作为认知科学和ACT-R建模理论的高级研究员，提供专业分析和…

# 基于ACT-R的电商购买决策眼动建模方案

一、建模思路

将购买决策分解为四个认知模块协同工作：

• 目标模块：维护当前决策阶段（浏览→比较→评估→购买/放弃）
• 陈述性记忆模块：存储商品属性、价格、品牌等事实chunk
• 程序性模块：产生式规则驱动“注意哪个区域→提取属性→整合价值→决策”
• 视觉模块：与眼动数据对接，模拟注意转移

二、模型结构设计

1. Chunk定义

• 商品属性chunk：[商品-属性： 价格X 评价Y 图片Z]
• 价值评估chunk：[属性-价值： 价格→负效价 好评→正效价]

2. 核心产生式规则（示例）

• IF 目标=浏览 AND 视觉区域有未注视商品 → 发出注视请求
• IF 已注视商品 AND 属性被编码 → 提取对应价值chunk
• IF 正负效价累积超过阈值 → 触发购买意图
• IF 效价累积不足且时间超限 → 放弃决策

三、参数设定（关键）

1. 与眼动数据对接的参数

• 视觉请求延迟（默认约85ms）：可保留默认
• 编码时间：与注视时长挂钩，用您的fixation时长数据校准（如平均注视时长的下四分位数作为最小编码时间）
• 注意转移：fixation次数决定模拟中的注意切换次数

2. 记忆模块参数

• 激活阈值的衰减参数d（默认0.5）：影响遗忘，可用重复浏览行为估计
• 基础概率b参数：影响属性回忆成功率，可根据用户是否回视（regression）调整
• 检索噪声s：模拟个体差异，可用200人数据的组间方差拟合

3. 决策相关参数

• 效用噪声s（决策rule的噪声）：控制选择随机性，越大越难触发购买
• 奖励参数R：为“购买成功”设定正奖励、“放弃”设负奖励或零
• 购买阈值：建议先用眼动数据划分用户群（高/低购买倾向），分别拟合阈值区间而非固定值

四、校验与拟合建议

• 用 fixation时长分布 拟合编码/检索时间参数
• 用 fixation次数 验证模型模拟的注意路径是否与真实注视热点图一致
• 建议采用留出法：150人拟合参数，50人验证购买/放弃预测准确率
• 参数敏感性分析：逐个调整效用噪声与阈值，观察对预测准确率的影响

五、注意事项

• ACT-R适合模拟序列加工，但购买决策可能含情绪成分，必要时可补充情感模块
• 200人样本量适合分组拟合，不建议逐人建模（过拟合风险）
• 先建立简化模型跑通流程，再逐步细化属性权重

如需具体的Lisp/Python（ctactr）代码框架，可以进一步说明。