>健康>>正文

大脑也会“偏心”?

原标题:大脑也会“偏心”?

我们人类也许不是按照最优方案设计的,但我们擅长于在现有条件下做到最优。

作者|宋二十 Cohen

审稿|呆苏克

来源|脑人言

当我们做各种抉择时,通常都需要对事物的量进行比较,但大脑中是怎样处理并比较数量大小的呢?当前研究表明,在大脑处理与数字相关的任务时,并不是所有的数字都会被“平等看待”。

纵观历史,人们在相互矛盾的选择中做出的决定常常涉及数量的比较,比如:哪片森林浆果更多,走哪条路矛盾冲突更少,哪家商店打折力度更大等这类问题,尽管超大内存的计算机能大概地算出各种情况发生的平均值,但人类大脑因为内存不足,迫不得已要找其他方法。在Bernhard Spitzer发表在Nature Human Behaviour上的一系列的研究中,他们要求试验者判断两组数中,哪组平均值更[1],这为研究人们比较数值大小的策略提供了新视角。

在心理学中,研究数字及其大小的心理表征有着悠久的历史,比如著名的爱荷华博弈任务(lowa gambling task)[2]。在这项任务中,测试者每人有2000美金的筹码,在不清楚纸牌的奖惩规则的前提下,被要求从任意4副纸牌中选择一张,以达到多次选择之后尽可能多赢的结果。这4副纸牌分为—纸牌A,B,C和D:

纸牌A每次给100美金的奖励,但连续选择10次中会有5次35-150美元的惩罚。

纸牌B每次给100美金的奖励,但连续选择10次中会有1次1250美金的惩罚。

纸牌C每次给50美金的奖励,但连续选择10次中会有5次25-75美金的惩罚。

纸牌D每次给50美金的奖励,但连续选择10次中会有1次250美金的惩罚。

从长远来看,纸牌A和B的及时回报比较丰富,但潜在的风险也较大,为不利纸牌。纸牌C和D则相反,为有利纸牌。

测试者分为正常人和选择性脑损伤的患者,在没遇到任何损失之前,所有的测试者优先考虑纸牌A和B,这个时期被称为惩罚前期(pre-punishment)。当选择纸牌A和B给测试者带来少量损失时(通常到第10张牌),正常的测试者开始对纸牌A和B产生一种预期的皮肤传导反应(skin conductive response,SCR)。但参与者并没有线索来推测纸牌的好坏,这个时期为预感前期(pre-lunch)。等到了大约第50张牌时,所有正常的测试者开始表现出某种“预感”。由于纸牌A和B的损失的风险较大,因此每当他们选择纸牌A和B时,都会产生预期的SCR,这个时期为预感期(hunch)。然而在这一时期,几乎没有患者产生预期的SCR或表现出“预感”。到了第80张牌左右,大多数正常的参与者都明确知道了从长远来看:纸牌A和B有着坏的回报,而纸牌C和D有着好的回报,从而倾向于选择纸牌C和D,我们称这个时期为感知期(conceptual)。

爱荷华博弈任务的结果表明:当测试者参与游戏时,对数量的概念认知以及数量在我们内心实际的“衡量”都起到了作用。如图一所示,当患有前额叶脑损伤的患者达到了conceptual时期时,他们即使可以正确描述哪些是好或坏的牌组,但仍然会选择坏的牌组。从此可见,数量对于患者也许只是一个概念,在心理表征却没有赋予真实的重量。这说明了虽然有着有待选择选项的收益与损失的数量比较,但是这些信息并不能保证行动的实施。

图1.正常被试与病人对不同时期好牌、坏牌的预期皮肤传导反应(SCR)及选择的数量。

上面主要描述的是抽象意义上的数量比较与我们行为抉择的关系,而直接研究数量比较的一种常用方法是心理数轴[3](mental number line),它是指我们对数字和数量大小的心理表征,不一定与数学上的数轴相一致。在两种数轴的比较中,很容易观察到数轴的一个典型扭曲现象:在桌子上划两个标记,彼此相距两英尺远,假设左标记代表着数字1,右标记代表着数字10(迅速做出反应),数字5的位置在哪?大多数人将会指出靠近中间的位置;如果左标记代表一千,右标记为十亿(迅速反应),一百万的位置在哪?大部分人会凭借直觉选择一个中间或者中间稍微靠左一点的位置—直到仔细思考后,他们才会意识到一百万在这条数轴的极其靠左的位置。

在2008年发表的一系列研究表明:西方先进文明的个体倾向于认为小的数字在心理表征中呈线性变化,而大数则呈对数改变,而亚马逊部落成员不管数字多大,总是以对数变化的形式来衡量。这种差异也许是由于数值在文化与教育的重要性不同而导致的。通过对比较少受过正规教育的亚马逊部落成员和受过教育的西方成人,发现对于数字最初的直觉是呈现对数变化的。这种模式与心理学中的韦伯—费希纳定律一致,它阐述了心理量和物理量之间的关系:韦伯发现同一刺激差别量必须达到一定比例,才能引起差别感觉,费希纳进一步把最小可觉差(连续的差别阈限)作为感觉量的单位,即每增加一个差别阈限,心理量增加一个单位,即物理量成几何级数增长,而心理量成算术级数增长。这一经验公式被称为韦伯—费希纳定律,适用于中等强度的刺激[4]。Spitzer和同事们的研究表明,事情也许不会这么简单。

