摘" 要" 前人研究發(fā)現(xiàn)食物擺盤的美感水平會影響個體的食物選擇， 但未有研究進一步探討相同美感、不同審美特征對健康飲食決策的影響機制。本研究招募被試34名， 采用基于價值的食物決策范式， 使用2 （審美特征：古典美， 表現(xiàn)美） ′ 2 （食物熱量：高， 低）被試內設計， 通過分離計算模型參數(shù)與腦電指標來檢驗不同審美特征差異化的審美價值， 以及審美價值對熱量影響的調節(jié)效應及其認知神經(jīng)基礎。結果顯示：（1）古典美（vs. 表現(xiàn)美）審美價值更高， 食物選擇率和漂移率（v）更高、N400振幅更低; （2）審美價值調節(jié)熱量價值， 但熱量價值的突顯性高于審美， 熱量信息的神經(jīng)處理時間更早（240～320 ms）; （3）審美價值的調節(jié)效應發(fā)生在決策證據(jù)積累過程中， 影響漂移率（v）以及中央頂葉正波（CPP）。本研究在理論層面揭示了健康飲食決策中審美價值的調節(jié)效應及認知神經(jīng)基礎， 同時在實踐應用方面為助推健康飲食選擇提供了食物擺盤的審美設計指導。

關鍵詞" 健康飲食， 價值決策， 審美特征， 計算建模， 事件相關電位

分類號" B842

1" 前言

幾十年來， 食物供應系統(tǒng)和飲食環(huán)境的變化加劇了現(xiàn)代社會不健康的飲食模式。隨著超重與肥胖人口不斷增加， 社會醫(yī)療保健系統(tǒng)和醫(yī)療資源的負荷持續(xù)上升（Popkin et al.， 2012）。因此， 如何在高熱量食物過剩且極易獲取的現(xiàn)代飲食環(huán)境中實施適當?shù)母深A策略， 以降低人們的熱量渴求進而推行健康飲食方式， 成為政府與衛(wèi)生部門亟待解決的重要問題（Cadario amp; Chandon， 2020）。

人類對高熱量食物的天然偏好與高味覺享樂預期是健康飲食干預策略有效性的首要挑戰(zhàn)。研究表明， 對高熱量食物的趨近動機是人類進化適應的結果（Hall， 2016）， 在食物匱乏的環(huán)境下， 迅速識別和接近高熱量食物為人類生存提供了機會， 因此高熱量食物往往比低熱量食物更能產(chǎn)生內在愉悅和滿足（Berthoud， 2012）。此外， 熱量信息會影響人們對食物適口性與享樂體驗的預期， 與高熱量食物相比， 低熱量總與相對較次的口感、更低的美味體驗與享樂價值掛鉤（Zheng et al.， 2022）。而低熱量食物這種較低的享樂價值與現(xiàn)代社會人類享樂進食模式的沖突可能是以往僅強調低熱量食物健康益處的認知干預策略成效甚微的重要原因之一（Cadario amp; Chandon， 2020）。因此， 近期研究者們開始探索情感干預策略的有效性， 包括利用食物的視覺呈現(xiàn)美感來提升低熱量食物的享樂價值并促進更健康的飲食選擇（如Cornil amp; Chandon， 2016; Peng amp; Jemmott， 2018）。事實上， 美學的提升效果是顯著的。人們傾向于認為外形更漂亮的水果和蔬菜口感更好， 而形狀奇特、丑陋的食物則會提高感知食用風險（Qi et al.， 2022）; 擺盤藝術、美觀的餐食也會導致更高的美味評價及支付意愿（Michel et al.， 2014， 2015）， 表明視覺審美的愉悅能夠正向影響食物的享樂體驗預期。

然而， 美不僅是單一連續(xù)體上的不同美感等級， 審美特征也會影響人們對審美對象的感知與判斷（例如， 紫禁城與盧浮宮）。根據(jù)Lavie和Tractinsky （2004）的審美維度理論， 視覺美學可以依據(jù)對象的設計特征和感知者的主觀感知劃分為兩個維度——古典美（Classical aesthetics）和表現(xiàn)美（Expressive aesthetics）。具體而言， 古典美由構成良好設計的許多一般性原則組成， 強調視覺元素組織的清晰、對稱、平衡、秩序、統(tǒng)一、和諧， 與傳統(tǒng)美學概念密切相關。例如， 高度平衡有序的故宮、金字塔群落; 擁有雙邊對稱性的蝴蝶、花朵等。表現(xiàn)美代表設計的新穎性與復雜性， 強調創(chuàng)意、迷人、精致和獨特， 著眼于設計的創(chuàng)造力與表現(xiàn)力。在古典美設計中， 各種視覺元素連貫、清晰的組織， 形成和諧統(tǒng)一的整體， 因此， 人們往往可以在花費較少認知努力的情況下迅速識別和理解這些視覺對象（Hoffmann amp; Krauss， 2004）。與古典美不同， 表現(xiàn)美的特點是打破一般的設計慣例， 旨在激發(fā)情緒喚醒與卷入， 并提供設計的享樂價值與審美意趣（Lavie amp; Tractinsky， 2004）。復雜精致的游戲界面、抽象藝術等均可視作高表現(xiàn)美設計。富有表現(xiàn)美的設計往往具有豐富多樣的視覺元素， 能夠吸引注意， 調動感知者的能量以及認知資源投入（Chang et al.， 2014）。一般來說， 在審美設計中， 當秩序性或復雜性的審美特征占據(jù)視覺主導， 且整體上令人感到和諧統(tǒng)一或復雜新穎時， 形成設計的古典美或表現(xiàn)美（Deng amp; Poole， 2012）。

古典美和表現(xiàn)美對視覺對象的屬性感知存在不同影響（Casey amp; Poropat， 2014）。一般而言， 設計的古典美能夠提升人們對產(chǎn)品功利價值（即效率性、有用性、易用性、可預測性等實用品質）的推斷（Casey amp; Poropat， 2014; Robins amp; Holmes， 2008）。此外， 在旨在提高食物的感知健康與安全性的營銷研究中， 也發(fā)現(xiàn)古典美食物視覺呈現(xiàn)的潛在益處（Hagen， 2021）。相較而言， 享樂型產(chǎn)品（例如， 游戲產(chǎn)品、文化產(chǎn)品）通常使用表現(xiàn)美設計來提高情緒喚醒， 提升有趣、新奇、刺激的體驗（Hassenzahl et al.， 2010）。在食物感官營銷中， 表現(xiàn)美也被證明能夠提高飲食享樂， 如Michel等人（2014， 2015）分別通過實驗室研究和現(xiàn)場研究證明了人們對藝術性擺盤的沙拉有更高的美味評價及支付意愿。

食物是一種屬性復雜的刺激對象， 它既為身體機能的正常運轉提供能量， 從而具有功利屬性; 也提供美味體驗、感官享樂等額外獎賞價值， 從而被賦予享樂屬性。那么在食物的擺盤視覺設計中， 人們會更偏好古典美還是表現(xiàn)美？換言之， 在美感相同的前提下， 哪種審美設計特征能夠最大化食物的審美價值， 進而調節(jié)熱量對食物選擇的影響？在不改變視覺美感的前提下， 辨別不同審美特征誘發(fā)的食欲價值是重要的。因為對于餐飲行業(yè)而言， 雖然提高健康食物的視覺美感來提升其飲食體驗是常用的健康飲食助推方式（Cadario amp; Chandon， 2020; Cornil amp; Chandon， 2016）， 但很少有餐廳使用低視覺美感呈現(xiàn)不健康食物來達到減少消費者不健康食物選擇率的目的。由于視覺美感往往影響產(chǎn)品質量感知（Pombo amp; Velasco， 2021）， 低美感的食物呈現(xiàn)方式可能會對餐飲企業(yè)的品牌形象造成威脅（Jin et al.， 2015）。然而， 通過鑒別相同美感、不同審美價值的擺盤審美特征設計將有助于在不影響品牌形象和食物質量感知的前提下， 為餐飲商提供助推消費者健康食物選擇的兩種并行路徑——將健康食物以高食欲價值的審美特征擺盤， 同時將不健康食物以低食欲價值的審美特征擺盤。

