Psychological Bulletin：社会认知的层次模型

随着社会认知研究的兴趣和数量的增加，人们越来越意识到在用于研究社会过程的概念和分类上缺乏共识。该领域的两个核心概念：共情和心理理论(ToM)。在这里，我们回顾并整合大脑激活、大脑组织和行为的证据，形成一个社会认知过程的连贯模型。从跨不同社会认知任务的神经成像数据的元分析聚类开始。结果表明，理解他人的心理状态可以用层次结构的多层次模型来描述，类似于智力和人格研究的模型。较高的层次描述了更广泛和抽象的功能类别，而较低的层次解释了功能如何应用于特定刺激和任务给出的具体语境。具体来说，我们模型的更高层次提出了3组神经认知过程：

(a)主要的认知过程，当心智化需要与物理世界脱钩的自我生成的认知时；

(b)更多的情感过程，当我们在共同的情感、运动和体感表征的基础上目睹他人的情绪时，我们会参与更多的情感过程；

(c)合并过程，即同时参与认知和情感功能。我们讨论这些过程是如何被潜在的结构性大脑组织的主要梯度所解释的。

最后，通过对行为研究中共情和ToM任务相互关系的回顾，验证了该模型。本文发表在Psychological Bulletin杂志。

关键词：情感，心智化，镜像神经元，观点采择，社会认知 1 引言

成功的社会互动不仅需要表现人们的外在行为，还需要表现其内在，如思想和情感。在过去的二十年里，行为和大脑成像研究已经产生了大量的证据，表明我们如何推断他人不可观察到的精神状态。与此同时，人们日益认识到，对于用来研究这些社会过程的概念和分类学缺乏一致意见。显然，不同的术语被用来描述相似的过程，有时，相似的术语被用来描述不同的过程。特别是，有两个术语是非常重要的——共情（empathy），一般指理解他人的情感途径和心智理论或心智化，指的是对他人心理状态的认知表征。在概念层面上，有人认为两者都被用作研究有限聚合的各种不同过程的总称。这一观察结果也反映在最近的文献综述中。基于刺激和指令对研究进行明确分类的元分析并没有找到广泛和同质的网络，而是在ToM 和共情的神经关联中发现了多个功能细分。

共情和ToM都被认为包含情感和认知子形式，使术语之间的区别复杂化，使上述问题更加复杂。例如，ToM的定义不仅包括对他人的认知心理状态（如信念和思想）进行推断的能力，还包括对他们的欲望和情绪进行推断的能力。后一个特征有时被称为“情感ToM”。另一方面，共情的定义包含情感过程，例如分享他人的感受，以及认知过程，例如推理他人的情感状态，称为“认知共情”。

澄清当前社会认知理论的一个重要步骤是确定不同的概念如何相互关联(例如，以多层的方式)，并探索如何根据共同的基础过程对它们进行最佳分组。这种方法还推进了社会过程的“解构”，即将ToM和共情等广义术语映射到一系列潜在过程中，这些过程反过来又与具体的实验任务相关联。

我们以神经成像研究的元分析开始我们的文章，然后继续回顾相应的行为发现。在本研究中，我们纳入了ToM文献中的任务组(如错误信念、眼睛读心任务)，还纳入了共情领域的任务组(如观察疼痛、评估情境情绪任务)。本研究的另一个重要特征是元分析结果的分层聚类。
2 方法

2.1 文献检索与研究选择

我们回顾了关于ToM和共情的神经影像学文献，以了解所使用的不同实验任务的概况，并将具有相似刺激和指令的研究分类到任务组中。神经影像学研究由关键词neuroimaging或fMRI或PET，当它们包括心智理论或心智化或读心术（mind or mentalizing or mindreading）时被分配到ToM组，“empathy, or empathetic, or altruism,or sympathy, or emotional contagion, or compassion”被分配到共情组。对于ToM，我们将先前元分析中的文献纳入当前样本。如果文章与之前定义的共情和ToM任务组之一匹配，则无论作者使用什么术语，它们都会被保留。总共纳入了ToM文献中的103项研究，分为六个任务组：错误信念（n=25）、特质判断（n=19)、策略博弈(n=13)、理性行为(n=11)、社交激励(n=20)和读心术(Reading the Mind in the Eyes, n=15)。我们从共情文献中确定了85项研究，我们将其分为五个任务组：观察疼痛(n=21)、观察情绪(n=25)、分享情绪或疼痛(n=12)、评估情境情绪(n=15)和推理情绪(n=12)。因此，我们的元分析共涵盖188项研究。
2.2 元分析方法

