在做決定時，人們傾向于選擇看了更多的選項(xiàng)。注意力如何影響選擇過程呢？乘法模型認(rèn)為注視放大了被關(guān)注選項(xiàng)的主觀價值；加法模型認(rèn)為注視增加了一種恒定的、與價值無關(guān)的偏見。本研究使用來自多個實(shí)驗(yàn)室的6項(xiàng)實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證了兩種模型的擬和度。該文由俄亥俄州立大學(xué)的研究者完成，發(fā)表在期刊Psychological Science上。
研究方法：本研究檢驗(yàn)了來自6項(xiàng)眼動研究的數(shù)據(jù)，以描述注視和選項(xiàng)價值在選擇過程中的交互作用。其中2、3、4、6項(xiàng)研究采用EyeLink 1000 Plus眼動儀采集眼動數(shù)據(jù)。6項(xiàng)眼動研究數(shù)據(jù)均為二選一的數(shù)據(jù)集，其中數(shù)據(jù)集1-4是從兩種食物中進(jìn)行選擇（食物選擇任務(wù)），數(shù)據(jù)集5和6是從習(xí)得的符號刺激之間進(jìn)行選擇（概率任務(wù)）。在食物選擇任務(wù)中（如圖1a），每個試次的選項(xiàng)不同，也沒有客觀正確的選項(xiàng)。在概率任務(wù)中，選項(xiàng)會重復(fù)，有客觀正確的選項(xiàng)，該選項(xiàng)獲獎概率更高。在數(shù)據(jù)集5中（如圖1b），共有6種不同的選項(xiàng)，對應(yīng)30次選擇。在數(shù)據(jù)集6中（如圖1c），只有兩對符號，每次選擇時被試會看到其中一對符號。盡管這些符號在整個實(shí)驗(yàn)過程中保持不變，但每個符號產(chǎn)生獎勵的概率隨機(jī)變化。
（Figure1）
六個數(shù)據(jù)集的特征見下表：
（Table 1）
模型計(jì)算
加法和乘法模型都依賴于順序采樣過程，通過該過程，選擇中兩個選項(xiàng)的相對證據(jù)得以積累。當(dāng)支持一個選項(xiàng)的證據(jù)(相對于另一個)達(dá)到預(yù)定義的邊界時，就會做出決定。證據(jù)積累的平均速率（漂移率ν）取決于兩個選項(xiàng)的價值差異。這兩個模型都假設(shè)漂移率隨視線的每一次移動而變化。然而，模型在如何發(fā)生這種變化方面有所不同。乘法模型假設(shè)對一個選項(xiàng)的關(guān)注會導(dǎo)致在注視期間對另一個選擇價值的折扣。加法模型假設(shè)對一個選項(xiàng)的關(guān)注只會短暫增加該選項(xiàng)被注意的證據(jù)。
乘法模型：
gaze left:ν= d（UL-θUR）gaze right:ν= d（θUL-UR）UL、UR 是左右選項(xiàng)的主觀價值，d是價值的尺度參數(shù)，θ是注意折扣參數(shù)。
加法模型：
gaze left:ν= d（UL-UR+η）gaze right:ν= d（UL-UR-η）η—捕獲注意力效應(yīng)參數(shù)。乘法模型中具有較高價值的選項(xiàng)之間選擇的漂移率變化劇烈，而加法模型的漂移率變化是常量。這個從兩種模型的假設(shè)出發(fā)可以推論，乘法模型中由于注意折扣參數(shù)θ直接作用于不被注意的選項(xiàng)，導(dǎo)致其價值越大，變化就越大。而加法模型中的常量則對整體變化的影響比較穩(wěn)定。如下圖2所示：
（Figure 2）乘法模型和加法模型的圖示（上為乘法模型）
模型驗(yàn)證：
（1）反應(yīng)時（RT）與總體價值作者驗(yàn)證的第一個問題是，兩個模型（乘法和加法）對備選項(xiàng)的總價值如何影響RT的預(yù)測。加法模型中的漂移率僅取決于選項(xiàng)間價值的差異，總體價值不影響決策。而乘法模型中，選項(xiàng)的總價值很重要，值越高，當(dāng)視線從一個方向轉(zhuǎn)移到另一個方向時，漂移率的變化越大，總價值大時會更快到達(dá)邊界，從而縮短RT（見Figure 2）。為了驗(yàn)證該預(yù)測，本研究使用數(shù)據(jù)集2中的選擇問題和Krajbich等人（2010）研究中獲得的參數(shù)，用兩個模型（乘法和加法）模擬了數(shù)據(jù)集，
并估計(jì)了以下回歸模型：
