Catsuka锐评：本文提供了学术视角下“吸引力法则”为何会在焦虑患者身上以“现象”的方式应验。
简略版：
情感偏见（一种倾向于关注负面信息而忽略正面信息的倾向）是许多心理健康问题的核心特征。然而，它可能是由多种潜在认知机制引起的。在这里，我们通过在信号检测理论(SDT)建模框架的背景下关注情感偏见的一种特定行为特征（焦虑/抑郁个体预测较低奖励的倾向增加）来说明这一点。
……
知觉任务中情感偏见的一个令人信服的假设是对先验概率的错误信念。抑郁和焦虑的主要临床特征之一是相信坏事比好事更有可能发生。例如，这是认知行为疗法所针对的负面认知图式的基础。如果个人认为低奖励刺激比高奖励刺激出现的频率更高（由于他们的负面图式或专注于记住低奖励事件而忘记高奖励事件），那么改变决策标准以更频繁地选择低奖励刺激是合理的。
从信号检测理论看情感偏见
情感偏见（一种倾向于关注负面信息而忽略正面信息的倾向）是许多心理健康问题的核心特征。然而，它可能是由多种潜在认知机制引起的。在这里，我们通过在信号检测理论(SDT)建模框架的背景下关注情感偏见的一种特定行为特征（焦虑/抑郁个体预测较低奖励的倾向增加）来说明这一点。
具体来说，我们展示了如何应用这个框架来衡量情感偏见并将其与最佳观察者的行为进行比较。我们还展示了如何扩展该框架以在个人对决策环境持有错误假设时对偏见进行预测。基于这一理论基础，我们提出了五个实验来测试这种情感偏见的五个假设来源：对先验概率的信念、对表现的信念、奖励的主观价值、学习差异和对准确性的需求差异。我们认为，更精确地了解驱动情感偏见的机制最终可能使我们更好地理解情绪和焦虑症的潜在机制。
我们建议应用信号检测理论框架来理解情绪障碍和焦虑症患者情感偏见背后的机制。基于之前对健康人类观察者感知偏见的解释，我们提出了五个关于临床人群情感偏见原因的可检验假设。
……
情感偏见是情绪障碍和焦虑症患者临床相关的行为偏见。这种偏见通常表现为对奖励或远离惩罚的反应减弱，甚至可以用实验室中简单的感知辨别任务来测量。与此同时，已经开发出复杂的方法来理解感知任务中的行为，即信号检测理论(SDT),但临床研究尚未充分利用该框架的力量。我们在此提出一份意见书.旨在为研究精神病理学的研究人员提供工具和理解.以充分发挥SDT。
在临床领域，先前的研究表明，特质焦虑程度较高的人会更多地利用先验概率，因此错误的信念可能会产生很大的行为影响，例如从高奖励刺激到低奖励刺激的偏好逆转。因此，对先验的错误信念（无论是来自经验中的偏见学习还是一般主观的概率扭曲）都可以解释情感偏见特征，即在反应中表现出一定程度的保守性，以及对低奖励刺激比高奖励刺激表现出更强的吸引力。
1.关于先验概率的信念
知觉任务中情感偏见的一个令人信服的假设是对先验概率的错误信念。抑郁和焦虑的主要临床特征之一是相信坏事比好事更有可能发生。例如，这是认知行为疗法所针对的负面认知图式的基础。如果个人认为低奖励刺激比高奖励刺激出现的频率更高(由于他们的负面图式或专注于记住低奖励事件而忘记高奖励事件),那么改变决策标准以更频繁地选择低奖励刺激是合理的。如图所示图3A-B,这种偏差可以抵消由于支付结构而导致的最优转变(即将标准移回到中立位置),或者在极度高估低奖励刺激概率的情况下，完全扭转偏差。
对不同错误信念的标准位置和低奖励反应比例的预测。预测结果显示低奖励刺激A(红色)和高奖励刺激B(蓝色),先验相等(P(A)=P(B)=0.5),正确的B反应获得的奖励是正确A反应的两倍(VAA=2和Vng=4),感知敏感度为d’=1。A)对刺激A的先验概率的不同信念的标准位置。A的估计概率越大，正确答案的概率越大。(磷(一)标准向右移动的幅度越大。B)对于关于A的先验概率的不同信念，低奖励反应的比例。预测最佳标准的使用情况，红色标记表示正确的信念，黑色标记表示不正确的先验信念。观察者越相信A是可能的，低奖励反应就越多。C)对于关于感知表现的不同信念的标准放置。低估表现(d<1导致标准向左移动，并高估绩效(à>1导致标准向右偏移。D)不同绩效信念的低回报反应比例。预测正确信念的比例用红色标记表示，错误信念的比例用黑色标记表示。对绩效的过高估计会导致更多的A反应，而低估会导致更少的A反应。
