理解他人的情绪对于有效的社会互动至关重要（Morrison & Bellack, 1981）。然而，我们无法直接获取他人的情感状态，需要根据可用信息进行推断。为此，大脑可能整合感官线索（如面部表情、语调）与情境信息（如先前的社会知识）和内部状态（如我们自身的即时感受和身体信号），以得出对他人情感状态的“最佳猜测”；这一过程和结果通常具有不确定性（FeldmanHall & Shenhav, 2019; Ondobaka et al., 2017）。有趣的是，当观察者的情绪状态与他人不同时，这些情感推断可能会偏向于与观察者自身的情绪一致。这种现象被称为情绪自我中心偏差（EEB；Steinbeis & Singer, 2014; Von Mohr et al., 2021），并与情绪一致性效应（Forgas, 2017; Trilla et al., 2021）和情感现实主义（Anderson et al., 2012）有关。尽管EEB已在许多任务中得到证实（Riva et al., 2016; Sevi et al., 2022; Steinbeis & Singer, 2014; Trilla et al., 2021; Weigand et al., 2021），但其计算和心理生理机制尚未得到探索。
一种解释我们如何理解他人情感状态的突出机制是具身模拟，即观察他人的情绪会自动激活观察者自身的神经、情感和躯体状态（Gallese, 2014; Singer & Lamm, 2009）。这一理论认为，我们天生会利用自己的情感体验作为解释他人情绪的参考。另一种观点认为，这些镜像效应并非与生俱来，而是通过联想学习产生的（Heyes, 2018）。根据学习匹配假设，反复接触类似的社会情境会导致观察者观察到的外部线索（如面部表情）与自身身体和情感反应之间的关联形成。这些习得的关联使观察者在感知他人情绪线索时能够激活相应的情感状态。关键的是，反向效应也可能发生：一个经历过的情感状态可能被投射到他人身上，作为对观察到的情感状态的最可能假设。由于观察者与被观察者情绪之间的这些双向联系是通过学习形成的，它们对情境变化和动态人际情绪关联性（IEC；Barsalou, 2013; Heyes, 2018; Kilner et al., 2007）保持灵活性和敏感性。因此，EEB可能受到关于自我与他人情绪一致性的概率性预期的影响。例如，感到快乐可能会产生一种预期，即处于类似情境中的其他人也会表现出快乐，从而通过将模糊或中性的表情解读为快乐来促进EEB。然而，当这些人际关联性不是固定不变的或与我们的过去经验不一致时会发生什么？据我们所知，目前还没有研究探讨过EEB的情境调节。对IEC的（隐性）学习是否会影响EEB？
预测处理（PP）框架为我们解释社会和情感信息提供了另一种视角（Ondobaka et al., 2017; Seth & Friston, 2016），将感知视为一个由先验预期驱动的主动、概率性的推断过程（Friston & Kiebel, 2009）。在这个框架中，高级信念生成对输入的预测，这些预测会根据预测误差（预期结果与观察结果之间的差异）进行更新。这些更新受到先前信念和感官证据的估计精度/可靠性（即不确定性）的调节。将PP原则应用于社会学习强调了在动态环境中量化不同不确定性来源的重要性（Behrens et al., 2008; Diaconescu et al., 2014; Sevgi et al., 2020）。该领域的一个著名计算工具是层次高斯滤波器（HGF），这是一种贝叶斯学习模型，可以跨三个不同但相互关联的嵌套层次进行信念更新（Mathys et al., 2011; Mathys et al., 2014）。第一层量化了不可减少的不确定性，对应于感官输入的固有模糊性。在EEB的背景下，它反映了关于他人情绪状态相对于自身情感体验的不确定性。第二层模拟估计不确定性，即给定观察者内部状态和情境线索时情绪结果一致的概率。第三层通过波动性估计来量化关于线索-结果关联性（如IEC）随时间变化的信念。通过在EEB的背景下应用HGF，我们可以正式研究个体如何学习IEC的动态变化，以及这种学习过程如何受到个体特征和生理唤醒的调节。
