

PNAS｜工作中“隐性且持续”的心理状态：基于 fNIRS 的神经预测框架

茗创科技

2025-11-14

导读：工作场所中的心理困境（如倦怠、压力、疏离）通常被隐藏或压抑，因此限制了及时干预的可能性。

工作场所中的心理困境（如倦怠、压力、疏离）通常被隐藏或压抑，因此限制了及时干预的可能性。以往研究多集中于显性情绪或人格特质，而“心理透镜（psychological lenses）”即个体看待世界的持久主观滤镜，更难被识别。

本研究发表于 PNAS 基于“神经参考群体（neural reference groups）”方法，试图通过神经同步模式识别个体的隐性心理状态，从而建立一个用于现实工作场景的预测框架。研究提出一种利用 fNIRS 来预测个体在职场中隐藏的、持续的主观心理状态的框架。扫描了 67 名企业高管在观看关于工作态度的视频时的脑部活动，并通过多时间点模式分析（MTPA）结合机器学习进行分类。（🔗点击文章底部阅读原文获取原文和数据库）

摘要

常见的职场困扰诸如感到压力过大、职业倦怠或工作疏离等，往往因为担心他人评价或受到社会规范的影响而被隐藏，这进一步导致心理健康危机和组织功能障碍的加剧。本研究提出了一种基于大脑的框架，通过非侵入性神经影像技术预测这些隐性且持续的心理状态。我们利用功能性近红外光谱成像（fNIRS），记录了67位企业高管在真实场景中观看一段关于职场态度视频时的大脑活动。随后，我们采用多时间点模式分析（MTPA）方法对时间序列进行降维，并分别基于颞顶联合区（TPJ）和背内侧前额叶皮层（dmPFC）的信号，成功判别出受试者在职业生涯中是否感到压力过大（判别准确率为72.8%）或是否需要新的职业挑战（判别准确率为79.1%）。MTPA框架还使我们能够反向解析刺激材料中引发与这些预测结果相关联的差异性神经活动的主题特征。视频中的情绪类内容（如表达困扰）对应于TPJ所选特征，并能预测个体是否感到压力过大；而与社会相关的内容（如缺席社交活动）则与dmPFC的选定特征相对应，可预测个体是否需要新的职业挑战。这些发现表明，神经测量方法能够在真实场景中非侵入地识别个体隐性且持续的心理状态，从而为制定有针对性的干预措施提供依据，最终改善员工的幸福感与工作投入度。

引言

我们大约有三分之一的成年时光都在工作中度过。虽然工作能够带来成就感、动力与投入感，但组织内部复杂的社会动态同样可能引发各种问题。然而，无论我们感到多么压力过大、心态疏离或倦怠，当别人问起“最近怎么样？”时，我们通常都会回答“挺好的”。无论是由于自我反思不足，还是担心他人评判，我们在职场中所表达的内容常常与自己的真实想法和感受并不一致。这种社会与情感的“不透明”状态，使他人难以了解我们的真实状况并给予支持，不仅加剧了职场心理与身体健康危机，也导致了团队文化的恶化，例如缺勤率上升、生产力与创造力下降，以及员工流失。如果有一种方法能够非侵入地检测到这些隐性且持续的社会情绪状态（如工作中的压力过大），我们就能更好地识别问题，并将支持精准地提供给最需要的人。在本研究中，我们提出了一个利用非侵入性神经影像技术来测量与预测这些状态的框架。

神经科学领域的最新进展使得研究者能够借助大脑活动预测心理和行为结果。然而，预测个体更为隐蔽且持续的看待世界的方式（即心理认知视角）一直是一个更大的挑战。这主要是因为，这类反应不仅仅由感官输入决定，更受到过往经历、期待与动机等多重因素的共同影响，最终形成了对输入信息的持久主观解读。为应对这种复杂性，我们不是直接通过大脑活动来判断个体如何看待某一事物，而是通过测量不同个体之间的神经同步性（即随时间变化的神经活动耦合程度），来判断他们在感知事物时是否一致或存在差异。已有研究表明，特定脑区的神经同步性与个体在体验和解读信息时的共性密切相关。因此，如果我们能够识别出某一特征的组水平神经特征，就可以通过新个体的大脑反应与参照群体的相似性，判断其是否具有该特征。

