跨任务认知机制激活规则：调研结论与方案（v2 主线修订版）

版本：v2 主线修订版（2026-10-31）｜在 v2 讲解版（2026-10-30）基础上改写，并吸收《激活强度：定义、表示与可执行研究方案》（2026-10-31）的结论｜对应《调研需求v2-跨任务激活规则》｜文中“上轮”指《认知机制按阶段自适应激活-跨领域调研与验证方案》和《补充说明-从三任务案例到大规模机制库》。本修订没有新增文献检索。只想看主线，读《跨任务认知机制激活-研究主线》即可。

本版改了什么

v2 的推荐其实是“借策略算强度”：只有 3 个任务时，规则只用理论项，也就是在模拟器里用基础策略算出最划算的强度；人工任务特征要到 6–10 个任务时才作为修正加进来。但 v2 的写法让人以为主线是“人工给任务打特征 → 套公式算强度”：开头的例子是“时间紧迫度”公式，特征一章写得最长，还把实验设计变量排在可靠性第一。照这样读，策略对强度的影响就被忽略了。

本版把重心摆正：

1. 主线写明：强度由任务和策略共同决定，规则要借策略来算。 新增 1.3 节；1.4 节的例子换成借策略算的例子。
2. 第三部分改写。 规则的主干是“每个机制一个价格，加上每个任务自己策略的好处曲线”（资源理性）；新增“这和让智能体在训练里自己选强度等价”（3.2）和“跨任务不变的到底是什么”（3.3）；混合写法、修正项和残差改为任务多了以后逐级放开（3.5）。
3. 第四部分大幅压缩。 规则的输入分成“从策略算出的量”（主）和“人工任务特点”（辅）两类。候选清单、四道检查等细节移到附录 G。
4. 第五部分的对手加入四条“一刀切”规则，主指标改为补齐比例。
5. 第六部分按《激活强度》方案的研究 A、B、C 更新第一项研究，并新增“分阶段：让智能体自己决定”。
6. 记号调整。 机制强度在代码里的取值（v2 记作 φ）本版写作 θ，与《激活强度》方案一致；v2 里规则的共享参数 θ，本版叫“规则参数”，主干里就是每个机制一个价格 λ；阶段的下标从 s 改为 p，s 留给“可比强度”。附录的记号也已统一。
7. 附录基本保留，按新主线改了几处（附录 A.1、A.2、A.6 的判断，附录 B 开头，附录 C 的术语，附录 D 的检索说明，附录 E.1–E.3），并新增附录 G。

怎么读这份报告

• 对这些方法不熟，就从第一部分读起。 第一部分不讲结论，只讲清问题是什么、强度为什么和策略有关、规则是什么、常用词的意思。
• 第二部分是结论速览，每条都注明在哪里展开。
• 第三到六部分逐个回答核心问题。 每部分开头先说“这一部分在回答什么”，再列要点，后面展开讲。
• 附录是参考资料，不是主线：跨领域对比、方法对比、术语表、检索说明、技术版、参考文献，以及人工任务特点的细节。需要细节时再查。
• 文中“例子”里的数字都是编的，只用来说明意思，不是你们的数据。
• 证据标签：已验证表示文献本身报告了这一事实；推断表示从别的领域推到你们的问题，合理但没人检验过；待实验表示需要你们的数据或模拟来检验。标签后面注明“仅读摘要”等字样的，表示核验时只读到了摘要或工作稿。

第一部分　先把问题讲清楚

1.1 你们现在是怎么做的

你们的用户模型有两层：

1. 基础策略（也叫虚拟用户）。 每个任务（单词阅读、接管后换道、行人过街）各训练一个强化学习策略。它在 POMDP 框架里，学会在给定约束下尽量把任务做好。
2. 认知机制。 目前有三个：看不准（感知噪声 P2）、新消息听不进去（新证据抑制 B2）、反应慢半拍（执行延迟 E1）。每个机制有一个强度，记作 θ（论文和 v2 记作 φ）：0 表示关闭，数值越大，限制越强。训练策略时，θ 是策略的一个输入，所以同一个策略可以在不同强度下运行，并在每个强度下学会尽量做好。这种策略写作 π(a | o, θ)，叫“参数条件化策略”。

论文里，每个任务（以及每个人）的 θ 是拟合出来的：试很多个 θ 值，每个值都让模型跑一遍，看哪个值产生的行为最像这个任务里真人的数据，就取哪个值。

1.2 想做到什么

拟合需要这个任务的人类数据，这带来三个问题：

• 机制库将来要扩到几十个机制，用到很多任务上；
• 每来一个新任务，都先采人类数据再拟合，代价太高；
• 逐个任务拟合得到的只是一堆数字，说不出“为什么这个任务需要更强的执行延迟”。

所以目标是：来了一个新任务，先搭好环境、训练出它的基础策略，然后不用这个任务的人类数据，就能算出每个机制该开多强。 这叫“零样本”预测。零样本省掉的是人类数据，不是训练：新任务的基础策略照样要训，而且后面会看到，它正是算强度要用的工具。

1.3 强度由任务和策略共同决定

这是整份报告的出发点。“强度和策略有关”有两层意思。

第一层：量出来的强度依赖策略。 行为是“机制 × 策略”一起产生的，而策略会适应限制。交通研究里有现成的例子：司机会预判，预判能抵消反应慢和估计不准带来的不稳定（Treiber 等 2006）；用真实轨迹校准跟车模型时，显式加上反应时间，拟合几乎没有改善（Kesting & Treiber 2008）。所以同样是 0.3 秒的延迟，在会预判的策略里几乎看不出来，在不会预判的策略里影响很大。反过来，从人的行为反推强度时，换一个策略或换一种建模，反推出的数就会变。这一层对所有机制都成立。

第二层：强度本身可能是“选”出来的。 有些限制不全是硬约束，而是人在“做好”和“省力”之间的分配，比如花多少注意力去看、新消息信几分、动作要多快。这时强度和策略是一起决定的。这一层对部分机制成立。

由此得出三条推论，它们决定了本报告的主线：

1. 规则不能只看任务描述。 只用人工任务特征（如时间紧迫度）去算强度的公式，看不到策略能补偿多少，也看不到建模的影响。
2. 规则要借策略来算。 新任务的策略训好后，先看它在不同强度下能拿到多少好处，再决定开多强。
3. 跨任务共用的，不应该是强度这个数本身，而是更底层的东西。 主线的候选是每个机制一个“价格”：为了减轻这项限制，人愿意付出多少力气。价格是否真的跨任务通用，是要检验的假设（3.3）。

还有一部分建模的影响，借策略也算不出来，就是模拟器和真实实验不一样的地方（3.6）。

1.4 “激活规则”是什么：一个编出来的例子

激活规则就是一个计算方法：输入是新任务的策略和少数几个共享参数，输出是每个机制的强度。报告里把它记作 g。主线的规则只有一句话：在新任务的“好处曲线”上，找“好处 − 价格 × 代价”最大的那个强度。

例子（数字是编的）

只看反应慢半拍。先在每个任务里，让训练好的策略在不同延迟下做任务，记下它能拿到的好处（归一化到 0–1），连起来就是“好处曲线”。再假设一份力气的“价格”对所有任务都一样，价格 × 代价 = 0.02 ÷ 延迟秒数（越快越费劲）。

延迟（秒）	0.1	0.2	0.3	0.4	0.6
接管任务的好处	0.997	0.986	0.965	0.933	0.837
阅读任务的好处	1.000	0.998	0.996	0.992	0.982
价格 × 代价	0.200	0.100	0.067	0.050	0.033
接管：好处 − 价格 × 代价	0.797	0.886	0.898	0.883	0.804
阅读：好处 − 价格 × 代价	0.800	0.898	0.929	0.942	0.949

• 接管任务时间紧，延迟一大好处掉得快，最划算的点在 0.3 秒左右；
• 阅读任务延迟几乎不影响读懂，最划算的点在 0.6 秒左右；
• 来了一个新任务：搭环境、训练策略、画出它的好处曲线，用同一个价格找最划算的点。这一步不需要新任务的人类数据。

价格是规则里唯一的共享参数，用已有任务的人类数据定下来。“越紧迫，延迟越小”这条规律不是人写进公式的，是从两个任务的策略身上算出来的。如果接管任务的策略学会了提前动作，它的好处曲线会更平，算出的延迟也会更大。

对照 v2 开头的例子：v2 写的是“执行延迟强度 = 0.6 − 0.4 × 时间紧迫度”，其中 −0.4 要拿数据拟合，而且公式不知道策略能补偿多少。现在这种写法里，时间紧迫度的作用通过策略的好处曲线体现出来。人工任务特征并没有被丢掉，只是退到修正的位置，任务多了以后才加（3.5）。

围绕这个规则，有三件不同的事要定：

报告里说的“零样本”，就是这三件事全部只用旧任务的数据来定，新任务的人类数据一点都不用。新任务的人类数据只在最后用来检验：预测得准不准。

1.5 读这份报告需要的几个词

• 强度 θ：代码里机制算子上的那个数，比如延迟几秒。模拟器只认它。
• 可比强度：能在任务之间比较的强度，借策略算出，比如“机制改变了多大比例的决定”“适应之后还损失多少好处”（3.3）。
• 好处曲线：让策略在不同强度下尽量做好，它拿到的好处连成的曲线。只用模拟器算，不用人类数据。
• 代价、价格：代价是把限制减轻到某个强度要花多少力气；价格是一份力气值多少好处，每个机制一个，记作 λ。
• 特征（任务特点）：描述任务或任务阶段的数，比如时间预算、环境变化的快慢。本版分成两类：从策略算出的量，和人工给的任务特点（第四部分）。
• 拟合：反复调整参数，让模型模拟出的行为最接近已有的人类数据。
• 残差：规则算出来的值，和用该任务人类数据单独拟合出的值之差，即规则没说中的部分。各任务的残差通常有多大，统计上叫“任务间方差”，记作 τ²。
• 先验：数据不够时，事先给某个数设定的合理范围。
• 留一任务检验：一种考试。3 个任务里拿 2 个来定参数，用剩下的 1 个检验预测，轮流做 3 次。被留出的任务，它的人类数据在定参数时一点都不能碰。
• 基线（对手）：拿来比较的更简单的做法。规则只有赢过这些简单做法，才说明它真的有用。
• 似然、模拟推断：似然是给定参数时观察到这批数据的概率。你们的模型算不出它，只能通过模拟来比较，所以要用“模拟推断”。