对于这11个任务组中的每一个，我们使用符号差异映射（Signed Differential Mapping）方法进行了基于效应大小的元分析。SDM方法是基于现有的用于元分析的峰概率方法的正性（positive）特征，如激活似然估计(ALE)或多层核密度分析。此外，它合并了报告的激活效应大小，从而从已发表的文献中提取更详细的信息。SDM根据研究中报道的t值和样本量，创建效应量(Hedge’s g值)和方差图(由效应量的分布得出)。元分析图的统计学意义是通过排列测试来评估的，该测试在标准灰质模板中随机化体素的位置。每个元分析通过排列生成了100张随机图。MNI空间和我们报告结果的统计阈值p < .005(矫正的voxel-level)和团块阈值10个体素(见图1和图2)。为了便于元分析之间的对比，我们使用了SDM（符号差异映射）线性模型函数，计算了两个元分析的效应量估计之间的差异，同时解释了样本量以及研究内和研究间变异性的差异。为了确定多重对比中的共同激活，我们通过SPM12的图像计算器(http://www.fil.ion.ucl.ac.uk)做了联合最小分析。值得注意的是，由于元分析的最终目标是基于全脑激活模式的相似性聚类结果图，我们没有进行发表偏倚分析。

图1对心理理论任务组的独立元分析结果。阈值为p < .005的体素阈值，未校正，团块范围阈值为10个体素。

图2。共情任务组的单独元分析结果。阈值为p < .005的体素阈值，未校正，团块范围阈值为10个体素。对于情感推理，我们选择了一种常见的任务类型，不仅在共情文献中发现，也在ToM研究中发现。

2.3 层次聚类分析在获得所有11个任务组的元分析结果图后，我们对它们进行了层次聚类。对层次结构的寻找与之前的社会认知作为多层或多层次现象的几个概念是一致的。据我们所知，这是SDM效应大小元分析图的第一个聚类。因此，我们比较了一些有区别性表现的设置，并发现无阈值的效应大小图(Hedges’g)和Pearson相关系数在我们的meta分析中最有效地发现了图像差异。聚类包括三个步骤：在步骤1中，我们将无阈值的元分析效应-大小地图转化为包含体素值的特征向量并水平拼接，形成n个任务组(即11个)和p个体素(即902629个)的矩阵。在此基础上，我们计算了所有特征向量之间的成对Pearson相关系数，由此我们得到了一个n × n的不相似矩阵(1-r值)，这反映了脑图之间的全脑多体素不相似。在步骤2中，我们使用MATLAB 8.1中的凝聚层次聚类(agglomerative hierarchical clustering)方法将元分析分组成簇。对于连锁（linkage），我们选择了连锁平均法，这代表了聚类对异常值的敏感性和聚类形成长链元素的倾向之间的折衷。作为一种距离度量，我们选择欧几里德距离，它考虑了任务间相似性的轮廓和大小。在步骤3中，我们基于聚类得到的树状图评估了不同的解决方案。基于之前的工作我们依赖于两个度量指标：(a)同源距离cophenetic distance 和(b)任务分离密度density of task separation。图3显示了不同聚类解决方案的两种度量；图4显示了底层的树状图。我们使用的第二个度量是任务分离的密度，它表明将聚类划分为子聚类是否保持了任务组在子聚类之间的均衡分布(与之相反，生成不成比例的大/小子聚类，例如只包含一个任务组的聚类)。任务分离密度的降低表明了良好的解决方案，并反映了任务组数量平衡的子聚类。将两种聚类指标结合在一起，模型阶数具有较高的同源距离差异和较低的任务分离密度。