内部身体信号的处理，即内感受知，被认为在学习和决策中起着关键作用，尤其是在不确定条件下（Damasio, 1996; Dunn et al., 2010; Pfeifer et al., 2017）。重要的是，情绪推断也基于内感受知，既塑造了情感体验也影响了社会认知（Grynberg & Pollatos, 2015; Seth & Friston, 2016; Shah et al., 2017）。在EEB的背景下，Von Mohr等人（2021）的一项最新研究探讨了内感受知如何通过将刺激呈现与心脏周期的不同阶段（收缩/舒张）同步来影响EEB。他们发现，内感受知准确性较高的参与者（即在另一项任务中擅长识别自己心跳的个体）的EEB受到影响。这些发现表明生理活动和内感受知处理在EEB中起着重要作用，但这一点仍大部分未被探索。
已经使用了多种不同的范式来研究EEB。通常，这些范式涉及在参与者与观察目标之间诱导情绪一致或不一致的状态，然后对自我和他人的情感状态进行判断（Trilla et al., 2021; Steinbeis & Singer, 2014; Von Mohr et al., 2021）。常见的情绪操纵方法包括货币游戏或同步的多感官刺激。然而，这些方法通常会明确提示参与者区分自己和他人的情绪状态，这可能需要从与自我相关的视角中主动脱离，可能会混淆观察到的EEB效应。换句话说，很难区分EEB主要反映了自我-他人区分的困难还是情感投射过程。Trilla等人（2021）的一项最新研究试图通过使用心理物理任务来解决这个问题，该任务旨在考察情绪感知如何受到参与者使用自传回忆和视听剪辑诱导的情绪状态的影响。情绪识别任务涉及将模糊的面部表情分类为快乐或悲伤。结果表明，在诱导快乐情绪后，参与者更有可能将面部表情判断为快乐。虽然这种方法允许以更隐性的方式研究EEB，避免了自我-他人比较的明确线索，但它仍然强调了诱导过程中的参与者自身情绪。
在这里，我们开发了一种新的双任务范式，通过最小化明确的自我-他人区分线索来评估隐性EEB。在每次试验中，参与者首先参与一个情绪诱导任务，该任务包括一个简化的轮盘游戏，成功的投注会得到奖励，而失败的投注会受到惩罚，以此分别引发积极和消极的情绪。游戏结果后立即向参与者展示模糊的面部表情（即悲伤和快乐表情的混合），并要求他们进行二元情绪分类。关键的是，这两个任务被呈现为无关的，从而减少了参与者自身情绪状态与其对他人的情绪判断之间的明确关联，从而实现了对EEB更自然的评估。
在两项研究中，我们探讨了IEC的隐性预期在调节EEB中的作用。在研究1中，我们在线实施了双任务范式，以测试情境IEC和感知噪声是否灵活地影响EEB，并使用层次高斯滤波器（HGF）来描述逐次试验的学习过程。在研究2中，我们在实验室中进行了相同的任务，以测试行为和计算效应是否在不同环境中具有普遍性，并探讨自主唤醒（即心脏活动）是否与IEC学习相关。在这两项研究中，任务在三种不同的组别条件下进行，这些条件具有不同水平的预期IEC（中性、预期一致性和预期不一致性），通过操纵游戏引发的情绪状态与随后呈现的模糊面部表情匹配的概率来实现。我们还通过向面部表情添加像素化噪声来操纵感知不确定性。
首先，我们预期在两项研究中，中性组别中情绪识别（ER）任务的准确性在情绪一致（与不一致）的试验中会更高，这表明存在朝向EEB的基线倾向。我们进一步预测准确性会受到IEC和视觉噪声的影响：在预期一致性的组别中，情绪一致的试验准确性应该更高；在预期不一致性的组别中，情绪不一致的试验准确性应该更高，这反映了IEC的隐性学习；而在高视觉噪声下，整体表现应该下降。在研究2中，鉴于关于内感受知在情绪和决策中的现有证据，我们还假设逐次试验的生理唤醒会与参与者对动态变化情境的适应性相关，即较低的唤醒水平会与更高的学习率和减少的EEB相关。最后，在两项研究中，我们探讨了自我报告的内感受知敏感性、共情障碍和共情能力在调节HGF参数及其与自主反应的耦合方面的个体差异。