本研究使用基于價值的飲食決策范式（Hajihosseini amp; Hutcherson， 2021; Harris et al.， 2013）來檢驗人們對食物視覺審美價值的計算依據(jù)與內在機制， 并探究審美如何調節(jié)熱量的獎賞價值以及這種調節(jié)作用如何在決策的認知與神經(jīng)過程上展開。決策的神經(jīng)經(jīng)濟學理論表明， 價值決策遵循序列抽樣模型（sequential sampling model， SSM）， 人們通過逐漸積累噪聲信息， 直到達到做出決策的證據(jù)閾值（Forstmann et al.， 2016）。漂移擴散模型（drift-diffusion models， DDM）作為其中有效的標準模型， 被廣泛應用于食物價值決策的過程構建（Krajbich et al.， 2015）。具體而言， DDM依據(jù)反應時、準確率等指標將決策分解為一系列潛在的過程， 包括信息處理的質量， 即證據(jù)積累速度（漂移率， drift rate， v）; 反應謹慎性， 即做出決策所需要的信息量（閾值/邊界， boundary， a）; 先驗偏差， 即決策偏見（偏見， bias， z）和與決策處理無關的時間——如， 運動準備、運動執(zhí)行（非決策時間， non-decision time， t）。因此， 本研究使用DDM探究審美調節(jié)熱量獎賞價值的過程機制。此外， 為了提供審美價值計算與調節(jié)效應的多模態(tài)證據(jù)， 除客觀行為指標外， 利用腦電事件相關電位（event- related potential， ERP）的高時間解析度來梳理審美價值與飲食決策形成的認知神經(jīng)決定因素。首先， 假設將EEG鎖時到刺激呈現(xiàn)， 允許檢測審美價值處理的神經(jīng)信號（即N300/N400， 指標介紹見腦電記錄與處理章節(jié)）; 其次， 通過反應鎖時定位EEG的決策點， 假設與決策感官信號積累相關的中央頂葉正波（centroparietal positivity， CPP）ERP指標能夠反映飲食決策中審美價值與熱量價值的協(xié)同與競爭過程。

2" 方法

2.1" 被試

根據(jù)G-Power 3.17， 以中等效應量f = 0.25， 設置統(tǒng)計檢驗力為0.9， α水平為0.05， 計算所得被試量為30人。招募來自蘇州大學的學生34名（9名男性， 25名女性， 其中文科生20名， 理科生14名， 所有被試平均年齡為21.1 ± 1.86歲）。所有被試平均BMI為21.82 ± 3.65， 均在標準范圍內， 實驗前所有被試平均饑餓度為4.00 ± 0.34， 被試沒有在饑餓或飽腹狀態(tài)下完成實驗。所有被試均為右利手， 裸眼或矯正視力正常， 無飲食失調， 非素食主義者， 并且此前從未參加過類似實驗。該研究已通過蘇州大學倫理委員會的審批， 并按照《赫爾辛基宣言》規(guī)定的倫理標準進行。所有被試在實驗前均已知情同意。

2.2" 儀器與材料

使用標準公式即體重（千克）除以身高（米）的平方（BMI = 體重/身高2）來計算被試的BMI; 此外， 被試的饑餓狀況用“請為自己當前的饑餓程度打分”單個項目的7點量表衡量， 其中1-非常餓， 7-非常飽。

實驗材料選自網(wǎng)絡圖片庫， 從中選擇了53種常見的亞洲餐食， 根據(jù)其主要成分的卡路里含量分成25種低熱量食物和28種高熱量食物。隨后使用Adobe Photoshop CC 2019對食物圖像進行后期處理和設計， 使其在相同白色餐盤上以相同45°視角呈現(xiàn)。此外， 依據(jù)美學的二維概念， 古典美擺盤被操縱為擺盤平衡、對稱、秩序; 表現(xiàn)美擺盤被操縱為擺盤創(chuàng)意、有趣、復雜（Hagen， 2021）。隨后開展食物材料評定的預實驗（n = 30）， 根據(jù)預實驗結果， 篩選出兩種擺盤美感評分無顯著差異、且古典美擺盤的古典美感顯著高于表現(xiàn)美、表現(xiàn)美擺盤的表現(xiàn)美感顯著高于古典美的食物刺激。此外， 高、低熱量分組食物的主觀熱量差異顯著; 兩種擺盤設計的同一食物均能被識別為相同食物（預實驗程序與數(shù)據(jù)見網(wǎng)絡版附錄1）。最終選定36種食物， 其中高、低熱量食物各18種， 共72張（36種食物×2種擺盤）刺激圖片。所有圖片大小統(tǒng)一為397×307 像素， 視角為4.36°× 3.37°， 實驗材料示例見圖1。

整個實驗過程在隔音且較暗的室內環(huán)境里實施。所有刺激呈現(xiàn)在27英寸的ASUS-GTX1060型號顯示器上， 分辨率為1920′1080， 刷新率為60 Hz。實驗過程中保持被試的雙眼距離顯示器屏幕中央約為75 cm。采用BP ERP記錄、分析系統(tǒng)， 通過國際10-20系統(tǒng)擴展的EasyCap 64導電極帽收集腦電信號。其中， 參考電極與接地電極的位置分別位于FCz和AFz點處， 水平眼電（HEOG）為雙眼外側位置的電極， 垂直眼電（VEOG）為左眼上下位置的電極， 原始采樣率為5000 Hz， 頭皮阻抗小于5 kΩ。使用Lab Stream Layer同步實驗過程中的行為與腦電數(shù)據(jù)。該實驗在MATLAB PsychToolbox 中完成程序的編寫、呈現(xiàn)和數(shù)據(jù)記錄。

2.3" 設計與程序

實驗采用擺盤審美特征（古典美、表現(xiàn)美） ′ 食物熱量（高、低）的雙因素被試內設計， 因變量為食物選擇率、HDDM決策參數(shù)以及與意義處理、決策信號積累相關的ERP指標。實驗范式改編自Hajihosseini和Hutcherson （2021）以及Harris等人（2013）的研究， 通過測量在某一食物刺激上的想要程度評級來捕捉被試基于價值的食物選擇。此外， 為實現(xiàn)標準化， 被試被要求在實驗開始前2小時不得進食或飲用飲料（純凈水除外）。被試到達實驗室后， 首先閱讀實驗介紹， 簽署知情同意書， 并用1～7點量表評估自己的饑餓程度。

在實驗開始前， 被試被告知自己需要對屏幕上出現(xiàn)的食物圖片進行想要和不想要的評價， 且反應必須迅速準確。每張食物圖片重復呈現(xiàn)3次， 共216個試次， 連續(xù)試次中圖片呈現(xiàn)順序隨機。對于每個試次， 首先出現(xiàn)500 ms的注視點， 接著屏幕中央呈現(xiàn)食物圖片， 被試通過按鍵（d， f， j， k）來表明他們對該食物的選擇偏好（非常不想要， 不想要， 想要， 非常想要）， 按鍵順序在被試間平衡。這種評級方式能夠區(qū)分被試是否愿意選擇食物（是/否）以及選擇偏好的強度（強/弱）。被試做出反應后（或在4 s內沒有做出反應）呈現(xiàn)空屏1～2 s， 隨即進入下一個試次。試次內流程見圖2。整個實驗分為15個block， 每個block包含15個試次， 最后一個block內包含6個試次。被試每完成一個block均可休息一段時間。在正式實驗開始前， 被試完成了6個練習試次以了解實驗要求并熟悉按鍵位置。

2.4" 數(shù)據(jù)記錄與處理

2.4.1" 腦電記錄與處理

基于MATLAB EEGLAB工具箱（Delorme amp; Makeig， 2004）分析離線EEG數(shù)據(jù)。首先將腦電數(shù)據(jù)采樣率降至500 Hz， 隨后進行0.5 Hz的高通濾波和35 Hz的低通濾波。根據(jù)實驗過程中的記錄以及肉眼識別連續(xù)數(shù)據(jù)的方式識別壞導、插值壞導， 并在排除壞導和眼電導聯(lián)后將連續(xù)數(shù)據(jù)轉換為全腦平均參考。在剔除EEG數(shù)據(jù)中的高頻肌電、心電活動等偽跡試次后， 使用獨立成分分析（Independent Components Analysis， ICA）矯正眼動偽跡。采取兩種分段方式， 刺激鎖時分段為目標刺激呈現(xiàn)前200 ms至呈現(xiàn)后2000 ms， 基線矯正時段為?200 ms至0 ms; 反應鎖時分段為反應前1500 ms至后700 ms， 基線矯正時段為500 ms到700 ms。對分段數(shù)據(jù)以 ± 80 μV作為絕對閾值進行自動去噪。在此過程中， 刪除試次去噪率高于30%的被試數(shù)據(jù)（n = 3）， 剩余被試31名（8名男性， 23名女性， 平均年齡為21.2 ± 1.92歲， 平均BMI為21.70 ± 3.44， 平均饑餓度為4.03 ± 0.31）。

