Nature Neuroscience
自适应心智化背后的神经机制揭示动态策略调整的脑网络基础
小赛推荐：
该研究为研究社交认知障碍相关疾病（如自闭症谱系障碍）提供了可量化的神经计算模型和fMRI解码指标，有助于设计更生态有效的行为干预与治疗评估方案。
文献概述
本文《A neural signature of adaptive mentalization》，发表于《Nature Neuroscience》杂志，系统探讨了人类在动态社交互动中如何灵活调整对他人心理状态推断策略的神经计算机制。研究结合博弈实验、计算建模与fMRI技术，揭示了大脑如何实时更新对对手认知复杂性的信念，并识别出可预测个体适应性心智化能力的分布式神经活动模式。该成果突破了传统静态心智化研究的局限，为理解社交灵活性的神经基础提供了新视角。背景知识
社交互动依赖于心智化能力——即推断他人信念、意图和情绪的能力。在自闭症谱线障碍、精神分裂症等神经发育和精神疾病中，心智化功能受损是核心症状之一。尽管已有研究定位了“社会脑网络”（如TPJ、dmPFC、AI），但多数范式依赖静态任务（如错误信念任务），无法捕捉真实社交中对手策略的动态变化。这导致现有模型生态效度受限，难以解释个体在复杂互动中如何实时调整推理深度。本研究的切入点在于提出“自适应心智化”概念——即个体根据对手行为动态估计其认知复杂性（level-k）并相应调整自身推理层级。这一机制涉及对对手策略的持续信念更新，而非固定层级推理，从而更贴近真实社交场景。通过引入CHASE计算模型，作者实现了对这一高阶推理过程的量化追踪，解决了传统方法无法捕捉动态策略切换的瓶颈。
研究方法与核心实验
作者采用修改版石头-剪刀-布（RPS）博弈任务，在fMRI扫描环境下让参与者与人类或人工对手对战。人工对手由CHASE模型驱动，具备明确的推理层级（k=0,1,2），确保“真实”策略水平可控。行为层面通过九个子研究（n=553）验证模型有效性，并确认参与者无法区分人机对手，保障生态效度。在fMRI子样本（n=50）中，使用计算模型衍生的变量（如主观价值SV、动作预测误差APE、信念更新BU）作为一般线性模型（GLM）的回归因子，分析全脑活动模式。进一步采用多变量模式分析（MVPA）解码策略层级与信念更新强度，并在独立样本（n=47）中验证神经标记的泛化能力。关键结论与观点
研究意义与展望
该研究首次将“自适应心智化”操作化为可测量的神经计算过程，为精神疾病研究提供了新的量化工具。例如，在自闭症谱系障碍中，个体可能表现出γ参数降低或rTPJ连接减弱，可用于亚型分型与干预靶点定位。此外，所建立的神经解码模型可作为无创评估手段，应用于临床试验中监测治疗响应。
结语
本研究通过整合计算建模与神经影像，揭示了人类在社交互动中动态调整心智化策略的神经机制。其核心贡献在于提出并验证了“自适应心智化”的计算框架，识别出以rTPJ为中心的脑网络在追踪对手认知复杂性中的关键作用，并构建了可泛化的神经解码模型。这一成果不仅深化了对社交灵活性的理论理解，更为自闭症谱系障碍、精神分裂症等疾病的诊断与干预提供了客观、可量化的生物标记。未来研究可利用该框架探索不同疾病模型中自适应心智化的特异性缺陷，并结合神经反馈或非侵入性脑刺激技术进行靶向干预，推动从实验室机制到临床转化的闭环发展。该工作标志着从静态关联向动态机制解析的范式转变，为构建更生态有效的社交认知评估体系奠定了基石。
