價值精煉框架下的選擇誘導(dǎo)偏好改變

Choice-Induced Preference Change under the Value Refinement Framework

https://www.biorxiv.org/content/10.1101/2022.07.15.500254v3.full.pdf

本文《價值精煉框架下的選擇誘導(dǎo)偏好改變》（Choice-Induced Preference Change under the Value Refinement Framework）旨在解決傳統(tǒng)決策模型無法解釋“選擇誘導(dǎo)偏好改變”這一經(jīng)典心理學(xué)現(xiàn)象的問題。以下是本文的重點(diǎn)概述：

1. 研究背景與核心問題

• 現(xiàn)象：決策研究中存在一個穩(wěn)健的現(xiàn)象，稱為選擇誘導(dǎo)的偏好改變（Choice-Induced Preference Change）備選方案擴(kuò)散（Spreading of Alternatives, SoA）。即決策者在做出選擇后，傾向于提高對所選選項(xiàng)的評分，同時降低對被拒選項(xiàng)的評分。
• 傳統(tǒng)模型的局限：傳統(tǒng)的序貫抽樣模型（如漂移擴(kuò)散模型 DDM）雖然在解釋準(zhǔn)確性、反應(yīng)時（RT）和信心方面非常成功，但它們基于一個核心假設(shè)：選項(xiàng)的價值估計在決策深思過程中是靜止不變的（stationary）。這一假設(shè)使得傳統(tǒng)模型從根本上無法解釋價值估計為何會在選擇前后發(fā)生變化（即 SoA 現(xiàn)象）。
• 現(xiàn)有嘗試的不足：先前試圖通過引入起點(diǎn)偏差（starting point bias）或貝葉斯更新來解釋 SoA 的模型存在局限性。例如，它們難以解釋為何有時會出現(xiàn)負(fù)的 SoA（價值估計靠攏），也難以解釋決策過程中“改變主意”（change of mind）的現(xiàn)象，因?yàn)樗鼈兺ǔ＜僭O(shè)偏好是基于檢索到的固定信號而非在深思中構(gòu)建的。

• 價值精煉框架（Value Refinement Framework）：本文提出，決策過程中的價值不是固定的，而是動態(tài)精煉的。決策被視為一個價值構(gòu)建或更新的過程，而非單純的價值比較。
• 顯著屬性漂移擴(kuò)散模型（saDDM）：作為該框架的計算實(shí)現(xiàn)，作者提出了一種擴(kuò)展的 DDM 模型，稱為saDDM。該模型允許漂移率（drift rate）在深思時間內(nèi)動態(tài)變化
• 模型整合：saDDM 結(jié)合了現(xiàn)有動態(tài)證據(jù)累積模型的見解：
• • aDDM借鑒：注意力轉(zhuǎn)移會導(dǎo)致特定選項(xiàng)的證據(jù)權(quán)重減弱。
  • 從**DFT（決策場論）**借鑒：注意力可以在屬性之間轉(zhuǎn)移。
  • stDDM借鑒：隨著深思時間推進(jìn)，額外的屬性會進(jìn)入考慮范圍。

• 顯著屬性優(yōu)先：決策深思始于選項(xiàng)最顯著的屬性（例如，選零食時先考慮“美味”）。
• 動態(tài)注意力分配：屬性權(quán)重隨時間變化。如果僅憑初始顯著屬性無法區(qū)分選項(xiàng)（即面臨困難決策），主體會將注意力分配給額外的屬性（例如，“健康”），或模擬新的結(jié)果。
• 非平穩(wěn)整合（Non-stationary Integration）：由于不同屬性在不同時間點(diǎn)被納入考量，證據(jù)累積的輸入是非平穩(wěn)的。這意味著最終的后驗(yàn)價值估計會與初始的先驗(yàn)估計不同，從而產(chǎn)生 SoA。
• 精度驅(qū)動的信息處理：主體對當(dāng)前屬性估計的精度感知決定了是否繼續(xù)處理信息。低精度鼓勵進(jìn)一步處理（納入新屬性），高精度則可能導(dǎo)致快速決策（僅基于先驗(yàn)）。
• 注意力形式：注意力分配既包含外顯注意力（如視線轉(zhuǎn)移），也包含內(nèi)隱注意力（如基于記憶的思考和心理模擬）。

