文 |追問nextquestion

本文發表于Trends in Cognitive Sciences，批判的是那些為求曝光度，只滿足于證明特定任務下心理解碼可行的研究，指責用于大腦基礎研究或是作為探測神經活動的工具用于醫療應用的解碼技術太少。文章內容為編輯部主導，僅做交流分享，不代表天橋腦科學研究院觀點。

追問快讀：許多關于“讀心術”（mind-reading）的功能性磁共振成像論文將解碼器描述為最終產品，認為解碼器能提供神經生理的洞察，并具備現實世界的應用價值。然而，心理狀態解碼器的構建常常使得直接的生理解釋變得不可能，這削弱了解碼器可解釋性或捕捉心理狀態“表征”的說法。與解碼模型相比，基于任務的fMRI的編碼模型在計算上直接明了，更易于解釋。讀心術研究應當從單純的解碼是否成功，轉向不同實驗的參數如何影響解碼過程上，這將有助于呈現解碼器對哪些信息敏感（例如，比起方向，解碼器可能對香蕉的顏色更敏感）。

在過去的二十年中，利用功能性磁共振成像（fMRI）解碼心理和感知狀態變得越來越流行，多篇高引用的論文在高影響力的期刊中陸續出爐。然而，我們從這些解碼器中學到了什么？本文將批判性地分析基于fMRI的解碼器在神經生理學上的局限性，以及探討其在現實世界決策制定中的實用性問題。前一個問題源于解碼模型無法將神經機制與其附帶現象區分開來這一事實，后一個問題源于邏輯和倫理上的限制。構建解碼器需要寶貴的時間和資源，然而，或許這些時間和資源應該用于更有可能帶來有意義進展的科研方向。

?Vigotsky, Andrew D., Gian Domenico Iannetti, and A. Vania Apkarian. "Mental state decoders: game-changers or wishful thinking?."Trends in Cognitive Sciences(2024).

解碼模型在認知神經科學領域興起

fMRI技術通過捕捉血氧依賴性（BOLD）信號，革命性地推進了對大腦神經活動的無創監測。已發表的數千篇研究探討了BOLD信號如何在各種任務條件下變化，這些任務通常涉及刺激的時序或強度等獨立變量。編碼模型與fMRI的實驗設計相得益彰，研究人員通過這一模型，將大腦的響應視為對外部刺激的反饋，并從中推斷出局部BOLD信號變化與任務之間的聯系。

與此相對，解碼模型采用不同的分析方法，已在過去二十年中廣泛流行。解碼過程不僅在神經科學領域受到廣泛關注，工程學和信息理論領域的研究者也對此深入探討。在這里，作者僅限于討論人類fMRI的解碼應用。解碼模型利用BOLD信號推斷任務參數或心理狀態，從而徹底顛覆了標準的BOLD分析模式——它將大腦活動作為模型輸入（IV），而輸出（DV）則是任務的具體方面，如刺激屬性或感知狀態等。

鑒于編碼過程依賴于實驗中測量的fMRI信號，它被定義為“正向推理”；而解碼則是“逆向推理”。因其能夠可靠地重建任務或個體心理狀態的特定特征，解碼器常被視為近似的“讀心術”。心理狀態解碼因兩個重要的宏大主張而在人類神經影像學文獻中備受關注：一是解碼器揭示心理狀態的神經基礎；二是解碼器作為主觀體驗的客觀生物標志物，在臨床、法庭及其他領域的實際應用價值。本文中，作者將批判性地討論這些主張的實現情況。

關于編碼和解碼的大量文獻通常集中于技術細節或成果，卻往往忽視解碼器在提升神經科學認知中的潛力。本文將直接回應這些高層次的問題，指出基于fMRI的解碼器在神經生理學上的局限，并論證其在實際決策中的不適用性。

