5D Library › 仪式神经学、空间边界切换与自我转移的计算生物医学 · English
第一章 仪式不只是迷信,也不是万能的:焦虑、刚性动作与精度加权
什么是仪式化行为
作者的框架从一个论断开始:仪式「不只是迷信」。要检验它,先要说清楚「仪式」指什么。博耶与利耶纳尔 2006 年在《行为与脑科学》上的长文把仪式化行为的特征归纳为几条:动作序列刚性,必须按固定的顺序与方式完成;有大量冗余与重复;动作与它所声称的目的之间没有直接的因果联系(「目标降级」);不完成会让人不安 (Boyer and Liénard 2006)。他们认为,这类行为调用了一个「预防系统」:对潜在的、模糊的威胁(污染、失序、被排斥)保持警觉,而刚性的动作序列把注意力占满,使威胁的念头暂时退出工作记忆。霍布森等人 2018 年的综述把仪式的心理功能分为调节情绪、调节表现目标与调节社会联系三类,并强调这些功能大多来自小规模的实验室研究 (Hobson et al. 2018)。
这里有两个方向不同的问题,需要分开。第一个问题是焦虑会不会引出仪式化行为;第二个问题是仪式能不能降低焦虑。作者框架引用朗等人 2015 年的研究来支持第二个问题,但那项研究回答的是第一个。
证据
焦虑引出仪式化行为(人体实验)。 朗、克拉特基、谢弗、耶罗蒂耶维奇与西加拉塔斯在捷克的实验中,把 62 名大学生随机分为两组:高焦虑组要准备一段关于一件金属装饰物的演讲,并当着专家评委的面讲出来;低焦虑组同样准备演讲,但不必讲。随后两组都要清洁这件物品,手腕上的加速度计记录手部动作,同时记录心率。高焦虑组清洁的时间更长,同样的手部动作重复得更多,动作序列更刻板、更冗余 (Lang et al. 2015)。作者认为这是「焦虑引出仪式化行为」的实验证据,并推测仪式化可能是一种应对方式;但这项研究没有检验仪式化之后焦虑是否下降。
证据
仪式降低焦虑(人体实验,样本较小)。 布鲁克斯、施罗德、里森、吉诺、加林斯基、诺顿与施韦策 2016 年报告了多项实验:在当众唱歌或做数学题之前完成一个由研究者设计的简短仪式,参与者的自评焦虑与心率较低,表现较好;同样的动作被称为「仪式」时比被称为「随机动作」时效果更明显 (Brooks et al. 2016)。诺顿与吉诺 2014 年报告,回忆或执行哀悼仪式的人在失去亲人、恋人或彩票之后的悲伤较轻,掌控感较强 (Norton and Gino 2014)。这些研究说明,在实验室条件下,仪式可以带来中等大小的改善;但它们的样本一般只有每组几十人,所用的「仪式」是研究者临时设计的,期望与说明语起了作用。本书核对时没有找到这些发现的大样本预注册重复。
证据
一项预注册检验(人体实验)。 卡尔与费希尔 2018 年做了一项预注册的研究(在开放科学框架 OSF 登记),分析了 180 名大学生 (Karl and Fischer 2018)。在「应激使动作更重复」的方向上,结果部分重复了朗等人:受应激的人清洁物品时动作的重复性更高。在「仪式降低应激」的方向上,结果基本为零:单独的清洁动作、单独的认知负荷(背诵)都没有降低自评焦虑或生理唤醒;只有二者合并时,干预期间心率下降略多,作者提醒不要过度解读;重复性与心率、舒张压下降的关联只是边缘显著(、)。原计划检验「新设计的仪式」的假说因前一假说不成立而未检验。这项研究正好说明,「仪式降低焦虑」的证据比「焦虑引出仪式」弱得多。
所以,「仪式只是迷信」这一说法可以证伪:在受控实验中,仪式化行为与焦虑之间有可重复观察到的关系,仪式有时伴随着较低的焦虑与较好的表现。但证伪一个说法不等于确立它的反面。要防止矫枉过正:效应不大,依赖说明语与期望,而且小样本研究中已发表的效应往往偏大。
小样本与「赢家诅咒」
为了说明最后一点,下面的程序做一个纯粹的模拟:设想某种仪式确实降低焦虑,真实的标准化效应 为 0.2、0.35 或 0.5;许多实验室各自做两组比较,每组 20、40 或 100 人;只有显著的结果被发表。