尽管该框架建立在大量关于神经同步与共同心理过程（如叙事解读、沟通及自闭症等临床因素）相关文献的基础之上，但它在一个关键方面有所不同。以往研究主要采用顺向推理方法，考察具有相同特征的人是否表现出更为相似的脑活动。与之相反，我们采取了逆向推理的方法，通过分析神经活动的相似性模式来预测个体的心理特征。这被称为“神经参照组方法”（neural reference groups approach ）的框架，既可用于预测状态型现象（如实验诱发的叙事视角），也可用于预测特质型特征（如坚定的社会政治信念及归因偏差）。

我们进一步拓展了这一方法，旨在检验能否识别那些在日常生活中常常被隐藏、却强烈影响个体视角的、更为微妙且具社会意义的心理认知视角。具体而言，我们关注的是职场中的压力过大、疏离感和职业倦怠。与更为固定的特质、意识形态立场或偶发经历不同，个体对职业的负面视角具有以下特点：一是广泛存在，是职场心理健康与幸福感危机的重要推手；二是影响深远，会带来个人及组织层面的损害；三是隐蔽难察，往往长期不为人知。此外，这些负面视角具有可塑性，对干预措施具有响应性，因此成为预测与改变的重要靶点。我们特别聚焦于企业高管群体，因为他们正处于个人与组织幸福感交汇的关键位置。压力过大、疏离或职业倦怠等负面视角，在领导岗位中尤为常见，其影响也会对整个组织及其成员产生深远作用。

为此，我们利用功能性近红外光谱成像（fNIRS）在真实场景中对68位企业高管进行了扫描，这一方法具有优越的便携性、运动耐受性、经济性和舒适性，而传统神经影像技术难以实现这种实地测量。基于“个体的职业相关视角影响其对工作内容的感知和体验，并且这些视角可以在大脑层面进行测量”这一假设，我们的目标是为这些视角定义组水平的神经特征，并据此通过与参照群体的神经相似性对新个体进行分类。

借鉴以往基于神经同步的分类研究，我们分析了前额叶内侧皮层（mPFC）和颞顶联合区（TPJ）的活动，这两者是fNIRS可检测到的默认模式网络（DMN）关键节点。我们区分了mPFC的前部和背侧两个亚区，因为已有研究表明，前部内侧前额叶皮层（amPFC）主要参与情感和自我相关加工，而背侧内侧前额叶皮层（dmPFC）则更多参与心理化和社会认知过程。TPJ尤为值得关注，因为其可能负责将非感官输入整合为差异化的主观理解，这一过程与心理认知视角的应用大致相似。为降低这些感兴趣脑区（ROI）时间序列的维度，我们还应用了多时间点模式分析（MTPA）方法，通过特征选择，仅保留和分析对类别判别最具信息量的时间点。

鉴于这些脑区的神经同步性与个体体验和解读信息方式的共性之间存在已知关联，我们假设：基于dmPFC、amPFC和TPJ脑活动训练的模型能够预测人们对自己职业的思考与感受，特别是他们是否感到压力过大、职业倦怠或需要新的职业挑战。在探索性分析中，我们还利用MTPA方法筛选出的特征，反向解析视频刺激中能够激发不同群体神经活动差异的具体时间点，从而揭示刺激内容、神经活动与心理认知视角之间的联系。通过提供一种基于大脑的客观测量手段来评估持续且隐性的心理状态，该框架有助于深入理解并制定有针对性的干预措施，促进个体的投入、生产力和幸福感。

结果

工作相关心理视角的预测

我们采用了MTPA结合神经参照群体的方法，预测个体对自身职业的感受。TPJ的神经时间序列可以以72.84%的准确率预测个体是否感到压力过大。dmPFC的神经时间序列可以以79.13%的准确率预测个体是否认为自己需要新的或不同的挑战。这两项预测的准确率均通过了基于最大统计置换检验的多重比较校正，具有统计学显著性（P值分别为0.035和0.002；见图1）。最大统计量的均值为62.13%，而随机概率大约为50%。综上，这些结果表明，我们可以利用个体的神经活动来预测其相关的社会情绪特征，例如他们对职业的感受，而无需直接询问。

图1 最大统计量置换检验的结果。垂直的橙色线表示两个最准确检验的预测准确率，TPJ（颞顶联合区）预测人们是否感到“不堪重负”，以及dmPFC（背内侧前额叶皮层）预测人们是否“需要新的或不同的挑战”。右侧的图像显示了叠加在大脑上的预测准确率的热图，分别对应“我感到不堪重负”指标和“我需要新的或不同的挑战”指标。黄色区域反映了更高的预测准确率。

