The Computational Grammar of Human Behaviour in a Biological Environment
本文介绍了 DynaClade，这是一种无监督算法，它揭示了人类在虚拟环境中的自发行为并非由预设序列组织，而是由一种二阶的、依赖于上下文的计算语法所组织，其特征在于独特的潜在状态以及一种新发现的非运动性摇摆模式。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
人类始终处于运动之中，是一个由脚步、姿态和体位变化构成的流动溪流，使我们能够在这个世界上航行并实现目标。虽然我们可以轻松描述像拿起杯子这样单一的动作，但要理解大脑是如何将成千上万个这样的自发瞬间串联成连贯的一生，却是一个深刻的谜题。科学家们长期以来一直想知道，我们的运动是遵循一套僵化的、预先写好的剧本，还是仅仅根据我们刚刚做了什么以及我们现在所处的位置来选择下一步。这个问题触及了自由意志的本质以及我们心理规划的极限。如果我们的行为完全是预先计划好的，那么我们的思维就需要在我们迈出第一步之前计算出未来的每一步，而这项任务会迅速使我们的认知能力过载。相反，许多理论认为，我们的行为更加流畅，是由眼下的需求和过去几次动作的历史所塑造的，而非源于一个遥远且固定的蓝图。
为了研究这一点，研究人员创建了一个数字世界，人们可以在其中自由移动，而无需被告知具体要做什么。他们构建了一个充满果树和隐藏危险（如蛇、熊和豹子）的虚拟现实环境。23名参与者穿着动作捕捉服并佩戴头显，这使得科学家能够高精度地记录他们在这些危险景观中游走时的每一个动作。目标很简单：尽可能多地收集水果，同时避开威胁。至关重要的是，参与者并没有得到剧本。他们可以根据需要随时奔跑、行走、蹲下或站立。随后，研究人员使用了一种名为DynaClade的新型计算机程序，通过观察数小时的记录到的运动，自动将其分类为不同的动作。这个程序预先并不知道什么是“跑”或“站立”；它必须通过观察身体运动的速度和形状，自主发现这些模式。
计算机成功识别出了二十二种广泛的运动类型，涵盖了从行走、奔跑到更细微的动作，如跪下采摘水果或静止站立。最有趣的发现之一是研究人员标记为“犹豫”的一种特定行为。这并非因恐惧而导致的僵直，而是在原地进行的缓慢摇摆运动，通常发生在一个人决定向新方向移动之前。这似乎是一个收集信息的时刻，是一个物理上的停顿，人在此刻似乎在权衡自己的选择。程序还发现，这些动作并非随机的。当一个人靠近果丛时，他们更有可能伸手去够或跪下。当威胁出现时，他们更有可能奔跑或静止不动，具体取决于动物的类型。这些运动显然与环境紧密相连，证明了计算机的分类符合现实世界的逻辑。
然而，更深层的奥秘在于这些动作的顺序。人们的运动是像多米诺骨牌效应那样，由一个动作强制引发下一个动作的固定链条吗？还是说人们仅仅根据紧接在前的一个动作来选择每一步？研究人员通过观察动作序列测试了这一点。他们发现，这种顺序确实是非随机的，但也不是僵化的剧本。数据表明，预测一个人下一步会做什么的最佳方式，是观察他们现在正在做什么以及他们刚刚做了什么。这被称为二阶结构，意味着即时的过去比长期的历史记录更为重要。该研究排除了人类在迈出每一步时都在不断执行复杂的长期计划的观点。相反，证据表明，我们的大脑使用了一种更简单、更高效的策略。我们似乎是根据当前的情况和刚刚完成的动作来选择下一步，从而在每一刻都对周围的世界做出适应。
这种方法使我们能够处理现实生活的复杂性，而不至于陷入无休止的计算中。研究人员发现，一旦考虑了背景因素（例如是在觅食还是在逃避威胁），动作序列就变得高度可预测。这就像是一个人在不同的情境下切换着不同的规则集，但在每种特定情境内，下一步动作在很大程度上是由前一个动作决定的。这一发现挑战了我们一直在执行预先组装好的行为序列的观念。相反，它描绘了一幅人类运动的图景：它是灵活的、响应式的流动，受即时当下和极近过去的引导。通过在真实且具有风险的环境中观察人类，这项研究揭示了我们的日常生活并非一系列僵化的常规，而是一场动态的适应之舞，我们不断根据所处位置和刚刚做过的事来调整下一步。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。