摘 要 視覺注意作為一種信息選擇和認知資源分配機制， 不僅是信息加工和認知功能的基礎， 也是完成各種社會行為的重要條件。大量研究證實視覺注意影響了個體的決策偏好。本文在全面回顧以往研究的基礎上， 從知覺決策、偏好決策和其他社會決策三個方面梳理了視覺注意對決策的影響; 并且， 總結了簡單暴露效應（mere exposure effect）、注視層疊假說（gaze cascade hypothesis）、序列抽樣模型（sequential sampling model）和自適應注意表征模型（adaptive attention representation model）對視覺注意影響三種決策作用機制的解釋。未來研究可以考慮設置具有不同偏好程度的選項、決策情境或視覺環(huán)境的調節(jié)因素、其他類型的注意在決策中的作用以深化關于視覺注意對決策的影響及其作用機制問題的理解。

關鍵詞 視覺注意， 知覺決策， 偏好決策， 社會決策， 漂移擴散模型

分類號 B842

1 引言

“黑夜給了我一雙黑色的眼睛， 我卻用它來尋找光明”。視覺注意（visual attention）作為一種信息選擇和認知資源分配機制， 不僅是信息加工和認知功能的基礎， 也是完成各種社會行為的重要條件（Chun et al.， 2011）。視覺注意不僅與感知覺信息加工相互作用， 而且影響問題解決、決策等高級認知活動， 對人類和動物的生存繁衍、進化適應至關重要（Carrasco， 2011）。早期有關視覺注意的研究主要集中于視覺注意與感知覺、記憶和情緒之間的相互影響（Orquin et al.， 2021）。近年來， 視覺注意和決策之間的關系正逐漸成為決策心理學領域關注的熱點問題。有部分研究者開始從知覺決策（perceptual decision-making）、偏好決策（preferential decision-making）和社會決策（social decision-making）等方面探討視覺注意對決策的影響， 例如， 采用眼動追蹤技術（Eye tracking）的研

究發(fā)現(xiàn)， 注視時間更長（Hirmas & Engelmann， 2023; Saito et al.， 2023）、注視次數(shù)更多（Stoji? et al.， 2020; Wedel et al.， 2023）、首先注視（Eum et al.， 2023; Roberts et al.， 2022）和最后注視（Callaway et al.， 2021; Liu， Zhou， et al.， 2020）的選項更可能被選擇。然而， 總體來看這些研究僅散見于各類不同視角的實證研究， 尚未有研究系統(tǒng)綜述視覺注意對不同類型決策的影響。而且， 先前研究對視覺注意影響決策的作用機制的梳理尚不全面。鑒于此， 本文首先系統(tǒng)梳理了視覺注意對知覺決策、偏好決策與其他社會決策這三類典型決策的影響; 然后， 總結了簡單暴露效應、注視層疊假說、序列抽樣模型和自適應注意表征模型這4種理論假說對視覺注意影響知覺、偏好與社會決策作用機制的解釋; 最后， 概述了現(xiàn)有研究的局限性與未來研究的方向。

2 視覺注意對決策的影響

2.1 視覺注意對知覺決策的影響

首先， 注意的選擇性對知覺決策具有重要影響。Newell和Pelley （2018）考察了個體在可能條件（由一個有16%點密度的低密度圖案和一個有26%點密度的高密度圖案所組成的配對）和不可能條件（由兩個有20%點密度的中等密度圖案所組成的配對）下對目標刺激的選擇， 結果發(fā)現(xiàn)在可能條件和不可能條件下個體選擇目標選項的比例均顯著高于50%， 且個體在無法獲得客觀知覺信息（不可能條件）時， 基于眼睛注視的決策時機提示（當被試對目標選項的注視時間累積至少達到750 ms且對非目標選項的注視時間累積至少達到250 ms時觸發(fā)決策反應）增加了個體選擇目標選項的比例， 說明對線索的選擇性注意影響了知覺決策。Rangelov和Mattingley （2020）采用一種新穎的整合（integrated）決策任務范式（該任務中被試需要對連續(xù)的目標運動散點的平均方向進行判斷， 忽略同時發(fā)生的、空間上重疊的非目標運動散點）， 并結合腦電圖（electroencephalography， EEG）技術考察選擇性注意對知覺決策的影響， 結果發(fā)現(xiàn)呈現(xiàn)非目標運動散點和目標運動散點所誘發(fā)的中央頂葉正成分（central-parietal positivity， CPP）， 一個與決策的證據(jù)累積過程密切相關的較晚期的腦電成分）在起始潛伏期（onset latency）和斜率（slope）上均不存在顯著差異， 然而， 相較于呈現(xiàn)非目標運動散點， 呈現(xiàn)目標運動散點所誘發(fā)的CPP成分的峰值更高。因此， Rangelov和Mattingley （2020）認為在知覺決策過程中注意作為一個實時但“不完美”的過濾器， 動態(tài)地調節(jié)了與任務相關和任務無關的感覺輸入的作用。Nuiten等人（2023）采用線索朝向 Gabor 辨別任務范式和EEG技術考察了空間選擇性注意對知覺決策的影響， 結果發(fā)現(xiàn)有效線索提示比無效線索提示的知覺敏感性指QlGUPn3ycqdCKy4/nsLcVg==標d'更高， 反應時更短， 漂移率更高; 且有效線索提示比無效線索提示誘發(fā)的CPP成分的峰值更大。

其次， 視覺注意通過被凸顯刺激吸引以及對非目標凸顯刺激的抑制來影響知覺加工。Chang和Egeth （2019）要求被試完成一個視覺搜索任務和一個探測任務。在搜索任務（占總試次的70%）中被試在不相關的單一顏色圖形存在或不存在的條件下搜索目標圖形， 發(fā)現(xiàn)當存在單一顏色圖形時被試的搜索效果會更好; 在穿插出現(xiàn)的探測任務（占總試次的30%）中， 被試搜索一個目標字母， 發(fā)現(xiàn)對目標顏色字母的反應要比中性顏色字母的反應更快， 而對干擾顏色字母的反應要比中性顏色字母的反應更慢。表明目標特征增強和干擾物特征抑制對注意引導的作用是獨立的， 增強和抑制可以根據(jù)情況靈活地引導注意。類似地， Hamblin-Frohman等人（2022）同樣讓被試完成搜索任務和探測任務。在搜索試次（占總試次的75%）中， 被試在幾個其他的圖形中搜索一個菱形， 在一半的搜索試次中所有圖形都是相同的顏色（例如， 綠色）， 而在另一半的搜索試次中其中一個非目標圖形以不同的顏色出現(xiàn)（例如， 紅色）。在穿插出現(xiàn)的探測試次（占總試次的25%）中， 呈現(xiàn)給被試4個橢圓， 其中一個橢圓的顏色要么是目標顏色， 要么是搜索試次中的非目標顏色， 另外三個橢圓是中性顏色。結果發(fā)現(xiàn)在中性顏色背景下觀看目標顏色塊時， 個體的注意會明顯地被目標顏色塊所吸引， 并回避非目標色塊; 而且， 在視覺搜索任務中觀察到的抑制作用有助于早期的注意效應和后期的決策過程。Zhou等人（2023）發(fā)現(xiàn)注意引導（指外顯注意）可能主要對目標位置和非目標位置的統(tǒng)計學習（statistical learning， 學習和利用環(huán)境規(guī)律）效應起作用， 對目標位置的統(tǒng)計學習效應主要集中在視覺搜索的中期階段（如注意選擇）和后期階段（如目標確認）， 而對非目標位置的統(tǒng)計學習效應主要集中在早期階段（涉及內隱注意）和中期階段， 說明視覺搜索中目標位置和非目標位置的統(tǒng)計學習反映了部分共享和部分獨立的認知機制。Wang和Theeuwes （2020）考察目標刺激與非目標刺激的凸顯性如何影響知覺決策， 結果發(fā)現(xiàn)當搜索陣列中只有4個元素時個體表現(xiàn)出對非目標刺激方位的抑制效應; 然而， 對于更大的搜索陣列（6個元素或10個元素）且目標刺激和非目標刺激均具有凸顯性時， 對非目標刺激的抑制效應消失。因此， Wang和Theeuwes （2020）認為刺激的相對凸顯性對于捕獲注意至關重要。近年來， 一些研究發(fā)現(xiàn)了對非目標刺激進行抑制的證據(jù)， 個體可以抑制對經(jīng)常出現(xiàn)非目標選項位置的注視（Chang et al.， 2023）， 會對非目標選項表現(xiàn)出與特征抑制相關的電生理反應（Chen et al.， 2023; van Moorselaar et al.， 2023）。Tsai等人（2023）改進了視覺搜索范式， 將干擾物區(qū)分為同維度干擾物（形狀、顏色、觸覺）與跨維度干擾物， 結果顯示相比跨維度干擾物， 同維度干擾物對反應時的影響更大且相應目標物誘發(fā)的N2pc （與知覺抑制相關的腦電成分）波幅更小， 說明跨維度干擾物可以有效抑制注意。