更多术语见附录 C。

1.6 六个核心问题分别在问什么

调研需求里列了六个核心问题。按新的主线，它们的分量不一样：

这一轮在 1、2、5 上检索较充分；3、4、6 主要沿用补充说明里的来源，检索较浅。

第二部分　结论速览

1. 强度由任务和策略共同决定，规则要借策略来算。

同样的强度，在会补偿的策略里影响小，在不会补偿的策略里影响大；有些机制的强度本身还是人在“做好”和“省力”之间选出来的。所以规则的主干是：每个机制一个跨任务共用的“价格”，加上每个任务自己策略的好处曲线，在曲线上找“好处 − 价格 × 代价”最大的点。整个规则里，要用人类数据定的只有价格推断。详见 1.3、3.1。

2. 强度在一个回合内固定时，这和“让智能体在训练里自己选强度”等价，第一步不用新训练。

策略以强度为输入，已经学会了每个强度下怎么做最好；让它自己选强度、奖励里减去价格 × 代价，最后选中的就是好处曲线上的那个点。前提是策略在每个强度下都接近最优，这要检查。强度要随阶段变化时，才需要两层强化学习。详见 3.2、6.2。

3. 跨任务不变的到底是什么，本身是要检验的假设。

四种候选：物理强度（秒、误差比例）、决策错位率、好处损失、价格。每种对应一条“一刀切”规则，每个机制只有一个参数，所以 3 个任务就能比较待实验。详见 3.3。

4. 以理论为主，人工任务特点只做修正，而且要等任务多了再加。

三个领域里“只用理论 / 只用数据 / 两者结合”的直接比较都表明，结合最好，而且数据越少，理论那一项越重要已验证；用到认知机制上是推断。3 个任务时只用价格；6–10 个任务时，再让价格随一两个任务特点变化，或加少量修正和残差。详见 3.4、3.5。

5. 检验用留一任务，规则必须赢过简单对手；3 个任务只能算案例。

对手包括所有机制都关、所有任务用同一个物理强度、照搬最相似的任务。主指标是补齐比例：在“全关”和“用本任务数据单独拟合”之间，规则补上了多少。3 个任务能否定，不能证实；残差通常有多大根本估不出来已验证。详见第五部分。

6. 先用假数据跑通，再用真人数据；建模不像实验的部分，规则算不出来。

先造一批“答案已知”的假任务，检查方法能不能找回答案、判定标准该定多严。另外，模拟器和真实实验不一样的地方会被拟合进强度里，规则算不出，只能靠体检（换一种合理建模，看结论变不变）来处理。详见 3.6、6.1。

整体流程

哪些有证据，哪些是推断

第三部分　核心问题 2：规则写成什么样

这一部分在回答什么：规则长什么样，也就是新任务的每个机制强度怎么算出来，以及跨任务共用的到底是什么。

要点

• 主干：每个机制一个价格，加上每个任务自己策略的好处曲线，取“好处 − 价格 × 代价”最大的点。
• 强度一回合内固定时，这和“让智能体在训练里自己选强度”等价，第一步不用新训练。
• 跨任务不变的是什么，有四种候选假设，3 个任务就能比较。
• 以理论为主、数据修正，依据是三个领域的直接比较。
• 人工任务特点、修正项和残差，按任务数逐级放开。

3.1 主干：借策略算强度

计算理性的基本假设是：人在约束下做最优的事。把这个假设再往前推一步：机制强度本身也是人“选”出来的。把限制减轻（看得更准、反应更快、更愿意更新信念）要花力气，人会在“做好”和“省力”之间找最划算的点。这叫“资源理性”（Lieder & Griffiths 2020）。

写成规则，需要三样东西：

规则是：

θ*_{m,k} = argmax_θ [ Ṽ_k(θ) − λ_m · C_m(θ) ]

即在任务 k 的好处曲线上，找“好处减去价格乘以代价”最大的那个强度。1.4 的例子就是这样算的。

代价怎么写。 《激活强度》方案给了三个机制的主要形式，含义都是“限制越轻越费力”：

• 看不准：看得越准，需要的信息量越大，C = ½ · log₂(1 + S_k / σ²)，S_k 是被测量在本任务里的相对变化范围（理性疏忽，Sims 2003）；
• 新消息听不进去：每次更新实际吸收的信息，C = (1 − ρ) · Ī_k，Ī_k 是理想更新每一步平均带来的信息量；
• 反应慢半拍：越快越费劲，C = c ÷ τ（参照运动“活力”的研究，Shadmehr 等 2016）。

S_k、Ī_k 都从模拟器算，不用人类数据。

价格怎么定。 先在每个已有任务上拟合出群体强度 θ̂_k，也就是让这群人整体最像的值。在最划算的点上，“再减轻一点限制带来的好处”正好等于“多花的力气乘以价格”，所以价格可以直接倒算：

λ̂_k = Ṽ_k′(θ̂_k) ÷ C_m′(θ̂_k)

几个任务倒算出的价格合起来，用到新任务上。检验价格是否通用，就是看各任务的 λ̂_k 是否一致。

策略在哪里起作用。 好处曲线是策略跑出来的：策略越能补偿某项限制，这条曲线越平，算出的强度越大。所以策略的影响直接进入了规则，而不是被忽略。

好处和问题。 好处是有理论依据，原则上能推到从没见过的任务；要用人类数据定的数很少，每个机制一个。问题是每个机制都要说清代价，代价形式选错，结果就偏；人未必真的最优；价格未必跨任务通用。这些放在 3.6。

3.2 这和“在训练里决定强度”是什么关系

一种更直接的想法是：别在训练之后算强度，让智能体在训练里自己决定开多强，奖励里扣掉价格 × 代价。它和 3.1 是什么关系？

• 强度在一个回合内固定时，两者结果相同。 智能体在回合开始时选 θ，之后按 θ 做任务。它最后会选的，就是使“好处 − 价格 × 代价”最大的 θ，也就是 3.1 在好处曲线上算出的点。因为参数条件化策略在训练时已经学会了每个 θ 下怎么做最好。所以 3.1 是“让智能体自己选”的省算力版本，第一步不需要新训练。
• 前提要检查。 等价成立的前提是：参数条件化策略在每个 θ 上都接近最优。检查办法：在 θ 范围的 1/3 和 2/3 处，各另外训练一个“固定 θ”的策略（3 个种子），比较回报。差距大于换种子带来的差距，就说明好处曲线会偏，要先改进训练。
• 强度随阶段变化时，才需要真的放进训练。 这时是两层强化学习：上层在阶段边界选下一段的强度，奖励里含 −λ·C；下层是用分段常数的强度日程训练出的策略。阶段怎么分也可以交给上层学，人为划分的阶段只用来检查（6.2）。

两种做法都依赖建模，因为训练环境本身就是建模的产物。所以“放进训练”不能让强度摆脱建模。它解决的是另一件事：让强度由策略自己权衡出来，而不是事后拟合出的一个旋钮。

3.3 跨任务不变的是什么：四个假设

价格不是唯一的候选。“规则对新任务能用”的前提，是有某样东西在任务之间不变。它可以是：

几个词：

• 决策错位率 f：拿一个没有任何限制的策略，把机制按 θ 加到它的输入上，不让它适应，看它的决定有多大比例被改变。0 表示不变，1 表示全变。
• 好处损失 ℓ：让策略在 θ 下尽量做好，它比没有限制时少得的好处，占“没有限制”到“随机乱做”之间差距的比例。ℓ = 1 − Ṽ。
• 换算表：每个任务一张 θ 和 f（或 ℓ）的对照表，只用模拟器算。

f 和 ℓ 放在一起也有意义：f 大而 ℓ 小，说明这个任务允许策略绕开这项限制，补偿的空间大。

四条规则每个机制都只有一个参数，所以 3 个任务就能比：哪种假设下“一刀切”猜新任务最准，就是第一项研究的结果（6.1）。这比“规则赢不赢一刀切”多回答一件事：跨任务不变的到底是什么。 价格那一条是主线，因为它把“强度是选出来的”这层意思也包括了进去，并且能自然地扩展到分阶段（3.2）。但它是假设，不是结论。

物理强度那一条不借策略。它不是主线，而是用来对照的：如果它赢了，说明这个机制更像人的固定属性，和策略关系不大。

3.4 为什么以理论为主：三个领域的直接比较

这一轮在三个领域找到了“只用理论／只用数据／两者结合”在新问题上的直接比较。它们都不是认知机制的研究，但问题的结构和你们很像。

例一：预测人在赌博题上怎么选（行为经济学）。 研究者要预测：面对一道没见过的二选一彩票题，有多少比例的人会选 A。有三种做法：只用一个心理学理论（叫 BEAST）直接预测；只用机器学习从大量题目里学；把理论的预测当作机器学习的一个输入（叫 BEAST-GB）。结果是已验证·工作稿：

• 只用理论：在题目较少的 CPC18 竞赛中，完备度为 88.9%；换到覆盖面更广的 choices13k 数据集（约 13,000 道题），降到 65.7%。
• 两者结合：在这两个数据集上分别达到 92.6% 和 96.2%。
• 只用 176 道题训练的结合模型，已经比用约 9,000 道题训练的神经网络更准。
• 题目少时，去掉理论那一项，误差翻倍；题目多时，去掉它差异不显著。
• 换到没见过的实验情境（16 个情境，每次留出一个），结合模型比“直接照搬其他情境里同一道题的结果”好 13%。

“完备度”的意思见 5.3。

例二：化工反应器建模（过程工程）。 反应器遵循已知的物理化学方程，但方程里有些参数（比如反应速率）测不到。做法是：让神经网络只负责估这些测不到的参数，再把估出的参数送进方程，由方程算出结果。和纯神经网络相比，这种“灰箱”模型在训练范围内外都预测得更准，需要的数据也少得多已验证·仅摘要。

