静息态脑功能连接可以反应个体是否诚实（不诚实）

社会不良行为(如不诚实)的决定因素的测量是复杂的，并被社会可取性偏见所掩盖。为了克服这些偏见，我们在静息状态功能连接模式上使用了基于连接体的预测模型(CPM)，并结合了一项不显著地衡量自愿作弊的新任务，以获得(不诚实)的神经认知决定因素。具体来说，我们调查了休息时大脑中任务独立的神经模式是否可以用来预测(不诚实)行为的倾向。我们的分析显示，在一个独立的样本中，功能连接，尤其是与自我参照思维(vmPFC、颞极和PCC)和奖励处理(尾状核)相关的大脑网络，与参与者的作弊倾向可靠地相关。作弊次数最多的参与者在冲动的几个自我报告中得分也最高，这强调了我们结果的普遍性。值得注意的是，当比较神经测量和自我报告测量时，发现神经测量在预测作弊倾向方面更重要。

1. 1.简介

目前的研究检查了静息功能连接体是否可以预测一个人的作弊倾向。为了做到这一点，我们结合了四个独立的子样本来分析总共99名参与者。参与者完成了一个静息状态扫描和一个任务(在不同的时间)，在这个任务中，参与者可以反复、故意和自愿地作弊，而不怀疑任务的真正目的(发现差异任务)。发现差异任务是基于Gai和Puntoni的最初想法(2021)，Speer等人通过创造新的刺激、引入不同级别的难度和奖励，进一步发展并适用于神经成像。包括点击试验(参见方法)。我们采用基于连接体的预测模型(CPM)来研究是否可以从个体独特的功能连接模式来可靠地预测该任务中的(不)诚实倾向。最近，CPM被开发用于从全脑功能连接模式预测认知能力和人格特征的个体差异。重要的是，CPM方法不同于之前rsfMRI研究中实施的方法，因为它使用样本外预测，而不是仅仅建立大脑和行为之间的相关关系。样本外预测是指在一个数据集上训练一个统计模型，并在另一个独立的数据集上测试其预测性能。与相关性相比，这种样本外预测导致了更保守的脑行为关系推断，这增加了成功复制的概率。更实际的是，建立高精度的预测模型需要将神经影像学的见解转化为实践中的应用。由于诚实是不同心理过程(如认知控制、奖励、自我参照思维)复杂互动的产物，我们有理由认为，它的神经表现很可能同样复杂，并分布在整个大脑的几个网络中。根据先前的(任务型)研究，我们假设，自我参照思维网络、奖励网络和认知控制网络区域之间的功能连接将预测对(不)诚实的倾向。在本研究中，我们在两个不同样本的训练集上训练CPM模型，然后使用三个网络(自我参照思维、奖励和认知控制)中的区域来评估两个独立样本上的预测性能。在独立样本上测试预测重要性，可以最准确地估计模型的概括性。为了提供样本外(不诚实)预测的基准，我们还进行了几份自我报告人格问卷，测量与欺骗和(不诚实)相关的特征，包括冲动、创造力、贪婪和操纵欲等。这些自我报告措施也被用来评估发现差异任务的收敛效度。

