIC）进行模型比较，以识别参与者的获胜模型。BIC从对数似然（LL）导出，通过添加模型复杂度的惩罚，表示为参数数量（k）：

????=∑????=1??????1??????????√2?????(???????????????????????)22??2（公式7）

??????=?2????+(??+2)×????????（公式8）

量化和统计分析。主要行为分析。首先，我们使用双尾单样本t检验，检验参与者在整个任务中和每种玩家类型下的预测准确率是否高于随机水平（0.5），因为选择是二元的，即预测分享或保留。由于每个被观察玩家在一半的试验中合作，预测准确率显著高于50%将表明参与者正在学习玩家选择背后的潜在结构的元素，并将该知识泛化到博弈中以指导其预测。此外，我们测试了参与者是否持有关于玩家行为的先验预期以指导其预测。为此，我们使用被试内t检验比较人类动机块和人工动机块中的预测准确率，其中人类动机块中的较高准确率将表明参与者持有先验预期。我们预期参与者对玩家行为持有先验预期，学习玩家选择背后的潜在结构的元素，并将此信息泛化到试验中以指导其预测。接下来，我们使用R包（lme4）中的‘glmer’函数进行二项广义线性混合模型（GLMM），测试关于他人的学习（操作化为任务表现）是否随年龄提高。我们使用逐次试验的准确率（正确与错误预测）作为结果变量。我们测试了以下预测变量：年龄、每个玩家的试验次数、它们的交互、玩家类型（贪婪、风险规避及其反向动机），并包含每个参与者的随机截距。我们预先登记的假设是，在整个青春期，关于他人的学习随年龄提高。然后，我们使用重复测量方差分析，随后进行Bonferroni校正的成对比较，测试预测四种玩家概况在四种博弈类型中的选择时预测准确率如何变化。两个测试都使用准确率作为结果变量，玩家类型和博弈类型作为预测变量。

计算模型比较。为了在参与者水平比较每个模型的拟合，我们使用成对BIC比较。对于每对模型，我们计算每个参与者的BIC差异（ΔBIC），并确定测试的哪个模型最能拟合数据（即具有最低BIC）。然后，我们计算参与者的平均ΔBIC，并统计每对模型在参与者中的胜出和失败次数。最后，我们使用百分位自举95%置信区间（10,000次重采样）评估平均ΔBIC的可靠性，其中不重叠零的置信区间表明模型拟合存在可靠差异。为进一步验证模型比较，我们使用VBA MATLAB包进行了随机效应贝叶斯模型选择（RFX-BMS）分析。为考虑模型复杂度的差异，使用BIC近似对数模型证据（对数证据≈ ?BIC/2）。RFX-BMS估计每个模型在个体水平的后验概率，然后使用这些估计推断每个模型在群体水平上最佳描述行为的频率。我们通过三个统计量总结此信息：（1）预期模型频率（r），反映由给定模型最佳描述的群体估计比例；（2）保护超越概率（PEP），反映给定模型比群体中所有其他模型更频繁的校正概率；（3）贝叶斯综合风险（BOR），反映所有模型同等频繁的概率。高r和PEP以及低BOR将表明支持给定模型。

附加分析。推断动机的年龄差异。为测试推断动机数量和种类的年龄差异，我们使用R中VGAM包的vglm函数进行部分比例优势模型，测试推断动机数量是否随年龄变化。类似地，使用一系列逻辑回归分析测试年龄在预期特定动机驱动玩家行为概率中的作用，为计算建模过程中包含的四种经典动机中的每种进行单独的逻辑回归分析。我们测试了每个回归模型的线性、二次和三次年龄效应变化，并使用似然比检验（LRT）进行比较，以确定每种动机最合适的年龄效应（LRT结果见补充材料2）。

自我锚定分析。在任务解释期间，参与者从自己的角度玩每种博弈类型的一个示例，表明他们会保留还是分享货币单位。我们使用这些回答来确定参与者在玩经济博弈时自身的动机。为此，我们将参与者在四种博弈类型中的回答与每种动机的预期回答模式进行比较。然后，我们使用多项逻辑回归模型比较分析，测试参与者自身动机是否随年龄变化。为测试自我锚定，我们检查参与者在预测行为与其自身动机匹配的玩家的选择时，其准确率是否更高。为此，我们使用线性回归分析，其中参与者的自身动机和年龄作为准确率的预测变量。我们对关于风险规避和贪婪玩家的预测进行了单独的回归分析。此外，我们探讨了参与者在其心理模型中考虑到的动机（合作性、贪婪、风险规避、预期价值）与自身偏好动机之间的重叠，根据获胜的计算模型。为此，我们计算了偏好计算模型中测试的四种动机并根据获胜模型考虑这些动机的参与者百分比（图S3）。

个体差异分析。为进一步调查可能影响青少年社会推理技能的因素，我们探讨了心理模型复杂性、偏好风险规避动机、环境严酷性、社交焦虑特质和认知共情之间的关系（测量描述见2.3.2节）。为此，我们使用控制年龄的多元二元逻辑回归。

补充信息（1）PDF（271.44 KB）文件S1。图S1–S3和表S1及S2。