人们如何预测随机游走？对人类认知模型的启示
在许多日常任务中，对变化值的重复预测是常见的，从预测天气到金融市场。特别简单且有启发性的这类波动值实例是随机游走：每个点都是从其前一个值的随机移动，不受任何之前点的影响。此外，随机游走通常会产生基本的理性预测解决方案，即对新值的预测应该重复最近的值，从而复制原始序列的属性。然而，在之前的实验中，我们发现人类预测者并不遵循这一标准，显示出与随机游走属性的系统性偏差，如过度波动和连续预测之间的极端移动。我们认为这种偏差反映了在多个任务中显示的一般统计认知特征，提供了洞察潜在机制的窗口。利用这些偏差作为新的标准，我们在这里探索了来自现有文献中开发的多种认知预测模型，包括贝叶斯、基于误差的学习、自回归和抽样机制。这些模型与两个实验中的人类数据进行对比，以确定哪一个最能解释参与者展示的特定统计特征。我们发现抽样模型在总体和个体拟合中都得到了支持，表明这些变化归因于使用固有的随机预测系统。因此，我们认为预测中的变异性受到决策过程中计算噪声的强烈影响，而“晚期”输出阶段的噪声影响较小。
Spicer, J., Zhu, J.-Q., Chater, N., & Sanborn, A. N. (2024). How do people predict a random walk? Lessons for models of human cognition.Psychological Review, 131(5), 1069–1113. https://doi.org/10.1037/rev0000493
贝叶斯信心在最优决策中的作用
在许多情况下，做出决策的最优方式是追踪收集到的证据对选项的支持差异。漂移扩散模型（DDM）实现了这种方法，并为决策和反应时间提供了极好的解释。然而，现有的基于DDM的置信度模型存在某些缺陷，许多关于置信度的理论使用了替代的、非最优的决策模型。受到DDM历史成功的激励，我们询问是否可以通过对这一框架的简单扩展，使其更好地解释置信度。基于大脑不会复制证据表示的想法，在所有模型变体中，决策和置信度都基于相同的证据累积过程。我们将模型与基准结果进行比较，并在一项新的预注册研究中成功应用了四个定性测试，这些测试涉及置信度、证据和时间之间的关系。使用计算成本低廉的表达式来逐次建模置信度，我们发现一部分模型变体也能很好地解释在置信度数据中观察到的精确定量效应。具体来说，我们的结果支持这样的假设：置信度反映了累积证据的强度，但受到决策所需时间的惩罚（贝叶斯读出），而这种惩罚并不完全校准到特定的任务环境中。这些结果表明，没有必要放弃DDM或单一累积器模型，就能成功地解释置信度报告。
Calder-Travis, J., Charles, L., Bogacz, R., & Yeung, N. (2024). Bayesian confidence in optimal decisions.Psychological Review, 131(5), 1114–1160. https://doi.org/10.1037/rev0000472
从序列数据中进行不精确的概率推断
尽管贝叶斯范式在人类推断研究中是一个重要的基准，但它在多大程度上提供了一个有用的框架来解释人类行为仍然是一个有争议的问题。我们记录了在正确信念下，实验对象对二元事件概率的估计与贝叶斯推断之间的系统性偏差，这些估计是基于对事件连续实现的观察。特别是，我们发现在仅有几次观察后，受试者的估计对证据的反应不足（“保守性”），同时在更长的观察序列后反应过度。这不能通过不正确的先验或许多常见的贝叶斯推断模型来解释。我们揭示了估计值之间的自相关性，这表明受试者对决策情境的表示是不精确的，信念中的噪声在连续试验中传播。但即使考虑到这些内在的不精确性，并假设存在各种不正确的信念，我们发现受试者的更新与贝叶斯推断的规则不一致。我们展示了受试者如何显著节省他们对决策相关信息的关注，以及他们在精确响应上施加的控制程度，同时给出相当适应任务的反应。一个“噪声计数”的概率估计模型再现了我们在受试者行为中展示的几种模式。总之，我们的研究任务中的人类受试者在大大减少他们关注的信息量的同时，表现相当好。我们的结果强调，研究这种注意力经济对于理解人类决策至关重要。（PsycInfo数据库记录（c）2024 APA，版权所有）
Prat-Carrabin, A., & Woodford, M. (2024). Imprecise probabilistic inference from sequential data. Psychological Review, 131(5), 1161–1207. https://doi.org/10.1037/rev0000469
反事实与因果选择的逻辑
发生的每一件事都有众多原因，但人们却能毫不费力地做出因果判断。人们是如何从促成事件的一系列因素中（例如，引发森林大火的闪电）选择一个特定的原因（比如空气中的氧气、干燥的天气等）？认知科学家提出，人们通过模拟事情可能发生的其他方式来对事件做出因果判断。我们认为，这种反事实理论在两个简单假设的基础上，可以解释人类因果直觉的许多特征。首先，人们倾向于想象那些先验可能性较大且与实际发生情况相似的反事实可能性。其次，如果因素C和效果E在这些反事实可能性中高度相关，人们就会判断因素C导致了效果E。在对现有实证数据的重新分析以及一系列新实验中，我们发现这一理论独特地解释了人们的因果直觉。（PsycInfo数据库记录（c）2024 APA，版权所有）
Quillien, T., & Lucas, C. G. (2024). Counterfactuals and the logic of causal selection. Psychological Review, 131(5), 1208–1234. https://doi.org/10.1037/rev0000428
偏见模型1.0：偏见的预测模型
本研究开发了一个偏见的预测模型。近一个世纪以来，心理学和其他领域一直在寻求科学地理解和描述偏见的原因。现在存在许多关于偏见的理论。然而，这些理论绝大多数是以口头形式定义的，因此缺乏精确预测偏见何时以及在何种程度上出现的能力。理论的丰富性也带来了一个可能性，即在理论上被认为是导致偏见的构建之间可能存在未被察觉的重叠。预测模型能够进行证伪，并为该领域提供前进的方法。为此，我们在这里呈现了18项研究，涉及约5000名参与者，分为七个阶段的模型开发。在最初确定文献中主要的理论偏见原因后，我们采用了模型选择方法，将构建缩减为一个简洁的偏见预测模型（第一阶段和第二阶段）。我们在预注册的样本外测试中确认了这个模型（第三阶段），测试了操作化的变化和边界条件（第四阶段和第五阶段），并测试了在美国代表性样本、印度样本和英国样本上的普适性（第六阶段）。最后，我们咨询了该领域专家的预测，以检查它们与我们的结果的一致性（第七阶段）。我们认为这个初始的预测模型是有限的且不完善的，但通过开发一个能够做出非常具体预测的模型，并借鉴最新的研究成果，我们希望为研究提供一个基础，从而改进对偏见的科学研究。（PsycInfo数据库记录（c）2024 APA，版权所有）
Hehman, E., & Neel, R. (2024). Prejudice model 1.0: A predictive model of prejudice. Psychological Review, 131(5), 1235–1265. https://doi.org/10.1037/rev0000470
唧唧堂学院推荐订阅