除上述外，其他脑区与结果变量的组合在多重比较校正后均未达到统计学显著。dmPFC预测个体是否感到压力过大的准确率为64.51%，amPFC预测个体是否需要新的或不同挑战的准确率为63.29%，但这两项结果在最大统计置换校正后均未达到统计学显著（P值分别为0.318和0.383）。在“我感到倦怠”这一结果上，所有ROI的分类准确率均未显著高于随机水平。表1展示了各结果变量与脑区的模型预测准确率。

MTPA性能表现

我们还评估了MTPA方法在弹性网特征选择下的表现与作用。将时间序列下采样到每秒一个样本后，最终保留了653个时间点。鉴于我们的样本量（根据结果变量分别为N=67和N=62），如此多的特征导致样本量与特征量之比约为1:10，这正好与机器学习中理想的10:1样本与特征比例相反。基于弹性网的MTPA方法大幅减少了时间序列中的特征数量，这些特征随后被用于训练逻辑回归模型。图2展示了TPJ预测个体是否感到压力过大的情形下，弹性网的特征筛选效果。

图2 弹性网（elastic net）特征选择的示例。基于TPJ（颞顶联合区）的时间序列来预测人们是否感到“不堪重负”。红色和蓝色的线分别代表训练集中“不堪重负”组和“未不堪重负”组的平均时间序列，垂直的灰色条带代表弹性网所保留的特征。垂直线的深浅代表该特征在测试和迭代中被选中的比例。

在对两个脑区和准确预测结果的问题进行分析时，MTPA方法保留了最多的特征（见表1）。弹性网在所有测试和迭代中，分别在dmPFC预测是否需要新的挑战和TPJ预测是否感到压力过大的情形下，平均筛选出36.72个和34.84个特征。将特征数量从653个降至约35个，大大提升了训练效率，并降低了过拟合风险。相比之下，在其他脑区结果变量组合中，保留的特征数量较少，表明这些模型难以收敛到一组可靠的特征。

表1 每个 ROI 和结果度量的平均预测分数和弹性净特征保留

为更好地理解MTPA的作用，我们还进行了探索性分析，采用岭惩罚的逻辑回归模型（不做特征选择）。该分类器采用与主模型相同的交叉验证流程训练与测试，使我们能够在有正则化的前提下，对比MTPA对预测性能的提升效果。在用完整TPJ时间序列预测个体是否感到压力过大的情形下，带正则化的分类器准确率为51.2%；利用dmPFC时间序列预测个体是否需要新的职业挑战时，逻辑回归分类器准确率为59.5%。MTPA方法在这两项分析中分别提升了21.6%和19.6%的准确率，以我们的样本量（67人和62人）计算，意味着每项指标大约多正确分类14人和12人。

反向解析刺激效应

由于MTPA方法选择了某些特征，本质上是与自然状态下长时视频刺激锁定的时间点。我们可以分析，在组水平神经活动出现差异的时刻，视频中正在发生什么。为此，我们比较了在高度筛选时间点与未被筛选时间点，视频中涉及某一主题或话题的概率。

利用圆环移位置换检验得到的比值比显示，视频中的两类主题（情绪主题和社会主题）与筛选时间点显著相关（见图3）。TPJ预测压力过大时所筛选出的时间点，与视频中讲述者表达情绪的片段显著对应（比值比=3.71，P=0.017），说明在观看情绪相关内容时，参与者的TPJ活动会根据其是否感到压力过大而显著不同。此外，dmPFC预测需要新挑战时筛选出的时间点，与视频中讲述者讨论社会主题的片段显著对应（比值比=2.85，P=0.024）。这表明，当参与者观看视频中关于工作社会属性及其人际关系（如与客户、同事、朋友和家人的关系）的内容时，dmPFC活动会因其是否需要新挑战而表现出差异。综合来看，这些结果表明，视频中的情绪主题和社会主题对于驱动与职业相关视角预测的神经活动差异具有重要作用。

