从生态预测到机制验证：运动相关动作决策中的机器学习、计算建模与跨层级计算耦合范围综述

《NEUROSCIENCE AND BIOBEHAVIORAL REVIEWS》：From Ecological Prediction to Mechanistic Validation in Sport-Related Motor Decision-Making: A Scoping Review of Machine Learning, Computational Modeling, and Cross-Level Computational Coupling

　　

在本综述纳入的57项研究中，42项使用了机器学习方法，10项使用了形式化模型，5项同时结合了两者。机器学习方法所覆盖的生态化场景范围更广，而形式化决策模型则集中在更窄的任务范围内。研究观察到了计算层面的耦合现象，但几乎未出现能够修改理论的反馈回路。独立的证据很少能在多个测量指标上对同一决策构念形成约束。本文提出一种新的框架，将生态模式与形式化假设及验证过程联系起来。

引言

快速决策是运动技能行为的中心环节。运动员往往只能在极短时间内利用不断变化的感知信息，预判可能发生的下一事件，评估可选行动，并在不确定性下进行运动调整（Ashford et al., 2021; Lappi, 2022）。这些要求使运动不仅仅成为运动表现分析的场域。与运动相关的运动决策为一种自然主义的行为情境提供了条件，在此情境中感知与行动保持紧密联系，而可用信息则随时间不断变化。在本综述中，与运动相关的运动决策指在感知或战术条件发生变化的情况下对运动特定行动的选择、准备或评估。运动执行仅在其与先前或正在进行的决策明确关联时予以纳入考量。

机器学习（ML）领域的最新进展极大地扩展了在生态化丰富条件下可研究的运动行为范围。比赛事件、追踪数据、视频及其他复杂数据源如今可用于预测行动与结果，或在真实运动情境中评估可能的决策（Davis et al., 2024）。部分模型用于比较候选行动或估计依赖于情境的行动价值，另有部分模型提供可能支持后续决策的战术信息。可解释机器学习也被用于识别哪些信息对运动特定预测作出贡献，例如基于多模态比赛数据的传球结果预测（Takamido et al., 2025）。然而，预测成功仅回答了科学问题的一部分。特征重要性、显著性、学习策略及相关输出可以揭示预测模型如何运作，但这些输出本身并不能解释某一决策是如何形成的（Freiesleben et al., 2024; Rahgooy et al., 2022）。更具挑战性的问题在于：一次成功的预测能在多大程度上揭示产生该选择的过程。

理论驱动的建模（CM）出发于不同的目标，即将对决策过程的假设表述到足以进行估计与检验的程度。以扩散模型为例，它将可观察到的选择行为分解为与证据积累、决策边界、起始偏向及非决策加工相关的量（Fontanesi et al., 2019; Pedersen et al., 2016）。相关的强化学习扩散框架将不断变化的行动价值与选择动态相连接，而部分可观测模型则在底层状态不确定的情况下形式化行动选择（Fontanesi et al., 2019; Pedersen et al., 2016; Rao, 2010）。在运动特定任务中，形式化模型已被用于考察在不同信息条件下的预期与信息利用（Harris et al., 2023; Weinberg et al., 2025）。其价值在于形式化的特异性。一旦假设被写入计算模型，竞争性解释便可相互比较，其预测亦可以被检验，而无需停留在言语解释的层面（Guest and Martin, 2021; Palminteri et al., 2017; Wilson and Collins, 2019）。然而，形式上可解释的参数仍然是基于模型的构念，其心理或神经层面的意义必须被确立，而非被假定。

这种张力在运动研究中尤为明显。自然主义研究保留了简化任务常常剥离的情境关系与变化信息，而这种真实性同时也带来了实践与分析上的挑战（Sonkusare et al., 2019）。形式化模型在任务能够区分多个合理解释、且拟合参数可被可靠恢复时最为有效（Palminteri et al., 2017; Wilson and Collins, 2019）。真实比赛并不总能提供如此干净的条件：信息瞬息万变，战术选项随其他球员的位置与行动而改变，且每一次行动都会改变下一步可用的选项。因此，形式化构念往往在受控任务中更易估计。这两种方法难以放在同一尺度上直接比较。关键在于已有证据在多大程度上能够支撑关于决策如何形成的判断。

因此，本综述将四项主张彼此区分：生态预测、形式化决策解释、跨层级计算耦合以及机制性验证。这些类别回答的是不同的问题，不应被视为方法论质量的排序。生态预测关注真实运动情境中可观察到的行动、结果或战术模式；形式化决策解释探讨可观察到的选择能否通过显式的潜在量或指定的决策过程加以说明；跨层级耦合要求可识别组件之间存在真正的计算依赖关系；机制性验证则更进一步，即计算层面的主张在被检验时必须能够经受住未用于定义或拟合该模型之外的证据。这一区分与更广泛的论点一致，即行为分析与神经实现层面的主张相互关联，但不应被合并为同一形式的解释（Krakauer et al., 2017）。

因此，整合并不仅仅是机器学习与形式化建模在同一研究中共存。在本综述中，计算耦合要求一个组件的输出、参数、结构或目标进入或约束另一组件。耦合仍止步于理论反馈之外：一个形式化参数可能改善机器学习预测，而预测结果并不改变原始的形式化解释；反之，机器学习估计的量可能进入形式化决策计算，而其所代表的决策理论本身并未改变。混合方法表明，机器学习与认知模型可以相互连接，同时保留预测性能与形式上可解释的认知量（Rahgooy et al., 2022）。只有当一个层面的信息改变了另一层面正在被检验的假设时，理论才真正发生变化。一种生态规律在能够区分竞争性解释、修正形式化假设、或产生可在后续检验中失败的具体预测时，尤其具有信息价值（Guest and Martin, 2021; Palminteri et al., 2017）。