图3 (A)不同聚类解决方案的评估和比较。图中显示了当从2-到3-，3-到4-以及10到11个聚类的解决方案时两个指标的变化。第一个度量，显示在红色(深灰色)和左y轴上，给出了从一个模型到下一个模型的同源距离的相对差异。同源词距离上相对较高的差异表明，引入新的子类可以更好地分离大脑活动模式，从而获得良好的聚类。第二个指标显示为蓝色(浅灰色)，显示了任务分离的密度，反映了将聚类划分为子聚类是否在每个子聚类中保持了任务组的平衡数量。任务分离的密度较低，表明聚类性较好。这两个指标中的首选聚类在x轴上表示：3、8和11。度量变化显示了完整的元分析(主分析)的聚类和基于5000次重复的leave-one-out jackknife敏感性分析的聚类(jackknife 均值，标准差[SD])。

(B)任务组(即相关的元分析图)分配到三类解决方案的类的稳定性，基于leave-one-out jackknife敏感性分析。条形图显示了jackknife重复的百分比，其中任务组被分配到与主分析中相同的聚类中。

图4。(A)元分析结果图之间的不相似程度(以1-Pearson’s r表示)。高度不相似反映了大脑地图之间很少的对应或重叠。

(B)层次聚类的树状图。分支的高度表明同源距离，从而表明在该模型级的子聚类之间的不同。颜色条表示3个聚类和8个聚类解决方案相对于树状图的位置。

为了检验我们聚类的稳定性，我们重复了leave-one-out jackknife敏感性分析。图3A显示了我们在jackknife重复(n=5000)中发现的聚类度量范围，这被作为选择最佳聚类解决方案的指南。此外，对于三个聚类结果(稍后我们将其作为主要结果展示)，我们展示了在重叠分析的迭代中分配给聚类的任务组的一致性(参见图3B中的条形图)。一般来说，大多数任务组(Rational Actions除外)都具有良好的一致性(超过90%的迭代的一致性)。

2.4 与其他地图的重叠分析

为了更广泛地了解我们的元分析，我们将本研究主要结果（图 5）与一组广泛的自动生成的跨广泛主题的元分析进行了比较。这一步允许我们讨论本研究发现与其他广泛的社会和非社会过程的大脑激活的关系。我们使用neurosynth数据库的解码工具进行分析，通过更大的神经成像知识库http://neurovault.org访问该数据库。为了与推荐的输入规范保持一致，我们为解码创建了无阈值的平均值和对比映射。在图6和图7中，我们将神经合成解码结果显示为Pearson相关系数，描述了我们的地图和自动生成的文献数据库文本挖掘识别的研究主题(“术语”)的元分析之间的图像相似性。为了清晰起见，我们只显示了与神经合成解码最密切相关的社会和非社会术语。此外，我们放弃了对当前文章不感兴趣的术语，例如神经解剖学标签(例如，mpfc, psts)。

为了进一步表征与我们的元分析图相关的神经认知过程，我们计算了我们的元分析与全脑连接组织图和静息状态连接分割图的重叠部分。我们通过连接分析确定了与这些地图的重叠部分，并将其总结为骰子分数（dice score）的变异：对于每个元分析地图，我们计算了它包含在每个连接地图的不同部分的体素百分比。

图6 在未校正的体素阈值p< .005和10个体素的聚类范围阈值，3个聚类解决方案的元分析(汇总元分析)的平均大脑激活。极坐标图显示了大规模元分析解码的结果(www.neurosynth.org;Yarkoni等人，2011)。将元分析图与一组广泛的自动生成的元分析进行比较，这些元分析涵盖了广泛的主题(术语)，并显示了最高收敛性(图像相关性，即Pearson’s r)的结果。对于我们的三个聚类中的每一个，我们都展示了与社交和非社交主题相关性最强的五个术语(要了解更多细节，请参阅分析与其他地图的重叠部分)。缩写“asd”(由neurosynth文本挖掘确定)代表自闭症谱系障碍。

图7 元分析对比了三个聚类，以找到中间聚类和其他两个聚类之间的特定共性。地图显示在p < .005的未校正体素水平的阈值和10个体素的聚类范围阈值。整合解码(www.neurosynth.org;Yarkoni et al.，2011)的结果以极图的形式给出，表示为图像相关，即皮尔逊r。对于每个对比，我们展示了社会和非社会主题中相关性最强的五个术语。因为我们没有在认知和情感聚类之间找到任何特定的共性(在统计阈值上)，所以没有对这一对比进行解码。

