价值精炼框架下的选择诱导偏好改变

Choice-Induced Preference Change under the Value Refinement Framework

https://www.biorxiv.org/content/10.1101/2022.07.15.500254v3.full.pdf

本文《价值精炼框架下的选择诱导偏好改变》（Choice-Induced Preference Change under the Value Refinement Framework）旨在解决传统决策模型无法解释“选择诱导偏好改变”这一经典心理学现象的问题。以下是本文的重点概述：

1. 研究背景与核心问题

  • 现象：决策研究中存在一个稳健的现象，称为选择诱导的偏好改变（Choice-Induced Preference Change）备选方案扩散（Spreading of Alternatives, SoA）。即决策者在做出选择后，倾向于提高对所选选项的评分，同时降低对被拒选项的评分。
  • 传统模型的局限：传统的序贯抽样模型（如漂移扩散模型 DDM）虽然在解释准确性、反应时（RT）和信心方面非常成功，但它们基于一个核心假设：选项的价值估计在决策深思过程中是静止不变的（stationary）。这一假设使得传统模型从根本上无法解释价值估计为何会在选择前后发生变化（即 SoA 现象）。
  • 现有尝试的不足：先前试图通过引入起点偏差（starting point bias）或贝叶斯更新来解释 SoA 的模型存在局限性。例如，它们难以解释为何有时会出现负的 SoA（价值估计靠拢），也难以解释决策过程中“改变主意”（change of mind）的现象，因为它们通常假设偏好是基于检索到的固定信号而非在深思中构建的。
2. 理论框架与模型提出
  • 价值精炼框架（Value Refinement Framework）：本文提出，决策过程中的价值不是固定的，而是动态精炼的。决策被视为一个价值构建或更新的过程，而非单纯的价值比较。
  • 显著属性漂移扩散模型（saDDM）：作为该框架的计算实现，作者提出了一种扩展的 DDM 模型，称为saDDM。该模型允许漂移率（drift rate）在深思时间内动态变化
  • 模型整合：saDDM 结合了现有动态证据累积模型的见解：
    • aDDM借鉴：注意力转移会导致特定选项的证据权重减弱。
    • 从**DFT（决策场论）**借鉴：注意力可以在属性之间转移。
    • stDDM借鉴：随着深思时间推进，额外的属性会进入考虑范围。
3. 核心机制
  • 显著属性优先：决策深思始于选项最显著的属性（例如，选零食时先考虑“美味”）。
  • 动态注意力分配：属性权重随时间变化。如果仅凭初始显著属性无法区分选项（即面临困难决策），主体会将注意力分配给额外的属性（例如，“健康”），或模拟新的结果。
  • 非平稳整合（Non-stationary Integration）：由于不同属性在不同时间点被纳入考量，证据累积的输入是非平稳的。这意味着最终的后验价值估计会与初始的先验估计不同，从而产生 SoA。
  • 精度驱动的信息处理：主体对当前属性估计的精度感知决定了是否继续处理信息。低精度鼓励进一步处理（纳入新属性），高精度则可能导致快速决策（仅基于先验）。
  • 注意力形式：注意力分配既包含外显注意力（如视线转移），也包含内隐注意力（如基于记忆的思考和心理模拟）。
4. 主要预测与解释力

该模型成功解释了多个实证发现，弥补了传统模型的缺口：

  • 解释 SoA 的产生：模型预测 SoA 产生于决策期间，是不同属性输入非平稳整合的结果。
  • 难度与 SoA 的关系：预测困难选择（初始属性价值相近）会有明显的正向 SoA，因为需要纳入更多属性；而简单选择（基于先验即可决定）几乎没有 SoA。
  • 属性差异的影响：预测高属性差异的选项间选择会有更大的 SoA，因为显著属性在选项间差异大，促使更多属性在早期被考虑。
  • 与其他变量的关系：模型正确预测了难度/差异与选择一致性呈正相关，与反应时呈负相关；以及 SoA 与反应时呈负相关，与选择信心呈正相关。
  • 解释“改变主意”：由于价值在深思中是动态更新的，模型允许主体在决策过程中改变偏好方向，这符合实证观察。
5. 总结

