预测连续结果：关联性(associative)方法在偶然性学习(contingency learning)中对连续结果建模的新检验

《PLOS Computational Biology》：Predicting continuous outcomes: Some new tests of associative approaches to contingency learning

　　

摘要：关联性学习模型传统上将线索(cue)与结果(outcome)二值化来简化偶然性学习(contingency learning)——如给药与否及患者康复与否——虽成功捕捉了大量动物与人类学习现象，但无法表征真实情境中结果幅度的变异性。当结果具连续量级（如疾病严重程度）时，此类模型至多近似结果均值(mean)，无法表征潜在的值分布(distribution of values)。本文研究人员提出一种将分布式架构(distributed architecture)引入预测误差(prediction error)学习模型的方法，用以追踪线索与维度化结果(dimensional outcomes)之间的偶然性。所提出的Distributed Model允许线索与结果节点间形成关联性联结(associative links)，并根据结果幅值产生分布式表征(distributed representation)，从而使学习超越均值近似。研究人员通过四个偶然性学习实验将Distributed Model与Simple Delta Model进行对比，发现Distributed Model对几乎所有被试(empirical data)的实证数据拟合显著更优。结果表明人类学习者依赖一种编码方式保存所经历事件的连续本质，推进了对复杂环境中因果推断(causal inference)的理解。

论文解读：Predicting continuous outcomes: Some new tests of associative approaches to contingency learning

《PLOS Computational Biology》刊载的此项研究针对传统关联性(associative)偶然性学习(contingency learning)模型仅处理二值化线索与结果的局限展开。现有Rescorla–Wagner(RW)类delta rule模型在结果具连续数值（如0–100的健康改善程度）时仅能收敛至结果均值(mean)，无法区分相同均值但不同分布形态（正态、偏态、双峰等）的结果，丢失了真实学习中结果变异性的重要信息。贝叶斯(Bayesian)因果推断模型可表征不确定性(uncertainty)但属计算层级(account)描述理想观察者而非心理机制；分层高斯滤波器(Hierarchical Gaussian Filter)等需显式追踪方差与置信度，假设较高认知计算负荷。因此研究人员提出问题：简单的预测误差(prediction error)联想机制能否在不显式计算不确定性参数的前提下，通过分布式结果表征(distributed outcome representation)捕捉人类对连续结果的分布敏感性？为此研究人员设计Distributed Model——线索与沿结果维度的多个结果节点(node)分别建立联想权重(associative weight)，以Gaussian激活 spread模拟结果值在相邻节点的分布激活，按delta rule更新各节点权重——并与仅追踪单点估计(point estimate)的Simple Delta Model（增设响应噪声σ_e和softmax选择规则）进行个体水平最大似然估计(Maximum Likelihood Estimation, MLE)及BIC(Bayesian Information Criterion)、BF₁₀(Bayes Factor)比较。四个行为实验采用药物–健康改善(0–100量表)偶然性学习任务，目标线索具相同均值但不同分布形态（恒定/均匀/正态/正负偏态/窄宽正态/双峰），记录试次间预测评分及事后总结判断。结果显示被试逐试次预测对分布形态敏感（KS检验显著），而总结判断仅反映均值；模型比较中几乎所有被试ΔBIC＝BIC_delta－BIC_dist＞0且BF₁₀＞10，支持Distributed Model更优拟合。研究表明人类在偶然性学习中对连续结果保留分布信息，且此敏感性可由简单联想网络的分布式架构自然涌现，无需专门的不确定性计算模块，拓展了传统联想学习框架对连续、变异性结果的解释力。

主要关键技术方法

研究人员采用四个行为实验队列（Experiment 1–4，各含8–13个虚构药物线索，目标线索具相同结果均值但采样自不同分布：恒定值、均匀分布、正态分布、正偏态/负偏态分布、窄/宽正态分布及双峰分布，结果取值0–100整数）。计算建模方面构建两模型：Simple Delta Model——单联想权重V按ΔV＝α(λ－ΣV)更新，上下文(context)节点初始V＝50，预测时以高斯噪声σ_e生成围绕ΣV的选择权重(choice weight) W_r，经softmax（逆温度参数k，c＝3^k－1）输出101个离散响应概率；Distributed Model——对每个线索设0–100共101个结果节点，观测结果λ按Gaussian函数（方差σ_n²）激活邻近节点得归一化激活A_j，各节点联想权重按ΔV_j＝α(A_j－ΣV_j)更新，终端ΣV_j反映结果分布形态，选择权重W_x＝ΣV_x入softmax。两模型均估参α（线索学习率）、α_x（上下文学习率）、σ_e/σ_n、k，用L-BFGS-B在R中做MLE拟合个体试次预测数据，以BIC差异及Wagenmakers公式转BF₁₀比较模型，并以参数恢复(parametric recovery)验证可辨识性；排除单纯匹配(matching)策略影响（trial n观测值→trial n＋1预测相关性分析）。

研究结果

Empirical data

通过Kolmogorov–Smirnov(KS)检验对比相同均值不同分布线索的最终试次预测分布，Experiment 1显示恒定vs可变、均匀vs正态结果线索预测分布显著不同(D统计量显著)；Experiment 2不同基线率(base-rate)下目标线索预测仍对分布敏感；Experiment 3正态/正偏/负偏同均值线索预测分布彼此显著差异；Experiment 4正态窄/正态宽/双峰同均值线索预测分布亦显著差异。事后总结评分（均值估计、众数(mode)、因果评级）仅反映结果均值，对分布形态不敏感，说明逐试次预测含分布信息而总结判断发生整合取均值。

Model fit

对每个被试计算BIC_delta与BIC_dist，ΔBIC＝BIC_delta－BIC_dist，正值支持Distributed Model。四个实验中位ΔBIC均正，绝大多数个体ΔBIC＞0；转为BF₁₀＝exp(ΔBIC/2)后各实验BF₁₀＞10（强证据）。表明Distributed Model显著优于Simple Delta Model拟合人类逐试次预测行为。

Model output——Terminal associative strength（终端联想强度）

Simple Delta Model终端ΣV趋近结果均值（单值）；Distributed Model终端对各结果节点ΣV_j呈与观测结果分布形态一致的激活模式（正态输入→正态峰形，正偏→右拖尾等），可从个体及组平均水平复现潜在分布形状，证明分布式架构成功编码结果分布。

Model output——Simulated model predictions（模拟模型预测）

用最优拟合参数生成两模型试次预测密度，Distributed Model预测分布与被试实际预测密度重叠更佳，尤对偏态分布线索；Simple Delta Model预测呈以均值为中心较扩散的正态形，无法反映偏态或双峰特征。说明分布敏感性源于学习阶段架构（Distributed Model）而非仅响应噪声。

讨论与结论翻译

本研究表明，在具连续结果的偶然性学习任务中，人类学习者并非仅追踪整体均值或做上一试次匹配(matching)，其逐试次预测对结果底层分布具敏感性。将分布式结果表征引入预测误差联想模型（Distributed Model）比仅追踪点估计的简单delta rule模型(Simple Delta Model)更好地拟合个体行为数据。分布敏感性无需显式不确定性表征或样本存储，而可由跨结果节点的联想权重累积经标准delta rule自然涌现。此发现提示传统联想学习框架可通过分布式架构拓展至连续、变异性结果情境，推进对复杂噪声环境中因果推断(causal inference)学习机制的理解。