📊 statistics

Extending Evidence Accumulation Models to Bounded Continuous Self-report Data

本文介绍并比较了两种新的证据积累模型，即半圆形扩散模型和 Beta 漂移扩散模型，用于利用摊销贝叶斯推断分析有界连续自报告数据，从而在无需解析似然函数的情况下实现稳健的参数估计和模型选择。

原作者： Yufei Wu, Tamás Szűcs, Agnes Moors, Francis Tuerlinckx

发布于 2026-04-30

📖 1 分钟阅读☕ 轻松阅读

原作者： Yufei Wu, Tamás Szűcs, Agnes Moors, Francis Tuerlinckx

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象你的大脑是一家忙碌的工厂，正在试图做出一个决定。几十年来，科学家们一直使用一种名为“证据积累模型（EAM）”的工具来理解这家工厂是如何运作的。传统上，这个工具仅适用于简单的“是/否”或“左/右”选择。它设想一名工人收集嘈杂的线索，直到积累得足够多，然后大喊“开始！”并按下停止按钮。

但是，当选择不仅仅是“左”或“右”，而是处于一个滑动尺度上时会发生什么呢？想象一下，在一个从“糟糕透顶”到“棒极了”的滑块上评价你的心情，或者说你有多喜欢一首歌，评分范围从 1 到 100。这些是“有界连续自我报告”。旧工具无法处理这种情况；这就像试图用尺子测量汤的温度。

本文介绍了两种新的专用工具，专门设计用于处理这种滑动尺度的决策。作者将它们称为“半圆扩散模型（HCDM）”和“贝塔漂移扩散模型（BDDM）”。

以下是它们的工作原理，使用简单的类比：

1. 两种新工具

半圆扩散模型（HCDM）： “弹跳球”
想象一个球在平坦的地板上滚动，地板的形状像半个月亮（半圆）。

目标： 球从中间某处开始，滚向弯曲的边缘。
规则： 如果球试图滚过半月的平坦直边，它不会掉下去；它会反弹回来（反射）并留在有效区域内。
决策： 球击中弯曲边缘的那一刻，决策就做出了。它击中的位置告诉你答案“是什么”（例如，更接近“负面”还是“正面”），而花费的时间则告诉你决策“有多快”。
为何有效： 这是一种巧妙的方法，迫使圆周运动（在数学上很容易处理）适应一条直的、有界的线（如滑块）。

贝塔漂移扩散模型（BDDM）： “拥挤的房间”
想象一条长长的走廊，里面有 101 个人排成一列，每个人代表滑块尺度上的一个不同点。

目标： 不是只有一个球在滚动，而是队列中的每个人都在同时收集证据。
形状： “漂移”（收集证据的速度）对每个人来说并不相同。它形成一个山丘形状（像钟形曲线或一座山）。山丘的顶峰是那个人最自信的地方。
决策： 队列中“任何人”收集到足够证据越过终点线的那一刻，决策就做出了。
为何有效： 这个模型更加灵活。它可以处理人们非常不确定（山丘平坦而宽阔）或非常确定（山丘高耸而狭窄）的情况。这就像拥有一整支工人队伍，而不仅仅是一个人。

2. 问题：数学的“黑箱”

通常，要使用这些模型，科学家们需要一个特定的数学公式（“似然函数”）来告诉他们模型与数据的拟合程度如何。但对于这些新的、复杂的模型，那个公式太混乱而无法写出来。这就像试图拼凑一个拼图，而拼图的形状却在不断变化。

解决方案： “训练机器人”（摊销贝叶斯推断）
由于他们无法写出公式，作者采用了一种巧妙的变通方法。他们构建了一个“神经网络”（一种人工智能），并像训练学生一样训练它：

模拟： 他们在计算机上运行了数百万次虚假实验，创建了数千个已知答案的“虚假”决策场景。
学习： 他们将这些虚假场景展示给 AI，教导它：“当你看到这种数据模式时，答案就是那个。”
应用： 一旦 AI 训练完成，他们就将真实的人类数据输入给它。AI 不需要那个混乱的数学公式；它只需识别它已学到的模式，并给出答案。