該模型成功解釋了多個實(shí)證發(fā)現(xiàn)，彌補(bǔ)了傳統(tǒng)模型的缺口：

• 解釋 SoA 的產(chǎn)生：模型預(yù)測 SoA 產(chǎn)生于決策期間，是不同屬性輸入非平穩(wěn)整合的結(jié)果。
• 難度與 SoA 的關(guān)系：預(yù)測困難選擇（初始屬性價值相近）會有明顯的正向 SoA，因?yàn)樾枰{入更多屬性；而簡單選擇（基于先驗(yàn)即可決定）幾乎沒有 SoA。
• 屬性差異的影響：預(yù)測高屬性差異的選項(xiàng)間選擇會有更大的 SoA，因?yàn)轱@著屬性在選項(xiàng)間差異大，促使更多屬性在早期被考慮。
• 與其他變量的關(guān)系：模型正確預(yù)測了難度/差異與選擇一致性呈正相關(guān)，與反應(yīng)時呈負(fù)相關(guān)；以及 SoA 與反應(yīng)時呈負(fù)相關(guān)，與選擇信心呈正相關(guān)。
• 解釋“改變主意”：由于價值在深思中是動態(tài)更新的，模型允許主體在決策過程中改變偏好方向，這符合實(shí)證觀察。

本文通過提出價值精煉框架和saDDM 模型，打破了傳統(tǒng)決策模型中“價值靜止”的假設(shè)。它證明了通過將決策視為一個隨時間動態(tài)整合多屬性信息的過程，序貫抽樣模型不僅可以解釋傳統(tǒng)的choice/RT 數(shù)據(jù)，還能兼容社會心理學(xué)中經(jīng)典的選擇誘導(dǎo)偏好改變現(xiàn)象。這一工作連接了計算決策模型與偏好構(gòu)建理論，為理解人類如何在決策過程中動態(tài)更新價值提供了新的視角。

摘要

選擇的序貫抽樣模型，如漂移擴(kuò)散模型（DDM），常被用于擬合實(shí)證數(shù)據(jù)，以解釋與準(zhǔn)確性/一致性、反應(yīng)時（RT）以及有時與信心相關(guān)的各種效應(yīng)。然而，此類模型中沒有任何一個能解釋被稱為“選擇誘導(dǎo)的偏好改變”的現(xiàn)象，即決策者傾向于在做出選擇后提高對選項(xiàng)的評分，而在拒絕后降低評分。關(guān)于選擇誘導(dǎo)的偏好改變的研究已有數(shù)十年，其主要發(fā)現(xiàn)是穩(wěn)健的。由此產(chǎn)生的基于主觀價值評分的“備選方案擴(kuò)散”（SoA）現(xiàn)象，與傳統(tǒng)的序貫抽樣模型不兼容，因?yàn)楹笳哒J(rèn)為選項(xiàng)的評分價值在整個決策深思過程中是靜止不變的。在此，我們提出了基本DDM的一個擴(kuò)展模型，該模型允許漂移率隨決策時間變化，具體取決于在不同時間點(diǎn)關(guān)注了哪些屬性。關(guān)鍵在于，該模型假設(shè)決策深思僅基于選項(xiàng)更顯著的屬性開始，而當(dāng)僅憑初始屬性無法解決決策時，額外的屬性最終會被納入考慮。我們表明，該模型不僅能解釋SoA（以及選擇一致性和RT），還能解釋之前報道過的SoA與選擇難度、屬性差異及RT之間的所有關(guān)系。

關(guān)鍵詞：備選方案擴(kuò)散，漂移擴(kuò)散模型，多屬性選擇，價值精煉，偏好選擇

引言

當(dāng)代關(guān)于基于價值的決策制定的研究中，有相當(dāng)一部分集中在兩個選項(xiàng)之間的選擇上，利用在單獨(dú)任務(wù)中獲得的各個選項(xiàng)的主觀評分作為自變量，以幫助解釋選擇行為。這項(xiàng)研究揭示了許多關(guān)于選擇反應(yīng)（即主體從可用選項(xiàng)集中選擇了哪個選項(xiàng)）和反應(yīng)時（RT；即主體意識到選擇選項(xiàng)與聲明其反應(yīng)之間的時間延遲）的穩(wěn)健模式。這些模式中的首要一點(diǎn)是，所謂的困難決策（即在主觀價值相似的選項(xiàng)之間進(jìn)行的決策）通常比所謂的簡單決策更具隨機(jī)性（即關(guān)于將選擇哪個選項(xiàng)的預(yù)測準(zhǔn)確性較低），并且需要更長的時間才能得出結(jié)論 (Milosavljevic et al., 2010; Ratcliff & McKoon, 2008)。當(dāng)選擇選項(xiàng)的價值估計不太確定時，決策也被認(rèn)為更加困難，并且此類決策會導(dǎo)致與那些基于價值差異被視為困難的決策在性質(zhì)上相似的行為模式 (Gwinn & Krajbich, 2020; Lee & Coricelli, 2020; Lee & Daunizeau, 2020, 2021; Lee & Hare, 2023)。另一個常見的模式是，對于整體價值較大的選擇集，其決策通常做出得更快，而且往往更一致 (Hunt et al., 2012; Polanía et al., 2014; Sepulveda et al., 2020; Shevlin et al., 2022; Shevlin & Krajbich, 2021; S. M. Smith & Krajbich, 2019; Teodorescu et al., 2016)。最后，具有高屬性差異的選項(xiàng)之間的選擇（例如，每個選項(xiàng)在不同的屬性維度上占主導(dǎo)地位）與更快的反應(yīng)時（RT）相關(guān) (Bhatia & Mullet, 2018; Lee & Hare, 2023; Lee & Holyoak, 2021)。這些自變量（絕對價值差異、價值確定性、價值總和以及屬性差異）中的每一個也都對選擇信心（即主體關(guān)于其是否從選擇集中選擇了最佳選項(xiàng)的主觀信念）產(chǎn)生穩(wěn)健的積極影響 (Brus et al., 2021; Folke et al., 2016; Lee & Hare, 2023)。