本文通过提出价值精炼框架和saDDM 模型，打破了传统决策模型中“价值静止”的假设。它证明了通过将决策视为一个随时间动态整合多属性信息的过程，序贯抽样模型不仅可以解释传统的choice/RT 数据，还能兼容社会心理学中经典的选择诱导偏好改变现象。这一工作连接了计算决策模型与偏好构建理论，为理解人类如何在决策过程中动态更新价值提供了新的视角。

打开网易新闻 查看精彩图片

摘要

选择的序贯抽样模型，如漂移扩散模型（DDM），常被用于拟合实证数据，以解释与准确性/一致性、反应时（RT）以及有时与信心相关的各种效应。然而，此类模型中没有任何一个能解释被称为“选择诱导的偏好改变”的现象，即决策者倾向于在做出选择后提高对选项的评分，而在拒绝后降低评分。关于选择诱导的偏好改变的研究已有数十年，其主要发现是稳健的。由此产生的基于主观价值评分的“备选方案扩散”（SoA）现象，与传统的序贯抽样模型不兼容，因为后者认为选项的评分价值在整个决策深思过程中是静止不变的。在此，我们提出了基本DDM的一个扩展模型，该模型允许漂移率随决策时间变化，具体取决于在不同时间点关注了哪些属性。关键在于，该模型假设决策深思仅基于选项更显著的属性开始，而当仅凭初始属性无法解决决策时，额外的属性最终会被纳入考虑。我们表明，该模型不仅能解释SoA（以及选择一致性和RT），还能解释之前报道过的SoA与选择难度、属性差异及RT之间的所有关系。

关键词：备选方案扩散，漂移扩散模型，多属性选择，价值精炼，偏好选择

引言

当代关于基于价值的决策制定的研究中，有相当一部分集中在两个选项之间的选择上，利用在单独任务中获得的各个选项的主观评分作为自变量，以帮助解释选择行为。这项研究揭示了许多关于选择反应（即主体从可用选项集中选择了哪个选项）和反应时（RT；即主体意识到选择选项与声明其反应之间的时间延迟）的稳健模式。这些模式中的首要一点是，所谓的困难决策（即在主观价值相似的选项之间进行的决策）通常比所谓的简单决策更具随机性（即关于将选择哪个选项的预测准确性较低），并且需要更长的时间才能得出结论 (Milosavljevic et al., 2010; Ratcliff & McKoon, 2008)。当选择选项的价值估计不太确定时，决策也被认为更加困难，并且此类决策会导致与那些基于价值差异被视为困难的决策在性质上相似的行为模式 (Gwinn & Krajbich, 2020; Lee & Coricelli, 2020; Lee & Daunizeau, 2020, 2021; Lee & Hare, 2023)。另一个常见的模式是，对于整体价值较大的选择集，其决策通常做出得更快，而且往往更一致 (Hunt et al., 2012; Polanía et al., 2014; Sepulveda et al., 2020; Shevlin et al., 2022; Shevlin & Krajbich, 2021; S. M. Smith & Krajbich, 2019; Teodorescu et al., 2016)。最后，具有高属性差异的选项之间的选择（例如，每个选项在不同的属性维度上占主导地位）与更快的反应时（RT）相关 (Bhatia & Mullet, 2018; Lee & Hare, 2023; Lee & Holyoak, 2021)。这些自变量（绝对价值差异、价值确定性、价值总和以及属性差异）中的每一个也都对选择信心（即主体关于其是否从选择集中选择了最佳选项的主观信念）产生稳健的积极影响 (Brus et al., 2021; Folke et al., 2016; Lee & Hare, 2023)。

