NATURE COMMUNICATIONS：诚实的神经表征可以预测未来的信任行为

设为首页 | 加入收藏

网站首页 > 新闻中心 > 脑科学新闻

培训中心

联系方式

手机：18580429226
联系电话：023-63084468
联系人：杨晓飞
联系邮箱：syfmri@163.com
联系地址：重庆市渝中区青年路38号重庆国际贸易中心2004#

信息内容

NATURE COMMUNICATIONS：诚实的神经表征可以预测未来的信任行为

发布者：admin 发布时间：2019/12/2

信任是社会生活的重要组成部分，它能使合作成功和促进个人的幸福。然而，促使人们信任他人的因素在很大程度上仍有待探索。有理论分析认为，诚实是判断一个人的可信度以及提高信任行为的一个中心决定因素。然而，关于诚实和信任之间关系的行为和神经证据仍旧是缺失的。

因此，在这里，来自德国吕贝克大学的研究者们结合一个新的范式，成功地诱导了可信度印象。通过引导可信度印象，并且将其与功能磁共振成像和多变量分析结合，他们证明以诚实为基础的可信度表征在后扣带皮层，背外侧前额叶皮层和顶内沟。至关重要的是，这些区域的大脑信号预示着个体在随后与同一伴侣的社会交往中的信任行为。

同时，诚实激发了腹内侧前额叶皮层(VMPFC)，在诚实编码过程中，VMPFC和颞顶叶交界处之间的功能连接更强，这与在随后的互动中更高的信任度有关。这些结果表明：VMPFC中的诚实信号被整合到诚信信念中，从而影响当前和未来的社会行为。这些发现提高了我们对在人际交往中指导行为的个体社会特征的神经表征的理解。该研究发表在NATURE COMMUNICATIONS杂志。

研究背景

有一种说法认为，在社交活动中，相互作用的主体关注于最大化他们的个人收益。这种解释假设，最理性的行为人信任他人，只要他们相信信任他人比不信任他人更好。实施信任博弈等经济博弈的实证研究证实，只要信任能带来金钱报酬，人们就愿意信任。然而，当缺乏外部激励或信任导致金钱损失时，信任水平会显著下降。

另一种解释认为，个体在信任他人时，会考虑到交往对象的社会特征和态度。在这方面，个人通过关注他人的行为是否促进公平、平等和合作来寻求形成对他人社会特征的信念。诚实，也就是可靠的品质和分享真实信息的倾向，被认为是可信度的中心决定因素，会促进信任的社会行为。例如，利他行为、无条件的善良和互惠都是对他人诚实的反应。然而，诚实是否也能鼓励他人信任的加强还有待探索。

这两种解释对信任背后的神经机制做出了不同的预测。当个体在信任决策后关注于有利和不利的序列之间的权衡时，大脑中发出实际或假设决策结果信号的区域(如腹侧纹状体和背侧前脑岛)应该被纳入信任交互中。

相反,如果信任其他的社会角色与对他人的社会特征信念有关（如认为他人是否品质高尚等）,那么与社会评价相关的脑区(如腹内侧前额叶皮层、VMPFC和背外侧前额叶皮层,DLPFC),和推断意图相关的脑区(如后颞交界处,pTPJ)应该参与在信任行为中。然而，迄今为止，关于大脑区域代表另一个人诚实品质的证据仍然缺失。

在这项研究中，作者首次调查了有关他人诚实品质的信息是否会唤起可信赖性印象，从而预测未来对他人的信任。重要的是，一个值得信赖的人的声誉已经被认为会影响社会学习过程中的信息处理。特别是，尽管个人更喜欢与值得信赖的伙伴互动，并向他们学习，但对他人的可信赖性的信念会影响来自可信赖的人的信息是如何被个体进行处理和学习的。这种偏见的一个假设解释是，关于他人的可信度的信念调节了来自值得信任的人的信息的评估。例如，以前的研究将关于他人互惠的偏见信念与眶前额皮质(OFC)中信息编码方式的差异联系起来。然而，作为一个诚实人的声誉是否调节了信息编码，OFC是否在这种有偏见的信息处理中起作用，这仍然是未知的。