3 结果和讨论

3.1 任务组：ToM

错误信念（False Belief）。这些错误信念的故事具有特定的逻辑结构。如表1所示，故事通常首先介绍一个人及其对事态的真实信念。那个人不知道，此后这种状态发生了变化。结果，这个人的信念就变成了错误的。然后向参与者询问与该信念相关的问题。为了解释错误信念故事的这种结构，我们的元分析仅包括最近的研究，这些研究展示了类似形式的虚假照片控制条件。请注意，对于错误信念任务，我们在文献中发现了比其他任务组更多的研究（总共38项研究）。为了避免任务组之间的规模差异很大，我们从这个大样本的错误信念任务中随机选择了25项研究。

表1 TOM任务组的研究

表2 共情任务组的研究

特质判断（Trait judgments）。在我们的元分析中，特质判断任务向参与者展示了关于另一个人特质的书面材料(例如，形容词、观点或个人经历)。通常，这个人只是被口头描述给参与者。然而，也有一些研究展示了这个人的外部特征(例如，脸、身体部位或整个人)。特质判断的控制条件通过要求对特质词的语言判断(例如，“这个词是大写的还是小写的?”)或呈现不包含心理状态的词/陈述来转移注意力。策略博弈（Strategic games）。本元分析包括一些研究，参与者被要求与另一个他们可以竞争或合作的玩家博弈(例如囚徒困境博弈)。玩家会收到关于其他玩家决定的反馈，但他们不能看到彼此。兴趣的对比是与人类伙伴博弈以及与电脑博弈(遵循简单算法)的大脑活动的典型对比。社会动画（Social animations）。这个任务组的研究展示了简单几何形状或物体的视频动画，这些物体的动作类似于有意或社交互动。在控制条件下，动画显示的是随机或纯粹的机械运动(例如，类似台球在桌子上的运动)。在每一部动画中，参与者都被要求解释/决定两个形状之间是否发生了相互作用。这个任务组的一项研究在实验和控制条件下展示了类似的动画，但说明不同(例如，要求参与者关注控制条件下的物理特性)。眼睛读心术(Reading the mind in the eyes)。眼睛读心测试(Reading The Mind in The Eyes Test)是在神经成像研究中引入的，基于其将社交能力与更一般的能力或智力分离的能力，在早期的工作中与ToM和读心能力有关。神经成像研究使用眼睛读心术任务，展示一张人脸眼部区域的照片，要求参与者思考这个人的精神状态，或者指出哪个形容词(在多个选项中)最能描述这个人的精神状态。控制条件显示类似的照片，但要求对所描述的人进行身体判断(例如，性别或年龄)，或者，在一个例外情况下，仅仅要求被动地观看固定的注视点。理性行为（Rational actions）。“理性行动”组的所有任务都呈现了一些卡通短片，并要求参与者根据主角的理性意图(在他们当前的行动中有所暗示)预测一个可能的结局。
3.2 任务组：共情观察疼痛（Observing pain）。同情他人的痛苦是人类社会行为的一个基本特征，被视为更复杂的共情形式的重要前兆和道德推理的中心。此外，因为它的高度突出，疼痛是一种有效的刺激。这个任务组的研究展示了一个人在痛苦情况下的面部或身体部位的图片或视频。实验任务并没有要求对疼痛刺激做出明确的判断，而是要求被动观看或简单的显示注意力投入的任务。所有的实验条件都是对身体部位或面部的疼痛刺激，而控制条件是中性的身体刺激(例如，被棉签触摸)或没有刺激。观察情绪（Observing emotions）。基于镜像神经元理论，我们假设观察到的面部表情的(隐蔽)镜像会触发情感大脑区域的活动，从而产生共情反应。研究人员在简单的被动观看任务中，通过面部表情来探索这些关系。由于同样的任务类型也被广泛应用于其他领域的神经成像研究，我们从一个大的合适的研究样本中获得了这个任务组的额外研究。参与者没有被要求进行明确的情绪判断，而是被动地观看刺激或对非情绪刺激特征(如性别或身体属性)作出判断。在控制条件下，脸部表情是中性的，或者没有任何刺激。分享情感或痛苦（Sharing emotions or pain）。任务组包含了与前几类相似的刺激(有基本情绪的面孔，痛苦情况下的身体部位)，但在这里，参与者被明确地指示分享目标的情绪状态(例如，“feeling into” her)。在某些情况下，参与者还被要求对经历过的或表达过的情感进行评价。在控制条件下，参与者做出类似的判断，但他们的判断是基于表情中性的面孔，或非疼痛刺激下的身体部位。评估情境情绪（Evaluating situated emotions）。在这里，研究人员认为，共情不仅仅涉及关注另一个人，还包括他们如何嵌入一个情境和背景。呈现此类情境信息的任务被用来衡量一种更自然的共情形式，不同于以往的任务组呈现(过度)简化的刺激。研究要求参与者根据他们所经历的情况来判断一个人的情绪(例如，在选项中进行选择)。关于情感的推理。共情和ToM的交集是研究中反复出现的主题，包含了认知共情等概念，情感ToM、情绪心理化和情绪视角。通过不同的标签，我们确定了几个有连贯刺激和指示的任务，其特点是将心理状态推理和情绪判断相结合。这些元素之间的相互关系可以朝任何一个方向发展。一组研究要求参与者推断一个由情绪引发的未来理性行为(也就是理性意图)。另一组研究要求推断由信念或信念修正引发的情绪或情绪变化(例如，一个人意识到与情绪相关的物体或事件)。在这个任务组中，典型的刺激形式是图片或卡通。控制条件要求对基于物理因果关系或其他不那么复杂的推断形式的未来事件进行推断。虽然它与共情和ToM的作品都有很强的联系，但我们在共情任务部分中涵盖了这个任务组。这是因为这些研究中大部分是通过与共情相关的关键词发现的。然而，请注意，将这个任务标记为共情(或ToM)任务对我们的聚类没有影响，这纯粹是由我们的元分析大脑激活图的特征驱动的。

