类量子模型能解释空间导航中的线索顺序效应吗？

形式化主张，而非量子大脑

论文追问：导航者遇到空间证据的顺序，是否会以某种方式改变后续路线选择，而一个受约束的量子概率模型能比经典替代模型更好地预测这种改变？它给出的答案是设计，而不是结果：QSDD 被提出为一个可被数据推翻或支持的模型，作者明确把这一形式化主张与“认知在微观层面是量子的”这类断言区分开。

这一形式化借用了量子概率的工具，但不主张存在某种物理基质。线索暴露被建模为完全正迹保持映射，它作用于潜在状态，就像信道作用于密度矩阵。中间判断是量子仪器，即一次观测既给出结果，又更新状态。路线承诺是一个操作化定义的测量，因此选择被当作该状态的读出，而不是存储的偏好。

在这个框架里，顺序之所以重要，是因为非对易性：两次线索旋转按一种顺序施加，未必等于按另一种顺序施加。这是一个结构性预测，而不是拟合出来的干涉项。论文明确指出，仅凭顺序效应并不能识别类量子结构，因为灵活的经典模型往往能复现同样的分布。

五个参数必须泛化，不能重新拟合

最小模型是二元的，包含固定的左右决策基、非对易的线索旋转、固定的对称破缺初始方位角、退相干和失误项。这给出五个拟合参数。真正关键的约束是：这五个参数必须在不同环境之间泛化，而不是针对每个条件重新拟合。

实现中固定初始方位角设为 π/4。论文指出该值未经优化，因此不增加模型维度；它的非零正弦和余弦打破了反射对称性，否则单一带符号线索在观测上将无法区分。确认性研究必须在数据收集前冻结这个常数，而不是为了拟合去挑选它。

经典对照模型刻意不是稻草人。它是一个七参数逻辑斯蒂模型，包含地标线索和地图线索的主效应、二者交互、顺序项以及顺序与线索的交互，可以表达首因、近因和依赖线索的顺序效应。它的参数比 QSDD 多，因此 QSDD 胜出不能仅归因于额外灵活性。

区分只在 QSDD 生成的数据上成功

模拟研究在两种真实生成机制下评估参数恢复和模型区分：QSDD 和七参数经典逻辑斯蒂模型。每个设计单元有 40 次重复，检验的是正确模型是否在留出环境上被偏好。

核心的不对称性正是重点。在每个环境-顺序单元 240 个独立观测时，QSDD 在 85% 的 QSDD 生成数据集中被偏好，480 个观测时升至 95%。在经典模型生成的数据集中，所有测试样本量下 QSDD 被偏好的比例都是 0%。换句话说，当经典对照模型是真实生成机制时，它从未被取代，这正是行为良好的模型选择程序应有的表现。

同一模拟也暴露了一个弱点：失误参数识别较弱。失误项刻画的是不遵循所建模决策过程的反应比例，论文指出需要捕捉试次才能把它与弱线索响应和退相干区分开。作者也明确说明，该模拟是设计分析，不是人类证据，也不能确立真实世界中的统计功效。

可预注册的 VR 测试与冻结预测

论文设计了一个虚拟现实实验：参与者在带有重复决策节点的匹配环境中导航。在每个关键节点，两类线索提供与路线相关的证据：地标线索，即自我中心、嵌入场景的物体或标志；以及地图线索，即俯视的、指示布局或目标关系的异我中心表征。线索可靠性在练习试次中学习，然后在实验中操纵。

最小被试内设计交叉了四个因素：线索顺序（先地标后地图，对比先地图后地标）、线索关系（一致对比冲突）、观察模式（强制顺序暴露对比参与者自主查询）、决策探测（无中间探测对比预注册的非锐利信心探测）。两种顺序之间，线索暴露时长和线索间的移动距离相匹配；中间探测只出现在指定区组，因为提问本身可能改变状态。

确认性假设被写成可证伪的形式。在匹配的冲突试次中，两种顺序下的选择概率应当不同，且方向和幅度都要由确认性数据收集前冻结的试点估计参数预测。单一参数集必须预测预注册线索强度对上的顺序对比曲面，确认性模型禁止使用环境特定的相位、基或顺序参数。论文指出，只有显著的总体顺序系数而没有成功的跨环境预测，并不支持 QSDD。