这里,作者开发了一个trust-inducing范式(接受游戏),这使作者可以将社会评价信号与诚信(学会通过她的诚实和不诚实的行为)从非社会价值相关任务（如金钱损失属于理性利益判断）中分离出来。能够解开这两类信息是至关重要的两个主要的研究目标。一方面，它使我们能够分离出与他人诚实品质表征相关的脑信号。另外，它使我们能够研究其他诚实的成分对信息处理的调节作用。在TAC游戏中，被试扮演被建议者的角色，必须从建议者的诚实或不诚实建议的反馈中了解他们的可信度。在TAG之后，参与者扮演投资者的角色，与之前为他们提供咨询的顾问进行一次性TG（信任游戏）任务。

研究方法：

被试：

31名参与者(20名女性)参与了实验(年龄:24.29 3.81 MEAN， SD)。参与者是从该大学的学生社区招募的。他们都是右利手，没有神经或精神病史。参与者在提供完整的研究描述后，给予书面的知情同意。所涉及的所有程序都符合《赫尔辛基宣言》，并得到了德国吕贝克吕贝克大学伦理委员会的批准。

实验设计：

在TAG任务中（Take advice game），参与者作为被建议者，随机与8名不同的建议者玩一个纸牌游戏。参与者被告知，这些顾问是参与同一实验的其他参与者，他们正在其他房间里做准备。参与者被告知，游戏中的角色是通过从彩票箱中随机抽取一个球来分配的，所有的参与者在实验之前都要这样做。同时由于透明度的原因，抽签程序将在屏幕上方的摄像机前进行，每个参与者都可以看到其他房间的参与者。但为了保证匿名性，所有的摄像头都安装在屏幕的顶部，这样每个参与者只记录到下巴。为了确保这一点，相机的调整是在拉球之前进行的。此外，为了进一步保证匿名性，每个参与者需要选择一个代表他们自己在游戏中的化身。在真实的实验中，参与者总是接受被劝告者的角色，其他视频都是预先录制的（即所有的被试在实验中都是接受建议（即被劝告者）的人，但他们自己并不知道）。

作为被劝告者，参与者的任务是抽一张数字更大的牌。卡片上的数字从1到9(除了5)不等。由于参与者没有关于卡片号码的任何信息，他们需要完全依赖顾问的建议来做决定(建立一个顾问和被建议者之间的相互依赖关系是信任所必需的)。参与者被告知，顾问只能看到两张卡片中的一张(顾问阶段:2-3秒)，并且可以将这一信息传达给他们(咨询阶段:1秒)。这意味着，尽管顾问比我们的参与者掌握的信息更多，但他们并不知道哪张牌是赢家，这与现实生活中的情况类似，即人们通常会向那些可能更了解情况的人寻求建议，但顾问很少对生活情况有全面的了解。参与者也知道顾问可以帮助他们，但这样并不比接受建议产生明显更优的效果。但双方都提前被告知，在TAG之后，他们要玩第二个游戏，即TG(见下))，参与者可以回报顾问提供建议时的诚实。因此，在TAG游戏中，顾问们被激励去建立良好的声誉，希望参与者以后会回报他们。

然而，被试并没有直接承诺偿还顾问。这种设计所产生的动力类似于现实生活中的互动，在这种互动中，诚实的行为(例如，提供好的建议)通常不会给一个人带来直接的好处，但可能会帮助她建立良好的声誉，这可能在未来产生有利的结果(一种可能的、远的好处)。

此外，为了将顾问的可信度信息(诚实/不诚实)与参与者决策的价值信息(赢/输)区分开来，诚实顾问的建议对获胜的牌(即赢/输)没有预测性（即50%的游戏失败的卡信息是由诚实的顾问提供的)。因此，卡片是从一个均匀分布的伪随机抽样中提出的。对伪随机抽样程序进行了优化，使抽牌的实现概率在两种情况下都接近随机抽牌的概率。

两样本Kolmogorov-Smirnov检验证实，顾问之间（指诚实和不诚实顾问）实现的卡号分布没有差异(K-S检验= 0.25;p = 0.929)。实验的流程是在决策阶段，被试选择两张卡片中的其中一张，然后在反馈阶段，他们接受反馈信息。反馈信息包括了社会性信息和非社会性信息，从社会性信息他们可以推断出顾问的可信度，而非社交信息分别代表赢钱或输钱的绿色或红色圆圈（如图1a所示）。在每个试次中，参与者可能赢或输1欧元。试验间刺激间隔为2-8s (M= 2.6s)，而试验间的jitter（随机间隔）设置为2-8s (M= 4s)。参与者一共玩了5个run，每个run有48个试次(诚实者24次，不诚实者24次)，总共240次。