2.2 視覺注意對偏好決策的影響

2.2.1 視覺注意對風險決策偏好的影響

首先， 視覺注意影響個體在價值決策中的風險偏好。較強的注意偏差降低了個體在迫選任務中的決策準確性， 但增加了個體的回報率（即獲得獎勵與決策時間成本之間的平衡）， 因此有偏好的視覺信息搜索能提高個體的決策效率（Zilker， 2022; Zilker & Pachur， 2023）。Pleskac等人（2023）要求被試分別在知覺決策框架與價值決策框架中對兩個點數(shù)組做出選擇， 結果發(fā)現(xiàn)當線索出現(xiàn)在某一側時， 被試只在兩個點數(shù)組的點數(shù)差更大時才會選擇另一側點數(shù)組， 這種點數(shù)差在價值決策框架中比知覺框架中更大， 而且相比知覺決策框架， 價值決策框架中的注視線索對特定選項的相對注視時間具有更大影響， 表明視覺注意對價值決策的影響大于對知覺決策的影響。Thomas等人（2019）對先前研究者發(fā)表的4組數(shù)據(jù)進行再分析， 旨在考察視覺注意與行為選擇在個體間的差異性， 分析結果表明大多數(shù)個體的注視與選擇之間存在關聯(lián)， 但這種關聯(lián)的強度在個體間存在很大差異， 與個體從眾多選項中選擇最優(yōu)選項的能力存在負相關。劉洪志等人（2022）采用眼動追蹤技術， 對個體為自己與為所有人進行風險決策時的行為選擇及信息加工過程的差異進行了考察， 結果發(fā)現(xiàn)在信息獲取深度、信息加工復雜度、采用基于選項的信息搜索模式頻率上， 個體表現(xiàn)出顯著的為自己?為所有人決策差異， 而且眼動指標在決策任務與選擇是否符合期望價值理論預測中起中介作用。Bhatnagar和Orquin （2022）的一項元分析考察了3種注視操縱方法對決策的影響， 結果發(fā)現(xiàn)操縱注視時間的研究對決策具有最大影響， 其次是操縱最后注視位置的研究， 最后是操縱首次注視位置的研究， 人們對注視時間更長的選項形成決策偏好。盡管已有諸多研究證實視覺注意在基于價值的風險偏好研究中具有重要作用， 而且視覺注意很有可能通過放大選項的價值來影響決策偏好（Krajbich， 2019）， 但也有部分研究提出質疑。Carrasco和Barbot （2019）分析了外顯注意與內隱注意對知覺表征的影響， 提出注意會改變個體對空間和時間維度的主觀印象， 注意不僅影響個體在視覺任務中的表現(xiàn)也影響個體如何看待外界刺激。Chapman等人（2023）考察了視覺注意在迫選任務中對顏色知覺的影響， 結果發(fā)現(xiàn)基于特征的注視會導致錯誤的知覺， 表明選擇性注意可能會改變個體的主觀感知， 而不是增加選項的主觀價值。Rosner等人（2022）使用多元分類任務研究了決策過程中眼球運動軌跡和對記憶點的注視之間的關系， 結果發(fā)現(xiàn)個體在回憶時更多注視信息先前呈現(xiàn)的位置， 視覺注意可能在記憶對偏好決策過程的影響上發(fā)揮中介作用。

其次， 視覺注意與風險決策偏好的框架效應（framing effect）密切相關。一方面， 問題框架引導視覺注意。Stephensen等人（2021）針對問題框架（例如“它有多安全”與“它有多危險”）如何影響個體的風險認知和行為意向這一問題進行了研究， 結果發(fā)現(xiàn)相比安全框架， 危險框架下個體判斷的場景安全性更高， 這說明問題框架以引導選擇性信息抽樣的方式引導注意。Hirmas和Engelmann （2023）向被試呈現(xiàn)一系列混合賭博任務， 結果顯示選項呈現(xiàn)時間顯著影響不同選項在決策過程中的權重， 而且這種影響在收益與損失框架中存在差異。有研究者總結以往研究， 認為問題框架引導認知系統(tǒng)將注意資源調整至目標信息的某個角度， 同時抑制對目標信息其他角度的注意， 用注意來解釋框架效應（Teigen， 2023）。另一方面， 注視時間影響框架效應。Roberts等人（2022）考察了注視時間限制如何影響個體的風險選擇行為， 結果發(fā)現(xiàn)個體在有限的時間下更多使用外圍視覺信息來引導早期注意， 并且通常在注意一個選項后就終止信息搜索， 導致個體在損失框架中表現(xiàn)出更多的風險尋求， 框架效應變大。

最后， 視覺注意影響個體風險決策偏好的情境效應（context effects）。吸引效應（attraction effect）是一種典型的情境效應， 所有選項（目標、競爭和誘餌）都有兩種屬性， 其中目標選項與競爭選項分別僅在某一屬性上占據(jù)優(yōu)勢， 誘餌選項與目標選項的優(yōu)勢屬性更為近似， 加入誘餌選項將增加個體對目標選項的選擇概率并減少對競爭選項的選擇（Gluth et al.， 2017; Huber et al.， 1982; Spektor et al.， 2021）。Marini等人（2020）考察了誘餌選項在個體決策過程中對眼球運動的影響， 結果顯示加入誘餌選項后， 視覺注意會在誘餌和目標選項之間持續(xù)轉移， 即誘餌選項促進了個體在決策過程中對不同選項的比較。有研究者要求被試在有三個選項的風險任務中進行決策， 結果發(fā)現(xiàn)被試選擇目標選項的比例高于選擇競爭選項和誘餌選項的比例， 目標選項比競爭選項和誘餌選項獲得了相對更長的注視時間， 說明多選項的風險決策中存在吸引效應。而且， 依賴于眼睛注視（gaze-dependent）的證據(jù)累積模型（在該模型中非注視選項的主觀價值被削弱）可以更好地描述個體在風險決策中表現(xiàn)出的吸引效應（Molter et al.， 2022）。另外， 有研究者通過實驗也發(fā)現(xiàn)了與吸引效應相反的排斥效應（repulsion effect）， 即加入誘餌選項將減少個體對目標選項的選擇（Evans et al.， 2021; Liao et al.， 2021; Rhilinger et al.， 2023; Spektor et al.， 2018）。Spektor等人（2022）比較了被試在知覺任務（要求選擇填充條最多的選項）與偏好任務（要求進行一個具有 50%概率的賭博）中的決策， 眼動與行為數(shù)據(jù)顯示被試注視目標選項的時間與選擇目標選項的比例均少于競爭選項， 即在兩種任務中都出現(xiàn)了排斥效應， 而且這種效應隨著目標與誘餌選項之間屬性差異的增加而降低。

2.2.2 視覺注意對跨期選擇偏好的影響

首先， 視覺注意影響個體的跨期折扣率（inter- temporal discount rates）。Fisher （2021）要求被試在近期獲得小額獎勵和未來獲得大額獎勵之間做出選擇， 實驗結果表明個體間視覺注意分配的差異可以解釋40%到53%的跨期折扣率差異， 操縱被試注視延遲選項中的金額屬性會增加被試對延遲選項的選擇， 說明個體間的跨期折扣率存在差異可能是因為視覺注意關注的決策屬性存在差異（例如“近期收益”和“未來收益”）。Liu， Lyu等人（2020）采用眼動追蹤技術和一種基于注視操縱（gaze-contingent manipulation）的實驗范式（該范式可操縱個體在決策過程中對選項的相對注視時間）， 考察了眼睛注視對個體跨期選擇偏好的影響。結果發(fā)現(xiàn)， 當個體的眼睛注視被指向目標屬性時（即注視目標屬性的時間長于非目標屬性）， 個體偏好于選擇隨機確定的目標選項。而且， 注視時間更長的屬性也介導了基于注視的操縱對跨期選擇的影響。因此， Liu， Lyu等人認為視覺注意操縱與個體的跨期選擇偏好之間存在著因果關系。Sharma和Khan （2022）用眼動技術考察了跨期選擇中的自我?他人差異， 發(fā)現(xiàn)個體增加對金額屬性的注視或減少對時間屬性的注視都會降低跨期折扣率， 即視覺注意的變化影響跨期選擇， 這為引導人們降低跨期折扣率、減少沖動決策提供了可能。

其次， 視覺注意影響個體在跨期選擇中偏好的維度。有學者在跨期選擇的實驗中發(fā)現(xiàn)被試存在時間偏好逆轉現(xiàn)象， 即被試在決策時更多選擇近期小額獎勵選項， 但在價值評估時對未來大額獎勵選項賦予更高價值， 而且相比決策時， 個體在價值評估時對金額屬性的注視時間比例更大， 表明這種現(xiàn)象可能是由于個體在金額和延遲屬性上的注意分配在決策與價值評估時存在差異（Zhou et al.， 2021）。Amasino等人（2019）對跨期選擇是基于選項還是基于維度（收益維度與時間維度）進行考察， 研究結果表明有耐心的個體傾向于直接考慮收益維度， 耐心較弱的個體則傾向于將收益維度和時間維度結合起來權衡， 而且視覺注意可以預測個體在耐心上的差異。劉洪志等人（2023）提出維度差異偏好（preference of dimension-based difference）的概念， 用以表示個體在跨期選擇中對結果和延遲維度的主觀偏好差異， 他們考察了跨期決策中維度差異偏好與信息加工的關系， 結果發(fā)現(xiàn)基于維度的注意分配與維度差異判斷存在正相關， 驗證了視覺注意對維度差異偏好的預測作用。He等人（2023）將實驗數(shù)據(jù)與不同跨期選擇模型進行擬合， 發(fā)現(xiàn)視覺注意參數(shù)能預測模型的解釋力， 實驗數(shù)據(jù)與模型的擬合取決于決策者的注意。

2.2.3 視覺注意對消費決策偏好的影響

首先， 視覺注意影響個體對食品的決策偏好。Weilb?cher等人（2021）考察了視覺注意對食品偏好的影響， 結果發(fā)現(xiàn)相比忘記位置的食品， 被試對記憶準確的食品注視時間更長， 而且視覺注意對食品偏好的影響在記憶準確的條件下最強。有研究者使用視覺搜索任務操縱注意， 然后要求個體在二擇一食品選擇任務中做出決策， 結果發(fā)現(xiàn)被試更可能選擇與搜索目標同側的食物， 表明視覺注意影響了個體對食品的偏好決策（Gwinn et al.， 2019）。Eum等人（2023）采用眼動追蹤技術考察了個體在兩種條件下（兩種零食都同時呈現(xiàn)或者只有當被試注視貨架時才顯示零食）對呈現(xiàn)在電腦屏幕上標記的“貨架”上的零食進行二選一。研究結果發(fā)現(xiàn)， 去除非注視選項會使個體的注意偏差大小增加一倍， 個體對食品的選擇偏好可能會受到一次只注視一個條目（選項）的設置的影響， 即外周視覺信息影響了個體對食品的決策偏好。當被試的最后注視位置被固定在目標食品選項上時， 他們傾向于選擇一個隨機食品; 而未操縱被試的注視點時， 最后注視位置對決策的影響依舊顯著， 表明最后注視位置與決策之間存在因果聯(lián)系（Liu， Zhou， et al.， 2020）。

