最后通牒博弈的研究

4.1.2.1　中等公平水平提议涉及更多的加工冲突

Polezzi等（2008）最早采用改编的最后通牒博弈范式，记录了被试在看到对方提议分给自己的份额时的脑电活动。该研究分析了最后通牒博弈中反应者对不同提议额（分得总额的1/10、2/10、3/10、4/10、5/10）的行为和脑电反应。该研究的行为结果与绝大多数研究一致，不公平提议下的拒绝率更高，且中等公平水平提议（3/10）的反应时最多。脑电分析发现，在提议额呈现后的200～300ms时间窗口内，3/10和1/10的方案诱发了更大的反馈负波FRN，在300～400ms时间窗口内，3/10的方案诱发了更大的N 350（参见图4-3）。对FRN和N 350的源分析发现了左侧颞上回（left superior temporal gyrus）和左顶下小叶（left inferior parietal lobule）这两个经典的心理理论加工区。研究者认为，FRN反映了对不理想结果的评价，N350反映了认知冲突，而源分析结果则表明博弈过程中涉及对他人心理的揣测与加工（Polezzi，et al.，2008）。

然而，这个ERP实验设计有几点可能会对结果造成污染。①实验采用了重复博弈的方式。即被试跟同一个对家连续进行200轮博弈，其中1/10、2/10、3/10、 4/10、5/10的提议额各重复40次。这种设计可能使被试对提议的加工过程包含了名声建立这一混淆因素。②提议只呈现分给被试的份额，提议者留给自己的金额不显示。这种呈现方式使得被试对提议的加工需要额外的计算，如提取对方的份额、进行比较、得出公平与否的判断。以上混淆因素可能导致结果反映的并非不公平厌恶本身。此外，该研究所提到的FRN与经典的FRN波形有较大差异，让人比较难以理解。

图4-3　分配提议诱发的总平均波幅（摘自Polezzi等，2008）

4.1.2.2　MFN波幅与个体的道德认同感相关

Boksem和De Cremer（2010）的ERP研究采用重复单轮（repeated one-shot）的博弈范式，除了让被试完成最后通牒博弈外，还测量了被试在道德认同（moral identity）特质上的差异。道德认同是个体对社会道德体系中诸多规范的认可程度和接受程度。研究者使用的道德认同量表包括两个子量表：道德内化（moral internalization）和道德象征化（moral symbolization）。前者指个体的道德规则植根于内心的程度，后者是指个体对自己在社会生活中的言行举止符合道德规范的认识。被试均为反应者，完成48轮最后通牒博弈。其中，一般的试次里，给被试呈现人的图片，表示提议者为人，另一半的试次里，给提议者呈现计算机的图片，表示提议者为计算机。每一轮博弈总额为20。24轮博弈里的出价为12轮10、5轮6、4轮4、3轮2。分析时，将后三种出价合并为不公平出价，因而公平和不公平提议各12轮。为避免MFN与其他成份的重叠，研究者采用差异波的赋值方式，将不公平出价诱发的波幅减去公平出价的波幅，然后提取Fz和AF4电极点差异波上300～350ms内的平均波幅。ERP结果分析发现，在AF4电极点，MFN波幅与0有显著差异，不公平出价比公平出价诱发了更负的波幅，但这一差异在Fz电极点并不存在。重要的是，在Fz和AF4电极点，MFN的波幅均与个体的道德认同得分相关，个体的道德认同感越强，MFN波幅越偏负，即不公平出价与公平出价诱发的波幅差异越大。但是，MFN波幅与个体的拒绝率不相关。研究者认为，不公平出价是一种负性的社会结果，因而诱发了MFN。由于MFN被认为反映了结果对预期的违反，因而，对不公平出价诱发了MFN效应的解释是，在最后通牒博弈中，人们认为公平分配才是社会规范，预期得到公平的出价，不公平的出价会被认为违反了预期，所以产生了MFN效应（Boksem＆De Cremer，2010）。该研究的贡献是探讨了个体道德认同感这一变量，并发现了它与MFN波幅的相关。遗憾的是，研究者只报告了提议者为人时的结果，未报告提议者为计算机的结果，也未将两者进行比较，无从得知MFN波幅是否受博弈对象的调节。另外，该研究未报告个体的道德认同感和拒绝率是否相关，仅报告了MFN波幅与拒绝率不相关，因而不能推测预期违反是导致个体拒绝行为的原因。非常遗憾，该研究未能发现与个体决策行为相关的成分。