1. 2.方法简述
2. 2.1 实验过程

所有参与者首先被告知并检查MRI扫描的安全要求，并签署知情同意书。然后他们完成静息状态扫描(8分钟)。当参与者躺在扫描仪中看着一个固定的十字架时，他们的静息状态数据被收集，并被指示让他们走神；在此期间，他们没有执行任何任务。本文讨论的所有神经数据都是基于这8分钟休息期间的数据。在行为任务开始之前，参与者被介绍给封面故事，并完成了一些练习。然后，参与者完成两个实验任务：一个简单的视觉搜索任务(5分钟)，然后是发现差异任务(大约40分钟)。关于这些任务的详细信息，请参阅下面的任务和刺激（图1）。对于样本1，参与者在MRI扫描仪内完成任务，但本研究仅使用行为和静息状态数据。之前的一篇论文(Speer et al.， 2020)报道了在发现差异任务期间记录的基于任务的神经数据(见下文)。对于所有其他样本，识别差异的任务都是在fMRI扫描仪外进行的。在完成两项任务后，参与者填写了一份简短的问卷，其中包括他们对任务目的的想法。实验结束后，参与者收到一封电子邮件，里面有Qualtrics问卷的链接，包括冲动、贪婪、创造力、操控性和对不同道德基础的敏感性的测量(解释如下)，他们被允许在家填写这些问卷。首先，测试组包含四个冲动性量表：(a)短暂感觉寻求量表，(b) BIS/BAS量表评估性格抑制和趋近行为。BIS/BAS量表测量的是行为抑制和行为激活，前者对应于避免不良结果的动机，后者对应于接近目标导向结果的动机。有四个子量表，分别是BIS(衡量行为抑制)、BAS Drive(衡量追求目标的动机)、BAS Reward Responsiveness(衡量对愉快结果的敏感性)和BAS Fun Seeking(衡量自发寻找新奖励的动机)，(c) UPPS-P冲动行为量表的简短版本，(d)实施标准风险偏好诱导方法的风险寻求量表，其中人们可以在一定数量的钱和风险赌博之间进行选择。为了量化风险偏好，研究人员向参与者展示了一系列二元选择，分别是:(1)100%的机会赢得指定数额的钱，或(2)50%的机会赢得30欧元，50%的机会没有赢得的任何东西。对于每一个问题，赌注都是一样的，但每走一步，所得的金额肯定会增加。因此，一个人的风险偏好可以通过确定这个人从赌博转到某一项支付的确定金额来确定。选择这些冲动量表是因为不诚实和欺骗与冲动作为一种人格特征相联系。其次，我们测量了个人对不同道德基础的敏感性，即关心vs.伤害，公平vs.欺骗，忠诚vs.背叛，权威vs.颠覆，神圣vs.堕落和自由vs.压迫，通过包括两个这样的措施，可能影响欺骗:(a)道德基础问卷和(b)《道德基础小插曲》。第三，由于假设贪婪驱动欺骗行为，增加了性格贪婪量表。第四，通过三种量表(a) Remote Associates Test，(b) Gough’s Creative Personality Scale， (c) Hovecar’s Creative Behavior Inventory来衡量个体的创造力，因为研究发现，越有创造力的人越容易作弊。第五，MACH-IV测试用于测量操控性，因为马基雅维利主义也经常与不道德的行为联系在一起。参与者被告知，一旦他们完成问卷，他们就会收到他们的报酬。

图1 一个trial发现差异点的任务

1. 2.2 任务

在“发现差异”任务中，参与者看到了成对的图像，并被告知图像之间总是存在三个差异。差异包括在图像上添加或删除的对象，或图像之间颜色不同的对象。参与者被告知，这项研究的目的是调查视觉搜索的潜在神经机制，以达到营销目的，如在一个分类中搜索产品或网页上的信息。为了增加这个封面故事的可信度，在实验开始时添加了一个简单的视觉搜索任务(见附录1)。此外，参与者被告知，由金钱奖励引起的动机对视觉搜索速度和准确性的神经认知效应将被研究。尽管参与者被告知在所有试验中有三种不同，但在25%的试验中只有两种不同，在25%的试验中只有一种不同。参与者被要求找出图像之间的三个不同之处。由于奖励(见下文)取决于参与者报告他们发现了所有三个差异，而不需要指出它们，这种设计允许和鼓励作弊行为(即，报告发现了所有三个差异，即使客观上图像中出现的差异少于三个)。

1. 2.3 fMRI采集、预处理

对于样本1和4，使用3T Siemens Verio MRI系统收集功能性磁共振图像。对于样本2，使用3T MRI系统(通用电气)收集功能性磁共振图像。对于样本3，使用3T Phillips Achieva MRI系统收集功能性磁共振图像。

数据使用MATLAB中的CONN工具箱(https://www.nitrc.org/projects/conn)的标准流水线进行预处理。

1. 2.4 功能网络构建

为了定义大脑感兴趣的区域，我们使用字典学习从我们的训练集(样本1和2)去噪静息状态数据中提取80个成分。只对训练集进行打包，以保持测试集(样本3和4)完全独立于训练集。字典学习是一种基于稀疏性的空间映射提取分解方法。它提取的地图自然稀疏，通常比ICA更干净，并被发现是在不同的基于连接体的预测管道的比较中获得最高预测成功率的方法。此外，我们发现80个成分是预测性能的最优成分数量。随后，按照Abraham et al.(2014)提出的方法，从字典学习算法获得的大脑网络中使用随机行走提取区域，得到142个区域。

