意图影响公平处理:来自行为和事件相关电位信号表征相似性分析的证据
医学TOP SCI升级版 医学2区SCI基础版 医学2区IF 3.5 SWJTU A++抽象的
在最后通牒博弈中,响应者必须在追求自身利益和坚持公平之间做出选择,而这些选择会受到提议者意图的影响。然而,这一社会决策过程的时间进程尚不清楚。表征相似性分析 (RSA) 是一种将大脑活动与丰富的行为数据集联系起来的有用技术。在本研究中,脑电图 (EEG) 用于测量神经对具有不同意图的拟议分配方案的反应时间进程。28 名参与者作为响应者玩了最后通牒博弈。他们必须在接受或拒绝提议者的公平或不公平资金分配方案之间做出选择。这些方案是根据提议者的自私意图(金钱收益)、利他意图(捐赠给慈善机构)或模糊意图(响应者不知道)提供的。我们利用时空RSA和被试间RSA(IS-RSA)探讨了四类行为数据(接受、反应时间、公平性评分和愉悦性评分)在提议呈现和意图呈现后的事件相关电位(ERP)之间的联系。时空RSA结果显示,只有反应时间差异与提议呈现后432–592 ms后顶叶和前额叶区域的ERP差异有关。同时,IS-RSA结果发现个体间反应时间差异与模糊意图呈现后596–812 ms的ERP活动差异之间存在显著关联,尤其是在前额叶区域。本研究将基于意图的互惠模型扩展到第三方情境,并表明大脑活动可以代表社会决策中的反应时间差异。
1 引言
公平是人类社会行为和资源分配的基本原则,人们通常强烈倾向于平等(而非不平等)的资源分配(Kahneman 等人, 1986 年;Polezzi 等人, 2008 年)。公平性研究通常涉及经典的最后通牒博弈 (UG) 任务,其中一个玩家(提议者)在两个玩家之间分配一定金额,另一个玩家(响应者)可以选择接受提议者的提议或拒绝(Güth 等人, 1982 年)。响应者的拒绝意味着两个玩家都一无所获。因此,响应者的拒绝通常被认为反映了对不公平的厌恶(Güroğlu 等人, 2010 年)。先前的研究发现,不公平的待遇会引起提议者的负面情绪,他们会努力平衡自身利益和对不公平的厌恶(Gabay 等人, 2014 年)。一系列行为指标反映了多种心理过程。例如,响应者的拒绝行为被认为反映了对不公平的抵制(Falk 等人, 2003 年);响应时间 (RT) 捕捉了玩家在收益和公平分配之间挣扎时伴随的认知过程(Rubinstein, 2007 年),公平性评级反映了玩家对分配方案公平程度的感知(Knoch 等人, 2006 年),愉悦度评级与由提议引起的负面情绪体验相关(Aoki 等人, 2015 年)。这些行为指标反映了对不公平厌恶的不同方面,并且可以独立变化。例如,先前的研究发现,左背外侧前额叶皮质 (DLPFC) 的破坏降低了玩家拒绝其搭档不公平提议的比率,但不会影响他们对提议不公平性的感知(Knoch 等人, 2006 年)。
他人的意图对于某些社会决策至关重要,例如道德判断、司法决策和社会互动(Frith & Frith,1999;Buckholtz et al.,2008;Young et al.,2007),但研究人员对其对公平决策的影响意见不一。公平厌恶模型认为只有不公平分配的结果才会影响行为;然而,它并没有考虑意图(Bolton & Ockenfels, 2000;Fehr & Schmidt, 1999)。相反,基于意图的互惠模型表明意图在决策中起着重要作用。过去的研究表明,人们会以(不)善意的行为回报感知到的(不)善意意图(Falk & Fischbacher, 2006;Rabin, 1993)。因此,本研究的首要目标是从各个方面考察意图对人们不公平厌恶的影响。关于这一主题的文献主要集中在接受率上。此外,研究意图对直接互惠的影响的研究表明,与恶意意图相比,良好的意图不会给响应者带来更糟糕的结果(Güroğlu 等人, 2010 年;Ma 等人, 2015 年)。然而,在意图的价数与分配结果不匹配的情况下,玩家的反应很少得到研究。
在本研究中,我们考虑了一种经过调整的 UG 范式,其中提议者可以保留 UG 任务的资金或将其捐赠给慈善机构。我们记录了响应者对不同提议的接受率、RT、公平性评级和愉悦性评级。基于意图的互惠模型表明响应者的行为将取决于提议者的意图,而不公平厌恶模型表明响应者的行为将独立于提议者的意图。
