时间压力下证据积累噪声分布的跳跃性特征——基于Lévy飞行模型的探索

《Cognitive Psychology》：Time to jump: Exploring the distribution of noise in evidence accumulation as a function of time pressure

　　

本研究探讨了时间压力对证据积累过程中噪声分布特征的影响，采用Lévy飞行模型（LFM）作为扩散模型（DM）的扩展框架。研究发现，随着基于截止期限的时间压力加剧，稳定性参数α显著下降，这一趋势在两个性质不同的实验任务中均得到复现。当允许α自由变化时，建模超时反应对漂移率（drift rate, v）的影响较固定α条件更小。研究结果表明，时间压力会促使证据积累过程中的噪声从正态分布（α = 2）向重尾分布（α接近1）偏移，从而增加大幅度跳跃事件的发生概率。

研究背景与问题提出

在简单二元决策任务的研究中，传统分析方法常聚焦于行为变量的汇总统计量，如平均正确反应时（response time, RT）和正确率，这些指标虽能在行为层面提供有价值的信息，却难以揭示潜在的认知加工过程。为此，研究者广泛采用扩散模型（diffusion model, DM；Ratcliff, 1978）等数学模型，将完整的RT分布数据分解为若干具有明确心理学含义的参数。DM的核心参数包括：阈值分离度（threshold separation, a）、相对起始点（relative starting point, z_r）、漂移率（drift rate, v）以及非决策时间（nondecision time, t₀）。然而，标准DM假设证据积累过程中的噪声服从高斯分布（即正态分布），这一假设可能过于严格，无法充分捕捉真实决策中的极端波动特征。

为解决上述局限，Voss等人（2019）提出了Lévy飞行模型（Lévy-flight model, LFM），将噪声建模为α稳定分布（α-stable distribution），其中稳定性参数α ∈ (0,2]控制着噪声分布的尾部厚度。α值越低，尾部越厚重，证据积累中出现大幅跳跃的概率越高。当α = 2时，LFM退化为标准DM；当α = 1时，噪声服从柯西分布（Cauchy distribution）。已有研究表明，LFM在词汇判断任务、颜色辨别任务以及点运动任务中均能更好地拟合RT数据，尤其是在简单任务和速度指令条件下表现优于DM。Voss等人（2019）发现，LFM的优势主要源于其能够容纳快速错误（fast errors）现象——即错误反应的平均速度快于正确反应的现象。在DM框架中，快速错误通常归因于起始点的试次间变异（intertrial variability in starting point, s_zr），而LFM则通过重尾噪声分布提供了另一种解释路径。

尽管LFM在多项研究中展现出优越的拟合性能，但时间压力如何具体影响噪声分布特征仍是一个尚未充分探究的问题。时间压力是决策研究中常用的实验操纵手段，通过设置反应截止期限迫使参与者加快反应速度，已被广泛用于考察速度-准确性权衡（speed-accuracy trade-off）的认知机制。现有DM研究一致表明，时间压力会导致阈值分离度a降低，反映参与者采取更宽松的决策标准。然而，时间压力是否会影响噪声分布本身的形态（即α参数），以及这种影响在不同任务间是否具有跨情境一致性，尚缺乏系统性的实证检验。

研究方法概述

研究采用Lévy飞行模型（LFM）作为核心分析工具，该模型在标准DM基础上引入稳定性参数α以刻画噪声分布的重尾特性。研究共包含两项实验：实验1采用字母-数字辨别任务（letter-number discrimination task, LNT），参与者需判断呈现的刺激是字母还是数字；实验2采用颜色辨别任务（color discrimination task），参与者需判断色块的颜色类别。两项实验均设置了两种时间压力条件：无时间压力的准确率优先条件和有时间压力的截止期限条件（deadline condition），后者要求参与者在特定时间内做出反应，逾期视为超时（timeout）。数据分析采用分层贝叶斯方法进行参数估计，比较了允许α自由变化的LFM与固定α = 2的标准DM在拟合数据时的表现差异，同时评估了α变化对漂移率v估计值的影响。

研究结果

α参数随时间压力增强而降低

研究发现，在两项实验中，随着基于截止期限的时间压力增强，α参数均出现显著下降。具体而言，在无时间压力条件下，α估计值接近2（即接近正态分布）；而在有时间压力条件下，α估计值显著降低至约1.5左右，表明噪声分布尾部变厚，大幅跳跃事件的发生频率增加。这一效应在字母-数字辨别任务和颜色辨别任务中均得到复现，显示出良好的跨任务稳健性。

α自由变化对漂移率估计的影响

当允许α参数自由变化时，建模超时反应对漂移率v的影响较固定α条件更小。具体来说，在标准DM（固定α = 2）中，纳入超时反应会导致漂移率估计值发生较大偏移；而在LFM（α自由变化）中，漂移率的估计值更为稳定，表明LFM能够更有效地分离时间压力对决策过程和噪声分布的不同影响。

模型比较结果

基于贝叶斯信息准则（Bayesian Information Criterion, BIC）的模型比较显示，在两项实验的所有条件下，允许α自由变化的LFM均优于固定α = 2的标准DM。这一优势在时间压力条件下尤为明显，进一步支持了时间压力会改变噪声分布形态的理论观点。

讨论与结论

研究结果表明，时间压力不仅影响决策阈值的设定（即a降低），还会改变证据积累过程中噪声分布的基本特征，使噪声从正态分布向重尾分布偏移。这一发现对理解速度-准确性权衡的认知机制具有重要意义：在时间压力下，参与者可能更倾向于依赖间歇性的大幅证据跳跃而非持续稳定的证据累积来加速决策，这解释了为何快速错误在时间压力条件下更为常见。研究还指出，LFM通过引入α参数，能够在同一模型框架内同时捕捉时间压力对阈值和噪声分布的双重影响，避免了标准DM中通过额外参数（如起始点变异）间接解释快速错误的局限性。

研究结论部分翻译如下：本研究通过两项不同任务的实验，系统验证了时间压力对证据积累过程中噪声分布特征的影响。研究证实，基于截止期限的时间压力会导致LFM的稳定性参数α显著降低，且这一效应具有跨任务一致性。当允许α自由变化时，建模超时反应对漂移率估计的影响显著减小，表明LFM能够更准确地分离时间压力的多重效应。这些发现强调了在决策建模中考虑噪声分布灵活性的重要性，并为理解时间压力下人类决策行为的动态特征提供了新的理论视角。