📊 统计学

Computational Growth Modeling: Assessing Longitudinal Change with Joint Models

本文引入并验证了“计算生长建模”（computational growth modeling），这是一种将层级计算模型与纵向数据相结合的联合建模方法，旨在比传统的两阶段方法更准确地估计个体行为过程随时间的变化，从而为精神病理学的病因学提供更深入的见解。

原作者： Jeremy Haynes, Nathaniel Haines, Holly Sullivan-Toole, Thomas Olino

发布于 2026-10-21

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Jeremy Haynes, Nathaniel Haines, Holly Sullivan-Toole, Thomas Olino

原始论文采用 CC BY 4.0 许可（https://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

人类行为很少是一个单一的快照；它是一个随时间展开的故事。为了理解人们为什么做出那样的选择，心理学家经常要求他们执行一些任务，以揭示他们如何从奖励和惩罚中学习。其中一个被称为“爱荷华赌博任务”（Iowa Gambling Task）的任务，要求参与者从不同的牌组中挑选卡片。有些牌组提供巨大的赢面，但也有更大的损失；而另一些牌组则提供较小、较稳定的收益。通过观察人们选择哪些牌组，研究人员可以观察到他们是否正在学会规避风险选项。多年来，科学家们一直使用计算机模型将这些选择转化为数字，以此估算诸如一个人在获得胜利或失败后更新预期速度之类的数据。这些被称为“参数”的数字，就像是窥探人类大脑学习机制的一扇窗户。然而，一个持久的问题是如何追踪这些随时间变化的数字。当研究人员想要观察学习过程如何在数月或数年间演变时，他们通常依赖于一个两步走的过程：首先，计算一个人在单次实验中的学习数值，然后将这些数值视为完美的既定事实，以观察它们在稍后阶段是如何变化的。这种方法假设第一次计算是完美无瑕的，忽略了测量人类行为时自然存在的模糊性和不确定性。

由佐治亚南方大学的杰里米·海恩斯（Jeremy Haynes）领导的一个研究小组提出了一种看待这一问题的新方式，即将测量与变化视为一个单一且相互关联的故事。在一项新研究中，他们引入了一种被称为“计算增长建模”（computational growth modeling）的方法。这种新方法不再将个人学习风格的计算与追踪该风格随时间变化的路径分开处理，而是将两者同时进行。通过将两者交织在一起，研究人员可以解释初始测量中的不确定性，使得一次实验的数据能够为下一次实验的理解提供信息。为了测试这个想法是否可行，团队首先创建了一个大规模模拟。他们生成了数千个虚假数据集，代表人们在三次实验中玩一个简单的决策游戏。在这些模拟中，他们知道参与者学习率本应如何变化的准确真相。随后，他们将这种新的集成方法与传统的两步法进行了对比。结果显而易见：新方法在恢复真实的演变模式方面表现得好得多。它正确识别了人们学习的速度以及起始点的差异，而旧方法往往会偏离目标，特别是在试图观察个体起始能力差异与进步速度之间的关系时。新方法成功捕捉到了旧方法所忽略的测量误差带来的“迷雾”，从而描绘出了行为演变的更清晰图像。

在受到这些模拟实验的启发后，研究人员将他们的方法应用于从成年人身上收集的三年真实世界数据。这些参与者先后五次参加了爱荷华赌博任务的“玩或停”（play-or-pass）版本。在这个版本中，玩家可以选择冒险玩一副牌，或者停下来跳过回合。利用这种新的集成模型，团队得以追踪参与者的学习习惯在五次实验中是如何转变的。他们发现，随着经验的增加，人们对即时奖励和惩罚的敏感度实际上降低了，这表明他们对单次赢或输的反应变得不再那么敏感，而是更加关注长期结果。与此同时，他们对赢或输频率的敏感度增加了，并发展出了一种无论具体牌组如何都倾向于继续玩的趋势。这种变化的模式表明，参与者正在完善他们的策略，从冲动反应转向一种更具计算性的方法。

当研究人员将个人史纳入考量时，这种新方法的威力变得更加显著。他们研究了一个人的焦虑、抑郁或物质使用史，以及性别，是否会影响其学习方式随时间的变化。模型揭示了明显的差异。例如，男性表现出比女性更高的基础惩罚敏感度，这意味着他们在初始阶段对损失的反应更为剧烈。更令人震惊的是，模型显示，有抑郁史的人最初对赢或输的频率具有较高的敏感度，但随着时间的推移，他们对惩罚的敏感度下降得比没有此类病史的人更为剧烈。这表明，抑郁症对决策的影响不仅仅是一个静态的特征，而是一个随着个人获得经验而变化的动态过程。研究人员指出，关于抑郁症和学习率的这些发现是针对其研究中较长的时间线而言的，这是一个在数据点较少时可能会被忽略的细微差别。

这项工作并不声称已经解开了人类决策之谜，但它提供了一个更可靠的工具来观察这一过程的展开。作者强调，该方法对于理解行为过程如何发展以及如何在精神疾病中出现偏差特别有用。通过承认我们对心灵的测量永远不会是完美精确的，并将这种不确定性直接构建到变化分析之中，计算增长建模方法提供了一个更清晰、更诚实的观察我们如何学习的视角。它不仅能让科学家看到一个人在某一天处于什么状态，还能看到他们是如何移动的，以及这种移动如何根据其独特的历史和生物学特征而有所不同。正如研究人员所指出的，这一框架可以被改编并应用于许多不同类型的任务甚至动物研究，为研究行为随时间流逝的流动性质提供了一种通用的方式。