它的结构和你们完全一样：方程对应你们的基础策略，测不到的参数对应机制强度 θ，神经网络对应激活规则。

例三：从成人剂量推儿童用药（药物计量）。 常用“体重的 0.75 次方”这个公式，从成人的药物清除率推算儿童的。结果是已验证：

• 2 岁（有的研究定在 5 岁）以上，这个公式就够用，在一项研究中甚至比更复杂的生理机理模型还准；
• 更小的婴幼儿体内过程不同，需要额外的修正；
• 而且为一种药学到的修正，换一种药就不适用。

三个例子合起来，对你们意味着三点推断：

1. 理论单独用，适用面一宽就不行；作为结合中的一项，即使它单独表现差，也仍然有用。 所以即使算出的理论值比较粗糙，也值得保留；任务多了以后，再由数据决定信多少（3.5 的 η）。
2. 数据越少，理论越重要。 你们只有个位数的任务，正处在最需要理论的阶段。
3. 在一个任务上学到的修正，换到机制起作用方式不同的任务上，可能就失效了。 所以修正项要少，并尽量用方向明确的特征；任务特有的部分交给残差 v；新任务明显超出已有任务的范围时，只给误差范围，不给单一数值（见附录 G.6）。

还没有回答的是：在你们的问题里，“从资源权衡推出的理论”是否真的优于“按数据画线”。例一的理论是描述人怎么选的行为理论，例三的公式来自生理规律，都不是“收益减代价求最优”。这只能靠你们自己做比较，见 3.3、3.5 和 6.1待实验。

各部分的文献依据汇总在附录 E.2。

3.5 逐级放开：什么时候加任务特点和残差

数据能支撑的参数个数有限。3 个任务、每个任务 3 个阶段，一共只有 9 行数据。所以规则按任务数逐级放开，每一级都要先赢过上一级，才能往上走：

R1 的候选任务特点都优先从模拟器算（更多候选见附录 G）：

注意：在信息坐标下一刀切，对反应慢半拍来说，大致相当于在物理坐标下按“任务特征时间”缩放。所以“比较坐标”（3.3）和“加任务特点”其实是同一件事的两种写法，这也是要先做 3.3 那个比较的原因。

R2 就是 v2 推荐的混合写法，各项含义如下：

三种写法是“套娃”关系：η=1、b=0、不估 v 时，就是 R0 的价格规则；η=0 时，就是纯“按数据画线”。所以“理论到底有没有用”不必事先拍板：任务够多以后，看 η 估出来是否明显大于 0 就行。v2 的公式里还有一项个人偏离 u，表示同一任务里每个人和平均水平的差别；现阶段规则只管群体（每个任务所有人共用一个值），u 暂缓。

遇到下面的情况，要换方案：

• 某个机制说不清代价，就算不出它的理论值，只能对它用另外三条一刀切规则，或按数据画线。
• 一次模拟要跑很久时，好处曲线没法临时算，只能事先在不同强度上算好，存成表。
• 机制很多时，同时找所有机制最划算的组合，计算量很大，需要先筛掉不相关的机制（6.3）。
• 任务多了以后，η 估出来接近 0、留一任务检验也没有改进，说明理论没用，就退回按数据画线。

3.6 前提和风险

1. “关闭”必须等于“强度为 0”。 所有机制取 0 时，策略必须是没有认知限制的理想观察者：看得准，按贝叶斯规则理想地更新，下令后立即执行。现在的代码还不满足：新消息听不进去的滤波器假设的观测噪声是写死的，结果它和看不准会互相顶替；过街里开关还会改变模型结构（《激活强度》方案第 2 节）。不先修好，3.3 的比较没有意义。
2. 每个机制都要说清代价。 3.1 给了主要形式，还各有备选形式。代价形式选错，算出的强度就偏。比较主要形式和备选形式，本身也是要做的检验。
3. 价格未必跨任务通用。 现有证据是矛盾的。一项研究（6 个研究、663 人）发现，三种测“认知努力”的任务彼此几乎不相关；另一项研究（104 人）发现，同一批人在工作记忆任务和噪声中听句子任务里的“怕累程度”中等相关（r=0.34）已验证。所以任务多了以后，价格要允许随任务变化（R1）。
4. 策略要在每个强度下都接近最优。 否则好处曲线偏，算出的强度也偏（3.2 的检查）。
5. 人未必真的最优。 人可能系统地偏离“最划算的点”。这部分交给 R2 的修正项和残差。
6. 只按任务成绩选强度，会把限制全关掉。 如果奖励里只有任务成绩，最优解很可能是所有限制都为 0，模型就不像人了。代价项写进来，就是为了把“限制省了力气”算进去推断。
7. 建模不像实验的部分，规则算不出来。 如果模拟器和真实实验不一样，比如模拟器给的信息比真实驾驶模拟器更全，拟合时就会把“看不准”调大来补。这种补丁不在好处曲线里。借策略来算，能让结论明确地以这套建模为条件，并且前后一致：新任务用哪个策略算强度，就用同一个策略去模拟。但它不能让结论摆脱建模。这部分只能靠体检（换一种合理建模，看结论变不变）和成功标准的第二层来处理（《跨任务激活规则-分阶段实施计划》1.5、1.6 节和第 0 步）。

第四部分　核心问题 1：规则的输入

这一部分在回答什么：规则的输入用什么、怎么得到，以及怎么保证在新任务上也能得到。

要点

• 输入分两类：从策略算出的量（主），人工任务特点（辅）。
• 从策略算出的量带着“策略能补偿多少”和“建模是什么样”的信息，人工任务特点不带，所以前者是主干。
• 人工任务特点只在任务多了以后（R1、R2）才用，每个机制最多一两个，方向事先写好。
• 两类输入都绝不能包含人在新任务上的表现。

4.1 两类输入

为什么前者是主干：同一个人工任务特点（比如“时间预算 5 秒”），在会预判的策略和不会预判的策略里，对强度的意义不一样；从策略算出的量直接反映了这一点。别的领域也有把“模型算出的量”当输入的成熟做法：算法选择里用便宜程序跑一小会儿得到的“探针特征”，任务嵌入里用固定网络的敏感模式作任务的“指纹”，风险选择预测里把理论的预测值本身当特征，题目少时去掉它，误差翻倍已验证；用到机制上是推断。

要注意两点：

• 机制敏感度说明的是“这个机制能改变什么”，不等于“人在这个任务里需要开它”，这需要检验待实验。
• 专家打分和语言模型读任务描述生成的特点，不推荐。 一项研究里，以专家共识为输入预测题目难度，相关只有 0.33已验证·仅摘要；医学考试题目难度预测竞赛中，读文字自动生成特点的最好成绩（误差 0.299）只比直接猜平均值（0.311）好一点已验证。

4.2 人工任务特点：什么时候用、怎么用

• 什么时候用：3 个任务时不用。6–10 个任务时，每个机制最多加一两个，事先登记，并规定作用方向（如“越紧迫，延迟越小”）。15–20 个任务以上，才从较多候选里挑。
• 好特点的三个条件：能跨任务比较（用比值，不依赖单位）；能客观测量（写成任务规格里的参数，不写“难不难”）；绝不包含人在这个任务上的表现。
• 进入规则前要过四道检查：可靠吗；能用吗（在任务之间有没有变化、和别的特点是否重复）；有没有预测力；去掉会怎样。
• 新任务超出已有任务的范围时，只报告放宽的误差范围并标明“外推”，不给单一数值。

候选清单、四道检查的做法、数量上限和外推规则的细节见附录 G。

4.3 不能偷看答案：防泄漏清单

“泄漏”指规则的输入里，不知不觉混进了预测时本来拿不到、或者带着答案信息的东西。数据挖掘领域对此有专门的讨论（Kaufman 等 2012，只核了题录）。具体到你们，要注意六点：

1. 时间上不能超前。 某一时刻的特征，只能用这一时刻之前已经发生的信息。像“这个阶段一共持续了多久”这种事后才知道的量，不能用。
2. 不能用新任务的人类表现。 反应时、成功率、轨迹统计都不行，间接用法也不行（比如用成功率去校准“难度”）。
3. 标注的人不能看结果。 给特征打分的人不能先看到人类数据；标注规则和取值在拟合前定死。
4. 挑特征也算拟合。 如果要从多个特征里挑，挑选只能用训练任务，被留出的任务不能参与。
5. 模拟器算出的量只用策略和任务规格。 价格 λ 要用人类数据定，也只能用训练任务的数据。赌博题预测研究里，理论的参数沿用以前竞赛的估计，没有在新数据上重新调已验证·工作稿。
6. 留一份记录。 如果某个特征和人类结果的相关高得不正常，回头查是不是泄漏了。

第五部分　核心问题 5：怎么证明规则对新任务有效

这一部分在回答什么：怎样才算证明了“规则对没见过的任务也能用”，包括怎么考、和谁比、怎么打分、至少要多少任务。

要点

• 考法是“留一任务”：用其余任务定规则，用留出的任务检验，轮流做。
• 3 个任务时，主要比较四条“一刀切”规则，并且都要赢过“所有机制都关”和“照搬最相似的任务”。
• 主指标是补齐比例；另外给“预测分布”整体打分。
• 任务很少时，单次的胜负可能是运气，判定标准要事先用模拟数据定好。
• 3 个任务只能算案例；6–10 个任务能做小规模的正式检验。

5.1 检验方法：留一任务

做法就是 1.5 说的考试：3 个任务里拿 2 个定规则，预测第 3 个；轮流做 3 次，每次都把预测和第 3 个任务的真人数据比较。

认知建模里，这个做法有一个正式名字，叫“泛化准则”：在一组实验设计上定参数，在一个新的设计上检验。它和常见的交叉验证不同：交叉验证的测试数据来自同一个实验，泛化准则的测试数据来自没用过的实验。研究指出，数据多时交叉验证容易偏向复杂的模型，而泛化准则能挑出更简单、推广得更好的模型已验证·仅摘要。有研究就用它比较了 8 个决策学习模型：用每个人在一个赌博任务上估出的参数，去预测这个人在另一个赌博任务上的表现已验证·仅摘要。