log(RT)~β0+β1|UL?UR| + β2 (UL+UR).正如預(yù)期，乘法模型模擬了在RT和總值之間的負(fù)相關(guān)關(guān)系（圖3a），而加法模型沒有（圖3b）。作者在6個數(shù)據(jù)集中都使用真實(shí)數(shù)據(jù)進(jìn)行了擬合，在乘法模型模擬中，在每種情況下β2系數(shù)都顯著為負(fù)，表明總值(UL+UR)的增加對應(yīng)于RT的減少（圖3c）。為了更直接地測試總價值和RT之間的關(guān)系，本研究進(jìn)行了類似的混合效應(yīng)回歸，但只使用了值差等于零的試驗(yàn)。這使得模型可以放棄選項(xiàng)值差異變量，將模型簡化為：log(RT)~β0+ β1 (UL+UR).結(jié)果發(fā)現(xiàn)在五分之四的數(shù)據(jù)集中，β1系數(shù)顯著（見Table 2），證實(shí)了總價值和RT之間的負(fù)相關(guān)，為乘法模型提供了額外支持。
表2 總價值和RT的相關(guān)關(guān)系
Figure 3 加法模型和乘法模型在數(shù)據(jù)集中的測試
（2）價值與注意力的交互建模
另一種測試注意力對選擇影響機(jī)制的方法是建立價值和注視之間的交互模型。根據(jù)乘法模型，相對于關(guān)注價值較低的選項(xiàng)，關(guān)注價值較大的選項(xiàng)對選擇的影響更大。而加法模型假定被關(guān)注選項(xiàng)的價值不影響注意力對選擇的影響。為了驗(yàn)證這一預(yù)測，作者使用與之前相同的模擬和回歸選擇結(jié)果（選擇左）對選項(xiàng)間的值差（UL? UR）、總值（UL + UR）和左停留比例(左側(cè)選項(xiàng)的注視停留時間／總注視停留時間)進(jìn)行分析，分為兩種情況:一種是左側(cè)值小于組數(shù)據(jù)集的中值，另一種是左側(cè)值大于或等于組數(shù)據(jù)集的中值。換言之，在每次試驗(yàn)中，只有一個左停留比例變量具有非零值。更明確地說，其實(shí)是估計(jì)了以下的邏輯模型:choose left ~ β0 + β1(UL? UR) + β2 (UL + UR) + β3(left dwell proportion) |(left value < median (left value )) + β4 (left dwell proportion)|(left value ≥ median (left value)).然后，作者繪制了β3和β4的值(見圖4a和4b)。如預(yù)期，乘法模型中低價值(β3 = 5.423)的左停留比例系數(shù)要小于高價值(β4= 7.029)。而加法模型對低價值(β3 = 5.750)和高價值(β4 = 5.757)具有相同的系數(shù)。這說明，乘法模型中對于左選擇結(jié)果和價值比例之間的關(guān)系預(yù)測更加敏感。作者觀察到，在6個數(shù)據(jù)集中的5個數(shù)據(jù)集中，高價值和低價值之間存在正性差異(見圖4c)。各數(shù)據(jù)集的單尾配對樣本t檢驗(yàn)結(jié)果多為邊緣或非顯著。數(shù)據(jù)集1:t(37) = 1.99, p = .027;數(shù)據(jù)集2:t(43) =1.20, p = .119;數(shù)據(jù)集3:t(43) = 0.74, p = .233;數(shù)據(jù)集4:t(32) =?0.57,p = .713;數(shù)據(jù)集5:t(19) = 1.00,p = .166;數(shù)據(jù)集6:t(42) = 1.44, p = .079。然而，結(jié)合起來，發(fā)現(xiàn)在預(yù)期方向上有顯著差異，t(221) = 2.25, p = .013。用中位數(shù)分割來估計(jì)注意力的影響，可以避免假設(shè)價值對停留比例和選擇之間的關(guān)系有線性影響。作者也在每個數(shù)據(jù)集的單獨(dú)級別運(yùn)行了一個更簡單的線性交互模型。分析結(jié)果支持在食物選擇研究中的乘法效應(yīng)，但不支持概率任務(wù)中的乘法效應(yīng)。
Figure 4 交互模型中對β3和β4參數(shù)的擬合
（3）模型結(jié)果