除了实验结果的报告不完整外，该研究还有一些不足。①实验中的重复试次数量相对较少，每个条件下只有12轮，这在ERP实验中非常少见。因为ERP数据结果要经过矫正、去伪迹等步骤，一些试次很可能被剔除，这样可用的试次就更少了，叠加后势必让结果不准确，也无法对数据进行更细致的分析，比如考察不同不公平水平条件下的MFN波幅差异。研究者在讨论部分对这一不足进行了辩解（估计是由于某审稿人提出了质疑），认为很难在重复多个试次的同时让被试确信最后通牒博弈情境的真实性，所以为了保证实验情境的真实性，而牺牲了重复的试次量。这一辩解实际上很无力，因为在后文将会看到，完全可以既重复多次，又让被试相信情境的真实性。②一般而言，MFN波幅和效应在Fz和FCz电极点达到最大。而该实验中在Fz电极点未发现MFN效应，只在AF4电极点发现MFN效应，这种不一致，比较让人费解。

4.1.2.3　公平提议诱发的FRN波幅与对不公平提议的拒绝率相关

同样是从预期违反的角度，Hew ig等（2011）考察了最后通牒博弈中决策行为的基本机制以及个体差异。在他们的研究中，被试既要作为提议者，也要作为反应者，完成最后通牒博弈和独裁者博弈。作为提议者，要进行40轮最后通牒博弈和10轮独裁者博弈，并被要求拍照以为后面的实验所用。这个过程只是让被试相信，他们作为反应者时面对的提议是由真实提议者提出的（这个操纵是成功的，13名被试中只有1人不相信实验情境的真实性，之后的数据分析不包括该名被试的数据）。在作为反应者时，被试进行240轮最后通牒博弈（6种条件下各重复40轮：6/6、5/7、4/8、3/9、2/10、1/11，总额为12，斜线前数字为反应者的份额，斜线后数字为提议者留给自己的份额）。每一个试次，给被试呈现不同提议者的图片（有部分是之前做过实验的被试的图片，也有部分来自面孔图片数据库）。最后通牒博弈结束后，被试还完成60轮的独裁者博弈，与最后通牒博弈一样的6种提议，每种条件重复10次。在被试作为反应者完成最后通牒博弈和独裁者博弈的同时，记录被试的脑电EEG和皮肤电反应SCR。被试完成博弈任务后，还需对每种提议所诱发的情绪进行从1（负性）到9（正性）的打分。

实验者分析了两个脑电成分：FRN和P3，前一成分以Fz电极点280～320ms内的平均波幅赋值，后一成分以Pz电极点350～450ms内的平均波幅赋值。行为结果分析发现，被试对提议的拒绝率随提议的不公平程度提高而提高。对2/10的拒绝率在50%左右，表现出最大的被试间差异。被试对提议诱发的情绪评价也随提议的不公平程度提高而更偏负性，且在最后通牒博弈和独裁者博弈中的评价无差异。提议越不公平，所诱发的皮电反应越强烈。ERP结果分析发现，不公平提议（1/11）比公平提议（6/6）诱发了更大的FRN波幅，在前额部电极点达到最大（参见图4-4），且最后通牒博弈和独裁者博弈中的F RN波幅无差异。P 3上得到了非线性的效应：不公平提议（1/11）诱发了最大的P3波幅，3/9提议诱发了最小的P3波幅，随后，P3波幅随着提议公平性的提高而增加。

图4-4　提议诱发的总平均波幅及FRN和P 3效应的头皮分布（摘自Hewig等，2010）

最后，研究者还进行了个体差异分析。在个体水平，将被试对2/10提议的拒绝或接受行为作为其理性程度的指标；将每个被试对每种提议的主观情绪评价值取平均，作为被试的情绪反应值；将每个被试对每种提议的皮电反应值取平均，作为被试自主神经系统反应量的指标；对于被试的FRN波幅，分别提取公平提议（6/6）和不公平提议（1/11）条件下在Fz电极点的最大值。对这四个变量做相关分析，结果发现，对2/10提议的拒绝率越高的被试，对情绪的主观评价也更偏负性，其皮电反应也更大，但与FRN效应（公平提议与不公平提议诱发的差异波）呈现边缘显著（r＝－0.44，p＝0.078）。虽然不公平提议（包括5/7、4/8、3/9、2/10、1/11）诱发的FRN波幅与拒绝率不相关，但公平提议（6/6）诱发FRN波幅与拒绝率相关，拒绝率越高，FRN波幅越小。以对2/10的拒绝率为因变量，以情绪反应、皮电反应、公平提议诱发的FRN波幅为自变量，所做的逐步回归模型分析发现，每个因素都可以独立地解释一部分变异，但最后进入的FRN波幅因素只有边缘显著。三个因素在一起可以解释大部分的变异（R2＝0.84，F（3，8）＝13.7，p＜0.002）。研究者同样分析了P3成分，但未发现有显著效应（Hew ig，etal.，2011）。