除了选择一致性、反应时（RT）和信心之外，实验选择范式中通常还会测量另一个变量。尽管在决策制定文献中很大程度上被忽视，但被称为“选择诱导的偏好改变”（choice-induced preference change）的现象在社会心理学文献中已有详尽记载（Bem, 1967; Brehm, 1956; Festinger, 1957; Harmon-Jones & Mills, 2019），并且最近在基于价值的决策制定研究中得到了证实（Alós-Ferrer et al., 2012; Chammat et al., 2017; Colosio et al., 2017; Coppin et al., 2010, 2014; Egan et al., 2007, 2010; Greenberg & Spiller, 2016; Hagège et al., 2018; Ito et al., 2019; Izuma et al., 2010, 2015; Johansson et al., 2014; Koster et al., 2015; Lieberman et al., 2001; Luo & Yu, 2017; Miyagi et al., 2017; Nakamura & Kawabata, 2013; Salti et al., 2014; Sharot et al., 2009, 2010, 2012; Shultz et al., 1999; Tandetnik et al., 2021; Taya et al., 2014; Voigt et al., 2017, 2019）；关于元分析见（Enisman et al., 2021）。在所谓的“选择诱导的偏好改变”中，通过孤立的价值评分隐含推断出的选项间偏好（方向和/或幅度），在通过成对选项选择明确观察到的偏好之前与之后存在差异。这里的关键变量通常被称为“备选方案扩散”（spreading of alternatives, SoA），因为它通常意味着，随着决策者在深思期间或之后重新评估，选择选项的价值估计会相互分离（扩散）（另见关于一致性转变和信息扭曲的文献：(Carlson & Russo, 2001; Holyoak & Simon, 1999; Russo et al., 1996, 2008; D. Simon et al., 2001, 2004, 2008)）。如上所述的研究表明，SoA 是一种稳健的现象，并且当选择困难时（例如，选项价值的差异较小和/或对选项价值的确定性较低）或当属性差异较大时，SoA 尤为显著（Lee & Hare, 2023; Lee & Holyoak, 2021）。研究还表明，SoA 与反应时（RT）呈强负相关，而 SoA 与选择信心呈强正相关（Lee & Coricelli, 2020; Lee & Daunizeau, 2020, 2021; Lee & Hare, 2023; Lee & Holyoak, 2021, 2023）。

序贯抽样模型对选择行为的解释

存在各种针对简单决策（例如，二选一强制选择）的计算模型，其中最常见的是来自序贯抽样/累积至边界（accumulation-to-bound）类别的模型 (Brown & Heathcote, 2008; Busemeyer & Townsend, 1993; Ratcliff et al., 2016; Usher & McClelland, 2001)。在这类模型下，主体逐步处理关于选择选项的信息，直到所谓的有利于其中一个选项的“证据”超过某个阈值，该选项即被宣布为获胜者（因此被选中）。尽管已经提出了该核心模型类别的多种变体，但它们通常依赖于一个相对价值累加器，该累加器基于来自底层概率分布（每个选项对应一个）的随机样本来累计关于选项的信息，直到达到预设的证据阈值/反应边界。这类模型为多种领域中的选择和反应时（RT）模式提供了优雅的解释，特别是在选择难度（价值接近度）的影响方面；参见 (Lee & Usher, 2023) 了解一个也将价值不确定性作为选择难度组成部分的版本。经过一些细微的修改，这类模型还同时解释了整体选项集价值对选择行为的影响 (Krajbich et al., 2010; Lee & Usher, 2023; Shevlin et al., 2022; Shevlin & Krajbich, 2021; S. M. Smith & Krajbich, 2019)。甚至选择信心也可以通过序贯抽样模型的某些变体来解释，无论是作为证据累积过程的次级读出 (Calder-Travis et al., 2021; De Martino et al., 2013; Kiani et al., 2014; Moran et al., 2015; Moreno-Bote, 2010; Pleskac & Busemeyer, 2010; Ratcliff & Starns, 2009; van den Berg et al., 2016; Vickers & Packer, 1982; Zylberberg et al., 2012)，还是作为主要读出本身 (Lee, Daunizeau, et al., 2023)。