图3 频繁选中的特征与未被选中的特征对应视频刺激中主题的概率。

条形图显示了视频刺激中的某些元素对应于被MTPA（多时间点模式分析）选中的特征与未被选中的特征的概率对比。左图说明了在使用TPJ预测人们是否感到“不堪重负”时，主题与所选特征之间的关系。右图对应于dmPFC（背内侧前额叶皮层）预测人们是否“需要新的或不同的挑战”的情况。

讨论

本研究旨在通过个体的神经活动，预测现实场景中隐性且持续的心理认知视角。我们关注的是个体对职业的负面情感，包括压力过大、职业倦怠或渴望新的挑战等体验。基于大脑活动能够为个体心理认知视角提供独特洞见这一理念，我们借助社会神经科学的方法，非侵入地理解、测量和预测个体对自身职业的主观感受。考虑到在心理化、语义加工和自我指涉等社会认知功能相关脑区，类似的脑反应与个体对世界“看法”的共性密切相关，我们假设，基于TPJ、dmPFC和amPFC神经活动训练的模型能够有效预测个体与职业相关的主观感受。

为验证这一假设，我们在真实场景下记录了企业高管在观看关于工作态度视频时的大脑活动。与我们的假设一致，这些模型能够预测参与者对自身职业的关键情感特征。TPJ的神经活动能够以72.84%的准确率预测参与者是否感到压力过大，dmPFC的神经活动则能以79.13%的准确率预测其是否渴望新的或不同的挑战。这两项结果均显著高于随机水平，显示了神经标志物在揭示复杂且常被隐藏的社会情绪体验方面的潜力。

本研究所采用的预测框架并不试图解释所有可能导致神经差异的来源（如人格、背景或神经多样性）。相反，我们利用神经活动模式将个体归入预设类别。未来的研究可以通过按人口学或人格变量分层，进一步解析组内异质性。此外，虽然我们的样本量在实地神经影像研究中已属较大，但相较于机器学习标准仍显有限。我们通过弹性网正则化进行降维、严格的交叉验证以及最大统计量置换检验，解决了初始样本与特征比例过低的问题，但仍需后续更大样本量的研究来验证这些发现的稳定性与普适性。

值得注意的是，MTPA方法在模型训练前显著降低了时间序列的高时间维度，与无特征选择的岭惩罚逻辑回归相比，预测准确率分别提升了21.6%和19.6%。这一降维处理既保留了长时自然刺激的丰富信息，又降低了过拟合的风险。

MTPA方法还提升了模型的可解释性。通过筛选出关键特征并对应分析其在视频刺激中的具体时间点，MTPA方法使我们能够识别出视频中哪些内容引发了不同群体之间的神经活动差异。例如，讲述者表达情绪的片段恰好对应于TPJ能够预测参与者是否感到压力过大的时间点。这可能反映了“压力过大”背后情绪体验的复杂性，包括压力、挫败、痛苦或悲伤等多重成分，不同的经历会在大脑中引发不同的神经共鸣。在这些被选中的时间点，视频中情绪编码的内容包括如“[裁员]是痛苦的。这真的很难受。你知道，我们必须撑过去，必须去做这些事，要有同理心。但这并不会减少它的痛苦。”这样的表达。另一方面，视频中的社会话题与dmPFC能够预测参与者是否需要新挑战的时间点密切相关。工作中社会角色的属性（如与客户互动，或工作对社交生活的影响）可能解释了为什么那些渴望新挑战的人在面对这些内容时会产生不同的反应。在这些时间点，视频中社会性编码的内容包括如“我现在几乎不社交了。我错过了婚礼，也错过了和家人在一起的重要时刻。”这样的表达。这些发现为理解刺激材料的具体内容如何根据个体的心理认知视角产生不同神经活动提供了重要线索。更广泛地说，这种方法为识别有效内容、设计针对性刺激以引发群体间神经活动差异提供了潜在策略。

我们在预测模型中观察到的模式，以及通过MTPA识别出的刺激特异性特征，还为DMN不同亚区如何支持不同心理功能提供了初步见解。根据CEEing模型，TPJ通过整合感官与情境信息，支持无意识的主观建构；而mPFC则参与更加主动、反思性的社会推理过程。我们的探索性反向解析分析与这一观点基本一致：TPJ的活动在视频中的广义情绪时刻具有预测作用，而dmPFC的活动则更倾向于参与显式的社会性反思，如因工作与生活失衡带来的人际关系压力。这种模式也可能反映了不同测量指标自身的差异：压力过大往往源于对经验的被动理解，而意识到需要新的挑战则需要更有意和努力的反思。未来研究应进一步检验这些解释，以明确DMN各亚区如何分别作用于不同心理认知视角。

