動作理解因境而異: 動作加工中情境信息的自動整合*

楊亦松 林 靜 何曉燕 尹 軍

動作理解因境而異: 動作加工中情境信息的自動整合

楊亦松 林 靜 何曉燕 尹 軍

(寧波大學心理學系暨研究所; 寧波大學群體行為與社會心理服務研究中心, 浙江 寧波 315211)

針對動作理解的機制, 模擬論主張大腦自發模擬他人的動作, 就相同的動作其理解也相同, 而理論論則認為人們基于合理性原則對他人動作進行推理, 相同的動作發生在不同的情境時會有不同的理解。但以往研究所采用動作材料的運動學特性和發生情境存在共變, 其難以區分動作理解是支持模擬論還是理論論。通過兩項實驗, 采用動畫制作技術來產生有無約束情境下的追逐動作, 以指示動作加工過程的腦電μ抑制為指標, 對前述兩種觀點進行了檢驗。其中, 在約束情境中存在障礙物, 追逐者需改變運動方向以繞過障礙物, 從后方逐漸趨近目標; 而無約束情境中不存在障礙物, 但追逐者依然保持與存在約束情景下相同的運動模式。結果發現, 當追逐動作發生在存在約束的情境時, 其基于合理性原則推測可獲得清晰的動作目標, 該條件下的μ抑制程度高于不存在約束情境的條件(實驗1); 而當僅追逐者運動, 即趨近的目標不確定時, 雖然有約束和無約束情境間的物理差異與實驗1相同, 但條件間μ抑制的差異消失(實驗2); 且上述μ抑制并非與注意相關的枕葉α活動的泛化。該結果提示, 動作發生的情境信息影響人們對動作的理解, 即基于推理過程理解動作, 支持理論論觀點。

動作理解; 追逐動作; 情境; 模擬論; 理論論; μ抑制

1 前言

社會交互是人類生活的重要組成部分(Miller, 2001)。為順利地與他人交互, 人們需對他人的動作進行加工, 以理解和識別動作的目的和意圖, 從而有效預測他人的行為并計劃自己的行為(Hauser & Wood, 2010; Wellman, Cross, & Watson, 2001)。如: 足球比賽中需時刻加工對手的運球動作, 以判斷其目的是傳球還是射門等。該能力的受損將嚴重影響人們的日常生活, 如: 自閉癥患者被發現在加工和識別動作意圖上存在缺陷(Carter Leno et al., 2019; Klin, Jones, Schultz, & Volkmar, 2003)。然而, 動作加工中人們所能觀察的是他人在物理層面的運動模式信息, 但需對其背后的目的和意圖進行解讀, 其過程存在高度的不確定性(Ullman et al., 2009; Jara-Ettinger, Gweon, Schulz, & Tenenbaum, 2016)。例如: 當小李在步行時不斷趨近小王, 其即可解釋為小王是小李欲追趕的對象, 也可解讀為小李只是在趕路, 恰巧靠近小王而已。因此, 人們如何理解動作一直是認知科學研究關注的難點問題之一。該問題所揭示的規律被認為對探明人類的心智系統和構建具有社會能力的機器人具有關鍵作用(Blakemore & Decety, 2001)。

針對動作理解的機制, 目前較有影響的理論之一是模擬論(simulation theory), 其也被稱為直接匹配假說(direct matching; Gallese & Goldman, 1998; Rizzolatti & Craighero, 2004; 葉浩生, 2016)。該理論認為, 人們將他人的動作與自己的動作表征自動進行匹配, 即內部自發模擬他人的動作, 以實現對動作的理解, 故動作的運動學特性決定了對動作的理解。這一理論的主要支撐證據來自鏡像神經元/系統的發現(Rizzolatti, Fogassi, & Gallese, 2001)。如: di Pellegrino, Fadiga, Fogassi, Gallese和Rizzolatti (1992)揭示, 當獼猴觀察他人動作時, 在前運動皮層的激活模式與自身執行該動作所激活的模式相同。進一步研究發現, 鏡像神經元是動作加工的神經基礎, 基于鏡像式的模擬機制實現對動作理解 (Fogassi et al., 2005; Gallese, Fadiga, Fogassi, & Rizzolatti, 1996)。后續研究在人類身上也發現了類似的神經基礎, 其被稱為鏡像神經系統, 主要包括頂下小葉(inferior parietal lobule)和額下回(inferior frontal gyrus)或前運動皮層(premotor cortex)等(Iacoboni et al., 1999; Rizzolatti & Craighero, 2004)。同時研究者發現, 當與他人交互時, 人們會自動模仿對方的坐姿、表情與言語等, 其被稱為變色龍效應(Chartrand & Bargh, 1999)。且當他人手指、手臂等動作與自身動作不一致時, 會干擾人們自身行為的執行(Dijkerman & Smit, 2007; Kilner, Paulignan, & Blakemore, 2003)。這些研究顯示, 觀察他人的動作激活了自身相同的動作表征, 從而自動產生模仿行為。更重要的是, 雖然嬰兒一般很難理解動作的目的, 然而當給予嬰兒足夠的接觸玩具的機會(即把玩具作為目標)或有機會去執行抓握玩具的動作后, 則習得理解動作的能力(Sommerville, Woodward, & Needham, 2005)。模擬論的匹配加工特性不僅意味著觀察他人動作會激活自身相同的動作表征, 且認為所要匹配和模擬的動作越多, 人們所需要的認知資源越多。該推測獲得了新近研究的支持, 其發現加工多個人動作時鏡像神經系統的激活強度高于加工一個人的動作(Cracco, de Coster, Andres, & Brass, 2016)。上述研究共同表明, 模擬論所提出對動作的直接匹配過程是動作理解的關鍵機制。由于直接匹配決定了對動作的理解, 故運動學特性相同的動作對其理解結果也相同; 反之, 對運動學特性不同的動作, 其加工結果存在差異(Csibra, 2007; Rizzolatti & Craighero, 2004)。