除了選擇一致性、反應(yīng)時（RT）和信心之外，實(shí)驗(yàn)選擇范式中通常還會測量另一個變量。盡管在決策制定文獻(xiàn)中很大程度上被忽視，但被稱為“選擇誘導(dǎo)的偏好改變”（choice-induced preference change）的現(xiàn)象在社會心理學(xué)文獻(xiàn)中已有詳盡記載（Bem, 1967; Brehm, 1956; Festinger, 1957; Harmon-Jones & Mills, 2019），并且最近在基于價值的決策制定研究中得到了證實(shí)（Alós-Ferrer et al., 2012; Chammat et al., 2017; Colosio et al., 2017; Coppin et al., 2010, 2014; Egan et al., 2007, 2010; Greenberg & Spiller, 2016; Hagège et al., 2018; Ito et al., 2019; Izuma et al., 2010, 2015; Johansson et al., 2014; Koster et al., 2015; Lieberman et al., 2001; Luo & Yu, 2017; Miyagi et al., 2017; Nakamura & Kawabata, 2013; Salti et al., 2014; Sharot et al., 2009, 2010, 2012; Shultz et al., 1999; Tandetnik et al., 2021; Taya et al., 2014; Voigt et al., 2017, 2019）；關(guān)于元分析見（Enisman et al., 2021）。在所謂的“選擇誘導(dǎo)的偏好改變”中，通過孤立的價值評分隱含推斷出的選項(xiàng)間偏好（方向和/或幅度），在通過成對選項(xiàng)選擇明確觀察到的偏好之前與之后存在差異。這里的關(guān)鍵變量通常被稱為“備選方案擴(kuò)散”（spreading of alternatives, SoA），因?yàn)樗ǔＲ馕吨?，隨著決策者在深思期間或之后重新評估，選擇選項(xiàng)的價值估計會相互分離（擴(kuò)散）（另見關(guān)于一致性轉(zhuǎn)變和信息扭曲的文獻(xiàn)：(Carlson & Russo, 2001; Holyoak & Simon, 1999; Russo et al., 1996, 2008; D. Simon et al., 2001, 2004, 2008)）。如上所述的研究表明，SoA 是一種穩(wěn)健的現(xiàn)象，并且當(dāng)選擇困難時（例如，選項(xiàng)價值的差異較小和/或?qū)x項(xiàng)價值的確定性較低）或當(dāng)屬性差異較大時，SoA 尤為顯著（Lee & Hare, 2023; Lee & Holyoak, 2021）。研究還表明，SoA 與反應(yīng)時（RT）呈強(qiáng)負(fù)相關(guān)，而 SoA 與選擇信心呈強(qiáng)正相關(guān)（Lee & Coricelli, 2020; Lee & Daunizeau, 2020, 2021; Lee & Hare, 2023; Lee & Holyoak, 2021, 2023）。