其他涉及情感加工的脑区，如背侧前扣带皮层，也很可能对这些体验有贡献，但这些区域超出了fNIRS的空间覆盖范围。采用fMRI复现该研究有望实现对全脑的更全面评估。本研究采用的实验设计（被动观看视频刺激）非常适合fMRI的应用，只是由于本研究的实地场景限制，目前尚无法实现。

对职场及更广泛领域的意义

本研究在神经参照群体理论框架的基础上，进一步拓展关注于流动的、情境依赖的，并且与现实挑战直接相关的社会情绪体验。通过在真实场景下使用便携式fNIRS，我们证明了可以在实际环境中预测常见、重要且具有隐蔽性的社会情绪体验。传统的内隐测量方法由于脱离真实体验，且容易受到需求特征的影响，存在局限性；而神经同步性能够捕捉丰富且不受干扰的信息，从而有效预测个体的主观状态。尽管在更广泛应用之前仍需在不同环境和样本中进一步验证，但这种预测隐性与细微社会情绪状态的能力，为帮助组织和团队营造更幸福、更健康、更有参与感的文化开辟了新途径。

尽管我们的发现目前仅是初步的概念验证，但这一框架未来可能的重要应用之一在于理解高风险环境中领导者的体验。领导岗位持续的压力不仅会损害领导者自身的幸福感，还会向整个组织扩散，影响团队士气、生产力和决策过程。鉴于我们的样本直接来自这一群体，本研究为开发工具以帮助领导者监测自身是否处于压力过大或准备迎接新挑战的状态提供了初步证据，这将为他们在全身心投入使命或团队表现时，依然能够管理自身压力提供有益见解。尽管仍处于探索阶段且需要完善的安全保障，这一方法同样可用于评估团队层面的动态变化，或考察旨在改善职场氛围的各类组织干预和举措的成效。

其他未来可能的方向包括将这一框架应用于心理治疗或教育等情境。例如，理解个体内在状态有助于治疗师识别患者无意中隐藏的看法和情感“盲区”；教育者也可以用这一方法了解不同学生在面对知识点时的真实反应，无论他们是否真正掌握了内容。不过，任何此类拓展应用都需要大量的进一步验证，目前仍应视为探索性阶段。

尽管这种方法尚难以大规模推广，但随着神经预测工具的不断发展，防止其被滥用仍然至关重要。尤其在职场类等级分明的环境中，一个重要担忧是神经数据有可能被用于歧视性目的。随着相关技术的发展，必须同步加强伦理规范，包括强化透明度、知情同意和隐私保护等措施。遗传学领域为此提供了先例：尽管基因数据最初被视为促进健康理解和改善的工具，但也带来了歧视性做法的风险，促使2008年出台了Genetic Information Nondiscrimination Act。类似的法律框架或许同样有必要，以确保神经数据仅被用于促进个体和组织幸福感，得到负责任的管理和使用。

状态、特质与认知视角

MTPA神经参照组方法为研究一种概念上独特的心理层面提供了框架，填补了以往关于瞬时状态与持久特质之间研究的空白。大量神经影像学研究通过多变量解码方法进行“读心”，用于识别某一时刻个体正在感知的内容。例如，这些方法可以判断一个人是在看人脸还是在看房屋，研究重心在于个体此刻基于具体感官刺激所经历的体验。在另一端，许多研究利用脑数据识别个体稳定的人格特质。

与之不同，我们的方法关注的是状态与特质之间容易被忽略的“中间地带”，即心理认知视角。心理认知视角反映了我们每个人通过主观滤镜，以不同方式轻松体验世界的过程。这些认知视角可能长期存在，受生物学与心理特质影响，也会因周围的人及所处环境在较长时间内发生变化。例如，一个人可能因为特定的工作或置身于有害的团队而感到压力过大，这会影响其对所有与工作相关事物的看法，但当责任发生变化或有了新的任务时，这种认知视角也可能发生巨大转变。当MTPA神经参照组方法用于识别认知视角时，它并不是解码个体所接收到的客观内容，而是揭示每个人对这些内容的主观体验，这种体验往往反映出持久的世界观和体验方式。