3. 他们的发现

作者将这些工具应用于真实数据，在这些数据中，人们玩了一个游戏，赢了或输了钱，然后在连续滑块上评价他们的感受。

两种工具都有效： 它们能够准确地推断出人们思考的速度以及他们的自信程度。
“弹跳球”（HCDM） 对大多数人来说很出色。它计算速度快，适用于标准响应。
“拥挤的房间”（BDDM） 是“超级工具”。它更能处理极端情况。如果一个人“极其”一致（总是选择完全相同的位置）或“极其”分散（在尺度上到处跳跃），BDDM 能更好地拟合他们的数据。这是因为 BDDM 有一个特殊的“噪声控制”旋钮，可以处理非常平滑或非常锯齿状的决策路径。
权衡： BDDM 更强大，但训练速度慢得多。训练“弹跳球”模型大约需要计算机 13 分钟，而训练“拥挤的房间”模型则需要近 7 个小时。

4. 局限性

作者指出，当人们行为怪异时，这两种工具都会遇到困难。如果参与者反复点击完全相同的位置（例如总是点击“中立”或总是点击最末端），模型就会感到困惑。模型假设人们在尺度上是平滑移动的，因此它们无法完美预测这些“卡住”的行为。

总结

简而言之，这篇论文为心理学家提供了两种新的专用尺子，用于测量滑动尺度上的决策。他们使用了一种智能的 AI 训练方法，使这些复杂的尺子变得可用。一种是快速的标准尺（HCDM），另一种是高精度、灵活的尺子（BDDM），它能更好地处理极端行为，但校准时间更长。这使得研究人员终于能够研究情感和意见的“速度和自信”，而不仅仅是简单的“是/否”选择。

以下是论文《将证据积累模型扩展至有界连续自我报告数据》的详细技术总结。

1. 问题陈述

证据积累模型（EAMs），如漂移扩散模型（DDM），是分析二元选择和反应时（RT）数据的标准框架。然而，在建模有界连续自我报告数据（例如用于情绪强度、信心或风险偏好的视觉模拟量表）方面存在显著差距。

现有模型的局限性：
- 圆形扩散模型（CDM）： 专为旋转对称任务（如角度估计）设计。由于它假设完整的圆形决策空间，因此不适用于有界线性量表。
- 空间连续扩散模型（SCDM）： 专为感知估计设计，其中“正确”的刺激位置是外部已知的（例如识别颜色）。它无法处理主观自我报告，因为在这种情况下，目标位置并非外部指定，而必须从反应本身推断。
挑战： 标准 EAM 需要解析似然函数进行参数估计。针对有界连续数据提出的适应性改进涉及复杂的随机过程，这些过程缺乏可处理的似然函数，使得传统的最大似然估计（MLE）或标准贝叶斯推断不可行。

2. 方法论

作者提出了两种新颖的模型适应性改进以及一个无似然推断工作流，以克服似然函数不可处理的问题。

A. 提出的模型

半圆形扩散模型（HCDM）：
- 概念： 对 CDM 的改进，将决策空间限制在半圆盘（ $D'$ ）而非完整的圆。
- 机制： 在直径边界（ $x_2 = 0$ ）处实施镜面反射机制。如果扩散轨迹试图穿过这条直边，剩余的位移将被反射回有效区域内。
- 参数化： 使用漂移率向量 $(l, \phi)$ 的极坐标系，其中 $l$ 为幅值， $\phi$ 为相对于决策弧的角度。这允许起点变化，同时不限制有效的漂移方向。
- 输出： 响应为首次通过时间到达弯曲边界时的极角 $\phi$ 。
Beta 漂移扩散模型（BDDM）：
- 概念： 对 SCDM 的改进，其中漂移率定义在连续空间域上，但不与外部刺激绑定。
- 机制： 漂移率函数被建模为缩放后的 Beta 概率密度函数（PDF），由均值（ $\mu$ ）、浓度（ $\kappa$ ）和高度（ $h$ ）参数化。
- 噪声： 使用具有平方指数核的空间高斯过程来模拟决策空间中的相关噪声，确保符合生物学原理的积累过程。
- 输出： 响应为积累证据首次跨越边界时的空间位置 $u$ 。