具体要求：

1. 除了留出整个任务，也可以留出阶段、留出条件。 这种检验更弱，但次数更多，可以作为补充。
2. 调参的设置事先定死，不要用留一任务的结果来挑。 机器学习的“跨领域泛化”评测发现，用“留一领域”来挑模型设置，反而比用训练数据挑更差（平均准确率 63.8 对 67.0）；而且在那个评测里，最朴素的方法几乎没有被任何新方法明显超过已验证。启示是：任务少时，要认真对待简单对手。
3. 每一轮单独报告，不要合成一个 p 值。 原因见 5.5。
4. 先判断新任务在不在已有范围内，见附录 G.6。
5. 检查误差范围是否诚实。 如果说“有 80% 的把握落在这个范围内”，那实际上大约 80% 的时候应该落在范围内。研究很少时，常规方法算出的误差范围往往偏窄，见 5.5。

5.2 要赢过哪些对手

一个规则“预测得还不错”说明不了什么，要看它是否比更简单的做法好。对手分两组。

3 个任务时（R0）：

任务多了以后（R1、R2）再加：

5.3 用什么指标打分

先确定比较哪些行为：事先登记一组分阶段的行为统计量（比如每个阶段的反应时、轨迹特征、事件发生的时间），拟合前定死。然后用下面几个指标：

补齐比例（主指标之一）。 它衡量：在“所有机制都关”和“用本任务数据单独拟合”之间，规则补上了多少。

例子（数字是编的）

所有机制都关（B0）时，模拟和真人的差距是 10；用本任务数据单独拟合（B3）时是 4；规则预测的强度下是 6。

补齐比例 = (10 − 6) ÷ (10 − 4) ≈ 67%

1 表示和单独拟合一样好，0 表示和不开机制一样，负数表示比不开还差。

它和经济学的“完备度”（Fudenberg 等 2022）是同一类指标，只是两端换了。完备度以“最笨的对手”（这里取 B1）为起点、以噪声底为终点，适合任务多了以后回答“规则比一刀切好多少”；风险选择预测研究也用它报告结果已验证·仅摘要。3 个任务时比较的是四条一刀切规则，B1 本身就是候选之一，所以用补齐比例作主指标。

给“预测分布”打分（主指标之二）。 规则给出的不是一个数，而是一群模拟人的行为分布。统计上有一类专门给分布打分的方法，叫“适当评分规则”（如能量得分、CRPS）。它保证“如实报告自己的预测分布”时得分最高，不会鼓励模型故意说得更自信或更保守（Gneiting & Raftery 2007，本轮只核了题录）。

逐个统计量算“像不像”。 自动驾驶仿真竞赛 WOSAC 的做法是：每个场景模拟 32 次，对每个行为统计量，用模拟结果画出直方图，看真实数据落在这个直方图里的概率高不高，再按事先定好的权重汇总。它在 44,920 个没参与训练的场景上评估已验证。你们可以照搬这个思路。

分布距离（辅助）。 比较两组样本差多远，例如 MMD已验证。它只比较两组样本，不直接给“预测分布”打分，所以作辅助指标。

误差范围是否诚实。 名义上 80% 的范围，实际是否大约 80% 的时候包含真值。

策略本身有没有问题。 报告每个任务的基础策略完成任务的表现，防止把“策略没训好”误当成“规则不行”。

5.4 3 个任务能证明什么，需要多少任务

3 个任务只能算案例。 留一任务只有 3 轮，每轮一个结果。它能“证伪”（规则在某个任务上明显不行），但不能“证实”（3 次都好也可能是运气）。几个参照：

建议的节奏推断：

• 3 个任务：把流程跑通，作为案例。
• 6–10 个任务：事先登记规则形式和判定标准，做一次小规模的正式检验；特征不超过 1–2 个。
• 15–20 个以上：可以从较多候选特征中挑选；机制数到 10 个左右时，任务数也接近区分机制所需的数量。

5.5 任务少时的统计陷阱

• “差值除以标准误”不可靠。 两个模型预测相近、数据少、模型又不完全对时，用留一法比较得到的不确定性估计会失真，有时数据再多也纠正不了（Sivula 等 2025）已验证·仅摘要。四条一刀切规则在 3 个任务上的预测可能很接近；任务多了以后，R1、R2 和 R0 又是“套娃”关系，预测本来就相近，都正是这种情况。
• 常规误差范围往往偏窄。 元分析里，常规方法给出的“新研究会落在哪”的范围，只有在研究之间差异大、且各研究规模相近时才准；其他情况下偏窄，多加研究也不一定能改善（Partlett & Riley 2017）已验证·仅摘要。
• 留一法的快速近似算法在分层模型里常常失效，需要特别处理（Riha 等 2026，预印本）已验证·仅摘要。如果你们用模拟训练出的推断网络，每轮直接重算也不贵。

对策是用模拟数据事先定判定标准推断：造一批假任务，一半按“规则成立”生成数据（比如各任务价格相同），一半按“规则不成立”生成数据（比如各任务价格不同，或者其实是物理强度相同），对它们跑完全相同的留一任务流程，看两种情况下“规则比对手好多少”各是什么样的分布。据此事先写下：在真实数据上要好多少，才算数。

3 个任务时的判定规则（参照《激活强度》方案 3.4 节，具体门槛以假任务上的定标为准）：

• 某条规则在三个任务上的补齐比例都 ≥ 0.5，并且平均值比次优规则高出换种子带来的标准差的 2 倍以上：记为“这个机制在该假设下跨任务近似不变”；
• 各规则之间的差别在种子误差以内：三个任务分不出高下，等更多任务或条件；
• 所有规则的补齐比例都 < 0：这个机制的强度不能跨任务一刀切，需要任务特点（R1、R2）。

第六部分　路线图（含核心问题 3、4、6）

这一部分在回答什么：接下来按什么顺序做；分阶段怎么做；机制扩到几十个时怎么办（核心问题 3）；规则里的数字怎么估（核心问题 4）；数据和实验怎么设计（核心问题 6）。

要点

• 第一项研究（约三周）：统一实现、算好处曲线和换算表、用留一任务比较四种“不变”假设。
• 分阶段时，让智能体自己决定每个阶段开多强；前提是价格能跨任务通用。
• 机制扩到几十个时：先筛掉不相关的机制，效果相似的按“环节”归组，每个机制配一个“探针任务”。任务数下限：3 个机制至少 5 个任务，20 个机制至少 34 个。
• 现有数据（各任务的参与者不同）只能检验任务层面的规则。

6.1 第一项研究：用三个任务比较四种“不变”假设

这一项就是《激活强度》方案第 7 节的研究 A、B、C，再加上 v2 原有的假数据检查。全程只用开发和验证数据，不碰锁住的测试数据。

遇到这些情况，先停下来： S1 认不出不同的假设；C 里价格规则最多只有 1 轮赢过 B1；赢不了照搬最相似任务（B8）；三个任务倒算出的价格差别远大于种子误差。这时先回头检查代价形式和实现，不要急着往规则里加参数。

6.2 分阶段：让智能体自己决定

同一个任务里，不同阶段可能需要不同强度。比如接管任务以事件为界分成几段：接管提示 → 第一次操作 → 开始换道 → 换道完成。

主路线：让智能体自己决定每个阶段开多强（3.2 的两层结构）。

• 下层：用分段常数的强度日程训练策略。现在的策略只见过一个回合内固定的强度，阶段内切换会落到训练没见过的情况，所以必须重训。
• 上层：在阶段边界选下一段的强度，奖励里含 −λ·C。
• 阶段怎么分，可以交给上层自己学；人为划分的阶段只用来检查。
• 这样，“规则”就缩成每个机制一个价格，阶段之间的变化由智能体自己学出来。

前提和岔路口（与《跨任务激活规则-分阶段实施计划》第 5 步之后的岔路口一致）：如果 6.1 和之后的检验表明价格基本能跨任务通用，走上面的主路线；如果不通用，就退回人为划分阶段、按阶段用规则算强度的做法。

要防一个强零假设。 即使强度固定不变，一个知道自己处在哪个阶段的最优策略，本身也会在不同阶段做出不同的行为。Jokinen 等的驾驶多任务模型几乎没有拟合参数，阶段依赖的行为来自固定的限制加上信念的变化已验证。所以“行为随阶段变化”推不出“强度随阶段变化”，必须赢过“强度固定、策略感知阶段”这个对照，以及打乱阶段标签、随机切换点等伪对照（见上轮报告）。

6.3 核心问题 3：机制扩到几十个时怎么办

这个问题在问三件事：机制从 3 个变成几十个以后，（1）每个任务真正需要哪些机制，怎么挑出来；（2）两个机制作用在同一个环节、效果相似时，怎么分清是谁在起作用；（3）需要准备什么样的任务、准备多少个。本轮在这个问题上检索较浅，下面主要沿用补充说明里的来源。

1. 先筛选。 用“定义筛选设计”：m 个机制只需要 2m＋1 次模拟，就能大致看出每个机制对每个任务有没有影响已验证·仅摘要。20 个机制只需要 41 次群体模拟。没有影响的“机制×任务”组合直接剪掉。算法配置的研究发现，95%–99% 的改进往往来自 1–4 个参数；如果机制库也是这样，每个任务真正起作用的机制会很少（推断）。
2. 让规则自动挑。 用一种统计设定（叫“正则化马蹄先验”），事先说明“预计每个任务只有 1–4 个机制起作用”，让数据决定是哪几个推断。也可以用上轮提到的 SBMI，同时推断“开不开”和“开多强”。
3. 效果相似的机制按环节归组。 比如几个机制都作用在“知觉证据形成”这个环节，它们可能互相替代，数据分不出来。对策有三个：按环节（知觉、信念更新、动作执行）报告“这个环节有没有机制在起作用”；规定同一个环节最多只有一个机制起作用；专门设计一个能把它们区分开的测试条件推断。
4. 为每个机制准备“探针任务”。 心理测量有一个成熟做法：每种要测的能力，用三个表面上不同的任务去测，只取它们共同的部分，避免某个任务的特殊性混进来已验证。对应到机制库：每个机制至少有一个（近似）只需要它的任务，并且至少出现在三个不同的任务里。