有研究者對模擬論提出了質疑, 因為其難以解釋鏡像神經元或系統的某些激活模式(Brass, Schmitt, Spengler, & Gergely, 2007; Csibra, 2007)。Gallese等(1996)發現獼猴在觀察實驗員假裝去拿物體(該物體并不存在)時, 鏡像神經元并沒有激活。該結果與模擬論的預測不一致, 因為假裝去拿物體和真正去拿物體的運動學特性基本相同, 而后者則可激活鏡像神經元。在人類被試上, 研究者也發現, 對于幾乎具有相同運動學特性的動作, 抓握目標存在時鏡像神經系統的激活強度高于目標不存在的情境(Koski et al., 2002)。即對于具有相同運動特性的動作, 當其及物還是不及物時, 對其理解結果不同。甚至, 對于抓握動作, 因情境信息不同而被解讀為不同意圖時, 其在鏡像神經系統的激活也不一樣。如: 抓握茶杯的動作, 在茶杯中裝滿咖啡時可被理解為喝茶的意圖, 而茶杯中無咖啡且存在食物殘渣時被理解為清掃的意圖(Iacoboni et al., 2005)。上述結果表明, 對動作特性的直接匹配并非決定動作理解的結果, 而是受到動作之外信息的影響; 不然, 對于相同的動作其在鏡像神經系統的激活模式應相當。因此, 有研究者提出, 人們在理解行為時不是將觀察到的動作與自身的動作進行匹配, 而是對其進行推理, 從而獲得他人為什么執行該行為的原因(即目的或意圖), 從而提出了動作理解的理論論(theory theory; Gergely & Csibra, 2003; Jacob & Jeannerod, 2005; 葉浩生, 2016)。該觀點認為, 人們對動作的理解是基于合理性原則, 即假定他人在當前的情境下通過執行成本最小的動作以實現目標, 通過推理獲得當前情境下所觀察動作最有可能的目標或意圖, 其受到動作之外信息的影響。換言之, 對于相同的動作, 發生在不同的情境中時, 其理解結果也不盡相同。目前, 這一理論獲得了來自兒童發展、認知神經等眾多研究領域的支持, 并已成功應用于人工智能領域(Brass et al., 2007; Gergely & Csibra, 2003; Jara-Ettinger et al., 2016)。如: 在A以最短路徑直行趨近B時(符合合理性原則; principle of rationality), 10個月大的嬰兒視A的目標是趨近B, 而當A以跳躍方式靠近B時, 認為A的目的不明確(Csibra, Bíró, Koós, & Gergely, 2003)。且在行為模仿中, 兒童也會考慮行動發生時的情境, 而非完全模仿他人的行為(Gergely, Bekkering, & Király, 2002); 在成人中亦是如此, 對他人手指動作的模仿會受到該動作是有意還是無意發出(如: 機械強制手指運動)的影響(Liepelt, Cramon, & Brass, 2008)。總之, 理論論所提出的推理過程可解釋動作理解中的更多現象。

然而, 支持模擬論的學者認為理論論的相關證據依然可用模擬論來解釋(Cavallo, Koul, Ansuini, Capozzi, & Becchio, 2016; Koul et al., 2018)。首先, 對于及物動作和不及物動作的比較, 其運動學特性并非完全一致, 因此內部模擬過程也不盡相同, 從而導致鏡像神經系統的激活也不一樣。其次, 鑒于所需觀察的對象均來自對真人動作的記錄, 目標不同的動作其發出動作時的肌肉控制也不一樣, 故在運動學特性上依然可能存在細微差異, 其可被視覺內隱覺察從而影響動作模擬。如: 用于喝茶的抓握動作和用于打掃衛生的抓握動作存在運動學上的細微差別。最后, 對于嬰兒所觀察的直行動作和跳躍動作, 其動作形態本身就不一樣, 故匹配所得的理解結果也不一樣。總而言之, 當前兩種理論爭論的焦點是運動學特性是否決定了對動作的理解。模擬論認為, 運動學特性決定了對動作的理解, 任何動作理解結果的差異均可歸因于運動特性的不同, 與情境無關; 但理論論支持者認為, 由于推理過程中對合理性原則的應用, 即使對具有相同運動學特性的動作, 由于發生情境決定了動作趨近目標的合理性, 故動作發生的情境不同對其理解也不盡相同(詳見Gergely & Csibra, 2003; Jacob & Jeannerod, 2005的綜述)。由于目前所采用的實驗動作材料的運動學特性和發生情境存在共變, 其難以區分動作理解是符合模擬論還是理論論, 故有必要采用其他的實驗方法, 如嚴格控制運動學特性但操縱動作發生時的情境(Pomiechowska & Csibra, 2017), 對動作理解的機制進一步探討。

為實現對動作發生情境的操縱且嚴格控制運動學特性, 本研究借鑒Heider和Simmel (1944)的方法, 通過動畫制作技術來產生動作模式。該方法將主體均簡化為幾何形狀式的智能體, 其可對日常行為場景動作進行模擬且可有效控制額外變量, 其已廣泛應用于社會認知領域(Powell & Spelke, 2013; Yin et al., 2016)。本研究選擇在人類進化中起著關鍵作用的追逐動作(Barrett, Todd, Miller, & Blythe, 2005), 作為動作理解的對象。實驗包含兩種情境, 每種情境有兩個運動的智能體, 其均是一智能體在另一智能體后方運動, 構成一定的追逐運動模式(如圖1所示)。具體而言, 對于存在約束的情境, 智能體A改變方向以繞過障礙物, 從后方逐漸趨近智能體B; 對于不存在約束的情境, 阻礙智能體A’前行的障礙物被去除, 但依然呈現與存在約束的情境中智能體A相同的運動模式, 從后方靠近與智能體B具有相同運動模式的智能體B’。即, 有無約束情境下智能體的運動特性相同, 除了阻止智能體A以最短路徑趨近智能體B的障礙物是否存在。在該設置下, 基于模擬論觀點, 由于有無約束情境下智能體的運動特性完全相同, 故對兩種情境下的動作模擬過程相當, 從而預測動作加工結果應不存在差異。然而, 基于理論論觀點, 雖然兩種情境下智能體具有相同的運動特性, 但當存在約束情境時, 智能體A改變方向的行為可被理解為為了繞開障礙物, 而以最有效的方式趨近智能體B, 因為其趨近目標的動作符合合理性原則; 但對無約束的情境, 智能體A’靠近智能體B’的行為并不符合合理性原則(即以最短的路徑趨近B’), 對其理解結果應與存在約束情境時不同, 至少智能體A’指向智能體B’的目的更弱。簡言之, 若動作理解符合模擬論, 人們對有無約束情境下的動作理解相同; 若動作理解符合理論論, 人們對有無約束情境下的動作理解不同, 其具體體現在: 相比無約束的情境, 存在情境約束中智能體A更可能將智能體B視作指向的目標。

