核磁共振太贵，脑电准备工作太繁琐，眼动仪器不便携……拿什么拯救研究动态决策过程的实验者呢？
生活中我们几乎每时每刻都要做出决策，正因如此，了解决策的过程对于理解人的思考和行为有着重大意义。但是，受限于动态研究工具（比如功能性核磁共振、眼动仪、脑电等）的不便携性和昂贵的价格，决策相关的研究通常都是关注决策过程结束时的状态，也就是最终的决策结果（即被试选择了哪个选项），而忽略了决策的动态过程。对决策者来说，不同的选项各有利弊，有不同的价值，因此不同选项间存在冲突（conflict）。在决策过程中，个体不断权衡每个选项的价值，大脑对价值信息不断编码并发射信号，使得决策者更倾向于选择或者回避某个选项。当一个选项的主观价值明显高于其他选项时，支持该选项的累计信号强度高于其他选项，选项间冲突很小，决策者能够很果断地做出选择；而当不同选项的主观价值十分接近时，没有一致的信号表明哪个选项是最优选择，这时冲突就会较大，决策者可能会犹豫不决，在不同选项间反复横跳。决策者做出决策的过程因此可以看作解决冲突的过程。常用的量化冲突的指标是反应时（Response Time，RT），研究者通常会通过建模从反应时中提取冲突成分。但是除了冲突外，RT还包含发生在决策过程之外的成分，比如阅读屏幕内容所用的时间和按键所需的时间。举个例子，被试可能走神或者按键的时候犹豫了一下，这个反应时就会很长。因此，RT并不是精准量化冲突的指标。那么，有什么技术可以更准确地量化冲突以展现决策的动态过程呢？今天要介绍的这篇文章的研究者认为，鼠标追踪（Mouse tracking）是一种方便、便宜、且灵敏的研究方法，也许是更好的选择。研究者认为鼠标追踪可以让研究者观察到决策的动态过程：当被选择的选项相比未被选择的选项有更大的主观价值时，鼠标运动轨迹相对更直；当未被选择的选项的价值越来越接近选择的选项时，选项间冲突更大，鼠标轨迹没前者直接。鼠标的运动轨迹反映了更平滑的证据累积过程，时间分别率高达毫秒级，有更高的表面效度。同时，鼠标追踪的记录方式方便、便宜，即使在实验室外也能做实验。研究者通过三个风险决策实验来检验鼠标追踪的优越性。三个实验采用了相同的范式（如下图所示）。实验有两种赌博模式，每种模式都有两个选择：安全选项和风险选项。在混合赌博（Mixed Gambles）中，安全选项（PASS）就是固定零收益，风险选项（GAMBLE）则是50%的概率赢钱和50%的概率输钱。在只有收益的赌博（Gain-only Gambles）中，安全选项（CERTAIN）会给被试一个固定收益，风险选项（GAMBLE）则是50%的概率赢更多的钱和50%的概率没有收益。实验1和实验2，3的区别在于混合赌博中风险选项对应的损失金额计算方式不同。有多种鼠标追踪指标可以用来量化冲突，本研究采用了曲线下面积（Area under the curve，AUC），即实际轨迹和直线轨迹间的面积。研究者假设，安全选项和风险选项的主观价值越接近，冲突就越大，相应的AUC就会越大。 图2 鼠标追踪指标——曲线下面积（Area under the curve，AUC），即图中浅色阴影区域首先，混合效应分析的结果表明，在三个实验中更大的主观差异都对应着更小的AUC（实验1：b = - 0.02，SE = 0.006，p < .001；实验2：b = - 0.04，SE = 0.006，p < .001；实验3：b = - 0.03，SE = 0.003，p < .001），即使在控制RT后结果依然成立，这说明鼠标追踪是一种高度敏感的测量方式，其提供的信息和RT不是重复的。研究者根据主观价值差异将对每个被试的所有试次分成10份（从最相似到最不相似），再平均每种差异程度下的鼠标移动轨迹。如下图所示，被选择选项和未被选择的选项间的主观价值越不相似，鼠标轨迹越接近直线，这表明鼠标追踪对被试内主观价值的差异也很敏感。 图3 不同的选项间主观价值差异水平对应的平均鼠标移动轨迹为了进一步证明鼠标追踪对很小的主观价值差异也很敏感，研究者把所有试次基于主观价值差异分成5组。如下图所示，Quintile 1组由主观价值差异最小的20%的试次组成，而Quintile 5组由主观价值差异最大的20%的试次组成。研究者分析发现：1）主观值差异较小的组AUC显著更大；2）在各组内，主观价值差异与AUC呈显著负相关。这些结果表明，冲突是连续变化的，而非简单的二分水平；AUC能够敏感地测量冲突，甚至能够检测主观价值差异的细微差别。 