证据累积至边界框架已被证明是一个强大的工具，然而在其解释力方面仍存在一个重要缺口。尽管它在解释简单决策研究中的大多数相关变量（即准确性/一致性、反应时，有时还有信心）方面取得了成功，但基于其构建的基本假设，它从根本上无法解释备选方案扩散（spreading of alternatives）现象。简而言之，序贯抽样模型依赖于证据累积过程的平稳输入（stationary inputs），这些输入通常被视为代表决策者心中每个选项价值的潜在概率分布的均值。这些输入被假设为平稳的这一事实，排除了此类模型解释价值估计变化的可能性。

序贯抽样模型与备选方案扩散

人们最近对寻找一种用序贯抽样模型解决备选方案扩散（SoA）的方法产生了兴趣 (Lee & Daunizeau, 2021; Zylberberg et al., 2024)。Lee 和 Daunizeau 提出，SoA 是心理努力与选择信心之间权衡的结果 (Lee & Daunizeau, 2020, 2021)。当面临困难的决策时（例如，如果选项起初看起来价值相等，因此对知道最佳选项的初始信心较低），决策者可能更倾向于投入心理努力来处理额外信息，意图更自信地区分选项价值，而不是以低信心做出即时选择。因此，最终导致 SoA 的认知过程对于正在展开的决策来说是具有工具性作用的，因为它们实际上会增加选项的可区分性并使选择更容易。为了解决 SoA，该提议移除了经典序贯抽样模型的一个关键假设——即偏好反应是基于被检索（例如，从记忆中）并比较的价值相关信号发展的，而不是在深思熟虑过程中被构建的（参见关于构建性偏好的文献：(Ariely et al., 2006; DeKay et al., 2011; Lichtenstein & Slovic, 2006; Payne et al., 1999; D. Simon et al., 2008; Warren et al., 2011)）。

Tajima 及其同事的模型 (Tajima et al., 2016) 认为证据累积总结了选项价值的贝叶斯更新，这可能为 SoA 提供另一种解释（作为先验估计演变为后验估计的结果）。该模型假设两个选项都初始化为零（或者至少相等，如果有关于潜在选项总体汇总统计量的先验知识）的先验价值估计，但随着随时间阐明，价值估计可能会变得不同。从这个角度来看，偏好并不是在深思熟虑期间构建的，也不会随时间改变；它们只是随着信号稳定而被更清晰地识别出来。这可能导致在深思熟虑开始和结束之间观察到 SoA 效应。然而，实证 SoA 是使用在实际选择之前和之后获得的主观价值评分计算的。尚不清楚 Tajima 等人的模型如何解释在选择之后与之前测得时系统性不同的评分。此外，该模型认为在选择深思（choice deliberation）期间构建的价值估计从开始到结束永远不会移得更近，因为它们是相同初始化的。在实证上，价值估计确实经常移得更近，正如单个试验上的负 SoA 所证明的那样 (Lee & Holyoak, 2021, 2023)。重要的是，这也意味着决策者在深思熟虑的开始和结束之间永远无法改变主意，因为所有潜在偏好在决策开始时都将是零（null）。之前的研究已经表明这种改变主意（即，选择那些最初评分较低，但后来评分高于替代选项的选项）是很常见的 (Lee & Daunizeau, 2020, 2021; Lee & Holyoak, 2023)，这表明如果主体考虑了它最初忽略的新信息，深思熟虑有时会导致明显的偏好逆转。在标准的累积至边界模型中，深思熟虑始于对偏好的完全矛盾（total ambivalence），这排除了改变主意/偏好逆转的可能性。