需要多少任务。 按心理测量的可辨识条件推算：每个机制至少要有一个只需要它的任务，并且至少出现在 3 个任务中。这样算出的任务总数至少是 M＋⌈2M/r⌉，其中 M 是机制数，r 是一个普通任务平均用到的机制数推断。

表 6a　按 r=3 计算的任务数下限

这是针对“开或关”这种二值情况的推算；你们要估的是强度，所需的任务只会更多。所以现有 3 个任务，连 3 个机制的严格区分都不够。一个缓冲的办法是在任务内部做多个条件，但它只能帮助估计任务内部的变化，任务之间的推广仍然取决于任务数。

6.4 核心问题 4：怎么估计规则里的数字

这个问题在问：你们的模型算不出似然，只能通过模拟来比较行为；各任务的参与者又不同。在这种情况下，怎么把多个任务的数据合在一起，定下规则里的共享数字。

主线上的做法很简单。 R0 每个机制只有一个价格，可以分两步定：先在每个训练任务上估出群体强度 θ̂_k（沿 θ 网格找“这群人整体差距最小”的点，用抛物线插值求最小值，按被试做自助法给出区间）；再用一阶条件倒算 λ̂_k，取平均。参数这么少时，两步走够用。

训练范围。 策略训练时强度的取值范围（论文里的 b）只负责覆盖，不再当结果报告。按《激活强度》方案 5.2 节，覆盖到好处损失约 0.6，或覆盖到估计区间上界的 1.5 倍，取较大者。

任务和机制多了以后再升级。 两步走会把个体差异估偏（药物计量的老结论，见上轮），残差大小也只能靠先验。到 R1、R2 时，可以换成下面的做法（本轮在这个问题上检索较浅）：

以后还可以试“边训练边校准”（训练和推断交替进行），它只适用于已有真人数据的任务，见《跨任务激活规则-分阶段实施计划》第 3 步。技术细节见附录 E.4。

6.5 核心问题 6：数据与实验设计

这个问题在问：在“不同任务的参与者不同”的现状下，能检验哪些结论；如果采集新数据，该怎么设计；有没有公开数据能增加任务数。

现有数据能检验的：任务层面的规则（规则本身、任务残差），以及任务内的个人差异。不能检验的：一个人在不同任务中是否一致，也就是个人特质。因为每个人只做了一个任务，人的影响和任务的影响混在一起，分不开（上轮结论不变）。

如果采集新数据：

1. “探针任务组＋应用任务”。 先用一组探针任务定下每个机制的强度尺度，再在应用任务上检验零样本预测。
2. 部分重叠。 每人做 2–3 个任务，安排成“任意两个任务之间都有共同的参与者”，这样能估出个人特质占多大比例。但要有心理准备：很多认知任务的个体差异，重测信度很低，许多低于 .25；一项 522 人、37 个任务的研究发现，任务指标和问卷指标几乎不相关，任务也大体预测不了现实中的结果。所以先用模拟算好样本量已验证。
3. 任务内多做条件。 用定义筛选设计，在每个任务内操控 3–4 个特征，给规则提供更多数据行。

公开数据：

表 6b　可用于检验方法的公开数据

这些数据都不能直接变成你们机制库里的新任务：把一个公开实验改成你们的任务，要重写成 POMDP 并训练基础策略，成本不低。更现实的用法是检验方法流程推断。

个人层面暂缓。 同一任务里每个人和平均水平的差别（v2 公式里的 u），以及同一个人在不同任务里是否一致，现阶段都不做：规则先只管群体，每个任务所有人共用一个值。

第七部分　需要你补充或拍板的事

需要拍板（来自《激活强度》方案，决定第一项研究能否开始）：

1. 基础模型是否改成理想观察者（推荐改）。代价是看不准、新消息听不进去相关的模型要重训，论文里新消息听不进去的数值不能再直接比较。不改的话，这个机制就不能参加跨任务比较。
2. 任务固有噪声取多少。 推荐取 0，即看不准关闭时看得完全准；另一个选择是保留现在隐含的 5%，算进基础模型。
3. 要不要给策略真实加速度。 推荐一律不给，让它从信念里估计，这样强度从 0 开始变化时，模型结构不会突然跳变。
4. 每个机制的代价形式（3.1 的主要形式和备选形式）是否接受。

需要补充（按对方法选择的影响排序）：

1. 现有三个任务里，人为操控了哪些条件？ 比如接管时间预算有几档、词长有几种、车距和车速有几种组合，以及是否逐试次记录。这决定能不能用“任务内多做条件”增加检验力（6.1、6.5）。
2. 一次群体模拟要跑多久？ 这决定好处曲线能不能临时算，还是要事先算好存表。
3. 未来一年计划增加多少任务和机制？能否让同一批人做多个任务？ 这决定按 5.4 的哪一档来规划，以及要不要采用重叠设计。

附录 A　跨领域类比

本附录回答两个问题：你们的问题在其他领域对应什么，以及各领域哪些做法能搬过来。正文的依据大多从这里来。

A.1 本问题可以表述为哪些已有问题

表 A1　十种已有问题表述及其成立条件

推断表中判断是对各问题条件的逐条比对，不是原文献的结论。

A.2 结论：最小公共结构

没有任何一个已有问题同时具备“参数由理论借机理模型算出、参数经昂贵无似然模拟器连到群体数据、样本是少数几个任务”这三点。按本版主线，最小公共结构是：

1. 主干来自 F8：资源理性。强度是在本任务好处曲线上的最优取舍点，跨任务共享的是价格。F10 提供结构依据：规则只负责不能直接测量的参数，行为仍由机理模型（这里是策略）产生。
2. “理论值加校正”的写法来自 F3、F9：理论作为固定骨架，只做少量校正，而且校正不能随便跨对象迁移。F9 提供了这种做法在新问题上有效的直接证据，但对象是选择率，不是机制强度。
3. 统计写法来自 F1、F2：任务多了以后，用任务特点预测价格或修正项，加任务层残差，预测分布含异质性。
4. 推断机器来自上轮：参数条件化策略作摊销模拟器，做模拟推断。

A.3 它不是什么

它不是普通的多任务学习或元学习，也不是门控网络（上轮已排除）。原因是任务太少。两个参照：

• Meta-World 的 ML10 在 10 个训练任务、5 个留出任务上训练，训练任务成功率 86.9%（RL²），留出任务仅 35.8%（RL²）和 31.6%（MAML）。这是论文 arXiv 版本图注中的数字，其他榜单页给出的数字不同，应以原文为准已验证。
• CoinRun 的研究发现，智能体会对相当大的训练集过拟合；Procgen 的泛化协议建议每个环境训练 500 个关卡，理由是该规模接近泛化开始起作用的区域已验证。

这些是强化学习里的泛化，不能直接换算成你们的任务数，但它们提示：靠学习得到的跨任务映射需要远多于个位数的任务，所以 g 必须强约束（低维、结构化）才有希望。

A.4 Centaur 说明了什么，没说明什么

Centaur 在 Psych-101 上微调（160 个实验、60,000 多名参与者、1,000 多万次选择），能预测留出参与者，也能泛化到新的 cover story、任务结构改动和新领域已验证。它证明“跨很多实验的统一预测”可以做到，但它是数据驱动的黑箱，没有机制库，也不给出机制强度。对你们有两点用处：可作为公开数据来源（见 6.4），以及说明跨任务预测的数据规模量级。它不是 g 的候选形式推断。

A.5 各领域与本问题的逐项映射

共考察 11 个领域或问题族。表 A2 给出每个领域里与“机制、强度、任务／阶段特征、激活规则、人类数据、对新任务的预测”对应的概念，表 A3 给出可迁移之处和不成立的假设。

表 A2　各领域中与“机制／强度／任务阶段特征／激活规则／人类数据／对新任务的预测”对应的概念

A.6 可迁移之处、不成立的假设与判断

表 A3　迁移判断（证据等级见各行）

A.7 排除与降级及理由

• 纯黑箱元学习或基础模型（Centaur 类）：需要 160 个实验量级的数据，无法给出机制强度，因此排除。
• 以随机森林或 GP 直接建模 g(x)：算法选择里它们在训练分布内最准，但对特征空间外的外推没有保证；对 K 很小的任务级回归，参数化形式更可控。旁证：过程工程中纯黑箱网络的外推明显差于灰箱（Psichogios & Ungar 1992），风险选择中黑箱神经网络在数据少时不如理论＋数据的混合（Plonsky 等 2025）已验证。但这两项都不是随机森林／GP 与参数化规则的直接对比。
• 门控／混合专家（MoE）：上轮已排除，原因不变。
• 机器人技能库的组合泛化：本轮未检索，暂不纳入。

附录 B　规则候选方法对比

规则的候选形式分 M1–M8 八类（估计层的 E1–E4 见 6.4）。按本版主线：M4（规范式、资源理性）是规则主干，即 3.1 的价格规则；M5（混合）是任务多了以后的扩展，即 3.5 的 R2；M1–M3 是 R1、R2 里修正项和残差的写法；M6、M7 因任务数太少不推荐；M8 要等“任务×条件”达到数百个才可行。

B.1 来源、预测对象与训练信号

表 B1　规则层方法的来源、预测对象、输入输出与训练信号

B.2 接入要求、计算代价、外推能力与局限

表 B2　规则层方法的接入要求、计算代价、外推能力、局限与代表文献

读表要点：

• 表中“外推能力”一栏仍多为推断：没有任何一类在“用任务特征预测认知机制强度并外推到新任务”这件事上有直接验证。目前找到的直接证据（M5、M8 两行）来自风险选择与过程工程，对象分别是选择率和过程参数。
• Peterson 等 2021 展示了“用理论约束机器学习，得到更准且保留理论洞见的模型”的做法，数据量是 13,006 个风险选择问题。Bourgin 等 2019 先用认知模型生成的合成数据预训练神经网络，再用少量人类数据微调，在两个基准上取得当时最好的结果已验证·仅摘要。后者在结构上与“用模拟器训练摊销估计器”相同，提示 g 的先验也可以由模拟器生成，而不只靠手写推断。两项都是在选择任务内、数据充足的条件下做的，与你们的少任务条件不同。