其次， 視覺注意影響個體對品牌的決策偏好。有研究者通過測量消費者的注視軌跡來預測他們的品牌選擇， 結果顯示預測成功率高達85%， 表明視覺注意軌跡與復雜決策任務中品牌效用的積累存在密切相關（Martinovici et al.， 2023）。Wong （2023）考察了視覺注意如何影響采購決策中的框架效應， 結果表明消費者在正性框架（高質量產(chǎn)品）下從供應商處訂購產(chǎn)品的比例更高， 這種差異是由對產(chǎn)品質量信息不對稱的視覺注意導致的， 對產(chǎn)品質量信息的視覺注意在框架與采購決策間起著中介作用。有學者關注視覺注意如何影響品牌營銷帶來的情緒， 眼動與行為結果表明消費者對品牌負面評論的注視時間越長， 其對該品牌的信任度以及分享意愿越低， 證明視覺注意對品牌決策偏好具有重要影響（Bigné et al.， 2023）。Brüns和Meissner （2023）假設商家可以利用高視覺顯著性引起的自下而上的注意來抵消廣告營銷對消費者購物的負面影響， 比較了消費者對顏色明亮產(chǎn)品與顏色暗淡產(chǎn)品的評價感受， 結果顯示呈現(xiàn)顏色明亮的產(chǎn)品時， 消費者由于營銷而產(chǎn)生的負面情緒被抵消。

2.3 視覺注意對其他社會決策偏好的影響

首先， 視覺注意影響個體做出的道德選擇。P?rnamets等人（2015）研究了視覺注意在道德決策中的作用， 要求被試對63種道德相關陳述做出決策， 結果發(fā)現(xiàn)被試的視覺注意能有效預測個體的道德決策， 而且相比總注視時間， 最后注視位置對道德決策的影響更大。道德和情感內容在社交媒體上更容易得到傳播， 有學者擬探討注意捕獲是否能解釋這種優(yōu)勢傳播現(xiàn)象， 并進行了模擬社交媒體信息呈現(xiàn)的研究， 結果表明相比中性內容， 道德和情感內容在早期視覺注意中的優(yōu)先級更高， 這說明了個體對道德信息具有注意偏好（Brady et al.， 2020）。Ghaffari和Fiedler （2018）采用中斷注視范式比較了自上而下和自下而上的注意如何影響道德決策， 發(fā)現(xiàn)個體的最后注視位置能夠顯著預測道德選擇結果， 而且注意與道德決策之間的聯(lián)系大多是由自上而下的注意驅動的。有研究者在道德相關的場景中（汽車撞倒行人）制造視覺錯覺， 發(fā)現(xiàn)相比不存在視覺錯覺時， 個體的道德判斷發(fā)生改變， 說明視覺系統(tǒng)做出的抽象推理會影響道德判斷（De Freitas & Alvarez， 2018）。

其次， 視覺注意影響個體的利他行為決策。Teoh等人（2020）比較了視覺注意的動態(tài)分配對利他決策的影響， 發(fā)現(xiàn)個體在時間壓力下更多選擇自己獲得較大收益而非自己與他人同享中等收益， 對自我收益信息與他人收益信息的首次注視位置出現(xiàn)顯著的自我?他人差異， 而且這種注意差異可以預測個體利他行為的變化。關于兒童利他行為的研究表明， 低年級兒童的選擇性視覺注意可以正向預測利他行為， 而高年級兒童較強的視覺注意則可以負向預測利他行為（Rose et al.， 2024）。Omyan等人（2023）測試了純粹利他與出于健康考慮的無償獻血者的選擇性注意， 結果發(fā)現(xiàn)純粹利他的獻血者對痛苦面部表情具有更多的選擇性注意， 兩組獻血者的同理心水平與對痛苦面部表情的選擇性注意顯著正相關。Wei等人（2023）考察了信息呈現(xiàn)方式對社會決策的影響， 要求被試就如何在自己與他人之間分配收益做出選擇， 結果發(fā)現(xiàn)與基于選項的注視相比， 基于屬性的視覺搜索降低了被試的利他行為， 說明視覺注意影響了利他行為決策。

最后， 視覺注意影響個體的其他親社會行為決策。Gehrer等人（2021）研究發(fā)現(xiàn)， 與健康對照組相比， 暴力犯罪者在與伙伴交往時首先注視對方眼睛的頻率更低， 對伙伴眼神的注意可能是個體親社會行為的重要基礎。有學者對比了時間壓力下個體在兩種親社會決策中的表現(xiàn)（利他情境與合作情境）， 發(fā)現(xiàn)當自己與他人存在利益沖突時， 時間壓力會促使個體在利他情境下優(yōu)先注視與自己利益相關的信息; 然而， 在合作情境中時間壓力增加了個體對他人利益相關信息的注視偏好（Teoh & Hutcherson， 2022）。Jangard等人（2022）考察了導致酒精成癮者親社會決策能力下降的因素， 發(fā)現(xiàn)個體對自私反應選項的注視與親社會行為指標呈負相關， 而且相較于健康對照組被試， 這種效應在酒精成癮者中的表現(xiàn)更為強烈。

3 視覺注意影響決策的理論模型

視覺注意顯著影響個體的決策行為。然而， 現(xiàn)有研究大多散見于視覺注意影響知覺、偏好、社會等類型決策的實證研究， 少有研究系統(tǒng)梳理這些影響潛在的作用機制。本文整理了各類零散實證研究的討論部分與少量相關的綜述研究， 總結了可能解釋這些影響潛在機制的4種理論模型（參見表1）。

3.1 簡單暴露效應

簡單暴露效應（mere exposure effect）認為個體對刺激物的態(tài)度或情感偏好隨著反復接觸（指該刺激物能夠被個體所感知）該刺激物而增加， 視覺注意通過增加對刺激物的喜好程度來影響決策（Zajonc， 1968）。而且， 這種情感偏向通?？梢詺w因于個體對于接觸較多的刺激物比接觸較少的刺激物在感知流暢性或加工容易度上增強所致（Montoya et al.， 2017）。

簡單暴露效應得到了多項研究的支持（Bornstein & D'Agostino， 1992; Effron， 2022; Zajonc， 1968）。Zajonc （1968）考察了向被試呈現(xiàn)不同頻率的無意義單詞對其評價無意義單詞“悅耳度”的影響， 發(fā)現(xiàn)被試普遍認為高頻出現(xiàn)的無意義單詞具有更高的“悅耳度”， 說明高頻接觸增加了被試對無意義單詞的情感傾向。Bornstein和D'Agostino （1992） 比較了個體對呈現(xiàn)5 ms （即潛意識）和500 ms刺激的喜愛程度， 結果表明不管刺激類型為多邊圖形還是照片， 個體都更喜愛呈現(xiàn)時間較長的刺激， 這同樣驗證了簡單暴露效應。簡單暴露效應假設刺激物暴露時間對個體的選擇偏好具有顯著影響， 在一定程度上解釋了選項注視時間影響風險決策偏好的框架效應（Hirmas & Engelmann， 2023; Roberts et al.， 2022）、跨期選擇偏好（Sharma & Khan， 2022）的相關研究結果。

總之， 簡單暴露效應的邏輯是“視覺注意→喜歡→決策”。它可以直觀解釋注視持續(xù)時間對各類決策的顯著影響， 然而正如Montoya等人（2017）所指出的， 盡管簡單暴露模型認為接觸會產(chǎn)生喜歡， 但它未能準確預測個體對刺激物的識別與喜好間相關性隨接觸頻率變化的關系， 這表明有必要繼續(xù)考察對刺激物的識別、熟悉度和喜好之間的復雜曲線關系。此外， 作為早期的注意影響選擇的理論， 簡單暴露效應并未深入闡述其背后的作用機制（Bhatnagar & Orquin， 2022）。

3.2 注視層疊假說

注視層疊假說（gaze cascade hypothesis）主張個體的注視會增加對某個選項的偏好（注視導致偏好）， 而增強的偏好反過來又會增加對該選項的注視（偏好導致注視） （Shimojo et al.， 2003）。這兩個過程創(chuàng)造了一個反饋循環(huán)， 導致個體注視最終選擇選項的概率增加， 也就是說， 創(chuàng)造了一個對特定選項的注視層疊， 最終導致該選項越過閾值并被選擇（Bhatnagar & Orquin， 2022）。

首先， 注視會增加決策偏好， 注視時間與決策偏好之間存在密切關聯(lián)， 個體對注視時間更長的選項具有更高的決策偏好和選擇率（Saito et al.， 2023; Smith & Krajbich， 2018）。采用眼動技術考察面孔識別的研究發(fā)現(xiàn)， 被試的目光最初在兩個面孔間均勻分布， 但隨后逐漸轉向他們最終選擇的面孔， 說明注視參與了偏好的形成（Shimojo et al.， 2003）。Ito等人（2014）使用 fMRI 技術測量被試的面孔偏好與神經(jīng)活動之間的關系， 發(fā)現(xiàn)隨著注視時間的增加， 大腦中對面孔進行評估的部位從最初的尾狀核（內隱的皮質下水平）轉移到海馬體和眶額皮層（外顯的皮質上水平）， 這種轉移改變了個體的決策偏好， 在神經(jīng)層面上證實了注視時間對決策偏好的影響。根據(jù)注視層疊假說， 個體延長對某個選項的注視時間會增加對該選項的決策偏好， 該假說較好地說明了視覺注意可能是通過增加對某個選項的注視時間來實現(xiàn)對個體風險決策偏好的影響（Bhatnagar & Orquin， 2022; Pleskac et al.， 2023）。

