内部贝叶斯精度调节社会注意力的神经表征：通过基于模型的多变量脑电分析解耦内隐与外显成分

《Cognition》：Internal Bayesian precision modulates the neural representation of social attention: Disentangling implicit and explicit components via model-informed multivariate EEG analysis

　　

**摘要**
社会注意力将感觉线索与高级认知期望整合在一起，然而，隐性定向与显性信念驱动调节相互作用的生成机制仍知之甚少。这种模糊性使得区分专门的社会模块和领域通用注意力过程变得复杂。我们结合动态线索任务、层级贝叶斯建模和模型辅助的多变量脑电解码来解决这一问题。行为结果揭示了计算双重分离：符号箭头线索引发了异质策略，而转移视线则招募了一种一致的、惊奇驱动的计算表型。在神经层面，时间分辨解码和时间泛化揭示了一个关键的表征转换，始于线索后约 400 毫秒。与物理线索特征相关的初始活动迅速被预测空间意图的稳定神经模板所取代。关键的是，地形图激活模式显示，这种以侧化颞枕分布为特征的心志模板仅在内部确定性高时出现。此外，部分表征相似性分析表明，晚期神经流形主要围绕整合的空间目标组织，而非孤立的感官或动机信号。这些发现表明，社会注意力是一种专门的生成过程，其中内部确定性调节社会知觉转化为可操作的自上而下意图的转变。

**引言**
社会注意力是一种基本的认知能力，使人类能够优先关注显著的社会信号（如眼神和手势），以导航复杂的社会环境（Burra & Kerzel, 2021；Ristic & Capozzi, 2022；Yokoyama & Takeda, 2019）。视线跟随是该能力的关键部分，指一个人将注意力转向与他人相同的位置（Emery, 2000；Stephenson 等，2021）。这种行为有助于建立联合注意力，即个体与社会伙伴共享共同的焦点（Dalmaso 等，2016；Moore & Dunham, 1995）。这种能力是指示性交流的重要工具，而不仅仅是感知反射（Frith & Frith, 2007）。据信它支持复杂的社会功能，如理解他人的心理状态和意图（Dalmaso 等，2016；Moore & Dunham, 1995）。它也被认为是心智理论发展的基础，即理解他人拥有自己的视角的能力（Ca?igueral & Hamilton, 2019；Morgan 等，2021）。为了量化这些机制，研究人员广泛采用视线线索任务，其中中心线索（如人脸或箭头）引导注意力朝向或背离随后出现的目标（Ishikawa 等，2021；Yokoyama & Takeda, 2019）。该范式稳健地诱发了线索效应，其特征是对一致线索目标的反应更快且更准确（Bayliss & Tipper, 2006；Gregory & Jackson, 2017；Wang 等，2022）。然而，该效应的底层性质仍是长期争论的焦点。

从根本上说，视线线索效应反映了隐性和显性注意力成分之间的复杂相互作用。一方面，该效应常被描述为隐性、反射性过程，即使在线索非预测性时仍持续存在（Driver IV 等，1999；Gregory & Jackson, 2017；Ishikawa 等，2021）。另一方面，也有建议认为该效应涉及显性、意志性策略，特别是当参与者解释社会意义或利用线索的预测价值时（McKay 等，2022；Olk & Kingstone, 2015；Wang 等，2022）。反射自动性与显性信念调节之间的紧张关系助长了更广泛的争议，即社会视线是招募了领域特定模块，还是与过度学习的符号线索（如箭头）共享领域通用机制（Chacón-Candia 等，2023；Falck-Ytter 等，2023；Mundy & Bullen, 2022）。尽管生物视线和符号箭头源于不同的进化和学习历史（McKay 等，2022；Morgan 等，2021），但它们经常引发相似的行为和神经反应（Birmingham & Kingstone, 2009；Hietanen 等，2008；Kuhn & Benson, 2007）。解决这一争议的主要障碍是传统反应时（RT）指标作为聚合指标（Bayliss & Tipper, 2006；Lin 等，2020），结合了多种过程，无法轻易区分自动反应与刻意期望（Gao 等，2025）。因此，除非将这些不同的注意力成分单独分析，否则大脑处理社会信息的具体方式可能仍不清楚。