推导
# Small true effects, small samples and the winner's curse (Chapter 1). Synthetic only.
# Suppose a ritual lowers self-rated anxiety by a true standardised effect d. Many labs
# run two-group studies with n per group; only "significant" results (two-sided p < 0.05,
# normal approximation) are published. What is the power, and how large is the average
# published effect? How many participants would 80 % or 90 % power need?
import math, random, statistics
ND = statistics.NormalDist()
Z = ND.inv_cdf
def power(d, n, alpha=0.05):
se = math.sqrt(2 / n); z = Z(1 - alpha / 2)
return 1 - ND.cdf(z - d / se) + ND.cdf(-z - d / se)
def n_needed(d, pw, alpha=0.05):
return math.ceil(2 * (Z(1 - alpha / 2) + Z(pw)) ** 2 / d ** 2)
def mv(x):
m = math.fsum(x) / len(x)
return m, math.fsum((v - m) ** 2 for v in x) / (len(x) - 1)
def lab_study(rng, d, n):
(ma, va), (mb, vb) = mv([rng.gauss(d, 1) for _ in range(n)]), mv(
[rng.gauss(0, 1) for _ in range(n)])
est = (ma - mb) / math.sqrt((va + vb) / 2)
return est, abs(est) / math.sqrt(2 / n) > Z(0.975)
rng = random.Random(2016)
print("true d n/group power share published mean published d exaggeration")
for d in (0.2, 0.35, 0.5):
for n in (20, 40, 100):
res = [lab_study(rng, d, n) for _ in range(2000)]
pub = [e for e, s in res if s and e > 0]
mp = statistics.fmean(pub)
print(f" {d:4.2f} {n:8d} {power(d, n):8.2f} {len(pub) / len(res):14.2f}"
f" {mp:17.2f} {mp / d:13.2f}x")
print("participants per group for a two-sided test at alpha 0.05:")
for d in (0.2, 0.35, 0.5):
print(f" d = {d:.2f}: 80 % power {n_needed(d, 0.8):5d};"
f" 90 % power {n_needed(d, 0.9):5d}")
# true d n/group power share published mean published d exaggeration
# 0.20 20 0.10 0.11 0.79 3.96x
# 0.20 40 0.15 0.15 0.56 2.78x
# 0.20 100 0.29 0.30 0.37 1.86x
# 0.35 20 0.20 0.20 0.80 2.29x
# 0.35 40 0.35 0.35 0.60 1.70x
# 0.35 100 0.70 0.71 0.42 1.21x
# 0.50 20 0.35 0.35 0.85 1.69x
# 0.50 40 0.61 0.62 0.65 1.30x
# 0.50 100 0.94 0.93 0.52 1.04x
# participants per group for a two-sided test at alpha 0.05:
# d = 0.20: 80 % power 393; 90 % power 526
# d = 0.35: 80 % power 129; 90 % power 172
# d = 0.50: 80 % power 63; 90 % power 85当真实效应 、每组 20 人时,把握度只有 0.10,被发表的研究平均报告 ,是真实效应的 3.96 倍;每组 100 人时仍高估 1.86 倍。只有在把握度较高(、每组 100 人,把握度 0.94)时,已发表的平均效应才接近真实值(1.04 倍)。要以 90% 的把握度检测 ,每组需要 172 人;检测 需要 526 人。这不是说某一项仪式研究高估了效应,而是说:在样本只有几十人、又存在发表偏倚的领域,第一批研究报告的效应量应当打折扣,等待预注册的大样本重复。第 33 本讨论过这一现象的统计原理,这里只用一个例子回顾。
预测编码与精度加权:简短回顾
作者框架的第二步是用弗里斯顿的主动推理与预测编码来解释仪式。第 15 本已经详细讨论过变分自由能、精度加权与马尔可夫毯,这里只回顾需要用到的一点 (Friston 2010)。在预测编码的框架中,大脑的每一层都用上一层的预测去解释下一层的输入,只把预测误差往上传;误差在传递时按精度(方差的倒数)加权。对一个高斯先验 与一个高斯观测 (精度 ),后验均值为
感觉精度越高,后验越接近观测;先验精度越高,后验越接近先验。焦虑在这一框架中常被描述为对「环境不确定性」的高估,或者对威胁先验的过度信任。
作者的模型:刚性序列与偏差级联
作者的框架说:刚性、低熵()的动作序列提高本体感觉的精度,从而压住自上而下的先验误差的「级联放大」。下面把这一说法写成一个可以计算的模型。它是作者的模型,每一步都是假设。
第一步,度量动作序列的不确定性。设有 6 种动作,下一个动作以概率 按固定的「剧本」进行,否则在 6 种中均匀抽取。 越大,序列越刚性。用给定当前动作时下一个动作的条件熵 (比特)与基尼不纯度 (最好的一热预测的期望平方误差)来度量。
第二步,假设感觉精度 :可预测的序列产生的预测误差小,所以精度高。
第三步,假设一个大小为 1 的自上而下偏差(例如「我要出丑了」的先验)要逐层往下传 层;每一层的后验保留来自上一层的偏差的 倍,再乘以一个增益 (「级联放大」)。到达最底层的偏差为 。偏差被压住的条件是 ,即 。