结论

我们每个人都会经历困难时期。但由于各种原因，我们并不总是主动寻求所需的帮助，甚至有时意识不到自己需要帮助。本研究展示了如何通过神经活动来检测隐藏且持续存在的心理认知倾向，这些倾向与我们成年后大部分时间所处的环境（即工作环境）密切相关。通过以大脑为预测工具，我们能够以直接且有意义的方式理解和预测现实问题，为如何有效沟通、联结与关怀彼此提供了新的见解。

材料与方法

参与者

共有68名参与者，均为参加“Summit LA”大会的企业高管。“Summit LA”是一个在洛杉矶举办的组织型盛会，邀请成功的创业者、首席执行官及其他高管共聚一堂，在周末交流想法、构建社群。68名参与者中，47人为男性，21人为女性。平均年龄为41.5岁（标准差9.87）。其中一名参与者未填写研究后问卷，最终样本量为67人。所有参与者均为自愿招募，接受了研究说明，签署知情同意书，并可随时退出研究。数据由Resonance Inc.与Summit LA联合采集，所有完全去标识化的fNIRS和问卷数据被转交至加州大学洛杉矶分校社会认知神经科学实验室进行分析。加州大学洛杉矶分校伦理审查委员会（IRB）对本项目进行了审核，鉴于本研究为非人类受试者的二次去标识化数据分析，确定无需进一步伦理审批。

实验流程

获得知情同意的参与者被邀请至靠近Summit LA会场的一间办公区临时神经影像实验室，并配戴上fNIRS设备。实验包括两个环节。首先，参与者进行小组互动任务，轮流向他人展示自己的想法。本研究所用数据来自第二个环节，与小组互动任务无关。在该阶段，参与者观看一段由多位高管讲述其工作态度的视频合集，期间用fNIRS对其大脑进行扫描（见图4）。视频内容包括高管们对工作积极和消极方面的看法，以及他们对职业的态度。视频播放结束后，参与者填写了一份问卷，调查其对自身职业的想法与感受。

图4 实验和视频刺激的静止画面。左图显示了被试们佩戴着fNIRS（功能性近红外光谱）并一起观看视频。右图是来自视频刺激的一个静止画面，在该视频中，其他企业高管按指示谈论了他们工作中的积极和消极方面。原始刺激中未包含字幕。

实验材料与刺激

视频

用于收集神经时间序列数据的视频，是由多位企业高管坦率讨论工作与职业相关感受的合集。为制作该视频，我们邀请未参加Summit LA的高管自行录制关于工作积极/消极方面及工作与生活关系的讨论。讲述者在个人电脑上完成录制，我们将所有片段拼接成时长10分53秒的视频。

结果指标

观看视频后，参与者回答了四项反映职业负面社会情绪体验的结果指标，分别为：“我需要新的或不同的挑战”、“我感到压力过大”、“我感到不被重视”以及“我感到倦怠”。参与者被要求以对自己职业整体的思考为基础作答。所有项目均采用七点李克特量表（1=非常不同意，7=非常同意）。

我们选择这些指标，是因为它们能够代表具有代表性的、与工作相关的负面体验，并且彼此之间具有足够区分度，从而覆盖现象的不同侧面。每项指标对应不同类型的负面工作体验：“压力过大”反映当下情境中的需求或压力；“倦怠”体现长期暴露于压力和不满下的累积效应；“需要新挑战”关注面向未来的组织层面需求，涉及参与度和成长；“不被重视”突出工作中的社会与人际关系因素。各指标间相关度适中（r=0.14至0.42，平均r=0.32），四项结果指标的Cronbach’s α为0.66，低于0.70的合并组分标准。这些结果表明各指标虽相关但具区分度。因此我们对每项结果分别进行分析，未合并为一个总分。

fNIRS数据采集

我们使用NIRx NIRScout设备（NIRx Medical Technologies, LLC, 美国纽约），采样率为3.906 Hz，激发波长分别为760 nm和850 nm。fNIRS帽上的光源与探测器平均间距为3厘米，覆盖了PFC、TPJ和顶上小叶（见图5）。我们之所以选择这些区域，是因为它们广泛涉及社会认知、注意力与主观建构等脑功能过程。此外，探头布置还覆盖了一些非心理化相关脑区（如外侧前额叶皮层和顶上小叶），但这些区域未被纳入分析，因为它们不在本研究假设之内。

