编辑推荐：
理解日常生活中的决策过程是心理学中一个核心但鲜少被攻克的挑战。研究人员要么通过在高度受限的实验环境中隔离决策的特定方面来降低现实生活的复杂性，从而在理想化条件下获得对特定认知机制的见解，要么在现实生活背景下研究决策，使用对行为的高层次描述，但无法提供细粒度的过
理解日常生活中的决策过程是心理学中一个核心但鲜少被攻克的挑战。研究人员要么通过在高度受限的实验环境中隔离决策的特定方面来降低现实生活的复杂性，从而在理想化条件下获得对特定认知机制的见解，要么在现实生活背景下研究决策，使用对行为的高层次描述，但无法提供细粒度的过程层面洞察。弥合这一差距带来了测量和推理两方面的挑战。高分辨率追踪技术的最新进展为许多测量难题提供了新颖解决方案，但很少与形式化的心理学理论相结合。在本文中，研究人员回顾了追踪技术和统计工具，提出一个认知-计算框架（cognitive–computational framework），该框架利用高分辨率时空数据，以理论驱动的方式研究现实生活决策的机制。
**实验室与现实生活中的决策**
决策（decisions）是洞察人类心智的窗口，反映了人们如何处理和整合不同信息源，并塑造人与世界的互动方式。人类决策适应复杂环境，这些环境具有时空异质性（spatiotemporal heterogeneity）、时空自相关（spatiotemporal autocorrelations）和动态社会互动（dynamic social interactions）。然而，实验室通常抽象掉了这些复杂性，使得研究人员能够因果推断在理想化条件下“可能”发生的情况，但未必反映现实条件下“将会”发生的情况。虽然认知科学在形式化建模实验室控制环境中的决策过程方面取得了显著进展，但计算模型（computational models）在现实生活决策中的应用仍然稀少。例如，觅食决策（foraging decision-making）的实验室实验提供了序列决策和跨期选择的详细机制解释，而实地研究通常关注行为结果而非潜在机制。社会决策的实验室研究揭示了认知机制，如社会信息如何偏倚信息处理，而自然环境中的研究往往停留在描述水平。总体而言，价值导向决策的实验室实验假设决策者计算并比较各选项的内部价值，而自然主义决策（naturalistic decision-making）强调决策由隐性知识和模式识别驱动，而非价值比较。由于统一的计算账户很少同时应用于实验室和现实生活决策，这一差异是反映不同机制还是方法论差异尚不清楚。本文概述了如何结合高分辨率追踪数据与计算工具，弥合现实生活与实验室决策之间的鸿沟，提供更全面的行为解释。
**测量现实生活决策的新技术**
将计算模型应用于现实环境的一个关键障碍是在嘈杂复杂的现实条件下收集大量定量数据的困难。现代可穿戴设备、被动收集的数字数据的日益可用性，以及通过智能手机等设备进行生态瞬时评估（ecological momentary assessment）的可扩展性，为以高精度和高时空分辨率测量行为和环境变量提供了潜力。在计算社会科学中，被动收集的数字痕迹被广泛用于理解全球迁移、运动模式、城市隔离、社会互动动态和文化演化等现象。在心理学中，使用高分辨率追踪数据量化自然环境中行为的研究数量也在增长。例如，研究人员使用可穿戴音频记录器和智能手机研究行为与人格的联系，使用可穿戴眼动追踪装置研究儿童探索和运动-眼协调。近年来，研究人员开始将计算模型应用于此类数据，以研究现实生活决策的认知机制，但大多数工作集中在强化学习模型（reinforcement learning models）和/或数字环境中的数据。在动物生态学领域，追踪技术已牢固确立为洞察动态行为驱动因素的工具，进入“生物日志的黄金时代”（golden age of biologging），动物携带的传感器正在革新对动物与环境互动的理解。