除了测试这些预测之外,我们还评估了意图的模糊性如何影响玩家的决策过程。在大多数情况下,不可能完全确定他人的意图,而行为结果则更容易观察到。这可能导致“结果偏差”,即观察到不良结果的人倾向于认为行为者的决策质量低劣或存在程序错误(Mazzocco 等人, 2004 年)。一些研究表明,人们在估计意图时也可能存在结果偏差(Charness 和 Levine, 2007 年)。例如,当人们无法获得有关他人意图的完整信息时,他们可能更有可能将好的行为结果与良好意图联系起来,将负面后果与不良意图联系起来。我们在本研究中测试了这些假设。
事件相关电位 (ERP) 被广泛应用于研究不公平厌恶过程中大脑处理的时间进程。公平处理通常被认为与两个 ERP 成分相关:反馈相关负波 (FRN) 和 P3 (Ma 等, 2015 )。FRN 是一个负性成分,在反馈呈现后 250-350 毫秒出现在大脑前中部区域 (Miltner 等, 1997 )。它通常与奖励预测误差有关 (Holroyd & Coles, 2002;Sambrook & Goslin, 2015 )。P3 是一个正向偏转,在刺激呈现后 300-600 毫秒达到峰值,其幅度在中央-顶叶部位最大 (Luo 等, 2014 )。通常,研究人员通过计算组对不同类型反馈的平均反应之间的差异来比较这些 ERP 成分。虽然 ERP 成分可以揭示由各种形式的反馈引起的时间或幅度的条件变化的信息,但标准 ERP 成分依赖于某些电极和时间窗口的平均值,这些平均值由研究人员在不同研究中任意选择。此外,这些成分的功能意义仍然模糊不清,并且可能因实验特定因素而改变(Donchin 等人, 1978 年)。
不同于传统的 ERP 组件方法,表征相似性分析(RSA)是一种新的多变量模式分析方法,可用来计算不同刺激或实验条件下大脑中不同表征之间的相似性(Kriegeskorte et al., 2008)。RSA 的目标是识别能够可靠地区分刺激或实验条件的激活模式。如果神经激活模式的差异能够可靠地映射到刺激属性的差异或刺激引起的行为的差异,那么我们就可以推断这些时间或空间的神经模式支持对刺激属性的辨别或驱动相应的行为。与 fMRI 数据相比,头皮记录的 ERP 数据具有时间分辨率高、成本低的优势,对这些数据进行 RSA 分析可以揭示认知背后的快速神经动力学过程。虽然 RSA 方法非常适合社会神经科学研究(Popal et al., 2019),但其对该领域的 ERP 数据的用途仍然有限。最近,针对 ERP 数据的 RSA 方法已变得流行(He 等人, 2022 年;Hu 等人, 2022 年;Kiat 等人, 2022 年)。例如,Kiat 等人(2022 年)通过将 RSA 应用于自然场景的 ERP 响应,研究了大脑对显著性和高级基于意义的表征的时间过程。他们发现基于显著性的表征空间和 ERP 数据之间的联系首次出现的时间(约 80 毫秒)比基于重要性的表征空间中的联系(出现在约 100 毫秒)略早。RSA 既可用于单次试验 ERP 数据,也可用于平均 ERP 数据,但对不同条件下的 ERP 数据进行平均有助于提高 ERP 数据的信噪比。例如,He 等人(2022 年)进行了单次试验 RSA 分析,发现代表性相似性比平均数据弱得多。因此,在我们的研究中,RSA 应用于平均 ERP 波形而不是单次试验数据。
我们研究的第二个目标是使用 RSA 来研究与意图相关的公平决策过程的时间动态。因此,我们记录了 UG 中来自具有不同意图的提议者的提议的 ERP 活动。为了做出最终决定,响应者必须在考虑意图的同时考虑分配方案的公平性。通过这些 ERP 数据的 RSA,我们检查了 ERP 活动的表征是否与每个时间点的不同行为表征(接受率、RT、公平性评级和愉悦性评级)相关。如前所述,FRN 和 P3 成分与奖励分配方案的结果处理有关。FRN 可能反映与违反社会规范相关的预测误差以及最后通牒博弈中的相关负面情绪,例如不公平厌恶(Zheng 等, 2017);同时,P3 反映了决策任务中证据的积累(O'Connell 等, 2012)。基于这些研究,我们预测情绪评级表征和 ERP 表征之间的联系将在早期阶段(250-350 毫秒)出现,而 RT 和 ERP 数据之间的联系将在那之后(350-600 毫秒)变得明显。决策涉及对选项的评估,最终决策需要结合来自不同大脑区域和时间尺度的累积证据(Lin 等人, 2020 年;Pinto 等人, 2022 年)。因此,接受或拒绝某事的决定应该在证据积累之后进行。因此,我们预测接受和 ERP 数据之间的联系将在 RT 和 ERP 数据之间的联系之后(>350-600 毫秒)出现。