解决这一问题并使此类模型能够提供 SoA（备选方案扩散）度量的一种潜在方法，是允许每个选项带着其特定的先验价值估计和精度进入深思（deliberation）。从数学上讲，这意味着将证据变量初始化为一个非中性点。先前的研究已经提出了具有这种起点偏差（starting point bias）的序贯抽样模型，这种偏差代表了基于指令 (Mulder et al., 2012)、选择历史 (Urai et al., 2019)、类别偏好 (Lopez-Persem et al., 2016)、人格特质 (F. Chen & Krajbich, 2018) 或具身决策期间的选择历史 (Kane et al., 2023; Lepora & Pezzulo, 2015; Molano-Mazón et al., 2024; Priorelli et al., 2024) 而形成的关于哪个选项先验（a priori）更可能是更好的选项的信念。起点偏差也可用于捕捉特定于选项的先验 (Lee, Daunizeau, et al., 2023)。这些先验会在呈现选择选项时立即形成，即在感知处理告知决策装置选项身份所需的时间内，但在显性和有意识的价值深思开始之前。这与研究表明大脑中的价值信号会自动产生 (Lebreton et al., 2009) 相一致，即使在不相关时（例如，在感知期间）也是如此。以这种方式形成先验不仅可以解释起点偏差，还可以解释非决策时间（NDT），有时在序贯抽样模型中会包含 NDT 以表示刺激编码或视觉预处理所需的时间 (Fontanesi et al., 2019; Mulder & Maanen, 2013; Nunez et al., 2017)。一旦建立了先验，模型核心的证据累积过程就会开始，并在达到所需的证据水平时终止。然后可以将选项的后验价值估计（即深思结束时的估计）的差异与先验的差异进行比较，以计算 SoA 的度量。通过这种方式，这种类型的模型也可以解释改变主意（changes of mind），因为被选中的选项并不总是具有较高先验价值估计的选项。

上述机制平均会导致正向的 SoA (Lee & Daunizeau, 2021)，并且它们还能解释实证数据中观察到的选择简易度（由价值估计的绝对差异经价值确定性调整后得出）与 SoA 之间的稳健关系。但是，如果将深思形式化为对预先存在的价值表征的识别（或纯化）过程 (Ratcliff, 1978)，那么告知初始偏好和最终偏好的信号将具有相同的均值——只有精度会有所不同。因此，任何可能产生的 SoA 将纯粹是由于噪声造成的。先前的研究表明，单纯的统计噪声确实可能导致选择难度与 SoA 之间的正相关 (Alós-Ferrer & Shi, 2015; K. M. Chen & Risen, 2010; Izuma & Murayama, 2013)。然而，对多项先前研究的实证数据分析支持 SoA 的认知来源，而非纯粹的人为假象 (Lee & Pezzulo, 2023)。

解释 SoA 结果的一种更令人满意的方法是关注简单决策（在此期间选择主要反映先验价值估计，因此几乎没有或没有 SoA）与困难决策（在此期间会考虑新的证据来源，因此通常有更大的 SoA）之间的关键区别。那么，选择难度的定义可能不是基于某种全面的价值度量，而是基于在初始孤立评分任务期间考虑的任何（推测为非详尽的）信息的不完整价值度量。根据这一解释，证据累积的决策内动态（例如，瞬时漂移率的演变）将作为选择难度的函数而有所不同。在简单决策期间，当选择是在价值差异很大的选项之间进行时，仅基于先验的证据可能已经超过反应阈值，在这种情况下，可以立即做出选择而无需深思，或者只需少量额外证据（参见 (Alós-Ferrer, 2018; Caplin & Martin, 2016; Diederich & Trueblood, 2018; Pezzulo et al., 2013) 了解允许这种自动选择的替代模型）。这意味着初始偏好和最终偏好之间没有显著差异，因此对于此类简单决策没有 SoA。相比之下，困难决策据称会引发更高水平的信息处理 (Lee & Daunizeau, 2020, 2021; Pezzulo et al., 2013)，如果新考虑的信息与先前考虑的信息不完全一致，这可能会扰动选项价值表征的均值。早期信息系统地不同于晚期信息的情况是可能存在的。例如，研究表明，与更显著或更重要属性相关的神经活动（即大脑中的信息处理）开始得早于与较不显著或较不重要属性相关的活动 (Lim et al., 2018; Maier et al., 2020; Sullivan et al., 2015)。此外，有人提出，在先验价值形成期间和深思期间考虑的信息是截然不同的，并且分别通过从记忆中被动检索或通过心理模拟进行主动采样而发展 (Pezzulo et al., 2013)。

