5D Library › 离散周期网络中的双尺度重整化、占位数分布熵与推力波叠加定理 · English

第四章 零推力态与主观阻力:韦伯—费希纳定律、适应水平与习惯化(类比与假说)

注

本章的性质。 前三章的格子不会「感觉」任何东西。本章借用心理物理学的概念,问一个类比性的问题:如果把一个格子的激发 FF 当作某个主体收到的「刺激」,那么在「乘波模式」中频繁出现的零激发(作者称「零推力真空态」)会被怎样感受?这是把心理物理学用于模型变量的类比与假说,不是已知的心理学事实;书中的「主体」与数值都是示意性的。本章不涉及任何心理健康问题的诊断或建议。

韦伯—费希纳定律:回顾

韦伯—费希纳定律已在 5D Library 第 34 本中系统讨论,这里只回顾与本章有关的三点。第一,韦伯发现,刚好能察觉的刺激增量与原有刺激的强度大致成正比;费希纳据此假设每一个「刚好能察觉的差别」在感觉上相等,积分得到感觉强度与刺激强度的对数成正比,S=kln⁡(I/I0)S = k \ln (I / I_0),其中 I0I_0 是绝对阈限 (Fechner 1860)。第二,史蒂文斯用数量估计法发现,许多感觉通道更符合幂函数 S=kIβS = k I^{\beta},指数因通道而异 (Stevens 1957)。第三,对数律有一个与本章直接相关的边界:当刺激低于阈限 I0I_0 时,费希纳的公式给出负值,而这时实际上是「没有感觉」,不是「负的感觉」。所以,单凭韦伯—费希纳定律,推不出「零刺激会被感受为强烈的阻力」;需要另外的机制。

适应水平与参照点

证据

适应水平理论。 赫尔森 1947 年提出,人判断一个刺激的大小时,参照的是一个「适应水平」,即近期所受刺激(以及背景与残留刺激)的加权平均;高于适应水平的刺激被判断为「重」「亮」「好」,低于的被判断为「轻」「暗」「差」,等于适应水平的刺激被判断为中性 (Helson 1947)。他在 1964 年的专著中把这一思想推广到许多判断领域 (Helson 1964)。卡尼曼与特沃斯基 1979 年的前景理论同样以参照点为核心:人对结果的评价取决于它相对于参照点是收益还是损失,而且损失带来的感受比同样大小的收益更强 (Kahneman and Tversky 1979)。

证据

习惯化的行为特征。 汤普森与斯潘塞 1966 年总结了习惯化的一组行为特征:重复呈现同一刺激,反应逐渐减弱;停止刺激一段时间后,反应会自发恢复;刺激越频繁,习惯化越快;呈现另一个强刺激后,已减弱的反应可以重新增强(去习惯化)(Thompson and Spencer 1966)。兰金等 14 位研究者 2009 年重新审定了这些特征,对少数几条作了实质修改,并增加了一条关于长期习惯化的特征 (Rankin et al. 2009)。需要注意,习惯化讨论的是对重复刺激的反应减弱,与感觉适应、与赫尔森的适应水平都不是同一个概念;本章只借用「反应随重复而减弱、停止后恢复」这一形式。

作者框架所说的「习惯化基线剥夺」,可以这样理解:一个主体在「叠加态」中连续收到较强的激发,适应水平随之升高,对强激发的反应逐渐减弱;一旦转入「零推力」状态,收到的激发远低于已经升高的适应水平,于是被感受为强烈的负面差距。下面把这个理解写成一个明确的模型。

推导

作者的模型(示意参数)。 主体位于环上的一个格子,第 tt 步收到激发 FtF_t(按第三章的定义计算)。感受到的推力为对适应水平 AtA_t 的对数对比: ψt=ln⁡Ft+εAt+ε,At+1=At+λ(Ft−At),\psi_t = \ln \frac{F_t + \varepsilon}{A_t + \varepsilon},\qquad A_{t+1} = A_t + \lambda\,(F_t – A_t), 其中 λ\lambda 是适应速度,ε>0\varepsilon > 0 是一个下限(类似阈限),使零激发时对数有定义。比较两种状态序列:「固定模式」每一步都是「十个 1、两个 2」,随机摆放;「乘波模式」每一步把 14 个粒子随机投入随机选出的 4 个格子。ψt<−1\psi_t < -1 记为「强阻力」时段。最后一段给出一条类似习惯化的时间进程,以及下限 ε\varepsilon 对结果的影响。