此外,将受试者间相关性(ISC;Hasson 等, 2004)和 RSA 方法相结合的受试者间 RSA(IS-RSA)使我们能够通过个体差异探索大脑活动和行为表现之间的联系。与强调不同实验刺激与 ERP 活动之间差异联系的一般 RSA 不同,IS-RSA 关注的是不同个体对相同刺激的反应差异是否对他们大脑活动的差异作出反应。被试对模糊刺激的反应存在很大的个体差异(Kim 等, 2022)。因此,在我们的实验中,我们关注不同被试在模糊意图方面的决策行为差异是否与提出者意图时 ERP 活动的差异有关。先前的研究表明,在实验刺激呈现后的较晚时间窗内(500至1000 ms),额叶和顶叶头皮区域的ERP活动反映了判断他人意图或信念的特定认知过程(Geangu等, 2013;Liu等, 2009;McCleery等, 2011),因此,我们预测ERP活动与行为的关联应该发生在晚于500 ms的时间窗内。
2 方法
2.1 参与者
深圳大学招募了 31 名神经和精神健康的志愿者。由于记录伪影过多,排除了 3 名参与者。分析了其余 28 名参与者(平均年龄 = 19.07 岁,标准差 = ±1.02 岁;11 名女性)的数据。所有参与者均为右利手,视力正常或矫正至正常,并签署了知情同意书。所有参与者均收到 50 元人民币(¥50)作为参与费用,以及本科期间获得的额外费用(0-10 元)。该实验经深圳大学医学伦理委员会批准。
2.2 实验步骤
参与者到达实验室后,被要求阅读实验说明。他们被要求与其他参与者一起玩 UG,其他参与者将在游戏中分配一定数量的钱(例如 10 元)。在我们修改后的 UG 版本中,受访者还被告知有关慈善项目的简要信息,包括其名称、主要目标、受益人及其活动示例。然后,受访者被告知,提议者可以决定将后续 UG 中收到的钱留给自己或捐赠给慈善机构。在第一种情况下,提议者在后续 UG 中收到的任何钱都将添加到他们的总收益中并由他们自己保留;否则,这笔钱也会交给提议者,但提议者必须将其捐赠给慈善机构。根据这些信息,提议者提出了一个资金分配方案(例如,提议者和受访者都从最初的 10 元中获得 5 元)。分配结果会向受访者透露,但意图(自己保留或捐赠给慈善机构)并不总是透露。响应者可以接受或拒绝提议;接受提议将导致提议者和响应者都获得他们提议获得的金额,而拒绝则会导致双方一无所获。所有参与者在 UG 中都充当响应者,并被告知他们的提议者的提议已在之前的实验中收集。为了排除性别对公平考虑的可能影响,提议者的性别未显示。
图 1显示,在每次试验中,首先显示提议者的身份证号码(持续时间:1500 毫秒),然后是空白屏幕(持续时间:1000-1200 毫秒)。接下来,屏幕上出现一个黄色的球来表示提议者的意图。字母“S”(表示“自我”)上方的框中的黄色球表示提议者选择保留自己的份额(自私意图条件)。字母“C”(表示“慈善”)上方的框中的黄色球表示提议者选择将自己的份额捐给慈善机构(利他意图条件)。两个框中间的黄色球表示响应者不知道提议者的选择(模糊意图条件)。在显示另一个空白屏幕(持续时间:1000-1200 毫秒)之后,向参与者显示提议者的资金分配方案。字母“Y”和“P”分别用于表示参与者和提议者。1000 毫秒后,提议下方会显示一个决策提示,参与者(响应者)可以选择按“F”键接受提议或按“J”键拒绝提议,不受任何时间限制。接受/拒绝决策与按“F/J”键之间的对应关系在受试者之间是平衡的。一旦参与者做出决定,提议者和响应者的支出就会呈现 1500 毫秒,然后试验结束。后续试验在 1000-1500 毫秒的间隔后开始。

本实验包括10次练习试验和300次正式试验,分为3个区块,总共持续~40分钟。它包括五种公平程度不同的提议(两个公平提议:6/4和5/5;两个不公平提议:9/1和2/8;一个填充提议:7/3)。先前的研究表明,如果初始报价低于10元中的3元,则被认为是不公平的,如果≥10元中的4元,则被认为是公平的,而10元中的3元很难归类为“公平”或“不公平”。因此,4/6被认为是公平报价,7/3通常被用作填充试验(Güth, 1995;Henrich等, 2006;Peterburs等, 2017)。在我们的研究中,我们遵循了这种设置。 6/4、5/5、9/1 和 2/8 的提议分别重复了 72 次,而 7/3 的补充提议重复了 12 次。提议者在三分之一的试验中选择将钱留给自己,在另外三分之一的试验中选择将其捐赠给慈善机构。在剩余的三分之一的试验中,提议者的选择是模棱两可的。因此,我们设计了一个三(意图:自私 vs. 利他 vs. 模棱两可)乘以二(提议公平性:公平 vs. 不公平)的设计,并有以下六种实验条件:自私 – 公平、利他 – 公平、模棱两可 – 公平、自私 – 不公平、利他 – 不公平和模棱两可 – 不公平。