图2. 对数曲线与韦伯—费希纳定律。韦伯定律是寻找最小可觉差与刺激强度的关系,比如你手里拿一个重量为10g的物体,若增加1g能让你恰好感觉到它的重量产生了变化,如果手里拿一个重量为100g的物体,则需要增加其重量10g才能让你恰好感觉到重量发生了变化;而费希纳寻找刺激变化量与主观感觉变化量的关系,换言之,你左手拿11g物体右手拿10g物体,你感觉左手比右手重一些,你左手拿110g物体右手拿100g物体,感觉左手比右手重一些,这两个”一些“的程度是一样的。

在Spitzer的研究中,参与者观察一些范围从1到6的数字,这些数字根据颜色(比方说,绿或红)而分为两个类别。在一系列数字呈现后,参与者要求判断这两类中哪个平均值更高。如果是一个完美的观察者(比如计算机)在该过程中,将会在后面数字出现之前及时更新平均值的计算,最终做出正确的判断。但是,对于人类来说这样做是极其困难的。

利用计算机模型,Spitzer等人证明了人类处理数字1到6是不同的。首先,人们对“极端值”有着更大的反应,比方说1和6。这些在数轴边界上的数字对于判断哪类数组有更大平均值的影响较大—Spitzer等人称其为抗压缩性(anti-compression);其次,人们一致表现出对大数值的偏向(5和6)。这种偏向和抗压缩效应可以在脑电图记录(EEG)表现出来:对于大数,神经元反应更为显著,这意味着在处理中更重要。相比于对两个较小数字(如2和3)间的加工,两个大数间(如5和6)的加工模式也更不同,即当神经系统将数字编码成神经数据时,相邻的两个大数间会产生更大的神经数据间隔,这看起来与韦伯—费希纳定律所描述对数规律相反,并且不管数字以什么方式呈现(纸上写的阿拉伯数字、用点表示的数字或口头说的数字),都能观察到这些模式。

起初,这似乎是我们人类不完美的一个例子。但Spitzer等人表明抗压缩效应,即对异常值“看得过重”,在充满混杂或条件不理想的情境下,实际上准确性反而是最好的。并且在有更多复杂变量的任务中,我们往往通过加大对于异常值看重以产生更好的方式方法。例如,人类的记忆不像电脑那样,我们对数据流会进行一种“扭曲整合”,如对于异常值给予更多的权重,这对我们不完美的记忆系统反而是一种更好的策略,换句话说,考虑到我们记忆系统的本身限制,这的确是大脑机器给出的最佳策略。

在几十年前,物理学家Philip Anderson创造了短语“复杂则变”(more is different)来总结他的观点:当系统变得日益复杂时,需要新的定律与规则来应对[5]。

在这篇1972年的论文中,Anderson指出了对基本物理理论的误解,如量子力学是“万物的理论”。整体上说,虽然这些理论的确解释了整个宇宙的活动,但是粒子的集体行为或元素在一个复杂系统往往服从涌现的物理法则,如气体的状态方程,并不能轻易地从底层的微观理论中推导出来(在某些情况下根本不能推导出来)。换句话说,在宇宙的现象学中的物理定律有许多层次,只在其中某一个层次是由量子力学这样的基本理论所描述的。要理解其他层次,就需要新的理论。

Spitzer等人的发现则在神经科学领域提供了一个适当的类比:在近现代日益复杂的文明发展中,大脑要处理的数据越来越多,我们对于数值比较的认知过程由最初的简单直觉到逐渐产生新的适应。这一发现为以后的研究提出了一系列激动人心的问题:基于干扰信息的最优整合策略是在成长过程中学到的,还是先天特征呢[6]?跨文化是否会导致策略有所不同呢?无论如何,这项研究的结论很明显:我们人类也许不是按照最优方案设计的,但我们擅长于在现有条件下做到最优。

参考文献

1.Spitzer,B.,Waschke,L.&Summer eld,C.Nat.Hum.Behav.1,0145(2017).

2.Bechara,A.,Damasio,H.,Tranel,D.&Damasio,A.R.Science 275,1293–1295(1997).

3.Dehaene,S.,Izard,V.,Spelke,E.&Pica,P.Science 320,1217–1220(2008).

4.Dehaene,S.Trends Cogn.Sci.7,145–147(2003).

5.Anderson,P.W.Science 177,393–396(1972).6.Núñez,R.E.J.Cross Cult.Psychol.42,651–668(2011).

6.Núñez,R.E.J.Cross Cult.Psychol.42,651–668(2011).

征 稿返回搜狐,查看更多

责任编辑:

声明:本文由入驻搜狐号的作者撰写,除搜狐官方账号外,观点仅代表作者本人,不代表搜狐立场。
阅读 ()
投诉
免费获取
今日推荐