第一，計(jì)算RT與兩個備選項(xiàng)總體價值之間的關(guān)系，發(fā)現(xiàn)較高的總體價值對應(yīng)較短的RT。只有乘法模型可以預(yù)測這種關(guān)系。第二，研究注視停留時間對不同價值物品選擇的影響，發(fā)現(xiàn)這種影響會隨注視物品價值的增加而增加，尤其在食物選擇任務(wù)中。這與乘法模型一致而與加法模型不一致。前面的分析強(qiáng)調(diào)了加法模型和乘法模型之間的關(guān)鍵區(qū)別，并指出了乘法模型的優(yōu)勢。然而，需要注意的是，這兩個模型在其他方面提供了非常相似的擬合。為了了解這一點(diǎn)，作者使用加法和乘法模型分別來擬合所有數(shù)據(jù)集。兩種模型都可以解釋數(shù)據(jù)中的一些總體趨勢。例如，兩種模型都顯示了反應(yīng)時（圖5b）和價值差異間（圖5c）的反向關(guān)系，并且都捕獲了被試選擇他們所查看的最后一個選項(xiàng)的趨勢。
圖5 乘法模型和加法模型共同擬合的行為指標(biāo)
根據(jù)整體擬合優(yōu)度來比較模型是很自然的。然而，這樣的比較可能取決于如何計(jì)算這些統(tǒng)計(jì)數(shù)據(jù)。即使使用標(biāo)準(zhǔn)的漂移擴(kuò)散模型(DDM)擬合，也有各種各樣的方法，在作者的研究中，希望考慮眼球跟蹤的數(shù)據(jù)。一種方法是，作者根據(jù)被試是否最后看了選擇的項(xiàng)目來調(diào)整數(shù)據(jù)，這種方法對兩個模型產(chǎn)生了大致相同的適合度。另一種方法是根據(jù)停留時間差異來調(diào)整數(shù)據(jù)，這種方法更適合乘法模型。值得注意的是，在擬合過程中，這兩種方法都沒有對數(shù)據(jù)進(jìn)行整體值的限定。除此以外，作者還測試了停留在左側(cè)選項(xiàng)上的注意時間的持續(xù)時長和最終對左側(cè)選項(xiàng)進(jìn)行選擇之間的關(guān)系。如補(bǔ)充圖1所示，可以看出在6個數(shù)據(jù)集中有一致的證據(jù)表明對左側(cè)選項(xiàng)的注意時間更長，其最終選擇左側(cè)選項(xiàng)的可能性就更高。
補(bǔ)充圖1 停留時間與最終選擇的關(guān)系
為了進(jìn)一步研究注意與價值的相互作用，本研究使用了基于貝葉斯的分層模型(HDDM)評估了這兩個。HDDM分析證實(shí)，數(shù)據(jù)集1-4支持乘法模型，貝葉斯后驗(yàn)概率分別為1、0.993、1、0.9885，但數(shù)據(jù)集5和6的結(jié)果是模棱兩可的，數(shù)據(jù)集5中乘法效應(yīng)的貝葉斯后驗(yàn)概率是0.391，數(shù)據(jù)集6中乘法效應(yīng)的貝葉斯后驗(yàn)概率是0.025或1，這取決于在模型中使用的是主觀值還是客觀值。
研究結(jié)論：
數(shù)據(jù)結(jié)果支持乘法模型。具體而言，對某一特定選項(xiàng)的注視與該選項(xiàng)的價值相互作用，注視價值較高的選項(xiàng)比注視價值較低的選項(xiàng)對選擇的影響更大。這種相關(guān)性在大量熟悉刺激的任務(wù)中比在少量習(xí)得刺激的任務(wù)中更明顯。
總之，這項(xiàng)研究表明，注意力選擇背后的機(jī)制并不是簡單地增加被注視選項(xiàng)所積累的證據(jù)，而是考慮到選項(xiàng)的價值的更復(fù)雜的交互作用，特別是在來自大量熟悉刺激的選項(xiàng)時。
原文：Gaze Amplifies Value in Decision Making
微信掃碼或者長按選擇識別關(guān)注思影
第六屆任務(wù)態(tài)fMRI專題班（重慶4.8-13）
第二十八屆磁共振腦影像基礎(chǔ)班（重慶2.24-29）
第十四屆磁共振腦網(wǎng)絡(luò)數(shù)據(jù)處理班（重慶3.18-23）
第二十屆腦電數(shù)據(jù)處理中級班（重慶3.7-12）
第二十九屆磁共振腦影像基礎(chǔ)班（南京3.15-20）第八屆腦電數(shù)據(jù)處理入門班（南京3.9-14）
第七屆近紅外腦功能數(shù)據(jù)處理班(上海4.2-7）
思影數(shù)據(jù)處理業(yè)務(wù)一：功能磁共振（fMRI）
思影數(shù)據(jù)處理業(yè)務(wù)二：結(jié)構(gòu)磁共振成像(sMRI)與DTI