这个研究的贡献在于从多个角度证实了情绪与拒绝率的关系，对情绪的主观评价、客观的自主神经系统反应以及脑电反应，都与对不公平提议的拒绝率相关。然而，该研究所发现的，不是不公平提议诱发的FRN波幅，而是公平提议诱发的FRN波幅与对不公平提议的拒绝率相关，这个结果比较令人意外。研究者在讨论部分明确表示，这个结果难以解释。但同时也提出了两个可能性：①被试预期提议者提出不公平的提议，更倾向于接受不公平的提议，而公平提议引发了正性的预期违反，反而诱发了更大的FRN波幅，造成了FRN波幅越小，拒绝率越高的相关结果；②由被试对提议的主观评价和皮电反应可知，被试对公平这种奖赏很敏感。可能对奖赏越敏感的被试，不公平提议所诱发的失望就更大，因而更倾向于拒绝。这两种可能性的核心在于被试的主观预期。后续的实验可以从这个角度来进一步考察MFN波幅与行为拒绝率的关系。

4.1.2.4　MFN波幅对公平水平的敏感性受总额大小的调节

van der Veen和Sahibdin（2011）在让被试完成最后通牒博弈时，同时记录了被试的脑电反应和心跳反应。以往的研究中，公平水平和数量大小是同时变化的，比如在Hew ig等（2011）的研究中，6/6的出价不仅比1/11的出价更公平，其数值也比后者更大，因而，混淆了公平水平和量的大小这两个变量。在van der Veen和Sahibdin（2011）的研究中，使用了不固定的总额，控制了这个因素。该研究使用了与Hew ig等（2011）的研究类似的情境设置环节，以作为托辞，目的同样是在获取多轮重复试次的同时，让被试相信实验情境的真实性。实验是一个3（提议公平水平：公平、不公平、极不公平）×2（总额：大额、小额）的被试内设计，因而共有6种提议类型：大额公平（总额为16，出价为总额的40%～50%），大额不公平（总额为25，出价为总额的27%～33%），大额极不公平（总额为37.5，出价为总额的18%～22%），小额公平（总额为3.35，出价为总额的40%～50%），小额不公平（总额为5，出价为总额的27%～33%），小额极不公平（总额为7.5，出价为总额的18%～22%）。被试作为反应者，共进行120轮最后通牒博弈，每种提议类型重复20次。以极不公平提议与公平提议诱发的在375～475ms之间的波幅的差异作为MFN幅值。行为结果分析发现，对不公平提议和极不公平提议的接受率比较低，且当总额数量较小时，接受率更低。ERP结果分析发现，在大额条件下，Fz和Cz电极点，极不公平提议和不公平提议诱发的MFN波幅都显著大于公平提议诱发的MFN波幅，而在小额条件下，各提议诱发的MFN波幅无差异。研究者还分析了被接受的提议与被拒绝的提议诱发的MFN幅值的差异，发现并不显著。公平与不公平提议诱发的MFN幅值差异与接受率不相关，但被接受的提议与被拒绝的提议诱发的MFN幅值差异与接受率负相关，MFN幅值差异越大，接受率越低。心跳反应分析的结果发现，极不公平提议与公平提议相比，其心跳减速明显更少；被拒绝的提议比被接受的提议产生的心跳减速更少。提议诱发的MFN波幅与心跳反应不相关（van der Veen＆Sahibdin，2011）。

图4-5　大额和小额提议诱发的总平均波幅
（摘自van der Veen&Sahibdin，2011）

这个研究的一大创新是加入了提议金额大小这个变量。这个做法显然是有成果的，因为该研究发现了公平水平与金额大小在MFN波幅上的交互作用。提议诱发的MFN效应受分配总额大小的影响：不公平提议与公平提议诱发的MFN波幅差异只存在于金额较大时。这个结果用前几个研究所提出的预期违反假设显然不能解释，因为金额较小是不公平提议没有诱发更大的MFN幅值。研究者提出MFN反映了社会痛苦（social pain）的假设，即在社会交往中产生的让人痛苦的事件诱发了MFN，痛苦程度越大，MFN幅值越大。这一假设有待进一步验证。该研究也发现MFN波幅与决策行为较低的相关性，且MFN波幅与心跳反应也相互独立。因而，研究者提出了另一个假设：MFN反映了对事件的评价中的认知成分，而心跳反应则反映了对事件评价中的情绪成分。这与已有MFN的假设有些不同，同样有待进一步验证。