當前研究主要關注三個ERP成分：N300、N400與CPP。鑒于審美經(jīng)驗通常涉及從環(huán)境中提取意義（Bara et al.， 2022）， 本研究在語義認知框架內探討飲食決策中審美意義的積累。以往研究表明， N400成分對包含物體感知在內的語言與非語言刺激的違規(guī)效應敏感（Lauer et al.， 2021）。例如， 當食物真實味覺與視覺呈現(xiàn)所誘發(fā)的味覺預期不一致（vs.一致）時， 會導致顯著更高的負性偏轉N400 （Domracheva amp; Kulikova， 2020）， 驗證了N400在表征食物的跨通道概念信息方面的潛力; 此外， 在對其它意義刺激的識別任務中， 當先前重復暴露使當前刺激的語義處理更容易時， N400振幅更低， 表明N400對概念加工流暢性敏感（Voss amp; Paller， 2006， 2007）。因此， N400與意義加工、概念表征以及基于上下文的信息檢索有關， 并能通過加工流暢性調制振幅高低。N300在功能意義上部分與N400重合， 是與語義期望和識別過程相關的較早期負性偏轉， 并對有意義刺激的識別難度敏感（Lauer et al.， 2018）。最新一項研究表明， N300和N400可能反映了相同皮層基底所映射的連續(xù)過程上不同的認知計算時段（Draschkow et al.， 2018）。根據(jù)以往研究， 物體識別 N300以及意義處理與整合N400具有較多的枕葉分布（Huang et al.， 2010; Kutas amp; Federmeier， 2011; Truman amp; Mudrik， 2018）。因此， 在現(xiàn)有文獻基礎上， 根據(jù)廣義平均波形圖和全腦地形圖分布， 在刺激呈現(xiàn)后枕葉電極團（PO3、PO4、POz、O1、O2、Oz） 380～500 ms間提取N400平均振幅。此外， 在相同腦區(qū)較早時間窗（240～320 ms）提取N300的平均振幅進行分析。N300/N400全導聯(lián)包絡圖見圖3A。

不同于一般的ERP成分， CPP表征漸進信號， 隨感覺證據(jù)的累計輸入增加， 并在接近決策執(zhí)行時達到峰值。這種漸進上升到閾值的活動能量與刺激特征以及運動準備無關（O'Connell et al.， 2012）， 而與DDM中的漂移率v類似， 因此可以跟蹤決策的證據(jù)積累過程（Steinemann et al.， 2018）。此外， 鎖時到反應的CPP活動與決策證據(jù)的強度有關， 當決策相關的證據(jù)更弱時， CPP活動更大。因此， CPP也作為反映價值決策難度的潛在指標（Fr?mer et al.， 2023）。借鑒O'Connell等人（2012）的研究， 通過數(shù)據(jù)驅動確定CPP所在時窗。即以反應前1000 ms為起點， 以反應執(zhí)行（0ms）為終點， 在每100 ms的移動窗口中， 以10 ms為單位， 計算每位被試在Pz電極處平均波形活動的時間斜率。信號積累率即每個滑動窗口內Pz電極捕獲的未過濾信號的直線斜率， 隨后通過mne.stats.permutation_t_test實施單尾permutation t 檢驗， 并進行5000次迭代計算， 以確定在所有被試中與0有顯著正向差異的信號積累率， 這可以表明CPP活動正在加速。計算所得加速積累的CPP信號從反應前450 ms處開始， 到反應前10 ms處結束， 且每個自變量條件下CPP時間窗不完全一致， 取累加信號積累率作為當前研究中計算的CPP值（Steinemann et al.， 2018）。CPP全導聯(lián)包絡圖見圖3B。

2.4.2" 建模數(shù)據(jù)預處理

剔除了腦電任務中EEG數(shù)據(jù)偽跡過多（ICA去除偽跡后， 以80 μV為絕對閾值且去噪率仍超過30%）的3名被試， 剩余31名被試的反應時和選擇數(shù)據(jù)被納入決策建模。由于DDM僅接受二元反應的變量輸入， 將選擇數(shù)據(jù)劃為二分變量：1-想吃、非常想吃; 0-不想吃、非常不想吃。使用了漂移擴散模型的貝葉斯變式——層級漂移擴散模型（HDDM）——進行決策建模。HDDM利用貝葉斯算法估計模型參數(shù)， 具有更高的估計可靠性（Vandekerckhove et al.， 2011）; 此外， HDDM通過計算群體層面的超參數(shù)以約束個體差異對決策參數(shù)估計的影響（Regenbogen et al.， 2016）; 另外， 為了控制噪音， HDDM根據(jù)參數(shù)特征匹配算法， 通過似然函數(shù)分別整合漂移率、非決策時間以及反應偏差的變異， 從而使決策參數(shù)的估計更加精確、穩(wěn)定（Ratcliff amp; Tuerlinckx， 2002）?？紤]到審美體驗的主觀性， 選擇HDDM控制個體差異對參數(shù)估計導致的額外影響。最后， 分別以無變量、熱量、審美特征、熱量×審美特征為參數(shù)估計的依賴條件構建HDDM， 旨在通過模型比較確定對飲食決策過程最具解釋力的變量組合。具體而言， 利用偏差信息量準則（Deviance Information Criterion， DIC）對擬合的上述模型進行比較。一般而言， DIC越低， 模型擬合度越高; 當DIC的差異大于10時， 說明兩個模型的擬合度差異顯著（Spiegelhalter et al.， 2002）。本研究借助Python 3.8

圖3" 所有試次、所有被試（n = 31）的刺激鎖時（A）與反應鎖時（B）的廣義平均波形。線條顏色代表不同電極點， 峰值活動時間點的頭皮拓撲圖繪制在波形圖上方。彩圖見電子版， 下同的HDDM 0.8 package （Wiecki et al.， 2013）完成模型數(shù)據(jù)分析。其中， 設定“想要”為決策的上邊界（漂移率為正）， 而將“不想要”設為下邊界（漂移率為負）。另外， 由于所有試次中刺激均為隨機呈現(xiàn)， 被試不太可能事先做出預測并確定反應偏好， 因此， 設定反應偏差z = 0.5， 即決策上下邊界的中點。使用蒙特卡洛馬爾科夫鏈擬合（Monte-Carlo Markov Chain simulation， MCMC）與梯度上升優(yōu)化以估計參數(shù)a-posteriori的模型后驗分布; 抽取11000個樣本， 并舍棄前1000個數(shù)值以穩(wěn)定模型（Hajihosseini amp; Hutcherson， 2021）。為了進行模型的收斂性分析， 對每個模型重復擬合了5次， 將最終擬合值納入分析（Wiecki et al.， 2013）。Gelman-Rubin R?值被選作模型收斂性估計的量化指標（Gelman amp; Rubin， 1992）。R?值越接近于1， 不同分布的樣本估計值之間的差異越小， 模型越可靠。

2.4.3" 行為數(shù)據(jù)預處理

與決策建模相同， 剔除了腦電任務中因EEG數(shù)據(jù)偽跡過多的3名被試， 剩余31名被試的行為數(shù)據(jù)剔除標準為：（1）未反應; （2）反應時低于0.15或高于M + 3 SD; （3）選擇數(shù)據(jù)在M ± 3 SD以外。經(jīng)預處理后， 剩余有效試次量為6657。

2.5" 統(tǒng)計方法

以食物熱量（高、低）和審美特征（古典美、表現(xiàn)美）為自變量， 分別以決策任務中的行為表現(xiàn)指標（選擇率）、ERP成分（N300、N400平均振幅值， CPP）、決策參數(shù)變量（漂移率v、決策閾值a、非決策時間t）為因變量， 進行兩因素重復測量方差分析， 顯著性水平為0.05， 以ηp2作為效應大小的衡量標準， 事后比較均報告Bonferroni校正值。此外， 為了確定熱量和審美對食物選擇率的相對貢獻差異， 以熱量和審美作為固定因子， 以被試ID作為隨機因子， 以食物的二元選擇（0， 1）作為預測因子， 構建了廣義線性混合模型（Generalized Linear Mixed Models， GLMM）。隨后， 使用Wald檢驗進一步分析熱量和審美價值的β系數(shù)差異。最后， 為了評估各個自變量處理水平下證據(jù)積累的方向， 計算了漂移率后驗分布大于0或小于0的概率（Wiecki et al.， 2013）。， 當漂移率為正時， 表明被試積累與“接受”決策相關的證據(jù); 相反， 則積累與“拒絕”決策相關的證據(jù)（Ratcliff amp; McKoon， 2008）。如果后驗分布不等于0的概率超過95%， 則認為被試穩(wěn)定的向某個決策方向積累證據(jù)。本研究中所有統(tǒng)計分析在SPSS 27.0和Python 3.8的HDDM 0.8以及R 4.3的lme4 1.1中進行， 且當前所有分析數(shù)據(jù)及實驗程序已上傳至開放科學框架OSF （https：//osf.io/7vjfp/）。