?研究人員檢查功能磁共振成像圖像，研究人員可以通過不同顏色（beta權重）看到哪些腦區被激活以及激活強度如何。圖源：Wikipedia

背景知識：解碼器的構建和評估

在傳統的fMRI實驗中，解碼器的開發始于編碼模型的建立。這一過程通過將每個體素或體素組的BOLD信號時間序列，回歸至相應的任務向量時間序列上來完成。通過這種方法，編碼模型能夠為每個任務向量生成大腦活動圖，其中每個體素或體素組通過參數估計反映其與任務相關的大腦活動。在fMRI研究文獻中，這些圖譜通常被稱作“beta圖”，它們為解碼工作提供基礎。

在這些大腦活動圖構建完成之后，它們本身或者其內部的特定感興趣區域，會被用作解碼模型的預測變量。構建這些模型的目的是回答這樣一個問題：“鑒于當前觀測到的大腦活動，我們能判斷出正在執行的任務是什么嗎？”這種預測模型即是解碼器。如果這些解碼器能夠可靠地預測任務，那么它們理應能夠適用于訓練集之外的新大腦活動數據。因此，通過在未經訓練的數據上測試這些解碼器，可以通過準確度、接收者操作特征曲線（ROC）下的面積、相關性等多種量化方法來評估其性能。

解碼器不具備揭示內在機制的價值

在構建和評估解碼器之后，通常會對解碼模型本身進行解釋，這已成為研究實踐中的常態。例如，一些研究團隊傾向于分析解碼器的結構，并對其組成部分（如體素或區域）進行假設檢驗。他們認為，可靠的預測能力能夠帶來具有更深解釋性和機制意義的發現。

在這種情況下，fMRI解碼器被認為有能力揭示心理狀態的“神經解碼”（neural codes）或“表征”。這些術語雖略顯模糊，但這種主張暗示：解碼模型的結構（包括其權重和空間排列）可能在某種程度上代表了推導出的心理狀態、行為結果或任務參數的神經過程。

如果解碼器真能揭示神經過程，那么這種洞察確實在神經生理學上極具價值，并可能允許我們從解碼發現中推導出適用于新情景的一般性原則（例如，特定大腦區域執行的計算）。然而，在這里，作者指出這種主張是不正確的，并提供多條推理和證據來界定解碼的認識論邊界。

（1）普遍認同的解碼器原則

成功的解碼器依靠BOLD活動的模式來區分心理狀態。但是，這些神經活動的模式究竟意味著什么或者捕獲了什么？一個普遍認同的解碼器原則是：“如果信息可以從神經活動的模式中被解碼出來，那么這就為這些模式所代表的信息提供了有力的證據?！北M管這一主張具有吸引力，但已有強有力的論證顯示，這一原則是錯誤的，而且成功的解碼并不能提供合理的依據來推斷用于解碼的模式。

解碼器的這一原則之所以錯誤有幾個原因，但主要是因為我們不知道正在被解碼的信息是什么。從經驗上講，這種不確定性部分源于fMRI無法在局部神經元群體水平上解析神經活動，如大腦皮層柱的大小。從理論上講，沒有理由相信解碼模型能夠捕獲神經編碼，部分是因為這些模型沒有生物學基礎或理論約束。在這一部分作者通過提供更強的經驗支持和數學語境化，對解碼器的基本原則進行了擴展和深化。

（2）解碼器的復雜性與因果推斷的局限

解碼器在進行因果推斷時顯得過于復雜。統計建模通常有兩個明確的目標：解釋和預測。解釋性模型旨在發展因果假設，而預測性模型則專注于預測新的或未來的觀測結果。值得注意的是，解釋性模型不一定依賴于實驗操作來評估因果假設，而是主要依靠理論來構建和模擬數據生成過程，包括反事實情境（例如，如果感興趣的區域[ROI]活動發生變化會怎樣）。這是可以理解的，因為解釋性模型可能難以追蹤（例如，涉及大腦中數百個ROI的復雜性），并且它們在推斷許多預測因子時需要明確地提出因果結構。

