基于观察的决策制定的神经计算模型,重点关注信任机制
作者:阿扎德·哈桑纳杰德·纳齐尔(Azadeh Hassannejad Nazir)、珍妮特·赫尔格伦·科塔莱斯基(Jeanette Hellgren Kotaleski)和汉斯·利伦斯特伦(Hans Liljenstr?m)
《Brain Sciences》:A Neurocomputational Model of Observation-Based Decision Making with a Focus on Trust
Azadeh Hassannejad Nazir,
Jeanette Hellgren Kotaleski and
Hans Liljenstr?m
编辑推荐:
3. 摘要翻译
作为社会性生物,人类的部分决策是基于社会互动进行的。观察他人的行为可导致对其的学习以及信任的建立,进而促使基于信任的行为改变。基于观察的决策涉及不同的神经结构。眶额皮层(Orbitofrontal Cortex, OFC)和外侧前额叶皮层(La
3. 摘要翻译
作为社会性生物,人类的部分决策是基于社会互动进行的。观察他人的行为可导致对其的学习以及信任的建立,进而促使基于信任的行为改变。基于观察的决策涉及不同的神经结构。眶额皮层(Orbitofrontal Cortex, OFC)和外侧前额叶皮层(Lateral Prefrontal Cortex, LPFC)分别被认为是主要负责处理情绪和认知决策价值的神经结构,而前扣带回皮层(Anterior Cingulate Cortex, ACC)则作为社会中枢发挥关键作用,整合来自OFC和LPFC的传入预期信号。本文提出了一种关于观察学习与信任之间相互作用及其在个体决策中作用的神经计算模型。因此,该模型为研究者调查当个体观察所谓“专家”的动作-结果关联时,情绪和理性反应如何变化提供了框架。研究人员模拟了三种皮层结构(OFC、LPFC和ACC)的神经动力学及其相互作用,其中利用动态贝叶斯概率(Dynamic Bayesian Probability, DBP)建模的神经振荡特性代表了观察者对该专家及决策选项的态度。作为一个与气候变化相关的日常行为情境示例,研究人员使用了家庭与工作间的交通方式选择。该模型生成的类脑电图(Electroencephalogram, EEG)信号显示了基于观察的决策过程中神经活动模式的变化。模拟结果表明,当个体观察专家的行动和结果时,较高水平的信任会影响情绪和理性评估。总体而言,该框架揭示了观察学习和信任如何共同塑造决策,强调了情绪和认知过程之间的动态相互作用,并提供了关于社会信息如何影响行为的机制性理解。
4. 论文解读
研究背景与动机
在社会性决策中,个体往往依赖观察他人行为来获取信息,这一过程被称为观察学习(Observational Learning)。尽管现有研究已证实眶额皮层(OFC)、外侧前额叶皮层(LPFC)及前扣带回皮层(ACC)在价值评估和预测误差处理中的作用,但关于信任如何作为一种动态变量调节观察学习,并进而影响神经振荡活动和最终决策的整合性计算模型尚显不足。为了填补这一空白,研究人员旨在构建一个连接社会行为与神经动力学的计算框架,阐明信任如何通过调节突触可塑性影响个体在观察他人(如专家)行为后的情绪与理性评估。该研究由Azadeh Hassannejad Nazir、Jeanette Hellgren Kotaleski和Hans Liljenstr?m共同完成,发表于《Brain Sciences》。
关键技术方法
研究人员主要采用神经计算方法构建模型。首先,基于三层吸引子神经网络模拟OFC、LPFC和ACC的神经动力学,其中OFC负责情绪估值,LPFC负责理性估值,ACC作为社会枢纽整合信息。其次,引入动态贝叶斯概率(DBP)来处理序列依赖性预测。核心创新在于修改了赫布学习规则(Hebbian learning rule),将信任变量(T)作为调制因子纳入突触权重更新方程(公式4),以模拟信任对学习效率的影响。模拟实验使用MATLAB R2023a进行,采用固定时间步长的欧拉法求解微分方程,并通过微观(单次试验内神经动态)与宏观(跨试验学习)双时间尺度耦合运行。案例研究选取了气候变化背景下的交通方式选择(私家车、自行车、公共交通)作为行为范式。
研究结果
3.1 假设(Assumptions)
模拟开始前,模型设定观察者初始偏向情绪化处理(高Q值),且被观察的专家具有高一致性。信任初值设为0.7,通过高斯分布初始化突触权重,确保了模型在确定性条件下的可复现性。
3.2 信任的神经表征(Neural Representation of Trust)
通过分析LPFC的神经振荡活动发现,信任水平的提升直接导致神经单元兴奋性增强及信号能量增加。具体而言,随着代表动机的增益参数Q值从6增至10,神经活动的优势频率从50 Hz升至79 Hz,表明高信任水平与更高频、更规则的神经振荡模式相关。
3.3 观察学习对信任的影响(Impact of Observational Learning on Trust)
研究显示,专家行为与结果的可预测性正向影响观察者的理性信任。信任学习曲线显示,经过约40次迭代观察后,神经连接权重趋于饱和,信任水平达到稳态。这表明持续的观察能够稳定观察者对被观察者的信任关系。
3.4 信任对观察学习的影响(Impact of Trust on Observational Learning)
在观察者最初偏好私家车(情绪值高)但理性倾向于公共交通的设定下,研究发现信任的增加会显著提升对公共交通的理性估值。数据表明,LPFC中对应公共交通的神经连接权重增长速率快于OFC中的情绪权重。理性估值先于情绪估值达到饱和,这意味着态度转变(尤其是情绪层面)所需的时间长于建立对专家信任所需的时间。
讨论与结论
讨论(Discussion)
研究人员指出,该模型揭示了OFC、LPFC和ACC在社会决策中的相互作用机制。结果显示,理性价值调整比情绪价值调整发生得更快,这与传统认为情绪反应更快的观点形成对比,表明在信任调节的观察学习中,理性评估可能先行。模型生成的EEG样信号表明,信任通过调节神经振荡特性来影响决策。局限性在于模型简化了皮层结构的解剖差异,且缺乏直接的实证数据验证。
结论(Conclusions)
该研究建立了一种现象学神经计算框架,证明信任是连接观察学习与神经行为变化的核心变量。信任源于对动作-结果关联的可预测性,并通过动态贝叶斯概率影响突触可塑性。这一框架不仅阐明了社会信息如何通过神经动力学影响个体行为,也为预测现实世界中受社会影响的决策(如环保行为采纳)提供了计算基础。