3" 結果

3.1" 行為結果

對選擇模式的逐試次分析發(fā)現(xiàn)， 高熱量古典美總是對應較積極的選擇意愿， 而被試對低熱量表現(xiàn)美的選擇意愿最低（見圖4A）; 進一步對食物選擇率進行兩因素重復測量方差分析， 結果表明， 審美特征對選擇率影響的主效應顯著， F（1， 30） = 18.55， p lt; 0.001， ηp2 = 0.38， 古典美擺盤的選擇率高于表現(xiàn)美學（M古典 = 0.59 vs. M表現(xiàn) = 0.52）; 熱量的主效應也顯著， F（1， 30） = 25.90， p lt; 0.001， ηp2 = 0.46， 高熱量食物選擇率顯著高于低熱量（M高熱量 = 0.63 vs. M低熱量 = 0.48）。此外， 食物熱量和審美特征的交互效應顯著（見圖4B）， F（1， 30） = 6.37， p = 0.017， ηp2 = 0.108。簡單效應分析表明， 無論是高熱量食物還是低熱量食物， 古典美擺盤都會引發(fā)更多的食物選擇， 即食物趨近反應。具體而言， 對于高熱量食物， 被試更愿意選擇古典美（vs.表現(xiàn)美）擺盤（M古典 = 0.68; M表現(xiàn) = 0.58）， t（30） = 5.29， p lt; 0.001， Cohen’s d = 0.95， 95% CI = [0.52， 1.37]; 對于低熱量食物， 古典美擺盤的選擇率也顯著高于表現(xiàn)美（M古典 = 0.50; M表現(xiàn) = 0.46）， t（30） = 2.29， p = 0.029， Cohen's d = 0.41， 95% CI = [0.04， 0.78]。

此外， 在總試次數(shù)據(jù)基礎上， 使用GLMM分析的結果進一步表明， 熱量價值對食物選擇的影響顯著， 低熱量相比高熱量顯著降低了食物選擇率， β熱量 = ?0.60， z（6654） = ?11.57， p lt; 0.001; 95% CI = [ ?0.70， ?0.50]; 此外， 審美價值對食物選擇的影響也顯著， 表現(xiàn)美相比于古典美顯著降低了食物選擇率， β審美 = ?0.31， z（6654） = ?5.97， p lt; 0.001; 95% CI = [ ?0.41， ?0.21]。對審美價值和熱量價值β系數(shù)差異的Wald檢驗結果表明， 熱量價值對食物選擇的影響顯著高于審美價值， χ2（1） = 16.27， p lt; 0.001在不同選擇模式上， 分析了條件間的反應時中位數(shù)， 發(fā)現(xiàn)極端選擇意愿（非常不想要/非常想要）對應的反應時均較低（見圖4C）; 對反應時數(shù)據(jù)進行了進一步的重復測量方差分析。結果表明， 審美特征對反應時的主效應顯著， F（1， 30） = 18.41， p lt; 0.001， ηp2 = 0.38， 古典美擺盤的反應速度快于表現(xiàn)美（M古典 = 1.19 vs. M表現(xiàn) = 1.27）; 此外， 熱量的主效應也顯著， F（1， 30） = 9.04， p = 0.005， ηp2 = 0.23， 對高熱量食物的反應速度顯著高于低熱量（M高熱量 = 1.19 vs. M低熱量 ="圖4" 食物熱量與擺盤美學的描述性統(tǒng)計值。A）不同條件下不同食物選擇模式的總試次分布; B）不同條件下食物選擇率均值; C）不同條件下不同食物選擇模式所對應的反應時中位數(shù); D）不同條件下的反應時均值。注：誤差棒為SE， ***為p lt; 0.001， **為p lt; 0.01， *為p lt; 0.051.24）。此外， 食物熱量和審美特征的交互效應顯著（見圖4D）， F（1， 30） = 7.99， p = 0.008， ηp2 = 0.21。簡單效應分析表明， 對于高熱量食物而言， 對古典美擺盤的反應速度顯著快于表現(xiàn)美（M古典 = 1.15; M表現(xiàn) = 1.23）， t（30） = ?4.95， p lt; 0.001， Cohen's d = ?0.89， 95% CI = [?0.30， ?0.47]; 對于低熱量食物， 兩者的反應速度差異不顯著（M古典 = 1.22; M表現(xiàn) = 1.23）， t（30） = ?1.62， p = 0.70。

3.2" HDDM

3.2.1" 模型收斂與比較

根據(jù)對決策閾值參數(shù)a收斂相關圖的目視檢驗， 模型收斂良好。最后一百個試次的自相關性接近于0 （見圖5B）， 表明數(shù)據(jù)來自于后驗分布的獨立抽樣; 對于10000次迭代計算， 每次迭代的a估計值均未過分偏離整體分布的均值（即后驗最高概率點：1.6～1.7， 見圖5A）; 與圖5A一致， 閾值估計直方圖（見圖5C）表明估計值概率在1.6～1.7處最高， 在其他概率點較低， 表明模型收斂性良好。此外， 四個模型的Gelman-Rubin R?均接近于1 （M = 1.000006）， 即模型估計穩(wěn)健， 模型收斂性較優(yōu)。對已運行的四個HDDM （model1：熱量 ′ 審美特征; model2：熱量; model3：審美特征; model4：無）進行模型比較（見表1）。結果表明， 熱量 ′ 審美特征的模型最可靠， 即食物熱量和審美特征均影響食物選擇。

3.2.2" 模型結果

（1） 決策閾值

對決策閾值（a）的重復測量方差分析沒有發(fā)現(xiàn)任何顯著的自變量主效應及交互效應。具體而言， 熱量的主效應不顯著， F（1， 30） = 0.3， p = 0.59; 審美特征的主效應不顯著， F（1， 30） = 2.68， p = 0.11; 熱量與審美特征的交互效應不顯著， F（1， 30） = 0.05， p = 0.82。參數(shù)估計的后驗分布見圖6A， 對4個條件決策閾值的貝葉斯估計值分布幾乎重疊， 即熱量、審美特征及其交互對決策閾值的影響在統(tǒng)計學上是等價的。

（2） 非決策時間

非決策時間（t）均值為0.572， 參數(shù)估計的后驗分布見圖6B。此外， 重復測量方差分析結果表明條件間差異不顯著。具體而言， 熱量主效應不顯著， F（1， 30） = 1.67， p = 0.21; 審美特征主效應不顯著， F（1， 30） = 1.49， p = 0.23; 熱量與審美特征的交互效應不顯著， F（1， 30） = 0.95， p = 0.34。由于非決策時間在不同條件下的差異較小， 不認為其與條件間潛在的心理過程差異相聯(lián)系。

（3） 漂移率

重復測量方差分析結果表明， 熱量對漂移率的圖5" 決策模型中代表閾值a參數(shù)的收斂相關圖。A） 所有迭代的軌跡圖（10000次， 前1100次被舍棄）; B） 擬合的最后100次迭代自相關; C） 閾值的估計直方圖， 在算法收斂的數(shù)值周圍呈正態(tài)分布。直方圖顯示了算法每次迭代的估計值頻率主效應顯著， 相比于低熱量食物， 被試對高熱量食物的決策證據(jù)積累速度更快（M高熱量 = 0.37 vs. M低熱量 =" ? 0.11）， F（1， 30） = 33.65， p lt; 0.001， ηp2 = 0.53; 審美特征對漂移率的主效應也顯著， 相比于表現(xiàn)美， 古典美擺盤引起的決策速度更快（M古典 = 0.25 vs. M表現(xiàn) = 0.01）， F（1， 30） = 32.34， p lt; 0.001， ηp2 = 0.52; 此外， 審美特征與熱量的交互效應顯著， F（1， 30） = 10.11， p = 0.003， ηp2 = 0.26。簡單效應分析（見圖6D）表明， 對于高熱量食物， 被試對古典美（vs.表現(xiàn)美）擺盤的決策速度更快（M古典 = 0.53; M表現(xiàn) = 0.20）， t（30） = 6.27， p lt; 0.001， Cohen's d = 1.14， 95% CI = [0.22， 0.43]。相反， 對于低熱量食物， 被試對表現(xiàn)美（vs.古典美）擺盤的決策速度更快（M古典 = ? 0.04; M表現(xiàn) = ? 0.19）， t（30） = 2.98， p = 0.03， Cohen's d = 0.54， 95% CI = [0.05， 0.25]。

3.3" 腦電結果

（1） N300

熱量對N300的主效應顯著， 相比于高熱量食物， 低熱量食物誘發(fā)更大的N300振幅（M高熱量 = ?0.91 vs. M低熱量 = ?1.16）， F（1， 30） = 9.64， p = 0.004， ηp2 = 0.24， 見圖7A。然而， 審美特征對N300的主效應不顯著， F（1， 30） = 1.43， p = 0.242; 此外， 熱量與審美特征的交互效應也不顯著， F（1， 30） = 0.21， p = 0.651。