参与者完成所有试验后,会随机抽取一个试验作为最终结果。参与者除了会得到 UG 提供的补助外,还会获得 50 元的基本费用。最后,参与者会用 7 点李克特量表对每个实验条件的愉悦度和公平度进行评分。(1 = 非常不公平,7 = 非常公平,或 1 = 非常不愉快,7 = 非常愉快)。
我们进行了双向重复测量方差分析 (ANOVA),以比较六种条件下的接受率、RT、公平性评级和愉悦性评级:3(意图:自私 vs. 利他 vs. 模棱两可)× 2(提供公平性:公平 vs. 不公平)。如果违反了 ANOVA 的球形度假设,则应用 Greenhouse-Geisser 校正。我们在事后分析中使用了 Bonferroni 校正。
2.3 脑电记录及数据预处理
脑电图 (EEG) 数据由 Brain Products System (Brain Products GmbH,慕尼黑,德国) 记录,采样率为 1000 Hz,通带为 0.01–100 Hz。64 个电极按照国际 10–20 系统排列。接地电极放置在 Fz 和 FPz 之间的内侧额线上。在线记录参考 FCz 乳突,离线记录参考左右乳突的平均值。垂直眼电图用位于右眼下方的一个电极记录。所有电极电阻均保持在 10 kΩ 以下。
使用 MATLAB (R2020b; MathWorks) 分析电生理信号。这些信号用 0.1–30 Hz 的带通滤波器滤波。为了校正眼电伪影,采用了独立成分分析程序 (Jung et al., 2001 )。EEG 被分割成 1200 毫秒的周期(提议开始前 200 毫秒和提议开始后 1000 毫秒),并通过减去平均刺激前信号(提议开始前 200–0 毫秒)进行基线校正。任何通道中超过 ±120 μV 的任何伪影都被移除。最后,分别对提议呈现的 EEG 时期进行平均,以达到自私–公平、利他–公平、模糊–公平、自私–不公平、利他–不公平和模糊–不公平的条件。
2.4 时空RSA
对于优惠展示的 ERP,我们使用了时空 RSA 来探索是否以及在什么时间点可以根据神经活动区分六种实验条件。首先,我们构建了神经表征相异矩阵 (RDM) 并将 EEG 信号下采样至 250 Hz。对于每个被试,我们通过噪声标准化程序降低噪声后提取平均 ERP 幅度 (Guggenmos et al., 2018 )。空间特征包括来自 60 个通道的头皮电压,时间特征则是利用 100 毫秒(25 个时间点)滑动窗口从历元 EEG 数据中选择的。滑动窗口的步长为一个时间点 (Lu et al., 2015 )。在每个通道中,从 25 个时间点提取一个数据向量作为中间时间点 ERP 活动的时空模式。然后,我们计算了每个通道和每个时间点 (t) 上所有可能的条件对(例如,自私_公平和自私_不公平、自私_公平和利他_公平等)之间的时空模式差异。为此,我们计算了向量之间的 (1-Spearman's r ) 值,然后为每个对创建每个通道和每个时间点的最终 6 × 6 神经 RDM。
在分析的下一步中,我们根据行为数据构建了 RDM。对于每个参与者,我们计算了所有可能条件对的接受率、RT、公平性评分和愉悦性评分的绝对差异,以创建四个 6 × 6 行为 RDM。所有行为数据在减法前均标准化为 Z 分数。然后比较神经和行为 RDM。省略了 RDM 的对角线和下三角部分(Ritchie 等人, 2017 年)。对于每个参与者,使用 Spearman 相关分析将四个行为 RDM 与每个时间点和每个通道的神经 RDM 进行定量比较。将相关系数转化为 Fisher Z分数以供进一步分析。
最后,我们评估了这四种行为模型,以推断哪一种模型可用于解释特定大脑表征中的大脑电活动。对于每位参与者,我们获得了每个通道的相似性时间序列,并将数据存储在矩阵中。作为基线组,我们生成了一个大小为(受试者×通道×时间点)的全零矩阵。使用非参数聚类置换检验来搜索相对于基线的神经和行为模式之间的显著相关性。该程序在 FieldTrip 工具箱(Oostenveld 等人, 2011 年)中应用如下:(1)通过相关样本t检验,将每个通道在每个时间点的Fisher Z分数与大小相等的基线组进行测试。(2)选择统计值超过阈值(p = .05)的时间点和通道,并根据空间和时间邻接性将其组合成时空聚类。 (3) 使用每个检测到的簇内的 t 值总和来构建簇级统计数据。 (4) 使用 10,000 个随机抽取样本来近似零假设下的簇级统计数据分布。 (5) 然后将未校正的t检验值与置换分布进行比较,任何超过单尾显着性阈值(p = .05)的簇均被视为显着。在至少三个通道中确定第一个和最后一个时间点的显着簇(Wang et al., 2020)。为了提高空间分辨率,选择了包含至少 15 个相邻时间点的通道。根据数据中的噪声程度计算噪声上限。噪声上限表示最佳模型的性能,由具有下限和上限的范围组成。对于上限,我们计算每个参与者的 RDM 与包括所有参与者的组平均 RDM 之间的相关性。下限估计计算每个参与者的 RDM 与组平均 RDM 之间的相关性,该组平均 RDM 包括排除参与者自己的数据后的所有其他参与者(Nili 等人, 2014 年)。
