在心理学、认知科学、神经科学中，如何构建formal理论？一份实用入门操作指南
在心理学、认知科学、神经科学中如何构建formal理论
一份实用入门操作指南
前言
在心理学、认知科学、神经科学的学术论文中，我们常常会看到，也常常会写下这样的句子：某某理论支持我们的发现，我们的结果支持某某理论。但是当我们写下这样的句子时，我们真的知道句子中每一部分代表的含义吗？理论是什么？其核心假设是什么？我们的发现是现象吗？还是仅仅是数据？什么是现象？什么是数据？当我们说“支持”的时候，“支持”到底是什么意思？在我们对以上问题都不明确的情况下，为什么可以得出我们的结果支持该理论这样的结论呢？
1. 数据、现象和理论
在讲如何构建理论之前，我们先来看三个核心的概念：数据、现象和理论。
数据：可以定义为直接的观察或者报告。
现象：是关于这个世界的稳定的一般性的特征或者模式，它们等待科学家去解释。
理论：是一系列有组织的命题，这些命题可以表达为一般性的准则。
我们举一个具体的例子来阐述和区分这三个概念，方便大家理解。比如，一个实验中，让100个被试完成IQ问卷。由每个item的数值组成的表格，就是数据。我们进一步分析这些数据，发现在不同的子量表间有相关的关系。这种相关，目前还不能称之为现象。在多个不同的实验中，这种相关被反复发现和重复之后，我们才可以称这种相关关系是一个有待解释的现象。研究者进一步试图理解这一现象背后的规律和原则，比如有人提出了可能存在一般性的因素，用来解释不同智力问卷间的共同变异，也就是所谓的general factor理论。
接下来，我们来阐述：数据、现象和理论之间的关系。当数据可以在不同的情境和实验条件下被反复发现时，其就变成了现象。而一个稳定的现象可以用来预测未来实验中可能观测到的数据结果。现象需要抽象出其中的核心要素，用计算和数学模型构建出其中的关系，这就产生了理论。而理论可以用来加深我们对现象背后规律的理解。
2. 如果缺少formal理论，
会有什么不良后果呢？
了解了数据、现象和理论的概念后，我们提出以下问题：一个formal理论重要吗？如果心理学中缺少可以解释的理论，会有什么后果呢？（其实，这也是目前大多数心理学子领域所面临的问题）
如果缺少formal理论，会引发以下几个不良后果：
反复的造轮子。不同的研究者根据少量的研究发现，提出自己的小理论。很多研究者都有自己的小理论（一般是verbal，而不是formal），而不关心自己的理论与其他理论之间的关系。这样理论越来越多，但是，是否都可以用来解释稳定的现象，就不得而知了。
如果我们缺少对现象背后规律的理解，我们就不知道这个系统的运作方式。当我们想做干预的时候，就无从下手，只能随机的乱试。比如我们对精神疾病的发生机制并不了解，导致无法找到有效的靶点，对症下药。
在设计新实验的时候，如果假设模糊，就无从下手。当缺少明确的理论时，我们提出的很多实验假设往往是研究者拍脑袋想出来的，并没有严格的逻辑推导和理论依据。
如此看来，理论对心理学的研究很重要啊！但是，似乎目前的心理学中缺少formal数学理论模型，因此导致以上的几个问题不同程度地存在着。那么心理学中为什么缺少formal模型呢？一个很重要的原因就是心理学研究者受到的training更多的是实验设计和统计推断方面。心理学实验研究的传统是：通过统计检验来检验假设，通过检验假设来验证理论。而现有的心理学教育中，缺少对如何构建formal理论，以及如何通过理论来推导出严格假设的专业训练。
3. 五个步骤完成formal理论构建
那么，如何来构建理论呢？Borsboom等人提出一个可以实操的操作指南 (Borsboom et al., 2021)，其希望可以指导更多的心理学研究者进行formal理论构建的研究。
理论构建分成5个步骤，我们来逐一展开。第一步，发现现象。第二步，发展理论原型。第三步，建立formal理论。第四步，通过数学分析，检验理论是否可以解释现象。第五步，对理论进行全面的评价，比如是否可预测等。
我们以一个例子具体来讲解这五个步骤。首先来讲解每个步骤的一般性原则，然后来用具体的实例让大家对这些原则有一个更直观的理解。
第一步，发现现象。现象必须是鲁棒的、稳定的、可重复的、可泛化的。如果是假的现象，我们去建立理论，无疑对领域是具有伤害性的。具体实例：我们依旧是以IQ作为例子，在多个研究中被反复发现的现象是：不同的子量表间有高度的相关。