（2） N400

重復測量方差分析結果表明， 審美特征對N400的主效應顯著， 相比于古典美擺盤， 表現(xiàn)美擺盤誘發(fā)更大的N400振幅（M古典美 = ? 2.11 vs. M表現(xiàn)美 = ? 2.31）， F（1， 30） = 8.17， p = 0.008， ηp2 = 0.21; 見圖7B。然而， 熱量對N400的主效應不顯著， F（1， 30） = 1.28， p = 0.27; 此外， 熱量與審美特征的交互效應也不顯著， F（1， 30） = 0.27， p = 0.61。

（3） CPP

熱量與審美特征對CPP的主效應均不顯著， F熱量 （1， 30） = 1.25， p = 0.27; F美學 （1， 30） = 0.01， p = 0.92。然而， 熱量與審美特征的交互效應在CPP上顯著（見圖7C）， F （1， 30） = 9.38， p = 0.005， ηp2 = 0.24。簡單效應分析（見圖7D）表明， 對于高熱量食物， 被試對古典美（vs.表現(xiàn)美）擺盤的決策信號積累率更低（M古典 = 70.37; M表現(xiàn) = 179.69）， t（30） = ? 3.2， p = 0.003， Cohen's d = ? 0.58， 95% CI = [? 0.95， ? 0.19]。相反， 在低熱量食物條件下， 被試對古典美和表現(xiàn)美擺盤的信號積累率統(tǒng)計上差異并不顯著（M古典 = 222.84; M表現(xiàn) = 120.66）， t（30） = 1.73， p = 0.09。

4" 討論

本研究使用價值決策范式， 通過分離計算模型參數(shù)與腦電指標來探究審美價值計算的內在機制、審美價值對熱量價值的調節(jié)效應及其認知與神經(jīng)過程基礎。研究發(fā)現(xiàn)古典美（vs. 表現(xiàn)美）能夠提高食物選擇率， 具有更高的審美價值。高審美價值導致更大的決策漂移率（v）以及更低的N400振幅; 審美調節(jié)食物的獎賞價值， 高審美價值能夠提高熱量的獎賞價值并提高食物選擇率， 而低審美價值則導致更大的熱量獎賞價值折扣并降低食物選擇率。然而， 熱量獎賞價值的突顯性高于審美， 且熱量信息的認知神經(jīng)處理相對更早（240～320 ms）; 最后， 在飲食決策中， 熱量價值與審美價值的協(xié)同與競爭效應發(fā)生在決策證據(jù)積累過程中， 影響決策漂移率（v）以及與決策相關神經(jīng)信號強度（CPP）。

4.1" 審美價值的計算依據(jù)與內在機制

當前研究表明， 與表現(xiàn)美相比， 古典美導致更大的食物選擇偏好， 即對于食物擺盤設計而言， 古典美具有更高的審美價值。模型參數(shù)分析表明， 古典美比表現(xiàn)美的漂移率更大。一般來說， 漂移率代表單位時間內累積的平均證據(jù)量， 是決策任務難度或個體信息處理能力的指標（Forstmann et al.， 2016）。因此， 當前結果表明被試對古典美（vs.表現(xiàn)美）設計的決策證據(jù)積累速度更快， 即被試更容易從古典美的視覺擺盤中提取和處理食物的價值信息。這一參數(shù)結果與電生理指標N400的結果模式相對應， ERP分析表明， 古典美誘發(fā)的N400振幅更低， 表明被試對古典美視覺擺盤食物的意義加工更流暢， 而表現(xiàn)美則誘發(fā)了更大的語義違規(guī)效應， 被試計算和處理表現(xiàn)美擺盤食物價值信息的難度更大。以往研究認為， 對刺激對象審美價值的評估根圖7" 刺激鎖時與反應鎖時ERP波形圖與不同條件在CPP上的描述性統(tǒng)計。A）刺激鎖時枕葉皮層電極團的N300成分波形圖及其對應地形圖， 圖下橫線代表N300時間窗， 圖右上方為局部放大的N300時間窗波形圖; B） 刺激鎖時枕葉皮層電極團的N400成分波形圖及其對應地形圖， 圖下橫線代表N400時間窗， 圖右上方為局部放大的N400時間窗波形圖; C） 反應鎖時Pz點波形圖， 波形圖下橫線代表不同條件信號積累加速的時間窗; D）各條件在CPP上的均值。注：HC為高熱量古典美; HE為高熱量表現(xiàn)美; LC為低熱量古典美; LE為低熱量表現(xiàn)美， 誤差棒為SE， **為p lt; 0.01

植于該對象能否滿足人們的內穩(wěn)態(tài)需求， 更有用的審美組織形式意味著更高的審美價值（Brown et al.， 2011）。在自然界中， 古典美的設計特征（即， 秩序， 對稱， 平衡， 和模式重復）往往作為衡量遺傳質量的重要指標， 表征體征美、發(fā)育穩(wěn)定和基因優(yōu)良（Thornhill amp; M?ller， 2007）。此外， 食物感官營銷的相關研究也證實了古典美與食物安全、健康、營養(yǎng)等功能價值相關（Hagen， 2021; Liu et al.， 2023）。古典美能夠通過提示食物來源的安全性以提高食物對象的質量評價、滿足飲食相關的自我平衡需求， 從而獲得更高的審美價值。相反， 表現(xiàn)美作為一種人造美學， 以藝術、復雜與新穎作為設計原則， 主要通過滿足人們的社會需求（例如， 自我表達、建立關系等）而被賦予獎賞價值（Brown et al.， 2011）。由于當前研究主要關注日常熟悉餐食的快速選擇及非社會性進食環(huán)境， 表現(xiàn)美可能因為無法滿足被試對食物的基本需求而導致更低的審美價值。總之， 當前研究表明食物審美價值的高低取決于該視覺組織形式能否傳遞與飲食需求滿足相關的信息線索。

此外， 進化壓力塑造了大腦對生存優(yōu)勢相關信息迅速處理的能力， 且大腦網(wǎng)絡對自然場景中的圖像信息處理更為流暢（Grzywacz amp; Aleem， 2022）。事實上， 在自然界中迅速識別和處理食物信息能夠最大程度降低覓食行為的心理成本， 提升能量獲取效率并提高生存適應性（de Vries et al.， 2020）。如前所述， 高審美價值意味著該食物的視覺組織形式能夠滿足身體平衡需求從而傳遞生存優(yōu)勢信息。因而導致較為流暢的神經(jīng)信息處理與決策證據(jù)加工， 即更低的N400振幅和更高的決策漂移率。表明被試能夠在較低認知資源投入的神經(jīng)生理學背景下迅速積累食物意義的價值信號。相反， 低審美價值導致相對更高的N400振幅， 一方面是因其難以滿足人們對食物功能的基本需求從而攜帶更低的生存優(yōu)勢信息; 另一方面， 該視覺設計的復雜性與新穎性加大了食物意義信息的提取難度， 從而導致了概念加工的低流暢性。總之， 當前研究表明審美價值以意義處理和加工流暢性為其計算依據(jù)。

4.2" 審美價值對熱量價值的調節(jié)效應及其認知神經(jīng)過程基礎

當前研究發(fā)現(xiàn)審美價值能夠調節(jié)熱量對食物選擇率的影響。具體來說， 對于高熱量食物而言， 表現(xiàn)美（vs. 古典美）降低了食物的選擇率; 而對于低熱量食物而言， 古典美（vs. 表現(xiàn)美）則提高了食物選擇率。即表現(xiàn)美增加了高熱量食物獎賞價值折扣， 而古典美顯著提高了低熱量食物的價值估計。此外， 對漂移率的后驗分布概率檢驗表明， 對低熱量食物而言， 古典美（vs.表現(xiàn)美）降低了被試積累“拒絕”決策相關的證據(jù)的概率; 對高熱量食物而言， 表現(xiàn)美（vs.古典美）則降低了被試積累“接受”決策相關的證據(jù)的速度。從而進一步驗證了審美價值對熱量獎賞價值加工的調節(jié)作用。然而， 雖然審美價值能夠調節(jié)熱量對食物選擇和決策加工過程的影響， 但當前研究發(fā)現(xiàn)， 熱量對飲食決策的影響顯著大于審美， 且熱量信息的神經(jīng)處理時間（240～320 ms）早于審美意義整合（380～500 ms）， 表明熱量價值的突顯性高于視覺審美， 被試對食物熱量具有相對更高的檢測敏感度和價值分配權重。質量感知的線索利用理論（Olson amp; Jacoby， 1972）認為， 人們利用各種內在和外在信息線索來評估產(chǎn)品（本研究中為食物）質量。其中， 內在線索是評估對象本身固有的， 例如， 能量、熱量、質地等; 而外在線索則是與評估對象相關但非其物理組成部分的要素， 例如， 標簽、包裝、營銷信息、擺盤設計等。內外線索都可以影響人們對食物的價值預期， 并決定他們對體驗質量的判斷。然而， 內在線索比外在線索更具診斷性， 外在線索對基于食物內在線索的價值判斷起調節(jié)作用（Chonpracha et al.， 2020）。因此， 對于食物價值評估而言， 作為內在線索的熱量信息比作為外在線索的審美信息更重要， 從而導致相對更高的決策權重以及更早的意義處理與加工。