與依賴解釋性建模的解碼器相比，解碼器更傾向于進行預測性建模。解碼器預測任務的某些方面，基于大量預測因子——可能包括數十個、數百個甚至數千個，這些因子源自大腦激活數據。在不同的研究甚至同一研究的不同環節中，解碼器的應用并無統一標準。例如，一些研究更側重于評估表現最佳的模型，而非研究由幾個受限制的解釋性假設推導出的模型。由于解碼器旨在預測而不是推導理論假設，它們的預測活動嚴格關注于準確預測（例如，從大腦活動預測任務的能力），而不關心模型是否與理論或實驗設計一致。因此，預測模型的結果可能與理論和實際的數據生成機制完全不一致。

不幸的是，用于解碼的預測模型不能被因果解釋。在流行病學文獻中，將協變量不加區分地用于因果解釋被稱為“表二謬誤”，因為模型的結果通常在論文的第二張表中呈現。表二謬誤最近也在人類神經影像學的背景下被討論過。此類謬誤最初是用年齡、HIV和吸煙如何影響中風風險的例子來描述的。從多變量邏輯回歸分析來看，HIV對中風風險的影響與吸煙的影響有根本不同的解釋，因為HIV的效應可能部分地介導了吸煙的效應。這種情況可能發生在例如由于吸煙引起的免疫抑制增加了HIV風險的情況下。具體來說，HIV的參數會被視為總效應，代表HIV對中風風險的整體貢獻。相比之下，吸煙的參數將被視為直接效應，即在排除其通過吸煙→HIV→中風路徑的間接效應后，吸煙對中風風險的影響。我們下面將展示一個類似的神經影像領域的類比。

梅蘇拉姆（Mesulam）的感覺-離心梯度信息流描述可以被視為一個有向無環圖（DAG），這為解釋模型參數提供了一個框架。在這一框架下，神經成像技術中的多變量回歸系數——例如多體素或多ROI預測模型中的參數——的解釋也被特定的結構所限定。例如，如果一個解碼器使用“下游單模態”和“并聯雙模態”區域來預測對聽覺刺激的反應，由于并聯雙模態激活包含來自下游單模態區域的信息，一個包含這兩個區域的模型將會估計下游單模態激活的直接效應而非總效應。因此，不同區域的解碼器參數具有不同的解釋，這些解釋取決于假定的因果結構，排除了直接解釋的可能性。

?聽覺和視覺感覺離心的信息流梯度可以被視為大腦中信息流動的因果模型。感覺信息沿著幾條平行且相互作用的路徑流動。由于箭頭表示推測的信息流動順序，這可以解釋為一種因果模型，促進對因果假設的嚴格評估和解釋。例如，如果用所示區域構建一個解碼器，可以基于假定的信息流動約束分析和推論。通過這樣做，可以選擇從模型中排除邊緣系統區域和下丘腦，同時認識到運動前區參數與旁邊緣區參數相比具有不同的解釋?；诩s束理論的假設使神經假設更加明確，有助于推斷，但對許多問題而言可能顯得笨重。

解碼器如果不受假設的約束，可能會產生在因果關系上缺乏實質內容的參數。例如，考慮一個不受約束的解碼器，它使用“邊緣系統”活動來解碼任務。盡管邊緣系統的激活可能不直接貢獻于輸出，但它可能包含來自其他有貢獻區域的信息，如并聯雙模態區、下游單模態區和異模態區，這可能導致研究人員得出錯誤的結論。

類似地，解碼器可以利用噪聲來增強預測效果。例如，假設有兩個區域：區域A包含任務相關信號和噪聲，而區域B僅包含與區域A相同的噪聲，而無任務相關信號。解碼器可以通過從區域A的數據中減去區域B的數據來提取區域A的信號。這并不意味著區域B有任何感興趣的信號，更不用說抑制效應；相反，這僅僅意味著調整區域B中的噪聲可以改善區域A的預測能力。隨著模型中預測因子數量的增加，這些解釋上的問題也會變得更加復雜。因此，解碼器是對整個預測因子集合進行推斷，而不是對每個預測因子單獨的信息進行推斷。