B. 推断框架：摊销贝叶斯推断（ABI）与比较（ABMC）

由于缺乏解析似然函数，作者采用无似然推断：

基于模拟的训练： 使用已知的“真实”参数从模型中模拟生成大型数据集。
神经网络：
- 摘要网络： 使用集合转换器（SetTransformers）将可变大小的数据压缩为固定大小的充分统计量。
- 推断网络： 学习从数据到参数后验分布（针对 ABI）或模型概率（针对 ABMC）的映射。
模型比较（ABMC）： 使用深度集成（多个独立训练的网络）来估计后验模型概率（PMPs），并减轻对模型误设的敏感性。在训练过程中加入污染数据（5% 噪声）以确保鲁棒性。

3. 主要贡献

理论扩展： 成功将 EAM 框架扩展至有界连续自我报告数据，弥合了二元决策模型与连续主观报告之间的差距。
方法论工作流： 展示了使用 ABI 和 ABMC 拟合复杂、无似然 EAM 的完整流程，使这些模型能够应用于实际心理学研究。
开放科学： 提供了完全文档化的代码、示例数据集和训练好的神经网络权重，以促进实验心理学界的采用。
参数可解释性： 为新的参数建立了清晰的心理学解释（例如，漂移率幅值作为处理速度，边界作为谨慎程度，Beta 参数作为证据清晰度）。

4. 结果

这些模型被应用于一个涉及概率奖励任务的实证数据集，参与者通过连续滑块报告情感状态。

参数恢复： HCDM 和 BDDM 均显示出从模拟数据中恢复真实参数的高精度（大多数参数的相关性 $r > 0.95$ ）。
实证拟合：
- HCDM： 参数与实证汇总统计量强相关。漂移角（ $\phi$ ）预测了平均情感评分（ $r=0.992$ ），边界（ $a$ ）预测了平均反应时（ $r=0.615$ ）。
- BDDM： 显示出相似的关联性，但提供了更优越的灵活性。漂移率的众数（$modedrift $）预测了平均评分（$ r=0.992 $），漂移率的**四分位距**（$ IQR_{drift}$）预测了评分变异性。
模型比较：
- ABMC 结果： 约 70 名参与者强烈倾向于BDDM，而约 40 名倾向于 HCDM。
- 选择驱动因素： BDDM 主要在具有极端响应分布（高度集中或高度分散）的数据集上优于 HCDM。BDDM 的核参数（ $\rho$ ）使其能够模拟锯齿状或平坦的噪声轨迹，捕捉 HCDM（假设中等分散）无法捕捉的极端变异性。
- 拟合优度（GOF）： $\Delta$ GOF（拟合差异）与 PMPs 完全一致；倾向于 BDDM 的参与者在极端评分分布上表现出更低的预测误差。
局限性： 两个模型在处理多模态、聚类分布（例如，参与者严格锚定在“中性”或极端端点）时均表现不佳，这违反了模型的连续性假设。

5. 意义与启示

心理学家的新工具包： 这项工作为建模连续自我报告的认知动态提供了一个用户友好的工具包，超越了简单的分类或二元分析。
计算权衡： 研究强调了灵活性与效率之间的权衡。BDDM 为复杂数据提供了更优越的拟合度，但由于其离散化的 101 个积累器架构，需要显著更多的计算资源（训练时间为 400 分钟，而 HCDM 为 13 分钟）。
未来方向： 作者建议未来的工作应解决离散/锚定响应策略（例如，通过零和一膨胀模型），并将这些参数与神经测量指标联系起来。
可推广性： 使用摊销贝叶斯方法表明，复杂、非标准的 EAM 可以在无需封闭形式似然解的情况下有效地部署于现实世界研究中。