2.5 受试者间的 RSA
RSA 是使用为我们的研究编写的自定义脚本执行的。对于模糊意图呈现的 ERP,我们使用 IS-RSA 来探索模糊意图大脑活动的个体差异是否与行为表现的个体差异有关。首先,我们构建了神经表征相异矩阵 (RDM),并将 EEG 信号下采样至 250 Hz。对于每个参与者,我们在使用噪声标准化程序降低噪声后提取了模糊意图的平均 ERP(Guggenmos 等人, 2018 年)。首先使用移动窗口(窗口大小:20 毫秒;窗口中心以 1 个时间点为步长移动)将每个时间点的电压图重新定义为 5 点平均图(Cecere 等人, 2017 年)。接下来,我们分别计算每个时间点所有可能的成对参与者头皮分布之间的(1-Spearman's r),以生成 28×28 的主题相关矩阵,以估计每个时间点在模糊意图条件下大脑活动的个体差异的差异。
其次,我们根据行为数据构建 RDM。对于模糊意图条件,我们计算了所有可能的受试者对的接受率、RT、公平性评分和愉悦性评分的绝对差异,以创建四个 28 × 28 的行为 RDM。所有行为数据在减法前均已归一化为 Z 分数。然后使用 Spearman 相关性分析计算矩阵下三角在每个时间点的神经和行为 RDM 之间的相关性,并使用 Mantel 置换检验评估相关性的显著性水平(Mantel, 1967 年;Nummenmaa 等人, 2012 年)。相关系数被转化为 Fisher 的Z分数以供进一步分析。
最后,我们使用基于聚类的校正方法对多重比较进行了校正。选择显著性水平超过阈值(p < .05)的相邻时间点并将其合并为一个聚类。每个检测到的聚类内的 z 值总和用于构建聚类级统计数据。对于聚类中的每个时间点,我们在打乱两个矩阵之一中的观测顺序后重新计算神经 RDM 和行为 RDM 之间的 Spearman 相关系数(Fisher 的Z分数),然后对这些相关系数求和。此过程重复 10,000 次以生成相关聚类总和的零分布。然后,我们对这些值进行排序并确定 0.95 四分位数。接下来,我们根据聚类将此四分位数用作阈值,并将每个原始聚类的总和与此阈值进行比较;任何超过显著性阈值的聚类都被视为显著。然后,我们按照 Kiat 等人开发的留一法绘制了显著时间聚类的地形图。 (2022)。在IS-RSA中,RDM是由被试之间的个体差异构建的,没有针对每个被试单独的RDM。因此,计算噪声天花板的方法不适用于IS-RSA。
3 结果
3.1 行为结果
图 2a显示了六种条件下的平均接受率。3(意图)× 2(提供公平性)受试者内方差分析显示意图的主效应显著(F [2, 54] = 41.46,p < .001,η 2 = 0.60)。事后分析表明,利他意图的接受率(平均值 ± SE:0.91 ± 0.03)显著高于模糊意图(0.67 ± 0.04;p < .001)或自私意图(0.54 ± 0.04;p < .001)。此外,模糊意图的接受率显著高于自私意图(p < .001)。要约公平性具有显著的主效应(F [1, 27] = 89.60, p < .001, η2 = 0.77),公平要约的接受率(0.94 ± 0.02)显著高于不公平要约的接受率(0.47 ± 0.05)。意图和公平性之间存在显著的交互作用(F [2, 54] = 39.92, p < .001, η2 = 0.60)。简单效应分析表明,意图对不公平条件有显著影响(所有p < .001)。利他意图的 接受率显著高于其他两种意图,模糊意图的接受率也显著高于自私意图。然而,在公平条件下并非如此(所有p > .08)。

图 2b显示了六种条件下的平均 RT。RT 的方差分析显示意图的主效应显著 ( F [2, 54] = 5.264, p < .01, η 2 = 0.16)。事后分析表明,模糊意图 (1013 ± 66 毫秒) 的 RT 高于利他意图 (895 ± 39 毫秒;p = .083) 和自私意图 (886 ± 42 毫秒;p = .063),差异略显显著。利他意图和自私意图之间的 RT 差异不显著 ( p = 1.00)。提议公平性对 RT 有显著的主效应 ( F [1, 27] = 9.20, p < .01, η 2 = 0.25)。不公平条件下的 RT(991 ± 50 毫秒)明显长于公平条件下的 RT(871 ± 46 毫秒)。此外,意图和公平之间的相互作用并不显著(F [2, 54] = 0.45,p = .64,η2 = 0.02)。