3.3 聚类

基于所有11个任务组的元分析结果图进行聚类。为了概述任务组之间的对应关系，我们在图4A中展示了11个元分析的图像差异。在图4B中，我们展示了一个树状图，说明了任务与任务之间和聚类与聚类之间的关系。根据树状图中显示的信息，我们根据两个特征选择了最优聚类(图3A)。首先，确保了聚类之间大脑激活的分离。其次，模型的组成部分应该足够泛化，即多个任务组。

在所有聚类中，三个聚类结果方案显示了最佳性能(参见图3A)。这一结果与我们在ToM和共情任务中寻找共同的神经认知成分的目标具有核心相关性。

3.4 高级聚类聚类

双聚类解决方案。双聚类解决方案表明，我们的方法可以追溯文献中大部分经典的ToM与共情的区别。我们发现的双聚类解决方案的网络与典型的ToM和共情的区域存在广泛聚合(见图5)。

图5。不同模型中的聚类的平均大脑激活。我们进行了集中元分析，也就是说，每个聚类一个单独的元分析，所有的任务组都被连接在一起。单聚类解决方案仅用于说明目的，并没有与其他聚类进行评估或比较。颜色表示三聚类解决方案是如何与更高层次和更低层次聚类相关联的：蓝色—认知聚类(左栏)，绿色—中间聚类(中间栏)，红色—情感聚类(右栏)。在树状图的最低层上，我们为每个聚类指明了一些典型的刺激和任务分类。选择八聚类方案作为代表性的低层聚类。请注意，11聚类解决方案显示了良好的聚类指标，但与图1和图2所示的结果相对应(即，完全分离到单独的任务组中)。

第一组是“眼睛读心术”(Reading The Mind in The Eyes)。该任务与从共情文献中提取的其他任务组聚集在一起(见图5)。左侧额下回、前脑岛和前扣带皮层的大脑激活与聚类中发现的其他共情任务的区域在很大程度上重叠。其他聚类在一起的任务组是“评估情境情绪”和“情绪推理”。我们将在后面的中间聚类(聚类2)部分中讨论这些任务的潜在过程。

三聚类解决方案（Three-cluster solution）。图5显示了三聚类的激活网络。将这些聚类称为认知(1)、情感(3)和中间(2)。图4A中的任务间不同相似性矩阵表明，认知聚类和情感聚类形成了截然不同的两极，大脑活动特征很大程度上不同，而中间聚类与其他两个聚类有相似之处。