由于fMRI數據的高維性質，這些心理狀態解碼器在因果推理方面遇到了難題。除非研究者擁有大量的樣本（如多個受試者或多次實驗重復），或選擇一小部分體素或感興趣區域，否則解碼器通常會從數據中得出比樣本還多的預測。這樣的數據是簡并的（即，可以完全用較低維度空間捕獲），這導致因果結構不可識別。因此，如果不對因果結構做出若干假設，反向處理心理狀態解碼是不恰當的。

因果關系是科學研究的核心，尤其是在試圖闡明現象產生機制時更是如此。由于心理狀態解碼既不在因果框架下進行——無論是實驗性的還是分析性的，它的主要目的是最大化預測準確性。因此我們可以得出結論，解碼是一種預測工具，而非解釋工具。

（3）模型的限制阻礙了合理的推斷

確實，許多研究者并不將解碼器視為因果關系的模型。在實踐中，解碼研究往往避免直接探討因果問題，而是選擇使用如“神經編碼”、“表征”（representations）、“簽名”（signature）或“信息”等較為模糊的術語，這些術語未必徹底排除因果解釋的可能性。重要的是，這種術語的使用可能使解碼器的應用過程變得程序化且缺乏創新性：解碼器的選擇和使用顯得頗為隨意，也不是唯一有效的手段。這種情況反映出，當前領域內對概念和方法論的深入審視和批評是十分必要的。

解碼器的不確定性可以通過模型擬合過程中的多樣性來清晰展示。例如，解碼模型通常包含降維或正則化等步驟，每個步驟都會產生不同的損失函數，從而導致不同的模型參數輸出。舉例來說，應用L1正則化的邏輯回歸與應用L2正則化的邏輯回歸，兩者將得到不同的參數集。這種現象不僅存在于理論討論中，在實際應用中也普遍存在。

例如，在認知科學文獻中，盡管在標準解碼器的基礎上做出了改進，但通常這些改進只是邊際性的。更極端的情形囊括三種不同的“疼痛解碼器”表現出相似的平均性能。若其中一個解碼器真正地反映了潛在的神經編碼，則理應明顯優于其他解碼器；然而，事實上并沒有一個解碼器能夠顯著勝出。

疼痛研究領域也存在類似的例子，在其中一個顯著的研究中，研究人員訓練了5916個模型，專注于單一的“最佳”模型，盡管眾多模型表現相近。這引發了一個問題：當這種判定僅基于預測性能的估計，如何確定某一模型為“最佳”?在另一個備受爭議的例子中，研究者結合了LASSO與主成分分析邏輯回歸，推導出所謂的“神經疼痛表征”（Neurologic Pain Signature，NPS）解碼器。然而，研究者自己也指出，這一“神經疼痛表征”的預測能力和準確度在不同情境下幾乎與支持向量回歸（SVR）模型相當，暗示這一“表征”并非唯一有效。

?圖2.三個空間不一致的“疼痛解碼器”表現相似。

(A) 每個解碼器（簡稱NPS、pPV和pNsy）具有獨特的體素權重模式。(B) 解碼器的權重分布也各不相同。NPS的權重分布在零附近；pPV的權重嚴格為正；pNsy只有少數負權重。(C) 三個解碼器中共有體素權重之間的成對關系。(D) 表示每個解碼器的相對大小和它們之間的空間重疊的歐拉圖。(E) 對每個解碼器區分有害刺激和無害刺激的表現進行元分析。

有人可能會認為，解碼器可以在其高維空間中轉換，生成具有相似“信息”的新解碼器。這一點可以通過實驗來驗證。即使看似不同的解碼器是冗余的，這也會加劇對解碼器的質疑：多種不同的模式似乎都能解釋相同的神經活動。因此，我們該如何理解任何一個特定模式的意義呢？這樣的解釋需要一個明確的理論基礎，例如，用于生成解碼器的成本函數在理論上有特別的意義。