推导

# Chapter 4 ANALOGY as a model (illustrative parameters): one node feels its excitation F
# as psi = ln((F + e) / (A + e)) against an adaptation level A <- A + lam (F - A).
# fixed: ten 1s and two 2s placed at random; wave: 14 particles into 4 random cells.
import math, random
N, K, C, E = 14, 12, 0.5, 0.25

def node_excitation(n, i=0):
    return n[i] if n[i] else C * n[(i + 6) % K]

def fixed_state(rng):
    n = [1] * K
    for j in rng.sample(range(K), 2): n[j] = 2
    return n

def wave_state(rng):
    cells = rng.sample(range(K), 4); n = [0] * K
    for _ in range(N): n[rng.choice(cells)] += 1
    return n

def run(make, lam, steps, rng, e=E):
    fs = [node_excitation(make(rng)) for _ in range(steps)]
    a = sum(fs) / len(fs); psis = []
    for f in fs:
        psis.append(math.log((f + e) / (a + e))); a += lam * (f - a)
    return fs, psis

if __name__ == "__main__":
    rng = random.Random(1860)
    print("regime  lam   mean F  SD F   P(F=0)  mean psi  P(psi < -1)  mean psi | F=0")
    for name, make in (("fixed", fixed_state), ("wave", wave_state)):
        for lam in (0.05, 0.2, 0.5):
            fs, ps = run(make, lam, 20000, rng)
            mf = sum(fs) / len(fs)
            sd = math.sqrt(sum((f - mf) ** 2 for f in fs) / len(fs))
            zero = [p for f, p in zip(fs, ps) if f == 0]
            mz = f"{sum(zero) / len(zero):+.2f}" if zero else "   -"
            neg = sum(p < -1 for p in ps) / len(ps)
            print(f"{name:6s}  {lam:.2f}  {mf:5.2f}  {sd:5.2f}  {len(zero) / len(fs):.3f}"
                  f"    {sum(ps) / len(ps):+.3f}     {neg:.3f}        {mz}")
    # Habituation-like time course: baseline 1, then a run of 2s, then withdrawal to 0.
    lam, a = 0.2, 1.0; course = [1] * 5 + [2] * 15 + [0] * 10 + [1] * 10; out = []
    for f in course:
        out.append(math.log((f + E) / (a + E))); a += lam * (f - a)
    print("time course, lam 0.2: run of 2s, steps 6, 10, 20 ->",
          ", ".join(f"{out[t - 1]:+.2f}" for t in (6, 10, 20)))
    print("   zeros, steps 21, 25, 30 ->",
          ", ".join(f"{out[t - 1]:+.2f}" for t in (21, 25, 30)),
          "| back to 1, step 31 ->", f"{out[30]:+.2f}")
    # The floor e (an arbitrary "threshold") drives much of the result for F = 0.
    for e in (0.1, 0.25, 1.0):
        fs, ps = run(wave_state, 0.2, 20000, rng, e)
        print(f"wave, lam 0.2, floor e = {e:4.2f}: mean psi {sum(ps) / len(ps):+.3f},"
              f" P(psi < -1) {sum(p < -1 for p in ps) / len(ps):.3f}")
# regime  lam   mean F  SD F   P(F=0)  mean psi  P(psi < -1)  mean psi | F=0
# fixed   0.05   1.17   0.37  0.000    -0.026     0.000           -
# fixed   0.20   1.16   0.37  0.000    -0.023     0.000           -
# fixed   0.50   1.17   0.37  0.000    -0.017     0.000           -
# wave    0.05   1.59   1.81  0.431    -0.638     0.436        -1.98
# wave    0.20   1.58   1.81  0.434    -0.595     0.438        -1.94
# wave    0.50   1.59   1.81  0.430    -0.464     0.389        -1.80
# time course, lam 0.2: run of 2s, steps 6, 10, 20 -> +0.59, +0.20, +0.02
#    zeros, steps 21, 25, 30 -> -2.18, -1.44, -0.72 | back to 1, step 31 -> +1.00
# wave, lam 0.2, floor e = 0.10: mean psi -0.937, P(psi < -1) 0.446
# wave, lam 0.2, floor e = 0.25: mean psi -0.595, P(psi < -1) 0.435
# wave, lam 0.2, floor e = 1.00: mean psi -0.215, P(psi < -1) 0.172

结果怎样读

两种状态下,主体收到的平均激发并不相同:固定模式约为 1.17,乘波模式约为 1.59,后者更高,因为空格子可以从对面借来一半的激发(第三章)。但乘波模式的激发波动很大(标准差 1.81,对比 0.37),约 43% 的时间处于零激发。结果是:在 λ=0.2\lambda = 0.2 时,固定模式的平均感受推力接近 0(−0.023),从不出现强阻力;乘波模式的平均感受推力为 −0.595,约 44% 的时段是强阻力,零激发时段的平均感受为 −1.94。适应速度 λ\lambda 从 0.05 变到 0.5,这些数字只有中等程度的变化。

