新書推薦：
《
图解机械工程入门
》
售價：NT$
440.0
《
中文版SOLIDWORKS 2024机械设计从入门到精通（实战案例版）
》
售價：NT$
450.0
《
旷野人生：吉姆·罗杰斯的全球投资探险
》
售價：NT$
345.0
《
希腊人（伊恩·莫里斯文明史系列）
》
售價：NT$
845.0
《
世界巨变：严复的角色（王中江著作系列）
》
售價：NT$
500.0
《
宋初三先生集（中国思想史资料丛刊）
》
售價：NT$
990.0
《
天生坏种：罪犯与犯罪心理分析
》
售價：NT$
445.0
《
新能源材料
》
售價：NT$
290.0
|
| 編輯推薦： |
★斯坦福大学心理学教授波德拉克重磅作品！
作为斯坦福大学心理学教授，世界心理学和脑科学研究领军者，波德拉克教授23年持续研究人类习惯，他发现习惯是人类行为的惯性，掌控习惯先要理解习惯的底层逻辑！
★23年持续研究，以1个认知框架和8个步骤，从底层改善习惯！
被誉为“推动人类知识的前沿”的研究，文津奖获得者万维钢、北京师范大学脑科学教授薛贵、“孤独大脑”主理人老喻，以及多位美国科学院院士、心理学家、行为学家联袂推荐。
★改善习惯需要双管齐下，单一的习惯改变?模式会造成习惯的反弹！
习惯是大脑低功率的自动化运行状态，改善习惯需要从避免大脑进入“自动化过程”和改变大脑自动化运行的“内容”两方面，通过自控等方式“忍耐”坏习惯，会导致后续更剧烈的反弹。
★兼顾科学性和可读性，学知识且读得懂！
作者从日常行为和科学实验入手，辅以图片和图表，帮助读者更透彻理解，把“推进人类知识前沿”的内容写成“普通读者能理解”的心理、行为学普及读物。
|
| 內容簡介： |
行为中的惯性，是人们常说的“习惯”，是大脑的“自动化”运行状态。很多科学家认为，习惯行为是源自本能，形成后根深蒂固、难以改变。
经过23年持续研究，斯坦福大学的波德拉克教授找到了习惯的底层逻辑，并提出具有开创性的“习惯认知框架”和“习惯改善8步骤”，被称为“人类行为研究的重大突破”。
波德拉克认为，主动认识和关注行为中的惯性，改变触发惯性产生的场景，利用8个步骤，就能有效掌控习惯。他花费数年撰写本书，以扎实的知识、通俗的语言和生活化的案例，让读者清晰理解习惯的底层逻辑、改变方法以及“习惯认知框架”的实践步骤。
|
| 關於作者： |
拉塞尔·波德拉克（Russell Poldrack）
美国认知科学和心理学家，斯坦福大学心理学教授，斯坦福波德拉克实验室创始人，美国心理科学会、美国实验心理学会、美国实验心理学家协会会员，世界认知神经科学、人脑图谱和神经成像领域的领军者。
波德拉克曾先后获得过美国心理学会“杰出心理学奖”，人类大脑图谱组织“青年研究者奖”等行业内权威奖项，并于2009年担任人类大脑图谱组织主席。
|
| 目錄：
|
前言 行为中根深蒂固的惯性 _01
第一部分 大脑中的惯性机器
第一章 学习、记忆和习惯 _003
第二章 习惯认知框架：从目标导向到无意识行为 _037
第三章 我们的选择背后是习惯和目标的“战斗” _055
第四章 自控力、延迟满足和意志力的科学解释 _080
第五章 上瘾：导向负面的惯性行为 _126
第二部分 摆脱困境：改变惯性行为
第六章 改变行为惯性基本逻辑 _161
第七章 实现习惯改变的8 个关键步骤 _170
步骤一：选择架构 _171
步骤二：损失厌恶与框架 _173
步骤三：制定规则 _176
步骤四：触发警告 _178
步骤五：反转习惯 _180
步骤六：提高自控力 _184
步骤七：对自我抑制的训练 _186
步骤八：用承诺改变行为惯性 _188
第八章 对“忘记”坏习惯的探索：修改记忆 _192
第九章 从改变个体习惯到改变集体习惯 _210
|
| 內容試閱：
|
我们的选择背后是习惯和目标的“战斗”