图5 前额叶皮层、颞顶联合区和顶上小叶的fNIRS探针布局图。红点代表源光极，蓝点代表探测器光极。ROI（感兴趣区域）以橙色（amPFC）、紫色（dmPFC）和绿色（TPJ）高亮显示。

我们采用10-10 UI外部定位系统，统一各参与者探头布置。帽子的佩戴参考了解剖标志点，包括鼻根点（前额与鼻子之间的凹陷处）、枕外隆凸（颅骨后下方的突起）、左右耳前点（耳朵前方），以及头顶部。每位参与者均配戴与其头围相匹配的帽子，以确保贴合度一致。鉴于实地研究的需求，这些措施足以确保不同个体之间探头定位的一致性。随后，所有通道可通过概率建模投射至MNI标准空间，从而在共用脑空间中对ROI进行定位。

数据预处理与准备

神经数据

fNIRS数据经过了一个预处理流程，该流程结合了自编脚本与Homer2软件脚本。对于噪声高或信号过饱和的通道，采用改进的四分位离散系数法，对超出系数阈值（Cthresh = 0.6 – 0.03 × 采样率）且持续2秒及以上的通道予以剔除。进一步的数据精炼包括对运动伪影和非神经性血氧变化的校正。为校正剩余通道中的头动伪影，删除幅度大于5个标准差、持续时间小于1秒的尖峰信号。为去除非神经生理影响（如心跳和呼吸节律）及基线漂移，应用了保守的带通滤波器（0.008~0.2 Hz）。滤波后的数据利用改进的比尔-朗伯定律，结合标准差分光程因子，将光密度值转换为血红蛋白（HbO）浓度。最后一步质量控制通过自相关变化评估，以检测运动校正的影响。对于自相关变化显著（超过阈值r=0.1）的通道，认为其受到运动伪影影响，予以剔除。所有数据经过z-score标准化。我们特别关注氧合HbO，因其较去氧HbO具有更高的信噪比、更大的幅值，以及与fMRI BOLD信号的相关性更强，因此在机器学习分析中是最敏感且统计效能最高的指标。

在预处理后，还采取了一系列降维和平滑处理步骤。首先，我们选定了具体的神经ROI：双侧TPJ、amPFC和dmPFC。各通道按ROI进行平均后，对每个区域的时间序列从3.906 Hz重采样至每秒一个采样点，以进一步平滑信号、提升可解释性，每个特征对应1秒。

结果指标

为便于机器学习分析，我们将自陈反应按尽量均衡的方式分为二元组（高/低组）。这样，每项结果指标均产生了高组和低组，人数尽可能接近。之所以采用二分法，主要有三方面原因：一是与以往神经参照群体研究方法保持一致，保证方法学的一致性；二是从实际应用角度看，“高风险-低风险”类别的划分比连续量表更具操作性，更便于组织实际应用；三是可视化结果表明，各结果项呈双峰分布，支持用二分法反映数据结构。

由于分组尽量均衡，不同结果项的分割点有所不同。“I feel burned out”和“I feel overwhelmed”这两项，最均衡的分割点为3.5，分别对应高低组比例为36:31和35:32。其余指标为保证组间平衡，需要以整数为分界，因此将位于该分割点的案例剔除。“我需要新的或不同的挑战”的分割点为3，剔除5个回答为“3”的参与者后，该模型最终样本量为62人（高组32人，低组30人）。“我感到不被重视”这一指标分布右偏，最均衡的分割点为2，但这样样本量仅剩46人（高组27人，低组19人），导致样本量过小、类别极不均衡，且1-7分量表以2为分界难以解释，因此该项未纳入进一步分析。

将剩余指标二分后，为避免模型仅预测多数类别，我们进一步对类别分布进行均衡处理。具体做法是通过随机重复少数类样本对其进行上采样，每次迭代时所重复的样本均不相同。

MTPA模型训练与预测

本研究的目标是构建能够预测个体职业感受的模型。我们遵循神经参照群体方法，训练算法识别在每项指标上被标记为高组或低组个体的神经活动模式，并据此将新个体归入与其神经活动更为相似的群体。为确保模拟真实样本外预测，我们采用了留一法交叉验证（LOOCV）进行模型训练与测试。具体流程为：每次剔除一名受试者，对剩余N-1名样本进行特征选择和模型训练，再用训练好的模型预测被剔除个体的分类。该过程对所有受试者循环执行，最终得到整体预测准确率。我们选择LOOCV而非k折交叉验证，是因为LOOCV最为详尽，能提供最小偏倚的模型表现估计，并最大限度保留训练数据，对于样本量相对有限的机器学习任务尤为重要。