图4 不同的选项间主观价值差异水平对应的平均鼠标移动轨迹以上分析表明鼠标跟踪能反映决策的动态过程并且AUC可以敏感地测量冲突，但AUC的预测价值仍然不清楚。接下来，研究者检验了AUC的预测力，即在每个人都做出了相同选择的单个试次中，AUC所代表的冲突是否能够预测参与者的风险偏好。本研究中的风险厌恶包括两部分：1）损失厌恶（loss aversion）：个体更倾向于避免损失而不是获得相等的收益， 用λ表示；2）边际递减效用（diminishing marginal utility）：当收益增加时，等量的后续收益的主观价值小于之前获得的收益，用ρ表示。研究者从每个实验的两种赌博类型下各选择两个试次。在这两个试次的一个试次中，几乎所有被试都选了风险选项，而在另一个试次中几乎所有被试都拒绝了风险选项。如果一个被试在选择有风险的选项时表现出很少的冲突，那么相对于在做出同样选择时表现出高度冲突的人来说，该被试风险厌恶更低。同样地，在选择确定选项时没有冲突的人可能比有冲突的人更厌恶风险。研究者发现，对于混合赌博，AUC在接受风险选项的试次中和λ正相关，在拒绝风险选项的试次中和λ负相关；对于只有收益的赌博，AUC在接受风险选项的试次中和λ负相关，在拒绝风险选项的试次中和ρ正相关。这表明，即使选择结果一样，AUC所表征的冲突也能够预测参与者的风险偏好，冲突越大，风险厌恶越高。考虑到上述选择试次的方式可能太过武断，研究者接下来探究了每个试次中AUC和风险偏好之间的关系。结果如图5所示，在407个试次（占总试次数的75.37%）中AUC与λ/ρ显著相关。这些结果为AUC的预测力提供了强有力的支持—— 即使选择结果保持不变，AUC所代表的冲突可以为促进选择的潜在决策过程提供丰富的信息。 图5 单个试次上AUC对损失厌恶（λ）和边际递减效用（ρ）的预测那么，回到一开始的问题，AUC和RT哪个是更好的指标呢？研究者比较了单个试次中AUC和RT各自对λ和ρ的预测能力，结果表明AUC预测效力显著好于RT（AUC：r = 0.25， p < .001；RT：r = 0.17， p < .001）。接下来研究者进行了一项Bootstrap分析来证明在更大的数据集上鼠标追踪的优势依然存在。结果如图6所示，AUC和λ的相关的点估计值始终高于RT，并且比RT更快地达到渐近线，相关系数估计值的置信区间也明显小于RT的置信区间。这表明鼠标追踪比RT更能反映风险偏好。 图6 Bootstrap分析的结果（黑点和红点表示点估计值，黑色和红色阴影区域表示95%的置信区间）以上所有的分析都是相关分析。为了更好的说明AUC能预测风险偏好是因为风险偏好会影响决策时个体解决冲突的反应，研究者在实验3中进行了实验操纵。被试被要求在每次决策前采用狭隘的思考方式（Narrow bracket）或者宽阔的思考方式（Broad bracket）。狭隘的思考方式是让被试单独考虑每一个试次的决策，将当前决策和其他决策分开，以往研究发现这种操作会增强风险厌恶；宽阔的思考方式让被试将每个试次的决策看作很多决策中的一次，把自己想象成一个交易者，这种操纵方式被发现能降低风险厌恶。结果如图7所示，与狭隘的思考方式相比，宽阔的思考方式会让被试在拒绝风险选项时经历更大的冲突（表现为AUC更大），而在接受风险选项时经历更小的冲突（表现为AUC更小）。这表明，对风险偏好的操纵可以反映到鼠标追踪的结果上。总的来说，这篇研究表明鼠标追踪对风险决策中的冲突非常敏感，相较RT能更好地预测被试的风险偏好，即使在选择结果保持不变的情况下也能很好的预测被试的风险偏好，因此是一种值得考虑的研究方式。看到这里，各位朋友有没有很心动呢？毕竟鼠标追踪方便又便宜，灵敏又好用，连软件都有现成的（http://www.mousetracker.org/）还不快速速get~！Stillman, P. E., Krajbich, I., & Ferguson, M. J. (2020). Using dynamic monitoring of choices to predict and understand risk preferences. Proceedings of the National Academy of Sciences, 117(50), 31738-31747.
作者 | 王佳卉
图文编辑 | 不晓心读写
审核 | 神经的罗贝尔博士