想象一下，当你走进一家便利店打算买些零食时，你如何选择买什么？你可能会权衡所有不同的选择，试图找到一款在健康、口味和价格上都合乎心意的零食，尽管这可能需要耗费较长的时间。然而，如果这是一家你经常光顾的店，你可能就会直接选择你常买的零食，或者某种新的零食吸引了你的注意，你也可能打算尝试一下。
当我说“我”做了一个决定时，这种说法掩盖了这样一个事实：在我的大脑中有许多系统在共同作用——或者有时它们是相互对立的——来决定我的行为。正如我们拥有许多记忆系统一样，行为也有不同的路径，而且每一条路径对于我们控制或改变行为的能力都具有重要意义。
反射——经过数百万年的进化而建立在我们神经系统中的行为。当你的手不小心碰到一个滚烫物体的表面并带着痛感缩回来，这个动作就是一种反射动作。许多反射依赖于我们神经系统非常初级的部分；与其他许多反射一样，当手感到痛就会缩回来，这依赖于脊髓而非大脑。有时，反射也会与外界刺激相联系，在这种情况下，刺激能够引起行为。比如，巴甫洛夫的著名研究“条件反射”：许多读者都听说过巴甫洛夫的狗，它们知道铃声预示着食物的到来，铃声一响，狗就开始分泌唾液。
如果说反射代表了行为谱系的一端，那么这个谱系的另一端，就是带有明确目标的行为。这些行为（前文中称之为目标导向行为）包含我们的许多日常活动：吃特定的食物是因为我们认为它健康或是口感好，选择特定的路线去上班是因为我们有避开交通拥堵的明确目标。正如我们在前文中所讨论的，目标导向行为与其他类型行为的区别在于，一旦目标不再引起兴趣，那么行为就不会再发生；如果我在午餐时吃了太多蛋糕，那么这一天我都不会再想吃蛋糕了；如果我在津津有味地听着广播，并不关心是否能快点儿到家，那么我就不会费尽心思去避开拥堵了。
存在于反射与目标导向行为之间的，就是习惯。习惯有时是目标导向的，但如果重复次数足够多，它就会变得自动化，这就和反射很相似了——唯一不同的是，反射基本上是不可能停止的，而习惯通常能够通过足够的努力和注意而停止。
大脑中的竞争
习惯和目标导向行为有着不同的大脑系统，但它们所带来的不同影响却没有在我们的行为中露出明显痕迹，这就为我们提出了一个问题：不同的系统是如何相互关联的呢？我在 20 世纪 90 年代初开始涉足这一领域，当时大多数研究者都认为不同的系统是完全独立运作的。然而，得克萨斯农工大学的神经科学家马克·帕卡德开展的一系列研究表明，实际上，不同系统之间可能存在着相互竞争。帕卡德对不同的记忆系统如何与不同的行为相联系很感兴趣。由于记忆系统研究的重点大多集中在基底神经节和内侧颞叶的区别上，帕卡德以这些区域为研究对象，以了解它们在不同类型的学习中所起的作用。
为了验证这一点，帕卡德为大鼠设置了一个非常简单的任务，叫作“十字迷宫”，它的造型就是一个十字形。由于迷宫的 4 条通道看起来一模一样，因此帕卡德在迷宫所在的房间墙壁上挂了各种装饰，以便大鼠能辨别出自己在迷宫中的位置。帕卡德先把食物放在其中一条通道上，然后把大鼠放在另一条通道上，它们需要向右或向左转弯才能获得食物；大鼠正前方的通道被关闭，从大鼠的角度来看，这个迷宫更像是 T 形而不是十字形。通过练习，大鼠很快就学会了该转向哪个方向才能得到食物，但是帕卡德认为其中可能有两种不同的方式。一方面，大鼠可能是知道了食物在空间中的位置，他称之为位置学习
（place learning）；由于过去的大量研究都将空间学习与海马体联系起来，因此，他预测海马体在这种学习中起到了必要的作用。另一方面，大鼠也有可能只是学会了转向一个特定的方向，他称之为反应学习（response learning）。请注意，这里出现了目标导向行为与惯性行为的比较——在位置学习中，动物向着一个目标
（空间中的一个位置）移动；而在反应学习中，动物只是简单地重复过去让自己获得了奖励的行为。
为了测试大鼠采用的是哪种学习方式，帕卡德用了一个简单的方法：在不提供食物的情况下，他把大鼠放在与之前的起点相对的那条通道上，然后观察它会往哪里跑。如果大鼠学会的是如何在空间中找到食物的位置，那么它就应该跑向