針對上述兩種預測, 本研究采用腦電技術, 選取位于感覺運動皮層(C3和C4電極)附近8~13 Hz的μ節律作為指標。該指標的神經基礎位于鏡像神經系統, 甚至包括心智化系統(如: 顳頂聯合區), 其因動作理解不同而激活程度(表現為μ抑制, 或去同步化)不同, 被認為可指示動作加工(Fox et al., 2016; Muthukumaraswamy, Johnson, & McNair, 2004; Pomiechowska & Csibra, 2017; Ulloa & Pineda, 2007)。尤其是, 在加工具有清晰目標的行動時μ抑制程度高于加工目標不清晰的行動(Muthukumaras- wamy et al., 2004)。若動作理解符合模擬論的預測, 由于無論存在約束情境與否動作的運動學特性相同, 則可預期兩種情境下μ激活相當;若動作理解是基于理論論所主張的機制, 由于存在情境約束時, 可基于合理性原則構建兩個智能體間的目標指向關系, 可預期該條件下的μ抑制程度應高于不存在約束情境的條件。

2 實驗1: 追逐者和目標物均運動

本實驗擬采用追逐動作, 通過設置該動作發生情境的特性實現對動作合理性的操縱, 旨在檢驗動作理解是基于模擬論還是理論論所主張的機制。為探討該問題, 實驗中選取頂葉的μ節律作為指標。鑒于μ頻段與注意機制相關的枕葉α (8~13 Hz)屬于同一波段(Klimesch, Sauseng, & Hanslmayr, 2007; Perry, Stein, & Bentin, 2011), 故為進一步檢驗μ頻段是否屬于枕葉α活動的泛化, 對枕葉α也予以分析。

2.1 被試

通過廣告招募的方式, 18名在校大學生自愿參與本實驗。該樣本量參考了以往用μ指標來探討動作加工的相關研究, 其樣本量在16~18名被試之間,結果的效應量處于中等水平(介于0.25與0.40之間; Duan, Yang, He, Shao, & Yin, 2018; Natraj et al., 2013; Pomiechowska & Csibra, 2017)。同時, 基于本研究的實驗設計(重復測量), 將預期達到的alpha值設置為0.05, 統計效力設置為0.80且效應量設置為以往研究揭示的中等水平(約等于0.30; Duan et al., 2018; Pomiechowska & Csibra, 2017), 通過軟件GPower 3.0.10計算所得的計劃樣本量為18左右。對于18名被試的數據, 1名被試因數據收集過程中電極脫落, 導致腦電數據質量比較差, 2名被試不符合注意檢測標準, 故予以剔除(即使包含這3名被試, 結果模式依然相同)。最終獲得15名(其中男性8名, 女性7名)有效被試的實驗數據, 被試的年齡在18~27歲之間(= 22.67歲,= 0.77歲), 視力或矯正視力正常, 無色盲, 均無身心疾病。實驗結束后, 被試獲得50元人民幣作為報酬。為保持實驗樣本量的一致性, 后續實驗中也招募了15名有效被試。該實驗獲得了寧波大學心理學研究倫理委員會同意, 且在實驗前保證每個被試充分知曉實驗要求, 并簽署了知情同意書。

2.2 實驗儀器與刺激

實驗采用19英寸CRT顯示器, 分辨率為800 × 600, 刷新率為100 Hz, 被試距屏幕約60 cm。所有刺激材料的呈現和實驗流程通過MATLAB的工具箱Psychophysics Toolbox (Brainard, 1997)來控制。

實驗刺激材料為電腦動畫, 其通過3D動畫建模軟件blender 2.78a制作而成, 顯示大小為11.1° × 8.3°。借鑒Southgate和Csibra (2009)的方法, 制作動態的追逐動作(智能體A追逐智能體B; 靜態示意圖如圖1所示), 并通過設置追逐動作中是否存在障礙物的方式來實現對情境的操作, 其動作視頻時長均為3s。具體而言, 體型較大的智能體A (2° × 2°; 即追逐者)在后方以平均約16°/s的速度追逐體型較小的智能體B (1°×1°; 即目標物), 后者以平均約14°/s的速度運動至屏幕右下方。動畫中智能體的外形相異, 其在不同的試次中從36對不同的組合中隨機選擇(包括9種不同外形的智能體, 兩兩組合而得)。在存在約束的情境中, 追逐動作的發生場景中存在障礙物。這些障礙物阻擋了追逐者趨近目標物的最短路徑(即直線路徑), 使得其不得不繞開障礙物去追逐目標物, 但目標物由于體型較小可穿過障礙物與障礙物之間的小間隔。然而, 當動作發生的情境不存在約束時, 阻礙追逐者以最短路徑趨近目標物的障礙物不存在(障礙物移至其它地方),但追逐者和目標物依然以存在約束情境時相同的路徑進行運動。因此, 上述兩種動畫中, 視頻中智能體的動作均相同, 但其所發生的情境存在差異。

圖1 存在約束情境(a)和不存在約束情境(b)的動作示意圖

除了上述兩種動畫, 實驗中還構建了其它動畫,其作為填充動畫, 要求被試計數其數量, 以使得被試的注意集中在屏幕的動畫上。該類動畫與上述動畫基本相同, 除了在追逐過程0.5 s至2.5 s之間追逐者會連續消失1 s。

鑒于對動作的熟悉性可能影響對動作的心理模擬, 本實驗在正式實驗前招募了30名被試(男性18名, 女性12名,= 22.20歲,= 0.48歲), 對上述兩種視頻(評價順序在被試間進行平衡)就“你對動畫中所呈現的行為, 在多大程度上是熟悉的？”從1 (“一點也不熟悉”)至7 (“非常熟悉”)進行熟悉度評分。結果發現, 被試對存在約束情境的動作熟悉度評分(= 3.63,= 0.31)與不存在約束情境的動畫(= 3.47,= 0.32)無顯著差異,(29) = 0.47,= 0.643。同時, 為從主觀評價上確認被試確實對兩種動畫的理解不同, 這批被試被要求就, “你在多大程度上同意, 動畫中體型較小的卡通人物是動畫中體型較大的卡通人物趨近的目標？”從1 (“一點也不同意”)至7 (“完全同意”)進行動作理解的主觀評分。結果發現, 相比無約束情境(= 4.83,= 0.35), 被試更傾向于認為有約束情境下(= 5.93,= 0.20)體型較小的智能體是體型較大的智能體趨近的目標,(29) = 3.20,= 0.003, Cohen’s= 0.59。該結果說明, 不同情境下, 被試對相同動作的理解確實不同, 提示操作有效。