序貫抽樣模型對選擇行為的解釋

存在各種針對簡單決策（例如，二選一強(qiáng)制選擇）的計算模型，其中最常見的是來自序貫抽樣/累積至邊界（accumulation-to-bound）類別的模型 (Brown & Heathcote, 2008; Busemeyer & Townsend, 1993; Ratcliff et al., 2016; Usher & McClelland, 2001)。在這類模型下，主體逐步處理關(guān)于選擇選項(xiàng)的信息，直到所謂的有利于其中一個選項(xiàng)的“證據(jù)”超過某個閾值，該選項(xiàng)即被宣布為獲勝者（因此被選中）。盡管已經(jīng)提出了該核心模型類別的多種變體，但它們通常依賴于一個相對價值累加器，該累加器基于來自底層概率分布（每個選項(xiàng)對應(yīng)一個）的隨機(jī)樣本來累計關(guān)于選項(xiàng)的信息，直到達(dá)到預(yù)設(shè)的證據(jù)閾值/反應(yīng)邊界。這類模型為多種領(lǐng)域中的選擇和反應(yīng)時（RT）模式提供了優(yōu)雅的解釋，特別是在選擇難度（價值接近度）的影響方面；參見 (Lee & Usher, 2023) 了解一個也將價值不確定性作為選擇難度組成部分的版本。經(jīng)過一些細(xì)微的修改，這類模型還同時解釋了整體選項(xiàng)集價值對選擇行為的影響 (Krajbich et al., 2010; Lee & Usher, 2023; Shevlin et al., 2022; Shevlin & Krajbich, 2021; S. M. Smith & Krajbich, 2019)。甚至選擇信心也可以通過序貫抽樣模型的某些變體來解釋，無論是作為證據(jù)累積過程的次級讀出 (Calder-Travis et al., 2021; De Martino et al., 2013; Kiani et al., 2014; Moran et al., 2015; Moreno-Bote, 2010; Pleskac & Busemeyer, 2010; Ratcliff & Starns, 2009; van den Berg et al., 2016; Vickers & Packer, 1982; Zylberberg et al., 2012)，還是作為主要讀出本身 (Lee, Daunizeau, et al., 2023)。

證據(jù)累積至邊界框架已被證明是一個強(qiáng)大的工具，然而在其解釋力方面仍存在一個重要缺口。盡管它在解釋簡單決策研究中的大多數(shù)相關(guān)變量（即準(zhǔn)確性/一致性、反應(yīng)時，有時還有信心）方面取得了成功，但基于其構(gòu)建的基本假設(shè)，它從根本上無法解釋備選方案擴(kuò)散（spreading of alternatives）現(xiàn)象。簡而言之，序貫抽樣模型依賴于證據(jù)累積過程的平穩(wěn)輸入（stationary inputs），這些輸入通常被視為代表決策者心中每個選項(xiàng)價值的潛在概率分布的均值。這些輸入被假設(shè)為平穩(wěn)的這一事實(shí)，排除了此類模型解釋價值估計變化的可能性。

序貫抽樣模型與備選方案擴(kuò)散

人們最近對尋找一種用序貫抽樣模型解決備選方案擴(kuò)散（SoA）的方法產(chǎn)生了興趣 (Lee & Daunizeau, 2021; Zylberberg et al., 2024)。Lee 和 Daunizeau 提出，SoA 是心理努力與選擇信心之間權(quán)衡的結(jié)果 (Lee & Daunizeau, 2020, 2021)。當(dāng)面臨困難的決策時（例如，如果選項(xiàng)起初看起來價值相等，因此對知道最佳選項(xiàng)的初始信心較低），決策者可能更傾向于投入心理努力來處理額外信息，意圖更自信地區(qū)分選項(xiàng)價值，而不是以低信心做出即時選擇。因此，最終導(dǎo)致 SoA 的認(rèn)知過程對于正在展開的決策來說是具有工具性作用的，因?yàn)樗鼈儗?shí)際上會增加選項(xiàng)的可區(qū)分性并使選擇更容易。為了解決 SoA，該提議移除了經(jīng)典序貫抽樣模型的一個關(guān)鍵假設(shè)——即偏好反應(yīng)是基于被檢索（例如，從記憶中）并比較的價值相關(guān)信號發(fā)展的，而不是在深思熟慮過程中被構(gòu)建的（參見關(guān)于構(gòu)建性偏好的文獻(xiàn)：(Ariely et al., 2006; DeKay et al., 2011; Lichtenstein & Slovic, 2006; Payne et al., 1999; D. Simon et al., 2008; Warren et al., 2011)）。