4.1.2.5　MFN波幅受社会距离的调节

Campanha等（2011）考察了最后通牒博弈中社会距离对MFN波幅的影响。提议者可能与被试是陌生人，也有可能是被试的朋友。共进行144轮博弈，三种提议水平：公平（50∶50）、中等不公平（70∶30）、不公平（80∶20或90∶10）。博弈结束后，被试评价由朋友和陌生人提出的各类提议的公平水平。结果发现，当不公平提议由朋友提出时，拒绝率更低，对公平水平的主观判断也更偏公平，且MFN波幅反转为正性。对MFN成分的源定位分析发现在内侧前额叶区域。研究者引入框架效应来解释这一结果：友谊诱发了一种基本的偏向，影响着被试对提议公平性的主观感知，反映在接受率和公平性评价上。更高的接受率可能还表现了一种预期，预期这种一开始的不公平能够随着实验的进行而抵消。另外一种解释是：被试觉得没有理由付出代价去惩罚他们的朋友，毕竟接受提议，既保证了自己的利益也保证了朋友的利益。被试会赋予友谊一定的主观价值，不希望负面的不公平的评价来伤害友情。被试以一种长远的视角来调整自己的行为，对于朋友，以后还有合作的机会，没有必要实施惩罚，而对于陌生人，则没有这层顾虑。对于MFN效应，研究者引用了Boksem和De Cremer（2010）的解释：MFN反映了社交痛苦，比如社会交往中遭到的不公平对待。根据公平性判断的结果，陌生人提出的不公平提议比朋友提出的不公平提议引起的不公平感更甚，即痛苦更大，因而陌生人诱发的MFN波幅较大。经过一些试次后，被试会建立起奖赏预期，对朋友提出的不那么“痛苦”的不公平提议，多巴胺系统会产生一个正性的奖赏预期错误信号，而对陌生人提出的不公平提议，多巴胺系统则产生一个负性的奖赏预期错误信号，这样就造成了当对方为朋友时MFN波幅上极性的反转。研究者自己也承认这一解释非常地“投机”（speculatively），并承认朋友与陌生人之间的比较，混淆了很多因素，如社会距离、相似性、同情和信任等，因而很难将发现的效应映射到一个具体的因素上。另外，该实验使用了非金钱激励，这在一定程度上也会影响实验结果（参见第3章第2节的有关内容）（Campanha，Minati，Fregni，＆Boggio，2011）。该文章有个亮点，在其结束语中引用了亚里士多德的名言，总结了该研究的含义：“我们珍视友谊只为友谊本身，即使它不会给我们带来任何其他东西。”该研究显示了友谊的力量——当不公平提议由朋友提出时，它就变得没那么不公平了。如果该研究在实验后有访谈，就会有助于对该结果的解释。

友谊，或许也有文化差异。因为另一研究采用类似的设计，得到了截然相反的结果。Wu等（2011）采用了独裁者博弈，考察了当提议者是朋友和陌生人时的行为和ERP差异。每轮博弈后，让被试评价对该轮提议的满意度。行为结果发现，当不公平提议是由朋友提出时，对其满意度的评价更低。MFN波幅上也发现，朋友提出的不公平提议诱发了更大的MFN负走向。作者认为，MFN反映了对公平这一社会规范的预期违反，当对方是朋友时，公平预期更强烈，因而朋友提出的不公平提议就诱发了更大的MFN波幅（Yin Wu，Leliveld，＆Zhou，2011）。

周晓林老师对这两篇研究结果的不一致进行了回应，并作为简讯（letter）与Campanha等（2011）的文章发表在一起。在文中，周老师提出，两个研究在实验程序上有两个不同：①实验博弈不同，一个是最后通牒博弈，一个是独裁者博弈，前一博弈里，反应者有权接受或拒绝，后一博弈里，反应者只能被动接受。博弈结构的不同，也许会造成MFN效应的差异。②Campanha等（2011）的研究中，被试只与一位朋友和一位陌生人博弈，因而朋友的身份是具体而明确的，在Wu等（2011）的文章中，被试与两位朋友博弈，因而朋友的身份是不确定的。这样的设计使得在Campanha等（2011）的研究中，被试更关注于与朋友的长期友谊的维持，因而大脑反应也会受这一策略的影响，即被试是一种未来取向，这种取向抑制了被试对朋友提出的不公平提议的冲动反应。而在Wu等（2011）的实验中，被试的反应则是自动的、未受抑制的。

