鼠标追踪技术揭示公共物品博弈中的策略行为：一项跨文化实验研究

本综述系统探讨了鼠标追踪（mouse-tracking）技术在公共物品博弈（PGG）研究中的应用价值。研究通过记录参与者决策过程中的鼠标运动轨迹（包括移动时长、速度和距离），发现高贡献决策伴随更长的运动距离和更复杂的认知加工。该技术能有效区分不同策略类型（如条件性合作者conditional cooperators和驼峰型贡献者hump-shaped contributors），为理解经济决策的认知机制提供了动态过程证据，并揭示了跨文化（俄罗斯与瑞士样本）背景下决策过程的差异性。

引言

公共物品（public good）是指能为所有参与者提供收益的资源，其供给水平与个体贡献无关。公共物品博弈（Public Goods Game, PGG）作为研究公共品困境的经典范式，要求参与者在保留个人代币与贡献至集体基金之间做出决策。当所有参与者均选择合作时，集体收益通过乘数效应实现增值并平均分配，从而达到社会最优状态。然而，个体理性与集体理性之间存在根本冲突：自利个体会倾向于“搭便车”（free-riding），即不贡献而享受他人贡献的收益。

传统研究发现，尽管完全搭便车的假设常被推翻（平均贡献率约50%），但贡献水平在重复博弈中逐渐下降。这种现象可通过两类个体偏好解释：自利型个体（self-oriented actors）与条件性合作者（conditional cooperators）。后者根据对他人贡献的预期调整自身行为，且其合作程度存在个体差异。此外，文化背景显著影响合作行为，例如赫爾曼等人（Herrmann et al.）的研究揭示了俄罗斯与瑞士样本在合作与惩罚行为上的显著差异。

近年来，鼠标追踪技术已成为心理学研究认知过程的重要工具。通过记录鼠标指针的运动轨迹，该技术能捕捉决策过程中的动态冲突（如运动方向、速度和距离），从而揭示选项间的相对吸引力。在神经经济学（neuroeconomics）框架下，这种实时过程数据可补充传统决策范式，为策略推理、社会认知（如互惠、信任和公平动机）提供更精细的洞察。

方法

参与者

研究纳入116名参与者，包括50名俄语使用者（俄罗斯）和66名英语使用者（瑞士），年龄范围为18–30岁。数据收集于2020年12月至2021年2月进行。根据菲施巴赫等人（Fischbacher et al.）的策略分类法，参与者被划分为六种类型：搭便车者（free riders）、利他主义者（altruists）、条件性合作者、恶意型（spiteful types）、驼峰型贡献者及其他未分类类型。最终分析仅包含贡献过高、中、低三水平决策的参与者（俄语组30人，英语组29人）。

公共物品博弈设计

研究采用有限重复公共物品博弈（修改自Sefton等人范式），每组包含1名人类参与者和3名计算机模拟玩家。每轮参与者获得6枚代币，需分配至私人账户或集体基金。集体基金代币经乘数放大后均分。博弈共进行10轮，并在惩罚/奖励阶段允许参与者使用额外代币奖励或惩罚他人。

鼠标追踪技术

鼠标追踪区域位于屏幕贡献选项（1–6按钮）上方。实验记录鼠标坐标、时间戳及屏幕标准化坐标（通过Gorilla.Sc平台实现）。数据转换为mousetrap R包格式后，计算运动时长（movement duration）、平均速度（average speed）和总距离（distance）。

统计分析

贡献水平分为高（5–6代币）、中（3–4代币）、低（0–2代币）三类。采用重复测量方差分析（Repeated-Measures ANOVA）比较鼠标指标差异，并使用Bonferroni校正。另通过序数回归模型（ordinal regression）分析贡献水平与鼠标指标的关系。

结果

英语参与者（瑞士组）

策略分类显示：恶意型（28人）、条件性合作者（20人）、驼峰型（12人）、利他主义者（1人）及未分类（5人）。方差分析表明策略类型显著影响运动时长（F_(3,373) = 4.08, p = 0.0069）和平均速度（F_(3,373) = 4.33, p = 0.0049），但距离无显著差异。事后检验发现条件性合作者的运动时长显著长于驼峰型参与者（p = 0.028）。

在贡献水平分析中，鼠标距离在高与低贡献（p < 0.001）、高与中贡献（p < 0.001）间差异显著，但中与低无差异。平均速度仅在高与中贡献间差异显著（p = 0.017）。

俄语参与者（俄罗斯组）

策略分布为：恶意型（12人）、条件性合作者（23人）、驼峰型（9人）、利他主义者（2人）及未分类（4人）。仅鼠标距离受策略类型显著影响（F_(3,N) = 2.67, p = 0.047），运动时长和速度无差异。

贡献水平分析显示：运动时长在高与中（p = 0.006）、高与低（p = 0.040）间差异显著；距离在高与中（p = 0.003）、高与低（p < 0.001）间差异显著；平均速度差异未通过校正。

鼠标指标相关性

两组中运动时长与平均速度均显著负相关（英语组 r = −0.675, p < 0.001；俄语组 r = −0.409, p < 0.001），距离与速度正相关（英语组 r = 0.242, p = 0.03；俄语组 r = 0.294, p = 0.001）。

序数回归模型

英语组中，距离对贡献水平有显著正向预测作用（系数0.0104, p = 0.031），而时长和速度不显著。俄语组中时长预测作用边缘显著（p = 0.049）。

跨组比较

国家主效应对运动时长显著（F_(1,1264) = 31.43, p < 0.001），瑞士组决策时间更长。策略类型与国家无交互作用。

讨论

本研究首次将鼠标追踪技术整合至在线公共物品博弈中，揭示了决策过程的动态特征。高贡献决策伴随更长的鼠标运动距离，表明其需要更复杂的认知加工（如社会规范内化与成本权衡）。这一发现支持双过程理论中“深思熟虑促进合作”的观点（Piovesan和Wengström；Rand等人）。

策略类型差异仅在瑞士组显著，条件性合作者表现出更长的决策时长，反映其需整合他人贡献信息。文化差异体現在俄罗斯组鼠标指标一致性较低，可能与赫尔曼等人报道的文化异质性相符。

鼠标追踪与眼动追踪（eye-tracking）互补：前者捕捉行动准备与决策冲突，后者揭示视觉注意分配。未来研究可结合神经影像技术（如fMRI或EEG），将鼠标指标与神经活动（如背外侧前额叶皮层dlPFC的认知控制）关联，进一步验证社会偏好的计算模型。

结论

鼠标追踪技术能有效捕捉公共物品博弈中的决策过程差异，尤其通过运动距离区分高贡献与中低贡献行为。策略类型与文化背景调节决策动态，条件性合作者表现出更高的认知努力。该技术为经济决策研究提供了过程级数据支持，有望成为神经经济学与行为科学交叉研究的重要工具。