为了对三聚类进行功能描述，我们使用了神经合成功能解码，这可以将大脑激活图与跨广泛主题自动生成的大量元分析进行比较。图6和图7显示了社会术语和非社会术语的最高收敛。

认知聚类(cluster 1)：大脑对认知聚类的激活(见图5)主要集中在皮层中线和颞顶叶区域，在前扣带皮层和内侧前额叶皮层发现了最强的激活。与大脑静息状态网络图谱相比，聚类1的激活显示出与默认模式网络(DMN)显著的重叠。更具体地说，聚类1中56%的体素属于DMN，其次是额顶网络(9%)和腹侧注意网络(也称为突显网络，9%)的较小重叠。

对社会术语的神经解码(见图6)发现，心理理论、心智化等相关术语的联系最强，将认知聚类描述为典型的ToM。对于非社会术语，默认、自我参照和自传体的关联最强。这些后来的解码结果反映了神经认知对理解他人的解释，强调了DMN的作用。

情感聚类(cluster 3)：在情感聚类中，我们发现大脑的激活(见图5红色部分)横跨右侧额叶皮层，在额叶下回达到顶峰，并延伸至右侧岛叶和颞极、中央前回和中央后回以及边缘上回。左侧额下回、脑岛、颞区和边缘上回进一步激活。另一大块区域在辅助运动区和邻近的内侧额回和扣带中层皮层被激活。在左侧枕下回和左侧小脑也发现了两个较小的区域。聚类3与静息态网络的重叠主要存在于腹侧注意网络(26%)、体感网络(16%)和DMN(14%)。在神经合成解码中发现的最突出的社会术语是疼痛、恐惧、情感和面部(以及临床术语asd——自闭症谱系障碍)。对于非社会术语，我们发现在一些与语言相关的术语上有很高的载荷，如单词、语音、语言或语义。与神经合成解码发现的疼痛和恐惧的术语一致，在左脑岛发现了情感聚类的强烈激活。这种结构被描述为每当我们目睹他人的痛苦时就会激活的核心网络的一部分。

中间聚类(cluster 2)：认知聚类和情感聚类反映了两个很大程度上独立的过程，而中间聚类在它们之间占据了一个有趣的位置。在本节中，我们将从激活的大脑区域和任务组的角度说明它是如何结合认知和情感元素的。我们发现，在双侧颞叶的大部分区域，从后颞上回到前颞叶，中间聚类被激活。我们观察到与认知聚类(聚类1)部分重叠的区域的激活，包括双侧颞顶叶皮质和楔前叶。此外，我们还发现了情感聚类的激活之间的聚合，如在左脑岛和额下回。就与静息状态网络的重叠而言，聚类2的激活在DMN(43%)、腹侧注意网络(18%)和额顶网络(10%)中下降。为了进一步研究这个聚类的激活情况，进行了一组元分析对比，以确定中间聚类和其他两个聚类之间的共性。证实了楔前叶、背后内侧前额叶皮质、双侧颞顶叶和前颞叶区域的认知和中间聚类的显著共同激活(见图7)。

综上所述，元分析对比图和解码结果(见图7)强调了中间聚类结合了认知和情感过程。虽然理论提出了这种组合的几种变体，但我们发现一个中间聚类的事实也表明了一个共同的过程。这个共同的过程可以解释情感ToM，认知共情和情绪视角。中间聚类结合了认知过程和情感过程的概念，也得到了它在宏观连接架构上的解剖区域的支持(见图8)。除了认知特征外，大多数来自中间聚类的任务也需要情感加工。在理性行动中，情感过程的参与并不明确，因为它没有明确的情感刺激。我们的聚类稳定性分析(图3B)发现，该任务组经常发生变化从而有利于认知聚类。总的来说，我们的任务组认为，情感负载的内容和心理状态推断一起发生的程度决定了认知和情感网络是否协同工作。

图8。(A)连接组织的全脑地图，捕捉大脑皮层连接模式的连续变化(即一个主要梯度)。梯度范围从感觉运动、听觉和视觉皮层的单模态和感觉区(绿-蓝/深灰色)，到越来越抽象和跨模态区(红-黄/浅灰色)，这些区域很大程度上对应于大脑的默认模式网络。这个梯度是通过分析来自大样本健康成年人的静息态连接数据确定的(人类连接体项目，n = 820)。