附录 C　术语表

符号

名词

附录 D　检索范围与核验说明

本轮分两步：第一步按“问题 1、2、5 优先”检索约 35 次；第二步核验第一步只读了摘要或题录未核的文献，并补查问题 1、2、5，又用了约 50 次。两步都没有耗尽检索额度。

本修订版没有新增检索。 新增的内容来自两处：一是《激活强度》方案对三个任务代码的审计和推导（其中“新消息听不进去”的等价式已在过街代码上做过数值验证）；二是交通研究中“预判抵消延迟”的两篇文献（Treiber 等 2006；Kesting & Treiber 2008），转引自《跨任务激活规则-分阶段实施计划》，本轮未重新核验。

• 较充分：解释性 IRT 与认知设计系统、题目难度预测、特征标注的效标验证；算法选择的实例特征与任务嵌入；行为预测竞赛中理论与数据的混合；药物计量的协变量外推，含机理模型与经验缩放的直接对比；灰箱建模；上下文 RL；资源理性与有界最优；跨任务验证，含泛化准则、完备度、LOO 不确定性、预测区间覆盖、分布层面的评分。
• 较浅：问题 3（稀疏选择、标定任务）、问题 4（跨数据集摊销推断、高维 θ 的策略覆盖）、问题 6（公开数据集），主要依赖补充说明中的来源。
• 未检索，不作结论：机器人技能库的组合泛化；认知架构默认参数的跨任务稳定性（只核到 Salvucci 2006 的 ACT-R 驾驶模型摘要）；基于模型的荟萃分析（MBMA）的原始文献。
• 仍未读全或未核完：Hutter 等 2014 的特征贡献表（Table 3）没有读到；Plonsky 等 2025 的数字取自 arXiv 工作稿，正式版正文未读；Jones & Nachtsheim 2011 的卷期；Meta-World 的会议版本；Embretson 认知设计系统的原始文献（只读到综述转述）。其余见参考文献中的标注。
• 已弃用的数字：第一版引用过“儿科不同年龄段估计的异速指数从 0.2 到 2.01”，来源是一篇博士论文的综述（二手），未能在原始文献中核到，本文不再使用，改以 Calvier 等 2017 的结论为准。原出处
• 文件夹中同名不带 -v2 的文件是第一版，内容已全部并入本文，不必再读。

附录 E　正文各表的技术版

正文为了好读，省略了下标和部分技术细节。本附录保留完整写法，供实现时查对。

E.1 规则的完整写法

主干（R0，资源理性）：
θ*_{m,k,p} = argmax_θ [ Ṽ_{k,p}(θ) − λ_m · C_m(θ) ]
  Ṽ_{k,p}(θ)：任务 k（阶段 p）上参数条件化策略在 θ 下的归一化好处，Ṽ = 1 − ℓ，模拟得到
  C_m(θ)：机制 m 的代价，限制越轻越大
     P2：C = ½·log₂(1 + S_k/σ²)；B2：C = (1−ρ)·Ī_k；E1：C = c/τ
  λ_m：价格。由训练任务的一阶条件倒算：λ̂_k = Ṽ_k′(θ̂_k) / C_m′(θ̂_k)，再跨训练任务平均

一刀切的另外三条（对照）：
  R-物理：θ_{m,新} = mean_k θ̂_{m,k}
  R-信息：θ_{m,新} = (T^f_{m,新})⁻¹( mean_k f_{m,k}(θ̂_{m,k}) )
  R-代价：θ_{m,新} = (T^ℓ_{m,新})⁻¹( mean_k ℓ_{m,k}(θ̂_{m,k}) )
  T^f、T^ℓ：任务自己的换算表，只用模拟器算

R1：λ_{m,k} = exp(α_m + β_m · x_k)

R2（混合，即 v2 推荐的写法）：
θ_{i,m,k,p} = h⁻¹( a_m + η_m·ψ_m(k,p; λ) + Σ_j b_{mj}·z_j(x_{k,p}) + v_{m,k,p} + u_{i,m,k} )
  ψ_m(k,p; λ)：R0 算出的最划算强度（v2 称“规范预测”；v2 写作 argmax[J + Σλ·r]，r = −C）
  b_mj ~ 正则化马蹄先验（预期非零个数 p0 由先验给定），符号约束来自机制语义
  v_{m,k,p} ~ N(0, τ_m²)，τ_m ~ 半 t，尺度由先验预测检查确定
  u：个人偏离，现阶段暂缓