由于我们对自我参照思维、奖励和认知控制网络的贡献特别感兴趣，我们随后对来自字典学习算法分析的分割区域和使用Neuroquery获得的与自我参照思维、认知控制和奖励相关的元分析衍生地图进行了连接分析。Neuroquery是一种新的用于绘制人脑图谱的元分析工具，由参与创建Neurosynth的研究人员开发。Neuroquery的优势在于，它专注于生成一张大脑地图，预测某一特定认知过程的研究可能会在大脑的哪个部位报告观察结果，而Neurosynth则测试文献中报告的观察结果的一致性。预测，与统计检验相反，是重要的，因为它可以应用于样本外，因此更一般化。结合分析确定的17个区域(见图2)包括两个奖赏区域，即左尾状核和右尾状核，9个自我参照思维区域，即扣带回后皮层(PCC)，左颞极和右颞极(L&R TP)，左右角回(L &R AG)，左、右内侧颞叶(L &R MTL)、腹内侧前额叶皮层(vmPFC)和内侧前额叶皮层(MPFC)，以及6个认知控制区域，即前扣带皮层(ACC)、左右额下回(L &R),左、右背外侧前额叶皮层(R &L dlPFC)和左岛叶。为了有效地估计17个区域之间的功能连接性，我们使用Ledoit-Wolf正则化收缩估计器，给出了收缩参数的闭合形式表达式。收缩参数对系数估计进行约束或正则化，避免了过拟合，提高了模型的泛化性。对于函数相互作用的参数化，皮尔逊相关被使用。结合分析确定的17个区域是唯一进入CPM程序的区域。结果，连接矩阵进入CPM分析包括136条边（(17*17-17）/2）。

图2 最上面一行分别描绘了奖励、自我参照思维和认知控制的Neuroquery地图。中间一行显示了与Neuroquery地图重叠的区域。下面一行显示了上行和中行区域的重叠

1. 2.5 CPM分析

主要分析利用CPM来预测参与者对上述17个区域之间功能连接的欺骗倾向。CPM是最近开发的一种工具，用于识别与感兴趣的行为变量相关的脑功能连接，然后用于预测未被看到的参与者的行为(即，参与者的数据未用于模型训练)。最近的一系列神经影像学文献介绍并描述了CPM，报告了它在预测认知变量(如流体智力、注意力控制和创造力)方面的成功应用。用于CPM的MATLAB语法可以在网上免费获得(https://www.nitrc.org/projects/bioimagesuite/)。

1. 3. 结果
2. 3.1 欺骗中的大个体差异

作弊总次数存在显著的个体差异(均值= 37%，中位数= 28%，SD = 31%;见图5:一些参与者只在一到两次试验中作弊(11%的参与者)，而其他人只错过了一到两次作弊的机会(4%)。我们还探索了差异的实际数量和名义难度水平(Normal, Hard, Very Hard;(参见方法)的不同点发现任务影响作弊行为。考虑到我们数据的嵌套结构(在不同数量的差异和参与者的奖励中进行试验)，我们对我们的行为数据进行了多层分析。只对可作弊试验进行分析，因此去掉所有图像间有三种差异的试验。因变量是二元反应(作弊vs.诚实)与logit链接(作弊= 1，诚实= 0)。差异的数量和难度水平作为试验水平的预测因素。该模型允许参与者内的随机截距和随机斜率。使用这种多水平逻辑回归模型，我们发现，与之前的研究一样，实际难度水平的显著影响。与之前的研究一样，没有发现名义难度水平的显著影响。此外，差异数量与难度水平之间没有显著的交互作用。

图5 在发现差异任务中作弊比例的个体差异

1. 3.2 利用静息状态功能连接体预测(不)诚实

随后，我们研究了所选17个区域的静息状态功能连接组(参见方法功能网络构建)是否可以用来预测样本外诚实的观察个体差异。使用训练集中确定的显著预测因子来测试独立测试集上的预测精度，我们观察到一个显著的预测精度。排列重要性分析显示，在独立样本中，腹内侧前额叶皮层(vmPFC)和左颞极(TP)之间的功能连通性对预测作弊倾向特别重要。此外，PCC与左TP、左尾状核与右TP、左额下回(IFG)与PCC、内侧前额叶皮层(MPFC)与vmPFC、左岛叶与PCC、左右尾状核与PCC、右角回(AG)与vmPFC、右尾状核与右TP、左IFG与左内侧颞叶(MTL)之间的连接，左侧角回和右侧背外侧前额叶皮层(dlPFC)被发现是重要的预测因子(见图6)。这表明，这些连接代表了静息大脑中诚实的神经基底，可以用来识别骗子。

图6 在发现差异任务中，自我参照思维和奖励网络之间更高的功能连接与更诚实的反应(更低的作弊次数)有关。

1. 3.3 神经模型的鲁棒性

为了测试我们的神经模型的稳健性，我们还对所有99名受试者应用了相同的分析程序(在训练集上省略交叉验证，以识别显著的预测因子和独立样本测试集上的预测)。使用训练集中确定的显著预测因子来测试独立测试集上的预测精度，我们观察到一个显著的预测精度。这表明，当8个额外参与者加入到数据中时，该模型仍然显著地预测了样本外作弊。为了测试在训练和测试集中使用不同的参与者和样本组成的潜在影响，我们进行了额外的CPM分析，其中我们从所有4个样本中随机选择75%的参与者作为训练集，其余25%的参与者作为测试集。值得注意的是，训练集和测试集在作弊倾向上没有显著差异。