那个位置，而现在如果要去到那个位置，它的转向就应该和之前相反。如果大鼠学会的是一个特定的动作，那么它就应该朝着它之前转向的方向转身，而这个方向与原来放置食物的方向是相对的。帕卡德发现，大鼠的行为取决于它们接受了多少训练。在训练的初期，大鼠表现出了位置学习的特征：当它被放置在相对的通道上时，它会正确地转到原来放有食物的位置。然而，随着训练的增加，这种行为发生了改变，大鼠做出的反应是它们在练习中学到的动作。因此我们可以看到，习惯是随经验而形成的。
之后，帕卡德提出的观点可谓一个思想的飞跃。此前关于记忆系统的研究几乎都假设不同的系统彼此独立工作，但帕卡德提出，这两个系统总是处在学习中，但它们随后也会相互竞争，以决定动物会如何行动。这意味着，干扰其中一种学习方式所涉及的大脑系统，会导致动物转而对另一种学习方式的使用。从另一方面说，如果另一个系统是不参与学习和竞争的，那么在一个系统受到干扰后，大鼠就应该会随机地去探索这两条通道，因为它不知道哪条通道上有食物。然而，研究结果显示，这两个系统确实是在同时学习，并且相互竞争，以控制大鼠的行为：当帕卡德在学习的早期抑制大鼠主导位置学习的海马体的活动时，大鼠便转而使用了反应学习策略，而当他在学习的后期干扰大鼠基底神经节的活动时，大鼠便转而使用了位置学习策略。帕卡德提出， 可以通过对相关脑区进行化学刺激，使动物采取其中一种特定的学习方式。这项研究表明，大脑的不同记忆系统在不断竞争，从而决定我们的行为。
人类记忆系统的相互作用
就在帕卡德发表他的研究成果时，我刚刚在斯坦福大学完成我的博士后研究，并且正在波士顿的麻省总医院建立一个新的实验室。我也开始有了这样的看法，即大脑的不同记忆系统是相互作用的，而不是像以前认为的那样相互独立。我不认为习惯系统和陈述性记忆系统是完全独立运行的，由于大脑活动具有高度的互连性和动态性，因此，在一个健康的大脑中，这两个系统不以某种方式相互作用似乎是不太可能的。在我看来，这一领域总是专注于对患者进行研究，这将我们引入了歧途，也许我们可以利用脑成像来观察这些相互作用。
我们与罗格斯大学的马克·格鲁克和达芙纳·肖哈米合作， 对受试者进行一项任务训练，要求他们进行试误式学习（trial- and-error learning），然后根据一组视觉线索（不同形状的卡片）来预测结果（在这项实验中，是预测下雨或天晴）。这些卡片与结果之间存在着概率关系——例如，一张卡片在 65% 的情况下与雨有关，而另一张卡片在 80% 的情况下与阳光有关。健康的受试者通过练习能够准确地完成这项“天气预测”任务，而早期来自芭芭拉·诺尔顿和拉里·斯奎尔的研究表明，帕金森病患者在学习执行这项任务时存在困难。诺尔顿和斯奎尔认为，基底神经节、多巴胺对于尝试 - 错误学习是必要的。因为多巴胺在奖励预测误差信号中起作用，所以多巴胺缺失的帕金森病患者学习任务的能力受损或许并不令人惊讶。
根据直觉，我们会认为，只要学习任务的方式稍有改变，大脑完成任务的方式就会改变，从使用习惯系统转变为使用陈述性记忆系统。因此，我们设计了一项任务，通过一个小小的调整来改变大脑处理任务的方式：我们仍然向受试者提供提示卡和天气结果，但不是让他们通过尝试 - 错误来进行学习，而只是让他们记住每组线索对应的结果。我们把这种学习称为配对联想学习（paired-associate learning），这个术语在心理学中通常是指学习材料以成对的方式呈现给个体，个体对其进行学习。当受试者在执行尝试 - 错误学习或配对联想学习的天气预测任务时，我们使用功能性磁共振成像（fMRI）测量他们基底神经节和内侧颞叶的活动。