2.3 實驗流程

每個試次的流程如圖2所示。首先, 在屏幕中央呈現一個動態的注視點, 其持續480 ms。之后, 空屏300~400 ms。接著, 呈現動畫的第一幀, 以提醒動畫即將開始。提醒300 ms后, 動畫開始播放, 其持續3s。試次間隔為900至1100 ms。

實驗共有兩個組塊, 每個組塊包含72個試次, 其中每個條件包含36個試次。每個條件36個試次動畫中的智能體組合均不相同, 但條件間的智能體組合均相同。如此, 不同條件間除了情境, 其它的物理信息均一致。每個組塊中包括8~12個填充動畫, 要求被試認真觀看屏幕中的動畫, 并計數填充動畫的次數, 在每個組塊結束后進行報告。如果被試所報告的填充動畫個數與真實的不一致, 則說明該被試可能未認真觀看所有的視頻。根據該注意檢測標準, 2名被試均未能準確報告填充動畫個數, 故予以剔除。

2.4 數據記錄

基于NeuroScan Synamps 2系統(Compumedics NeuroScan Inc.), 利用國際通用的10~20的64導Ag/AgCl電極帽記錄EEG。以左側乳突電極為參考。接地電極位于FPZ與FZ中央。以左眼眶額上、下部的2個電極記錄垂直眼電(VEOG), 以兩眼外側1.5 cm處的2個電極記錄水平眼電(HEOG)。腦電信號采集增益為500, 采樣頻率為500 Hz, 濾波帶通(band-pass)為0.05~100 Hz。電極和頭皮間的電阻均小于5 kΩ。鑒于基線的選擇可能影響μ指標的敏感性(Tangwiriyasakul, Verhagen, van Putten, and Rutten, 2013), 本研究同時記錄了每個被試在正式實驗前后, 注視電腦屏幕時1分鐘的基線腦電數據, 以獲取被試在無動作理解狀態的基線腦電數據。

2.5 數據分析

采用MATLAB的EEGLAB和Fieldtrip工具包對數據進行分析。首先用EEGLAB對數據進行預處理。預處理中, 先將左側乳突參考轉換成左右乳突平均做參考, 之后對數據進行0.1~100 Hz的濾波(fir1)。接下來, 刪除記錄眼電的電極數據, 并進行獨立成分分析(ICA)。對獲得的獨立成分, 采用EEGLAB的ADJUSR插件識別眼電成分與噪音成分, 并將其剔除。最后, 對追逐動作呈現階段, 即開始運動(動畫起始點)到運動后3000 ms (動畫結束點)進行分段。完成前述處理后, 采用Fieldtrip進行頻譜分析。鑒于本研究所探討的動作理解過程發生在整個追逐動畫呈現階段, 其時域特性不明顯, 故借鑒以往研究(Brown, Wiersema, Pourtois, & Brüne, 2013; Perry et al., 2011), 采用快速傅立葉變換(FFT)對整個動作理解過程(即3 s的動畫)的8~13 Hz能量進行頻譜分析。其中, 對每個分段數據(即3000 ms動畫播放時間)采用10% Hamming進行快速傅立葉變換(FFT), 以獲取每個頻段的能量值(μV)。同時, 對每個試次, 以動畫播放前600~300 ms為基線(即空屏階段), 通過相減的方法對分段的能量值進行校正, 即追逐動畫呈現時頻段的能量值減去對應頻段在基線階段的能量值。最后, 對每個被試按條件進行平均獲得不同頻段的能量值。

與已有研究一致, 本實驗選取的μ頻段為8至13 Hz (Fox et al., 2016; Muthukumaraswamy et al., 2004; Ulloa & Pineda, 2007)。大量研究表明, 與動作加工相關的μ波段主要出現在頂葉運動區, 在腦電研究中常常選取頂葉的C3和C4電極(Duan et al., 2018; Pomiechowska & Csibra, 2017), 因此本實驗也選取該兩個電極對μ頻段的激活模式進行分析。為進一步檢驗μ頻段是否屬于枕葉α活動的泛化, 參考以往研究(Klimesch et al., 2007; Perry et al., 2011),本實驗對枕葉O1和O2電極上的α也予以類似分析。為揭示μ頻段在指示動作理解中的特異性, 與以往研究一致(Hobson & Bishop, 2016), 對C3和C4電極上的β波段(14~40 Hz)也進行了類似分析。

圖2 實驗流程

同時, 鑒于基線的選擇可能影響μ指標的敏感性(Tangwiriyasakul et al., 2013), 對實驗前后記錄的基線腦電數據, 也按3000 ms的長度進行分段(為保證其與實驗階段具有相同的分析參數), 其被分割為40段。之后也采用10% Hamming對其進行FFT, 并計算每個被試在不同頻段上的平均能量值作為后續分析的基線值。即對于每個被試, 將追逐動作呈現階段的μ頻段能量減去該基線的差異值作為因變量。該分析所獲得的結果模式與以動畫播放前600~300 ms為基線的結果模式相同。鑒于以往研究表明, 每個試次的頻譜能量均進行基線矯正更合適(Hobson & Bishop, 2016), 文中主要報告以動畫播放前600~300 ms作為基線進行分析所獲得的結果。

2.6 結果與討論

不同條件下頂葉μ頻段的能量如表1和圖3a所示。對不同條件下8~13 Hz頻段能量地形圖及條件間能量差異地形圖, 可見圖4。就μ頻段能量而言, 不同條件下能量值均顯著小于基線值(即0),s > 3.23,s < 0.006, Cohen’s> 0.83, 顯示μ頻段的抑制特性。對μ能量值進行2(電極: C3與C4) × 2(情境: 有約束與無約束)的重復測量方差分析, 結果發現: 僅有情境的主效應顯著,(1, 14) = 12.51,= 0.003, η2 p = 0.47, 提示情境存在約束時μ頻段能量(= –1.955 μV,= 0.567)顯著高于(抑制程度更高)情境不存在約束時的μ頻段能量(= –1.913 μV,=0.564); 電極的主效應,(1, 14) = 0.05,= 0.835, 電極與情境的交互作用均不顯著,(1, 14) = 0.08,= 0.780。