**用于机制理解现实生活决策的认知-计算框架**
实验室设置允许研究人员向参与者提供关于任务结构和要求的明确指导，呈现清晰的选项集，便于测量参与者对不同选项的了解并提示决策时机。这使得认知-计算模型能够推断将可用信息转化为决策的潜在心理过程。相比之下，现实环境本质复杂且嘈杂：可用选项数量看似无限，可用信息通过复杂的搜索过程确定，决策可在任何时刻做出，并常直接影响环境。这种现实复杂性要求研究人员扩展标准计算建模方法，以适应开放、动态和交互的决策情境。本文提出的框架区分了可观测量和潜在量。可观测量可直接测量，包括行为约束、可用信息、行为痕迹和环境变量。潜在量需从理论假设和计算建模中推断，包括选项集、决策以及构建、选择、转换和发射等潜在过程。研究人员需：(i) 测量行为约束以“构建”选项集；(ii) 测量决策者可能拥有的关于每个选项的信息；(iii) 测量并解释决策过程中“发射”的行为痕迹，以识别决策的时间和空间；(iv) 检查个体在决策前如何“选择”和“转换”信息；(v) 测量环境变量以洞察决策如何“适应”环境条件。高分辨率追踪技术（如可穿戴设备、数字痕迹、智能手机数据、空中成像）有助于捕捉可观测量，为理论驱动的现实生活决策研究提供实证基础。在每个阶段，计算工具有助于推断潜在过程。
**基于约束构建选项集**
人们做出的决策形式多样，例如在超市货架上选择不同种类的意大利面，或决定走熟悉路线回家还是探索新路线。在这些场景中，决策者从一组在特定时间可用的选项中做出选择。选项集可包含可沿共享维度比较的实体，或性质不同的行为状态。许多原则上可考虑的选项因行为约束而不可用。“构建”选项集需要识别这些内部和外部约束，以将可能无限的空间缩小到实际可用的选项。现实生活决策的重要约束包括选项的可达性、可见性及到达所需努力，这些通常可直接测量。地理信息系统（Geographic Information Systems, GIS）和全景街景数据可估计基于街道网络、人行道、交通灯等基础设施的目标可达性。生理数据（如来自健身手表）可补充个体特定约束，如能量消耗。结合这些约束生成潜在选项集后，研究人员可评估决策者对每个选项的了解。
**测量可用信息**
信息搜索（通过观察他人、与环境反复互动或搜索环境规律）为决策提供证据基础。实验室实验通常向参与者提供关于不同选项的精心策划信息，因此许多现有决策理论缺乏对信息搜索的明确说明。对于人类，视觉搜索是信息搜索的主要方式，视觉注意力与决策紧密相关。可穿戴眼动追踪器、视野相机和运动传感器等技术进步使得重建现实生活中的凝视行为成为可能，揭示视觉信息搜索、日常接触的信息以及群体内社会信息流动。研究表明，实验室研究可能低估头部和身体运动对视觉搜索的相对重要性，现实生活中的信息搜索由不同于实验室条件的机制引导。除视觉信息外，音频记录、书面或口头语言数据以及数字痕迹可作为补充数据源，提供对个体信息生态、关注线索及信息搜索约束的更深洞察。大型语言模型可能允许研究人员大规模进行此类分析。
**测量和解释行为痕迹**
个体关于每个考虑选项的信息决定了决策时间和决策内容。在现实环境中，决策通常不可直接观察，研究人员需根据行为痕迹（如移动速度突变、视觉注意力转移或生理信号）识别决策点。这些痕迹可由GPS追踪设备、视频记录或可穿戴传感器捕捉。例如，搜索动态的变化可通过移动速度和角度变化或视觉注意力变化标记；社会互动在空间环境中留下可量化痕迹，如跟随领导者决策表现为成对距离或相对方向的系统变化；在线环境中，行为痕迹可能更直接地与决策点关联（如点赞或分享行为）。由于没有通用的行为痕迹与决策点的一一映射，研究人员需对决策如何“发射”行为变化做出假设。最简单的方法是将连续时间序列数据通过验证编码协议或确定性状态检测算法分类为离散决策。在非人类动物研究中，动态状态空间模型（如隐马尔可夫模型，Hidden Markov Models, HMMs）通常用于概率推断决策点。机器学习工具（如深度神经网络）可能特别适用于处理大量数据并自动检测指示决策过程的行为变化。