第二步，发展理论原型。在发展理论原型的过程中，涉及一个概念，叫abductive reasoning。这代表一个解释性推断的过程，一个如何产生假设、理论和模型来解释相关的现象的过程。在这个过程中，需要找出几个一般性的准则，用于解释现象。一个很好的abductive reasoning的方式是analogical abduction，如果有人在其他领域发现了相似的现象，他们已经构建了理论来解释这些现象。那么我们就可以借用过来看看是否可以解释我们心理学领域的现象（或者我们关心的问题）。具体实例：在计算生物学中，已经发现了不同的物种间共同成长的现象，并且dynamical system的模型可以用于解释以上的现象。这种物种间的共同成长和IQ问卷间的相关的现象非常相似。
第三步，建立formal理论。一个formal模型，是用一系列的公式来描述可解释性的原则。Formal模型不应该和数据模型混淆，AVNOA和GLM是数据分析的模型，而未必是formal理论模型。Formal模型是一个好的思维工具，让我们超越自身的认知极限，追踪理论原则的推导过程和结果。具体实例：来自于群体生物学中的Lotka-Volterra模型。这些公式可以从数学的角度刻画或者创造一个人工的世界，在这个世界里，不同的认知能力可以帮助彼此发展，因此产生了相关的关系。
第四步，通过数学分析，检验理论是否可以解释现象。Formalizing the phenomena themselves, 也就是用数学/量化的方式表述该现象。具体实例：在最初模型的基础上，需要做小的改进和迭代，比如加入非线性、引入关于增长曲线上限的个体差异等，让模型可以最大化仿真现象。
第五步，对理论进行全面的评价，比如是否可预测等。使用假设推导的方法，根据其预测效力来评价理论。比如，Kuhn关于好的理论的五个准则：准确性、一致性、范畴性、间接性、丰富性。再比如,'对最优解释的推断’准则，包括模型的适用范围、可类比性、简单性等。具体实例：对'Lotka-Volterra公式解释IQ子量表中的高度相关’这个理论，根据以上的准则进行评价。可以发现，该理论的优势是：该理论是可信的，具有解释效力的，可以预测新的实验结果。该理论的劣势是：用很多复杂的网络参数解释一个简单的现象，不够简洁。公式中有一些理想化的数学假设，并不一定plausible。
让我们再次回顾formal理论构建的5个步骤，这次，我们用IQ的例子来阐述。第一步，我们发现了IQ子问卷间高度相关的现象。第二步，我们根据这些现象，提出模型原型，比如，作为网络中的节点，其高度动态的交互可能产生这种高相关。第3步，使用analogical abduction的方法，从群体生物学中寻找到了相似大的现象和formal模型，并且借用Lotka-Volterra模型和dynamical system理论，构建对IQ量表相关的现象的数学理论。第4步，去检验模型是否可以模拟出IQ量表相关的现象，同时调整模型中的component，以让模型更好的模拟现象。第5步，全面的评价模型，Lotka-Volterra具有解释性和可预测性，但是也存在过于复杂和数学假设理想化的问题。下一步，看该模型做出来哪些新的预测，通过实验来验证这些预测，是否会发现新的现象，根据新的现象，去更新已有的理论模型。
4. 以Tolman-Eichenbaum machine模型为例，阐述构建formal模型的5个步骤
这里我们再来举一个认知计算神经科学中的实例，加深我们去理解这5个操作步骤。这是一个关于海马在记忆形成、构建内部表征、做推断泛化的计算加工模型Tolman-Eichenbaum machine (Whittington et al., 2020)
。
第一步，发现现象。在大量的动物研究中，已经发现海马的神经细胞，包括网格细胞和位置细胞在空间认知以及非空间认知中发挥重要作用，但是缺少formal模型来阐述海马细胞到底是如何完成这些计算的。
第二步，建立模型原型。这里有一些一般性的准则，是来自于既往的研究和理论。比如海马的网格细胞负责对整个环境的结构表征，而外嗅皮层负责感知觉表征，海马的位置细胞可能负责把结构表征和知觉表征，通过factorization和conjunction的方式组合到一起。
第三步，建立formal模型。有了这些基本的准则，研究者使用了神经网络作为数学工具，具体说是一个VAE，神经网络的不同部分中构建了网格细胞可能负责的功能，位置细胞可能负责的功能，以及感知觉细胞可能负责的功能。以及这些不同模块的交互方式。
第四步，通过数学分析，检验理论是否可以解释现象。仿真的结果确实发现，该模型可以模拟和重复出之前研究中发现的稳定的网格细胞和位置细胞的turning模式。验证了模型的模拟能力。