缺乏理論基礎的解碼器往往導致非實質性的發現。以2006年匹茲堡腦活動解讀競賽為例，一支科研團隊構建的分類器主要依賴于腦室及其他區域的體素，這些區域可能受到運動偽影和生理噪聲的影響。此外，關于fMRI基礎解碼的研究發現，運動視覺的解碼在視覺皮層V1中表現得比在V5中更為明顯，這與預期相悖。這種結果表明，解碼過程有時可能產生出人意料的結果，這些結果很可能是由于無關的因素（如噪聲或偽影）引起，而非反映真實的神經生理信號。因此，在解釋這類發現時，我們應謹慎考慮這些因素，以避免對數據作出過于肯定的解讀。

（4）信息的普遍性削弱了解碼分析的意義

人類的fMRI和動物實驗表明，與任務相關的神經信號在大腦中普遍存在。這種廣泛分布的信號使得解碼過程變得相對容易。通過匯聚大量的信息——例如數千或數萬個體素——即使是單個變量的t統計值接近零的體素，也能夠區分不同的任務。這種從大腦任何體素組進行解碼的能力，使得解碼器在生理學上的解釋變得更加復雜。也就是說，解碼器的權重不僅如前所討論的那樣是任意的，其包含的體素也可能具有非特異性，進一步加劇了對解碼結果生理意義的質疑。

（5）解碼器是否帶來了有意義的進展？

在過去20年的“讀心術”研究中，基于fMRI的解碼技術確實取得了一些技術上的突破，然而，這些技術是否真正為我們提供了新穎而有意義的神經生理學見解，這一點還需慎重評估。

以一項使用概率生成模型的研究為例，研究者試圖從參與不同聽力任務的志愿者的大腦皮層中解碼出語義信息，并聲稱在新的大腦區域中發現了處理語義信息的特定區域。這一發現聽起來頗具吸引力，但其是否代表了對語言處理背后大腦機制的真正進展仍有待商榷。如果這種廣泛的語義“表征”確實具有因果性，那么不同皮層的損傷應該導致明顯的語義缺陷，但現實中并非如此。

再舉一個例子，盡管有研究通過解碼來自梭狀回和海馬旁回的信號來識別不同的視覺刺激，然而，這種方法并未顯著增進我們對視覺處理機制的理解。原因在于，梭狀回和海馬旁回已被廣泛認為是對高級視覺刺激有反應的區域，因此使用這些區域的信號進行解碼，并不提供關于視覺處理新的或深入的見解。此外，盡管解碼模式能夠區分不同刺激，這些模式所含的信息并沒有闡釋這些大腦區域如何具體參與視覺信息的處理。此外，盡管越來越多的研究嘗試從fMRI信號中解碼不同的疼痛狀態，但這些研究并沒有使我們更深入的理解疼痛體驗是如何產生的。

盡管存在這些問題，fMRI解碼領域仍然蓬勃發展，產生了一些具有較高影響力的研究成果。然而，聲稱這些研究成果顯著推進了我們對大腦工作原理的理解，往往過于樂觀。幸運的是，一些研究者持有更加謹慎的觀點。例如，一篇評論文章指出，使用多體素模式分析（MVPA）的研究在很大程度上只是確認了之前單變量fMRI研究的發現，并沒有揭示更多新的洞見。此外，許多基于解碼的研究依賴于一種逆向推理的方式，即從編碼研究中得出結論，這種邏輯過程本身可能存在漏洞。

（6）解碼是否優于編碼？

在神經科學領域，解碼和編碼是兩種分析功能性磁共振成像（fMRI）數據的主要方法。雖然解碼方法由于其靈敏度和能夠揭示大腦空間結構的能力而被廣泛使用，但編碼方法提供了一種更加原則性和系統性的分析方式。編碼通過檢查編碼向量，可以自然地采用多變量方法研究大腦活動“模式”，而這種方法在某些情況下被證明比基于分類的解碼模型更為有效。

此外，從概念上講，多變量編碼分析也具備優勢。具體來說，多變量編碼器測試的無效假設與解碼器的無效假設不同：解碼器的無效假設認為所有受試者都沒有效應，而編碼器的無效假設認為在不同條件下平均編碼向量是相同的。因此，挑戰并拒絕編碼的無效假設通常比解碼的無效假設提供更多洞察力；我們通常更關注于理解大腦活動的模式，而非簡單地對個體進行分類。