由于在决策开始和结束时考虑的信息不一定相同（因此去除了从平稳输入中采样的标准假设），每个选项的价值估计（不仅是其精度）可能会在深思过程中发生变化。这表明序贯抽样模型中的证据累积率或许不应被视为静态的，而应视为跨深思时间动态变化的。这促使人们使用标准模型的扩展形式，即试验内时变漂移率（intra-trial time-varying drift rate）。先前已有建议使用在每个试验内交替或以离散阶段变化的漂移率 (Diederich, 1997, 2003; Diederich & Oswald, 2014; Krajbich et al., 2010) 或随时间连续变化的漂移率 (P. L. Smith, 2000) 的方法。动态漂移率结合“与简单决策相比，困难决策的深思往往持续时间更长”这一概念，可以直接解释 SoA 与选择难度呈正相关的观察结果。

关于证据累积率在深思（deliberation）过程中是动态变化的这一概念并不新鲜。例如，有人提出该比率应作为注意力的函数而变化，偏向于在任何时间点被视觉注视的选项（注意漂移扩散模型或 aDDM; (Krajbich et al., 2010; Sepulveda et al., 2020; Yang & Krajbich, 2022)）。在此，随着注视（以及推测的注意力）在选择选项之间转移，漂移率在相对高和相对低之间振荡。其他研究提出了一种在深思中途发生变化的漂移率，因为额外的属性（与两个选项都相关）进入了考虑范围（起始时间漂移扩散模型或 stDDM; (Maier et al., 2020; Sullivan et al., 2015)）。在此，漂移率在某一特定时间点发生变化，因为开始比较两个属性而不仅仅是一个。显然，这可以扩展以包含更多属性，从而导致试验内漂移率的额外变化。这将部分符合决策场论（Decision Field Theory, DFT）模型，其中漂移率随深思时间波动，因为（潜在的）注意力从一个属性转移到另一个属性 (Busemeyer & Townsend, 1993; Diederich, 1997)。然而，在此，瞬时证据累积率一次仅是单一属性的函数，而不是一组随时间扩展的同时考虑的属性集（如 stDDM 中那样）。无论这些模型之间有何差异，它们都展示了在深思期间构建的选项间偏好如何根据注意力（跨选项或跨属性）的动态分配方式而有所不同。因此，理论上这些模型有可能解释 SoA（备选方案扩散）现象。

在此，我们要展示的是，通过结合三个已经包含动态证据累积的模型（aDDM, DFT, stDDM）的关键见解，可以使序贯抽样模型具备解释 SoA 的能力。我们的方法遵循数学建模其他领域中使用的嵌套增量建模（nested incremental modeling）方法 (Perry et al., 2007)。从之前的模型中，我们提出的模型借鉴了以下概念：从 aDDM 借鉴了当注意力从特定选项移开时，这些选项的证据权重会减弱（但不会完全消失）；从 DFT 借鉴了注意力在属性之间（而不仅仅是在选项之间）转移；从 stDDM 借鉴了随着深思时间的推移，额外的属性会进入考虑范围。此外，我们将属性的概念扩展到选项本身的固有特征之外，包括可能改变从属性到价值映射的决策情境方面。例如，在购买新车时，人们可能会考虑尺寸属性。起初，较大的尺寸可能总是被认为更有价值，因为尺寸最显著的方面最容易被回忆起来（例如，更宽敞的座位，更多的行李空间）。然而，经过进一步反思（或心理模拟 (Pezzulo et al., 2013)），较大的尺寸可能会变得价值较低，因为回忆起了其他方面（例如，车库空间较小，操控更困难）。如果初始信息足够强大以至于导致快速选择，这些情境方面可能不会被考虑。

总之，我们提出的模型将允许瞬时注意力集中在特定选项的特定属性上，这将暂时减弱对所有其他属性和所有其他选项的信息处理，随着更多（且更精细的）属性在深思过程中进入注意力竞争。在下文中，我们将展示此类模型的计算公式，并描述其针对选择行为做出的关键预测。

