PsyBrain 腦心前沿 | 公眾號(hào) PSY-Brain_Frontier

一鍵關(guān)注，點(diǎn)亮星標(biāo) ??

不錯(cuò)過(guò)每日前沿資訊

認(rèn)知神經(jīng)科學(xué)前沿文獻(xiàn)分享

基本信息：

Title:Large-scale mega-analysis indicates that serial dependence deteriorates perceptual decision-making

發(fā)表時(shí)間：2025.12.12

Journal:Nature Human Behaviour

影響因子：15.9

獲取原文：

1. 添加小助手:PSY-Brain-Frontier即可獲取PDF版本

一句話總結(jié)

把“聽(tīng)起來(lái)很合理”的優(yōu)越效應(yīng)放進(jìn)60多萬(wàn)次試次的檢驗(yàn)里，結(jié)果發(fā)現(xiàn)：連續(xù)依賴（serial dependence） 更像干擾項(xiàng)，而不是性能加成！

引言

我們做感知判斷（perceptual decision-making）時(shí)，經(jīng)常會(huì)被“剛剛發(fā)生過(guò)的事”悄悄影響。比如你連續(xù)兩次估計(jì)一條線的朝向（orientation），第二次的報(bào)告往往會(huì)向第一次靠近一點(diǎn)；連續(xù)判斷點(diǎn)陣的運(yùn)動(dòng)方向（motion direction）也類似。這類現(xiàn)象叫連續(xù)依賴（serial dependence）：當(dāng)前知覺(jué)/反應(yīng)會(huì)被近期經(jīng)驗(yàn)系統(tǒng)性“拉偏”。

因?yàn)檎鎸?shí)世界在短時(shí)間內(nèi)通常比較連續(xù)，把過(guò)去和現(xiàn)在的信息做整合（integration）聽(tīng)起來(lái)很合理：如果上一秒和這一秒差不多，把它們平均一下，也許能降低不確定性（uncertainty），讓結(jié)果更穩(wěn)定、更精確（perceptual precision）。

基于這種直覺(jué)，線索整合模型（cue integration model）和貝葉斯模型（Bayesian model）提出了一個(gè)關(guān)鍵預(yù)測(cè)：當(dāng)連續(xù)兩次刺激幾乎相同，反應(yīng)誤差的離散程度（error scatter，越小代表越精確）應(yīng)該下降，也就是所謂“優(yōu)越效應(yīng)”（superiority effect）。但過(guò)去研究更多盯著“偏向哪里”（bias），很少用足夠大、足夠統(tǒng)一的方式嚴(yán)檢“是否更精確”。

這篇文章的核心問(wèn)題因此非常直接：serial dependence 只是讓反應(yīng)更“像昨天”，還是能真的提高決策質(zhì)量？作者把過(guò)去十年能拿到的單試次數(shù)據(jù)統(tǒng)一起來(lái)做 mega-analysis，用大樣本去驗(yàn)證模型最關(guān)鍵、也最容易被忽略的性能預(yù)測(cè)。

實(shí)驗(yàn)設(shè)計(jì)與方法邏輯

作者匯總22項(xiàng)研究、49個(gè)數(shù)據(jù)集（共733名被試、619,848個(gè)試次），任務(wù)以取向/運(yùn)動(dòng)方向的調(diào)整或再現(xiàn)（adjustment/reproduction）為主。他們先統(tǒng)一清洗流程：剔除離群值、校正刺激特異性偏差（stimulus-specific bias），再用“誤差折疊”（error folding）在存在偏置時(shí)穩(wěn)健估計(jì) error scatter。隨后把相鄰兩次刺激差異 |Δ| 劃為 iso（0°）、mid（45°）、ortho（90°），用線性混合效應(yīng)模型（LMM）檢驗(yàn)三種條件下的離散度差異，并用BIC與Bayes factor 比較“iso是否真的更精確”。

Fig. 1 | Experimental paradigms and serial dependence.

