超越 Stockart 等人 (2024) 妥協方案：功能性分離相對於事後選擇

Conceptos Básicos

本文批判了無意識認知研究中常用的事後選擇方法，主張採用功能性分離作為替代方案，並探討了不同測量方法和實驗設計的優缺點。

Resumen

無意識認知研究的最佳實踐：功能性分離 vs. 事後選擇

文章概述

本文批判了 Stockart 等人 (2024) 提出的無意識認知研究最佳實踐指南中，關於事後選擇方法的建議。作者認為，事後選擇並不能有效地分離出低感知敏感度的刺激條件，反而會產生迴歸假象，並錯誤地將無意識處理歸因於實際上並非無法區分的刺激條件。

功能性分離的優勢

作者主張採用功能性分離作為替代方案，將直接測量 (D) 和間接測量 (I) 概念化為構成二維 D-I 空間，並將單一分離、敏感性分離和雙重分離視為不同的曲線模式。與 Stockart 等人僅關注 D ≈ 0 的單線空間不同，功能性分離可以利用整個空間，規避了零可見度和完全可靠性等要求，並允許對實驗控制變量之間的理論上有意義的功能關係進行有計劃的測量。

測量方法和多重任務的局限性

作者還探討了不同測量方法的選擇和局限性，特別是感知意識量表 (PAS) 和強制選擇任務。他們認為，多重任務（例如，在同一次試驗中同時收集直接和間接測量結果）可能會損害所有測量的準確性和有效性，因為它們需要大量的認知負荷。

事後選擇的謬誤

作者詳細分析了事後選擇的兩個主要謬誤：

• 抽樣謬誤： 從潛在分佈中選擇低 PAS 評級的試驗，而該分佈可能與不同的敏感度水平一致，並不能真正分離出低敏感度的試驗。
• 逐條分析謬誤： 分別計算不同評級類別的敏感度指標會產生計算假象，因為敏感度是試驗分佈的屬性，而不是單個試驗的屬性。

總結

作者呼籲無意識認知研究領域放棄事後選擇方法，轉而採用功能性分離等更嚴謹的方法，並強調了仔細選擇測量方法、實驗設計和數據分析技術的重要性。

Estadísticas

在 Biafora 和 Schmidt (2022) 的數據中，PAS 評級 1、2、3 和 4 分別對應於 0.590、0.643、0.722 和 0.933 的啟動辨別準確率 pc（所有觀察者和條件的平均值）。

Citas

“事後選擇構成了一種抽樣謬誤，它利用了偶然性，產生了迴歸假象，並錯誤地將無意識處理歸因於實際上並非無法區分的刺激條件。”
“我們不能從直接測量的恆定性推斷出意識的恆定性，除非我們可以假設這種測量既具有窮盡的效度（Schmidt & Biafora, 2024），又具有窮盡的可靠性（Reingold & Merikle, 1988）。”

Ideas clave extraídas de

Functional dissociations versus post-hoc selection: Moving beyond the Stockart et al. (2024) compromise

by Thomas Schmi... a las arxiv.org 11-25-2024

https://arxiv.org/pdf/2411.15078.pdf

Consultas más profundas

除了功能性分離之外，還有哪些其他方法可以克服無意識認知研究中事後選擇的局限性？

除了功能性分離，還有其他幾種方法可以克服無意識認知研究中事後選擇的局限性，避免其陷入「取樣偏差」的陷阱：

操控刺激呈現時間或強度以建立連續函數： 與其依賴單一刺激條件並試圖分離「有意識」和「無意識」試驗，不如系統地改變刺激呈現時間（例如，啟動-目標 SOA）或強度（例如，對比度），以觀察直接和間接測量指標如何隨之變化。這種方法可以繪製出連續的函數曲線，揭示兩者之間的動態關係，而無需人為地將試驗或參與者分類。

採用信號檢測論 (SDT) 模型進行分析： SDT 模型可以將感知敏感度和反應標準區分開來，從而更全面地評估意識狀態。通過分析整個試驗分佈，而非僅關注低感知度試驗，研究人員可以更準確地確定刺激是否被真正無意識地處理。