我们比较了执行这两种不同任务时大脑的活动，发现结果与我们对大脑记忆系统的理解是一致的：在尝试 - 错误任务中，基底神经节的活动更多，而在配对联想任务中，内侧颞叶的活动更多。前面提到过，帕卡德认为这两种系统是相互竞争的，而我们的发现也支持了这一点：它们的活动似乎是反向的。在不同的人身上，我们观察到了一个相同的现象，即，基底神经节的活动增加，内侧颞叶的活动就会随之减少。我们于 2001 年在《自然》（Nature）杂志上发表了这个结果。1 之后，在达夫纳·肖哈密（现在是哥伦比亚大学的一名教授）的带领下，对帕金森病患者也进行了这两种任务测试。尽管这些受试者在尝试 - 错误学习上存在困难（正如诺尔顿和斯奎尔所证明的那样），但他们进行配对联想学习则更加容易。随后，我们开始认识到早期研究中使用的天气预测任务的局限性——尤其是它没有提供一个明确的方法来判断一个健康的受试者采用了哪种学习方式（不像帕卡德的十字迷宫那样）。目前，鉴于目标 - 习惯的区别以及计算机科学的新发展，一些研究人员从中受到了启发，提供了一种更清晰的方法来理解这些不同的系统是如何在大脑中协同工作的。
目标行为和惯性行为的区分
在旧金山，公路上常常会有几个工程师开着顶部装有传感器的小车到处跑。这种看起来像是书呆子派对车的家伙实际上是由硅谷的科技公司研发的自动驾驶汽车的原型。
制造一辆能够正常运作的自动驾驶汽车非常具有挑战性，需要计算机快速有效地实现人类智能的许多方面。对人工智能的探索始于 20 世纪 50 年代，在过去的几十年里，对人工智能的研究主要集中在开发能够像人类一样进行复杂任务推理的系统，如医学诊断或国际象棋。但这些方法都没有取得太大的进展，甚至无法以一种稳健而灵活的方式解决人类级别的问题。
到了 21 世纪，出现了一种新的人工智能算法，它在解决实现人类级别智能所需的各种问题方面更加擅长。此类算法被称为机器学习，它是利用强大的计算机和大量的数据，以一种更接近人类学习的方式进行学习。其中一种被称为深度学习（deep learning）的算法已经解决了多年来困扰计算机科学家们的诸多问题。Facebook 能够对人们上传的照片进行人脸识别，并标注身份，这正是由于使用了深度学习——这并不奇怪，因为深度学习的先驱之一杨立昆（Yann LeCun）目前正就职于 Facebook。
机器学习领域的研究人员通常会根据系统（人或机器）在了解世界的过程中需要解决的不同问题进行区分。机器学习的一种模式是有监督学习（supervised learning），即系统被告知正确答案是什么，它仅需要学习在适当的情境下重复那个答案，就像是一个孩子从父母那里学习各种动物的名字那样。机器学习的另一种模式是无监督学习（unsupervised learning），即系统没有任何老师，它需要根据对周围环境的观察结果来确定答案。比如，婴儿倾听父母说话并识别出他们使用的特定语言所具有的语音，这就是在进行无监督学习。强化学习介于这两者之间，我们在讲述多巴胺的时候已经提及。在强化学习中，系统必须根据外界的反馈学习做出适当的行为，但它并没有被明确告知正确答案是什么——它会得到胡萝卜还是大棒，取决于它是否做出了正确的选择。
在计算机科学兴起之前，一些对学习方式感兴趣的心理学家就开始研究强化学习了。与物理学不同，心理学几乎没有什么定律，但心理学中最完善的定律之一是效应定律（law of effect），它由美国心理学家爱德华·桑代克于 1898 年首次提出。这一定律指出，如果一个行为之后出现了令人愉快的结果，那么将来（在导致结果的特定情境中）这个行为就更有可能重复；而如果一个行为之后出现了令人不愉快的结果，那么将来它就不太可能重复。在整个 20 世纪，心理学家（尤其是那些专注于研究大鼠或鸽子等动物学习的心理学家）都在致力于理解效应定律的基础，但其中一个基础观点来自研究另一种学习方式的研究人员， 这种学习称为经典条件反射，有时也称为巴甫洛夫学习。20 世纪 70 年代，心理学家罗伯特·瑞斯科拉和艾伦·瓦格纳对于理解学习过程中出现的一种现象特别感兴趣，这种现象称为阻断（blocking）。过去的理论认为，动物通过记录事件是否共同发生来学习事件之间的关联性。这就意味着，任何时候，只要奖励与某种行为有关，动物就应该学会更频繁地做出这种行为。心理学家里昂·卡明于 1968 年指出，如果奖励已经与一个刺激产生了关联，那么另一个刺激与奖励之间的关联性就会被阻断。例如， 在学校的时候，我们可能会把某个特定的铃声与午餐时间联系起来，这样，铃声响起就会让我们开始“流口水”。根据卡明的说法，如果之后加入另一个刺激，例如，在铃声响起的同时加入一道闪光，那么第二个刺激与结果之间的关系就会被阻断，也就是说，如果闪光在之后单独出现，它不会和铃声一样引起同样的反应。这表明，大脑并不是简单地记录这个世界上哪些刺激是同时出现的。