核心發(fā)現(xiàn)

1）“被過(guò)去拉一把”確實(shí)普遍存在（Fig. 2）

作者首先確認(rèn)經(jīng)典現(xiàn)象：在大多數(shù)數(shù)據(jù)集中，反應(yīng)會(huì)向上一試次特征偏移，體現(xiàn)吸引性連續(xù)依賴（attractive serial dependence）。Fig.2把各數(shù)據(jù)集的偏置與離散度匯總，說(shuō)明“歷史影響當(dāng)前”的偏置是穩(wěn)定且跨任務(wù)可復(fù)現(xiàn)的——問(wèn)題不在于有沒(méi)有 bias，而在于這種 bias 會(huì)不會(huì)帶來(lái)更高精度。

Fig. 2 | Summary of bias and error scatter across 49 datasets.

2）模型的硬預(yù)測(cè)：若有“優(yōu)越效應(yīng)”，iso 必須最穩(wěn)（Fig. 3a）

Fig.3a用模型給出清晰判據(jù)：無(wú)論是線索整合（cue integration）還是貝葉斯框架（Bayesian），當(dāng)連續(xù)刺激高度相似（iso）時(shí)，系統(tǒng)應(yīng)該把信息更強(qiáng)地整合，從而降低 error scatter；隨著差異增大，scatter 應(yīng)逐步回到基線。因此只要看到“iso 不比 ortho 更小”，就意味著優(yōu)越效應(yīng)站不住腳。

Fig. 3 | Bias and error scatter as functions of |Δ| in model predictions and empirical data.

3）經(jīng)驗(yàn)結(jié)果更像“干擾”：中等差異最不穩(wěn)定

（Fig. 3b）

與模型相反，F(xiàn)ig.3b顯示 error scatter 與 |Δ| 呈倒U形：從 iso 增到 mid 時(shí)離散度明顯上升，到更大差異（ortho）又回落。這說(shuō)明連續(xù)依賴并沒(méi)有在“最相似時(shí)”帶來(lái)額外精確度，反而在“似像非像”的區(qū)間讓反應(yīng)更亂，更符合殘留表征帶來(lái)干擾（interference）的直覺(jué)。

4）統(tǒng)計(jì)證據(jù)很強(qiáng)：iso≈ortho，直接否定“優(yōu)越效應(yīng)”（Fig. 4）

LMM結(jié)果非常明確：iso 到 mid 的 scatter 顯著上升（t=8.62，P<0.001），但 iso 與 ortho 沒(méi)有顯著差異（t=0.36，P=0.717）。更關(guān)鍵的是，把 iso 與 ortho 合并的簡(jiǎn)化模型在BIC上更優(yōu)（ΔBIC = ?67.84），Bayes factor 顯示對(duì)“無(wú)優(yōu)越效應(yīng)”的支持達(dá)到?jīng)Q定性水平（>100）。也就是說(shuō)：連續(xù)刺激相同，并不會(huì)比相差90°更精確。

Fig. 4 | Pairwise comparisons of error scatter across conditions and model predictions.

歸納總結(jié)和點(diǎn)評(píng)

這篇研究用超大規(guī)模、統(tǒng)一流程的 mega-analysis，把“serial dependence 是否提升感知精度（perceptual precision）”這件事一次性講清楚：偏置（bias）是普遍且穩(wěn)定的，但它并不帶來(lái)模型所預(yù)測(cè)的“優(yōu)越效應(yīng)”，反而更可能以干擾（interference）的形式增加反應(yīng)波動(dòng)。作者特別強(qiáng)調(diào)并控制了刺激特異性偏差等關(guān)鍵混淆源，讓結(jié)論更可靠，也為后續(xù)改進(jìn)模型（不僅解釋偏置，還要解釋離散度形狀）提供了清晰約束。

請(qǐng)打分

這篇?jiǎng)倓偟巧?strong>Nature Human Behaviour的研究，是否實(shí)至名歸？我們邀請(qǐng)您作為“云審稿人”，一同品鑒。精讀全文后，歡迎在匿名投票中打分，并在評(píng)論區(qū)分享您的深度見(jiàn)解。

前沿交流|歡迎加入認(rèn)知神經(jīng)科學(xué)前沿交流群！

核心圖表、方法細(xì)節(jié)、統(tǒng)計(jì)結(jié)果與討論見(jiàn)原文及其拓展數(shù)據(jù)。

分享人：BQ

審核：PsyBrain 腦心前沿編輯部