如果周老师的“长期取向”的解释可靠的话，那么为何中国被试没有表现出这种长期取向呢？这是由朋友身份的确定与否引起的，还是博弈结构的不同造成的，又或是由文化差异引起的？是不是中国人更关注于眼前的短期利益而巴西人更关注于长期利益？或者说巴西人更注重友情，更愿意为友情付出，而中国人持功利主义，更愿意从友谊中获取利益？也许在当代的中国，拜金和逐利思想已成为主流价值观，友情不过是利益交换所披的美丽外衣？显然，需要更多的研究来澄清这些问题。

4.1.2.6　责任感与启动负性情绪下的MFN波幅相关

王益文等（2011）考察了提议诱发的MFN波幅与个体情绪状态及人格特质的关系。研究采用情绪图片启动方法来诱发被试的正性情绪和负性情绪，其图片来自标准化中国情绪图片系统（Chinese affective picture system，CAPS），在唤醒度和效价上进行了匹配。被试作为反应者，完成40轮最后通牒博弈，其中20轮为公平出价（总额￥100，出价￥31～￥50），20轮为不公平出价（出价￥21～￥30）。每轮博弈开始前，给被试呈现500ms的情绪图片，然后呈现分配方案1500ms，被试同时需作出决定。博弈任务完成后，被试填写一份大五人格问卷。研究者以提议呈现后250～400ms内基线到最负向峰之间的值作为MFN的波幅值。ERP结果分析发现，启动正性情绪时，不公平提议所诱发的MFN（M＝1.79μV）要显著负于公平提议所诱发的MFN波幅（0.63μV），而启动负性情绪时，提议发油的MFN波幅无差异（参见图4-6）。人格问卷的结果分析发现，责任感与启动负性情绪状态下的MFN差异波呈显著正相关，责任感得分越高，MFN差异波的波幅越正（公平提议与不公平提议诱发的MFN波幅差异越小），但责任感与正性情绪状态中的差异波之间却没有显著相关。对所有被试的人格量表得分与MFN原始波的波幅做了进一步相关和回归分析（责任感为自变量，MFN的波幅值为因变量）。结果只发现，在负性情绪状态下，当提议为不公平时，责任感与MFN呈显著正相关，责任感越强，不公平提议诱发的MFN波幅越偏正（Wang，et al.，2011）。该研究的中文版发表于《中国科学·生命科学》期刊，英文版发表于sychophysiology期刊。

图4-6　启动正性和负性情绪下提议诱发的总平均波幅（摘自王益文等，2011）

4.1.2.7　精神分裂症对奖赏极为敏感

行为科学研究一章曾介绍过，精神分裂症患者在认知与情绪加工上均存在缺陷，在进行最后通牒博弈时不善于进行策略性思考。Yang-Tae等（2011）考察了精神分裂症患者与正常人在脑电上的差异。该研究中的精神分裂症患者是来自医院的患者，他们正在服药，但在实验期间并没有急性症状。在患者和控制组作为反应者进行最后通牒博弈时记录他们的EEG。分析脑电的时频特征和相位同步性，发现病患组对不公平提议（出价＄1，总额＄10）的接受率显著高于正常组。拒绝前300ms，发现β和γ频率振荡在右半球减少，在左半球增加，表明在偏侧化上存在不足。接受提议后400ms，发现γ频率振荡的异常，表明病患组对奖赏的超敏感性。在－400～400ms时窗内，病患组的额中区和颞顶区的长时程γ带宽同步性下降，表明精神分裂症在局部和长时程同步性上均存在缺陷，影响其在复杂决策中的功能发挥（Yang-Tae，Kyongsik，＆Jaeseung，2011）。

4.1.2.8　公平加工受损益情境及博弈对象的调节

我们采用最后通牒范式，考察了不公平厌恶的大脑加工如何受损益域（domain）及博弈对象的调节（Zhou＆Wu，2012）。已有行为研究发现，相对于获益域，损失域下对不公平提议的拒绝率更高（Zhou＆Wu，2011），损失情境下更加关注公平，但损失情境强化不公平厌恶的神经机制尚不清楚。因损失域涉及更多的抑制加工，预期损失域下的不公平提议会诱发更大的负成分。另外，为考察公平加工是否受博弈对象的影响，特加入人机博弈条件，以与人际博弈进行对比。已有研究曾发现，即使明知博弈对象是计算机，被试也会拒绝不公平的提议（Alan G.Sanfey，et al.，2003），表明公平加工的跨对象特性。但人机博弈是否与人际博弈具有类似的大脑活动模式，目前较少研究探讨。我们预期，与人际博弈相比，人机博弈下对提议公平性的加工将会减弱，损益域的差异也相对较小。