瑞斯科拉和瓦格纳提出了一个学习的数学理论，这个理论认为，学习取决于它们的预测被违背的程度——这与我们在讨论多巴胺时提到的奖励预测误差的观点完全一致。
强化学习的数学模型听上去可能很复杂，但其基本概念其实很简单。假设一个人走进一家只有 4 台老虎机的赌场。这个人知道这几台机器有好坏之分，但不知道具体某台机器是好是坏。强化学习模型为我们提供了一种方法来描述一个人（或机器人）如何知道使用哪台机器才能赢得最多的奖金。最基本的模型有几个主要组成部分。其中，策略（policy）指的是在任意特定状态下如何做出行动选择。通常来说，这是基于在特定状态下每种可能行动的估计价值。在上述例子中，我们需要估计从每台老虎机中赢得的奖金值。一开始我们并不知道这些奖金值是多少，所以我们假设它们都是相等的，随后通过经验来知道每台机器的奖金值是多少。最简单的策略是选择那台无论何时都具有最高估计价值的机器，但稍后我们就会看到，这样做是存在问题的。我们通常需要一个允许我们进行一定程度探索（exploration）的策略，这样，我们就可以偶尔挑选一台我们目前认为不是很好的机器来确保我们的判断是正确的。这个模型还需要一个奖励信号（reward signal）来对行动的结果进行反馈。在赌场的例子中，这很简单——我们只需要记录每一次尝试是赢还是输。
让我们来看看当强化学习模型开始玩老虎机时会发生什么。如果你是赌场老板，你实际上知道在每台机器上有多大概率会赢得奖金，在本例中，在最好的机器上赢奖的概率为 85%， 在最差的机器上赢奖的概率为 10%， 在其他机器上赢奖的概率介于这两者之间。
刚开始的时候，模型并不知道不同的机器上赢得奖金的概率，所以我们将每台机器的预期价值都设置为 0。由于所有的预期价值都是相同的，所以我们需要想办法去打破这种平局，通常是在选择的过程中引入随机性策略，如 softmax。在该策略中，我们选择某个行动的可能性大小，取决于这个行动的价值。在第一次尝试中，由于所有的价值都是相同的，因此每一个行动都有25% 的可能被选中。假设我们在第一次尝试时随机选择了机器2，并且赢了 1 美元（对于这台机器来说，这个概率是 40%）。模型的下一步工作就是基于经验（更确切地说，是基于我们的经验与预期之间的差异）来更新对价值的估计。我们一开始对机器 2的预期价值是 0 美元，但实际的奖励价值是 1 美元，因此，这里的奖励预测误差为 1。随后，我们将奖励预测误差添加到现有的价值估计中，更新对机器 2 的价值估计，而只有将它乘以一个相对较小的数字 [ 学习率（learning rate）]，才能确保任意一次特定的胜局都不会对我们的价值估计产生巨大的影响，这有助于使我们的行为逐渐稳定下来，而不会因为一点点证据就产生剧烈的变化。如果使用 0.1 作为学习率，那么机器 2 更新后的估计价值为 0.1，而其他机器的估计价值为 0。接着，我们在下一次尝试时使用这个更新后的估计价值。需要注意的是，第一次尝试后预期价值最高的机器（赢奖概率 40% 的机器 2）实际上并不是从长期收益最高的机器（赢奖概率 85% 的机器 1）。如果只是简单地选择具有最高估计价值的机器（我们称之为贪婪行动选择），那么我们将会一直选择机器 2，而这仅仅是因为我们在第一次尝试中随机选择了它，且它恰好中了奖。正如前面提到的那样，我们需要有一定程度的探索。在这个例子中，我们使用的 softmax 策略将使我们选择不同的行动，这些行动被选择的概率与它们的估计价值相关联，因而学习者能够时不时地去探索一下其他的选择。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
