《Acta Psychologica》：Modeling human synchronization to rhythmic patterns with varying statistical regularities
编辑推荐：
本研究聚焦于人类如何学习与新的、可预测性变化的时序模式同步。为解决在缺乏强节奏性和可预测性的模式中同步学习的机制问题，研究人员通过设计一个听觉刺激流，其中熟悉与新颖的两种时间模式（由相同时间间隔反向排列构成）按照互补概率渐变交替出现，要求参与者进行手指敲击同步任务。通过结合模型无关分析和基于贝叶斯推断、参数化Rescorla-Wagner学习规则的计算模型分析敲击数据，结果表明参与者仅在新型模式的可预测性明显超过旧模式后才学会与之同步，其学习过程存在“快速学习者”与“慢速学习者”两种策略差异。这为理解个体如何通过概率性联想学习适应新的、可变预测性的时间规律提供了初步证据，对揭示时序学习与感觉运动同步的认知计算机制具有重要意义。
在纷繁复杂的世界中，我们的大脑无时无刻不在处理着时间的韵律。无论是欣赏爵士乐中即兴的节奏变化，还是在体育运动中流畅地切换动作序列，我们都展现出非凡的探测、学习和产生复杂时间规律的能力。这种能力的一个核心表现，就是感觉运动同步（Sensorimotor Synchronization, SMS）——即我们的运动输出与外部的节奏性输入保持同步，比如随着音乐打拍子。以往大量研究揭示了哪些特征（如规律的节拍、清晰的韵律层级）能帮助我们快速识别节奏并与之同步。然而，现实世界中的节奏远非实验室里那样规整。当一段声音或动作序列缺乏强烈的节奏性和可预测性时，比如一段结构复杂、变化多端的语音或音乐片段，我们的大脑是如何学会预测并与之同步的呢？这正是《Acta Psychologica 》上发表的题为“Modeling human synchronization to rhythmic patterns with varying statistical regularities”的研究试图回答的问题。
为了探究这个问题，由Dunia Giomo、Federico Mancinelli、Andrea Ravignani和Domenica Bueti组成的研究团队设计了一项精巧的实验。他们假设，对这种新颖且可预测性多变的时序模式进行高效同步，可能需要一种概率性的联想学习机制，其本质可以看作是一个由Rescorla-Wagner学习规则参数化的贝叶斯推断过程。
研究人员招募参与者进行了一项手指敲击同步任务。他们设计了两种时间模式（A和B），均由250毫秒、500毫秒、750毫秒这三种时长按小整数比（1:2:3）关系构成，但排列顺序相反（A: 500–250–250-750 ms；B: 750–250–250-500 ms），这使得两者信息量相同但整体结构不同。关键创新在于，在一个包含31次试次的实验中，两种模式在一个连续的听觉流中随机交替出现，但它们出现的概率并非固定不变。研究者通过一个逻辑函数操控了这种概率的渐变过渡：在实验前半段，模式A占主导且其概率逐渐降低；而在后半段，模式B逐渐取代A成为主导，其概率逐渐升高。参与者需要在听到每个提示音（beep）时同步敲击手指。研究团队随后对收集到的敲击数据进行了模型无关分析和基于计算模型的深入分析。
本研究主要采用了行为实验结合计算建模的技术方法。研究招募了14名参与者（最终分析N=10），利用定制化的硬件装置（基于Arduino微控制器、压力传感器和光电二极管）精确呈现听觉刺激并记录敲击反应。数据分析前对敲击信号进行了预处理（包括滤波、阈值检测和动态时间规整对齐）。模型无关分析采用线性混合效应模型，考察模式类型和呈现历史对敲击间隔误差和异步性的影响。模型基于分析构建了两个计算模型：第一个是混合模型，用于在试次水平估算两种模式的比例；第二个是静态学习率模型，基于Rescorla-Wagner规则，在单次敲击水平估算模式概率、学习率（α）和记忆衰减参数，以刻画从熟悉模式到新颖模式的学习过渡过程。模型使用Stan通过马尔可夫链蒙特卡洛采样进行参数估计，并进行了参数恢复验证。
研究结果
模型无关分析
对敲击数据的分析聚焦于每次模式出现的第一个时间间隔的再现误差，因为这是区分两种模式最富信息量的点。结果显示，参与者能快速学会与模式A同步，其敲击间隔误差较小且为轻微过度再现（正误差）。而对于模式B，则表现出较大的再现不足（负误差）和更负的异步性（即敲击提前更多）。重要的是，模式B的误差和异步性在整个任务过程中呈现出持续的、陡峭的改善，并在任务后期达到了与模式A相当的准确度水平。线性混合效应模型证实了模式身份和呈现历史的主效应及交互效应，表明模式B的改善斜率显著大于模式A。
模型基于分析
- 1.