此外，先前的研究主要采用固定可预测性任务，这可能无法捕捉个体如何适应随时间变化的社会环境（Gao 等，2025；Sevgi 等，2020）。在自然环境中，注意力通过结合感觉信息和内部期望来调整（Chen 等，2025；Orendorff 等，2016），这一过程与贝叶斯大脑假说一致。这一观点将社会注意力概念化为一种推断过程，其中线索可靠性调节行为影响（Diaconescu 等，2014；Eckstein 等，2013）。为解决静态任务的局限性，我们采用了可预测性波动的动态线索任务，利用层级高斯滤波器（HGF）提取逐试次的潜在计算轨迹（Diaconescu 等，2014；Sevgi 等，2020）。通过跨多个尺度建模层级推断，范围从即时线索 - 目标结果到环境相性波动性，该框架有助于区分自动反射与刻意的信念转变（Schuller 等，2025）。这种区分通过精度加权增益控制来实现操作化，其中内部确定性作为计算门控，决定社会信号的优先级（Liu 等，2025）。该框架为比较社会（视线）和非社会（箭头）线索提供了基础，以探索社会注意力是依赖独特机制还是任何不确定信息使用的通用策略。这种方法有助于研究不同群体（如自闭症个体）如何不同地权衡社会和非社会信息（Ong 等，2025；Ong & Liu, 2023；Ricciardelli & Pintori, 2023）。

虽然层级贝叶斯模型提供了关于社会注意力计算策略的见解，但其隐性和显性成分的精确时间实现仍未解决。传统研究已确定与将注意力转向视线相关的特定神经反应，如 N2pc、早期定向注意力负波（反映早期感官 - 知觉定向）和前部定向注意力负波（反映前额注意力控制）（Conty 等，2016；Gado 等，2025）。最近结合层级贝叶斯模型与脑电的研究表明，逐试次的主体信念调节了 ERP 振幅（Schuller 等，2025）。然而，这些方法通常依赖于总体平均或受限的空间感兴趣区域，掩盖了试次水平的变异性，并忽视了多变量头皮电压分布中固有的高维信息。在本研究中，我们应用多变量模式分析（MVPA）来解码整个电极阵列上的表征内容，旨在确定隐性 - 显性整合的时间点。具体而言，我们实施了一种模型辅助的 MVPA 策略，利用 HGF 导出的内部确定性来分类和解码脑电信号。该方法考察特定神经动力学阶段的神经表征是由外部物理特征驱动（Ando, 2002；Burra & Kerzel, 2021；Conty 等，2006），还是由内部贝叶斯精度重组（Gao 等，2025）。该方法确定了高级确定性通过精度加权增益控制重组神经表征的关键时间窗口。

除空间解码外，表征相似性分析（RSA）用于考察当注意力从隐性处理转向显性处理时大脑如何组织信息。RSA 通过构建表征差异矩阵（RDMs），允许在大脑活动模式和理论模型之间进行直接比较。通过这些神经地图与代表视觉特征、心理状态和行为的模型进行比较，可以追溯信息处理如何随时间演变。这一分析指出了神经组织的转变，从基于视觉特征的处理转向反映参与者预期焦点的状态（Bayliss 等，2011；Capozzi & Ristic, 2018；Zhang 等，2011）。RSA 用于研究从早期自动反应向表征专注注意力的更审慎模式的转变（Capozzi & Ristic, 2018；Knill, 2007）。这种转变表明，社会注意力涉及内部意图的构建和主动推断（Harris & Arthur, 2026；Ng 等，2026），而不仅仅局限于对视觉特征的反射性反应（Gado 等，2025；Gao 等，2025）。最终，该方法旨在阐明内部确定性如何通过调节社会信号的优先级来组织社会注意力，这一过程与理论门控账户一致，即初始信号被转化为稳定的行动计划。

