《Frontiers in Psychology》：Beyond the dichotomy between controlled and naturalistic paradigms: modeling psychological constructs in cognitive neuroscience
编辑推荐：
认知神经科学旨在将心理建构与脑活动联系起来，但这一目标关键取决于这些建构如何被操作化。传统的控制范式通过任务对比或参数操纵来定义建构，通过限制刺激、行为反应和任务需求的范围来提供可解释性。自然范式则使用复杂且时间上延展的刺激，如电影、叙事和音乐，使脑活动能够根
认知神经科学旨在将心理建构与脑活动联系起来，但这一目标关键取决于这些建构如何被操作化。传统的控制范式通过任务对比或参数操纵来定义建构，通过限制刺激、行为反应和任务需求的范围来提供可解释性。自然范式则使用复杂且时间上延展的刺激，如电影、叙事和音乐，使脑活动能够根据真实世界输入的多维连续特征进行建模。随着跨被试相关分析（ISC）、编码模型和神经人工智能（NeuroAI）方法的兴起，自然神经影像学已从表征跨被试共享的脑活动扩展到使用源自刺激、行为和人工神经网络（ANN）的特征进行高维预测建模。然而，这种转变并未消除理论假设，而是将其从任务设计转移到特征空间选择、模型架构和模型评估。本综述认为，控制范式与自然范式应被视为互补策略，而非竞争性替代方案。将假设导向的任务设计与计算建模相结合，可能将神经影像学从被动感知扩展到主动认知，包括推理、决策和数学问题解决。这种整合框架可以为通过神经与计算表征的关系来检验、精炼并潜在地重新定义心理建构提供更广泛的基础。
**论文解读文章**
**研究背景与问题**
认知神经科学长期致力于将心理建构（如智力、工作记忆、动机和注意力）与脑活动模式联系起来。然而，这些建构的测量依赖于操作定义和建构验证，与传统物理刺激属性（如声压、亮度）不同，它们属于理论实体。控制范式通过任务对比或参数操纵来隔离目标建构，但过度简化了认知过程，难以捕捉多个建构在复杂环境中的交互作用。自然范式使用电影、叙事等生态效度高的刺激，但引入理论假设的方式从任务设计转移到特征空间选择、模型架构和评估。当前关键问题在于，这两种范式常被视为竞争性选择，而缺乏整合视角。因此，本研究旨在论证控制与自然范式应作为互补策略，并通过计算建模整合两者，以推动主动认知（如推理、决策、数学问题解决）的研究。
**研究内容与结论**
本研究为综述性论文，研究人员系统回顾了控制范式与自然范式的基本逻辑，分析了计算建模和神经人工智能（NeuroAI）方法在自然神经影像学中的作用，并提出了整合框架。主要结论包括：（1）控制范式通过认知减法（cognitive subtraction）和参数化设计提供可解释性，但受限于预设假设；（2）自然范式通过跨被试相关分析（ISC）和编码模型将假设转移到特征空间，但未消除理论假设；（3）NeuroAI方法利用人工神经网络（ANN）内部表征作为预测变量，进一步扩展了建模能力，但假设转移到模型架构和训练数据；（4）两种范式应互补，通过假设驱动的主动任务设计与计算模型结合，可研究更广泛的认知功能。该综述发表在《Frontiers in Psychology》，提出整合框架为定义和检验心理建构提供了更广泛的基础。
**关键技术方法**（不超过250字）
研究人员主要分析了以下关键技术方法：（1）控制范式中的认知减法（cognitive subtraction）和参数化设计，用于通过任务对比或连续变量（如认知负荷、反应时）操作化心理建构；（2）自然范式中的跨被试相关分析（ISC），通过比较不同被试对同一刺激的脑活动时间序列，识别共享的刺激驱动响应；（3）编码模型和解码模型，前者从刺激特征预测脑活动，后者从脑活动推断刺激信息，两者结合使用手工或学习到的特征空间（如低层视觉特征、语义特征）；（4）NeuroAI方法，利用人工神经网络（ANN）内部表征作为高维特征，结合大规模公开数据集（如Natural Scenes Dataset提供8名被试观看数万张自然图像的7 T fMRI数据，Narratives数据集汇总数百个故事聆听fMRI扫描）进行被试内预测建模。
**研究结果**
**控制范式（Controlled paradigm）**
研究人员通过回顾正电子发射断层扫描（PET）和功能磁共振成像（fMRI）早期研究，指出控制范式基于认知减法逻辑，通过精心匹配目标任务与对照任务来隔离目标建构，并采用参数化设计或模型fMRI（model-based fMRI）引入连续变量（如预测误差）。这一范式获得可解释性，但限制了刺激、行为和策略的空间，不适合发现多个建构在复杂环境中的交互作用。
**自然范式（Naturalistic paradigm）**
研究人员通过分析早期电影观看fMRI（Hasson等，2004）和叙事聆听研究，指出自然范式利用ISC分析识别共享脑活动，但理论假设通过被试选择、分组和关系变量（如社会网络距离）进入。随后，编码模型从视觉、听觉到语义特征（Huth等，2012, 2016）扩展了预测能力，但假设通过特征空间选择（如低层感官特征 vs. 高层类别）引入。因此，自然范式并未消除理论假设，而是将其重新定位。
**计算建模与NeuroAI方法（Computational modeling and NeuroAI approach）**
研究人员通过综述ANN结合编码模型的研究（如Gü?lü & van Gerven, 2015; Horikawa & Kamitani, 2017），指出NeuroAI方法将假设从任务设计转移到模型架构、训练数据目标和层选择。大规模数据集（如Natural Scenes Dataset, Narratives）促使从群体平均转向被试内预测建模，但将其应用于发育和临床人群仍面临挑战。
**克服控制与自然二分法（Overcome controlled vs. naturalistic dichotomy）**
研究人员通过举例（Nakai & Nishimoto, 2020, 2022, 2023a,b）和游戏研究（Tomov等，2023），展示了整合主动任务与计算模型的有效性。例如，使用103项认知任务的fMRI数据构建编码模型，揭示层级化皮质组织，并预测和解码新任务条件；数学认知研究中，编码模型揭示了问题表征的格式不变性；游戏结合强化学习模型可研究理论形成和预测误差。这些结果表明，主动假设驱动任务与计算模型结合可扩展至主动认知领域。
**总结讨论与结论**
**讨论部分总结**：研究人员指出，自然范式与AI模型扩展了认知神经影像学，但多数研究仍依赖被动感知。综合架构应整合结构化任务设计与计算建模，以研究主动认知。通过采样认知空间，编码模型和ANN可保留可解释性并获得预测能力，并解决泛化问题。游戏和虚拟现实提供了桥梁，同时保持实验控制。
**结论翻译**：总之，控制范式与自然范式不应被视为竞争性替代方案，而应作为将心理建构与脑活动联系起来的互补策略。控制范式通过精心设计的任务和实验对比提供可解释性，而自然范式（尤其是与计算建模和NeuroAI方法结合时）保留了更丰富的刺激结构，并允许根据真实世界输入的连续特征对脑活动进行建模。因此，未来的认知神经科学应整合控制实验的精确性与自然建模的丰富性和预测能力。这种整合将使计算建模从被动观看和聆听扩展到主动认知。