图一实验流程图

注：被试在做这个TAG任务时是躺在核磁里做的，在a中可以看到，顾问们得到了两张卡中的一张的信息，可以将这些信息传达给被咨询人。参与者作为被咨询人，根据收到的信息做出决策(决策阶段)。在反馈阶段，被试者看到卡片上的实际数字，这些数字会告诉他们被试者是否诚实(诚实vs不诚实)，然后一个绿色或红色的圆圈分别告诉他们他们是赢还是输。然后做完实验后，被试在核磁外完成TG游戏（如图B）。

TG（Trust Game）任务：

扫描环节结束后，参与者以投资者的身份，与在TAG中给他们提供建议的同一合作伙伴进行一次TG游戏。每个顾问作为受托人，参与者被赋予10美元，并决定他们是否愿意与他们分享这些初始资金(经济信托决策)。他们被告知，无论他们决定分享多少，实验人员都会将其增加两倍，并将其传递给受托人，受托人再决定分享其中的任何一部分(互惠决定)。研究了在新的社会交往中，在TAG中所建立的诚实声誉对个体信任的转移效应。

图像采集：

西门子3T，结构像使用矢状位扫描，176层，体素大小1*1*1。其他参数为常用参数。功能像扫描了360个连续时间点，共扫描了5个run（即每个run有360个时间点）。TR为2000ms，体素大小：3*3*3，37层，轴位扫描。

图像预处理及分析：

使用spm12做图像处理，包括时间层矫正、头动矫正（使用了场图做场强矫正）、两步配准法配准至MNI标准空间（对功能像体素做了重切，切为2*2*2），最后进行了高斯空间平滑（2*2*2）。头动的剔除标准为3mm。在功能磁共振成像数据的单变量和多变量分析中，第一层（即first level）定义了两个有八个感兴趣的回归量(每个任务阶段两个)的GLMs，以便能够分别估计与可信度和价值编码相关的神经信号的beta参数。

GLM1由以下回归量组成：

顾问阶段的两个回归量，建议阶段的两个回归量，决策阶段的两个回归量，反馈阶段的两个回归量来对顾问的可信度(诚实/不诚实)进行编码。GLM2包含与GLM1相同的回归量，除了反馈阶段是对价值编码信息(赢/输)的两个回归量（即GLM1考察社会信任，GLM2考察价值信息编码）。作者进行了对照分析，以检查可信度的神经信号是否受到其他因素的干扰。特别是重新运行了GLM1，添加了进一步的回归量和参数调制器，以解释可能由风险和一致性效应引起的方差变异。为了控制风险，首先是在反馈阶段的诚实和不诚实两个回归量中加入两个正交参数调制器（在spm中的一阶分析中每个条件的设置处都有参数调节项可进行设置）：包括给定建议者的建议，一阶报酬概率项和二阶报酬方差项(即，即对预期结果的均值平方偏差)，是报酬概率p的二次项，表示给出顾问建议后的预期风险。其次，为了控制意外影响(例如顾问的建议与被建议卡上的实际卡号之间的信息偏差)，作者为所有反馈阶段(即持续时间为1，一致性程度(连续变量)设置了参数调节项。

作者还对参数调制方法进行了进一步的优化和设计。具体见实验设计部分。

最后，为了分别调查与诚实和不诚实顾问交互时大脑对积极和消极结果的反应，并分析诚实和不诚实对价值信息的神经反应的调节，GLM3被定义为共包含10个感兴趣的回归量。除了反馈阶段外，所有的任务阶段都具有与GLM1和GLM2相同的回归量。在反馈阶段，四个回归量分别被定义为：诚实的顾问和不诚实的顾问提供建议时获得的奖金和损失。在所有的GLMs中，条件被建模为使用stick函数(即在duration设置中将每个条件的持续时间设置为0)。

同时，6个方向的头动被作为协变量控制，使用一个128s的高通滤波对信号滤波，然后将设计矩阵与一个标准的HRF进行卷积。使用cluster水平的FEW矫正，体素水平的p阈值为0.001，cluster水平为0.05.