下标：i 个人、m 机制、k 任务、p 阶段。h⁻¹ 是有界链接函数。正则化马蹄先验和半 t 先验的含义见附录 C。

E.2 混合规则各部件的文献依据

表 E1　混合规则各部件的文献依据

E.3 基线与指标

表 E2　基线与对照（技术版）

表 E3　群体层面的保真度指标（技术版）

E.4 估计层方法

表 E4　估计层方法与策略训练覆盖（技术版；本轮检索较浅）

注意：E3 对“留一任务”最方便：去掉某个任务只需去掉它的对数似然项，不必重训网络。E2 需要在训练集中包含不同任务子集，或在推断时遮蔽对应任务。

E.5 “需要多少任务”的参照锚点

表 E5　“需要多少任务”的参照锚点（技术版）

附录 F　参考文献

正文按“作者＋年份”引用。只读到摘要或搜索摘录的条目已标注；卷期、DOI 未核实的也已标注。

1. Achille, Lam, Tewari, Ravichandran, Maji, Fowlkes, Soatto & Perona (2019). Task2Vec: Task Embedding for Meta-Learning. ICCV 2019, 6429–6438. DOI 10.1109/ICCV.2019.00653. arXiv:1902.03545（仅读摘要）
2. Ahn, Busemeyer, Wagenmakers & Stout (2008). Comparison of decision learning models using the generalization criterion method. Cognitive Science, 32(8), 1376–1402. DOI 10.1080/03640210802352992（仅读摘要）
3. Bediwy & Mojoyinola (2026). Validating LLM-Rated Item Features for Explanatory Item Response Models. Proceedings of AIME-Con 2026: Works in Progress, 382–388. ACL Anthology（读了摘要中的主要数字；全文未读）
4. Benedetto (2023). A quantitative study of NLP approaches to question difficulty estimation. AIED 2023（CCIS 1831）. arXiv:2305.10236. arXiv（单一作者；仅读摘要）
5. Benedetto, Cremonesi, Caines, Buttery, Cappelli, Giussani & Turrin (2023). A Survey on Recent Approaches to Question Difficulty Estimation from Text. ACM Computing Surveys, 55(9), Article 178. DOI 10.1145/3556538. DOI
6. Benjamins, Eimer, Schubert, Mohan, Döhler, Biedenkapp, Rosenhahn, Hutter & Lindauer (2023). Contextualize Me – The Case for Context in Reinforcement Learning. Transactions on Machine Learning Research (06/2023). arXiv:2202.04500. arXiv
7. Binz, Akata, Bethge, Brändle, Callaway, Coda-Forno, Dayan 等 (2025). A foundation model to predict and capture human cognition. Nature, 644(8078), 1002–1009. DOI 10.1038/s41586-025-09215-4. Nature
8. Bischl, Kerschke, Kotthoff, Lindauer, Malitsky, Fréchette, Hoos, Hutter, Leyton-Brown, Tierney & Vanschoren (2016). ASlib: A benchmark library for algorithm selection. Artificial Intelligence, 237, 41–58. DOI 10.1016/j.artint.2016.04.003. arXiv:1506.02465（已核卷期）
9. Bourgin, Peterson, Reichman, Griffiths & Russell (2019). Cognitive model priors for predicting human decisions. ICML 2019, PMLR 97, 5133–5141. arXiv:1905.09397（读了摘要；PMLR 页码经 choices13k 仓库的引用信息获得）
10. Busemeyer & Wang (2000). Model comparisons and model selections based on generalization criterion methodology. Journal of Mathematical Psychology, 44(1), 171–189. DOI 10.1006/jmps.1999.1282. PDF（仅读摘要）
11. Calvier, Krekels, Välitalo, Rostami-Hodjegan, Tibboel, Danhof & Knibbe (2017). Allometric scaling of clearance in paediatric patients: When does the magic of 0.75 fade? Clinical Pharmacokinetics, 56(3), 273–285. DOI 10.1007/s40262-016-0436-x. PMC5315734（读了摘要与要点）
12. Centanni, Zaher, Elhad, Karlsson & Friberg (2024). Physiologically-based pharmacokinetic models versus allometric scaling for prediction of tyrosine-kinase inhibitor exposure from adults to children. Cancer Chemotherapy and Pharmacology. DOI 10.1007/s00280-024-04678-0. PMC11390758（仅读摘要；卷期未核）
13. Cobbe, Hesse, Hilton & Schulman (2020). Leveraging Procedural Generation to Benchmark Reinforcement Learning. arXiv:1912.01588. arXiv
14. Cobbe, Klimov, Hesse, Kim & Schulman (2019). Quantifying Generalization in Reinforcement Learning. ICML 2019. PDF 副本（仅读摘要）
15. Cochrane Handbook for Systematic Reviews of Interventions, Chapter 10, §10.11.5.1. 在线（引文经 Viechtbauer 2022-03-28 在 R-sig-meta-analysis 邮件列表的转引读取；该评论指出此法则无实证支持。存档）
16. Crawford, Eisenstein, Peelle, …, Braver (2022). Domain-general cognitive motivation: Evidence from economic decision-making – Final Registered Report. Cognitive Research: Principles and Implications, 7, 23. DOI 10.1186/s41235-022-00363-z. Springer（已核标题；中间作者未列全；读了结果部分的主要数字）
17. De Boeck & Wilson (eds.) (2004). Explanatory Item Response Models. Springer. DOI 10.1007/978-1-4757-3990-9. 其中第 6 章：Janssen, Schepers & Peres. Models with item and item group predictors. DOI 10.1007/978-1-4757-3990-9_6. Springer（仅读摘要）
18. Eisenberg, Bissett, Enkavi, Li, MacKinnon, Marsch & Poldrack (2019). Uncovering the structure of self-regulation through data-driven ontology discovery. Nature Communications. DOI 10.1038/s41467-019-10301-1. PMC（参与者与任务数据来自新闻稿 EurekAlert）
19. Erev, Ert, Plonsky, Cohen & Cohen (2017). From anomalies to forecasts: Toward a descriptive model of decisions under risk, under ambiguity, and from experience. Psychological Review, 124(4), 369–409. DOI 10.1037/rev0000062（仅读摘要）
20. Fischer (1973). The linear logistic test model as an instrument in educational research. Acta Psychologica, 37(6), 359–374. DOI 10.1016/0001-6918(73)90003-6（已核题录；正文未读）
21. Fudenberg, Kleinberg, Liang & Mullainathan (2022). Measuring the completeness of economic models. Journal of Political Economy, 130(4), 956–990. DOI 10.1086/718371. EconPapers（读了摘要，以及第一作者讲稿中的定义）
22. Geffner, Papamakarios & Mnih (2023). Compositional Score Modeling for Simulation-Based Inference. ICML 2023, PMLR 202, 11098–11116. PMLR
23. Gelman (2006). Prior distributions for variance parameters in hierarchical models (comment on article by Browne and Draper). Bayesian Analysis, 1(3), 515–534. DOI 10.1214/06-BA117A. PDF（读了第 4.2、5.2、7.1 节）
24. Germovsek, Barker, Sharland & Standing (2017). Scaling clearance in paediatric pharmacokinetics: All models are wrong, which are useful? British Journal of Clinical Pharmacology, 83(4), 777–790. DOI 10.1111/bcp.13160. PMC
25. Gneiting & Raftery (2007). Strictly proper scoring rules, prediction, and estimation. Journal of the American Statistical Association, 102(477), 359–378. DOI 10.1198/016214506000001437（仅核题录；正文本轮未读）
26. Gretton, Borgwardt, Rasch, Schölkopf & Smola (2012). A Kernel Two-Sample Test. JMLR, 13, 723–773. JMLR
27. Gulrajani & Lopez-Paz (2021). In Search of Lost Domain Generalization. ICLR 2021. arXiv:2007.01434. arXiv
28. Higgins, Thompson & Spiegelhalter (2009). A re-evaluation of random-effects meta-analysis. JRSS-A, 172(1), 137–159. DOI 10.1111/j.1467-985X.2008.00552.x. PMC
29. Howes, Lewis & Vera (2009). Rational adaptation under task and processing constraints: Implications for testing theories of cognition and action. Psychological Review, 116(4), 717–751. NASA 副本
30. Hutter, Xu, Hoos & Leyton-Brown (2014). Algorithm runtime prediction: Methods & evaluation. Artificial Intelligence, 206, 79–111. DOI 10.1016/j.artint.2013.10.003. arXiv:1211.0906（读了摘要与第 1–5 节；第 6–9 节结果与 Table 3 未读到）
31. Jones & Nachtsheim (2011). A Class of Three-Level Designs for Definitive Screening in the Presence of Second-Order Effects. 期刊卷期未核（据记忆为 Journal of Quality Technology）。PDF（仅读摘要）
32. Kaufman, Rosset, Perlich & Stitelman (2012). Leakage in data mining: Formulation, detection, and avoidance. ACM Transactions on Knowledge Discovery from Data, 6(4), 1–21. DOI 10.1145/2382577.2382579（仅核题录）
33. Kirk, Zhang, Grefenstette & Rocktäschel (2023). A survey of zero-shot generalisation in deep reinforcement learning. Journal of Artificial Intelligence Research. DOI 10.1613/jair.1.14174. arXiv:2111.09794（仅读摘要：作者建议不要只靠程序化生成来设计泛化基准；正文未引用具体结论）
34. Lieder & Griffiths (2020). Resource-rational analysis: Understanding human cognition as the optimal use of limited computational resources. Behavioral and Brain Sciences, 43, e1. DOI 10.1017/S0140525X1900061X. PDF（仅读摘要）
35. Luo & Yang (2024). Frontiers in Psychology. DOI 10.3389/fpsyg.2024.1353419（题名未核；内容为认知设计系统题库在计算机化自适应测验中用预测难度与标定难度的模拟比较；仅读摘要）
36. Mahmood, Staschen & Goteti (2014). Prediction of drug clearance in children: an evaluation of the predictive performance of several models. The AAPS Journal, 16(6), 1334–1343. DOI 10.1208/s12248-014-9667-7. PMC4389735（仅读摘要）
37. Malik & Edginton (2019). Physiologically-based pharmacokinetic modeling vs. allometric scaling for the prediction of infliximab pharmacokinetics in pediatric patients. CPT: Pharmacometrics & Systems Pharmacology, 8(11), 835–844. DOI 10.1002/psp4.12456. PMC6875711（读了摘要与引言摘录）
38. Miyake & Friedman (2012). The nature and organization of individual differences in executive functions: Four general conclusions. Current Directions in Psychological Science, 21(1), 8–14. DOI 10.1177/0963721411429458. PDF 副本（已核题录；任务不纯与潜变量做法见文内摘录）
39. Montali, Lambert, Mougin, Kuefler, Rhinehart, Li, Gulino, Emrich, Yang, Whiteson, White & Anguelov (2023). The Waymo Open Sim Agents Challenge. NeurIPS 36, Datasets and Benchmarks Track. arXiv:2305.12032. NeurIPS（读了评估方法部分）
40. Musslick & Cohen (2021). Rationalizing constraints on the capacity for cognitive control. Trends in Cognitive Sciences, 25(9), 757–775. DOI 10.1016/j.tics.2021.06.001. 页面（仅读摘要）
41. Mækelæ, Klevjer, Westbrook, Eby, Lima-Eriksen & Pfuhl (2023). Is it cognitive effort you measure? Comparing three task paradigms to the Need for Cognition scale. PLOS ONE, 18(8), e0290177. DOI 10.1371/journal.pone.0290177. PubMed（已核题录；仅读摘要）
42. Partlett & Riley (2017). Random effects meta-analysis: Coverage performance of 95% confidence and prediction intervals following REML estimation. Statistics in Medicine, 36(2), 301–317. DOI 10.1002/sim.7140. Keele（仅读摘要）
43. Pearl & Bareinboim (2014). External validity: From do-calculus to transportability across populations. Statistical Science, 29(4), 579–595. DOI 10.1214/14-STS486. Project Euclid
44. Peterson, Bourgin, Agrawal, Reichman & Griffiths (2021). Using large-scale experiments and machine learning to discover theories of human decision-making. Science, 372(6547), 1209–1214. DOI 10.1126/science.abe2629. PDF（仅读摘要）
45. Piironen & Vehtari (2017). Sparsity information and regularization in the horseshoe and other shrinkage priors. Electronic Journal of Statistics, 11(2), 5018–5051. DOI 10.1214/17-EJS1337SI. DOI
46. Plonsky, Apel, Ert, Tennenholtz, Bourgin, Peterson, Reichman, Griffiths, Russell, Carter, Cavanagh & Erev (2025). Predicting human decisions with behavioural theories and machine learning. Nature Human Behaviour, 9(11), 2271–2284. DOI 10.1038/s41562-025-02267-6. arXiv:1904.06866（数字取自 arXiv v3 工作稿，2025-03-28；正式版正文未读，数字可能有出入。情境数在工作稿方法部分为 16 个，讨论部分写作 15 个）
47. Poldrack, Kittur, Kalar, Miller, Seppa, Gil, Parker, Sabb & Bilder (2011). The cognitive atlas: toward a knowledge foundation for cognitive neuroscience. Frontiers in Neuroinformatics, 5, 17. DOI 10.3389/fninf.2011.00017. Frontiers（“锚定在测量层”一句出自 RRID 资源摘要）
48. Polson & Scott (2012). On the half-Cauchy prior for a global scale parameter. Bayesian Analysis, 7(4), 887–902. DOI 10.1214/12-BA730. arXiv:1104.4937（已核题录；仅读摘要）
49. Psichogios & Ungar (1992). A hybrid neural network–first principles approach to process modeling. AIChE Journal, 38(10), 1499–1511. DOI 10.1002/aic.690381003（仅读摘要）
50. Psych-101 数据集页面。Hugging Face（读取了许可、规模与格式）
51. Riha, Jedhoff, Bürkner & Vehtari (2026). Approximating Bayesian leave-one-group-out cross-validation. arXiv:2609.05713（预印本，2026-09-04）。arXiv（仅读摘要）；以及 Vehtari 的层级模型交叉验证案例研究 Aalto
52. Roberts 等 (2017). Cross-validation strategies for data with temporal, spatial, hierarchical, or phylogenetic structure. Ecography, 40(8), 913–929. DOI 10.1111/ecog.02881. DOI
53. Rodrigues, Moreau, Louppe & Gramfort (2021). HNPE: Leveraging Global Parameters for Neural Posterior Estimation. NeurIPS 2021. arXiv:2102.06477. arXiv
54. Salvucci (2006). Modeling driver behavior in a cognitive architecture. Human Factors, 48(2), 362–380（仅读摘要）
55. Sivula, Magnusson, Matamoros & Vehtari (2025). Uncertainty in Bayesian leave-one-out cross-validation based model comparison. Bayesian Analysis（在线优先，卷期未定）. DOI 10.1214/25-BA1569. arXiv:2008.10296（已核作者与发表信息；仅读摘要）
56. Smith-Miles & Bowly (2015). Generating new test instances by evolving in instance space. Computers & Operations Research, 63, 102–113. Monash（仅读摘要）
57. Tack, Buseyne, Chen, D'hondt, De Vrindt, Gharahighehi, Metwaly, Nakano & Noreillie (2024). ITEC at BEA 2024 Shared Task: Predicting Difficulty and Response Time of Medical Exam Questions with Statistical, Machine Learning, and Language Models. BEA 2024, 512–521. ACL Anthology（已核题录；仅读摘要）
58. VACP 相关：Comprehensive Modeling and Evaluation of Workload in Driving Simulation Using the VACP Paradigm。AHFE 开放获取会议论文（作者与年份未核）。链接（仅读摘要）。VACP 为军用航空开发、推广到其他工作需另行验证的讨论，见 Human Aspects of Transportation III（AHFE 2022）中介绍 OWAT 方法的论文（题名与作者未核）。链接。VACP 原始来源 McCracken & Aldrich (1984) 经上述文献转引，未核。
59. van Rongen, Krekels, Calvier, de Wildt, Vermeulen & Knibbe (2022). An update on the use of allometric and other scaling methods to scale drug clearance in children: Towards decision tables. Expert Opinion on Drug Metabolism & Toxicology, 18(2), 99–113. DOI 10.1080/17425255.2021.2027907（仅读摘要）
60. Wickens (2002). Multiple resources and performance prediction. Theoretical Issues in Ergonomics Science, 3(2), 159–177. DOI 10.1080/14639220210123806. CORE 摘要；Wickens (2008). Multiple resources and mental workload. Human Factors. DOI 10.1518/001872008X288394. SWOV 摘要
61. Woody, Ghaffari & Hund (2019). Bayesian Model Calibration for Extrapolative Prediction via Gibbs Posteriors. arXiv:1909.05428. arXiv；Sire, Garnier, Durantin, Kerleguer, Defaux & Perrin. Bayesian Calibration for Prediction in a Multi-Output Transposition Context. arXiv:2410.00116. arXiv（已核作者；后者 DOI 10.1615/Int.J.UncertaintyQuantification.2025056586 指向 International Journal for Uncertainty Quantification，卷期未核；均仅读摘要）
62. Yaneva, North, Baldwin, Ha, Rezayi, Zhou, Ray Choudhury, Harik & Clauser (2024). Findings from the First Shared Task on Automated Prediction of Difficulty and Response Time for Multiple-Choice Questions. BEA 2024, 470–482. ACL Anthology（数字取自对全文的抓取摘录）
63. Yang, Sun & Narasimhan (2019). A Generalized Algorithm for Multi-Objective Reinforcement Learning and Policy Adaptation. NeurIPS 32. NeurIPS
64. Yu, Quillen, He, Julian, Narayan, Shively, Bellathur, Hausman, Finn & Levine (2019). Meta-World: A Benchmark and Evaluation for Multi-Task and Meta Reinforcement Learning. arXiv:1910.10897. arXiv（已核作者；会议版本未核；数字取自 arXiv 版图注，其他版本和榜单页给出的数字不同）
65. 认知设计系统与自动出题的二手来源：Automatic Item Generation of Figural Analogy Problems: A Review and Outlook. arXiv:2201.08450. arXiv（作者未核，读了 2.2 节）；以及 Frontiers in Psychology 2019 年一篇自动出题研究的引言，DOI 10.3389/fpsyg.2019.00884（题名与作者未核）。两者转述了 Embretson（1998）的认知设计系统，原始文献本轮未读。
66. 诊断试验准确度元分析的异质性研究综述（转述 Cochrane 与 AHRQ 对协变量数的建议）。arXiv:2603.10686。arXiv（仅读相关段落）