其次， 偏好又會增加注視， 二者的相互作用一直持續(xù)直至偏好信號超過閾值， 最后注視位置預測決策結果（Hedger & Chakrabarti， 2021; Palacios- Ibá?ez et al.， 2023; Shimojo et al.， 2003）。Hedger和Chakrabarti （2021）比較了自閉癥患者與健康個體對社會刺激的注意變化， 發(fā)現(xiàn)自閉癥患者之所以難以對社會刺激維持注意， 是因為他們對社會刺激形成的注視層疊遭到破壞。根據(jù)注視層疊假說， 個體的注視與偏好持續(xù)發(fā)生相互作用， 而且個體對最后注視的選項具有更高的選擇概率， 這對風險決策偏好相關研究中發(fā)現(xiàn)的最后注視位置顯著預測決策行為（Spektor et al.， 2022）， 利他行為決策研究中發(fā)現(xiàn)的純粹利他的獻血者對痛苦面部表情具有更多的注視（Omyan et al.， 2023）等結果做出了相應解釋。

總之， 注視層疊假說的邏輯是“視覺注意←→偏好→決策”。雖然注視層疊效應得到了許多實證研究的支持， 但也有研究者在檢驗該模型時得出了不同的結論， 他們認為決策的結果更多取決于注視時間以及評估任務的類型， 而非注視與偏好的相互影響（Wolf et al.， 2019）。此外， 注視層疊假說的一個主要局限是缺乏數(shù)學模型表達， 這使得該假說在決策閾值的本質、注意與決策偏好如何相互影響以及注意對決策偏好的影響是固定的還是可變的等問題上無法給出明確的回答（Bhatnagar & Orquin， 2022）。而且， 對注視層疊效應的內在機理也尚未達成共識：有研究者認為這種效應是一種自我強化的正反饋循環(huán)， 即注視誘發(fā)偏好， 偏好又誘發(fā)更多注視（Shimojo et al.， 2003）; 也有研究者認為該假說是基于相對閾限的概念， 決策結果取決于選項的相對證據(jù)， 而注視選項所累積的證據(jù)具有更大的權重（Pleskac et al.， 2023）。

3.3 序列抽樣模型

序列抽樣模型（Sequential Sampling Model， SSM）的核心假設是個體在決策過程中不斷對相關證據(jù)進行抽樣， 使證據(jù)得到積累， 直到某個選項的相對證據(jù)達到一個閾值， 個體就會做出決策（Ratcliff & Smith， 2004）。SSM模型對不同情境下的決策行為都做出了較好的解釋， 并且將反應時與正確率等觀察到的外在行為結果分解成不同的潛在認知過程（Anders et al.， 2019）。研究者們結合不同決策模型的參數(shù)假設， 開發(fā)出許多基于SSM模型基本假設的變式模型， 下文主要介紹DDM模型與aDDM模型兩種變式模型。

3.3.1 漂移擴散模型

Ratcliff （1978）提出漂移擴散模型（Drift Diffusion Model， DDM）， 該模型的基本機制是持續(xù)累積感覺證據(jù)， 直至這些證據(jù)達到特定的決策閾值， 同時價值比較過程中的各種噪音也被平均化， 從而為規(guī)范性決策（normative decisions）提供了一種理論解釋框架（Lee & Usher， 2023）。一個標準的DDM模型包括4個關鍵參數(shù)。參數(shù)v代表漂移率（drift rate）， 它反映了決策過程中證據(jù)累積的速度， 主要受選項間主觀價值差異的影響。漂移率較高時， 表明不同選項間的主觀價值存在較大差異， 因此個體較容易做出決策， 反應時較短。參數(shù)z代表起始點， 即個體在做決策之前對某個選項的偏好， 屬于一種先驗影響。起始點反映的是由于某些先驗信息的影響而導致個體在決策前就偏好某些選項， 相比于其他選項， 到達該選項所需的證據(jù)量更少。在其他參數(shù)不變的情況下， 選擇偏好選項的概率更大且反應時更短。參數(shù)α代表決策閾值（threshold）或感覺證據(jù)積累的邊界（boundary）， 當積累的證據(jù)達到某個選項的閾值標準時， 個體就會立即選擇該選項。如果個體想要調整自己決策的標準， 那么會導致決策時間增加， 但漂移率不會發(fā)生改變。參數(shù)τ代表非決策時間（non-decision time）， 表示影響決策反應時的其他因素， 比如信息編碼與按鍵反應的時間等。它既可以體現(xiàn)個體間的決策差異， 也可以檢驗隨著試次增加是否產(chǎn)生練習效應。在標準的DDM模型中， 固定漂移軌跡代表個體的感覺證據(jù)隨時間不斷積累， 并在這一過程中受到噪音的干擾， 因此其軌跡并非一條直線。當證據(jù)累積達到?jīng)Q策閾值上限時個體做出按鍵反應。

首先， DDM 模型認為不同個體在關鍵參數(shù)上存在差異， 因此積累感覺證據(jù)直至決策的過程也存在差異。例如， Castagna等人（2023）結合眼動技術與EEG技術研究了個體的視覺注意與認知控制的關系， 結果發(fā)現(xiàn)額中線θ頻段波幅與漂移率、起始點、決策閾值均存在相關， 其中與起始點偏差的相關性最大， 說明額中線θ頻段波幅的個體差異影響個體積累感覺證據(jù)的過程。再如， Sullivan和Huettel （2021）發(fā)現(xiàn)食品味道與健康屬性上的個體差異對證據(jù)積累過程具有不同的影響。根據(jù)DDM模型關鍵參數(shù)上存在個體差異的假設， 個體對有效線索具有更高的漂移率， 因此證據(jù)積累速度更快， 更容易做出選擇， 對視覺注意影響知覺決策的過程做出了一定的假設（Nuiten et al.， 2023）。

其次， 價值比較過程中的噪音導致證據(jù)積累過程存在差異。許多研究都關注了噪音對證據(jù)積累過程的影響， 比如發(fā)現(xiàn)人類身上的速度?準確性權衡問題可能是由于噪音導致的偏差或者關鍵參數(shù)的偏差（Nguyen & Reinagel， 2022）， 價值信號的隨機波動（一種典型噪音）可能源自個體神經(jīng)元的變化或是與選項價值相關的記憶檢索的變化等（Glickman & Usher， 2019）， 而且這種機制為個體的反應時如何依賴于刺激強度提供了較合理的解釋（Lee & Usher， 2023）， 簡單選擇（例如吃蘋果還是吃香蕉）是通過整合噪音證據(jù)進行的， 視覺注意的波動會以噪音的方式影響選擇， 而決策時的視覺注意又受選項價值評估的動態(tài)影響（Callaway et al.， 2021）等。

總之， DDM模型的邏輯是“初始偏好→證據(jù)積累→決策”。盡管標準的DDM模型提出了一個基于注意的證據(jù)累積過程， 其所假設的動態(tài)證據(jù)累積過程也得到了相關實證研究的支持（Fontanesi et al.， 2019; Roberts & Hutcherson， 2019）， 然而它們并沒有明確地納入任何注意的量化指標。而且， 標準的DDM模型假定漂移率在整個決策過程中保持不變， 但許多研究均發(fā)現(xiàn)了具有時間依賴性的動態(tài)漂移率（Cheadle et al.， 2014; Smith & Lilburn， 2020）。此外， 有研究者認為標準的DDM模型主要適用于描述基于感覺的、簡單快速的或有客觀正確答案的決策行為（例如刺激的亮度或運動的方向等）， 然而其較難準確地描述復雜的多選擇的決策偏好（O'Connell & Kelly， 2021）。

3.3.2 注意漂移擴散模型

Krajbich等人（2010）率先將視覺注意納入SSM模型， 由此提出注意漂移擴散模型（attentional Drift Diffusion Model， aDDM）。該模型主張個體在注視選項時會積累支持或反對該選項的證據(jù)， 直到某個選項積累了足夠的證據(jù)即達到?jīng)Q策閾值后才停止， 首先達到閾值的選項被選擇（（Bhatnagar & Orquin， 2022; Spering， 2022）。該模型認為相比于低價值選項， 視覺注意對高價值選項的決策行為具有更顯著的影響（Krajbich et al.， 2021; Smith & Krajbich， 2019）。

首先， 視覺注意與選項價值之間存在相互作用。aDDM模型認為注意與選項價值之間存在相互作用， 注意與選項價值的評估可能既有乘法效應（multiplicative effect）又有加法效應（additive effect） （Pleskac et al.， 2023; Yang & Krajbich， 2023）。Cavanagh等人（2014）提出的加法模型認為眼睛注視僅僅與選項價值存在相關但并未放大（增加）其主觀價值， 眼睛注視對選項價值的評估具有固定的影響。然而， 乘法模型認為視覺注意放大（增加）了被注視選項的主觀價值（Krajbich， 2019; Smith & Krajbich， 2019; Shevlin et al.， 2022）。具體來說， 乘法模型預測對兩個相同偏好的高價值選項做出決策比對兩個低價值選項做出決策更快， 而加法模型則預測兩者沒有顯著差異。Smith和Krajbich （2019）考察了注意如何影響決策過程， 結果顯示對某選項的注意會與該選項的價值產(chǎn)生相互作用， 與低價值選項相比， 注視高價值選項對決策的影響更大， 研究結果支持乘法模型。Westbrook等人（2020）的研究發(fā)現(xiàn)乘法效應在分叉點（bifurcation）之前一直是正值， 在分叉點之后接近于0; 然而加法效應在分叉點之前一直為負數(shù)， 在分叉點之后才接近于0。因此， 他們認為早期的注意放大了被注視選項的主觀價值， 而晚期的注意可能反映了個體可能的選擇。根據(jù)aDDM模型的基本假設， 增加注視時間或操縱最后注視位置可能會放大目標選項的主觀價值（相對價值）， 從而導致個體選擇目標選項， 這為個體的風險決策偏好（Molter et al.， 2022）、食品決策偏好（Liu， Zhou， et al.， 2020）與道德決策行為（Ghaffari & Fiedler， 2018）受到選項注視時間與最后注視位置的影響提供了相應的解釋。