模型與腦電結果提供了審美與熱量價值的動態(tài)作用是如何在決策過程中展開的認知與神經(jīng)生理學證據(jù)。當前研究發(fā)現(xiàn)， 審美對熱量價值的調節(jié)發(fā)生在決策的信息處理階段， 影響決策證據(jù)積累速度（v）以及決策相關的大腦神經(jīng)信號強弱（CPP）。如前所述， 高熱量（vs.低熱量）以及古典美（vs.表現(xiàn)美）導致更高的食物選擇率， 相對而言， 低熱量（vs.高熱量）和表現(xiàn)美（vs.古典美）引起的食物拒絕率更高。而當熱量價值和審美價值方向相同時（即高熱量食物以古典美擺盤或低熱量食物以表現(xiàn)美擺盤）， 與方向不一致時相比（即高熱量食物以表現(xiàn)美擺盤或低熱量食物以古典美擺盤）， 被試的漂移率（v）更高， 即證據(jù)積累速度更快; 同時， 決策神經(jīng)信號積累（CPP）更大， 即決策難度更低。這一結果模式與趨避沖突條件下的決策過程相同。例如， Garcia-Guerrero等人（2023）通過兩項鼠標追蹤實驗發(fā)現(xiàn)， 決策的趨避沖突越大， 鼠標響應越慢、軌跡偏轉越大、決策前動搖越多; 此外， 根據(jù)Choi等人（2022）的研究， 決策沖突會導致更謹慎的應對策略， 即通過犧牲決策速度來換取選擇的安全性。因此， 在飲食決策中， 當熱量價值和審美價值方向不一致（vs.一致）時， 被試將體驗到更高的趨避沖突， 此時決策難度更高、證據(jù)積累速度更慢。換言之， 審美/熱量價值的高低均能誘發(fā)食物的接近與回避動機， 兩者價值方向的協(xié)同（一致）與競爭（不一致）反映了決策趨避沖突的強弱， 并導致決策速度與決策難度的動態(tài)變化。

4.4" 研究創(chuàng)新與局限

本研究首次在相同美感的前提下， 驗證了食物擺盤的不同審美特征具有相異的審美價值， 表明對于日常熟悉食物的選擇而言， 古典美比表現(xiàn)美具有更高的審美價值， 拓展了食物呈現(xiàn)美學的研究邊界。此外， 本研究驗證了擺盤審美價值作為一項低成本且有效的健康飲食助推策略的潛力——通過調節(jié)熱量的獎賞價值作用于更健康的飲食選擇。具體而言， 古典美能夠提升食物的價值評估， 從而提高低熱量食物的選擇率; 相反， 表現(xiàn)美能夠降低食物熱量的獎賞價值， 從而抑制對高熱量食物的選擇。同時， 這種調節(jié)不以犧牲食物視覺美感為代價。最重要的是， 本研究通過多模態(tài)數(shù)據(jù)， 結合計算建模與EEG技術， 首次探討了審美價值的計算機制， 表明流暢的信息處理與意義加工是審美價值評估的內在基礎。以往研究認為， 進化塑造了人類高效獲取能量的食物搜索能力（de Vries et al.， 2020）， 當前研究進一步表明， 有利于增強這種食物搜索能力的視覺組織形式可能是偏好產(chǎn)生的內在前提。未來研究可以探索影響食物價值處理效率或流暢性的跨通道信息是否也能調節(jié)食物選擇偏好， 從而有利于助推健康飲食選擇。此外， 本研究首次探討了審美價值對飲食決策過程的作用機制， 表明審美價值的調節(jié)效應發(fā)生在決策信息處理階段， 影響決策價值計算的速度與難度?；诖?， 本研究提供了審美價值對健康飲食決策結果與過程影響的全面理解。

當前研究存在一些局限性。首先， 由于實際條件限制， 本研究未引入決策激勵兼容策略， 這在一定程度上可能會影響被試食物選擇的準確性。此外， 由于審美特征的操縱難度， 本研究中使用的食物圖像取自網(wǎng)絡圖庫而非標準化圖庫， 因此缺乏食物的實際熱量值測量。高、低熱量分組是基于預實驗被試主觀評價的結果， 未來研究可以在依據(jù)食物實際熱量分組的背景下再次驗證本研究結論的穩(wěn)健性。另外， 受限于有效實驗材料的數(shù)量， 當前研究的試次量偏小， 雖然不會影響當前主要的研究發(fā)現(xiàn)， 但可能無法充分揭示審美價值對食物選擇的潛在影響， 未來研究應在擴大實驗材料數(shù)量的基礎上進一步深入分析。最后， 當前研究未能實現(xiàn)性別比例平衡， 可能會在一定程度上影響本研究結論。尤其當考慮熱量對食物選擇影響的性別差異時（Heiman amp; Lowengart， 2014）， 在廣泛的消費群體中推廣本研究結論還需謹慎。

5" 結論

（1）在飲食決策中， 古典美（vs. 表現(xiàn)美）具有相對更高的審美價值; 審美價值計算的直接依據(jù)在于視覺組織形式能否滿足個體的飲食需求; 其內在認知神經(jīng)基礎在于意義處理的流暢性;

（2）審美價值能夠調節(jié)熱量的獎賞價值。高審美價值提高熱量的獎賞價值， 低審美價值則提高熱量獎賞價值折扣; 熱量價值的突顯性高于審美， 具有相對更高的信息檢測敏感度和決策價值分配權重;

（3）熱量價值與審美價值的協(xié)同與競爭效應發(fā)生在決策證據(jù)積累過程中， 反映動機沖突強度， 并影響決策速度（v）和決策難度（CPP）。

參" 考" 文" 獻

Bara， I.， Binney， R. J.， Ward， R.， amp; Ramsey， R. （2022）. A generalised semantic cognition account of aesthetic experience. Neuropsychologia， 173， 108288. https：//doi. org/10.1016/j.neuropsychologia.2022.108288

Berthoud， H. -R. （2012）. The neurobiology of food intake in an obesogenic environment. The Proceedings of the Nutrition Society， 71（4）， 478?487. https：//doi.org/10.1017/ s0029665112000602

Brown， S.， Gao， X.， Tisdelle， L.， Eickhoff， S. B.， amp; Liotti， M. （2011）. Naturalizing aesthetics： Brain areas for aesthetic appraisal across sensory modalities. NeuroImage， 58（1）， 250?258. https：//doi.org/10.1016/j.neuroimage.2011.06.012

Cadario， R.， amp; Chandon， P. （2020）. Which healthy eating nudges work best？ A meta-analysis of field experiments. Marketing Science， 39（3）， 459?465. https：//doi.org/10. 1287/mksc.2018.1128

Casey， T. W.， amp; Poropat， A. （2014）. Beauty is more than screen deep： Improving the web survey respondent experience through socially-present and aesthetically-pleasing user interfaces. Computers in Human Behavior， 30， 153?163. https：//doi.org/10.1016/j.chb.2013.08.001

Chang， S. -H.， Chih， W. -H.， Liou， D. -K.， amp; Hwang， L. -R. （2014）. The influence of web aesthetics on customers’ PAD. Computers in Human Behavior， 36， 168?178. https：//doi. org/10.1016/j.chb.2014.03.050

Choi， E. A.， Husi?， M.， Millan， E. Z.， Gilchrist， S.， Power， J. M.， Bressel， P. J. -R.， amp; McNally， G. P. （2022）. A corticothalamic circuit trades off speed for safety during decision-making under motivational conflict. Journal of Neuroscience， 42（16）， 3473?3483. https：//doi.org/10.1523/ JNEUROSCI.0088-22.2022

Chonpracha， P.， Ardoin， R.， Gao， Y.， Waimaleongoraek， P.， Tuuri， G.， amp; Prinyawiwatkul， W. （2020）. Effects of intrinsic and extrinsic visual cues on consumer emotion and purchase intent： A case of ready-to-eat salad. Foods， 9（4）， 396. https：//doi.org/10.3390/foods9040396

Cornil， Y.， amp; Chandon， P. （2016）. Pleasure as an ally of healthy eating？ Contrasting visceral and Epicurean eating pleasure and their association with portion size preferences and wellbeing. Appetite， 104， 52?59. https：//doi.org/10. 1016/j.appet.2015.08.045

de Vries， R.， Morquecho-Campos， P.， de Vet， E.， de Rijk， M.， Postma， E.， de Graaf， K.， Engel， B.， amp; Boesveldt， S. （2020）. Human spatial memory implicitly prioritizes high-calorie foods. Scientific Reports， 10（1）， 1?6. https：//doi.org/10. 1038/s41598-020-72570-x