实验采用2（损失域/获益域）×2（博弈对象：人/计算机）×2［提议公平水平：不公平（1/9、2/8）、公平（4/6、5/5）］被试内设计，3/7为填充材料，共10种分配提议：获益域下1/9、2/8、3/7、4/6、5/5；损失域下－9/－1、－8/－2、－7/－3、－6/－4、－5/－5，斜线前数字表示分配给反应者的部分，斜线后数字表示提议者自己的部分。因变量为反应者对每类分配提议的拒绝率，以及看到每种分配方案时的脑电成分。

被试均为反应者，完成多轮最后通牒博弈。由计算机程序决定每轮博弈是总体赢钱（＋￥10）还是赔钱（－￥10），然后将提议者提出的分配方案呈现给反应者，反应者决定是否接受。在总体赢钱情况下，如果被试拒绝了方案，则双方都得￥0；在总体赔钱的情况下，如果拒绝了方案，则双方都扣去￥10。如果接受了该轮方案，双方则按方案来分钱或承担后果。被试最后的报酬在参与实验应得的报酬的基础上根据其在博弈中的选择作相应额度的增减。

实验开始前被试仔细阅读指导语。向被试强调分配提议是由不同的对家提出的，但是由于无法在统一的时间地点同时进行博弈，所以事先收集了他们的数据。由于每一轮是跟不同的对家进行博弈，所以被试每一轮的选择不影响接下来的分配提议，也不影响下一轮是一起赢钱还是赔钱，但是被试的选择决定了他自己最后的收入，也决定了对家最后的收益。这种操纵是重复的单轮博弈（repeated one-shot game），可以实现与同一个对家进行单轮博弈的同时，满足每种提议条件下有多个重复试次的需求，并强化博弈情境的真实性。被试正确理解博弈规则后开始实验。正式实验前进行20轮练习，以帮助熟悉博弈规则和按键操作。

每一轮博弈开始屏幕中央呈现注视点，持续800～1200ms之间不等。然后呈现该轮博弈的博弈对象，是人或计算机，图片呈现1000ms后消失。间隔500ms的黑屏后呈现对方的分配提议1200ms，这段时间内被试不可做出按键反应。在呈现按键提示屏后，被试在2s内按键反应（反应对应按键在被试间平衡）。一段300～700ms不等的间隔后呈现该轮博弈的结果1500ms，若被试选择接受，则结果与分配提议一样，若被试选择拒绝，则在赢￥10条件下双方都得0，在赔￥10条件下双方都－10。若被试在规定时间内未完成按键，视为反应错误，则该轮博弈被试将得￥0或赔￥10，对家的金额不受影响。注视点出现表示下一轮博弈开始。脑电成分分析被试看到提议时刺激锁定的相关活动。单轮博弈流程以及重要控制参见图47。

图4-7　实验单轮博弈流程图

共进行440轮博弈，分10个区组，每个区组有44个试次。每类公平（包括5/5、－5/－5、4/6、－6/－4）与不公平（包括1/9、－9/－1、2/8、－8/－2）提议各重复50次，中等公平（3/7、－7/－3）条件各重复20次，对家为人和对家为计算机各半。分配提议以伪随机方式呈现。为避免呈现序列的影响，损失和获益域连续出现不超过4次，同一种分配提议连续出现不超过3次，对家为人或对家为计算机的试次连续出现不超过4次。

按分配提议的类型进行叠加平均，取得每个被试看到每类提议时的脑电波幅。对总平均波幅的视觉检测发现各条件间的波幅潜伏期比较一致。根据总平均波幅的特征（参见图4-8），提取了N 1（50～150ms时窗内的最小峰值）、P 2（200～ 400ms时窗内的最大峰值）、N350（300～450ms时窗内的最小峰值）、LPP（late positive potential，400～700ms时窗内的平均波幅）的幅值，进行2（损失域/获益域）×2（博弈对象：人/计算机）×2［提议公平水平：不公平（1/9、2/8）、公平（4/6、5/5）］重复测量的方差分析。