遥测事件是假设，不是测量

该框架不会仅仅因为记录了注视点，就把它标记为测量。一个事件的理论地位由实验设计和模型设定赋予，论文给出了一张操作化映射表，其中每个观测事件都带有一个候选理论角色和一个主要歧义。

地标注视可能是暴露于地标情境，但也可能是外周感知或未加利用的显著性。打开地图可能是自我发起的信息测量，但与先前不确定性混淆。越过边界可能是操作化的路线承诺，但也可能是意外，因此需要停留标准。回溯可能是在冲突证据后重新打开决策，也可能只是运动误差或探索策略。

这就是模型使用多模态序列和任务事件、而不是仅用注视的原因。遥测方案同步记录试次和条件标识、线索出现与消失、头手和身体姿态、视线射线与有效性、场景物体相交、移动速度和角速度、路径坐标、决策边界穿越、反转、反应时、信心和任务结果，并记录采样率而不是假定采样率。

决定性比较是留出预测

分析计划要求 QSDD 面对接收相同外生输入的模型：用于线索权重和参与者变异的层次逻辑斯蒂或贝叶斯模型、用于潜在策略的隐马尔可夫或 POMDP 模型、用于检验顺序敏感性本身能否解释结果的非对易经典转移模型、用于联合选择与反应时的漂移扩散或竞争模型，以及用于学习线索价值和探索的强化学习模型。

评估使用按参与者分层的留出对数预测密度、校准、后验预测检查，以及在假设允许时使用信息准则或边际似然。仅报告参数数量不够；还要报告有效复杂度、层次收缩和先验敏感性。决定性量是 QSDD 的留出得分与最佳经典模型得分之差，支持要求该差值在留出参与者和环境上为正且带有不确定性限定。

论文坦率说明了为什么需要这种纪律。希尔伯特空间模型表达力强，可能过拟合，而行为等价很常见：类量子模型和带记忆的经典模型可以产生相似分布。实际目标不是证明某种独特的量子本体论，而是确定在指定约束下，希尔伯特空间模型是否给出更紧凑、更一般的解释。

向电路调试的迁移仍是独立测试

论文最后一步是迁移论证，而不是迁移结果。导航实验把认知模型与量子领域知识和界面新颖性隔离开；一个独立测试将追问，同一个受约束的过程模型能否泛化到真正的量子计算任务。

提出的测试平台把变分电路当作沉浸式工作对象：用户检查电路结构、接近某个门、操纵参数、查看局部代价景观切片、回访某个拟设层，然后判断错误在哪里。此时备选项不再是字面上的左转和右转，而是相互竞争的调试假设或下一步动作。QSDD 预测，当电路结构检查和代价曲面检查这两种表征引发不相容的判断情境时，错误定位决策的概率可能因二者先后顺序不同而不同。

迁移测试必须保持同样的推断纪律：电路视图和曲面视图在暴露时长和信息量上匹配、表征顺序随机化、测量量子专业知识，并用单一算子族预测留出电路。主要结果不是沉浸感是否吸引人，而是表征顺序是否按受约束的模式改变错误定位、后续回访、参数编辑和信心。论文还在此区分了三个层次：电路和景观构成的客体层、由 QSDD 建模的认知层，以及由遥测、回放、来源记录和隐私保护计算构成的基础设施层。

什么算作 QSDD 被推翻

论文自己给出的失败标准，为任何评估者设定了优先顺序。如果预注册的沉浸式研究无法恢复模型、无法预测留出的顺序对比曲面，或在留出预测密度上输给经典潜在状态和序贯采样替代模型，QSDD 就应被限制或拒绝。若无法迁移到电路任务，会限制人-量子交互主张，但不会使导航特定结果失效。

若干边界限定了当前证据能走多远。模拟以其生成参数、固定初始方位角、固定线索强度尺度、独立伯努利观测和简化群体结构为条件。空间决策可以是连续且高维的，因此把它离散成左右两个选项可能丢弃几何信息。虚拟现实本身就是一个情境，结果未必能泛化到物理导航或桌面界面。

因此，实际解读应是一个阈值，而不是一个判决。关键数字不是 QSDD 生成数据上的 85% 或 95% 偏好率——那描述的是设计分析——而是在真实实验中，冻结的五参数几何结构能否在留出参与者和环境上击败最佳经典替代模型。在这一比较出现之前，诚实的总结是：QSDD 可执行、原则上可区分，仍在等待可能推翻它的数据。

本文引用的文献