鑒于這些優勢，許多研究人員和作者認為，應該考慮使用多變量編碼方法替代傳統的解碼方法，例如采用多變量方差分析。這種方法不僅更符合研究條件差異的需求，也更易于解釋和實施。

重要的是，線性多變量編碼模型與線性解碼模型在本質上并非截然分離。實際上，解碼的權重可以用來推導編碼的權重。由于線性多變量編碼模型能夠捕捉與線性解碼器相同的信息，并且具有更高的敏感性和可解釋性，因此編碼方法應繼續作為任務型fMRI研究的基礎。這種方法不僅增強了我們對大腦功能的理解，還推動了神經科學研究方法的進步。

心理狀態解碼器不能用于現實世界的決策

盡管許多解碼研究強調其在現實世界中的潛在應用，這種觀點在多個學科中受到了廣泛關注。例如，11年前，一個研究團隊宣稱他們發現了一種通過大腦信號識別疼痛的方法，并指出：“如果這些發現能夠擴展到臨床人群，那么在病人無法有效溝通疼痛感受，或者當他們的自述在其他方面顯得不可靠時，這些基于大腦信號的特征可能有助于確認疼痛。”然而，這種過分樂觀的看法已遭到批評，許多專家呼吁需要更加謹慎的評估。

在現實世界中，提出的解碼器可能被用來回答各種復雜的問題：病人是否真的感到痛苦？被告是否有犯罪行為？如果有，這種行為是否屬于故意？進一步解析某人的思維可能看似能解決這些問題。例如，通過確定病人是否真正經歷痛苦，醫生可能決定是否開具阿片類藥物的處方；保險公司可能基于此判斷是否賠付病人的醫療費用；陪審團甚至可能僅憑大腦掃描的結果來判斷被告的有罪。

然而，盡管這些應用看似具有重大的社會和醫學意義，心理狀態解碼器在現實世界的應用卻面臨諸多困難和挑戰。諸如此類的技術不僅需要考慮科技的準確性和可靠性，更要重視倫理、隱私及法律等方面的復雜問題。因此，雖然這些技術提供了前所未有的洞察力，它們在實際應用中的價值和適用性還需經過嚴格的科學驗證和社會審慎考慮。

（1）解碼器的構建常常與現實世界情境脫節

在探討心理狀態解碼器的有效性時，我們面臨一個核心問題：這些工具與現實世界的情境往往存在較大差異。心理狀態解碼器是為了補充或替代傳統的自我報告方法而提出的，尤其適用于那些無法通過常規方式表達自己的人群。然而，這些預測模型往往只有在與訓練環境類似的條件下才能展現出較好的表現。現實中，許多解碼器是基于簡單的刺激來設計的，與復雜多變的真實環境相去甚遠，這就無法保證解碼器在實際應用中的效果。

因此如果解碼器的目標時在現實世界應用，那應該本著誠信的原則進行，確保這些工具在開發和測試過程中真正符合其預期的應用目標，而非僅依賴于理論上有待證實的假設。

（2）解碼器無法取代自我報告

旨在揭示主觀狀態的解碼器（如刺激或任務屬性）引入了關于心理隱私和測量的關鍵問題。這些意圖解碼主觀狀態的解碼器通常使用自我報告進行訓練和描述。例如，在一項研究中，研究者構建了一個解碼器，想要在捕捉藥物用戶和非用戶對視覺線索反應中的“渴望”評分。作者們指出：“……鑒于自我報告的渴望分數在預測結果中的作用，這種基于大腦模式的方法可以作為診斷和預測臨床相關個體差異和未來結果的一種潛在工具?！睋Q句話說，作者認為他們的解碼器輸出提供了超越簡單自我報告的信息。