不同條件下枕葉α頻段的能量如表1和圖3b所示。以枕葉α頻段能量作為因變量, 2(電極: O1與O2) × 2(情境: 有約束與無約束)的重復測量方差分析結果發現: 電極的主效應((1, 14) = 1.56,= 0.232)、情境的主效應((1, 14) = 2.27,= 0.154)以及二者的交互作用((1, 14) = 0.01,= 0.951)均不顯著。該結果提示, 不同類型動畫所誘發的μ能量差異并非枕葉α活動的泛化。

在β頻段上(表1), 對其能量進行2(電極: C3與C4) × 2(情境: 有約束與無約束)的重復測量方差分析, 結果發現: 電極的主效應((1, 14) = 0.45,= 0.514)、情境的主效應((1, 14) = 2.75,= 0.119) 以及二者的交互作用((1, 14) = 0.87,= 0.368)均不顯著, 說明動作理解主要激活μ頻段。

表1 實驗1和實驗2中有無約束情境下不同腦電指標的能量值(μV2)

注: 括號中為標準誤

圖3 不同條件下頂葉(a)和枕葉(b) 8~13 Hz頻段能量值

注: *< 0.05; 誤差條為去除被試間變異后的標準誤(Cousineau & O’Brien, 2014)

圖4 實驗1和實驗2不同條件下8~13 Hz頻段能量地形圖(a)及條件間能量差異地形圖(b)

對所有電極上的8至13 Hz頻段能量, 采用基于Cluster的置換檢驗(permutation test; Maris & Oostenveld, 2007), 其中采用蒙特卡洛模擬法, 并將抽樣次數設置為5000, 且要求至少相鄰的兩個電極在存在約束情境和不存在約束情境的8至13 Hz頻段能量差異上達到顯著。結果依然發現C3和C4電極上, 存在約束情境的μ頻段抑制程度顯著高于不存在約束情境的條件, 而O1與O2上則無差異。故上述基于方差分析的結果并不能由所選擇電極的特殊性所解釋。

上述結果發現, 針對相同的追逐動作, 其因情境不同所激活的μ也不同, 且并非α活動的泛化, 提示情境影響人們對動作的理解。具體而言, 對有約束的情境, 即追逐者的動作可被清晰理解為趨近目標, 該條件μ的抑制程度顯著高于無約束的情境, 其符合理論論的預測。

3 實驗2: 追逐者運動但目標物靜止

實驗1的結果與理論論的預測一致, 即存在約束的情境時μ的抑制程度顯著高于無約束的情境。然而, 實驗1中存在約束的情境下, 追逐者有時會被障礙物遮擋, 且物理上可見時間與不存在約束的情境不相同。就模擬論而言, 該物理層面上的差異, 可能使得被試在對動作的模擬程度上不同, 從而導致μ的激活程度不一致。本實驗將對這一可能性進行檢驗。實驗中, 追逐者與實驗1中的追逐者依然保持相同的運動特性, 且也對其動作發生的情境采用與實驗1相同的操作, 但將實驗1中的目標物置于終點并保持靜止。該設置下, 不同條件間(有約束和無約束的情境)的物理差異與實驗1相同, 但基于推理, 由于未到達靜止目標物前, 追逐者行為意圖具有一定的模糊性, 其之前路徑的合理性難以明確, 故兩種條件下將靜止的對象當作趨近目標的程度在不同情境下相當(Brass et al., 2007; Marsh, Mullett, Ropar, & Hamilton, 2014; Southgate & Csibra, 2009)。因此, 若模擬過程是實驗1中動作理解的機制, 則實驗1中情境的調節效應在目標物保持靜止時依然存在; 但若動作理解是基于理論論所假設的過程, 則實驗1中情境的調節效應在本實驗中將消失, 因為有約束和無約束的情境下對動作的推理結果相當。

3.1 方法

16名在校大學生自愿參與本實驗, 其中1名被試因不符合注意檢測標準, 故予以剔除(即使包含這名被試, 結果模式依然相同)。最終獲得15名(其中男性7名, 女性8名)有效被試的實驗數據, 被試的年齡在19~26歲之間(= 22.33歲,= 0.65歲), 視力或矯正視力正常, 無色盲, 均無身心疾病。

實驗設計和流程與實驗1基本相同, 除了目標物以靜止的方式停留在運動的終點。數據采集與分析與實驗1相同。

與實驗1相同, 本實驗在正式實驗前招募了30名被試(男性18名, 女性12名,= 22.20歲,= 0.48歲), 要求對動畫的熟悉度和動作的目標進行主觀評定。結果發現, 被試對存在約束情境的動作熟悉度評分(= 3.67,= 0.35)與不存在約束情境的動作熟悉度評分(= 3.57,= 0.33)無顯著差異,(29) = 0.34,= 0.735。且被試認為有約束情境下(= 4.87,= 0.35)靜止智能體是運動智能體趨近的目標與無約束情境相當(= 4.93,= 0.35),(29) = 0.13,= 0.896。該結果說明, 不同情境下,被試對相同動作的理解基本相當, 提示操作有效。

3.2 結果

不同條件下誘發的μ頻段能量如表1和圖3a所示。對不同條件下8~13 Hz頻段能量地形圖及條件間能量差異地形圖, 可見圖4。大腦中線電極上μ頻段能量均顯著低于基線值,s > 3.28,s < 0.005, Cohen’s> 0.84, 再次顯示μ激活體現在被抑制。以μ頻段能量為因變量, 2(電極: C3與C4) × 2(情境: 有約束與無約束)的重復測量方差分析發現: 電極的主效應不顯著,(1, 14) = 0.07,= 0.791; 情境的主效應不顯著,(1, 14) = 0.13,= 0.720; 二者的交互作用也不顯著,(1, 14) = 0.13,= 0.723。

同時, 就枕葉α頻段能量(表1和圖3b)而言, 2(電極: O1與O2) × 2(情境: 有約束與無約束)的重復測量方差分析未發現任何效應顯著。其中, 電極的主效應((1, 14) = 1.55,= 0.234)、情境的主效應((1, 14) = 0.01,= 0.925)以及二者的交互作用((1, 14) = 0.45,= 0.514)均不顯著。采用與實驗1相同的基于Cluster的置換檢驗, 結果發現未有電極在不同條件間的8至13 Hz能量差異上達到顯著。