实际应用提出了另一个独立问题。计算输出已经用于战术决策支持与运动特定训练。在橄榄球中，预测模型被用于支持战术分析，而基于虚拟现实的高山滑雪训练与人工智能生成的战术指导则将计算支持直接引入实践（Li et al., 2023; Sahli et al., 2026; Watson et al., 2021）。这些应用可能影响运动员或教练接下来的行动，但并不能显示先前决策是如何形成的。即便底层决策过程未被完全理解，一项建议仍可能具有实用性。同样，在计算指导下表现的提升并不能识别究竟是哪一个决策过程（如果有的话）发生了变化。因此，转化应用与机制证据在本综述中被分开讨论。

运动也适用于在真实条件下研究适应性行为。决策是在信息变化的过程中展开的，行动受到情境约束，而下一情境部分取决于刚刚发生了什么。自然主义范式比严格控制的任务保留了更多这类动态与情境关系（Sonkusare et al., 2019）。在运动中，这些要求反复出现：感知、预期、选择与运动必须在信息变化且时间有限的情况下相互协调，且经验水平自然造成信息利用方式的差异（Ashford et al., 2021; Lappi, 2022）。然而，对于神经科学而言，仅仅将一项神经指标添加到这类任务中是不够的。在作出神经实现层面的主张之前，对行为进行仔细分解仍然至关重要（Krakauer et al., 2017）。同样的谨慎也适用于计算变量：需要考虑替代解释，并仔细检查模型与数据之间的关系（Wilson & Collins, 2019）。对预测编码与主动推断的近期评估清晰地说明了这一问题：一个模型可能对行为拟合得相当好，但若竞争性解释仍然可行，则更广泛的理论仍然只受到弱约束（Hodson et al., 2024）。当生理或神经证据与形式化构念的关系被明确界定时，它们可以加强计算解释，而单纯增加另一种测量模态并不能提供这种验证。

这些问题界定了本综述的范围。本综述考察计算方法如何被用于研究运动相关的运动决策，以及已有证据能够支撑何种主张。研究依据其计算功能而非模型或算法的名称被分为仅用机器学习、仅用计算建模或整合型三类。本综述遵循JBI方法学指南与PRISMA-ScR报告建议（Peters et al., 2020; Tricco et al., 2018）。本综述梳理了文献中呈现的运动情境、数据来源、研究特征及决策子领域，随后比较三条路径分别对生态预测、形式化决策解释与跨层级计算耦合的贡献。对超出预测性能或模型内部拟合的证据进行单独考察，并连同计算输出在评估、决策支持、训练与干预中的使用情况一并讨论。这一结构允许在证据被开发为可检验假设之前识别其中的空白。

综述设计与方案

本次范围综述遵循JBI指南与PRISMA-ScR报告建议。方案在正式筛选前已注册于开放科学框架（OSF: http://osf.io/dq3pm）。本综述梳理了机器学习、计算建模与整合方法如何被用于研究运动相关的运动决策，并考察这些研究主要是预测可观察行为，还是使用形式化模型说明决策可能如何产生。完整的PRISMA-ScR核查表见附录。

文献筛选结果

主要数据库检索共获得6167条记录（机器学习检索）与1427条记录（计算建模检索）。基于价值的强化学习敏感性检索另获得204条记录。跨数据库及检索路径去重后，记录进入标题与摘要筛选，情况汇总于图1。

依据表1中互斥的编码框架，我们将57项研究分配到三条路径中。仅用机器学习的研究构成最大群体（n=42，73.7%），仅用计算建模的研究有10项（17.5%），整合型研究有5项（8.8%）。机器学习路径主要涉及动作分类、结果预测、战术状态估计及行动价值评估，覆盖足球、橄榄球、篮球、曲棍球、网球、游泳及滑雪等多项运动。计算建模路径主要集中在反应时分解、扩散模型参数化以及对预期和证据利用的显式建模。整合型研究将机器学习估计的行动价值、显著性模式或策略嵌入形式化决策模型中，或反之。

主要发现与解释

机器学习、计算建模与整合研究分布不均仅是整体图景的一部分。更为重要的是，广泛的生态覆盖与支撑特定决策形成主张的证据之间存在失衡。机器学习覆盖了广泛的运动情境，并日益从预测转向行动估值、推荐与靠近行动点的决策支持。计算建模通过估计潜在量或形式化决策结构，使决策主张更加明确。

结论

本综述表明，证据在生态预测、形式化决策解释、跨层级计算耦合与机制性验证之间的分布并不均衡。机器学习为复杂运动情境中的行动、结果、战术状态及决策相关价值提供了广泛访问路径；形式化计算模型则通过表示潜在量或结构化决策过程解决另一部分问题，以解释可观察到的行为。数量有限的整合型研究提供了初步证据，表明机器学习与认知模型可以在保留预测性能的同时相互连接。

作者贡献

Zidong Huang：概念化、原稿撰写、方法学、审阅与编辑。
Qiyi Wang：审阅与编辑、概念化。
Zhiyuan Sun：原稿撰写、可视化、概念化。
Aiguo Chen：资源、项目管理、审阅与编辑。

未被引用的参考文献
（Liu et al., 2026; Wang et al., 2026; Wang et al., 2024）

资助
本范围综述未获得任何公共、商业或非营利资助机构的专项资助。

致谢
作者感谢在本综述开发与修订过程中提供方法学建议、建设性反馈和批评意见的同事。他们的意见有助于提升本手稿的清晰度和方法学呈现。

Zidong Huang | Zhiyuan Sun | Qiyi Wang | Aiguo Chen