然而，這種看法可能過于樂觀。實際上，解碼器通常是基于自我報告的數據進行訓練的，這意味著解碼器在很大程度上只是自我報告的一個嘈雜反映。在實際應用中，當解碼器的預測與個體的自我報告發生沖突時，這便產生了一個關鍵問題：為何我們應依賴一個基于自我報告訓練出來，并旨在預測類似自我報告的解碼器，而不是直接信賴自我報告本身？

正如許多研究所指出的，自我報告可用的情況下，依賴解碼器的額外價值是有限的。解碼器可能在無法獲取自我報告的特定情境下提供輔助信息，但它們無法完全取代自我報告的直接且原始輸入。因此，解碼技術的使用需要謹慎考慮其局限性，特別是在評估個體心理狀態時。

未來的研究方向：追求質量而非數量

道格拉斯·阿爾特曼（Douglas Altman）在《英國醫學雜志》（The British Medical Journal）中指出：“我們需要更少但更好的研究，以及出于正確原因進行的研究?！?/strong>在眾多關于解碼器的研究文章層出不窮的今天，我們不得不嚴肅地問自己：這些研究真的是對寶貴的時間和資源的最佳利用嗎？

到目前為止，解碼器既沒有顯著推動我們對大腦生理學的理解，也未為實際的現實世界應用鋪平道路，這種現象在生物醫學研究中不幸地成為了“研究浪費”的典型例子。很多以解碼器作為主要成果的研究似乎更多是為了提高曝光度（visibility），而不是為了科學的實質進展。

作者主張，除非解碼器能提供對神經生理學的深刻洞察或明確的現實世界益處，否則將資源投向其他可能更有成效的科學努力，無疑是一種更為明智的選擇。然而，這并不意味著解碼器在科學研究中沒有其位置。心理狀態解碼器可以成為一個更廣泛、更扎實的、以問題為中心的研究范式的一部分。在這種范式中，解碼器不僅僅是研究的目標，而是達成不同研究目的的手段。研究者應致力于不僅僅是識別信息的存在，更應深入探究這些信息的本質。例如，實驗者可以通過使用解碼器來研究信息內容如何隨著任務或參與者的反應而變化。

這種方法區分了兩類解碼研究：一類是作者僅僅滿足于展示解碼器能工作的研究；另一類是主要成果是通過應用解碼器獲得知識的研究。目前，前者的研究仍然占多數，這些研究假設解碼器本身代表了基本的科學貢獻，推動了整個領域的發展。然而，正如作者所論證的，這種假設并不牢固。相比之下，那些使用解碼器作為探測神經活動的工具，從而推理出實驗操縱的效果的研究雖然不多見，卻能提供更深入的見解。

最后，作者的觀點并不排除在科學探索中使用編碼或解碼作為“第一步”來理解大腦活動的本質。例如，一項研究發現，隨著鎮靜水平的增加，大腦內與聽力相關的信號的解碼能力減弱，而聽覺皮層活動保持穩定，從而得出結論，至少某些廣泛的信息對于意識感知是必需的。這一結論依賴于使用解碼器來理解不同實驗條件下的信息性質，這是單純通過展示解碼器的工作是無法實現的。盡管fMRI不能直接操縱大腦活動以建立因果關系，但它可以為未來實驗提供可通過擾動大腦回路來驗證的假設。

總結

作者認為，解碼器本身在機制方面并不引人注目，也沒有顯示出在實際決策中的應用前景。解碼器的機制有效性來源于它們的不唯一性、不可解釋性，以及與數據生成過程的不兼容性。解碼器的應用困難源于哲學上的挑戰和模型與現實之間的不匹配。因此，將研究重點從解碼本身轉移到解碼器所做預測的實驗背景和具體應用中很重要的。

最后作者提出了一些需要關注的重要問題：如何提高心理狀態解碼器的可解釋性？解碼研究能否改進以產生超越編碼的新的機制性見解？哪些測試可以用來證明解碼器的特異性？這些問題的探索將有助于我們更有效地利用解碼技術，獲得新的神經機制和知識，推動相關領域的科學發展。