上轮已引、本轮复用（括号内为上轮报告的参考文献编号）：De Boeck (2008) #28；Gu & Xu (2021) #42；Chen, Liu, Xu & Ying (2015) #22；Hedge, Powell & Sumner (2018) #46；Habermann 等 (2025) #44；Sheiner & Beal (1980) #105；Ribbing & Jonsson (2004) #97；Fawcett & Hoos #36；Callaway 等 (2022) #19；Kennedy & O'Hagan (2001) #58；Zhang 等 (2019) #127；Gold 等 (2018) #40；Markkula 等 (2016) #78；Behrens 等 (2007) #9；Penny 等 (2010) #90；Schröder & Macke (2024) #102；Talts 等 (2018) #113；Lieder 等 (2018) #72；Jokinen 等 (2021) #53；Cornelisse & Vinitsky (2024) #26。

本修订版新增

• Kesting & Treiber (2008). Calibrating car-following models by using trajectory data: Methodological study. Transportation Research Record, 2088, 148–156. DOI 10.3141/2088-16. arXiv:0803.4063（转引自《跨任务激活规则-分阶段实施计划》，本轮未重新核验）
• Treiber, Kesting & Helbing (2006). Delays, inaccuracies and anticipation in microscopic traffic models. Physica A, 360, 71–88.（同上）
• Nassar, Wilson, Heasly & Gold (2010). An approximately Bayesian delta-rule model explains the dynamics of belief updating in a changing environment. Journal of Neuroscience, 30(37), 12366–12378.（引自《激活强度》方案）
• Shadmehr, Huang & Ahmed (2016). A representation of effort in decision-making and motor control. Current Biology, 26(14), 1929–1934.（同上）
• Sims (2003). Implications of rational inattention. Journal of Monetary Economics, 50(3), 665–690.（同上）

附录 G　人工任务特点的细节（原 v2 第四部分）

这些内容在 v2 里是正文第四部分。按本版主线，人工任务特点只在任务多了以后作少量修正，所以移到这里备查。读的时候注意一点：G.2 表里的“可靠”指客观、不偷看答案，不是指能反映策略。第③类“模拟器算出的量”在本版里是规则的主干，不只是特征之一。

G.1 好特征要满足什么

特征是描述任务或任务阶段的数。比如“剩余时间 ÷ 完成动作最少需要的时间”，可以描述接管任务每个阶段有多紧迫。

好特征要满足三条：

1. 能跨任务比较，不依赖单位。 阅读的时间以毫秒计，过街的时间以秒计，直接比秒数没有意义。要用比值，比如可用时间 ÷ 最少需要的时间、信号强度 ÷ 噪声、容许误差 ÷ 动作幅度。
2. 能客观测量。 写成任务规格里的参数（时间预算、距离、概率），不要写成“难不难”这类主观判断。认知科学的任务本体库 Cognitive Atlas 也是这样做的：任务用可操作的参数来描述，而不是用概念来描述已验证·仅摘要。
3. 不包含人在这个任务上的表现。 如果先用“这个任务的成功率低”来定义“任务难”，再用“任务难”去预测人的表现，等于先偷看了答案。

另外几条做法：

• 阶段以事件为界。 沿用上轮的做法：比如接管任务按“接管请求 → 第一次操作 → 开始换道 → 换道完成”划分阶段，而不是按固定秒数切。特征里还可以加上“离最近一个事件过了多久”。
• 事先登记。 特征的定义和取值，在接触新任务的人类数据之前写下来，之后不再改。
• 事先写好方向。 如果机制的含义能给出方向（例如“越紧迫，执行延迟越小”这样的假设），就在规则里规定系数的正负；拿不准的就不规定。

G.2 特征从哪里来：按可靠性排序

为什么第③类值得重视。 别的领域有三个类似做法：

• 算法选择。 要预测某个求解程序在一道新题上要跑多久，先让一个便宜的程序在这道题上跑一小会儿，把跑的情况当作特征，叫“探针特征”。某一类程序的探针特征，常常能预测另一类程序的表现已验证。
• 任务嵌入（Task2Vec）。 把一个新任务的数据送进一个固定的神经网络，看网络的哪些部分对这个任务最敏感，把这种敏感模式当作任务的“指纹”，用来挑选最合适的预训练模型已验证·仅摘要。
• 赌博题预测。 第三部分例一里，理论对每道题的预测值本身就是一个特征；题目少时去掉它，误差翻倍已验证·工作稿。

对你们来说，对应的做法是：在新任务的模拟器里，把每个机制单独打开到某个强度，看关键行为（反应时、轨迹、事件时间）变化多大，得到每个机制的“敏感度”；再算出理论上最划算的强度 ψ。这些都不需要人类数据，执行前就能得到推断。

要注意：敏感度说明的是“这个机制能改变什么”，不等于“人在这个任务里需要开它”，这一点需要检验待实验。另外，ψ 的单位就是机制强度，在本版里它就是规则的主干；敏感度的单位是行为，更适合作为修正项里的特征推断。

G.3 候选特征清单

下面是候选特征。哪个特征对应哪个机制，大多还是假设，要靠后面的检查和检验来确定。

说明：D5 只在同时有主、次任务时才有意义（比如接管时还在做次任务）；单纯阅读或过街时，它可能是常数。

G.4 特征进入规则之前的四道检查

“看起来合理”“专家意见一致”都不够。每个特征要过四道检查推断：

只有 3 个任务时，第 3、4 道检查只能在任务内部的阶段之间做；跨任务的检查要等任务多了再做。

G.5 特征不能太多

规则里能放几个特征，取决于有多少行数据。3 个任务各 3 个阶段，只有 9 行。元分析有一条经验法则：每个特征至少要有 10 项研究。按这个标准，9 行连 1 个特征都不够。这条法则没有严格的依据，只能当作下限提示已验证。所以：

• 3 个任务时，需要估系数的修正特征最多 0–1 个；其余靠理论项，或者事先规定方向。
• 阶段层面的特征在任务内部有变化，可以用任务内的差异来估系数，不受任务数限制。但“任务内部的规律”不一定等于“任务之间的规律”，最好把特征拆成“任务平均值”和“任务内的变化”两部分分别估推断。
• 参照：算法运行时间预测的研究发现，往往 5–10 个特征就够用了，而那里有成百上千个实例已验证。你们的数据少了两个数量级，只能更省。

G.6 新任务超出范围时怎么办

如果新任务的某个特征取值远远超出已有任务的范围（比如已有任务的紧迫度都在 0.2–0.6，新任务是 0.95），规则就是在“外推”，可信度会下降。建议：

• 事先检查新任务的每个特征，是否落在已有任务的范围内；
• 超出范围、而且这个特征在规则里确实起作用时，只报告一个放宽了的误差范围，并标明“外推”，不给单一数值推断。

别的领域也这样做。算法选择研究会把已有实例画在特征空间里，标出没覆盖到的区域已验证；儿童用药为每种推算方法规定适用的年龄和药物类型，不适用就换方法已验证·仅摘要。