《Scientific Reports》：Causal inference shapes crossmodal postdiction in multisensory integration
编辑推荐：
本研究针对多感官整合时间窗口内，后续输入如何影响先前刺激感知这一核心问题（即跨模态后觉现象），探讨了其背后的计算机制。研究人员通过“视听兔子错觉”和“不可见视听兔子错觉”实验范式，结合贝叶斯因果推断（BCI）等模型分析行为数据。结果表明，BCI框架能够很好地解释跨模态后觉现象，揭示大脑不仅对共时的感官输入进行因果推断，还能跨越时间窗口，整合过去、现在及后续的跨模态信息以构建统一的知觉。
我们生活在一个信息纷繁的世界，光线、声音、触感等不同感官的信号不断涌入大脑。神奇的是，大脑能够将这些来自不同渠道、有时甚至存在微小时间差的信息，融合成一个连贯、统一的知觉体验。这个过程被称为多感官整合。传统的观点认为，大脑主要整合同时发生或紧密相连的感官事件。然而，越来越多的证据表明，这种整合并非只局限在“当下”，在一个长达几百毫秒的时间窗口内，后续发生的事件竟能回过头来，影响我们对先前事件的感知。这种现象被称为“后觉”。好比看一部配音略有延迟的电影，我们的大脑会努力调整，让口型与声音在感知上同步，这其中就可能包含了后觉机制。在跨模态（例如视觉与听觉之间）的后觉现象中，其背后的计算原理是什么？大脑是如何决定将不同时间点、不同感官的信息“绑定”在一起，抑或是将它们“分离”处理的？这正是研究者们试图揭示的谜题。
为了深入探究跨模态后觉的计算机制，一项发表在《Scientific Reports》上的研究应运而生。研究人员将目光投向了两种巧妙的心理学现象：“视听兔子错觉”和“不可见视听兔子错觉”。在这些错觉范式中，研究者向参与者快速呈现一系列的闪光和蜂鸣声组合。关键设计在于，在呈现一个孤立的闪光（或蜂鸣声）的前后，会紧接着呈现“闪光-蜂鸣声”配对刺激。令人惊奇的是，参与者往往会错误地感知到那个孤立的闪光（或蜂鸣声）在空间上发生了“跳跃”，或者其存在感被“抹除”——这清晰地表明，后续出现的听觉（或视觉）信息，实实在在地改变了对先前视觉（或听觉）刺激的感知，即发生了跨模态后觉。
那么，大脑是依据什么样的“算法”来执行这种跨越时间的整合呢？研究团队为此招募了32名参与者，收集了他们在上述错觉任务中的行为数据。面对这些数据，他们并非仅做现象描述，而是采用了严谨的计算建模方法进行检验。他们构建并比较了四个相互竞争的数学模型，以期找到最能模拟人脑决策过程的那个。这些模型包括：强制融合模型（假设大脑总是将不同感官的信息合并）、强制分离模型（假设大脑总是将不同感官的信息分开处理）、非后觉的贝叶斯因果推断模型，以及本研究重点考察的、完整的贝叶斯因果推断模型。
贝叶斯因果推断是一个强大的计算框架，它假设大脑在处理多感官信息时，会像一个优秀的侦探一样，不断评估这些信息是来源于同一个物理事件（有共同原因），还是来自多个独立的事件（有各自独立的原因）。这个评估过程是概率性的，并会基于评估结果，以最优化的方式对感官信息进行加权整合或保持分离。此前的研究已证明，BCI框架能够很好地解释非后觉情形下的多感官整合。而本研究想要验证的是，这套强大的推理机制，是否也能延伸应用到跨越时间的、涉及后续信息影响的“后觉”场景中。
模型拟合的结果给出了明确的答案：贝叶斯因果推断模型对行为数据的拟合效果最佳，显著优于其他所有竞争模型。这意味着，大脑在处理跨模态后觉时，很可能正是在运行一套类似的因果推断程序。它不仅仅考虑同时到达的视觉和听觉信号是否同源，还会将时间维度纳入考量，对跨越数百毫秒时间窗口内的先后信息进行“因果关联”评估，并基于此动态地构建我们的知觉现实。
这项研究主要采用了行为心理学实验与计算建模相结合的技术方法。核心是“视听兔子错觉”和“不可见视听兔子错觉”这两种行为实验范式，用于诱发和量化跨模态后觉现象。研究收集了32名健康参与者的行为反应数据。数据分析的核心是模型拟合与比较，研究人员建立了四个计算模型（贝叶斯因果推断模型、强制融合模型、强制分离模型、非后觉贝叶斯因果推断模型），并使用最大似然估计等方法对模型参数进行拟合，通过模型比较标准（如贝叶斯信息准则BIC）来评估哪个模型最能解释观察到的行为数据。
研究结果
- •
跨模态后觉现象的行为验证：通过“视听兔子错觉”和“不可见视听兔子错觉”实验，研究首先在行为层面确认了跨模态后觉现象的存在。参与者的知觉报告明确显示，后续呈现的跨模态刺激（如蜂鸣声）系统地改变了他们对先前目标刺激（如闪光）的空间位置或存在性的感知。
- •
计算模型的比较：研究团队将收集到的行为数据与四个候选计算模型的预测进行拟合与比较。模型比较的指标显示，完整的贝叶斯因果推断模型为观察到的数据提供了最优的解释，其拟合优度显著超过强制融合、强制分离以及非后觉版本的贝叶斯因果推断模型。
- •
贝叶斯因果推断框架的解释力：关键的发现在于，贝叶斯因果推断这一计算框架不仅适用于解释传统的、基于共时信号的多感官整合，其核心算法——即对感官信号是否源于同一公共原因进行概率推断——同样能够成功地解释涉及时间回溯的跨模态后觉现象。模型参数还揭示了大脑在进行这种跨时间因果推断时的一些特性。
结论与讨论
这项研究通过对视听错觉行为的精细测量与计算建模分析，得出了一个重要的结论：大脑用于整合多感官信息的核心计算原理——贝叶斯因果推断——具有时间延展性。它不仅可以处理同时呈现的感官信息，还能够在一个较宽的时间窗口内，将后续输入的信息纳入考量，对先前事件的感知进行“回溯性”的调整与优化。这意味着我们的大脑并非被动地记录感官输入的时间序列，而是主动地构建一个关于外部世界因果结构的最佳假设。这个过程整合了来自过去、现在以及短暂未来的跨模态线索，最终形成一个统一、稳定且通常是最具生态效度的知觉体验。
该发现将因果推断在多感官整合中的作用从“空间”或“模态间”的共时关联，拓展到了“时间”维度上的动态关联，深化了我们对知觉统一性神经基础的理解。它提示，高级认知功能如因果推理，其影响可能渗透到非常早期的知觉处理阶段。未来研究可以进一步探索这种跨时间因果推断的神经机制，以及它在其他感知领域或临床条件（如自闭症谱系障碍、精神分裂症中可能存在的时间整合异常）中的表现。总之，这项研究为我们理解大脑如何巧妙地利用时间与跨模态信息来构建连贯的现实感，提供了一个强有力的计算理论框架。
