《Experimental Brain Research》：Comparing drift-diffusion modeling and finger tracking as a window into decision-making in handball penalty situations
编辑推荐：
在瞬间做出多选项决策是交通、航空、警务和体育等多个领域的关键方面。漂移扩散模型（DDM）作为一种将决策视为噪声证据累积的计算模型，以及手指追踪，均被认为能够捕捉决策随时间演化的过程。在本研究中，研究人员比较应用了DDM和手指追踪，以检验在手球罚球预期任务中瞬间
在瞬间做出多选项决策是交通、航空、警务和体育等多个领域的关键方面。漂移扩散模型（DDM）作为一种将决策视为噪声证据累积的计算模型，以及手指追踪，均被认为能够捕捉决策随时间演化的过程。在本研究中，研究人员比较应用了DDM和手指追踪，以检验在手球罚球预期任务中瞬间决策背后的过程。参与者观看时间遮挡的手球罚球视频，并通过指向或连续滑动向两个目标区域之一预测射门方向。研究人员通过使用光学运动捕捉系统追踪指向和滑动的轨迹，扩展了先前研究，并计算了按反应模态分组的漂移扩散模型。结果表明，DDM稳健地反映了决策过程。该模型在非决策时间（non-decision time）中准确反映了指向和滑动之间的运动差异，并显示出反应模态间的一致相关性。相比之下，手指追踪参数（即曲线下面积（AUC）、速度（velocity）、水平翻转（x-flips）和熵（entropy））在指向和滑动试次之间未显示出一致相关性，且强烈依赖于反应模态。此外，反应模态操控效应无法被手指追踪参数清晰识别。研究人员得出结论，与手指追踪相比，DDM似乎能为不同反应任务（即模态）下的决策过程提供更具模态不变性的洞察。
**研究背景与问题**
日常生活中，瞬间决策在交通、航空、警务和体育等领域至关重要。在手球7米罚球情境中，守门员从球出手到球越过球门线仅约350毫秒，必须在极短时间内感知、决策并执行动作，其成败直接影响比赛胜负。现有研究多依赖反应时和准确率等终点指标，虽能反映最终决策结果，却忽略了决策动态演化的过程。为克服这一局限，连续测量方法被引入：漂移扩散模型（DDM）通过将决策视为噪声证据累积（以漂移率v、边界分离a、起始点z和非决策时间t等参数表征），可从终点响应中反推认知过程；手指追踪则通过记录连续运动轨迹（以曲线下面积AUC、最大速度velocity、水平翻转x-flips和熵entropy等指标）直接观测决策的实时展开。然而，这两种方法常被独立应用，少有研究直接比较它们是否提供关于同一决策过程的可比洞察。此前Leontyev和Yamauchi（2021）与Weinberg等（2025）的初步比较发现，DDM参数与手指追踪参数之间存在部分关联，但后者仅分析了单一反应模态（滑动或键盘），未能实现跨模态的全面对比。因此，本研究旨在同时获取指向与滑动两种反应模态下的DDM参数和手指追踪数据，探究两者是否在决策过程上提供互补或一致的信息。
**研究内容与结论**
研究人员基于手球罚球预期任务，让27名右利手参与者观看时间遮挡（球出手时刻）的7米罚球视频，通过指向或连续滑动两种方式预测射门方向（左/右），并同时用光学运动捕捉系统（OptiTrack，4台Prime 17W相机，120 Hz采样）记录指向手指轨迹，以及用触摸屏（120 Hz）记录滑动轨迹。使用HDDM（Python包）对不同反应模态分别拟合DDM参数，使用mousetrap包（R语言）计算运动追踪参数（AUC、最大速度、x-flips、熵）。研究发现：DDM参数中，漂移率和非决策时间在指向与滑动间呈显著正相关，且非决策时间在指向上显著更长，而边界分离和起始点无显著差异；手指追踪参数在两种模态间均无跨模态相关性，且所有参数在模态间存在显著差异（指向的AUC、x-flips、熵和最大速度更大）；DDM与手指追踪参数的相关性仅在指向条件下非决策时间与x-flips呈正相关，回归分析显示边界分离与最大速度呈负相关。结论表明，DDM在跨反应模态中更为稳健，能分离认知成分（证据累积）与运动成分（非决策时间），而手指追踪参数强烈依赖于反应模态，反映的是决策与运动的整合过程。该论文发表在《Experimental Brain Research》。