探索其他掩蔽範式： 除了後向掩蔽，其他掩蔽範式，如連續閃爍抑制 (CFS) 或雙目競爭，也可用於研究無意識處理。這些範式可能提供不同的機制來抑制意識，並可能揭示不同於事後選擇方法的結果。

結合腦電圖 (EEG) 或腦磁圖 (MEG) 等神經影像學技術： 神經影像學技術可以提供客觀的指標，用於評估刺激是否達到皮質處理水平，而無需依賴行為測量。通過將行為數據與神經影像學數據相結合，研究人員可以更全面地了解無意識處理的神經基礎。

關注個體差異： 與其追求適用於所有人的單一「無意識」標準，不如更加重視個體在感知能力和反應標準上的差異。通過分析個體數據，研究人員可以確定哪些因素可能導致不同人之間對無意識刺激的不同反應。

在某些情況下，事後選擇是否可以作為一種有效的探索性數據分析技術，而不是作為一種證明無意識處理的決定性方法？

在某些情況下，事後選擇可以作為一種有效的探索性數據分析技術，但不應作為證明無意識處理的決定性方法。
探索性分析：

產生研究假設： 事後選擇可以幫助研究人員在初步分析中識別潛在的興趣點或趨勢，從而產生新的研究假設。例如，研究人員可能會注意到，在某些主觀評分較低的試驗中，啟動效應似乎更強，這可能促使他們進一步探討這些試驗的特點。
檢驗數據的穩健性： 事後選擇可以用於檢驗主要分析結果的穩健性。例如，研究人員可以比較包含所有試驗的分析結果與僅包含主觀評分最低的試驗的分析結果，以確定結果是否一致。
不應作為決定性證據：

取樣偏差： 如前所述，事後選擇容易受到取樣偏差的影響，這可能導致對數據的錯誤解釋。僅關注特定子集的數據可能會產生誤導性的結果，而無法反映真實的潛在效應。
迴歸平均值： 事後選擇也容易受到迴歸平均值的影響，這可能導致高估或低估真實效應的大小。
缺乏預先註冊： 事後選擇通常是在數據收集之後進行的，這增加了研究人員偏見的風險。預先註冊分析計劃可以幫助減輕這種風險。
總之，事後選擇可以作為一種探索性工具，用於產生假設或檢驗數據的穩健性，但它不應被視為證明無意識處理的決定性證據。研究人員應謹慎使用事後選擇，並應通過其他方法（如功能性分離或神經影像學技術）來驗證其發現。

如果我們假設意識是一個連續體，而不是一個二元狀態（有意識或無意識），那麼我們應該如何重新評估無意識認知研究的目標和方法？

如果將意識視為一個連續體而非二元狀態，無意識認知研究的目標和方法都需要進行相應的調整：
目標：

從「是否存在」到「程度如何」： 研究重點應從證明無意識處理的「存在」轉向探討其影響的「程度」。也就是說，我們應該關注刺激在不同意識水平下如何以及在多大程度上影響認知過程。
意識的維度和層次： 認識到意識的多樣性和複雜性，探索不同意識維度（例如，感知覺、情感、自我意識）以及它們之間的相互作用。
意識的動態變化： 關注意識狀態的動態變化，研究其在不同時間尺度（例如，毫秒級到秒級）上的波動和轉變，以及這些變化如何影響認知功能。
方法：

連續測量指標： 採用能夠捕捉意識狀態細微差異的連續測量指標，例如，信號檢測論中的 d' 值、主觀評分量表、反應時間分佈等。
多模態數據融合： 結合行為數據、神經影像學數據（例如，EEG、fMRI）、生理指標（例如，瞳孔直徑、皮膚電導）等多種數據，以更全面地刻畫意識狀態。
計算模型： 開發能夠模擬意識狀態動態變化及其對認知過程影響的計算模型，例如，漂移擴散模型、全局工作空間模型等。
個體化分析： 更加重視個體差異，探討不同個體在意識連續體上的位置及其對認知功能的影響。
總之，將意識視為一個連續體，要求我們重新思考無意識認知研究的目標和方法。我們需要採用更精確、更動態、更全面的方法來研究意識狀態及其對認知過程的影響，並最終揭示人類意識的奧秘。