Tajima 及其同事的模型 (Tajima et al., 2016) 認(rèn)為證據(jù)累積總結(jié)了選項(xiàng)價值的貝葉斯更新，這可能為 SoA 提供另一種解釋（作為先驗(yàn)估計演變?yōu)楹篁?yàn)估計的結(jié)果）。該模型假設(shè)兩個選項(xiàng)都初始化為零（或者至少相等，如果有關(guān)于潛在選項(xiàng)總體匯總統(tǒng)計量的先驗(yàn)知識）的先驗(yàn)價值估計，但隨著隨時間闡明，價值估計可能會變得不同。從這個角度來看，偏好并不是在深思熟慮期間構(gòu)建的，也不會隨時間改變；它們只是隨著信號穩(wěn)定而被更清晰地識別出來。這可能導(dǎo)致在深思熟慮開始和結(jié)束之間觀察到 SoA 效應(yīng)。然而，實(shí)證 SoA 是使用在實(shí)際選擇之前和之后獲得的主觀價值評分計算的。尚不清楚 Tajima 等人的模型如何解釋在選擇之后與之前測得時系統(tǒng)性不同的評分。此外，該模型認(rèn)為在選擇深思（choice deliberation）期間構(gòu)建的價值估計從開始到結(jié)束永遠(yuǎn)不會移得更近，因?yàn)樗鼈兪窍嗤跏蓟?。在?shí)證上，價值估計確實(shí)經(jīng)常移得更近，正如單個試驗(yàn)上的負(fù) SoA 所證明的那樣 (Lee & Holyoak, 2021, 2023)。重要的是，這也意味著決策者在深思熟慮的開始和結(jié)束之間永遠(yuǎn)無法改變主意，因?yàn)樗袧撛谄迷跊Q策開始時都將是零（null）。之前的研究已經(jīng)表明這種改變主意（即，選擇那些最初評分較低，但后來評分高于替代選項(xiàng)的選項(xiàng)）是很常見的 (Lee & Daunizeau, 2020, 2021; Lee & Holyoak, 2023)，這表明如果主體考慮了它最初忽略的新信息，深思熟慮有時會導(dǎo)致明顯的偏好逆轉(zhuǎn)。在標(biāo)準(zhǔn)的累積至邊界模型中，深思熟慮始于對偏好的完全矛盾（total ambivalence），這排除了改變主意/偏好逆轉(zhuǎn)的可能性。

解決這一問題并使此類模型能夠提供 SoA（備選方案擴(kuò)散）度量的一種潛在方法，是允許每個選項(xiàng)帶著其特定的先驗(yàn)價值估計和精度進(jìn)入深思（deliberation）。從數(shù)學(xué)上講，這意味著將證據(jù)變量初始化為一個非中性點(diǎn)。先前的研究已經(jīng)提出了具有這種起點(diǎn)偏差（starting point bias）的序貫抽樣模型，這種偏差代表了基于指令 (Mulder et al., 2012)、選擇歷史 (Urai et al., 2019)、類別偏好 (Lopez-Persem et al., 2016)、人格特質(zhì) (F. Chen & Krajbich, 2018) 或具身決策期間的選擇歷史 (Kane et al., 2023; Lepora & Pezzulo, 2015; Molano-Mazón et al., 2024; Priorelli et al., 2024) 而形成的關(guān)于哪個選項(xiàng)先驗(yàn)（a priori）更可能是更好的選項(xiàng)的信念。起點(diǎn)偏差也可用于捕捉特定于選項(xiàng)的先驗(yàn) (Lee, Daunizeau, et al., 2023)。這些先驗(yàn)會在呈現(xiàn)選擇選項(xiàng)時立即形成，即在感知處理告知決策裝置選項(xiàng)身份所需的時間內(nèi)，但在顯性和有意識的價值深思開始之前。這與研究表明大腦中的價值信號會自動產(chǎn)生 (Lebreton et al., 2009) 相一致，即使在不相關(guān)時（例如，在感知期間）也是如此。以這種方式形成先驗(yàn)不僅可以解釋起點(diǎn)偏差，還可以解釋非決策時間（NDT），有時在序貫抽樣模型中會包含 NDT 以表示刺激編碼或視覺預(yù)處理所需的時間 (Fontanesi et al., 2019; Mulder & Maanen, 2013; Nunez et al., 2017)。一旦建立了先驗(yàn)，模型核心的證據(jù)累積過程就會開始，并在達(dá)到所需的證據(jù)水平時終止。然后可以將選項(xiàng)的后驗(yàn)價值估計（即深思結(jié)束時的估計）的差異與先驗(yàn)的差異進(jìn)行比較，以計算 SoA 的度量。通過這種方式，這種類型的模型也可以解釋改變主意（changes of mind），因?yàn)楸贿x中的選項(xiàng)并不總是具有較高先驗(yàn)價值估計的選項(xiàng)。

