![]()
● 认知神经科学前沿文献分享
● 分享人:小虎
论文信息:Lifetime stressor exposure is associated with altered trust formation and social learning in dynamic interactions
发表时间:2026-11-02
发表期刊:Proceedings of the National Academy of Sciences
DOI:10.1073/pnas.2608572123
![]()
![]()
01 这篇研究真正想解决什么?
刚认识一位同事时,你可能不愿把重要任务交给他。另一位同事曾经可靠,却接连失约,你也不再信任他。两种谨慎的选择背后,一种是起初就抱有较低期待,另一种是在合作中改变了判断。
社会安全理论认为,长期经历威胁可能影响人们对他人意图的预期。问卷和合作任务能记录信任水平或选择,却难以区分起初的期待、随反馈发生的学习,以及对他人行为稳定性的判断。
发表于 PNAS 的一项研究邀请168名成年人参加重复信任游戏,用计算模型考察终生压力经历与这些信任过程的联系。
![]()
02 为什么作者选择这个方法?
研究者用压力与逆境调查工具(Stress and Adversity Inventory,STRAIN)评估终生重大压力经历,再让参与者与两名匿名伙伴反复分配资金。每轮参与者拥有10点,可决定交给对方多少;交出的点数变为三倍,由对方决定返还金额。例如交出5点,对方得到15点,若返还10点,参与者赚5点;若只返还3点,就损失2点。
两名伙伴轮流出现,起初都返还投入的点数,此后一人较慷慨,一人较自私。与每人各互动17轮后,两人突然交换返还方式,再各互动8轮。参与者以为伙伴是真人,实际行为由程序控制。
投资金额能反映参与者何时增加或减少投入,但相同的投资不一定意味着相同的信任预期。研究者因此采用层级高斯滤波器(Hierarchical Gaussian Filter,HGF),用贝叶斯模型描述人们如何通过连续反馈,推断伙伴无法直接观察的互惠倾向。
例如,你原以为某位伙伴通常会返还较多收益,这次他却留下了大部分。你可能因此降低对他的信任,但调整多少,还取决于你此前对判断有多大把握,以及你认为他的行为是否容易变化。如果你对他的可靠性一直很有信心,偶尔一次较少的返还可能不会让你大幅改变判断。相反,如果你本来就不确定他是否可靠,或者认为他的行为规律经常变化,同样的反馈就可能让你更明显地调整预期。
研究者通过模型参数描述这些不同的判断倾向。首先是信任的起点:初始互惠预期 μ₀表示参与者在获得反馈之前对伙伴的预期,而ρ描述贯穿任务的互惠预测偏向,数值越低,预测越偏消极。
随着互动继续,参与者还需要判断伙伴的行为规律是否稳定。信念波动性 ω描述参与者认为伙伴的返还规律有多容易发生变化,研究者分别为两位伙伴估计这一参数。不过,认为一个人的行为容易变化,与对他当前的行为缺乏把握并不是一回事。前者涉及行为规律的波动性,后者则由模型逐轮计算的不确定性 σ(t)表示。例如,你可能刚认识一位行为稳定的伙伴,因此暂时缺乏把握;也可能已经熟悉另一位伙伴,却仍然认为他的行为随时可能改变。
波动性 ω 会影响逐轮不确定性,而 σ(t) 参与决定新反馈在信念更新中占多大权重。模型还用初始不确定性 σ₀描述学习开始时的把握程度。至此,信念模型描述了参与者如何形成和调整互惠预期;反应模型则进一步将这些预期与实际投资联系起来,其中反应噪声 η用于刻画选择中无法由信念预测完全解释的变异。
研究者用全部50轮数据估计个人参数,并通过留一交叉验证(LOO-CV)比较四种HGF和两种Rescorla–Wagner学习模型,最终采用预测表现最佳的HGF方案分析信念参数。
![]()
03 这个方法让作者多看到了什么?