已有几篇ERP研究均将提议呈现后300～400ms时窗内的负成分视作FRN/MFN来分析（取mean值）和解释（预期违反理论：不公平提议违反了公平的社会规范，因而诱发更大的FRN/MFN）。我们将提议呈现后300～400ms时窗内的负成分视作N350来分析（取peak值）和解释（认知抑制），主要基于以下考量：①经典FRN/MFN是在错误相关负波（error-related negativity，ERN）研究的基础上发展而来，常见于赌博任务（gambling task），是出现在反馈刺激后250～350ms后的一个负偏转（negative deflection），在额叶中部（frontalcentral）达到最大，它特异性地出现在金钱损失或反应错误的反馈后，正性反馈如赢钱或正确反应通常不会诱发该成分。②采用最后通牒博弈，尽管Boksem和Cremer（2010）得到了类似赌博任务下的波形，但更多的研究得到的波形如图4-3。③从波形上看，赌博任务下的FRN/MFN是一个负偏转，其峰值幅值多为正，且正性反馈下负偏转不明显或较弱。而在最后通牒博弈任务下，300ms左右这一负成分很明显，而不仅仅为负偏转，另外，正性结果（如公平分配）也明显地诱发了该负成分。④已有对FRN/MFN的溯源分析发现在ACC附近（Gehring＆Willoughby，2002b；R.Yu＆Zhou，2009），我们对本实验300～400ms时窗内的ERP成分进行源分析，未发现ACC这一区域。⑤N350与FRN/MFN有类似的幅值和头皮分布（额中部，frontalcentral），主要起抑制作用。最近兴起的社会认知神经研究也报告了N350，如在结果反馈时，将自我结果与他人结果进行社会比较会诱发该成分，且奖赏比别人多（优势不公平）和比别人少（劣势不公平）比相同奖赏（公平）诱发的成分更负，研究者认为N350可能反映了奖赏预期违反（预期公平）（Qiu，et al.，2010）。最早一篇ERP研究也报告了N350，中等公平提议比不公平和公平提议诱发了更大的N350，研究者认为反映了决策冲突和加工难度（Polezzi，etal.，2008）。尽管该研究也报告了FRN，但我们认为本实验结果更接近该研究的N350。⑥综上，结合本实验得到的波形和FRN/MFN、N350的特点，决定将300～400ms时窗内的成分作为N350来进行分析。实际上，若将已有几篇UG ERP的FRN/MFN结果视为N350的话也可以得到解释：不公平提议诱发了更强的决策冲突和加工难度——自利动机驱动的接受提议与追求公平动机驱动的拒绝提议之间的冲突，更难以做出决策。

图4-8　损益情境下各类提议所诱发的总平均波幅

本研究发现，损失域下被试对不公平提议的拒绝率更高，这与已有行为研究的结果一致（Zhou＆Wu，2011）。尽管博弈对象不影响被试对提议的拒绝行为，但在脑电活动上有所不同：对家为人比对家为计算机诱发了更负的N1，但只在获益域下；人机博弈时，获益域比损失域诱发了更大的P2和LPP，损失域比获益域、不公平提议比公平提议诱发了更大的N350，而公平提议比不公平提议诱发了更大的LPP；人际博弈时，这些差异均不显著。这些结果表明大脑对分配提议的加工受博弈对象的调节，人际博弈时，对损益域、公平与不公平提议的加工类似，而人机博弈时，损失域和不公平提议涉及更多的抑制加工和冲突解决，获益域和公平提议则更富动机性意义。

当正性情境下可对博弈对象作出区分时，人际博弈比人机博弈诱发了更负的前部N1，可能是因为在这一早期视觉注意阶段，“他”比“它”捕获了更多的注意资源，得到了更多的编码表征，即人所提出的提议比计算机所提出的提议引发了被试更多的外源性注意（自下而上）和更大的内源性关注（自上而下）。这表明早在100ms左右，大脑就可对博弈对象做出区分，比起人机交互，人际交互更受关注。

博弈对象与损益域在P2波幅上的交互作用，再次表明博弈对象在决策加工中的影响。我们认为，P2反映了以目标为导向的自上而下的加工，对与目标一致的动机性信息敏感。在本研究中，当对家为计算机时，获益域比损失域诱发了更大的P2，可能是因为与计算机博弈时，相对于损失域，获益域这一信息与个体趋利避害的天性一致，并更符合经济利益最大化这一具体目标，因此具有更强的动机性含义和凸显性，从而能够被及时提取，并被P2表征。而当对家为人时，个体除了经济利益最大化这一目标外，还有追求社会公平这一动机（Knoch，Pascual-Leone，Meyer，Treyer，＆Fehr，2006）。在双重动机的影响下，一起分担损失和一起获利，对个体而言，具有同等重要的影响，因而在P2波幅上无差异。这些结果提示，人与人交往时，损失分摊和利益分享都具有重大的意义，而人机博弈时，赢钱的意义大于赔钱。