其次， 視覺注意通過放大選項的價值增加決策過程中的證據(jù)積累率， 證據(jù)積累率取決于選項價值。許多采用模型擬合的研究都發(fā)現(xiàn)選項價值與證據(jù)積累率或其他參數(shù)存在密切關系（Krajbich， 2019; Krajbich et al.， 2021; Shevlin & Krajbich， 2021; Zhu， 2022）。例如， Shevlin和Krajbich （2021）的研究發(fā)現(xiàn)aDDM模型中決策閾值與噪聲參數(shù)隨著選項價值的變化而變化， 表明標準DDM模型中參數(shù)的變化可以歸因于視覺注意對證據(jù)積累過程的潛在影響。再如， Krajbich等人（2021）通過經(jīng)顱磁刺激技術考察視覺注意對選擇的影響， 結果發(fā)現(xiàn)呈現(xiàn)高價值選項時， 對額葉眼區(qū)的抑制減少了注視對選擇的影響， 說明視覺注意放大了選項的主觀價值， 導致其對高價值選項的決策具有更大的影響。aDDM模型認為視覺注意對個體的決策行為具有顯著影響， 而這種影響是通過放大選項價值以增加決策過程中的證據(jù)積累率來實現(xiàn)的。因此， 該模型較好地解釋了風險決策偏好領域中， 注意放大證據(jù)積累率與決策邊界的個體差異等因素對注意、反應時和準確率三者之間關系的調節(jié)作用（Zilker， 2022）。此外， aDDM模型也對被試在進行食品決策時更可能選擇與搜索目標同側的食物（Eum et al.， 2023）、外周視覺信息影響對食品的決策偏好（Weilb?cher et al.， 2021）， 以及視覺注意操縱與個體的跨期選擇偏好之間存在因果關系（Liu， Lyu， et al.， 2020）等現(xiàn)象做出了合理的解釋。

總之， aDDM模型的邏輯是“視覺注意→增加選項主觀價值→證據(jù)累積率變化→決策”。這一模型較好地量化了決策過程中視覺注意對選項選擇證據(jù)累積率的影響（Gwinn et al.， 2019; P?rnamets et al.， 2015）。然而， 該模型的部分假設與相關實證研究結果是相悖的。第一， aDDM 模型假定注意與看（looking）是完全相同的。然而， 有時所看的對象可能不是正在思考或內在加工的對象（Mormann & Russo， 2021）。第二， aDDM模型也假定信息搜索是隨機的（即人們在視野中隨機地注視各個信息單元）。然而， 大量證據(jù)表明人們更多地注視價值更高的選項， 這一現(xiàn)象被稱為基于價值的注意（value-based attention， Gluth et al.， 2018， 2020）。正如Cavanagh等人（2019）的研究結果顯示， 經(jīng)過偏好決策訓練的猴子會更多注視價值高的選項， 這表明它們并沒有通過直接注視來評估兩個選項的價值， 而是內隱地將目光偏向價值較高的選項。而且， 也有研究證據(jù)表明刺激本身的物理特征也會吸引注意， 從而影響信息搜索（Vanunu et al.， 2021）。第三， 該模型還假定選項的價值在整個決策過程中是穩(wěn)定的。然而， 相關實證研究發(fā)現(xiàn)注意放大了選項的主觀價值（Pleskac et al.， 2023）， 且選項價值也依賴于情境（Yang & Krajbich， 2023）。這些尚存爭議的假設在一定程度上影響了它的有關結論。

3.4 自適應注意表征模型

類別學習理論認為， 在與不同刺激物接觸的過程中， 個體會逐漸建立起刺激物和類別標簽之間的配對關系。類別學習過程與決策過程一向密不可分， 分類過程需要注意、表征和決策之間相互作用， 因而有研究者將類別學習稱為類別決策（Heffernan et al.， 2021）。在此基礎上， 有研究者提出了自適應注意表征模型（Adaptive Attention Representation Model， AARM）， 認為學習的實質是注意優(yōu)化（即將注意引導至關鍵維度）， 視覺注意與類別學習（決策）具有雙向影響（Galdo et al.， 2022）。

Weichart等人（2022）對AARM模型進行了補充和完善。個體在類別學習過程中， 會通過對相關維度信息的視覺注意與證據(jù)積累而對刺激物形成簡化表征并做出決策， 分配給每個維度的視覺注意則根據(jù)反饋進行調整。AARM模型框架包含兩個相互關聯(lián)的模塊： 試次間模塊和試次內模塊。試次間模塊涉及反饋機制， 類別表征在兩次試驗間的更新是前一次試驗的注意和決策成分共同影響的結果; 試次內模塊則沒有直接的反饋， 其更新過程是表征、注意和決策證據(jù)動態(tài)作用的結果（具體有4個步驟：1）表征將注意引導至相關維度; 2）注意驅動對固定特征的編碼; 3）為每組類別反應更新證據(jù); 4）新的表征繼續(xù)引導后續(xù)的注意）。AARM模型的試次間模塊會根據(jù)反饋提供的正確類別標簽調整每次試驗的注意， 而試次內模塊則預測了個體如何利用注意來決定對哪些維度的信息進行注視取樣、何時取樣以及何時做出決策。前一次試驗中注意分配的方式延續(xù)至本次試驗， 然后根據(jù)當前有效證據(jù)最多的類別標簽對注意分配進行調整。AARM模型強調， 類別證據(jù)的積累與驗證性信息搜索同時發(fā)生， 試次內模塊的更新將引導視覺注意進行搜索， 尋找能為當前最佳類別決策提供最大證據(jù)支持的信息， 從而進一步影響決策（Galdo et al.， 2022）。

許多研究證實了視覺注意與類別學習的相互影響。McColeman等人（2014）通過操縱被試的注視考察視覺注意如何影響類別學習， 發(fā)現(xiàn)增加相對注視時間能提高分類的準確性。Konkle和Alvarez （2022）研究了類別信息在大腦中的形成過程， 結果表明所有類別信息在視覺機制的輸入是相同的， 目標發(fā)揮了視覺的功能， 學習通過賦予每種視覺類別不同的目標從而將每個視覺類別區(qū)分開來。有效的類別學習有時需要個體使用對特定區(qū)域的選擇性注意， 學者發(fā)現(xiàn)當一種類別在單個區(qū)域而不是分散在多個區(qū)域時， 能夠有效地對該特定區(qū)域進行注意學習（Nosofsky & Hu， 2023）。

總之， AARM 模型的邏輯是“視覺注意→積累類別證據(jù)→習得表征→反饋→調整視覺注意→決策”。該模型從類別學習的視角探討了視覺注意對決策過程的影響， 但正如Galdo等人（2022）所提到的， 盡管AARM模型對表征應該如何將視覺注意分配到不同刺激維度上進行了概括性的描述， 但目前對這一過程的解釋尚顯不足。Rich和Gureckis （2018）的研究也表明若只關注一部分信息， 被試可能會陷入“學習陷阱” （經(jīng)驗豐富但仍形成穩(wěn)定的錯誤信念）， 從而將信息錯誤地概括到未注意的維度上。而且， 在人類學習上的研究仍稍顯不足。

4 總結與展望

本文首先系統(tǒng)梳理了視覺注意對知覺決策、偏好決策和其他社會決策這三類典型決策的影響; 然后， 總結了簡單暴露效應、注視層疊假說、序列抽樣模型和自適應注意表征模型這4種理論假說對視覺注意影響知覺、偏好與社會決策作用機制的解釋。視覺注意對知覺決策的影響主要體現(xiàn)在對目標的選擇上; 此外， 還通過被凸顯刺激吸引以及對非目標凸顯刺激的抑制影響知覺決策。在偏好決策中， 注意與選項價值相互作用， 共同影響了個體的風險決策偏好、跨期選擇偏好和消費決策偏好。一方面， 注意放大或增加了選項的主觀價值， 即在偏好決策中個體越長時間地注視一個選項， 個體對該選項的偏好就越大（注視引起偏好）; 另一方面， 選項的價值引導了個體的注意， 即個體更長時間地注視偏好的選項（偏好引起注視）。最后， 自下而上和自上而下的注意與社會情境（對象）的交互作用也可能對個體的道德決策、親社會決策等社會決策偏好具有重要影響。

簡單暴露效應、注視層疊假說、aDDM模型和AARM模型都對視覺注意影響決策的作用機制進行了解釋。作為早期的注意影響選擇的理論模型， 簡單暴露效應可以解釋注視持續(xù)時間對決策的影響， 然而缺乏對接觸與喜好之間內在關系的論述。注視層疊假說強調決策過程中注視與偏好之間的相互作用， 但是并未采用數(shù)學模型來準確描述注意與決策偏好之間如何相互影響以及決策閾值的本質。aDDM模型較好地量化了決策過程中視覺注意對選項選擇證據(jù)累積率的影響， 然而研究者尚未就其確切機制達成一致， 加法模型與乘法模型各有其合理性（Cavanagh et al.， 2014; Krajbich， 2019; Shevlin & Krajbich， 2021; Shevlin et al.， 2022）， 內隱注意與外顯注意分別在決策過程中扮演了何種角色仍尚不明晰（Cavanagh et al.， 2019; Perkovic et al.， 2023）。aDDM模型假定選擇的可能性依賴于注視選項的價值， 而簡單暴露效應和注視層疊假說則認為增加的視覺注意一直增加了選擇的可能性。而且， aDDM模型認為如果線索改變了選項之間的相對注視時間差異， 那么首次注視對選項的選擇具有預測作用; 而注視層疊假說則認為最后注視位置對選項的選擇具有預測作用（Bhatnagar & Orquin， 2022）。AARM 模型側重視覺注意在類別學習決策中發(fā)揮的作用， 但目前在人類學習上的研究稍顯不足， 對試次間模塊與試次內模塊的界定略顯機械， 對視覺注意如何準確分配到各具體維度的解釋力度不夠?？傊?， 雖然關于視覺注意影響決策的研究已經(jīng)取得了一些有價值的成果， 但仍有一些關鍵問題值得未來研究探討。具體而言， 以下4個問題還有待深入探究。