多体素模式识别分析：

采用线性二分类支持向量机算法（SVM）和半径为10毫米的全脑search light方法，对可信度(诚实/不诚实)和价值(赢/输)信息的神经表征进行多体素模式识别分析。作者使用每次只对一个run的数据进行分类训练，其余四个run作为测试集的方法进行交叉验证，获得每一次分类训练的分类准确性和敏感性，共运行这个过程5次。为了能够对建议者的信息进行解码，作者使用了GLM1模型中feedback的两个回归量的beta图（用了标准化但未smooth的图像，smooth会降低多体素模式识别的探测效力）。同时，为了对价值信息对被试的影响进行解码，作者使用了GLM2中feedback的两个回归量的beta图（同样是标准化后未smooth的图像）。Search light解码分析是在全脑所有体素进行的，作者使用了灰质mask进行统计区域的限定（使用了absolute 制作出的mask，绝对概率设置为0.1）。

作者使用的beta图是进行过z值标准化的图，使用交叉验证的方法进行分类训练，训练方法如上述。为了评估组水平分类的准确性，作者进行了10000次的置换检验，显著性水平为0.05。

随后的多变量预测分析用于预测可信度和价值信息对TG(委托给顾问的资金的个人平均值)中随后的经济信任决策的影响，基于相同的LOSOCV（样本外分类留一交叉验证）过程和置换检验，但对连续变量的预测使用支持向量回归。

对功能解码的元分析

为了描述可信度解码网络的功能规范，使用Neurosynth图像解码器进行了图像解码的元分析。Neurosynth图像解码器允许定量估计任何基于任务的激活模式与特定领域相关的元分析激活模式之间的代表性相似度，这些激活模式是基于Neurosynth数据库中的大脑图像生成的。相似度被计算为基于任务和元分析地图之间所有体素的Pearson相关性。作者选择了12个不同领域的元分析图来测试一个特定的先验假设，即可信度解码图更可能与社会领域的功能角色相关，而不是与奖励、风险和一致性领域相关。必须指出的是，观测到的相关性虽然相对较小，但与以前的研究一致。

此外，虽然分析是定量的，但可以得出的结论在本质上是描述性的，因为没有推理统计来测试任何观察到的相关系数是否显著高于其他（即这里的分析不是统计推断式的）。

任务依赖的功能连接分析（其实就是PPI）

为了测试反应基础诚实信号的VMPFC与整个大脑任何区域之间的功能连接，作者使用了一种全脑心理生理交互作用(PPI)进行了分析，并进行了任务依赖功能连接分析(ROI是10mm半径)。PPI分析只讲VMPFC作为了种子点，在PPI的GLM建模中，回归了生理回归量和心理回归量，来观察感兴趣的条件结果。显著性水平同样采取cluster水平矫正，voxel水平为0.001，cluster水平为0.05.

结果

1. 诚实和信任行为之间的联系

首先，作者测试了诚实是否与较高的信任水平相关，而与最近的收益（也就是TAG游戏中的价值任务）无关。在TAG中，个人应该更愿意接受诚实顾问的建议，而不相信不诚实顾问的建议。结果表明，参与者从诚实的人那里得到的建议显著多于从不诚实的人那里得到的建议(t (30) =3.68;p < 0.001，Cohen’s d= 0.7，图2a左)。同时，作者还发现，参与者们在决策阶段自由决策时，采取的决策策略是更多的相信城市的建议者，进行他们知道这并不能提升他们获胜的几率（作者在被试做完TAG任务后，对被试进行了问卷调查，以了解被试在TAG游戏中所使用的策略，其中88.2%的被试报道自己采取了信任诚实建议者的策略）。

同时，被试在参与过程中逐步调整自己的判断策略，这一调整受到建议者的诚信度的显著影响(因此在第一次判断时是不知道谁诚信的，只有在feedback后才能逐步确定所有建议者的诚信水平)。从图2a右的曲线变化中可以明显看出，随着时间的推移，参与者对诚实和不诚实的顾问的建议采纳行为越来越不同(β= 0.01; SE=0.006;95% CI= [0.0001, 0.024]; p= 0.048)。

表一被试接受诚实/不诚实建议者的意见的逻辑回归统计表（接受与否为分类变量）

图2 被试在实验中对诚实和不诚实建议者的意见采取统计结果

2. 可信度的神经表征

由于在反馈阶段，参与者收到了关于对方的可信度(诚实/不诚实的行为)和他们自己的任务表现(赢/输)的信息。因此，作者使用MVPA（多体素模式识别）方法对可信度表征激活模式（GLM1）和价值信息表征激活模式（GLM2）进行了解码分离。分析过程如前所述，作者使用了样本外分类留一交叉验证来分析分类准确性，同时使用置换检验。