(B)沿着梯度的百分位数被分成20个不同的地图。对于每张地图，我们计算了与元分析的重叠部分。条形图提供了百分位图和元分析之间的重叠百分比。

3.7 宏观皮层组织的主要梯度定位三个聚类

为了进一步表征中间聚类与认知和情感聚类之间的功能关系，我们沿着宏观皮层组织的主要梯度投射了聚类的激活图，该梯度描述了基于功能连接模式的沿皮层表面的功能谱。梯度表征了这些模式的连续变化，反映了功能的变化：初级感觉区域运动区域的距离的增加(在连接方面)反映了越来越抽象和多模态的处理。

如果中间聚类代表了认知过程和情感过程的平行参与，那么它在梯度上的位置应该与其他两个聚类的位置相互延伸。相反，如果中间聚类代表一个独特的和很大程度上独立的功能过程，它在梯度上的位置应该是不同的。如图8B所示，中间聚类倾向于与认知聚类和情感聚类的位置重叠。认知聚类位于梯度的跨模态的顶端(85 - 95百分位)附近，支持其抽象的、刺激独立思考的功能解释。情感聚类位于梯度的中间(35 - 55百分位)，这表明更多的基于感觉和单模态处理。

这些发现支持我们的解释，即中间聚类结合了认知和情感过程，元分析确定了一组任务(中间)，其中认知和情感过程共同运作。

3.8 低层次聚类

当我们从多层的角度看待我们的结果时，我们还在我们的中央、高级、三聚类解决方案之外考虑聚类。在整个解决方案范围内，我们的指标还指向另外两个低级解决方案，分别是8个和11个聚类。这表明，大脑活动包含了额外的可变性。特别是，11个聚类解决方案表现出了良好的性能，这意味着任务到任务的可变性足够大，每个任务都被算法分配到自己的一个聚类。这种额外异质性的一种可能解释包括刺激和任务指令的差异，这可能与共情和ToM相关的重要过程无关（图5）。

3.9 与其他社会认知元分析的关系

图9显示了我们的三聚类解决方案的阈值映射和来自关于社会主题的其他元分析的映射之间的重叠。此外，该地图还显示了与认知和情感聚类的重叠。然而，请注意，中间聚类在空间上与其他两个聚类重叠(见图9的上排)。

4 归纳与总结

4.1 分层的角度来看

该元分析旨在支持发展一个连贯和平衡的理论模型，主要认知因素的能力，以理解他人的思想。

本元分析使用层次聚类来分类和分组一系列共情和ToM任务引起的神经模式。这里应用的聚类方法的一个优点是，它为以下问题提供了一个数据驱动的答案：有多少因素或潜在变量足以和适合于建模社会认知。结果表明，答案是双重的：一方面，当数据被划分为三个聚类解决方案时，达到了最佳的总体聚类性能。然而，当数据被分成8个和11个聚类时，会发现更多的局部最佳聚类性能。更高层次的三聚类解决方案为共情和ToM在不同任务和刺激中共享某些过程，因此为共享大脑活动的假设提供了坚实的证据基础。然而，同时存在的另一个较低水平的聚类(主要是根据任务)突出了神经认知解释社会认知的具体和细节。

4.2 分离与结合的社会过程

我们的3个聚类解决方案的核心新发现是中间聚类。我们的研究结果显示，这一聚类结合了认知聚类和情感聚类的加工过程，而不是一种独特的加工(子)形式。

认知和情感过程共同激活的另一个中心案例是日常的社会互动，这对理解他人的心理至关重要。其他展示社会互动场景或视频的研究也报告了认知和情感过程的共同激活。然而，需要注意的是，自然主义社会认知和社会互动都被认为涉及了认知和情感聚类(例如，社会互动中的奖赏相关区域)未涵盖的额外过程。另一组被观察到认知和情感聚类共同激活的任务是利他决策。