**检查信息选择和转换过程**
决策源于个体从可用选项中选择并转换相关信息。在许多情况下，决策者不会平等依赖所有可用信息，而是选择诊断性特征。例如，决定在红灯时过马路，个体可能依赖社会信息（如有多少人正在过马路）和交通密度来推断相关风险，而忽略其他特征（如天气条件）。在非人类动物研究中，HMMs和步态选择模型（Step-Selection Models, SSMs）常用于推断不同环境因素对决策的相对重要性。信息选择只是连接可用信息与决策的一环，另一环是将所选信息转换为指导选项间选择的潜在价值。例如，过马路时，行人可能更受附近他人影响而较远者影响小，此时社会信息作为物理距离的函数被转换。这种转换过程可从简单启发式规则到计算上更复杂的过程（如信息更新或证据积累）。转换过程可通过认知-计算模型形式化，利用概率链接函数将潜在价值随机映射到决策输出。将此类模型应用于数字数据提供了收敛证据，表明实验室和在线环境中的决策可由时间更新机制和证据积累过程解释。在数字世界之外，空间搜索的计算模型表明，现实生活觅食决策中的社会和个人信息在不同空间尺度上整合，揭示了在空间受限的实验室实验中可能被忽略的信息整合机制。
**测量环境变量及对环境条件的适应**
通过形式化建模现实环境中的决策，研究人员可检查潜在过程如何随环境变化而变化，以及决策过程如何“适应”环境需求。人类认知很可能在具有强自相关和时空异质性的环境中演化，这些特征仍表征许多现代环境。现代选择环境可能在城市化程度、基础设施和资源可用性或潜在社会互动频率上有所不同。各种工具现已可量化现实环境中的这些条件，例如空中成像用于量化资源聚类，全景街景用于量化城市化与绿化程度，视频数据用于推断城市环境中的信息生态。GIS进一步有助于推断人口密度、交通污染、可用资源和健康指标。在认知-计算框架中，环境变量可直接建模为潜在决策过程的预测因子。估计过程参数随环境变量的变化可用于推断适应相对强度。例如，该方法已用于显示经验丰富的奖励和资源丰富度如何影响在线环境中的探索参数和时间更新速度，以及自然环境中觅食决策的奖励敏感性如何随资源丰富度变化。
**挑战与局限**
标准化实验是测试心理机制因果假设的黄金标准，允许直接操纵任务特征并控制其他因素。然而，更大的自然主义带来新挑战，且该方法并非同样适用于所有决策领域。特别地，决策可通过计算模型研究的条件是：决策留下“可观测”痕迹、决策“重复”发生、且发生在功能上“定义明确”的背景下。此外，研究问题必须“匹配”技术发展状态。可观测性假设决策留下可观测行为变化，但并非所有生活决策都能直接关联到行为变化；许多决策通过内部 deliberation 达成而无明确行为信号，或仅长期后产生行为变化。重复性要求：实验室实验通常在短时间内引发多次重复决策，而某些高影响决策（如职业选择）可能仅发生一次。定义明确的功能背景要求决策是目标导向的，且关于意图的假设必须匹配决策者的实际意图；这需要深入了解文化和社会背景。匹配技术发展：并非所有设备都适合所有研究问题，例如可穿戴眼动追踪在自由互动中仅提供粗略数据。
**未来应用**
几个决策领域满足这些要求，可能提供有前景的研究方向。专业背景下的高利害决策（如医疗决策、消防、警察互动）已被广泛研究，现可能更易于进行计算建模，因为它们涉及重复决策、可观察行为及合理定义的决策目标。竞技和合作运动（如足球、篮球、速度攀岩、定向越野）包含协调、分工、专业化和策略制定元素，适合研究社会背景下的适应决策，且运动数据常已规模化收集。数字环境中的行为正越来越多地使用计算模型研究，当相关决策可观察（如点击、点赞）且可对目标导向做出合理假设（如最大化参与度）时，此类在线互动非常适合从认知-计算角度研究。例如，研究表明个体对分享内容时获得点赞的速率敏感，强化学习框架估计的学习率参数差异可提供对数字环境认知适应的洞察。
**结论**
认知和行为科学家长期以来关注实验室与现实生活之间的鸿沟，使得受限实验室实验的洞察难以应用于复杂现实行为。这种不匹配给旨在推断实验室外行为原因的应用科学家带来重大挑战。研究实验室外决策机制需要稳健的行为和环境变量测量，以及推断潜在量和过程的工具。本文总结了新技术发展和统计工具，使研究人员能够以更高精度和丰富度研究自然环境中的行为。这些进展一方面提供了对现实生活行为机制的洞察，另一方面需要理论驱动的方法来利用此类数据并促进跨领域知识转移。本文与近期将高分辨率数据与认知建模整合于计算精神病学（computational psychiatry）的呼吁一致，展示了该方法如何能告知更广泛现实环境中的具体决策过程，并说明形式化决策模型提供了实现实验室与现场发现可比性的共同语言。对实验室外决策认知机制的精确了解不仅是设计有效干预措施以改善心理健康和福祉的先决条件，也有助于帮助个体适应性地导航日常环境。
