学习过程中期望与不确定性对疼痛感知的塑造作用：基于层次贝叶斯模型的动态机制研究

　　本研究通过层次贝叶斯建模方法，探讨了不确定性环境下疼痛学习与感知的动态调控机制。研究人员设计厌恶学习任务，通过操纵线索-疼痛关联的不确定性水平，发现高不确定性会增强高强度疼痛感知，而低强度疼痛呈现抑制趋势。研究首次揭示抑郁症状与学习速率降低的关联，为理解慢性疼痛患者的异常学习机制提供了计算精神病学视角。该成果发表于《The Journal of Pain》，为疼痛调制理论提供了重要实证依据。

　　

疼痛作为重要的生物信号，不仅具有即时警示组织损伤的功能，更在学习和适应过程中扮演关键角色。传统研究多聚焦于静态环境下疼痛感知的预期效应，然而真实世界中的疼痛体验往往发生在持续变化的环境中，其中不确定性成为影响疼痛处理的核心要素。尽管既往研究提示不确定性可能调节疼痛体验，但其具体作用机制及与学习过程的动态交互仍不明确，特别是在不同疼痛强度下的差异化效应尚未系统探讨。

为深入解析这一问题，研究人员设计了创新的厌恶学习范式，通过层次贝叶斯建模框架整合感觉推断和强化学习理论，考察不确定性如何动态塑造疼痛感知。研究招募50名健康参与者完成听觉线索-疼痛刺激关联任务，在稳定性和波动性交替的环境中学习不断变化的 contingency（条件关系）。采用校准程序确定个体化高低疼痛刺激强度（平均低痛4.78mA，高痛8.93mA），通过精心设计的概率结构（预期概率0.84、中性0.5、意外0.16）操纵不确定性水平。

关键技术方法包括：1）采用阶梯法确定个体疼痛检测阈和耐受阈，通过多项式函数拟合确定40%（低痛）和90%（高痛）强度刺激；2）设计192试次的厌恶学习任务，通过动态改变线索-疼痛关联概率创建不确定性环境；3）应用层次高斯滤波模型（HGF）等多模型比较分析学习过程；4）结合疼痛 catastrophizing 量表（PCS）、贝克抑郁量表（BDI-II）和状态-特质焦虑量表（STAI）评估心理特质。

模型无关分析显示，意外试次导致准确率降低（F=7.423, p=0.002）和反应时延长（F=8.272, p<0.001），高强度疼痛在意外条件下评分降低（p=0.042），低强度疼痛则呈现升高趋势（p=0.036），符合预期对疼痛感知的双向调节效应。

计算建模结果表明，二级层次高斯滤波模型（HGF2）最能解释学习数据（超越概率PEP=0.99）。该模型包含两个层次：刺激结果层（x₁）和概率转换层（x₂），通过精度加权的预测误差实现信念更新。参数恢复分析证实模型可靠性（Spearman ρ>0.8），模型恢复测试显示HGF2对95%的模拟数据集具有最佳拟合优度。

模型驱动分析揭示估计不确定性（estimation uncertainty）与疼痛强度存在显著交互作用（β=8.194, p<0.001）。分解效应显示：高强度疼痛下不确定性正向预测疼痛评分（β=5.669, p=0.003），低强度疼痛则呈现负向趋势（β=-2.702, p=0.05）。绝对预测误差同样与疼痛强度交互显著（β=-2.994, p=0.037），高强度疼痛中预测误差增大伴随评分降低（β=-2.264, p=0.044），低强度疼痛无显著关联。

个体差异分析发现抑郁症状与学习速率参数ω₂显著负相关（r=-0.41, p=0.015），表明抑郁程度越高，对线索-结果关联的信念更新越不灵活。疼痛灾难化（r=-0.29, p=0.123）和焦虑特质（r=-0.20~-0.29）虽呈负向趋势但未达显著水平。

研究结论表明，疼痛感知在动态学习过程中受到不确定性的强度依赖性调节：高强度疼痛在不确定性环境下被放大，可能反映生物系统对潜在威胁的保守性应对策略；低强度疼痛则呈现抑制趋势，体现对非威胁性信号的优化处理。抑郁症状与学习灵活性降低的关联为理解慢性疼痛患者的异常学习机制提供了计算精神病学证据，支持疼痛与学习障碍共享机制的理论框架。

该研究的理论意义在于首次系统揭示不确定性对疼痛感知的强度特异性效应，推进了贝叶斯脑框架下疼痛处理的理论建构。方法论上成功应用层次贝叶斯建模解析动态学习过程，为疼痛研究提供新的计算范式。临床启示方面，发现的心理特质-学习机制关联为开发针对慢性疼痛患者的认知训练干预提供了靶点方向。未来研究需在临床群体中验证这些发现，并探索不同不确定性模式对疼痛处理的普适性规律。