从subitizing到韦伯近似:数量读出的吸引子景观机制

《i-Perception》:An attractor account of numerosity readout

【字体: 大 中 小 】 时间:2026年09月23日 来源:i-Perception 1.1

编辑推荐:

  数值感知通常被描述为两个系统的产物:一个用于小集合的近乎精确的机制,以及一个用于较大集合的近似机制,其变异性遵循韦伯定律(Weber's law)。Gallistel和Gelman提出,这两种行为可能源于对离散数量(numerosity)的单一表征,其精度随数

  
数值感知通常被描述为两个系统的产物:一个用于小集合的近乎精确的机制,以及一个用于较大集合的近似机制,其变异性遵循韦伯定律(Weber's law)。Gallistel和Gelman提出,这两种行为可能源于对离散数量(numerosity)的单一表征,其精度随数量级逐渐降低。在此,研究人员赋予这一想法一个机制性形式,其中上游感知处理已提取的带噪数量估计被转化为离散的数字响应。整数被表示为沿一维数轴(number line)的记忆,共同构成一个霍普菲尔德启发(Hopfield-inspired)的吸引子景观(attractor landscape)。该估计提供初始状态,循环动力学(recurrent dynamics)通过将其拉向存储的整数表征来清理该状态。由于记忆成分随数量级增大而变宽并更强地重叠,同一景观对小数量产生近乎类别性的响应,对较大数量则产生越来越粗略、类韦伯式的估计。研究人员通过重新分析一个公开可用的视觉枚举数据集中的52,995个个体响应来检验这些预测。吸引子模型优于匹配的静态控制和恒定宽度控制、一个纯驱动累加器、以及韦伯风格和有限最优(bounded-optimal)替代模型。响应时间自然地从清理步骤的数量中产生,有限停止预算解释了大数量平台。拟合的响应分布在较大数量处接近稳定的韦伯分数(Weber fraction),且具有更锐利低数量景观的参与者在非重叠的大数量试验中表现出更低的韦伯噪声。总之,这些结果表明,与数量相关的景观几何和循环清理对共享的数字读出(numerical readout)做出了可分离的贡献。
数值感知(numerosity perception)通常被认为由两个系统支持:针对小集合的近乎精确的机制(即感数,subitizing)和针对大集合的近似系统(approximate number system, ANS),后者的变异性遵循韦伯定律(Weber's law)。然而,Gallistel和Gelman曾提出,这两种行为可以源于对离散数量的单一表征,其精度随数量增大而逐渐降低,但这一设想缺乏具体的机制描述。针对这一理论缺口,研究人员旨在为单码表征(single-code account)提供一个机制性模型——将数字读出(numerical readout)视为吸引子景观(attractor landscape)上的模式完成(pattern completion)过程。

研究人员构建了一个一维、霍普菲尔德启发(Hopfield-inspired)的能量景观模型,其中整数被存储为连续数轴上的记忆成分,每个整数对应的记忆宽度σn随数量级按幂律增长,使得小整数形成狭窄而深的吸引井,大整数形成宽阔而浅的重叠盆地。来自上游感知处理的带噪估计y0作为初始状态,通过梯度下降的循环动力学被拉向最近的整数表征,最终形成离散数值响应。为检验这一模型,研究人员重新分析了Cheyette和Piantadosi (2020)公开的视觉枚举数据集,该数据集包含52,995个个体响应和五种暴露时长条件。结果支持了该模型:吸引子模型在拟合优度上优于匹配的静态读出、恒定宽度控制、纯驱动累加器、韦伯风格以及有限最优(bounded-optimal)替代模型;响应时间由清理步骤数自然决定,有限的停止预算解释了大数量平台;拟合响应分布在大数量处接近稳定韦伯分数;个体差异分析显示更锐利的低数量景观与更低的韦伯噪声相关联。这些结果共同表明,与数量相关的景观几何和循环清理对统一的数字读出做出了可分离的贡献,为Gallistel和Gelman的单码假设提供了具体机制支持。

在该研究中,研究人员采用了以下关键方法:其一,构建吸引子模型,将整数作为归一化高斯记忆成分,使用log-sum-exp能量形式(源于现代Hopfield网络),通过梯度下降实现模式完成;其二,使用差分进化(differential evolution)和Nelder–Mead算法对模型参数进行拟合,模型比较采用AIC和BIC;其三,使用公开数据集(Cheyette和Piantadosi (2020)的视觉枚举数据,包含5种暴露时长,360个完成所有时长的成年人会话)进行验证;其四,通过联合参数恢复分析和个体差异潜在相关检验,评估模型的行为预测。

结果方面,模型比较显示:吸引子模型在约5.3万个个体响应上表现最佳,其ΔAIC比恒定宽度模型低3488,比韦伯/ANS码低838,比有限最优模型低11453,比纯驱动累加器低7954;关闭清理动态后(静态读出)ΔAIC增加722,证明循环清理是关键成分。反应时结果显示,仅收敛时间链接与收敛时间加熵的混合链接表现几乎相同(混合差0.24 AIC),而仅熵链接差1579.5 AIC;加入“放弃”机制(预算G)后,预测反应时在大数量处形成平台,与数据一致。宽度指数分析得到nwidth=8.5,即高斯分量宽度等于整数间距的数量级;个体差异分析显示,在控制滑移(lapse)效应后,较低数量范围(n≤8)的景观分辨率与较高数量范围(n≥9)的韦伯噪声w之间存在显著负相关(ρ?nw·?=?.63,N=360,似然比χ2(1)=105.0,p=1.2×10?24),表明更锐利的低数量景观与更精确的大数量估计相关。最后,联合模型同时捕捉三种行为测量:跨时长合并后,均数估计R2=.95,精确准确率R2=.94,反应时R2=.82;主要偏差集中在40ms暴露条件,在极短暴露下模型无法完全捕捉行为变化;另一偏差是n=6–9处精确准确率预测出现肩状结构,但在数据中不明显。

讨论部分指出,该模型将类别性报告和近似报告统一为同一景观的不同工作区域,支持单码架构。与静态读出相比,动态清理能压缩较小整数盆地内的输入变异性,提高精确响应概率;纯驱动累加器失败表明累积与数量提取是分开的过程。反应时结果反映了清理动力学与有限停止策略的交互。个体差异结果提示,数值敏锐度的差异可能源于数值经验对记忆景观的调制。模型刻意省略了感知前端,以隔离数值读出阶段,未来可耦合图像计算模型或跨模态输入进行扩展。

研究结论可以概括为:数值读出在这个框架中是整数记忆景观上的模式完成;类别性和近似报告成为同一景观的两种读数,而非在未解释边界连接的两个编码;清理动力学的有界收敛时间捕捉了主要反应时特征,尽管停止策略的认知实现仍未解决;这些结果为关于心灵如何表征数字提供了一组紧凑、机制性的假设。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号