对于公平性评分,双向重复测量方差分析显示,两种意图(F [2, 54] = 51.46,p < .001,η 2 = 0.66)和提议公平性(F [1, 27] = 125.68,p < .001,η 2 = 0.82)的主效应显著。事后比较表明,利他意图(5.50 ± 0.20)的公平性评分显著高于模糊意图(4.05 ± 0.15;p < .001)或自私意图(3.62 ± 0.15;p < .001),模糊意图和自私意图之间的公平性评分存在略微显著的差异(p = .052)。参与者对公平提议的公平性评分(5.79 ± 0.18)高于对不公平提议的公平性评分(2.99 ± 0.18)。意图和提议公平性之间的相互作用也很明显(F [2, 54] = 31.92,p < .001,η 2 = 0.54)。简单效应分析表明,当提议公平时,利他意图的公平性评分明显高于自私或模糊意图(两者均为p < .01),而自私和模糊意图之间的公平性评分差异不显著(p = 1.00)。相反,当提议不公平时,利他意图的公平性评分明显高于自私或模糊意图(两者均为p < .01)。此外,当报价不公平时,模糊意图的公平性评级(2.46±0.21)高于自私意图的公平性评级(1.71±0.15)(图 2c)。
对于愉悦度评分,双向重复测量方差分析显示,两种意图(F [2, 54] = 46.04,p < .001,η 2 = 0.63)和公平性(F [1, 27] = 84.66,p < .001,η 2 = 0.76)的主效应显著。事后比较表明,利他意图(5.36 ± 0.20)的愉悦度评分显著高于模糊意图(3.85 ± 0.16;p < .001)或自私意图(3.48 ± 0.18;p < .001)。模糊意图和自私意图之间的愉悦度评分差异略有显著(p = .054)。参与者对公平提议的愉悦度评分(5.54 ± 0.22)高于对不公平提议的愉悦度评分(2.92 ± 0.18)。意图和公平性之间存在显著的交互作用(F [2, 54] = 27.79,p < .001,η 2 = 0.48)。简单效应分析表明,当提议公平时,利他意图的公平性评分显著高于自私或模糊意图(两者均为p < .01),尽管自私和模糊意图之间的差异并不显著(p = 1.00)。然而,当提议不公平时,利他意图的愉悦度评分显著高于自私或模糊意图(两者均为p < .01)。此外,当报价不公平时,模糊意图的愉悦度评分(2.34±0.21)高于自私意图的愉悦度评分(1.79±0.17)(图 2d)。
3.2 意向倾向

3.3 ERP 波形
图 4a分别显示了中线电极位置处六种实验条件平均值的总平均 ERP 波形。基于之前对 FRN 和 P3 的 ERP 研究(Ma 等, 2015;Polezzi 等, 2008)以及对 ERP 波形的目视检查,我们测量了 250–350 毫秒和 350–550 毫秒时间窗内的 FRN 和 P3 成分。由于传统的 ERP 分析不是本研究的重点,因此结果报告在数据 S1中。

3.4 RSA 结果
图 5a显示了根据行为数据构建的RDM。RSA结果显示,ERP数据与RT显著相关(图 5b,刺激开始后432–592 ms),峰值出现在刺激开始后528 ms(Fisher Z:0.08)。排列检验中显著超过机会水平阈值的通道在早期主要位于后顶叶区域,在后期扩散到前额叶头皮(图 5c)。噪声天花板分析显示,仅RT_RDM达到了噪声天花板。RT在432–592 ms表现出较高的神经相关性,并且比其他类型的行为数据提供了更高的解释水平(图 5d)。

3.5 受试者间 RSA 结果
图 6a示出了根据模糊意图下的行为数据构建的被试间RDM。IS-RSA结果显示,ERP数据与RT之间存在显著相关性(图 6b;意图开始后596–812 ms),峰值在608 ms(Fisher Z:0.24)。如图 6c所示,地形图的结果显示,前额叶区域的电极位置对ERP数据与行为数据之间的相似性有较大的影响,尤其是在左侧前额叶区域。另外,为了验证模糊意图条件下被试的RT是否存在较大的行为差异,我们计算了三种意图条件的整体RT相异性。我们首先计算每对被试之间的平均RT距离。获得每对被试之间的距离之后,就得到了两两(28×28)的被试间行为相异性矩阵。然后我们计算了三种离散意图的个体间平均差异度,以检验整体差异度。结果发现,模糊条件下的个体间差异度(376 毫秒)大于自私意图(240 毫秒)或利他意图(262 毫秒),这表明模糊条件下个体间差异相对较大。