第一， 在考察偏好決策時， 應全面考慮選項的特性。本文在探討視覺注意對偏好決策的影響時， 所納入的研究大都基于相似偏好選項之間的選擇， 例如根據(jù)主觀偏好對不同選項進行決策（Liu， Zhou， et al.， 2020; Pleskac et al.， 2023）。盡管aDDM模型與注視層疊假說均支持決策偏好對視覺注意的反向影響作用， 但當選項之間的偏好差異較大時， 注視能對選擇產(chǎn)生多大的影響仍有待證實。在進行現(xiàn)實的決策時， 基于不同個體間迥異的生活經(jīng)歷， 個體的先驗決策偏好也相去甚遠。因此， 在相似偏好選項之間進行決策的研究結果是否可以推廣到選項差異較大的決策研究中是研究者所需解決的關鍵問題之一。近期， 有研究者發(fā)現(xiàn)個體在風險、跨期、空間決策中均表現(xiàn)出主要基于維度的眼跳模式， 且維度間注視時長和眼跳次數(shù)的差值顯著預測決策行為的變化， 這為個體通過“維度間差異比較”策略來執(zhí)行決策提供了證據(jù)， 也暗示決策行為的差異更可能歸因于具體維度的差異而非選項的差異（黃元娜 等， 2023）。未來研究應更廣泛地考察不同偏好差異條件下視覺注意對選擇的影響， 這有助于進一步優(yōu)化視覺注意影響決策的理論模型。

第二， 應當更加重視決策情境的作用。目前來看， 在大多數(shù)決策理論和眾多決策實驗研究中很少提及視覺環(huán)境的作用， 然而， 其對視覺注意的影響甚至比認知因素的影響更大（Orquin et al.， 2021）?？疾靷€體食品偏好的研究結果表明， 在控制了外圍視覺信息后， 個體的注意偏好增加近一倍， 可見外圍視覺信息對于做出正確決策至關重要（Eum et al.， 2023）， 對外圍視覺信息的敏銳度也會對注意引導的決策產(chǎn)生一定影響（Yu et al.， 2022）。目前已有的相關研究采用了多種不同的刺激類型（面孔、食品、文字、圖形）、刺激位置與刺激呈現(xiàn)時間， 這些都可能是潛在的調節(jié)因素， 但目前尚未對這些因素進行系統(tǒng)的評估。因此， 未來研究需要進一步量化決策情境的作用， 系統(tǒng)檢驗視覺注意影響決策的潛在邊界條件。

第三， 應當考察其他形式注意對決策的影響。在實驗條件允許的情況下， 已經(jīng)有研究者開始考察個體其他形式的注意與決策的關系。例如， 有研究者發(fā)現(xiàn)恒河猴聽覺皮層中與選擇相關的大腦活動并非簡單反映運動準備， 注意在聽覺皮層中也發(fā)揮相應的作用（Mohn et al.， 2021）; 有研究者總結出嗅覺影響人類決策的作用機制（陳詩婷， 楊文登， 2023）; 也有研究者發(fā)現(xiàn)消費者通過內隱注意識別產(chǎn)品信息并表現(xiàn)出更高的準確性與更快的決策速度（Perkovic et al.， 2023）。未來相關研究可以從聽覺注意、嗅覺注意甚至內隱注意的角度深入研究人類決策行為， 綜合考慮各種注意的差別及其對決策的不同影響。這些研究不僅有助于完善注意影響決策的理論模型， 還有望為人類決策行為的研究開辟新的研究方向。

第四， DDM和aDDM模型的部分假設有待進一步完善。首先， 現(xiàn)有關于DDM模型的研究通常從輸入和輸出之間的統(tǒng)計擬合推斷基本序列抽樣過程的合理性， 而不是直接通過眼球運動來檢查該過程。其次， 偏好通常被假定為固定不變的， 并在決策任務之前進行測量， DDM模型中的漂移率被歸因于偏好信息的積累（Lee & Usher， 2023）。雖然這種簡化可以有效描述習慣化的知覺決策， 但不利于將DDM模型應用于高自我卷入度的偏好決策中。aDDM模型通過將注意納入選項主觀價值的證據(jù)累積過程這推動了 DDM 模型的發(fā)展（Krajbich et al.， 2010）， 但眼睛注視仍被認為是外因驅動的（Mormann & Russo， 2021）。有研究通過將選項被注視的概率表述為其累積值的對數(shù)函數(shù)， 這擴展了aDDM模型（Gluth et al.， 2020）。最后， 雖然aDDM模型較好地量化了決策過程中視覺注意對選項選擇證據(jù)累積率的影響（Gwinn et al.， 2019; P?rnamets et al.， 2015）， 然而該模型的部分假設仍與相關實證研究結果存在相悖之處， 這提示未來研究需要進一步檢驗該模型假設的合理性以及對該模型的部分假設進行適當修訂。

參考文獻

陳詩婷， 楊文登. （2023）. 嗅覺影響社會判斷與決策的作用與機制. 心理科學進展， 31（10）， 1899?1911.

黃元娜， 江程銘， 劉洪志， 李紓. （2023）. 風險、跨期和空間決策的決策策略共享：眼動和主觀判斷的證據(jù). 心理學報， 55（6）， 994?1015.

劉洪志， 李興珊， 李紓， 饒儷琳. （2022）. 基于期望值最大化的理論何時失效：風險決策中為自己?為所有人決策差異的眼動研究. 心理學報， 54（12）， 1517?1531.

劉洪志， 楊钘蘭， 李秋月， 魏子晗. （2023）. 跨期決策中的維度差異偏好：眼動證據(jù). 心理學報， 55（4）， 612?625.

Amasino， D. R.， Sullivan， N. J.， Kranton， R. E.， & Huettel， S. A. （2019）. Amount and time exert independent influences on intertemporal choice. Nature Human Behaviour， 3（4）， 383?392.

Anders， R.， Van Maanen， L.， & Alario， F.-X. （2019）. Multi- factor analysis in language production： Sequential sampling models mimic and extend regression results. Cognitive Neuropsychology， 36（5-6）， 234?264.

Bhatnagar， R.， & Orquin， J. L. （2022）. A meta-analysis on the effect of visual attention on choice. Journal of Experimental Psychology： General， 151（10）， 2265?2283.

Bigné， E.， Ruiz-Mafé， C.， & Badenes-Rocha， A. （2023）. The influence of negative emotions on brand trust and intention to share cause-related posts： A neuroscientific study. Journal of Business Research， 157， 113628.

Bornstein， R. F.， & D’Agostino， P. R. （1992）. Stimulus recognition and the mere exposure effect. Journal of Personality and Social Psychology， 63（4）， 545?552.

Brady， W. J.， Gantman， A. P.， & Van Bavel， J. J. （2020）. Attentional capture helps explain why moral and emotional content go viral. Journal of Experimental Psychology： General， 149（4）， 746?756.

Brüns， J. D.， & Meissner， M. （2023）. Show me that you are advertising： Visual salience of products attenuates detrimental effects of persuasion knowledge activation in influencer advertising. Computers in Human Behavior， 148， 107891.

Callaway， F.， Rangel， A.， & Griffiths， T. L. （2021）. Fixation patterns in simple choice reflect optimal information sampling. Plos Computational Biology， 17（3）， e1008863.

Carrasco， M. （2011）. Visual attention： The past 25 years. Vision Research， 51（13）， 1484?1525.

Carrasco， M.， & Barbot， A. （2019）. Spatial attention alters visual appearance. Current Opinion in Psychology， 29， 56?64.

Castagna， P. J.， van Noordt， S.， Sederberg， P. B.， & Crowley， M. J. （2023）. Modeling brain dynamics and gaze behavior： Starting point bias and drift rate relate to frontal midline theta oscillations. NeuroImage， 268， 119871.

Cavanagh， J. F.， Wiecki， T. V.， Kochar， A.， & Frank， M. J. （2014）. Eye tracking and pupillometry are indicators of dissociable latent decision processes. Journal of Experimental Psychology： General， 143（4）， 1476?1488.

Cavanagh， S. E.， Malalasekera， W. M. N.， Miranda， B.， Hunt， L. T.， & Kennerley， S. W. （2019）. Visual fixation patterns during economic choice reflect covert valuation processes that emerge with learning. Proceedings of the National Academy of Sciences of the United States of America， 116（45）， 22795?22801.

Chang， S.， & Egeth， H. E. （2019）. Enhancement and suppression flexibly guide attention. Psychological Science， 30（12）， 1724?1732.

Chang， S. H.， Dube， B.， Golomb， J. D.， & Leber， A. B. （2023）. Learned spatial suppression is not always proactive. Journal of Experimental Psychology： Human Perception and Performance， 49（7）， 1031?1041.

Chapman， A. F.， Chunharas， C.， & St?rmer， V. （2023）. Feature-based attention warps the perception of visual features. Scientific Reports， 13（1）， 6487.

Cheadle， S.， Wyart， V.， Tsetsos， K.， Myers， N.， de Gardelle， V.， Castanon， S. H.， & Summerfield， C. （2014）. Adaptive gain control during human perceptual choice. Neuron， 81（6）， 1429?1441.

Chen， X. W.， Xu， B.， Chen， Y. Z.， Zeng， X. Q.， Zhang， Y.， & Fu， S. M. （2023）. Saliency affects attentional capture and suppression of abrupt-onset and color singleton distractors： Evidence from event-related potential studies. Psychophysiology， 60（8）， e14290.

Chun， M. M.， Golomb， J. D.， & Turk-Browne， N. B. （2011）. A taxonomy of external and internal attention. Annual Review of Psychology， 62， 73?101.

De Freitas， J.， & Alvarez， G. A. （2018）. Your visual system provides all the information you need to make moral judgments about generic visual events. Cognition， 178， 133?146.

Effron， D. A. （2022）. The moral repetition effect： Bad deeds seem less unethical when repeatedly encountered. Journal of Experimental Psychology： General， 151（10）， 2562?2585.

Eum， B.， Dolbier， S.， & Rangel， A. （2023）. Peripheral visual information halves attentional choice biases. Psychological Science， 34（9）， 984?998.

Evans， N. J.， Holmes， W. R.， Dasari， A.， & Trueblood， J. S. （2021）. The impact of presentation order on attraction and repulsion effects in decision-making. Decision， 8（1）， 36? 54.