推导
# The author's model of a rigid action sequence and precision weighting (Chapter 1).
# A: six actions; with probability r the next action follows a fixed script, otherwise it
# is drawn uniformly. We measure the conditional entropy H (bits) of the next action
# given the current one, and the expected squared error of the best one-hot forecast
# (Gini impurity G). Sensory precision is modelled as pi_s = 1 / (s0 + G).
# B: a top-down bias of size 1 passes down L levels. At each level the posterior keeps a
# share (1 - w) of the bias from above, w = pi_s / (pi_s + pi_p), and the bias is
# multiplied by a gain g (the "cascade"). The bias reaching the bottom is (g(1-w))^L.
# C: the "dark room" caveat: the same model lowers its estimate of environmental
# volatility when it is fed its own predictable actions, though the world is unchanged.
import math, random
ACTIONS, SCRIPT = 6, [1, 2, 3, 4, 5, 0] # scripted successor of each action
def sequence(rng, r, n):
a, out = 0, [0]
for _ in range(n - 1):
a = SCRIPT[a] if rng.random() < r else rng.randrange(ACTIONS)
out.append(a)
return out
def cond_entropy(seq):
pair = [[0] * ACTIONS for _ in range(ACTIONS)]
for x, y in zip(seq, seq[1:]):
pair[x][y] += 1
n, h, g = len(seq) - 1, [], []
for row in pair:
tot = math.fsum(row)
if tot == 0:
continue
p = [c / tot for c in row]
h.append(tot / n * -math.fsum(q * math.log2(q) for q in p if q > 0))
g.append(tot / n * (1 - math.fsum(q * q for q in p)))
return math.fsum(h), math.fsum(g)
S0, PI_P, GAIN, LEVELS = 0.1, 2.0, 1.6, 4
rng = random.Random(51)
print("A rigidity r H (bits) Gini G pi_s w bias at bottom"
" (g 1.6, L 4)")
rows = []
for r in (0.0, 0.5, 0.8, 0.95, 1.0):
h, g = cond_entropy(sequence(rng, r, 60000))
pis = 1 / (S0 + g); w = pis / (pis + PI_P); b = (GAIN * (1 - w)) ** LEVELS
rows.append((r, w, b))
print(f" {r:9.2f} {h:10.3f} {g:9.3f} {pis:7.2f} {w:6.3f} {b:12.3f}")
print(f" uniform maximum H = log2(6) = {math.log2(ACTIONS):.3f} bits")
w_star = 1 - 1 / GAIN
print(f"B the bias is damped when g(1-w) < 1, i.e. w > 1 - 1/g = {w_star:.3f}"
f" (g = {GAIN})")
for g in (1.2, 1.6, 2.0, 3.0):
print(f" g = {g:.1f}: threshold w* = {1 - 1 / g:.3f};"
f" needed pi_s > {PI_P * (1 - 1 / g) / (1 / g):.2f}"
f" (prior precision {PI_P})")