Delorme， A.， amp; Makeig， S. （2004）. EEGLAB： An open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. Journal of Neuroscience Methods， 134（1）， 9?21. https：//doi.org/10.1016/j.jneumeth. 2003.10.009

Deng， L.， amp; Poole， M. S. （2012）. Aesthetic design of e-commerce web pages—webpage complexity， order and preference. Electronic Commerce Research and Applications， 11（4）， 420?440. https：//doi.org/10.1016/j.elerap.2012.06.004

Domracheva， M.， amp; Kulikova， S. （2020）. EEG correlates of perceived food product similarity in a cross-modal taste-visual task. Food Quality and Preference， 85， 103980. https：//doi.org/10.1016/j.foodqual.2020.103980

Draschkow， D.， Heikel， E.， V?， M. L. -H.， Fiebach， C. J.， amp; Sassenhagen， J. （2018）. No evidence from MVPA for different processes underlying the N300 and N400 incongruity effects in object-scene processing. Neuropsychologia， 120， 9?17. https：//doi.org/10.1016/j.neuropsychologia.2018.09.016

Forstmann， B. U.， Ratcliff， R.， amp; Wagenmakers， E. -J. （2016）. Sequential sampling models in cognitive neuroscience： Advantages， applications， and extensions. Annual Review of Psychology， 67（1）， 641?666. https：//doi.org/10.1146/ annurev-psych-122414-033645

Fr?mer， R.， Nassar， M.， Ehinger， B.， amp; Shenhav， A. （2023）. Common neural choice signals emerge artifactually amidst multiple distinct value signals. BioRxiv， https：//doi.org/ 10.1101/2022.08.02.502393

Garcia-Guerrero， S.， O’Hora， D.， Zgonnikov， A.， amp; Scherbaum， S. （2023）. The action dynamics of approach-avoidance conflict during decision-making. Quarterly Journal of Experimental Psychology， 76（1）， 160?179. https：//doi.org/ 10.1177/17470218221087625

Gelman， A.， amp; Rubin， D. B. （1992）. Inference from iterative simulation using multiple sequences. Statistical Science， 7（4）， 457?472. https：//doi.org/10.1214/ss/1177011136

Grzywacz， N. M.， amp; Aleem， H. （2022）. Does amount of information support aesthetic values？ Frontiers in Neuroscience， 16， 805658. https：//doi.org/10.3389/fnins.2022.805658

Hagen， L. （2021）. Pretty healthy food： How and when aesthetics enhance perceived healthiness. Journal of Marketing， 85（2）， 129?145. https：//doi.org/10.1177/0022242920944384

Hajihosseini， A.， amp; Hutcherson， C. A. （2021）. Alpha oscillations and event-related potentials reflect distinct dynamics of attribute construction and evidence accumulation in dietary decision making. eLife， 10， 1?22. https：//doi.org/10.7554/ eLife.60874

Hall， P. A. （2016）. Executive-control processes in high-calorie food consumption. Current Directions in Psychological Science， 25（2）， 91?98. https：//doi.org/10.1177/0963721415625049

Harris， A.， Hare， T.， amp; Rangel， A. （2013）. Temporally dissociable mechanisms of self-control： Early attentional filtering versus late value modulation. Journal of Neuroscience， 33（48）， 18917?18931. https：//doi.org/10.1523/JNEUROSCI. 5816-12.2013

Hassenzahl， M.， Diefenbach， S.， amp; G?ritz， A. （2010）. Needs， affect， and interactive products—Facets of user experience. Interacting with Computers， 22（5）， 353?362. https：//doi.org/ 10.1016/j.intcom.2010.04.002

Heiman， A.， amp; Lowengart， O. （2014）. Calorie information effects on consumers’ food choices： Sources of observed gender heterogeneity. Journal of Business Research， 67（5）， 964?973. https：//doi.org/10.1016/j.jbusres.2013.08.002

Hoffmann， R.， amp; Krauss， K. （2004）. A critical evaluation of literature on visual aesthetics for the web. In Proceedings of annual research conference of the South African institute of computer scientists and information technologists on IT research in developing countries. Stellenbosch， Western Cape， South Africa.

Huang， H. -W.， Lee， C. -L.， amp; Federmeier， K. D. （2010）. Imagine that！ ERPs provide evidence for distinct hemispheric contributions to the processing of concrete and abstract concepts. NeuroImage， 49（1）， 1116?1123. https：//doi. org/10.1016/j.neuroimage.2009.07.031

Jin， N. （Paul）， Goh， B.， Huffman， L.， amp; Yuan， J. J. （2015）. Predictors and outcomes of perceived image of restaurant innovativeness in fine-dining restaurants. Journal of Hospitality Marketing amp; Management， 24（5）， 457?485. https：//doi.org/10.1080/19368623.2014.915781

Krajbich， I.， Hare， T.， Bartling， B.， Morishima， Y.， amp; Fehr， E. （2015）. A common mechanism underlying food choice and social decisions. PLOS Computational Biology， 11（10）， e1004371. https：//doi.org/10.1371/journal.pcbi.1004371

Kutas， M.， amp; Federmeier， K. （2011）. Thirty years and counting： Finding meaning in the N400 component of the event- related brain potential （ERP）. Annual Review of Psychology， 62， 621?647. https：//doi.org/10.1146/annurev.psych.093008. 131123

Lauer， T.， Cornelissen， T. H. W.， Draschkow， D.， Willenbockel， V.， amp; V?， M. L. -H. （2018）. The role of scene summary statistics in object recognition. Scientific Reports， 8（1）， 14666. https：//doi.org/10.1038/s41598-018-32991-1

Lauer， T.， Schmidt， F.， amp; V?， M. L. -H. （2021）. The role of contextual materials in object recognition. Scientific Reports， 11（1）， 21988. https：//doi.org/10.1038/s41598-021- 01406-z

Lavie， T.， amp; Tractinsky， N. （2004）. Assessing dimensions of perceived visual aesthetics of web sites. International Journal of Human Computer Studies， 60（3）， 269?298. https：//doi.org/10.1016/j.ijhcs.2003.09.002

Liu， M.， Ji， S.， Jiang， B.， amp; Huang， J. （2023）. Plating for health： A cross-cultural study of the influence of aesthetics characteristics on food evaluation. International Journal of Gastronomy and Food Science， 33， 100785. https：//doi.org/ 10.1016/j.ijgfs.2023.100785

Michel， C.， Velasco， C.， Fraemohs， P.， amp; Spence， C. （2015）. Studying the impact of plating on ratings of the food served in a naturalistic dining context. Appetite， 90， 45?50. https：//doi.org/10.1016/j.appet.2015.02.030

Michel， C.， Velasco， C.， Gatti， E.， amp; Spence， C. （2014）. A taste of Kandinsky： Assessing the influence of the artistic visual presentation of food on the dining experience. Flavour， 3（1）， 1?11. https：//doi.org/10.1186/2044-7248-3-7

O'Connell， R. G.， Dockree， P. M.， amp; Kelly， S. P. （2012）. A supramodal accumulation-to-bound signal that determines perceptual decisions in humans. Nature Neuroscience， 15（12）， 1729?1735. https：//doi.org/10.1038/nn.3248

Olson， J. C.， amp; Jacoby， J. （1972）. Cue utilization in the quality perception process. ACR Special Volumes， 167?179.