我们再次只在训练集上执行打包过程，以保持训练集和测试集的独立性。然后，我们使用套索回归CPM方法从训练集中识别最重要的预测因素，详见方法部分(见图3)，然后在独立测试集上测试该模型(见图4)。分析显示，我们再次能够以同样高的精度从独立样本中的静息状态功能连接组显著预测诚实。这些研究结果表明，训练集的组成似乎对报告的效果没有显著影响，这突出了我们研究结果的稳健性。为了进一步测试模型的稳健性，我们倒置了连接组和作弊之间的关系，发现最具预测性的连接对诚实的人有显著更高的值(见附录6)。

图3 CPM

图4 测试我们模型预测能力的程序

1. 3.4 作弊与冲动的几个衡量标准有关

我们测试了我们在任务中测量的(不诚实)的大小是否与与不诚实相关的人格特征相关，以探索发现差异任务的普遍性。为了验证这一点，我们将个体在(不诚实)方面的差异与冲动、贪婪、创造力、道德基础和操纵性(见问卷方法)的得分联系起来。我们发现诚实程度(反向作弊数)与冲动的五个测量指标呈负相关:(a)短暂感觉寻求量表(BSSS),（b）UPPS-P冲动行为量表短版的感觉寻求分量表， (c) BAS Drive分量表;(d) BIS/BAS量表中BAS寻找乐趣分量表；(e)风险寻求量表。所有相关关系见附录7。根据之前的文献(Anderman et al.， 2009)，这些发现表明，作弊与更大的冲动有关。

1. 3.5 用问卷预测(不)诚实

为了更严格地测试人格测试是否能预测我们任务中的作弊倾向，我们调查了前文提到的问卷数据是否能用于预测样本外的诚实。利用训练集中发现的显著性问卷预测因子(BSSS、BAS Drive、MFQ-Purity、MFV-Sanctity、MFV-Social Norms、Risk-Seeking、SUPPS-Positive Urgency、supps - sensare - seeking)在独立测试集(样本3和4)上测试预测精度，未观察到具有统计学意义的预测性能(r = 0.14, pperm = 0.3)。这表明，虽然在我们的任务中，一些人格测量与作弊有关，但这种关联还不够强，无法仅基于人格测量对作弊进行样本外预测。

1. 3.6 比较功能连接组与问卷的预测重要性

接下来，我们实现了一个组合模型，其中神经和问卷数据添加到套索回归模型。在使用训练集的神经和问卷数据确定显著的预测因子后，我们观察到独立测试集上的显著预测性能(Pearson r = 0.49, pperm ＜0.05;因此，仅使用单独的神经数据对独立样本的预测是显著的(r = 0.40, pperm ＜0.05)或结合两种类型的数据，这表明神经数据在预测样本外诚实倾向方面最重要。这里，排列分析显示，与完整组合模型相比，忽略vmPFC和左侧TP之间的连通性将导致相关性降低超过0.2。这种影响是任何问卷预测因素的四倍，并强调了这种预测因素的重要性。此外，右颞极和左尾状核之间的连接，以及左颞极和PCC之间的连接，是诚实倾向的重要预测因子(见图8)。注意连接的重要性与上面报告的结果略有不同(图6)，因为这里的问卷数据被添加到模型中。

图7 问卷、神经模型和组合模型的预测和实际诚实水平之间的Pearson和Spearman相关性。

图8 在独立测试集上比较功能连接组和问卷作为诚实预测因子的贡献。

1. 4. 讨论

采用基于连接体的预测模型(CPM)，结合创新的发现差异任务(它允许不明显地衡量作弊)，我们在一个独立样本中确定了一个功能连接体，它可靠地预测了(不)诚实的倾向。我们观察到样本外预测和实际作弊数之间的Pearson相关性(r = 0.40)位于以往采用CPM研究报告的典型相关性范围(r = 0.2和r = 0.5之间)的较高侧。因此，大脑休息时的功能连接可以预测一个人在我们的任务中是更诚实还是更倾向于作弊。

总而言之，我们的扩展CPM模型应用于一个大而多样的样本，揭示了大脑中与自我参照思维和奖励处理相关的区域之间更强的静止连接，使个体倾向于诚实行为。我们表明，基于静息状态数据的连接体预测模型在稳健预测样本外作弊倾向方面超过了自我报告措施。这种方法可能会被证明对未来研究不诚实等社会不良特征的神经表现有用，因为它们提供了了解潜在行为机制的途径，而这些行为可能会被更传统的方法所掩盖。