这种次优性的来源已在多个涉及正常健康人群的任务中得到证实。例如，人类可以通过经验学习选择环境的先验概率，但这需要时间，并且可能会被保守地扭曲，就好像参与者认为先验更接近50%-50%(Norton、Acerbi、Ma&Landy,2019年)。或者，可以向观察者明确传达有关先验和收益的信息，但他们仍可以选择依赖近期的刺激历史来判断先验概率(Yu&Cohen,2009年)。此外，还有众所周知的概率主观扭曲(Fox&Poldrack,2009年；Kahneman&Tversky,1979年),特别是对于非常高或非常低的概率，也会影响标准放置(Ackermann&Landy,2015年)。在临床领域，先前的研究表明，特质焦虑程度较高的人会更多地利用先验概率(Kraus、Niedeggen和Hesselmann,2021年),因此错误的信念可能会产生很大的行为影响，例如从高奖励刺激到低奖励刺激的偏好逆转。因此，对先验的错误信念(无论是来自经验中的偏见学习还是一般主观的概率扭曲)都可以解释情感偏见特征，即在反应中表现出一定程度的保守性，以
性的需求驱动的，我们会看到焦虑/情绪障碍个体更倾向于回答正确而不是获得更多奖励，并且更容易让奖励影响他们的自信心。
所提方法的优点和局限性
SDT是一个灵活的建模框架，具有很多优点。它能够分离敏感性和偏见，根据个体观察者量身定制模型，指定理想观察者的行为，并对各种次优性的行为做出定量预测。这使研究人员能够超越简单地对次优性进行分类，真正调查其来源(Rahnev&Denison,2018年)。例如，我们展示了如何将处理决策背景中的不同错误(例如，低估高奖励刺激)转化为对偏见数量的直接预测。此外，我们在这里还包含了一些次要指标作为示例，但这绝不是可以与SDT框架配对的详尽列表。我们在此提出的是针对SDT优化的任务，这些任务可以增加我们对之前未针对这种方法进行优化的研究确定的情感偏见的理解(例如，Aylward、Hales等人，2019年)。
更精确地了解偏见来源的一个好处是，不同的干预措施可能更适合针对不同的来源。这被称为“等效性”,即多种机制导致相同的终点。具体来说，在这种情况下，我们强调的所有机制可能都是驱动情感偏见的重要因素，但因人而异。同时，不同的治疗方法可能更适合针对不同的机制。例如，抗抑郁药物可能针对学习机制，而心理治疗针对先前的信念。因此，根据我们在此提出的测试来评估当前的干预措施最终可能使我们能够将个人与对他们有效的治疗方法相匹配。
然而，与所有方法一样，我们概述的方法确实存在一些局限性。一个潜在的局限性是，虽然患有情绪障碍和焦虑症的个体在认知表现方面表现出广泛的变化(Rock等人，2014),但许多最明显的变化是在执行功能和认知方面，这些方面可能位于感知过程的“上游”,而SDT可能最适合模拟这些过程。此外，我们将选择背景的描述限制在先验、收益和表现上，因为这些与SDT框架很好地结合在一起。影响选择背景的其他因素很可能无法被SDT捕获(例如情绪、社会因素、框架)。尽管如此，准确了解可能从SDT角度出现的潜在偏见来源，并开发针对这些不同偏见的测试，最终将使我们能够在转向更复杂的潜在偏见来源之前将其排除。
与此相关的是，人们普遍关心实验室实验能否推广到现实世界，同时又适合转化研究(Aylward、Hales等人，2019年；Der-Avakian等人，2013年)。在心理健康背景下进行研究时，这一点尤为重要。虽然标准的信号检测任务可能无法捕捉到我们日常决策的复杂性，但基础科学越来越注重将这些任务扩展到更复杂、更动态的变体(例如，Norton等人，2019年),这可能有助于提高这些任务的适用性。
第三个限制是，对于许多提议的实验，我们依赖主观自我报告作为次要指标。虽然其中一些被证明可以揭示与心理健康的有趣关系(例如，Rouault等人，2018年所示的信心),但其他一些则是较新的或为本文的目的而开发的。尽管人们对开发非内省信念测量方法的兴趣越来越大，例如监测手部运动(例如，Dotan、Meyniel和Dehaene,2018年；Hudson、Maloney和Landy,2007年；Trommershäuser、Maloney和Landy,2008年)或眼球运动(例如，Balsdon、Wyart和Mamassian,2020年；Lempert、Chen和Feming,2015年)。如果自我报告方法被证明无用，则可能需要这些间接方法来衡量信念。
最后，还存在一般反应偏差，其原因包括实验者的指示(Morgan、Dillenburger、Raphael和Solomon,2012年)、做出每个反应所需的努力程度不同(Hagura、Haggard和Diedrichsen,2017年)或基本SDT模型的高斯噪声假设不正确(Maloney和Thomas,1991年)。但是，由于这些偏差在临床组和对照组中可能一致，因此它们并不那么令人担忧。