Peng， Y.， amp; Jemmott， J. B. （2018）. Feast for the eyes： Effects of food perceptions and computer vision features on food photo popularity. International Journal of Communication， 12， 313?336. https：//ijoc.org/index.php/ijoc/article/view/6678

Pombo， M.， amp; Velasco， C. （2021）. How aesthetic features convey the concept of brand premiumness. Psychology amp; Marketing， 38（9）， 1475?1497. https：//doi.org/10.1002/mar. 21534

Popkin， B. M.， Adair， L. S.， amp; Ng， S. W. （2012）. Global nutrition transition and the pandemic of obesity in developing countries. Nutrition Reviews， 70（1）， 3?21. https：//doi.org/ 10.1111/j.1753-4887.2011.00456.x

Qi， D.， Penn， J.， Li， R.， amp; Roe， B. E. （2022）. Winning ugly： Profit maximizing marketing strategies for ugly foods. Journal of Retailing and Consumer Services， 64， 102834. https：//doi.org/10.1016/j.jretconser.2021.102834

Ratcliff， R.， amp; McKoon， G. （2008）. The diffusion decision model： Theory and data for two-choice decision tasks. Neural Computation， 20（4）， 873?922. https：//doi.org/10. 1162/neco.2008.12-06-420

Ratcliff， R.， amp; Tuerlinckx， F. （2002）. Estimating parameters of the diffusion model： Approaches to dealing with contaminant reaction times and parameter variability. Psychonomic Bulletin amp; Review， 9（3）， 438?481. https：//doi.org/10.3758/ BF03196302

Regenbogen， C.， Johansson， E.， Andersson， P.， Olsson， M. J.， amp; Lundstr?m， J. N. （2016）. Bayesian-based integration of multisensory naturalistic perithreshold stimuli. Neuropsychologia， 88， 123?130. https：//doi.org/10.1016/ j.neuropsychologia.2015.12.017

Robins， D.， amp; Holmes， J. （2008）. Aesthetics and credibility in web site design. Information Processing and Management， 44（1）， 386?399. https：//doi.org/10.1016/j.ipm.2007.02.003

Spiegelhalter， D. J.， Best， N. G.， Carlin， B. P.， amp; Van Der Linde， A. （2002）. Bayesian measures of model complexity and fit. Journal of the Royal Statistical Society： Series B （Statistical Methodology）， 64（4）， 583?639. https：//doi.org/10.1111/ 1467-9868.00353

Steinemann， N. A.， O’Connell， R. G.， amp; Kelly， S. P. （2018）. Decisions are expedited through multiple neural adjustments spanning the sensorimotor hierarchy. Nature Communications， 9（1）， 3627. https：//doi.org/10.1038/s41467-018-06117-0

Thornhill， R.， amp; M?ller， A. P. （2007）. Developmental stability， disease and medicine. Biological Reviews， 72（4）， 497?548. https：//doi.org/10.1111/j.1469-185X.1997.tb00022.x

Truman， A.， amp; Mudrik， L. （2018）. Are incongruent objects harder to identify？ The functional significance of the N300 component. Neuropsychologia， 117， 222?232. https：//doi.org/ 10.1016/j.neuropsychologia.2018.06.004

Vandekerckhove， J.， Tuerlinckx， F.， amp; Lee， M. D. （2011）. Hierarchical diffusion models for two-choice response times. Psychological Methods， 16（1）， 44?62. https：//doi.org/ 10.1037/a0021765

Voss， J. L.， amp; Paller， K. A. （2006）. Fluent conceptual processing and explicit memory for faces are electrophysiologically distinct. Journal of Neuroscience， 26（3）， 926?933. https：//doi.org/10.1523/JNEUROSCI.3931-05.2006

Voss， J. L.， amp; Paller， K. A. （2007）. Neural correlates of conceptual implicit memory and their contamination of putative neural correlates of explicit memory. Learning amp; Memory， 14（4）， 259?267. https：//doi.org/10.1101/lm.529807

Wiecki， T.， Sofer， I.， amp; Frank， M. （2013）. HDDM： Hierarchical Bayesian estimation of the drift-diffusion model in Python. Frontiers in Neuroinformatics， 7， 14. https：//doi.org/10. 3389/fninf.2013.00014

Zheng， L.， Miao， M.， amp; Gan， Y. （2022）. A systematic and meta-analytic review on the neural correlates of viewing high- and low-calorie foods among normal-weight adults. Neuroscience and Biobehavioral Reviews， 138， 104721. https：//doi.org/10.1016/j.neubiorev.2022.104721

Classical or expressive aesthetics： Computational and neural mechanisms

by which plating aesthetics influence healthy eating decisions

LIU Mengying1， JIANG Jingyi1， YANG Yilin1， JIANG Bo3， HUANG Jianping1，2

（1 Department of Psychology， Soochow University， Suzhou 215123， China）

（2 Jiangsu Research Centre for Aesthetic Education in Schools， Suzhou 215123， China）

（3 School of Communication， Soochow University， Suzhou 215123， China）

Abstract

The spontaneous human preference for high-calorie foods often leads to imbalanced dietary intake and contributes to obesity. Therefore， reducing the appeal of high-calorie foods and enhancing the appeal of low-calorie alternatives are crucial for promoting healthy eating. The aesthetics of food， which can be divided into classical and expressive beauty—both of which are perceived as equally attractive—play a vital role in enhancing its hedonic value. This study aimed to explore how these two aesthetic classifications affect the choice of high- or low-calorie foods using a food decision-making paradigm. By investigating the behavioural and neural mechanisms underlying the influence of different aesthetic features on healthy food choices， we sought to enhance our understanding of the intrinsic processes involved in dietary decision-making.

This study （N = 31） employed a within-subjects experimental design of 2 （Aesthetic features： classical beauty， expressive beauty） × 2 （Food calories： high， low） to explore how visual aesthetics and hedonic value influence dietary decisions. We combined behavioural measures， algorithmic modelling， and electroencephalography （EEG） to investigate this interaction. Specifically， a hierarchical drift diffusion model （HDDM） was used to fit participants' response times （RTs） and choice data and estimate decision parameters， including drift rate （v）， threshold （a）， and nondecision time （ndt）， for each condition separately. EEG recordings were collected according to the international 10-20 system using tin electrodes mounted on a flexible cap， capturing brain activity from 64 scalp locations. The N300， N400， and CPP event-related potentials （ERPs） were analysed as indices of calorie processing， aesthetic feature processing， and decision signal accumulation， respectively.

Behavioural results revealed that participants preferred high-calorie foods， as indicated by higher choice rates and shorter RTs， compared to low-calorie foods. Additionally， foods plated with classical beauty were chosen more frequently and with shorter RTs than those plated with expressive beauty. Notably， the influence of caloric content on food choice was significantly greater than that of aesthetic features. HDDM parameter estimation showed that high-calorie foods and those plated with classical beauty had higher drift rates， suggesting faster decision-making. Furthermore， aesthetic features moderated the impact of caloric content on drift rates： classical beauty decreased rejection speeds for low-calorie foods and increased their selection probability， while expressive beauty slowed the choice process for high-calorie foods and increased their rejection probability. EEG analysis revealed that low-calorie foods elicited a larger N300 amplitude than did high-calorie foods， indicating greater cognitive processing. Foods plated with expressive beauty elicited a larger N400 amplitude than those plated with classical beauty， indicating deeper semantic processing. Additionally， for high-calorie foods， the two aesthetic classes induced significant differences in CPP; however， for low-calorie foods， no significant differences were found. This pattern indicates that conflicts between caloric and aesthetic values increase decision-making difficulty.

In conclusion， the results showed that in dietary decision-making， classical beauty （vs. expressive beauty） was associated with greater aesthetic value and greater semantic processing fluency. Aesthetic value could significantly influence the perceived reward of calorie content. Additionally， the salience of calorie value exceeded that of aesthetic value. Furthermore， both synergistic and competitive interactions between caloric and aesthetic values occurred during the decision evidence accumulation process， reflecting the intensity of motivational conflict and affecting both decision speed （v） and decision difficulty （CPP）. This study revealed the moderating effect and cognitive neural basis of aesthetic value in healthy eating decisions and provided guidance on the aesthetic design of food plating for promoting healthy eating choices in practical applications.

Keywords" healthy eating， value-based decision making， aesthetic characteristics， decision modeling， event-related potentials

附錄：預實驗方法與結果

預實驗方法

預實驗共招募被試30名（10名男性， 20名女性）， 所有被試平均年齡為21.27 ± 2.34， 平均BMI為21.30 ± 3.21， 平均饑餓度為3.83 ± 0.69。經(jīng)獨立樣本t檢驗， 預實驗招募的被試特征（年齡、BMI、饑餓程度）與正式實驗保留的有效被試特征無顯著差異， 所有ts gt; 0.19， ps gt; 0.16。預實驗數(shù)據(jù)以問卷形式（Qualtrics）在線收集， 共包含兩部分評價內容。首先， 被試需要對以隨機順序呈現(xiàn)的106張食物圖片（53種食物 × 2種擺盤）進行4個項目的評價。其中， 食物的主觀熱量使用“您認為這個食物的主觀熱量如何？1-非常低， 7-非常高”單一項目測量; 此外， 食物擺盤的整體美感、古典美感和表現(xiàn)美感的測量借鑒Hagen等人（2021）的研究以及Lavie和Tractinsky （2004）對古典美和表現(xiàn)美的定義。具體而言， 食物的美感評級使用“您覺得這個食物擺盤是美觀的”、古典美感評級使用“您覺得這個食物擺盤看起來對稱、比例平衡、整齊有序”、表現(xiàn)美感評級使用“您覺得這個食物擺盤看起來新穎、復雜、富有創(chuàng)意”7點李克特測量。在預實驗的第二個部分， 同一食物兩種版本的擺盤圖片將同時呈現(xiàn)， 被試被要求對“您認為以上兩張圖片中的食物是同一食物”單一7點李克特量表進行評級 （1-非常不同意; 4-既不同意也不反對; 7-非常同意）。

操縱檢驗結果