# C: volatility estimate = running mean of squared prediction errors over two channels,
# the agent's own actions (Gini as above) and an outside signal with variance 1.
for r in (0.0, 0.95):
h, g = cond_entropy(sequence(random.Random(7), r, 60000))
for share in (0.0, 0.5, 0.8):
v = share * g + (1 - share) * 1.0
print(f"C r = {r:.2f}, attention share on own actions {share:.1f}:"
f" volatility estimate {v:.3f} (world 1.000)")
# A rigidity r H (bits) Gini G pi_s w bias at bottom (g 1.6, L 4)
# 0.00 2.585 0.833 1.07 0.349 1.178
# 0.50 1.954 0.627 1.37 0.407 0.808
# 0.80 1.033 0.299 2.51 0.556 0.254
# 0.95 0.338 0.079 5.59 0.736 0.032
# 1.00 0.000 0.000 10.00 0.833 0.005
# uniform maximum H = log2(6) = 2.585 bits
# B the bias is damped when g(1-w) < 1, i.e. w > 1 - 1/g = 0.375 (g = 1.6)
# g = 1.2: threshold w* = 0.167; needed pi_s > 0.40 (prior precision 2.0)
# g = 1.6: threshold w* = 0.375; needed pi_s > 1.20 (prior precision 2.0)
# g = 2.0: threshold w* = 0.500; needed pi_s > 2.00 (prior precision 2.0)
# g = 3.0: threshold w* = 0.667; needed pi_s > 4.00 (prior precision 2.0)
# C r = 0.00, attention share on own actions 0.0: volatility estimate 1.000 (world 1.000)
# C r = 0.00, attention share on own actions 0.5: volatility estimate 0.917 (world 1.000)
# C r = 0.00, attention share on own actions 0.8: volatility estimate 0.867 (world 1.000)
# C r = 0.95, attention share on own actions 0.0: volatility estimate 1.000 (world 1.000)
# C r = 0.95, attention share on own actions 0.5: volatility estimate 0.541 (world 1.000)
# C r = 0.95, attention share on own actions 0.8: volatility estimate 0.265 (world 1.000)完全随机的序列()熵为 2.585 比特,即 ; 时降到 0.338 比特, 时为 0。在 、、先验精度 2 的设定下,随机序列使感觉权重 ,低于门槛 0.375,偏差被放大到 1.178; 时 ,偏差降到 0.254; 时降到 0.032。门槛取决于增益: 时需要 ,。图 1 画出了这两部分。
在本模型中可以说:如果感觉精度随动作的可预测性上升,而且偏差按上面的方式逐层传递与放大,那么足够刚性的动作序列能把偏差压到门槛以下。但这三个「如果」都没有被测量过。最关键的是第二步:本体感觉的精度并不由动作是否「按剧本」决定,而由感受器与传入通路的噪声决定;把「可预测」等同于「精度高」,是模型的选择,不是生理学事实。
暗室问题
程序的 C 部分说明这个模型的一个结构性漏洞。设智能体用两类预测误差的加权平均来估计「世界有多不确定」:一类来自自己的动作,另一类来自外界信号(方差固定为 1)。当它把 80% 的注意力放在一个 的刚性序列上时,它对世界不确定性的估计从 1.000 降到 0.265,而世界本身没有任何变化;随机动作时只降到 0.867。也就是说,在本模型中,仪式降低「焦虑」的方式,恰好是让智能体用自己制造的可预测输入去低估外界的不确定性。
这是自由能原理文献中著名的「暗室问题」的一个变体:如果生物只追求最小化意外,它为什么不躲进一间黑暗安静的房间?弗里斯顿、桑顿与克拉克的回答是,生物的先验本身包含了对某些感觉状态(例如食物、温暖、社交)的期望,躲进暗室反而会产生更大的长期意外 (Friston et al. 2012)。用到仪式上,结论是双面的:一段短时间的刚性动作可能让人暂时从威胁的念头中脱身,这与博耶和利耶纳尔的「占满工作记忆」说法相容;但如果仪式变成回避外界信息的手段,在本模型中它就成了低估真实风险的机制。强迫症中的仪式正是一个提醒:刚性、重复的动作可以暂时降低焦虑,同时维持焦虑。
假说 · 尚未验证 · 刚性动作序列与急性焦虑
作者的假说(尚未确立): 在急性焦虑诱发之后,完成一段 3 分钟、按固定顺序进行的动作序列,比完成时长、动作种类与注意需求都相同、但顺序随机的动作序列,更快地降低自评焦虑与心率;效应的大小与序列的可预测性(例如按条件熵度量)单调相关。什么样的结果能证明它是错的: 在预先登记的样本量与分析方案下,两种条件的焦虑与心率恢复之差的 95% 置信区间落在事先规定的最小关注效应之内;或者效应只在被告知「这是仪式」时出现,而与序列的可预测性无关(这会说明起作用的是期望,而不是刚性本身)。
本章小结
「仪式只是迷信」可以证伪:朗等人的实验显示焦虑使动作更重复、更刻板(卡尔与费希尔的预注册研究部分重复了这一方向),布鲁克斯等人与诺顿和吉诺的实验显示仪式有时伴随较低的焦虑与较好的表现,但卡尔与费希尔的预注册研究在「降低应激」方向上基本是零结果。但前者说的是「焦虑引出仪式」,后者的样本小、依赖说明语,尚缺大样本预注册重复;模拟显示,在这种条件下已发表的效应可能被高估数倍。作者的精度加权模型说明了在本模型中刚性序列压住偏差的条件 ,同时暴露了它的暗室漏洞:同样的机制也会让人低估外界的不确定性。仪式不只是迷信,也不是万能的。
参考文献
Fan, Y. (2026). Neurobiology of Ritual, Spatial Boundary Transitions and Computational Biomedicine of Self-Transcendence: From Predictive-Coding Free-Energy Minimisation, Default-Mode Network Decoupling and Vagal–Endocrine Restoration to Classical Chinese Medicine on Shifting the Spirit (Yijing Bianqi) [仪式神经学、空间边界切换与自我转移的计算生物医学] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23839910 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).