Fisher， G. （2021）. Intertemporal choices are causally influenced by fluctuations in visual attention. Management Science， 67（8）， 4961?4981.

Fontanesi， L.， Gluth， S.， Spektor， M. S.， & Rieskamp， J. （2019）. A reinforcement learning diffusion decision model for value-based decisions. Psychonomic Bulletin & Review， 26（4）， 1099?1121.

Galdo， M.， Weichart， E. R.， Sloutsky， V. M.， & Turner， B. M. （2022）. The quest for simplicity in human learning： Identifying the constraints on attention. Cognitive Psychology， 138， 101508.

Gehrer， N. A.， Zajenkowska， A.， Bodecka， M.， & Sch?nenberg， M. （2021）. Attention orienting to the eyes in violent female and male offenders： An eye-tracking study. Biological Psychology， 163， 108136.

Ghaffari， M.， & Fiedler， S. （2018）. The power of attention： Using eye gaze to predict other-regarding and moral choices. Psychological Science， 29（11）， 1878?1889.

Glickman， M.， & Usher， M. （2019）. Integration to boundary in decisions between numerical sequences. Cognition， 193， 104022.

Gluth， S.， Hotaling， J. M.， & Rieskamp， J. （2017）. The attraction effect modulates reward prediction errors and intertemporal choices. Journal of Neuroscience， 37（2）， 371?382.

Gluth， S.， Kern， N.， Kortmann， M.， & Vitali， C. L. （2020）. Value-based attention but not divisive normalization influences decisions with multiple alternatives. Nature Human Behaviour， 4（6）， 634?645.

Gluth， S.， Spektor， M. S.， & Rieskamp， J. （2018）. Value-based attentional capture affects multi-alternative decision making. eLife， 7， e39659.

Gwinn， R.， Leber， A. B.， & Krajbich， I. （2019）. The spillover effects of attentional learning on value-based choice. Cognition， 182， 294?306.

Hamblin-Frohman， Z.， Chang， S.， Egeth， H.， & Becker， S. I. （2022）. Eye movements reveal the contributions of early and late processes of enhancement and suppression to the guidance of visual search. Attention Perception & Psychophysics， 84（6）， 1913?1924.

He， L. S.， Wall， D.， Reeck， C.， & Bhatia， S. （2023）. Information acquisition and decision strategies in intertemporal choice. Cognitive Psychology， 142， 101562.

Hedger， N.， & Chakrabarti， B. （2021）. Autistic differences in the temporal dynamics of social attention. Autism， 25（6）， 1615?1626.

Heffernan， E. M.， Adema， J. D.， & Mack， M. L. （2021）. Identifying the neural dynamics of category decisions with computational model-based functional magnetic resonance imaging. Psychonomic Bulletin & Review， 28（5）， 1638?1647.

Hirmas， A.， & Engelmann， J. B. （2023）. Impulsiveness moderates the effects of exogenous attention on the sensitivity to gains and losses in risky lotteries. Journal of Economic Psychology， 95， 102600.

Huber， J.， Payne， J. W.， & Puto， C. P. （1982）. Adding asymmetrically dominated alternatives： Violations of regularity and the similarity hypothesis. Journal of Consumer Research， 9（1）， 90?98.

Ito， T.， Wu， D. A.， Marutani， T.， Yamamoto， M.， Suzuki， H.， Shimojo， S.， & Matsuda， T. （2014）. Changing the mind？ Not really?activity and connectivity in the caudate correlates with changes of choice. Social Cognitive and Affective Neuroscience， 9（10）， 1546?1551.

Jangard， S.， Lindstr?m， B.， Khemiri， L.， P?rnamets， P.， Jayaram-Lindstr?m， N.， & Olsson， A. （2022）. Alcohol use disorder displays trait-related reductions in prosocial decision making. Biological Psychiatry： Cognitive Neuroscience and Neuroimaging， 7（9）， 925?934.

Konkle， T.， & Alvarez， G. A. （2022）. A self-supervised domain-general learning framework for human ventral stream representation. Nature Communications， 13（1）， 491.

Krajbich， I. （2019）. Accounting for attention in sequential sampling models of decision making. Current Opinion in Psychology， 29， 6?11.

Krajbich， I.， Armel， C.， & Rangel， A. （2010）. Visual fixations and the computation and comparison of value in simple choice. Nature Neuroscience， 13（10）， 1292?1298.

Krajbich， I.， Mitsumasu， A.， Polania， R.， Ruff， C. C.， & Fehr， E. （2021）. A causal role for the right frontal eye fields in value comparison. eLife， 10， e67477.

Lee， D. G.， & Usher， M. （2023）. Value certainty in drift-diffusion models of preferential choice. Psychological Review， 130（3）， 790?806.

Liao， J. J.， Chen， Y. J.， Lin， W. J.， & Mo， L. （2021）. The influence of distance between decoy and target on context effect： Attraction or repulsion？ Journal of Behavioral Decision Making， 34（3）， 432?447.

Liu， H. Z.， Lyu， X. K.， Wei， Z. H.， Mo， W. L.， Luo， J. R.， & Su， X. Y. （2020）. Exploiting the dynamics of eye gaze to bias intertemporal choice. Journal of Behavioral Decision Making， 34（3）， 419?431.

Liu， H. Z.， Zhou， Y. B.， Wei， Z. H.， & Jiang， C. M. （2020）. The power of last fixation： Biasing simple choices by gaze-contingent manipulation. Acta Psychologica， 208， 103106.

Marini， M.， Ansani， A.， & Paglieri， F. （2020）. Attraction comes from many sources： Attentional and comparative processes in decoy effects. Judgment and Decision Making， 15（5）， 704?726.

Martinovici， A.， Pieters， R.， & Erdem， T. （2023）. Attention trajectories capture utility accumulation and predict brand choice. Journal of Marketing Research， 60（4）， 625?645.

McColeman， C.， Barnes， J.， Chen， L.， Meier， K.， Walshe， R.， & Blair， M. （2014）. Learning-induced changes in attentional allocation during categorization： A sizable catalog of attention change as measured by eye movements. PloS One， 9（1）， e83302.

Mohn， J. L.， Downer， J. D.， O'Connor， K. N.， Johnson， J. S.， & Sutter， M. L. （2021）. Choice-related activity and neural encoding in primary auditory cortex and lateral belt during feature selective attention. Journal of Neurophysiology. 125（5）， 1920?1937.

Molter， F.， Thomas， A. W.， Huettel， S. A.， Heekeren， H. R.， & Mohr， P. N. C. （2022）. Gaze-dependent evidence accumulation predicts multi-alternative risky choice behaviour. PLoS Computational Biology， 18（7）， e1010283.

Montoya， R. M.， Horton， R. S.， Vevea， J. L.， Citkowicz， M.， & Lauber， E. A. （2017）. A re-examination of the mere exposure effect： The influence of repeated exposure on recognition， familiarity， and liking. Psychological Bulletin， 143（5）， 459?498.

Mormann， M.， & Russo， J. E. （2021）. Does attention increase the value of choice alternatives？ Trends in Cognitive Sciences， 25（4）， 305?315.

Newell， B. R.， & Pelley， M. E. L. （2018）. Perceptual but not complex moral judgments can be biased by exploiting the dynamics of eye gaze. Journal of Experimental Psychology： General， 147（3）， 409?417.

Nguyen， Q. N.， & Reinagel， P. （2022）. Different forms of variability could explain a difference between human and rat decision making. Frontiers in Neuroscience， 16， 794681.

Nosofsky， R. M.， & Hu， M. J. （2023）. Category structure and region-specific selective attention. Memory & Cognition， 51（4）， 915?929.

Nuiten， S. A.， De Gee， J. W.， Zantvoord， J. B.， Fahrenfort， J. J.， & van Gaal， S. （2023）. Catecholaminergic neuromodulation and selective attention jointly shape perceptual decision- making. eLife， 12， RP87022.

O’Connell， R. G.， & Kelly， S. P. （2021）. Neurophysiology of human perceptual decision-making. Annual Review of Neuroscience， 44（1）， 495?516.

Omyan， S.， Mazidi， M.， & Khatibi， A. （2023）. Selective attention to pain and empathy： Studying frequent blood donors. Brain and Behavior， 13（1）， e2841.

Orquin， J. L.， Lahm， E. S.， & Stoji?， H. （2021）. The visual environment and attention in decision making. Psychological Bulletin， 147（6）， 597?617.

Palacios-Ibá?ez， A.， Marín-Morales， J.， Contero， M.， & Alca?iz， M. （2023）. Predicting decision-making in virtual environments： An eye movement analysis with household products. Applied Sciences， 13（12）， 7124.

P?rnamets， P.， Johansson， P.， Hall， L.， Balkenius， C.， Spivey， M. J.， & Richardson， D. C. （2015）. Biasing moral decisions by exploiting the dynamics of eye gaze. Proceedings of the National Academy of Sciences of the United States of America， 112（13）， 4170?4175.

Perkovic， S.， Schoemann， M.， Lagerkvist， C. J.， & Orquin， J. L. （2023）. Covert attention leads to fast and accurate decision-making. Journal of Experimental Psychology： Applied， 29（1）， 78?94.

Pleskac， T. J.， Yu， S. L.， Grunevski， S.， & Liu， T. S. （2023）. Attention biases preferential choice by enhancing an option's value. Journal of Experimental Psychology： General， 152（4）， 993?1010.

Rangelov， D.， & Mattingley， J. B. （2020）. Evidence accumulation during perceptual decision-making is sensitive to the dynamics of attentional selection. NeuroImage， 220， 117093.

Ratcliff， R. （1978）. A theory of memory retrieval. Psychological Review， 85（2）， 59?108.

Ratcliff， R.， & Smith， P. L. （2004）. A comparison of sequential sampling models for two-choice reaction time. Psychological Review， 111（2）， 333?367.