為進一步檢驗實驗1的結果確實由于動作理解的差異所致, 合并C3和C4電極上的數據, 以2(實驗: 實驗1與實驗2; 被試間變量) × 2(情境: 有約束與無約束; 被試內變量)為實驗設計, 對頂葉的μ頻段能量進行方差分析。結果發現, 實驗的主效應均不顯著,(1, 28) < 0.01,= 0.999; 情境的主效應也不顯著,(1, 28) = 2.45,= 0.129; 但兩因素的交互作用顯著,(1, 28) = 4.77,= 0.037, η2 p = 0.15。該結果提示實驗操縱調節不同情境下頂葉的μ頻段能量, 進一步支持實驗1的結果確實由于動作加工的差異所致。

在β頻段上(表1), 對其能量進行2(電極: C3與C4) × 2(情境: 有約束與無約束)的重復測量方差分析, 結果發現: 電極的主效應((1, 14) = 0.12,= 0.730)、情境的主效應((1, 14) = 0.40,= 0.540)以及二者的交互作用((1, 14) = 0.51,= 0.485)均不顯著。

上述結果表明, 雖然保持與實驗1條件間相同的物理差異, 但使得目標不清晰后, 條件間在μ頻段能量上的差異消失。該結果表明, 實驗1的結果并不能由物理差異所誘發的內部模擬不同解釋, 而是由于對是否存在約束的情境間推理結果的不同所致。

4 討論

本研究采用動畫制作技術來產生追逐動作, 基于對動作發生時的情境進行操縱, 通過兩項實驗以指示動作加工過程的腦電μ抑制為指標, 探討了動作理解是基于模擬論還是理論論所主張的機制。結果顯示, 當追逐動作發生在存在約束的情境時, 其可基于合理性原則推測清晰的動作目標, 該條件下的μ抑制程度高于不存在約束情境的條件(實驗1); 而當僅追逐者運動, 即趨近的目標不存在時, 雖然有約束和無約束的情境間的物理差異與實驗1相同,但條件間μ抑制的差異消失(實驗2)。該結果提示, 動作發生的情境信息影響人們對動作的理解, 支持動作理解中的理論論觀點。

針對上述結果, 物理層面的差異性及其對動作發生場景的熟悉性均無法解釋。具體而言, 首先, 實驗1中有約束和無約束情境中運動學特性相同, 且就情境本身可能帶來的物理差異也在實驗2中進行了控制, 但當情境的約束使與動作符合合理性原則時, 其μ抑制相比動作和情境不符合合理性原則時更高。因此, 條件間μ抑制的差異確實由于動作理解的不同所致。其次, 針對不同情境下的動畫, 被試對其熟悉度的評價相當, 故實驗1中μ抑制的差異也不能由對動作熟悉的不同而解釋。再者, 實驗1中不同情境并不調節枕葉α激活的程度, 排除了條件間μ抑制的差異可能是由于α所指示的注意作用所致。最后, 參考以往利用μ抑制來探討動作理解的研究(Fox et al., 2016; Pomiechowska & Csibra, 2017), 關于目標清晰是否對該成份影響程度在0.04 μV左右, 其與本研究相當(0.05 μV), 且效應量大于之前的研究(Cohen’s為0.3至0.6; 實驗1中效應量轉換為Cohen’s為1.88)。這一分析提示該指標在指示動作加工的敏感性和穩定性。總之, 當追逐者和目標均運動時, 有無約束情境下μ抑制確實反映了動作理解的不同, 其支持理論論。

情境信息對μ抑制的影響與之前的研究一致。如: 對于觀察發生在喝茶情境下的抓握動作和清潔杯具情境下的抓握動作, 其μ抑制不同(Amoruso & Urgesi, 2016); 對于同一動作, 觀看抓握杯柄所誘發的μ抑制顯著高于觀察抓握茶杯其它地方(Natraj et al., 2013); 對于運動學信息基本相同的抓握某個物體和指向某個物體, 觀察前者誘發更強的μ抑制,且當這兩個動作發生在交流情境中(動作之前呈現交流信號)時, 其差異消失(Pomiechowska & Csibra, 2017)。然而, 前述研究中不同情境中動作的物理特性也存在一定差異, 就動作理解的機制而言, 其既符合模擬論的預測, 也與理論論假設一致。但在本研究中對運動學特性進行了嚴格的控制, 不同情境下對動作的推理產生不同的結果, 但具有相同的模擬過程, 其可對動作理解的兩種觀點予以區分。最終結果支持理論論觀點, 其對動作理解機制具有重要的意義。

基于推理過程的動作理解可解釋人們為什么可理解首次遇到的動作。如: 對于生活中首次出現的機器人, 雖然其形態與動作的運動學特性與之前觀察到的人類行為完全不同, 但當機器人以最短的路徑去趨近某物體時, 觀察者會對機器人賦予目標和意圖, 認為獲取該物體是機器人的目的(Kamewari, Kato, Kanda, Ishiguro, & Hiraki, 2005)。且基于推理過程的動作理解可使得嬰兒就具有解讀動作的能力。研究發現, 3個月大的嬰兒就能準確理解行動背后的目的(Luo, 2011); 15個月大的嬰兒可以理解之前從未見過的假裝動作(pretend actions; Onishi, Baillargeon, & Leslie, 2007), 如: 拿著一個空的杯子, 假裝喝水。但推理過程并不排斥經驗的作用。經驗可為推理提供除了合理性原則之外的其他認知約束, 如: 對于鬼鬼祟祟尾隨他人的行為, 其尾隨的方式并非經濟, 但人們可根據積累的經驗,認為尾隨的人可能存在既想趨近別人又不想被別人知道的心智狀態, 故呈現這種非經濟的尾隨動作。因此, 隨著經驗的積累, 人們對看似不合理行為的合理化解釋越豐富, 且更能準確的解讀他人的動作。

本研究以動畫的形式模擬動作, 可實現對運動學特性及其動作發生情境的有效操縱, 且可對額外變量進行嚴格控制。因此, 該實驗方法可為后續動作理解的研究提供借鑒, 進一步探討動作理解的認知過程。但該方法所設置的動作對人類的動作進行了一定程度抽象, 其發現的結論還有待在真正的人類動作上檢驗生態效度。

5 結論

本研究以追逐動作為實驗刺激, 以指示動作加工過程的μ為指標, 通過兩項實驗探討了動作理解的認知機制, 獲得以下結論: 動作發生的情境信息影響人們對動作的理解, 提示人們基于推理的過程理解動作, 支持動作加工中的理論論觀點。

Amoruso, L., & Urgesi, C. (2016). Contextual modulation of motor resonance during the observation of everyday actions.,, 74–84.