上述機(jī)制平均會導(dǎo)致正向的 SoA (Lee & Daunizeau, 2021)，并且它們還能解釋實(shí)證數(shù)據(jù)中觀察到的選擇簡易度（由價值估計的絕對差異經(jīng)價值確定性調(diào)整后得出）與 SoA 之間的穩(wěn)健關(guān)系。但是，如果將深思形式化為對預(yù)先存在的價值表征的識別（或純化）過程 (Ratcliff, 1978)，那么告知初始偏好和最終偏好的信號將具有相同的均值——只有精度會有所不同。因此，任何可能產(chǎn)生的 SoA 將純粹是由于噪聲造成的。先前的研究表明，單純的統(tǒng)計噪聲確實(shí)可能導(dǎo)致選擇難度與 SoA 之間的正相關(guān) (Alós-Ferrer & Shi, 2015; K. M. Chen & Risen, 2010; Izuma & Murayama, 2013)。然而，對多項(xiàng)先前研究的實(shí)證數(shù)據(jù)分析支持 SoA 的認(rèn)知來源，而非純粹的人為假象 (Lee & Pezzulo, 2023)。

解釋 SoA 結(jié)果的一種更令人滿意的方法是關(guān)注簡單決策（在此期間選擇主要反映先驗(yàn)價值估計，因此幾乎沒有或沒有 SoA）與困難決策（在此期間會考慮新的證據(jù)來源，因此通常有更大的 SoA）之間的關(guān)鍵區(qū)別。那么，選擇難度的定義可能不是基于某種全面的價值度量，而是基于在初始孤立評分任務(wù)期間考慮的任何（推測為非詳盡的）信息的不完整價值度量。根據(jù)這一解釋，證據(jù)累積的決策內(nèi)動態(tài)（例如，瞬時漂移率的演變）將作為選擇難度的函數(shù)而有所不同。在簡單決策期間，當(dāng)選擇是在價值差異很大的選項(xiàng)之間進(jìn)行時，僅基于先驗(yàn)的證據(jù)可能已經(jīng)超過反應(yīng)閾值，在這種情況下，可以立即做出選擇而無需深思，或者只需少量額外證據(jù)（參見 (Alós-Ferrer, 2018; Caplin & Martin, 2016; Diederich & Trueblood, 2018; Pezzulo et al., 2013) 了解允許這種自動選擇的替代模型）。這意味著初始偏好和最終偏好之間沒有顯著差異，因此對于此類簡單決策沒有 SoA。相比之下，困難決策據(jù)稱會引發(fā)更高水平的信息處理 (Lee & Daunizeau, 2020, 2021; Pezzulo et al., 2013)，如果新考慮的信息與先前考慮的信息不完全一致，這可能會擾動選項(xiàng)價值表征的均值。早期信息系統(tǒng)地不同于晚期信息的情況是可能存在的。例如，研究表明，與更顯著或更重要屬性相關(guān)的神經(jīng)活動（即大腦中的信息處理）開始得早于與較不顯著或較不重要屬性相關(guān)的活動 (Lim et al., 2018; Maier et al., 2020; Sullivan et al., 2015)。此外，有人提出，在先驗(yàn)價值形成期間和深思期間考慮的信息是截然不同的，并且分別通過從記憶中被動檢索或通過心理模擬進(jìn)行主動采樣而發(fā)展 (Pezzulo et al., 2013)。

由于在決策開始和結(jié)束時考慮的信息不一定相同（因此去除了從平穩(wěn)輸入中采樣的標(biāo)準(zhǔn)假設(shè)），每個選項(xiàng)的價值估計（不僅是其精度）可能會在深思過程中發(fā)生變化。這表明序貫抽樣模型中的證據(jù)累積率或許不應(yīng)被視為靜態(tài)的，而應(yīng)視為跨深思時間動態(tài)變化的。這促使人們使用標(biāo)準(zhǔn)模型的擴(kuò)展形式，即試驗(yàn)內(nèi)時變漂移率（intra-trial time-varying drift rate）。先前已有建議使用在每個試驗(yàn)內(nèi)交替或以離散階段變化的漂移率 (Diederich, 1997, 2003; Diederich & Oswald, 2014; Krajbich et al., 2010) 或隨時間連續(xù)變化的漂移率 (P. L. Smith, 2000) 的方法。動態(tài)漂移率結(jié)合“與簡單決策相比，困難決策的深思往往持續(xù)時間更長”這一概念，可以直接解釋 SoA 與選擇難度呈正相關(guān)的觀察結(jié)果。