模型设定与理论预测

我们模型的核心基础是一个标准的证据累积过程，其中包括：

打开网易新闻 查看精彩图片
打开网易新闻 查看精彩图片
打开网易新闻 查看精彩图片
打开网易新闻 查看精彩图片

我们模型的下一个组成部分允许属性维度的相对权重随着主体注意力分配的波动而随时间变化。因此，漂移率将随时间发生变化：

打开网易新闻 查看精彩图片
打开网易新闻 查看精彩图片

是否会有额外的属性（除了最初的、最显著的属性之外）变得活跃，以及这一情况发生的时间点，将取决于已经在考虑中的属性对于当前决策的信息量有多大（换句话说，即它们提供的信息价值或 VOI；参见 (Behrens et al., 2007; Kobayashi et al., 2021; Pezzulo et al., 2013)）。如果当前关注的属性子集提供了充分的证据表明某个特定选项是最佳的，主体可能会在不探究额外属性维度的情况下做出反应。相反，如果主体无法基于当前活跃的属性子集充分区分选项，它可能会开始考虑（即，将注意力分配给）一个额外的属性——或者着手模拟可能为决策提供依据的新结果。在这里，我们将注意力分配视为既包含外显注意力（例如，在选择选项或其属性之间转移视线，如 aDDM 中那样），也包含内隐注意力（例如，基于记忆思考选项属性）。此外，如果主体已经考虑过某个特定属性并得出结论认为该属性维度无助于区分选项价值，它可能会在深思的剩余时间里停止考虑该属性。这应该是主体评估当前属性的精度的函数。对于属性价值的每一个估计，主体也会对该估计有一个关于精度的感知。低精度将鼓励进一步的信息处理，而高精度可能会阻碍进一步的信息处理（因为继续下去将是冗余的，因此是低效的）。

为了更好地说明这一过程，以在两种零食选项之间做一个简单选择为例：一块巧克力棒和一个橙子。让我们假设这两个选项中任何一个最显著的属性都是其美味程度，因此主体将首先考虑该维度。想象一下，经过短暂的深思后，主体意识到这两个选项在美味程度上非常相似，很难选择它更喜欢哪一个。此时，主体可能会开始考虑选项的健康程度。如果主体对其关于选项美味程度的评估高度确定，从而高度确定进一步考虑该维度将毫无用处，它可能会用健康程度取代美味程度，将其作为（当时）唯一正在考虑的属性。否则，它可能会开始同时考虑这两个属性。显然，这一过程可以迭代进行，直到要么所有相关属性都被考虑过，要么某个属性子集成功提供了足够的证据表明巧克力棒或橙子优于另一个。或者（另外），主体可能会受到激励，在心理上模拟选择任一选项的体验，从而可能将依赖于情境的属性（例如，如果放在主体的口袋里，巧克力棒可能会融化；如果不尽快吃掉，橙子可能会发霉）添加到活跃集合中。

在下文中，我们描述了一种新颖的计算模型（为简洁起见，我们将其标记为显著属性 DDM或saDDM），该模型将上述选择过程形式化。该模型的一个关键预测是，选择选项之间的备选方案扩散（SoA）产生于决策期间，这是来自不同属性的输入进行非平稳整合（non-stationary integration）的结果，这些输入可能会在决策过程中发生变化。此外，该模型预测困难选择会有明显的正向 SoA，而简单选择的 SoA 较小。该模型还预测，对于属性差异较高的选项之间的选择，SoA 会更大，因为显著属性在选项之间更有可能不同，从而可能在深思过程的早期考虑更多属性。我们下面的模拟将表明，saDDM 能够解释先前研究中关于 SoA 作为选择难度和属性差异函数的实证发现 (Lee & Hare, 2023; Lee & Holyoak, 2021)。除了 SoA，我们的模型还正确预测了难度和差异与选择一致性之间的正相关关系，难度和差异与反应时之间的负相关关系，以及 SoA 与反应时之间的负相关关系 (Lee & Hare, 2023; Lee & Holyoak, 2021)。即使将每个属性的证据效率标量设置为相同，该模型输出的每个属性对选择的相对贡献也与实证数据相符。

方法

原文链接：https://www.biorxiv.org/content/10.1101/2022.07.15.500254v3.full.pdf