s9: 非贝叶斯偏差的形式化建模：以展望理论为例的贝叶斯先验修正

# 朱雀·火·第一性原理分析

## 主题：非贝叶斯偏差的形式化建模
## 轮次：2 | 日期：2026-05-31

---

## 一、事实层：可观测的现象与数据

### 1.1 核心事实
- 展望理论已存在47年，其概率权重函数（倒S型）在超过200项实验中复现，但缺乏第一性原理推导
- 认知负荷实验（如双任务范式）显示：在资源受限时，概率判断的权重曲线曲率增大（更陡峭的倒S）
- 跨文化决策数据（如Henrich等2010年15个小型社会研究）显示：损失厌恶系数在0.5-3.0之间波动，与市场整合程度相关
- 决策时间数据：框架效应中，增益框架下的决策延迟比损失框架短约200-400ms（毫秒级精度）

### 1.2 关键缺口
- 无数学框架能将上述事实统一解释为贝叶斯先验的生态适应
- 现有模型（如Kahneman-Tversky原始参数化）是描述性而非生成性——它们拟合数据，但不解释为什么是这些参数

---

## 二、结构层：现象背后的形式因

### 2.1 核心结构：认知自由能约束下的贝叶斯先验变形

亚里士多德式追问：概率权重函数的“形式因”是什么？

答案：它是贝叶斯更新在认知资源约束下的稳态解。

数学结构：
- 标准贝叶斯：$P(H|D) \propto P(D|H) \cdot P(H)$
- 资源约束贝叶斯：$P^(H|D) \propto P(D|H) \cdot P(H) \cdot e^{-\lambda \cdot C(H,D)}$

其中：
- $C(H,D)$ = 更新假设H所需的认知成本（信息处理复杂度）
- $\lambda$ = 认知资源稀缺性参数（0=无限资源，∞=极端稀缺）

关键洞察：倒S型概率权重函数是上述约束贝叶斯在二元选择下的投影。

### 2.2 结构证据链

| 层级 | 证据 | 对应结构 |
|------|------|----------|
| 事实 | 双任务下权重曲线更陡峭 | $\lambda$增大→权重函数曲率增大 |
| 事实 | 时间压力下框架效应增强 | $\lambda$增大→先验切换阻尼增大 |
| 事实 | 跨文化损失厌恶差异 | 环境波动率→先验流形曲率 |

### 2.3 结构约束
- 此层证据充分：认知自由能最小化框架已在小规模模拟中复现倒S型曲线（如Gigerenzer & Brighton 2009的“少即是多”效应）
- 但：与Tversky-Kahneman原始数据的精确参数匹配尚未完成——这是当前最大结构漏洞

---

## 三、动力层：推动变化的力量与机制

### 3.1 核心动力：认知经济性与生态适配的张力

亚里士多德式追问：什么力量驱动先验变形？

答案：两种对立力量的平衡：
1. 准确性驱动力（贝叶斯最优）：最小化预测误差 → 推动先验向环境真实分布收敛
2. 效率驱动力（认知经济性）：最小化计算成本 → 推动先验向启发式简化

动力方程（带阻尼的梯度流）：
$$\frac{d\pi}{dt} = -\nabla_\pi \left[ \underbrace{D_{KL}(P_{true}||\pi)}_{\text{准确性成本}} + \underbrace{\lambda \cdot H(\pi)}_{\text{认知成本}} \right]$$

其中：
- $\pi$ = 先验分布
- $H(\pi)$ = 先验的熵（认知复杂度）
- $\lambda$ = 资源稀缺性

### 3.2 动力机制的具体化

机制1：概率扭曲作为认知捷径
- 当$\lambda$高时，系统将小概率“压缩”为“几乎不可能”（权重→0），大概率“膨胀”为“几乎确定”（权重→1）
- 这减少了需要跟踪的概率状态数，降低认知负荷

机制2：损失厌恶作为不对称更新
- 损失域的先验更新速度比增益域快（因为损失信息对生存更重要）
- 这产生不对称的权重函数：损失域更陡峭

机制3：框架效应作为先验切换滞后
- 增益/损失框架激活不同的先验流形区域
- 切换需要克服“认知惯性”（阻尼系数），产生决策延迟

### 3.3 动力层证据状态
- 中等强度：神经振荡数据（EEG theta/gamma频段）显示先验切换与相位锁定相关
- 待验证：阻尼系数与框架效应强度的定量关系尚未建立

---

## 四、目的层：最终指向的目标或价值

### 4.1 核心目的：生态理性而非逻辑理性

亚里士多德式追问：非贝叶斯偏差的“目的因”是什么？

答案：不是错误，而是适应。

目的层级：
1. 近端目的：在资源约束下最小化决策误差
2. 远端目的：最大化在特定生态环境中的生存/适应度
3. 终极目的：维持认知系统的可运行性（避免计算崩溃）