技术摘要：基于联合模型的计算增长建模

问题陈述
心理学中的纵向研究通常旨在刻画行为过程如何随时间变化。一个常见的统计方法论挑战在于，当研究人员试图分析源自计算模型（例如强化学习参数）的纵向数据时。标准的做法是采用“两阶段”法：首先，在每个时间点对行为数据拟合计算模型，以提取个体层面的参数；其次，对这些提取出的参数拟合统计增长模型（例如分层线性模型）。

本文指出这种两阶段法存在一个关键缺陷：它在第二阶段将个体层面的计算参数视为“真值”（true scores），忽略了从第一阶段估计过程中固有的测量误差和不确定性。这种未能将不确定性从行为模型传播到增长模型的做法，会导致推断偏差、降低统计效能，并导致估计的纵向轨迹可靠性较差。虽然联合模型此前已被用于提高重测信度和跨任务关联性，但在评估计算参数纵向变化方面的应用仍然有限。

方法论
作者提出了“计算增长建模”（Computational Growth Modeling, CGM）框架，该框架将计算行为模型与纵向增长模型整合进一个统一的分层贝叶斯联合模型中。

理论框架：
- 个体层面模型： 计算模型（例如强化学习）根据任务刺激 ( $C$ ) 和个体特定参数 ( $\theta$ ) 来刻画试次层面的行为 ( $Y$ )。
- 群体层面模型： 纵向增长模型刻画个体层面参数 ( $\theta$ ) 如何随时间 ( $T$ ) 变化以及如何在个体间变化。该模型被设定为一个线性增长模型，其中个体层面的截距 ( $\beta_{0i}$ ) 和斜率 ( $\beta_{1i}$ ) 从由群体层面均值 ( $\gamma$ )、方差和相关性定义的多元正态分布中抽取。
- 整合： 与两阶段法不同，CGM 同时估计计算参数和增长参数。这使得试次层面的参数估计不确定性能够为增长轨迹的估计提供信息，反之亦然。
模拟研究：
- 设计： 作者使用单参数 Rescorla-Wagner 强化学习模型，从一个双臂多臂老虎机任务（two-armed bandit task）中模拟生成了 900 个数据集。数据为 50 名“参与者”在三个阶段（sessions）的表现生成。
- 条件： 模拟改变了群体层面的斜率效应（无变化、适度减少、适度增加）以及截距-斜率的相关性。
- 比较： 将 CGM 方法与传统的两阶段法进行了比较。两种方法均使用 Stan 在分层贝叶斯框架下实现。
- 指标： 根据参数恢复情况（参数间的相关性）、平均绝对偏差（MAD，即真实值与估计值之间的偏差）以及 95% 覆盖概率（即 95% 最高密度区间包含真实参数的频率）来评估性能。
真实数据应用：
- 任务： 作者将 CGM 应用于成年人执行“玩或过”（play-or-pass）爱荷华赌博任务（IGT）的五个波次的纵向数据。
- 模型： 他们使用了结果表征学习（Outcome Representation Learning, ORL）模型，该模型包含四个参数：奖励学习率、惩罚学习率、胜/负频率敏感度以及反应偏差。
- 协变量： 他们拟合了两个模型：无条件增长模型（基线轨迹）和包含性别及终身焦虑、抑郁和物质使用障碍史等协变量的有条件增长模型。

核心结果

模拟研究发现：
- 参数恢复： CGM 方法在恢复个体层面增长参数（截距和斜率）方面显著优于两阶段法。两阶段法的截距恢复效果较差（相关性 $\le$ .51），而 CGM 的相关性 $\ge$ .59。
- 偏差与不确定性： 在学习率发生变化的条件下，两阶段法系统性地低估了截距和斜率的标准差，并且未能捕捉到真实的群体层面截距和斜率。
- 覆盖率： 两阶段法在增长参数上的 95% 覆盖概率表现很差（通常远低于目标 95%），这表明真实参数经常落在估计的置信区间之外。CGM 保持了更接近 95% 目标的覆盖概率。
- 学习率： 虽然两种方法在估计单个时间点的静态学习率方面表现良好，但 CGM 在提供这些速率随时间变化的估计方面具有更高的优越性。
真实数据发现：
- 无条件趋势： 在跨越三年的五个阶段中，奖励和惩罚学习率均有所下降，而胜/负频率敏感度和反应偏差则有所上升。
- 条件效应： 条件模型揭示了显著的个体差异。男性参与者表现出比女性更高的基线惩罚学习率。有抑郁史的个体表现出更高的基线胜/负频率敏感度，以及比无抑郁史者更剧烈的惩罚学习率下降趋势。

意义与主张
本文声称，与传统的两阶段法相比，计算增长建模为评估行为过程的纵向变化提供了一种更稳健且更准确的方法。

方法论进步： 通过整合计算模型与增长模型，CGM 能够妥善处理测量误差和不确定性，防止了将估计参数视为固定真值所带来的偏差。
改进的推断： 同时估计的框架产生了更好的参数恢复和更准确的置信区间（覆盖率），特别是对于作为纵向研究主要关注点的增长参数（斜率和截距）。
灵活性： 该框架具有高度灵活性，可以容纳各种计算模型（从简单到复杂），并能无缝集成协变量（如精神病理史、性别），以测试个体差异如何调节发育轨迹。
局限性说明： 作者指出，尽管 CGM 展现出潜力，但其计算强度较高，且需要定制化编程（例如在 Stan 中）。他们也承认，分层收缩（hierarchical shrinkage）虽然提高了可靠性，但也压缩了受试者间的变异性，这对于专注于个体生物体行为的研究者来说可能是一个需要考虑的因素。本文并非声称 CGM 是万能解决方案，而是将其呈现为针对涉及纵向计算建模的特定情境下的优选替代方案。

技术摘要：基于联合模型的计算增长建模

类似论文