Rhilinger， J. P.， Xu， C. L. X.， & Rose， N. S. （2023）. Are irrelevant items actively deleted from visual working memory？： No evidence from repulsion and attraction effects in dual-retrocue tasks. Attention Perception & Psychophysics， 85（5）， 1499?1516.

Rich， A. S.， & Gureckis， T. M. （2018）. The limits of learning： Exploration， generalization， and the development of learning traps. Journal of Experimental Psychology： General， 147（11）， 1553?1570.

Roberts， I. D.， & Hutcherson， C. A. （2019）. Affect and decision making： Insights and predictions from computational models. Trends in Cognitive Sciences， 23（7）， 602?614.

Roberts， I. D.， Teoh， Y. Y.， & Hutcherson， C. A. （2022）. Time to pay attention？ Information search explains amplified framing effects under time pressure. Psychological Science， 33（1）， 90?104.

Rose， L.， Kovarski， K.， Caetta， F.， Makowski， D.， & Chokron， S. （2024）. Beyond empathy： Cognitive capabilities increase or curb altruism in middle childhood. Journal of Experimental Child Psychology， 239， 105810.

Rosner， A.， Schaffner， M.， & von Helversen， B. （2022）. When the eyes have it and when not： How multiple sources of activation combine to guide eye movements during multiattribute decision making. Journal of Experimental Psychology： General， 151（6）， 1394?1418.

Saito， T.， Motoki， K.， Nouchi， R.， & Sugiura， M. （2023）. Facilitating animacy perception by manipulating stimuli exposure time. Frontiers in Psychology， 13， 1017685.

Sharma， S. N.， & Khan， A. （2022）. Self-other differences in intertemporal decision making： An eye-tracking investigation. Consciousness and Cognition， 102， 103356.

Shevlin， B. R. K.， & Krajbich， I. （2021）. Attention as a source of variability in decision-making： Accounting for overall-value effects with diffusion models. Journal of Mathematical Psychology， 105， 102594.

Shevlin， B. R. K.， Smith， S. M.， Hausfeld， J.， & Krajbich， I. （2022）. High-value decisions are fast and accurate， inconsistent with diminishing value sensitivity. Proceedings of the National Academy of Sciences of the United States of America， 119（6）， e2101508119.

Shimojo， S.， Simion， C.， Shimojo， E.， & Scheier， C. （2003）. Gaze bias both reflects and influences preference. Nature Neuroscience， 6（12）， 1317?1322.

Smith， P. L.， & Lilburn， S. D. （2020）. Vision for the blind： Visual psychophysics and blinded inference for decision models. Psychonomic Bulletin & Review， 27（5）， 882?910.

Smith， S. M.， & Krajbich， I. （2018）. Attention and choice across domains. Journal of Experimental Psychology： General， 147（12）， 1810?1826.

Smith， S. M.， & Krajbich， I. （2019）. Gaze amplifies value in decision making. Psychological Science， 30（1）， 116?128.

Spektor， M. S.， Bhatia， S.， & Gluth， S. （2021）. The elusiveness of context effects in decision making. Trends in Cognitive Sciences， 25（10）， 844?857.

Spektor， M. S.， Kellen， D.， & Hotaling， J. M. （2018）. When the good looks bad： An experimental exploration of the repulsion effect. Psychological Science， 29（8）， 1309?1320.

Spektor， M. S.， Kellen， D.， & Klauer， K. C. （2022）. The repulsion effect in preferential choice and its relation to perceptual choice. Cognition， 225， 105164.

Spering， M. （2022）. Eye movements as a window into decision-making. Annual Review of Vision Science， 8， 427?448.

Stephensen， M. B.， Schulze， C.， Landro， M.， Hendrikx， J.， & Hetland， A. （2021）. Should I judge safety or danger？ Perceived risk depends on the question frame. Journal of Experimental Psychology： Applied， 27（3）， 485?502.

Stoji?， H.， Orquin， J. L.， Dayan， P.， Dolan， R. J.， & Speekenbrink， M. （2020）. Uncertainty in learning， choice， and visual fixation. Proceedings of the National Academy of Sciences of the United States of America， 117（6）， 3291? 3300.

Sullivan， N. J.， & Huettel， S. A. （2021）. Healthful choices depend on the latency and rate of information accumulation. Nature Human Behaviour， 5（12）， 1698?1706.

Teigen， K. H. （2023）. Dimensions of uncertainty communication： What is conveyed by verbal terms and numeric ranges. Current Psychology， 42（33）， 29122?29137.

Teoh， Y. Y.， & Hutcherson， C. A. （2022）. The games we play： Prosocial choices under time pressure reflect context- sensitive information priorities. Psychological Science， 33（9）， 1541?1556.

Teoh， Y. Y.， Yao， Z.， Cunningham， W. A.， & Hutcherson， C. A. （2020）. Attentional priorities drive effects of time pressure on altruistic choice. Nature Communications， 11（1）， 3534.

Thomas， A. W.， Molter， F.， Krajbich， I.， Heekeren， H. R.， & Mohr， P. N. C. （2019）. Gaze bias differences capture individual choice behaviour. Nature Human Behaviour， 3（6）， 625?635.

Tsai， S. Y.， Nasemann， J.， Qiu， N.， T?llner， T.， Müller， H. J.， & Shi， Z. H. （2023）. Little engagement of attention by salient distractors defined in a different dimension or modality to the visual search target. Psychophysiology， 60（12）， e14375.

van Moorselaar， D.， Huang， C. R.， & Theeuwes， J. （2023）. Electrophysiological indices of distractor processing in visual search are shaped by target expectations. Journal of Cognitive Neuroscience， 35（6）， 1032?1044.

Vanunu， Y.， Hotaling， J. M.， Le Pelley， M. E.， & Newell， B. R. （2021）. How top-down and bottom-up attention modulate risky choice. Proceedings of the National Academy of Sciences of the United States of America， 118（39）， e2025646118.

Wang， B.， & Theeuwes， J. （2020）. Salience determines attentional orienting in visual selection. Journal of Experimental Psychology： Human Perception and Performance， 46（10）， 1051?1057.

Wedel， M.， Pieters， R.， & van der Lans， R. （2023）. Modeling eye movements during decision making： A review. Psychometrika， 88（2）， 697?729.

Wei， Z.-H.， Liang， Y.， Liang， C.-J.， & Liu， H.-Z. （2023）. Information search processing affects social decisions. Journal of Behavioral Decision Making， 36（5）， e2352.

Weichart， E. R.， Galdo， M.， Sloutsky， V.， & Turner， B. （2022）. As within， so without， as above， so below： Common mechanisms can support between- and within-trial category learning dynamics. Psychological Review， 129（5）， 1104? 1143.

Weilb?cher， R. A.， Krajbich， I.， Rieskamp， J.， & Gluth， S. （2021）. The influence of visual attention on memory-based preferential choice. Cognition， 215， 104804.

Westbrook， A.， van den Bosch， R.， M??tt?， J. I.， Hofmans， L.， Papadopetraki， D.， Cools， R.， & Frank， M. J. （2020）. Dopamine promotes cognitive effort by biasing the benefits versus costs of cognitive work. Science， 367（6484）， 1362?1366.

Wolf， A.， Ounjai， K.， Takahashi， M.， Kobayashi， S.， Matsuda， T.， & Lauwereyns， J. （2019）. Evaluative processing of food images： Longer viewing for indecisive preference formation. Frontiers in Psychology， 10， 608.

Wong， R. S. （2023）. An experimental investigation of attribute framing effects on risky sourcing behaviour： The mediating role of attention allocated to suppliers' quality information. International Journal of Operations & Production Management， 43（13）， 205?225.

Yang， X. Z.， & Krajbich， I. （2023）. A dynamic computational model of gaze and choice in multi-attribute decisions. Psychological Review， 130（1）， 52?70.

Yu， X.， Johal， S. K.， & Geng， J. J. （2022）. Visual search guidance uses coarser template information than target- match decisions. Attention Perception & Psychophysics， 84（5）， 1432?1445.

Zajonc， R. B. （1968）. Attitudinal effects of mere exposure. Journal of Personality and Social Psychology， 9（2）， 1?27.

Zhou， X.， Hao， Y.， Xu， S.， & Zhang， Q. （2023）. Statistical learning of target location and distractor location rely on different mechanisms during visual search. Attention， Perception， & Psychophysics， 85（2）， 342?365.

Zhou， Y.-B.， Li， Q.， & Liu， H.-Z. （2021）. Visual attention and time preference reversals. Judgement and Decision Making， 16（4）， 1010?1038.

Zhu， T. Y. （2022）. Accounting for the last-sampling bias in perceptual decision-making. Cognition， 223， 105049.

Zilker， V. （2022）. Stronger attentional biases can be linked to higher reward rate in preferential choice. Cognition， 225， 105095.

Zilker， V.， & Pachur， T. （2023）. Attribute attention and option attention in risky choice. Cognition， 236， 105441.

The impact of visual attention on decision-making and its mechanisms

ZHANG Xiangyi， WU Yilin

（Department of Psychology， School of Educational Science， Hunan Normal University， Changsha 410081， China）

Abstract： Visual attention， which is a mechanism of information selection and cognitive resource allocation， is not only the basis of information processing and cognitive functions， but also an important condition for accomplishing various social behaviors. Numerous studies have confirmed that visual attention affects individual decision-making preferences. On the basis of a comprehensive review of previous studies， this article sorts out the effects of visual attention on perceptual decision-making， preferential decision-making and other social decision-making. Moreover， it first summarizes and discusses four hypotheses： the mere exposure effect， the gaze cascade hypothesis， the sequential sampling model， and the adaptive attention representation model. Based on this， this article has explained the role of visual attention in these three kinds of decision-making. Finally， four prospects are proposed： future studies should （a） consider setting options with different degrees of preference differences， （b） examine moderating factors in decision-making situations or visual environments， （c） consider the roles of other forms of attention in decision-making， and （d） explore the mechanisms of the sequential sampling model further in order to deepen the understanding of the effects of visual attention on decision-making and its mechanisms.

Keywords： visual attention， perceptual decision-making， preferential decision-making， social decision-making， drift diffusion model