關(guān)于證據(jù)累積率在深思（deliberation）過程中是動態(tài)變化的這一概念并不新鮮。例如，有人提出該比率應(yīng)作為注意力的函數(shù)而變化，偏向于在任何時間點(diǎn)被視覺注視的選項(xiàng)（注意漂移擴(kuò)散模型或 aDDM; (Krajbich et al., 2010; Sepulveda et al., 2020; Yang & Krajbich, 2022)）。在此，隨著注視（以及推測的注意力）在選擇選項(xiàng)之間轉(zhuǎn)移，漂移率在相對高和相對低之間振蕩。其他研究提出了一種在深思中途發(fā)生變化的漂移率，因?yàn)轭~外的屬性（與兩個選項(xiàng)都相關(guān)）進(jìn)入了考慮范圍（起始時間漂移擴(kuò)散模型或 stDDM; (Maier et al., 2020; Sullivan et al., 2015)）。在此，漂移率在某一特定時間點(diǎn)發(fā)生變化，因?yàn)殚_始比較兩個屬性而不僅僅是一個。顯然，這可以擴(kuò)展以包含更多屬性，從而導(dǎo)致試驗(yàn)內(nèi)漂移率的額外變化。這將部分符合決策場論（Decision Field Theory, DFT）模型，其中漂移率隨深思時間波動，因?yàn)椋撛诘模┳⒁饬囊粋€屬性轉(zhuǎn)移到另一個屬性 (Busemeyer & Townsend, 1993; Diederich, 1997)。然而，在此，瞬時證據(jù)累積率一次僅是單一屬性的函數(shù)，而不是一組隨時間擴(kuò)展的同時考慮的屬性集（如 stDDM 中那樣）。無論這些模型之間有何差異，它們都展示了在深思期間構(gòu)建的選項(xiàng)間偏好如何根據(jù)注意力（跨選項(xiàng)或跨屬性）的動態(tài)分配方式而有所不同。因此，理論上這些模型有可能解釋 SoA（備選方案擴(kuò)散）現(xiàn)象。

在此，我們要展示的是，通過結(jié)合三個已經(jīng)包含動態(tài)證據(jù)累積的模型（aDDM, DFT, stDDM）的關(guān)鍵見解，可以使序貫抽樣模型具備解釋 SoA 的能力。我們的方法遵循數(shù)學(xué)建模其他領(lǐng)域中使用的嵌套增量建模（nested incremental modeling）方法 (Perry et al., 2007)。從之前的模型中，我們提出的模型借鑒了以下概念：從 aDDM 借鑒了當(dāng)注意力從特定選項(xiàng)移開時，這些選項(xiàng)的證據(jù)權(quán)重會減弱（但不會完全消失）；從 DFT 借鑒了注意力在屬性之間（而不僅僅是在選項(xiàng)之間）轉(zhuǎn)移；從 stDDM 借鑒了隨著深思時間的推移，額外的屬性會進(jìn)入考慮范圍。此外，我們將屬性的概念擴(kuò)展到選項(xiàng)本身的固有特征之外，包括可能改變從屬性到價值映射的決策情境方面。例如，在購買新車時，人們可能會考慮尺寸屬性。起初，較大的尺寸可能總是被認(rèn)為更有價值，因?yàn)槌叽缱铒@著的方面最容易被回憶起來（例如，更寬敞的座位，更多的行李空間）。然而，經(jīng)過進(jìn)一步反思（或心理模擬 (Pezzulo et al., 2013)），較大的尺寸可能會變得價值較低，因?yàn)榛貞浧鹆似渌矫妫ɡ?，車庫空間較小，操控更困難）。如果初始信息足夠強(qiáng)大以至于導(dǎo)致快速選擇，這些情境方面可能不會被考慮。

總之，我們提出的模型將允許瞬時注意力集中在特定選項(xiàng)的特定屬性上，這將暫時減弱對所有其他屬性和所有其他選項(xiàng)的信息處理，隨著更多（且更精細(xì)的）屬性在深思過程中進(jìn)入注意力競爭。在下文中，我們將展示此類模型的計算公式，并描述其針對選擇行為做出的關(guān)鍵預(yù)測。