先看投资行为。参与者逐渐增加对慷慨伙伴的投入,减少对自私伙伴的投入。终生压力经历较多的人,对自私伙伴投资更少;面对慷慨伙伴,投资额没有发现明确的压力相关差异。压力经历与投资变化速度也没有明确关联。
![]()
图1|参与者在前17次互动中对慷慨对象和自私对象的投资变化。压力较高者对自私对象投入更少,对慷慨对象的投资则与压力较低者相近。
HGF进一步估计了参与者对两位伙伴互惠程度的预期。经过17轮互动,参与者对慷慨伙伴的预期返还较高,对自私伙伴的预期返还较低。研究者随后考察,这些互惠预期及学习参数是否与终生压力经历有关。
![]()
图2|学习阶段结束后,模型估计的两名合作对象的互惠预期。参与者对慷慨对象的预期明显高于自私对象。
终生压力经历越多,初始互惠预期μ₀越低(r = −0.161),贯穿互动过程的互惠预期偏向参数ρ也越低(r = −0.279)。这表明,压力经历较多的参与者在尚未获得反馈时,对伙伴的互惠程度预期更低,而且在后续互动中也表现出更消极的互惠预测倾向。
压力经历还与较高的平均信念波动性 ω相关(r = 0.185)。分别考察两位伙伴时,这种关联在最初慷慨的伙伴身上达到统计显著,在最初自私的伙伴身上则未达到显著水平。不过,两项相关的强度没有显著差异,因此不能据此认定压力与信念波动性的关联因伙伴类型而不同。较高的 ω 表明模型推断参与者更倾向于认为伙伴的行为规律容易变化,但这种关联并未对应到可观察的投资变化速度差异。![]()
图3|终生压力与初始信任预期、持续预期偏向及两名合作对象的信念波动性的关系。各图展示参与者数据、相关趋势及其置信区间。
当两位伙伴交换返还方式后,研究者比较了反转前后各阶段的平均不确定性 σ(t)。原本慷慨的伙伴开始自私,模型估计的不确定性下降,意味着参与者对其互惠程度的判断变得更加确定;原本自私的伙伴开始慷慨,不确定性则上升,意味着参与者对其互惠程度的判断变得更加不确定。两种变化方向不同,反映了参与者在面对伙伴行为改变时,对互惠程度的判断发生了不同调整。
研究者还发现,终生压力经历越多,参与者在两类伙伴、反转前后均表现出更高的总体不确定性。不过,压力经历与行为反转所引起的不确定性变化幅度之间没有发现明确关联。
![]()
图4|终生压力、合作对象类型及行为反转阶段与信念不确定性的关系。压力较高者总体不确定性更高,两类对象在行为反转后的变化方向不同。
终生压力经历较多的人,对伙伴的初始互惠预期更低,也更倾向于认为伙伴的行为规律容易变化,对其互惠程度的判断存在更大的不确定性。
![]()
04 我的数据也能这样分析吗?
如果研究中包含连续多轮的反馈与选择,而且参与者需要根据反馈不断调整判断,就可以考虑使用HGF。例如,在概率学习任务中,参与者反复选择两个选项,并根据每轮获得奖励的情况,逐渐判断哪个选项更有利;在社会评价任务中,参与者连续收到他人的评价反馈,并据此调整对评价者的预期。研究者可以利用HGF分析这些判断如何随反馈改变,以及参与者认为环境规律有多稳定。
使用这一方法,需要明确参与者每轮试图预测什么、能够获得哪些反馈,以及这些反馈如何影响下一轮判断。任务还应提供足够的反馈信息,使模型能够区分不同的学习过程。如果研究关注人们如何适应环境变化,可以在任务中安排奖励概率或反馈规律的改变,观察参与者如何调整原有预期。建模时,还需要根据任务设计确定信念模型与反应模型,并通过模型比较和参数检验评估估计结果的可靠性。
原研究公开了匿名数据、分析脚本和Stan模型代码,可以结合这些材料,了解研究者如何从逐轮投资记录中估计参与者的信念及其变化。
如果觉得不错,随手点个赞、在看、转发三连吧,如果不想错过前沿资讯,可以给我个星标⭐!谢谢阅读,下次再见~
版权归属作者团队和出版社,本文仅做分享
![]()
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.