运用分析层级框架研究社会情感 |《自然综述：心理学》

内疚和感激等社会情感对社会互动和人际关系至关重要。因此，为了研究社会情感的心理与神经机制，一种符合生态学原理的方法是在社会互动情境中引发社会情感并加以测量，在这种环境下，相关的适应性目标和功能较为突出。然而，在实时社会互动中，多个心理和神经认知过程可能会同时被激活：传统基于观察的任务和自我报告测度不足以捕捉和分解这些过程。在本篇观点文章中，作者借鉴了David Marr的分析层级框架（level-of-analysis framework），认为从整体考虑社会情感的目的和功能（计算层次），对其背后认知操作进行形式建模（算法层次），以及对这些认知操作的生物学基础进行神经科学测量（实现层次），将能提供有助于深化理解社会情感的理论框架和方法论工具。为了支持这一论点，研究人员开展了本研究，表明运用创新方式将互动任务、神经和行为测量以及计算建模结合起来，有助于深入理解社会情感如何产生并实现其适应性目标和功能。

在本研究中，一名“肇事者”和一名“受害者”需要共同完成一项视觉搜索任务。任一受试者未能完成任务，都会给“受害者”造成金钱损失。当发生金钱损失时，“肇事者”被要求二选一，要么给予“受害者”更多的金钱赔偿并且在试验结束时与“受害者”进行视频交流的可能性上升（趋向性选项），要么给予“受害者”更少的金钱补偿并且与其进行视频交流的可能性下降（回避性选项）——通过移动鼠标光标进行选择。之后，受试者对他们当时所感受到的内疚和尴尬（“肇事者”）或愤怒和尴尬（“受害者”）的强度进行打分。

注：以上内容节选自综述论文A levels-of-analysis framework for studying social emotions，仅供分享导读，更多内容请参见论文原文。