在可信度表征激活模式的分类中，PCC（后扣带回）, DLPFC（背外侧前额叶），和IPS（顶内沟）脑区表现出显著的对与诚实相关的任务和不诚实相关的任务条件引起的激活模式进行分类的能力（正确率68%，p值小于0.0001，图3）。

在价值信息表征激活模式分析中，纹状体和ACC（前扣带回）可以显著的区分获胜和失败引起的大脑激活模式（正确率82%，p值小于0.0002，图3）。因此，这些分析表明了社会性信息和代表价值性信息的网络是可以分离的。值得注意的是，价值信息的分类精度远高于社会特征信息的分类精度。这些结果与以前的发现一致，可能取决于社会概念的性质，这些社会概念是分布式的神经表达，使用基于解剖学的search light方法可能很难完全捕捉到。

图3 多体素模式识别分析结果，其中abc为分离诚信与不诚信的分析结果，de为分离获胜和失败的分析结果。f表示了每个被试实际进行的选择和多变量模型预测结果之间的高相关性

随后，作者使用元分析功能解码(neurosynth)进行表征相似性分析。特别地关注了在本研究中发现的可信度的神经特征与反向推理的元分析神经模式，这些神经模式是存储在Neurosynth数据库中的先前研究的神经图像，并与特定的心理学领域相关联。在这项分析中，选择了12个与社会和非社会领域相关的术语，如社会认知、心智理论、奖励、一致性和风险。结果表明，可信度解码网络与心理和社会认知相关的心理领域有显著的相关性（图4），进一步确认了作者挑出可能构成顾问可信度信念基础的神经模式的能力。接下来，作者将测试可信性解码网络在表征他人可信度方面的特殊功能。

图4 功能meta分析的雷达图，图中的强度值为相关系数

3.可信度的神经表征预测信任表现

一个性格特征的神经表征的一个中心特征（比如可信度）是，它在不同环境下做出决定的能力。因此，解码他人信任价值的神经模式(在可信度解码网络中，而不是在价值解码网络中)应该能够预测TG中的个体信任决策。为了验证这一点，作者使用LOSOCV程序进行了多变量预测分析。根据随机分布检验预测显著性（同样是置换检验）。结果表明，可信度解码网络能显著预测个体委托建议者（诚实者和非诚实者）的金额（图3f）。但是价值网络则无法显著预测个体委托建议者的金额（图五所示，a为可信度网络，b为价值网络，b的均方误明显更大，从黑色的粗线可以看出b中的个体预测误差更大且数量更多）。

图5 多变量预测分析结果

4. 更强的诚实信号整合与更高的信任相关

MVPA识别了包含他人信任信息的脑信号的神经模式，这些信息包含了个体信任行为的信息，并且与价值信息相关的神经模式不同。为了进一步研究诚实和不诚实对大脑区域的影响，以及诚实是否以及如何调节神经对价值信息的反应，在反馈阶段对大脑信号进行了全脑单变量分析（即直接比较一组被试的诚实条件和不诚实条件）。

通过对诚实与不诚实行为的对比分析，发现不诚实行为对双侧DLPFC、左侧IPS和IPL的激活作用更强(FWEc <0.05，图6a)，而诚实行为对VMPFC（腹内侧前额叶皮质）及ACC的干预作用显著(FWEc <0.05，图6b)。这些结果表明，可信度解码网络中，不诚实对大脑区域的依赖性更强，这表明不诚实可能需要招募代表他人性格的大脑区域来不断优化自己对他人的信念认知。

图6 诚实和不诚实的单变量分析结果（T检验的结果，FWE cluster 水平矫正，0.05）

先前的研究表明，在社会属性相关的计算过程中，VMPFC在功能上与大脑中与社会认知相关的区域相连。作者推断，通过与大脑中与社会认知相关的区域的功能连接，VMPFC中的诚实信号可以整合到对其他社会角色的信念中。因此，作者进行了接下来的PPI分析。