Baker, C. L., Saxe, R., & Tenenbaum, J. B. (2009). Action understanding as inverse planning.(3), 329– 349.

Barrett, H. C., Todd, P. M., Miller, G. F., & Blythe, P.W. (2005). Accurate judgments of intention from motion cues alone: A cross-cultural study.(4), 313–331.

Blakemore, S. J., & Decety, J. (2001). From the perception of action to the understanding of intention.,(8), 561–567.

Brainard, D. H. (1997). The psychophysics toolbox.(4), 433–436.

Brass, M., Schmitt, R. M., Spengler, S., & Gergely, G. (2007). Investigating action understanding: Inferential processes versus action simulation.,(24), 2117– 2121.

Brown, E. C., Wiersema, J. R., Pourtois, G., & Brüne, M. (2013).Modulation of motor cortex activity when observing rewarding and punishing actions.,(1), 52–58.

Carter Leno, V., Vitoratou, S., Kent, R., Charman, T., Chandler, S., Jones, C. R., ... Simonoff, E. (2019). Exploring the neurocognitive correlates of challenging behaviours in young people with autism spectrum disorder.,(5), 1152– 1164.

Cavallo, A., Koul, A., Ansuini, C., Capozzi, F., & Becchio, C. (2016). Decoding intentions from movement kinematics.,, 37036.

Chartrand, T. L., & Bargh, J. A. (1999). The chameleon effect: The perception-behavior link and social interaction.,(6), 893–910.

Cracco, E., de Coster, L., Andres, M., & Brass, M. (2016). Mirroring multiple agents: motor resonance during action observation is modulated by the number of agents.,(9), 1422–1427.

Csibra, G. (2007). Action mirroring and action understanding: An alternative account. In: P. Haggard, Y. Rosetti, & M. Kawato (Eds.),(pp. 435–459). Oxford: Oxford University Press.

Csibra, G., Bíró, S., Koós, O., & Gergely, G. (2003). One-year- old infants use teleological representations of actions productively.,(1), 111–133.

Csibra, G., & Gergely, G. (2007). “Obsessed with goals”: Functions and mechanisms of teleological interpretation of actions in humans.(1), 60–78.

Cousineau, D., & O’Brien, F. (2014). Error bars in within- subject designs: A comment on Baguley (2012).,(4), 1149–1151.

Dijkerman, H. C., & Smit, M. C. (2007). Interference of grasping observation during prehension, a behavioural study.387–396.

di Pellegrino, G., Fadiga, L., Fogassi, L., Gallese, V., & Rizzolatti,G. (1992). Understanding motor events: A neurophysiological study.,(1), 176–180.

Duan, J. P., Yang, Z. X., He, X. Y., Shao, M. X., & Yin, J. (2018). Automatic attribution of social coordination information to chasing scenes: Evidence from mu suppression.,(1), 117–127.

Fogassi, L., Ferrari, P. F., Gesierich, B., Rozzi, S., Chersi, F., &Rizzolatti, G. (2005). Parietal lobe: From action organization to intention understanding.,(5722), 662–667.

Fox, N. A., Bakermans-Kranenburg, M. J., Yoo, K. H., Bowman, L. C., Cannon, E. N., Vanderwert, R. E., … van Ijzendoorn, M. H. (2016). Assessing human mirror activity with EEG Mu rhythm: A meta-analysis.,(3), 291–313.

Gallese, V., Fadiga, L., Fogassi, L., & Rizzolatti, G. (1996). Action recognition in the premotor cortex.,(2), 593–609.

Gallese, V., & Goldman, A. (1998) Mirror neurons and the simulation theory of mind reading.,(12), 493–501.

Gergely, G., Bekkering, H., & Király, I. (2002). Developmental psychology: Rational imitation in preverbal infants.,(6873), 755.

Gergely, G., & Csibra, G. (2003). Teleological reasoning in infancy: The na?ve theory of rational action.(7), 287–292.

Hauser, M., & Wood, J. (2010). Evolving the capacity to understand actions, intentions, and goals.,, 303–324.

Heider, F., & Simmel, M. (1944). An experimental study of apparent behavior., 243–259.

Hobson, H. M., & Bishop, D. V. M. (2016). Mu suppression–a good measure of the human mirror neuron system?,, 290–310.

Iacoboni, M., Molnar-Szakacs, I., Gallese, V., Buccino, G., Mazziotta, J. C., & Rizzolatti, G. (2005). Grasping the intentions of others with one's own mirror neuron system.,(3), e79.

Iacoboni, M., Woods, R. P., Brass, M., Bekkering, H., Mazziotta, J. C., Rizzolatti, G. (1999). Cortical mechanisms of human imitation., 2526–2528.

Jacob, P., & Jeannerod, M. (2005) The motor theory of social cognition: A critique.,(1), 21–25.

Jara-Ettinger, J., Gweon, H., Schulz, L. E., & Tenenbaum, J. B. (2016). The na?ve utility calculus: Computational principles underlying commonsense psychology.,(8), 589–604.

Kamewari, K., Kato, M., Kanda, T., Ishiguro, H., & Hiraki, K. (2005). Six-and-a-half-month-old children positively attribute goals to human action and to humanoid-robot motion.,(2), 303–320.

Kilner, J. M., Paulignan, Y., & Blakemore, S. J. (2003). An interference effect of observed biological movement on action.(6)522–525.

Klimesch, W., Sauseng, P., & Hanslmayr, S. (2007). EEG alphaoscillations: The inhibition-timing hypothesis.,(1), 63–88.

Klin, A., Jones, W., Schultz, R., & Volkmar, F. (2003). The enactive mind, or from actions to cognition: Lessons from autism.,(1430), 345–360.

Koski, L., Wohlschl?ger, A., Bekkering, H., Woods, R. P., Dubeau, M. C., Mazziotta, J. C., & Iacoboni, M. (2002). Modulation of motor and premotor activity during imitation of target-directed actions.,(8), 847–855.

Koul, A., Cavallo, A., Cauda, F., Costa, T., Diano, M., Pontil, M., & Becchio, C. (2018). Action observation areas represent intentions from subtle kinematic features.(7), 2647–2654.

Liepelt, R., Cramon, D. Y., & Brass, M. (2008). What is matched in direct matching? Intention attribution modulates motor priming.,(3), 578–591.

Luo, Y. Y. (2011). Three-month-old infants attribute goals to a non-human agent.,(2), 453–460.