4 讨论
在本研究中,我们探索了个体如何回应来自不同意图的他人的提议,并评估了 UG 中的社会决策时间过程。行为结果表明,利他意图的不公平提议具有最高的 AR、公平性评级和愉悦性评级。意图不明确的不公平提议的接受率中等,而意图自私的不公平提议的接受率最低。然而,意图不明确的不公平提议的 RT 最长。ERP 数据的 RSA 表明,提议呈现后约 430-590 毫秒的 ERP 活动与参与者的 RT 显着相关。
我们的行为分析表明,间接互惠意图对被试的不公平厌恶有影响。利他意图不仅增加了不公平提议的接受率,而且改变了个体对公平的感知和对不公平提议的情感体验。先前的研究表明,与恶意的意图相比,人们更容易因为直接互惠而接受不公平的提议(Falk et al., 2008;Ma et al., 2015)。我们的研究结果显示,当被试观察到提议者的自私行为(将钱留给自己)时,他们更有可能拒绝不公平的方案。然而,当他们观察到提议者的利他行为(将自己分得的钱捐给慈善机构帮助他人)时,他们更有可能接受同样的不公平提议,即使他们只收到了少量的钱。这表明,善意可以降低个体对不公平待遇的抵制。这一发现与基于意图的互惠模型的预测一致。利他行为可以传递友善和慷慨的信号(Cronk, 2005;Smith & Bliege Bird, 2005),即使利他意图对自己没有好处,人们也会奖励利他意图。这些发现证实了意图对公平和决策的深远影响。它们也与公平处理的基于意图的互惠模型产生共鸣,该模型表明人们奖励友好行为并惩罚不友好行为(Falk & Fischbacher, 2006;Guala, 2012)。
行为结果还显示,对于不公平提议,模糊意图的接受率、公平性评分和愉悦性评分介于自私意图和利他意图之间。此外,模糊意图的 RT 比其他两种意图的 RT 更长。我们的研究结果似乎不支持意图推断中存在结果偏差的观点,因为模糊意图的不公平提议的接受率明显高于自私意图的不公平提议。这与 Friedrichsen 等人 ( 2022 ) 的结果一致,他们也没有发现互惠决策中存在结果偏差的证据。我们进一步根据接受率计算了每个参与者对不公平提议的意图倾向。结果表明,一些参与者倾向于像对待利他意图一样对待模糊意图,而另一些参与者倾向于像对待自私意图一样对待模糊意图(结果偏差)。大部分被试表现出明显的倾向性,说明模糊信息条件下的决策存在较大的个体差异。既往研究发现,影响模糊信息决策的因素包括个体的能力,如知识、经验、技能成分(Kahneman & Tversky, 1996),控制力(Goodie, 2003),以及焦虑水平(Gu et al., 2010)。这可能表明结果偏差在有意推理过程中的影响并不明显,且与个人特质更相关。此外,模糊意图的反应时间比其他两种意图更长。既往研究表明,被试在积累证据时比在获得明确信息时需要更长的时间做出反应(Maksimenko et al., 2021)。模糊意图提供的信息不足,使决策过程更加复杂,耗时。
RSA 结果揭示了 ERP 数据与行为数据之间的显著联系。在 UG 中,个人进行价值权衡以最大化自己的利益,同时也控制由不平等的奖励分配引起的负面情绪(Li et al., 2020)。这项研究还考虑了提议者的意图。行为数据可能指向个体神经处理的各个方面。例如,个体对不公平提议的情绪反应可能反映在他们对公平和愉悦的评价中。研究人员以前无法完全识别和描述特定 ERP 成分揭示的心理过程。我们发现只有 RT 数据与 EEG 数据紧密相关。RT 是一种传统的行为指标,我们的长期目标是将其与决策过程本身联系起来。RT 通常与任务难度和信心评级有关(Baranski & Petrusic, 1998 ; Bell et al., 1982)。近期,它也被用来描述决策过程中的证据积累过程(Milosavljevic 等, 2010;Ratcliff 和 Smith, 2004;Usher 和 McClelland, 2001)。这是首次有研究报告证据表明意图和公平性的证据积累过程发生在刺激开始后 432–592 毫秒内。正如所预测的,这个时间窗口接近 P3 成分(350–550 毫秒)。这与之前关于这个主题的研究一致。Philiastides 等(2006)发现证据积累过程在视觉感知过程后约 300 毫秒开始,并且加工时间取决于证据的强度。