5 展望

理解他人想法和感受的能力仍然是最难以捉摸的心智能力之一。我们总结了20多年来的神经成像研究(188 个研究, 4207个被试) ，在此基础上，我们提出将社会认知建模为一个分层的多层次结构。因此，我们正在寻求适应社会认知过程和特征的多样性(在较低的水平上)，同时明确它们之间的一致性水平(即较高的水平)。基于我们的研究重点和现有的证据，这个元分析产生了这样一个模型可能具有的过程、层次和机制的第一个样本。在我们的模型的最高层次上，我们建议从两个首要网络的角度来捕捉社会认知过程，这两个网络灵活地结合起来，并与更多的感官情感联系起来，而不是更抽象、更分离的他人精神状态的表征。

如需原文及补充材料请添加思影科技微信：siyingyxf或18983979082获取,如对思影课程及服务感兴趣也可加此微信号咨询。另思影提供免费文献下载服务，如需要也可添加此微信号入群，原文也会在群里发布，如果我们的解读对您的研究有帮助，请给个转发支持以及右下角点击一下在看，是对思影科技莫大的支持，感谢！

Psychological Bulletin：社会认知的层次模型相关推荐

Biological Psychiatry：vmPFC在情绪、决策、社会认知和精神疾病中扮演多重角色
本文重点: 腹内侧前额叶(vmPFC)与多种社会,认知和情感功能有关,而很多精神疾病中,这些功能都会受到一定程度的损害.在这篇综述中,来自University of Wisconsin–Madison ...
社会认知理论和社会学习理论
(三) 社会认知理论 1.相互决定论当代一种整合性的人格理论,它试图将以上有关影响人格形成的各种因素综合起来加以考察,特别注重环境和认知的交互作用. 2.认知对行为的影响人用符号和预见来指导自己未 ...
清华经管联手百度：中国AI社会认知与应用需求研究报告
为帮助各级政府.业界以及个人更好的了解中国经济数字化转型过程中人工智能的影响力和驱动力,对我国总体和各地的人工智能的发展及社会需求有更清晰的了解和定位,2018年1月19日,清华经管学院互联网发展与治 ...
百度清华联合发布《中国人工智能社会认知报告》【附全文下载】
▼ 点击上方蓝字关注网易智能聚焦AI,读懂下一个大时代! [网易智能讯1月20日消息]昨天,清华经管学院互联网发展与治理研究中心联合百度公司发布<人工智能驱动的中国经济数字化转型--中国人工 ...
【亲密关系】003 社会认知
[亲密关系]003 社会认知前言一.第一印象与影响 1. 第一印象二.知觉的力量 1. 伴侣的理想化 2. 归因过程 3. 关系信念 4.自我实现的预言 5.自我概念前言一个事实存在多种解释 ...
认知流派凯莉的个人建构威特金的认知方式论米歇尔的社会认知学习理论
三.认知流派(认知就是信息加工) 1.观点 (1)人是科学家.像科学家一样通过创立能使自己准确地预期未来的理论,力求减少不确定性,对事件进行解释和预测.(2)提出模板匹配,认知过程与头脑中的已有的模式 ...
认知空间是什么意思_为什么很多女生都是“路痴”| 男女的空间认知有什么差异...
路痴,这个词会在很多女生口中出现.女生大多对路线不敏感,甚至很弱智.从前,不相信有人真的是路痴,也不相信有人会连简单的方位都搞不清楚.如果有女生说自己是路痴,我会觉得她大概是自谦或者说着玩的吧,也许为 ...
Science：穿梭于个体大脑与群体大脑之间探索社会智能
来源:集智俱乐部作者:Julia Sliwa 译者:赵雨亭审校:梁金编辑:邓一雪从人类到鱼再到蚂蚁,群居动物在群体中会协调它们的行为,同时,它们的神经系统也可能这么做.然而,迄今为止,大多数神 ...
diskfileitemfactory 需要的包_《开心枕和生气包》中班下学期社会教案
<开心枕和生气包>中班下学期社会教案作为一名教职工,就不得不需要编写教案,借助教案可以让教学工作更科学化.如何把教案做到重点突出呢?以下是小编收集整理的<开心枕和生气包>中班 ...
有哪些值得推荐的，关于脑科学认知研究的经典书籍？
关注"心仪脑"查看更多脑科学知识的分享. 1. 认知神经科学:关于心智的生物学 (第三版) 作者:[美]Michael S. Gazzaniga; Richard B. Lvry; ...

Psychological Bulletin：社会认知的层次模型

Psychological Bulletin：社会认知的层次模型相关推荐

最新文章

热门文章