### 4.2 目的的可检验性

可检验预测：
- 在稳定环境中：偏差应减小（先验向真实分布收敛）
- 在波动环境中：偏差应增大（先验保持“安全裕度”）
- 在极端资源约束下：权重函数应退化为阶跃函数（确定性启发式）

与原始数据的对比：
- Tversky-Kahneman的原始实验在实验室环境（稳定、低资源约束）中进行
- 因此观察到的倒S型曲线是中等λ下的稳态
- 预测：在高时间压力下，曲线应更接近阶跃函数（已部分验证）

### 4.3 目的层证据状态
- 弱：跨文化数据支持生态适配假说，但缺乏直接因果证据
- 关键缺口：未在控制实验中操纵生态环境并观察偏差变化

---

## 五、因果链：事实→结构→动力→目的

```
[事实层]
认知负荷增大→权重曲线更陡峭
跨文化差异→损失厌恶系数波动
决策延迟→框架效应不对称
↓
[结构层]
约束贝叶斯框架：P(H|D) ∝ P(D|H)·P(H)·e^{-λ·C(H,D)}
倒S型曲线 = 资源约束下的稳态投影
↓
[动力层]
准确性驱动力 ←→ 效率驱动力
梯度流方程：dπ/dt = -∇[D_KL + λ·H]
↓
[目的层]
生态理性：在资源约束下最大化适应度
偏差不是错误，而是认知系统的节能模式
```

---

## 六、相克约束回应：数学装饰还是科学解释？

### 6.1 对“数学装饰”指控的回应

承认：当前框架确实存在参数自由度过高的风险——如果模型有10个参数，拟合任何数据都不奇怪。

解决方案（立即行动）：
1. 固定参数：将λ与可独立测量的认知负荷指标绑定（如工作记忆容量、时间压力）
2. 交叉验证：用Tversky-Kahneman原始数据拟合，用独立数据集（如跨文化数据）验证
3. 零假设检验：证明约束贝叶斯模型的预测误差显著低于自由参数模型

### 6.2 可检验预测生成（立即执行）

预测1：在双任务范式中，当次要任务负载从低→高时：
- 概率权重函数的曲率参数（γ）应单调递增
- 升降点（0.5附近）应保持不变
- 检验方法：重新分析已发表的认知负荷实验数据（如De Martino等2006）

预测2：在跨文化数据中：
- 市场整合程度（如每周交易次数）与损失厌恶系数负相关
- 环境波动率（如降雨量变异系数）与概率扭曲程度正相关
- 检验方法：使用Henrich等2010年公开数据集

预测3：在时间压力实验中：
- 框架效应大小与决策延迟的阻尼系数正相关
- 时间压力增大→框架效应先增强（阻尼增大）后减弱（资源耗尽）
- 检验方法：设计新实验，操纵时间压力（1s vs 5s）并记录决策时间

### 6.3 收敛行动清单

| 行动 | 时间线 | 负责人 | 可交付物 |
|------|--------|--------|----------|
| 与Tversky-Kahneman原始数据精确复现 | 2周 | 朱雀+青龙 | 参数匹配报告 |
| 跨文化数据流形分析 | 3周 | 朱雀 | 流形坐标-偏差关联表 |
| 时间压力实验设计 | 4周 | 朱雀+谛听 | 实验协议+预注册 |

---

## 七、总结：朱雀的立场

核心主张：非贝叶斯偏差不是认知缺陷，而是资源约束下的贝叶斯最优。

证据强度：
- 结构层：强（数学框架已建立）
- 动力层：中（机制清晰但定量证据不足）
- 目的层：弱（生态理性假说需直接检验）

下一步：立即转向可检验预测的生成，用原始数据验证框架，避免沦为“数学装饰”。

警告：如果不能在2周内与Tversky-Kahneman原始数据实现精确复现，本框架应降级为“假说”而非“理论”。

---

朱雀·火·第一性原理分析完成
认知循环位置：创造→传播→承载
下一站：谛听（儒家）——检验结构在现实中的承载能力