**关键技术方法**（≤250字）
研究人员使用了光学运动捕捉系统（OptiTrack Prime 17W，4台相机，360 FPS，精度约0.1–0.3 mm）追踪指向试次的食指运动轨迹，以及iPad Pro触摸屏（120 Hz）记录滑动试次的连续手指轨迹。样本来源为27名右利手参与者（15女，12男，平均年龄20.56岁，其中4人曾有手球经验）。DDM参数通过HDDM进行贝叶斯MCMC采样（4链，每链20000次迭代，前5000次丢弃）估计，包括漂移率、边界分离、起始点和非决策时间。运动追踪参数（AUC、最大速度、x-flips、熵）使用mousetrap包计算，轨迹经镜像对齐、标准化起点和终点，并通过插值重采样至统一时间标度。
**研究结果**
1. **反应模态对DDM参数的影响**
后验分布分析表明，非决策时间在指向试次中显著长于滑动试次，而漂移率、边界分离和起始点无显著差异。跨模态相关分析显示，漂移率（r=0.80, p<0.001）和非决策时间（r=0.52, p=0.021）在指向与滑动间呈显著正相关，说明DDM能捕捉到模态间一致的决策过程，并将运动差异分离至非决策时间。
2. **反应模态对手指追踪参数的影响**
指向试次的AUC、x-flips、熵和最大速度均显著高于滑动试次，表明指向运动轨迹偏离更直接路径、方向变化更多、复杂性更高、峰值速度更快。然而，所有手指追踪参数在两种模态间均无显著相关性，说明这些参数强烈依赖于具体反应运动，而非反映模态不变的决策过程。
3. **DDM与手指追踪参数的对应关系**
Holm-Bonferroni校正后，仅在指向试次中发现非决策时间与x-flips呈正相关（r=0.68, p<0.001）。多元回归分析显示，边界分离对最大速度有显著负向预测作用（B=-1.65, p=0.030），而漂移率与所有追踪参数均无显著关联。这表明手指追踪参数（尤其是x-flips和最大速度）与非决策时间和边界分离存在部分关联，但未能体现证据累积过程。
**讨论与结论**
讨论部分指出，DDM参数在两种反应模态间的一致相关性支持其分离认知与运动成分的能力：非决策时间因运动需求不同而显著变化，但漂移率（证据累积速度）保持模态不变性。相比之下，手指追踪参数无法跨模态复制，表明其反映的是决策与运动的动态耦合，而非纯认知过程。这种差异源于方法假设：DDM将运动执行视为决策后的独立阶段，而手指追踪将整个运动轨迹视为决策的直接表达。研究还排除了3D到2D降维对结果的影响（z轴变异仅占2.2%）。研究强调，即使指向与滑动这类微小运动变化也足以强烈影响手指追踪参数，提示其在更生态效度任务中可能更加敏感；而DDM则更适用于隔离决策相关认知过程。结论翻译如下：
**结论**：本研究发现，DDM在时间压力下的预期任务（如手球罚球）中稳健地反映了决策过程。基于现有研究，研究人员使用了光学运动捕捉系统追踪指向和滑动运动的轨迹，并按这些反应模态分组计算了漂移扩散模型。DDM在非决策时间中捕捉到了指向与滑动之间的运动相关差异，表现为反应模态间的一致相关性。然而，手指追踪参数（即AUC、最大速度、x-flips和熵）在指向与滑动试次之间并未呈现一致相关性。结果表明，手指追踪参数与表达决策的反应模态紧密绑定，因此反映了决策过程的模态特异性整合过程。相反，通过将证据累积与运动执行分离，DDM更适用于在不同反应模态下隔离决策相关过程，而手指追踪对于研究决策与运动的连续耦合可能更具信息价值。