第五步，对理论进行全面的评价，比如是否可预测等。该模型还对未发现的实验现象进行了预测，比如在非空间强化学习任务中，内嗅皮层可能的活动方式。
5. 以我自己研究的例子，阐述构建formal模型的5个步骤
在关于情绪（焦虑和应激）和认知（执行控制）的认知神经科学研究中，一个非常有意思的现象是，有几个大尺度的功能脑网络在情绪、认知以及两者的交互中都发挥着关键的作用。在情绪和认知中，涉及的脑网络都是类似的，只是在不同的目的和情境下，网络间动态的交互，不同的脑网络分别处于主导地位。
第一步，发现现象。以上是我们发现的有趣的现象。我们要针对该现象，建立一个formal计算理论。
第二步，建立模型原型。关于如何解释这一现象，我们提出一些关键的命题和准则。包括：1. LC-NE可能是调节网络间动态交互的关键neuromodulator。2. LC-NE的tonic和phasic 模式的转换可能是受到环境和goal的调节。3. 而tonic和phasic两种模式负责的计算可以用一个神经网络来模拟。
第三步，建立formal模型。构建的神经网络模型要可以模拟关键的行为模式和神经特征，比如:在负性情绪状态下，执行控制受到高度抑制，在大脑上表现为SN主导，ECN抑制。相反，在工作记忆等任务中，ECN主导，SN情绪相关功能受到抑制。
第四步，通过数学分析，检验理论是否可以解释现象。通过模拟，模型可以拟合出以上的实验现象。
第五步，对理论进行全面的评价，比如是否可预测等。该模型也做出关键性的预测，在一个tonic和phasic切换的任务中，神经网络/大脑网络可以根据环境的切换，进行状态切换，以最优的方式完成当下的任务。
总结
Formal理论模型的构建至关重要，一个好的模型，可以对纷繁的实验现象进行高度的凝练。在这种凝练中，科学家和研究者获得了对现象的理解。比如这个现象潜在由哪些关键要素组成，这些要素如何进行交互等。人类的智慧就此凝结于几行美妙的数学表达之中，不断的传承、改进和提升。正如前边所说，formal理论的重要意义在于：
避免了我们反复造轮子，发明自己的小verbal理论，这样的理论很多，但是我们对问题的理解却进展不多。
找到模型中的关键要素，对这些要素进行干预，寻找因果关系，这对精神疾病的治疗等应用领域至关重要。
让实验科学找到方向，formal理论可以对未来的实验进行严格的推导和结果预测，对指导实验的设计具有深远的意义。
反过来，formal理论是需要不断根据新的实验现象去修正，在必要的时候是可以被推翻，甚至抛弃的，不需要迷信于任何理论，formal理论只是我们思考问题的方式。尤其对心理学、认知科学、神经科学领域的实验科学家来说，我们更应该注重formal理论的构建，以及这些理论如何指导我们的实验研究，我们的实验结果又如何反过来促进理论的发展。
这里尤其想重申一下Borsboom等人的观点：不要妄想，通过一个实验研究的统计检验假设就来证明一个理论是否是对的，因为这不是构建理论的正确打开方式。什么是构建理论的正确打开方式呢，请参考本文以及参考文献！谢谢观看，下次再见！
参考文献：
Borsboom, D., van der Maas, H. L. J., Dalege, J., Kievit, R. A., & Haig, B. D. (2021). Theory Construction Methodology: A Practical Framework for Building Theories in Psychology. Perspectives on Psychological Science, 1745691620969647. https://doi.org/10.1177/1745691620969647
Whittington, J. C. R., Muller, T. H., Mark, S., Chen, G., Barry, C., Burgess, N., & Behrens, T. E. J. (2020). The tolman-eichenbaum machine: Unifying space and relational memory through generalization in the hippocampal formation. Cell, S009286742031388X. https://doi.org/10.1016/j.cell.2020.10.024
Sophon Academy（智子学院）
支持我们