本研究通过结合动态期望模型与脑电解码来调查社会注意力的神经基础，以测试社会线索是否通过独特的计算策略进行处理。尽管视线和箭头产生相似的行为（Birmingham & Kingstone, 2009；Chacón-Candia 等，2023），我们比较了贝叶斯模型，以测试社会视线是否遵循独特的原则，这可能解释其在人类互动中的核心作用（Chen 等，2025；Diaconescu 等，2014）。使用模型辅助的神经解码，我们隔离了自动（隐性）和意志（显性）注意力，以考察其整合如何受内部确定性调节。从理论门控的角度来看，刻意意图的神经表征可能主要在确定性高时优先考虑（Qian 等，2013），而在不可靠的情境中相对被抑制，以保留认知资源。通过将这些计算状态与神经活动联系起来，我们调查大脑如何可能根据确定性对注意力的不同成分进行加权，以优先处理社会信息（Eckstein 等，2013；Ortega 等，2025）。

**章节片段**
**参与者**
我们使用 G*Power 3.1 估算所需的样本量。单样本 t 检验的功效分析表明，要检测到效应量为 0.40（α = 0.05，power = 0.80），至少需要 52 名参与者。为了确保稳健的神经解码和计算建模，最初招募了 60 名健康大学生。排除了 5 名参与者：1 人因技术故障，4 人因伪迹过多或脑电信号质量差。最终样本由 55 名参与者组成。

**模型选择结果**
对于转移视线条件，贝叶斯模型选择（BMS）提供了支持惊奇模型的决定性证据，该模型将注意力因子（α）定义为香农惊奇（Shannon surprise）的函数。惊奇模型达到了接近 1.0 的后验排除概率（PEP）（PEP = 0.9996，EPP = 0.9254），表明它比信念模型或精度模型的可能性显著更大。此外，低贝叶斯奥卡姆比（BOR，6.11 × 10?4）表明，视线跟随行为与基于惊奇的加工策略一致。

相比之下，我们没有发现单一的

**讨论**
通过将动态线索任务与层级贝叶斯建模及模型辅助的神经解码相结合，考察了社会注意力的神经计算框架。通过比较生物视线与符号箭头线索，我们观察到社会与非社会加工之间存在不同的计算模式。尽管参与者对非社会线索采用了多种策略，但社会注意力遵循了一种受线索引发的惊奇水平影响的一致模式。

**结论**
总之，本研究通过结合层级贝叶斯模型与多变量脑电解码，考察了社会注意力的神经和计算基础。结果表明，处理社会视线采用了一种一致的、基于惊奇的策略，这与符号箭头线索观察到的多种方法有根本区别。在行为方面，该策略涉及自动反应与基于内部期望的刻意调整相结合。神经

**作者贡献**
Z.C. 和 L.Z. 对本工作贡献相同。Z.C. 贡献了概念化、调查、数据整理、正式分析、方法论、撰写审阅与编辑。L.Z. 贡献了调查、数据整理、正式分析、方法论、撰写初稿。C.W. 贡献了数据整理。Y.S. 贡献了经费获取、资源、监督、撰写审阅与编辑。

**CRediT 作者贡献声明**
陈子威：撰写 – 审阅与编辑，方法论，调查，正式分析，数据整理，概念化。
赵灵雨：撰写 – 初稿，方法论，调查，正式分析，数据整理。
王初禹：数据整理。
宋永宁：撰写 – 审阅与编辑，监督，资源，经费获取。

**伦理声明**
已获得所有参与者或其法定代理人的书面知情同意，同意参与本研究并发表文章。已遵守参与者的隐私权。

本研究是在研究所在地的相关法律、监管框架和指南下进行的。

本研究已获华东师范大学机构审查委员会批准。（批准号：HR2-0458-2025）。

**资助**
本研究是中央高校基本科研业务费、上海市立德树人人文社科研究基地项目的一部分，资助/奖项编号：2021/2022。

**利益冲突声明**
作者声明不存在利益冲突。

**致谢**
我们对参与者参与本实验表示诚挚的感谢。

陈子威 | 赵灵雨 | 王初禹 | 宋永宁