混合模型结果：该模型在试次水平估计了参与者敲击数据中两种模式的比例参数θA和θB。结果表明，参与者确实经历了从模式A到模式B的过渡，但这个过渡相对于刺激流中预设的概率变化存在延迟。即使在模式A和B出现概率相等的试次之后，参与者的敲击仍更倾向于反映模式A的结构，显示出一种“延续效应”或对熟悉模式的偏好。A和θB的组水平摘要图。估计显示参与者整体经历了从模式A到模式B的延迟过渡。">
- 2.
静态学习率模型结果：这个模型提供了更细粒度（单次敲击水平）的分析，估计了每次敲击属于模式A的概率p(A)，以及控制这个概率更新的静态学习率（αA, αB）和记忆衰减参数。参数估计揭示了参与者之间的个体差异，并提示可能存在两种学习策略：
- •
“快速学习者”：其p(A)估计值迅速饱和（接近1），并在模式B概率足够高后清晰、相对快速地下降，表明他们能较快适应模式比例的变化，学习率较高，衰减率较低。
- •
“慢速学习者”：其p(A)估计值上升缓慢或始终在机会水平附近徘徊，对模式B的过渡也更平缓。他们表现出较低的学习率（更依赖先前的敲击历史）或对模式A较高的记忆衰减率。
A、αB及衰减参数，显示了参与者间的差异。">
- 3.
参数恢复：使用估计参数生成模拟数据并重新拟合模型，结果显示模型能较好地复现参与者的行为模式，学习率和衰减参数的恢复总体一致，尽管对部分参与者的αA估计存在一定变异性，这提示未来模型可优化为动态学习率形式。A和σB。">
研究结论与讨论
本研究通过结合行为实验与计算建模，初步探索了人类学习与新的、统计规律性变化的时序模式同步的认知机制。主要结论是，人类在与这类弱可预测性时间模式同步时，其学习过程可以较好地用一个基于贝叶斯推断、并由Rescorla-Wagner联想学习规则参数化的计算模型来描述。参与者并非在刺激流中预设的概率转换点立即切换到新模式，而是表现出一个延迟的适应过程。这表明，当环境中的时间规律存在不确定性时，熟悉的模式（模式A）会作为一种先验期望指导同步行为。只有当新模式（模式B）的出现变得足够频繁和稳定时，同步行为才会发生显著转变。
研究结果进一步揭示了潜在的个体差异，即“快速学习者”和“慢速学习者”可能采用不同的策略来应对任务中的概率变化。快速学习者似乎更敏感于外部刺激统计特性的变化，能更灵活地更新预测；而慢速学习者则可能更依赖于内部的时间参照或先前的敲击历史，对新证据的整合较慢。这些差异可能与个体在节奏处理中依赖不同线索（如外部统计规律 vs. 内部节拍推测）的倾向有关。
这项研究的意义在于，它为理解复杂生态情境下的感觉运动同步提供了一个新的计算视角。传统的同步模型主要针对高度规则节奏的局部扰动或周期性变化，而本研究提出的“概率性联想学习”框架，则尝试解释在缺乏清晰节拍、可预测性多变的时间结构中，个体如何通过简单的联想与推断机制来学习和适应。这有助于我们更深入地理解言语交流、联合行动等现实活动中对复杂时间结构的同步行为。研究也为未来探索相关神经机制（如小脑在时序预测和联想学习中的作用）以及优化模型（如引入动态学习率、结合误差校正机制）奠定了基础。当然，由于样本量较小，这些结论是初步的，需要在更大规模的研究中得到验证和深化。