Mostert 等(2010)发现证据积累过程在视觉感知过程后约 300 毫秒开始,并且加工时间取决于证据的强度。 (2015)研究发现,人们的决策感觉加工发生在刺激出现后的 130–320 毫秒内,但决策的证据积累需要更长的时间。一些研究也表明,传统 P3 时间窗内的 ERP 活动对信息积累有反应( Darriba & Waszak, 2018; Kelly & O'Connell, 2013; O'Connell et al., 2012)。这些发现表明,被试可能结合多种信息(如公平性、意图和金额等)来做出决策,并且 ERP 活动反映了在特定时间段内(~432–592 毫秒)做出最终决策之前的这一证据积累过程。这表明,不同提议引起的该时间窗内的 ERP 活动差异可能反映的是证据积累过程的差异,而非其他心理过程(如情绪唤起)。
空间分析表明,证据积累过程主要发生在后顶叶和前额叶区域。多项研究表明,这些区域的活动与知觉决策的证据积累密切相关(FitzGerald 等人, 2015 年;Liu & Pleskac, 2011 年)。Pereira 等人(2021 年)记录了被试后顶叶皮层的单神经元活动,并提出这些神经元负责证据积累。此外,Lin 等人(2020 年)认为,价值计算的证据随时间积累在 DLPFC 中得到体现。我们的研究结果表明,后顶叶和前额叶区域也与社会决策过程中神经证据的积累有关。然而,由于头皮电位的弥散和宏观特性,关于活动起源的推断应被视为推测。
有趣的是,IS-RSA 结果还表明,在意图信息引发的 596–812 ms 内,受试者的 ERP 活动差异越大,决策时间的差异也越大。准确理解他人的意图对于有效的社会互动至关重要。先前的研究表明,在实验刺激呈现后的较晚时间窗内(500–1000 ms),额叶和顶叶头皮区域的 ERP 活动反映了判断他人意图或信念的特定认知过程(Geangu 等, 2013;Liu 等, 2009;McCleery 等, 2011)。McCleery 等(2011)提出 600 和 800 ms 之间的 ERP 活动差异可能反映了对意图的抑制控制执行过程的差异性调用。本研究结果提供了新的证据,表明596到812毫秒之间的前额叶脑活动在意图加工中起着重要作用,并且此阶段的ERP活动可以预测后续的决策时间。先前的研究发现,额叶皮层区域比顶叶区域在更长的时间窗内整合输入信息,而前额叶区域的失活使得大鼠只能根据最后几百毫秒积累的证据做出决策(Erlich et al., 2015)。在我们的实验中,被试首先感知提议者的意图,并结合后续分配方案的公平性做出最终决定。因此,额叶区域后期的ERP活动可能反映了意图信息的积累和储存,这些信息可以在之后用于决策。
本研究报告首次尝试使用基于 ERP 的 RSA 探索公平相关决策过程。我们的研究提供了几个贡献。首先,我们的数据支持基于意图的互惠模型,而不是不平等模型的预测。在以前的基于意图的决策研究中,研究人员倾向于关注个人对受到敌意或善意对待的行为反应。我们的研究将基于意图的互惠模型扩展到第三方视角,发现当人们观察到某人对第三方个体表现出善意时,他们也会对那个友好的人表现出更多的善意。这也反映了利他行为的声誉效应,其中利他意图使个人在群体中获得良好声誉,从而带来即时或潜在的未来回报。其次,我们使用时空 RSA 和 IS-RSA 方法将意图呈现和提议呈现后的大脑活动与响应时间相关联,这表明了社会决策中证据积累的时间过程。我们的研究结果可以启发研究人员对 EEG 数据进行广泛的 RSA,以更深入地理解人类社会行为背后的大脑过程。
5 结论
本研究分析了意图对不公平厌恶的影响,并表明人们的行为和情绪会因意图而改变。与自私和模糊意图相比,利他意图降低了参与者的不公平厌恶,导致更高的接受率,甚至对不公平的分配方案也产生了更高的公平感和愉悦感。对模糊意图的反应也存在一些个体差异。重要的是,RSA 表明,意图信息引发的 596-812 毫秒的 ERP 活动和提议呈现后 430-590 毫秒的 ERP 活动代表了反应时间差异,这可能反映了社会决策前的证据积累过程。
作者贡献
徐强:概念化;软件;调查;形式分析;可视化;写作 - 原稿。胡嘉丽:调查;可视化;写作 - 原稿。秦毅:软件;调查;写作 - 原稿。李国杰:形式分析;可视化;写作 - 审查和编辑。张旭凯:形式分析;写作 - 审查和编辑。李鹏:概念化;形式分析;监督;资金获取;写作 - 审查和编辑。
致谢
我们感谢编辑和三位匿名评论者的有益评论。
利益冲突声明
作者声明没有利益冲突。