PNAS | 一项“跳石过河”研究揭示规划与行动如何持续交织|figure|pnas|实验|研究|神经科学|论文|跳石过河

认知神经科学前沿文献分享

基本信息

Title:The continuous dynamics of planning and acting in a virtually embodied task

发表时间:2026-04-21

发表期刊:PNAS

获取原文:

1. 添加小助手:PSY-Brain-Frontier即可获取PDF版本

引言

很多现实中的决策，并不是先把完整方案在脑中算清，再按部就班执行。无论是穿过拥挤街道、开车临时改道，还是整理物品时一边挪动一边调整顺序，人们常常是在持续行动中不断修正后续选择。换句话说，规划与行动更像是彼此交织的连续过程，而不是严格分开的两个阶段。

但传统决策研究往往建立在较静态、非具身的情境中：选项预先给定，动作本身的难度和身体状态被弱化，做出选择之后再去执行即可。这类范式有助于分析价值、概率与偏好，却不容易回答一个更贴近日常经验的问题：当行动本身会改变后续可选路径时，人究竟如何在“眼前这一步好不好做”和“整条路线值不值得走”之间做权衡。近年的具身决策研究虽然开始关注可供性（affordances），也就是某个动作此刻是否更容易、更顺手、更符合当前姿态，但不少工作仍聚焦单步即时选择，对需要连续生成和比较多步方案的任务涉及较少。

这篇发表于《PNAS》的研究，试图把经典序列决策的思路带入一个具有身体约束和空间结构的虚拟环境。作者设计了一个3D“过河跳石头”任务，让参与者操控青蛙化身，从起点平台一路跳向终点。大石头更近、更大，对应“安全跳”；小石头更远、更小，对应“风险跳”。这种设置把传统决策中的“概率—效用”关系，转译为具身任务中的“跳跃难度—路径收益”关系。更关键的是，每完成一次跳跃，化身的朝向、运动延续和局部几何关系都会改变，因此下一次选择不再独立于前一次动作。

实验设计与方法逻辑

研究纳入40名完成全部关卡的参与者，另有5人因未完成实验被排除。任务由Unity构建，参与者控制青蛙化身在石头间连续跳跃；起始平台提供全局视野，地图包含一条全由大石头组成的安全路径和若干分叉出的风险路径。每题都存在唯一最短路径，且与另一条对比路径固定相差2跳。主实验围绕首个决策点构成2×2设计：风险跳所开启路径是否更短，以及该方向与目标方向夹角是否更小，共40关。作者既分析首个决策点，也分析后续满足“安全/风险二选一”的决策点，并使用广义线性混合模型（GLMM）和线性混合模型（LMM）检验选择概率与时间指标。

核心发现

发现一：参与者会前瞻性评估整条路径，而不只是盯着眼前这一步是否容易

最直接的证据来自 Figure 2A 和 Figure 2B。无论只看首个决策点，还是扩展到后续所有符合条件的决策点，参与者选择风险跳的概率都同时受到两类因素影响：一是风险跳所通向路径的长短，二是该方向与目标方向的夹角。当前者更优、后者也更优时，风险跳最常被选择；两者都不占优时，选择最少；若“路径更短”与“角度更小”彼此冲突，选择处于中间水平。值得注意的是，图中以及相应模型结果都表明，路径长度的作用强于目标方向夹角。这一点之所以重要，在于夹角是更容易被直接感知的线索，而路径总长度往往需要跨多个后续跳跃去评估。

Figure 2. Both path length and angle to goal influence the probability of making a risky jump

发现二：当前运动方向会持续塑造后续选择，说明决策受具身状态调制

Figure 3A 和 Figure 3B 则回答了另一个关键问题：后续选择是否只由路径价值决定。作者把决策点上的两个候选方向区分为更贴近先前轨迹的“当前方向”和偏离更大的“新方向”，在主实验中分析了3748个决策点。结果显示，参与者显著更倾向于沿着当前方向继续前进。图的意义在于，它把“正在发生的动作状态”正式带入决策分析之中，而不是把动作视为中性的执行环节。

Figure 3. Influence of trajectory direction on jump probabilities

发现三：规划既发生在起步前，也持续延伸到导航过程中

关于“规划发生在什么时候”，Figure 4 和 Figure 5 提供了连贯证据。Figure 4A 显示，起始平台上的预规划时间越长，最终所走路径越短，两者呈强负相关，文中报告 R² = 0.82；按模型估计，预规划每增加1秒，路径长度大约减少0.274跳。这说明起跳前的停顿并非无意义等待，而与后续路线效率密切相关。Figure 4B 进一步显示，预规划时间并不因首个风险路径更短或更长而显著不同，却会受目标方向夹角影响：当风险跳更贴近目标方向时，预规划时间更短。

Figure 4. Preplanning time and its eects on path length and decision-making

Figure 5. Planning time distribution across dierent platform types

发现四：计算模型表明，表现更好的人通常更前瞻，而最佳解释需同时包含未来效用与局部可供性

论文并未停留在行为描述层面，而是进一步用计算模型概括参与者的权衡方式。按照 Figure 6A–D、Figure 7A–B 以及 Figure 8A–C 的结果，作者建立的期望值模型同时包含前瞻性折扣参数γ与可供性权重参数α，模型比较中这一完整模型表现最佳，说明只靠未来路径长度，或只靠当前跳跃难度，都不足以解释实际选择。图之所以重要，在于它把“看得多远”和“多大程度受眼前动作难度牵制”这两种倾向压缩成了可比较参数。

Figure 6. Correlations between participants’ performance and model para-meters

Figure 7. Success probability and its relationship with jump type (safe or risky) and the aordance parameter

Figure 8. Practice eects over trials

归纳总结和点评

这项研究最有价值的地方，不是单纯再次证明“人会规划”，而是把“规划如何嵌入持续行动”做成了一个可以操控、比较和建模的问题。通过虚拟具身的“跳石过河”范式，论文把长期路径效用、即时动作可供性、当前运动方向以及行动中的持续评估放进同一分析框架，较有说服力地展示了决策与动作并非先后分离，而是彼此耦合、相互塑形：人会在起跳前进行一定程度的预规划，也会在移动途中继续权衡；会考虑未来整条路径的收益，也会受到当下空间状态和运动连续性的影响。其意义在于，它为研究更贴近日常生活的“边做边想”提供了方法学样板，也为把经典序列决策理论与具身认知视角结合起来提供了实证基础。与此同时，论文对边界也保持了谨慎：后续决策点上的因素可能存在相关性，平台停留时间并不只反映规划，且虚拟化身任务到真实世界行为的外推仍需更多验证。