PsyBrain 脑心前沿 / 科研分析：认知神经科学前沿的结构化精读 / N · 神经技术与方法 / N033 · NatRevNeurosci神经表征不能只看“能不能解码

N033 Nat Rev Neurosci | 神经表征不能只看“能不能解码”

来源：公众号 PSY-Brain_Frontier ｜发布：2026-04-01 ｜原文链接

认知神经科学前沿文献分享

基本信息

Title: Clarifying the conceptual dimensions of representation in neuroscience

发表时间: 2026.3.20

发表期刊:Nature Reviews Neuroscience

获取原文:

添加小助手: PSY-Brain-Frontier 即可获取PDF版本
点击页面底部“阅读原文”跳转论文网页

研究背景

“表征（representation）”是神经科学里非常常见的解释性概念：研究者会讨论某个脑区是否表征朝向、数量、空间位置，或某类对象特征。但这篇综述指出，领域里虽然大量使用“表征”这个词，却长期缺少一套统一框架来说明：什么样的证据，究竟支持的是哪一种“表征”主张。

问题出在，不同研究常用的方法并不相同，相关分析、解码模型（decoding model）、编码模型（encoding model）、表征相似性分析（representational similarity analysis，RSA）或信息论指标，往往会被统称为“发现了表征”。但正文强调，这些方法未必在回答同一个问题。一个神经反应能解码出某特征，并不自动等于它对该特征具有高特异性，更不等于这份信息已被下游过程实际使用。

因此，论文的核心任务不是提出一种新算法，而是澄清研究者在讨论“神经反应 r 是否表征目标特征 s”时，究竟在谈哪些不同维度。作者提出四个概念维度：敏感性（sensitivity）、特异性（specificity）、不变性（invariance）和功能性（functionality），希望为跨研究、跨方法的证据比较提供共同语言。

实验设计与方法逻辑

正文先用一个“苹果成熟度”的玩具例子建立最小分析结构：目标特征 s、其他相关特征 n、神经反应 r，以及行为反应 b。这个设定的作用，是把“表征”问题拆成几个彼此相关但不能混为一谈的关系：r 是否携带关于 s 的信息，r 的变化有多少可由 s 解释，r 是否在控制 s 后仍受 n 影响，以及 r 中的信息是否真的参与了后续行为或认知过程。

在形式化层面，作者主要用信息论（information theory）来界定前三个维度。敏感性关注 r 对 s 的信息量；特异性关注 r 的变异有多大比例由 s 解释；不变性关注在给定 s 时，r 是否仍依赖于 n。论文还进一步讨论条件敏感性和条件特异性，用来检验某种“表征”是否只是由相关特征带来的间接结果。

第四个维度“功能性”被明确放在因果层面，而不是统计相关层面。正文强调，如果要说某神经反应中的信息“被下游使用”，更有力的证据通常来自干预或更强的因果分析，而不能仅凭相关、互信息或 RSA 结构直接推出。

在此基础上，论文把常见方法映射到不同维度：解码通常更接近敏感性，编码通常更接近特异性，相关分析由于对称性较强，往往难以区分两者；RSA 更容易刻画条件平均后的表征结构以及某些不变性问题。最后，作者再用 V1 朝向、顶叶数量、海马空间位置等经典案例说明，较强的表征论证往往依赖多维证据组合，而不是单一分析结果。

核心发现

发现一：论文把“表征证据”拆成四个彼此相关但不同的维度

这篇论文最核心的工作，是把神经表征主张系统化为四个维度：敏感性、特异性、不变性和功能性。前三者描述目标特征、其他特征与神经反应之间的统计关系；功能性则转向因果问题，关注这些信息是否进入下游处理并影响行为或后续计算。这样的区分让“可解码”“较专一”“对其他变化稳定”“被下游使用”不再被混写成同一种结论。

Fig. 1 中，作者用 s、n、r、b 的关系把表征问题放进一个最小因果场景；Fig. 2 给出敏感性、特异性、不变性及其条件版本的信息论定义；Fig. 3 则用示意分布展示这些维度可以分离，不能合并成单一指标；这几张图也对应了“发现一”。

发现二：常见分析方法并不天然等于“发现了表征”

论文明确指出，解码、编码、相关分析、RSA 等方法都能为表征研究提供证据，但它们通常只支撑四维框架中的部分维度，不能自动升级为强表征结论。比如，解码更接近回答“r 中有没有关于 s 的信息”，编码更接近回答“s 能解释多少 r 的变化”；而相关分析本身往往难以分清这两类问题。正文还提醒，不同指标对非线性依赖、变量选择和模型设定的敏感程度不同，因此方法结果之间不能直接画等号。

图10

Fig. 4 中，作者展示了即使互信息较高，线性相关也可能较低，说明常见统计关系会漏掉某些依赖结构；同一部分正文还把解码、编码和 RSA 放回不同概念维度中理解，这张图也对应了“发现二”。

发现三：较强的表征论证需要处理混杂特征，并谨慎区分统计依赖与因果使用

论文反复强调，表征判断高度依赖于分析时是否把相关特征纳入模型。苹果成熟度的例子说明，如果颜色与成熟度共变，而分析中又忽略颜色，那么本来只是响应颜色的神经反应，也可能被误写成“成熟度表征”。因此，条件敏感性、不变性以及对相关特征的显式控制，对区分“真正指向目标特征”与“只是间接相关”很重要。至于功能性，正文边界也很清楚：观察性统计证据可以提示信息流动，但不能单独证明该信息已被下游过程因果性地使用。