时间进程说明了模型中「习惯化」与「剥夺」的形式:从基线 1 转入连续的 2 以后,感受推力从 +0.59 逐步降到 +0.20、+0.02,即对持续的强刺激逐渐「习以为常」;随后突然转入零激发,第一步的感受为 −2.18,此后随着适应水平下降而减弱为 −1.44、−0.72;再回到 1 时,感受为 +1.00,比当初的基线高得多。

然而,这个结果主要来自模型的两个数学选择,而不是来自心理学。第一,对数函数是凹函数,由詹森不等式,波动大的激发序列,其对数的平均值必然低于平均激发的对数;即使适应水平固定不变,乘波模式的平均感受也会是负的。第二,零激发时的感受完全由人为设定的下限 ε\varepsilon 决定:ε=0.1\varepsilon = 0.1 时平均感受为 −0.937,ε=1.0\varepsilon = 1.0 时只有 −0.215,强阻力时段的比例从 44.6% 降到 17.2%。所以,「零推力态必然带来强烈的主观阻力」不是模型的稳健结论,而是参数选择的结果;作者框架中这一说法应当限定为:在对数对比与较低的下限这两个假设下,波动大、零值多的激发序列,即使平均值更高,其平均感受也可能更低。

假说 · 尚未验证

作者的假说:零值频繁的回报序列与即时感受(尚未确立)。作者推测,在回报的平均值相同(或乘波组略高)的条件下,回报序列中零值频繁、波动大的一组,其参与者报告的即时感受的平均值低于回报稳定的一组,而且这一差别在零回报之后的时刻最大。可以检验的预测是:在一项事先登记的实验中,参与者完成同样的简单任务,随机分到「稳定回报」与「乘波回报」两种计分序列(乘波组的平均回报不低于稳定组),每轮之后用同一量表报告即时感受;乘波组的平均即时感受低于稳定组,差值的 95% 置信区间不包含 0。如果区间包含 0 并且排除了事先规定的最小关注效应,或者差值方向相反,这一假说就被推翻。实验应当只使用象征性的计分或小额固定报酬,不使用任何真实的投资或赌博情境。

注

与第 34 本的分工。 第 34 本讨论了韦伯分数的测量、费希纳积分的假设与史蒂文斯幂律的争议,本章没有重复这些内容的程序。本章的模型只用了最简单的对数对比;若改用幂函数或带阈限的分段函数,零激发时的感受会完全不同,这正是上面强调的问题。

本章小结

韦伯—费希纳定律本身只说明感觉与刺激的对数有关,在阈限以下给不出「负的感觉」,所以推不出零推力态会带来阻力感;赫尔森的适应水平与前景理论的参照点提供了所需的机制:感受取决于刺激相对于近期水平的差距。习惯化研究说明,对重复刺激的反应会减弱,停止后会恢复。把这些写成一个示意模型以后,乘波模式的平均激发比固定模式高(1.59 对 1.17),平均感受却更低(−0.595 对 −0.023),约 44% 的时段为「强阻力」;但这一结果主要来自对数的凹性与人为的下限,下限从 0.1 提高到 1.0 时,平均感受从 −0.937 变为 −0.215。下一章讨论作者提出的四个跨领域应用,并问:要把形式上的相似变成可检验的假说,还缺什么?

参考文献

Fechner, Gustav Theodor. 1860. Elemente der Psychophysik. Breitkopf und Härtel.
Helson, Harry. 1947. “Adaptation-Level as Frame of Reference for Prediction of Psychophysical Data.” American Journal of Psychology 60 (1): 1–29. https://doi.org/10.2307/1417326.
Helson, Harry. 1964. Adaptation-Level Theory: An Experimental and Systematic Approach to Behavior. Harper; Row.
Kahneman, Daniel, and Amos Tversky. 1979. “Prospect Theory: An Analysis of Decision Under Risk.” Econometrica 47 (2): 263–91. https://doi.org/10.2307/1914185.
Rankin, Catharine H., Thomas Abrams, Robert J. Barry, et al. 2009. “Habituation Revisited: An Updated and Revised Description of the Behavioral Characteristics of Habituation.” Neurobiology of Learning and Memory 92 (2): 135–38. https://doi.org/10.1016/j.nlm.2008.09.012.
Stevens, S. S. 1957. “On the Psychophysical Law.” Psychological Review 64 (3): 153–81. https://doi.org/10.1037/h0046162.
Thompson, Richard F., and William A. Spencer. 1966. “Habituation: A Model Phenomenon for the Study of Neuronal Substrates of Behavior.” Psychological Review 73 (1): 16–43. https://doi.org/10.1037/h0022681.

Fan, Y. (2026). Two-Scale Renormalization, Occupancy Entropy and Thrust-Wave Superposition in Discrete Cyclical Networks: Algebraic Topology and Monte Carlo Verification on a Twelve-Node Ring Lattice [离散周期网络中的双尺度重整化、占位数分布熵与推力波叠加定理] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23796761 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).