作者使用VMPFC作为种子区域来实现PPI的全脑功能连接Fenix。功能连接分析表明，诚实编码阶段相比于不诚实编码阶段，被试的VMPFC与左侧pTPJ（后顶颞叶交界处，(−40, −50, 30, x, y, z;FWEc<0.05)）的耦合更强（图7a）。然后作者推论，如果在反馈阶段，VMPFC和左pTPJ之间的信息流动与另一个人的可信度信念的形成有关，那么这种连接的强度应该与随后的信任决策有关，而与个人的奖金无关。因此，作者做了后续的相关分析，相关分析表明，这种功能性连接与个体信任在TG任务中的意愿相关（图7b），而与个体在TAG任务中的金钱获得无显著相关（图7c）。这一结果表明，作者的推断是正确的。VMPFC和左pTPJ之间的功能连接强度影响了被试对另一个人的可信度信念。

图7 a为PPI功能连接分析差异区

b为VMPFC与左侧pTPJ功能连接强度和TG任务中的意愿的相关分析，c为VMPFC与左侧pTPJ功能连接强度和TAG任务中输赢表现的相关分析（其中蓝色的代表对诚实行为的反应，橙色的代表对不诚实行为的反应）

5. 诚实如何影响价值性信息的处理

最后，作者测试了这些诚实和不诚实的特定激活模式是否以及如何在反馈阶段调节大脑对价值信息的反应。以往的行为研究表明，他人的积极品质对价值信息处理会产生偏见性。这种偏见可能取决于神经对新信息反应的特征相关差异。作者通过观察诚实和不诚实是如何改变神经对积极结果和消极结果的反应(例如，诚实和不诚实是如何改变神经对积极结果和消极结果的反应的)来验证这一假设（作者在这里使用了一个新的GLM模型进行验证，即方法部分的GLM3，作者使用了SPM中condition设置处的parametricmodulation功能）。

作者首先分别考察了被试在与诚实和不诚实的顾问互动期间，他们对积极结果和消极结果的神经反应。在与诚实和不诚实顾问的互动中，积极的结果在纹状体中引发了类似的激活，而对于诚实顾问，这些激活延伸到了OFC（眶额皮质）。同样，诚实和不诚实的顾问的负面结果都涉及到中扣带皮层和额下回。

接下来，作者研究了诚实和不诚实对积极和消极结果的调节作用。这一分析显示，大脑中编码积极结果和消极结果的区域被顾问的诚实与否进行了不同的调节。特别是，在积极反应（左侧IPL，顶下小叶）和消极反应（左侧IPS）中，顶叶皮层的神经信号都受到欺骗的调节。诚实对结果的神经反应的调节只在对积极结果响应的OFC中发现（见图8）。这些结果表明，对诚实的正面和负面结果的神经反应是不对称的。

图8 诚实信息调节神经对价值性信息的反应， GLM3中对反馈阶段的全脑对比分析发现，无论在正面(a)还是负面(b)结果中，不诚实行为都显著调节了顶叶皮层。

同时，作者还在OFC中使用一个独立的感兴趣区域(ROI)进一步检验诚实对OFC区域激活的调节能力。作者在ROI分析中更仔细地检查了这种通过诚实度对积极结果的不对称调节。分析表明，与不诚实的顾问相比，被试与诚实的顾问互动时，OFC的积极结果显著更高（图8d左侧的积极结果中的beta值可以看出对诚实顾问反应更强）。作者认为，OFC对积极结果的神经反应的这种不对称性调节表明，在与诚实的个体进行交互时，价值信息处理可能存在一定偏见（这里的偏见并不是贬义，而是应该理解为偏好）。

总结：

作者的研究结果提高了我们对代表诚实的可信赖性的神经模式如何指导人际交往中的社会行为的理解。具体的来说，研究发现，PCC和额顶叶脑区代表了关于其他社会特征的行为相关知识，可能在一个人当前行为的灵活修正中发挥重要作用，以最佳地适应伴侣的行为（如文中的诚实和不诚实）。此外，信任等社会行为很可能是通过将VMPFC中的成分信息整合到左侧pTPJ中来实现的，以可靠地推断出伙伴的良好意图。最后，在OFC(眶前额皮质)中，由于相互影响的伙伴的良好声誉而产生的积极结果的非对称活动，可能会削弱个体形成和更新一个人对另一个人的信念的能力，从而形成广泛的判断心理偏见。

同时，作者在这篇文章中对任务态数据的多样处理堪称教学级别，包括了简单的单变量分析、负责的因素调节分析（多变量分析）、基于机器学习的MVPA分析、相关分析和基于任务的功能网络连接分析（PPI）。并且这些不同的分析方法都一一按照作者的研究逻辑展开，没有方法和研究逻辑上的重叠，可以说作者的分析和写作以及研究思路都值得细细品味。

原文：