Nature Neuroscience
人类信息采样决策中基于相对证据的信息对称性机制研究

小赛推荐：

该研究揭示了人类在信息采样过程中依赖相对证据而非绝对不确定性的认知原则，为神经决策机制研究提供了新的理论框架，有助于优化行为实验设计与计算建模策略。

 

文献概述

本文《Interpretable abstractions of artificial neural networks predict behavior and neural activity during human information gathering》，发表于《Nature Neuroscience》杂志，系统探讨了人类在决策过程中如何评估信息价值的计算机制。作者结合人工神经网络与符号回归方法，构建了一个兼具表达力与可解释性的混合模型，揭示了人类倾向于追求跨选项间的信息对称性，而非单纯减少单个选项的不确定性。该发现不仅超越了传统的不确定性驱动探索模型，还在独立数据集中得到验证。同时，通过7T fMRI技术，研究进一步识别了腹侧被盖区（VTA）、前扣带回皮层（ACC）和前脑岛（AI）在信息价值计算中的特异性神经表征。

背景知识

当前对决策行为的研究长期受限于传统模型对信息价值（VoI）的简化假设，例如线性或上置信界（UCB）模型均以单个选项的不确定性为核心驱动因素。然而，这些模型难以捕捉人类在多选项间动态切换注意力的复杂策略。尤其在不确定性处理中，尽管去甲肾上腺素、多巴胺和5-HT等神经调质系统被广泛假设参与不确定性编码，但其具体功能仍存在争议。本研究的切入点在于提出一种数据驱动但可解释的建模范式——通过人工神经网络（ANN）学习复杂的采样策略，并利用符号回归将其转化为人类可理解的数学表达。这一方法突破了传统模型空间的限制，识别出“信息对称性”作为核心心理原则，即个体更倾向于在知识状态相近的选项间平衡采样，而非优先探索最不确定的选项。这一发现挑战了现有探索-利用困境理论，并为认知控制与注意力分配机制提供了新的计算解释。

 

针对阿尔茨海默病、脊髓性肌萎缩、视网膜色素变性等罕见病，可提供HUGO-GT®全基因组人源化模型，搭载了更高效的大片段载体融合技术，可以作为万能模板进行针对性的突变定制服务，是更贴近真实世界生物机制的药物临床前研究模型，我们期待与你共同开发新型全基因组人源化小鼠，加速基因治疗研究

了解更多

 

研究方法与核心实验

研究采用了一种新颖的信息采样任务，结合高场强（7T）fMRI与计算建模。被试在屏幕上面对两个点阵选项，通过悬停逐步揭示红/黑点的颜色，以判断哪个选项包含更多红点。任务设计巧妙地区分了初始不确定性（绿色覆盖点数）与后续采样过程，并引入了不可选的第三选项以检验背景不确定性的影响。行为数据被用于训练一个混合ANN模型，该模型将当前采样状态（如已揭示点数、注意力位置）映射为四个动作（继续采样当前、切换采样目标、选择当前、选择另一）的价值。随后，符号回归被应用于ANN的输出，提取出可解释的数学函数形式。

关键实验包括跨模型比较（线性、UCB、ANN、符号模型），使用交叉验证评估对行为的预测能力。同时，利用7T fMRI以1mm各向同性分辨率采集脑活动信号，重点覆盖中脑与脑干的五个神经调质核团（VTA、SN、DRN、LC、VSN）及两个皮层区域（ACC、AI）。通过GLM分析，比较不同VoI模型对BOLD信号的解释力，识别与信息价值相关的神经活动模式。

关键结论与观点

• 人类信息采样行为并非由单个选项的绝对不确定性驱动，而是依赖于选项间相对证据的平衡，即“信息对称性”原则。这一发现提示未来实验方向应关注跨选项的动态比较过程，而非孤立评估单个选项的不确定性。
• 混合ANN模型显著优于传统线性与UCB模型，且其提取的符号函数（如β₁ + exp(−|β₂|Nₐ/Nᵤ)）在独立的双臂老虎机任务中仍表现更优，表明该机制具有跨任务泛化能力。这为认知建模提供了新的标准函数形式。
• 7T fMRI结果显示，VTA活动编码了信息采样与选择价值的对立信号，可能起到“仲裁者”作用，决定是继续采样还是做出选择。这一发现强调VTA在决策动态转换中的核心地位，建议未来研究在神经调控实验中靶向该区域以验证其因果作用。
• ACC和AI的活动显著跟踪由ANN推导的信息价值信号，表明这两个皮层区域参与了高级信息整合与价值计算。这提示在疾病建模中，如焦虑症或强迫症，这些区域的功能异常可能导致信息采样失调。

研究意义与展望

该研究为理解人类探索行为提供了全新的计算视角，其提出的“信息对称性”原则可能成为未来药物开发中针对病理性信息寻求行为（如强迫性检查）的干预靶点。通过揭示VTA、ACC和AI在信息价值计算中的特异性角色，研究为临床生物标志物的识别提供了理论依据，可用于临床监测精神疾病患者的决策功能缺陷。

此外，该方法学框架——结合深度学习与符号回归——为其他复杂认知过程的建模提供了范例。未来研究可将此方法应用于神经退行性疾病或精神分裂症患者，以量化其信息采样策略的偏差，推动个性化疾病建模与治疗策略制定。

 

专业的眼科药效学分析平台可提供从眼部注射给药、眼部活体检测、眼部组织取材、病理学分析和基因与蛋白表达分子检测等全流程的眼科药效学分析服务

了解更多

 

结语

本研究通过创新性地结合人工神经网络与符号回归，揭示了人类信息采样决策的核心机制——信息对称性原则，即个体优先采样那些与已知选项知识状态相近的选项，而非最不确定的选项。这一发现不仅更新了我们对探索行为的认知模型，也通过高分辨率fMRI识别了VTA、ACC和AI在信息价值计算中的特异性神经表征。从实验室到临床，该成果为理解正常与病理性信息处理提供了坚实的理论基础。尤其在精神疾病领域，如强迫症或注意力缺陷，该机制可能解释患者过度采样或注意力僵化的行为表现。未来，基于此计算原则的干预策略或神经反馈训练，有望改善患者的决策功能，成为精准医疗体系中的重要组成部分。同时，该研究展示了数据驱动建模与神经成像结合的强大潜力，为神经科学向机制性理解迈进树立了新标杆。

 

Simone D’Ambrogio, Jan Grohn, Nima Khalighinejad, Laurence Hunt, and Matthew F S Rushworth. Interpretable abstractions of artificial neural networks predict behavior and neural activity during human information gathering. Nature Neuroscience.