模型設(shè)定與理論預(yù)測

我們模型的核心基礎(chǔ)是一個標(biāo)準(zhǔn)的證據(jù)累積過程，其中包括：

我們模型的下一個組成部分允許屬性維度的相對權(quán)重隨著主體注意力分配的波動而隨時間變化。因此，漂移率將隨時間發(fā)生變化：

是否會有額外的屬性（除了最初的、最顯著的屬性之外）變得活躍，以及這一情況發(fā)生的時間點(diǎn)，將取決于已經(jīng)在考慮中的屬性對于當(dāng)前決策的信息量有多大（換句話說，即它們提供的信息價值或 VOI；參見 (Behrens et al., 2007; Kobayashi et al., 2021; Pezzulo et al., 2013)）。如果當(dāng)前關(guān)注的屬性子集提供了充分的證據(jù)表明某個特定選項(xiàng)是最佳的，主體可能會在不探究額外屬性維度的情況下做出反應(yīng)。相反，如果主體無法基于當(dāng)前活躍的屬性子集充分區(qū)分選項(xiàng)，它可能會開始考慮（即，將注意力分配給）一個額外的屬性——或者著手模擬可能為決策提供依據(jù)的新結(jié)果。在這里，我們將注意力分配視為既包含外顯注意力（例如，在選擇選項(xiàng)或其屬性之間轉(zhuǎn)移視線，如 aDDM 中那樣），也包含內(nèi)隱注意力（例如，基于記憶思考選項(xiàng)屬性）。此外，如果主體已經(jīng)考慮過某個特定屬性并得出結(jié)論認(rèn)為該屬性維度無助于區(qū)分選項(xiàng)價值，它可能會在深思的剩余時間里停止考慮該屬性。這應(yīng)該是主體評估當(dāng)前屬性的精度的函數(shù)。對于屬性價值的每一個估計，主體也會對該估計有一個關(guān)于精度的感知。低精度將鼓勵進(jìn)一步的信息處理，而高精度可能會阻礙進(jìn)一步的信息處理（因?yàn)槔^續(xù)下去將是冗余的，因此是低效的）。

為了更好地說明這一過程，以在兩種零食選項(xiàng)之間做一個簡單選擇為例：一塊巧克力棒和一個橙子。讓我們假設(shè)這兩個選項(xiàng)中任何一個最顯著的屬性都是其美味程度，因此主體將首先考慮該維度。想象一下，經(jīng)過短暫的深思后，主體意識到這兩個選項(xiàng)在美味程度上非常相似，很難選擇它更喜歡哪一個。此時，主體可能會開始考慮選項(xiàng)的健康程度。如果主體對其關(guān)于選項(xiàng)美味程度的評估高度確定，從而高度確定進(jìn)一步考慮該維度將毫無用處，它可能會用健康程度取代美味程度，將其作為（當(dāng)時）唯一正在考慮的屬性。否則，它可能會開始同時考慮這兩個屬性。顯然，這一過程可以迭代進(jìn)行，直到要么所有相關(guān)屬性都被考慮過，要么某個屬性子集成功提供了足夠的證據(jù)表明巧克力棒或橙子優(yōu)于另一個?；蛘撸硗猓?，主體可能會受到激勵，在心理上模擬選擇任一選項(xiàng)的體驗(yàn)，從而可能將依賴于情境的屬性（例如，如果放在主體的口袋里，巧克力棒可能會融化；如果不盡快吃掉，橙子可能會發(fā)霉）添加到活躍集合中。

在下文中，我們描述了一種新穎的計算模型（為簡潔起見，我們將其標(biāo)記為顯著屬性 DDM或saDDM），該模型將上述選擇過程形式化。該模型的一個關(guān)鍵預(yù)測是，選擇選項(xiàng)之間的備選方案擴(kuò)散（SoA）產(chǎn)生于決策期間，這是來自不同屬性的輸入進(jìn)行非平穩(wěn)整合（non-stationary integration）的結(jié)果，這些輸入可能會在決策過程中發(fā)生變化。此外，該模型預(yù)測困難選擇會有明顯的正向 SoA，而簡單選擇的 SoA 較小。該模型還預(yù)測，對于屬性差異較高的選項(xiàng)之間的選擇，SoA 會更大，因?yàn)轱@著屬性在選項(xiàng)之間更有可能不同，從而可能在深思過程的早期考慮更多屬性。我們下面的模擬將表明，saDDM 能夠解釋先前研究中關(guān)于 SoA 作為選擇難度和屬性差異函數(shù)的實(shí)證發(fā)現(xiàn) (Lee & Hare, 2023; Lee & Holyoak, 2021)。除了 SoA，我們的模型還正確預(yù)測了難度和差異與選擇一致性之間的正相關(guān)關(guān)系，難度和差異與反應(yīng)時之間的負(fù)相關(guān)關(guān)系，以及 SoA 與反應(yīng)時之間的負(fù)相關(guān)關(guān)系 (Lee & Hare, 2023; Lee & Holyoak, 2021)。即使將每個屬性的證據(jù)效率標(biāo)量設(shè)置為相同，該模型輸出的每個屬性對選擇的相對貢獻(xiàn)也與實(shí)證數(shù)據(jù)相符。

方法

原文鏈接：https://www.biorxiv.org/content/10.1101/2022.07.15.500254v3.full.pdf