我们还采用了“MTPA”方法（为本实验开发），以进一步降低时间序列的时间维度。MTPA类似于fMRI中常用的多体素模式分析（MVPA），但其不是利用空间探照灯选择体素激活模式，而是通过“时间探照灯”选择时间序列中对类别判别最具信息量的时间点。该“时间探照灯”以弹性网特征选择实现，弹性网是一种结合了lasso（L1）和ridge（L2）正则化的回归技术，用于筛选最有效的特征。我们采用MATLAB的lassoglm函数，使用默认参数，通过10折交叉验证自动选择正则化参数lambda。alpha参数（决定lasso与ridge惩罚的相对权重）设为0.9，更接近lasso，以实现尽可能高的稀疏性，同时兼顾预测变量间的多重共线性。

MTPA在训练集上完成后，训练和测试的时间序列都被降维至弹性网筛选出的特征时间点。此处，弹性网作为包裹式特征选择器，获得可完全解释的预测时间点和后续刺激映射。我们没有直接用正则化系数做分类（以避免收缩效应影响解释），而是采用特征选择与模型估计分离的流程，对所有选中特征拟合逻辑回归模型。之后利用该模型评估预测表现。

我们选择逻辑回归模型主要因为其简洁和线性特性，但理论上也可用支持向量机、线性判别分析或k近邻等方法。模型预测表现通过对测试样本的时间序列进行评估，这些样本在弹性网和逻辑回归的训练阶段都被完全排除在外。该完整流程对每位受试者循环执行，最终预测表现取所有受试者的平均值。为提升估计稳定性，并考虑训练过程中类别均衡带来的随机波动，完整LOOCV流程重复50次，最终取平均结果。所有分析针对每一项结果指标和每一个ROI独立进行。

显著性检验

采用置换检验评估模型预测准确率的统计学显著性。我们采用最大统计量法生成零分布并进行多重比较校正，该方法可控制家族错误率，并兼顾ROI和结果指标之间的内在相关性。具体做法是在所有9种结果与ROI组合下，重复上述MTPA神经参照组方法流程1000次，并随机打乱标签。每次置换都记录9项测试中的最高准确率，从而得到最大统计量的零分布。最终P值计算为置换后最大准确率大于等于实际观测准确率的比例。

主观刺激编码与分析

由于MTPA方法能够筛选出对群体间差异具有预测作用的特征，我们可以将这些特征（即时间点）与视频中相应的时间点直接对应比较。这样我们便能够探究刺激材料的哪些方面与神经活动的差异性时刻相关联。为此，我们邀请经过培训的研究助理对视频内容进行编码。编码人员对研究假设和问题保持盲态，以避免偏倚，但获得了有关如何评定视频各个方面的详细说明。每一秒，研究助理都会用二元方式标记讲述者是否在讨论、体现或暗示某一主题。编码主题包括讲述者是否涉及与工作相关的奖励、轶事和故事、负性话题、正性话题、社会生活、个人生活与自我，以及情绪等内容。

随后，我们计算了在高度筛选时间点与从未被筛选的时间点，视频中某一主题出现的概率。“高频时间点”定义为最常被选中的25个时间点，因为大多数测试中可重复筛选出的时间点数量为25。“未筛选时间点”指的是在MTPA过程中从未被选中的时间点。为补偿fNIRS数据采集中固有的血流动力学延迟，在分析前将特征集整体后移3秒。为评估特征与刺激之间的关联强度，我们进行了圆环移位置换检验。具体做法是将高频时间点的二元指标按1秒至视频总时长减1秒的区间随机平移，并重新计算比值比。该过程重复10000次，形成零分布，通过比较实际观测比值比大于等于零分布比值比的比例，判断统计学显著性。

参考文献

Goldstein, B. M., Burns, S. M., Binnquist, A. L., Dieffenbach, M. C., Konkoly, C., Abramowitz, S., & Lieberman, M. D. (2025). Neural predictors of hidden, persistent psychological states at work. Proceedings of the National Academy of Sciences, 122(42), e2504382122.