Maris, E., & Oostenveld, R. (2007). Nonparametric statistical testing of EEG-and MEG-data.,(1), 177–190.

Marsh, L. E., Mullett, T. L., Ropar, D., & Hamilton, A. F. D. C.(2014). Responses to irrational actions in action observation and mentalising networks of the human brain.,, 81–90.

Miller, S. (2001).Cambridge: Cambridge University Press.

Muthukumaraswamy, S. D., Johnson, B. W., & McNair, N. A. (2004). Mu rhythm modulation during observation of an object-directed grasp.,(2), 195–201.

Natraj, N., Poole, V., Mizelle, J. C., Flumini, A., Borghi, A. M., & Wheaton, L. A. (2013). Context and hand posture modulate the neural dynamics of tool–object perception.(3), 506–519.

Onishi, K. H., Baillargeon, R., & Leslie, A. M. (2007). 15-month- old infants detect violations in pretend scenarios.,(1), 106–128.

Perry, A., Stein, L., & Bentin, S. (2011). Motor and attentional mechanisms involved in social interaction—Evidence from mu and alpha EEG suppression.,(3), 895–904.

Pomiechowska, B., & Csibra, G. (2017). Motor activation during action perception depends on action interpretation.,, 84–91.

Powell, L. J., & Spelke, E. S. (2013). Preverbal infants expect members of social groups to act alike.,(41), E3965–E3972.

Rizzolatti, G., & Craighero, L. (2004) The mirror-neuron system.,(1), 169–192.

Rizzolatti, G., Fogassi, L., & Gallese, V. (2001) Neurophysiological mechanisms underlying the understanding and imitation of action.,(9), 661–670.

Sommerville, J. A., Woodward, A. L., & Needham, A. (2005). Action experience alters 3-month-old infants' perception of others' actions.,(1), B1–B11.

Southgate, V., & Csibra, G. (2009). Inferring the outcome of an ongoing novel action at 13 months.,(6), 1794–1798.

Tangwiriyasakul, C., Verhagen, R., van Putten, M. J. A. M., & Rutten, W. L. C. (2013). Importance of baseline in event- related desynchronization during a combination task of motor imagery and motor observation.,(2), 026009.

Ullman, T. D., Baker, C. L., Macindoe, O., Evans, O., Goodman,N. D., & Tenenbaum, J. B. (2009). Help or hinder: Bayesian models of social goal inference. In Y. Bengio et al. (Eds.),. Vancouver: NIPS Foundation.

Ulloa, E. R., & Pineda, J. A. (2007). Recognition of point-light biological motion: Mu rhythms and mirror neuron activity.,(2), 188–194.

Wellman, H. M., Cross, D., & Watson, J. (2001). Meta-analysisof theory-of-mind development: The truth about false belief.,(3), 655–684.

Ye, H. S. (2016). The significances of mirror neurons.(4), 444–456.

[葉浩生. (2016). 鏡像神經元的意義.(4), 444– 456.]

Yin, J., Xu, H. K., Ding, X. W., Liang, J. Y., Shui, R. D., & Shen, M. W. (2016). Social constraints from an observer’s perspective: Coordinated actions make an agent’s position more predictable.,, 10–17.

Contextual modulation of action interpretation: Automatic integration of situational contexts during action understanding

YANG Yisong; LIN Jing; HE Xiaoyan; YIN Jun

(Department of Psychology, Ningbo University; Center of Group Behavior and Social Psychological Service, Ningbo University, Ningbo 315211, China)

Action understanding enables us to predict others’ actions and interact with them smoothly; however, its impairment makes patients unable to take care of themselves leading to cases such as autism. Despite the central importance of action understanding, the cognitive mechanisms involved in it remain highly controversial. Two alternative accounts have been advanced. Simulation theory assumes that we understand actions by simulating the observed behavior through a direct matching process, which has been suggested to usually activate the mirror-neuron circuit. The alternative interpretive account (i.e., theory) assumes that action understanding is based on specialized inferential processes, in which a goal is assigned to an action by evaluating its efficiency as an optimal means of obtaining the goal within the specific constraints of the situation. Each account was supported by previous studies, but due to mythological drawbacks, the evidence can be explained by both accounts. Hence, it remains unclear how action understanding is implemented in our cognition.

The simulation theory claims that action understanding is sensitive to minor differences in the kinematics of actions, and the theory emphasizes the role of contextual information in action understanding. Namely, according to the theory, even for identical actions, contextual information modulates action understanding. Hence, to examine which account is involved in action understanding, we created a chasing action wherein a chaser pursues a movable target, but the chasing action occurred in different contexts. Specifically, in a constrained context, the chaser had to bypass the obstacles to approach the target, and the chaser’s action was efficient in catching the target, while in an unconstrained context, the obstacles were removed but the chaser still implemented the same action as in the constrained context. All actions lasted for 3 seconds. In both contexts, the chaser and the target had exactly the same kinematics, but were assigned different goals if the inferential process is involved. To identify the outcome of action understanding, we measured μ suppression (electroencephalogram oscillations within the 8–13 Hz range in the sensorimotor regions; namely, C3 and C4 channels) related to action understanding. Participants were asked to count the fillers (i.e., incomplete chasing action) when watching actions presented on the screen.

It was found that the chasing action occurred in the constrained context (= –1.955 μV) induced more μ suppression than the action occurred in the unconstrained context (= –1.913 μV), but in both contexts, the evaluated familiarity for them was not significantly different (Experiment 1). Importantly, the occipital α with the same frequency band as μ was not modulated by the contextual information, but this component was suggested to be functional with the attentional mechanisms. In Experiment 2, to further test whether the effect in Experiment 1 was specific to the inferential process, the target was set to be still but the chaser still moved in the same way, which cannot be attributed to an analytical goal. In this case, the possible simulation difference between constrained and unconstrained contexts when the target was still was almost the same as when the target was moving; however, we found that the difference in μ suppression between constrained and unconstrained contexts was insignificant.

Our findings showed that contextual information modulates μ suppression, suggesting that the action understanding is sensitive to the context, and the assigned goal for the actions depends on the contextual information. Hence, our findings support the assumption that action understanding is primarily mediated by an inferential interpretive system rather than a simulation process.

action understanding; chasing action; context; simulation theory; theory theory; μ suppression

B842

2019-09-02

* 國家自然科學基金面上項目(31871091)、寧波大學研究生科研創新基金(G19057)資助。

尹軍, E-mail: yinjun1@nbu.edu.cn