本研究发现了博弈对象与损益域、博弈对象与提议公平水平在N350上的交互作用：对方为计算机时，损失域、不公平提议诱发了更大的N350，而对方为人时，损益域、公平/不公平提议诱发的N350无差异。已有研究曾表明，相对于获益域和公平提议，损失域和不公平提议诱发了更强的负性情绪和决策冲突（Zhou＆Wu，2011），因而需要更多的抑制加工。作为抑制加工的指标，N350效应仅表现于人机博弈而消失于人际博弈，这可能与人际博弈加工的特殊性有关。人际博弈时，涉及更多心理理论的推理加工，比如对对方意图和目标的揣测。相比之下，对损益域以及提议公平或不公平等信息的加工相对弱化。如Rilling等（2004）的UG脑成像研究发现，人际博弈和人机博弈均激活了经典心理理论（theory of mind）区，如前扣带回和颞上沟后部（posterior superior temporal sulcus，posterior STS），但人际博弈下这些区域的激活显著更强（Rilling，Sanfey，Aronson，Nystrom，＆Cohen，2004）。Polezzi等（2008）的ERP研究的源分析结果也发现，中等公平水平的提议比公平提议诱发了更强的颞上沟区域的活动（Polezzi，et al.，2008）。这两个研究证实，相对于人机博弈，人际博弈时具有更多的心理理论加工的参与。当认知资源被心理理论加工占据时，分配到损失域和不公平提议上的抑制加工资源减少，导致N350上差异不显著。而人机博弈时，认知资源较多地分配到加工提议信息本身，损失、不公平等信息被有效提取，其引发的负性情绪和决策冲突能得到表征和抑制，从而在N350上表现出差异。

在晚期再评价阶段，再次发现了博弈对象与损益域、博弈对象与提议公平水平的交互作用：对方为计算机时，获益域、公平提议诱发了更大的LPP，而对方为人时，损益域、公平/不公平提议诱发的LPP无差异。这个结果可能是因为，与计算机博弈时，由于趋利避害的天性和偏好公平的倾向性，相对于损失和不公平提议而言，获益和公平提议对个体的动机性含义更强，它们与自我利益最大化的目标一致，并直接增长经济利益，因此这些正性信息起到正强化的作用，在晚期再评价阶段得到凸显；而人际博弈时，由于心理理论加工的存在，关注于对对方意图的揣测，从而使得对其他信息的再评价加工减弱，因而无论获益还是损失，公平提议还是不公平提议，在LPP波幅上无差异。

值得一提的是，尽管博弈对象影响对公平加工的脑电反应，却不影响行为决策。这一相分离的结果可能是因为脑电指标比行为指标更敏感，也可能是因为脑电成分只能反映信息加工的某一阶段，而行为结果则是整个信息加工过程的最终输出结果，两者无法一一对应。人机博弈与人际博弈的决策结果无异，其原因可能有二：①被试采取了简单而稳定的决策策略，比如接受公平提议拒绝不公平提议。一旦形成这种稳定的策略和倾向，决策就不易受到博弈对象的影响了。对每个被试每种条件下前10个试次和最后10个试次的决策行为的比较分析，发现两者几乎完全一致，表明在经过练习程序后，被试即形成了稳定的策略和决策倾向。②计算机对象拟人化。如Rilling等（2004）提出，被试对计算机对象与人一视同仁（imbue），即人机博弈激发了类似于人际博弈的情感和行为（Rilling，et al.，2004）。目前将人际博弈与人机博弈直接进行对比的研究比较少，尚需更多的研究来探讨两者的异同。

4.1.2.9　小结

有关最后通牒博弈的ERP研究，发现对不公平提议敏感的MFN成分。该成分对不公平提议的敏感性受社会距离、启动情绪、总额大小等因素的调节，且与道德认同感、责任感等个性差异因素相关。然而，MFN波幅与决策行为的关系，社会距离对MFN波幅的影响，已有研究得到的结果并不一致。另外，已有研究多用违反公平的社会规范来解释MFN，但鲜有研究直接测量被试的预期，再与MFN波幅进行比较分析。以目前来看，ERP实验结果对揭示最后通牒博弈决策行为背后的机制的贡献有限，这与ERP技术本身的特点有关。ERP成分反映的只是信息加工流中的某一段或某一个加工过程，而决策行为则是信息加工输出的末端，从输入到输出的整个过程无法被ERP完全捕捉到，需借助于其他仪器才能解决这个难题。