Bayesian causal inference

Multisensory perception is a cornerstone paradigm for understanding how the brain constructs coherent representations of the world from noisy, fragmented sensory inputs. For decades, researchers have used the magnitude of crossmodal illusions, the width of the temporal binding window, and related behavioral indices as direct proxies for 'integration strength,' and have leveraged these measures to compare multisensory function across developmental, clinical, and aging populations. Here we argue that this descriptive practice is frequently compromised: behavioral readouts of multisensory integration are composite measures jointly shaped by unisensory precision, amodal priors, and the binding process itself, and cannot be interpreted in isolation. Drawing on simulations within a Bayesian Causal Inference framework, we show how identical behavioral patterns can arise from very different underlying causes, leading to systematic misattribution of group differences to 'deficits' or 'enhancements' in integration. We review complementary computational frameworks, including coupling priors, drift diffusion, multisensory correlation detection, and statistical facilitation models, and outline their respective explanatory limits. Finally, we provide a model-based inference pipeline, from experimental design and unisensory baselines to parameter estimation and interpretation, that aims to help disentangles sensory fidelity, prior expectations, and integrative tendency. Adopting this normative approach can facilitate cumulative progress in basic multisensory research and for its translation to neuropsychiatric assessment, lifespan research, and artificial perceptual systems.

ادراک چندحسی یکی از پارادایم‌های اساسی برای درک این است که مغز چگونه بازنمایی‌های منسجم از جهان را از ورودی‌های حسی پر سر و صدا و تکه‌تکه می‌سازد. برای دهه‌ها، پژوهشگران از بزرگی خطاهای توهمات بین‌حسی، پهنای پنجره اتصال زمانی و شاخص‌های رفتاری مرتبط به عنوان نمایه‌های مستقیم برای «قدرت ادغام» استفاده کرده‌اند و این سنجه‌ها را برای مقایسه عملکرد چندحسی در جمعیت‌های رشدی، بالینی و سالمندی به کار برده‌اند. در این مقاله استدلال می‌شود که این رویه توصیفی اغلب با مشکل مواجه است: خروجی‌های رفتاری ادغام چندحسی، سنجه‌هایی مرکب هستند که به طور مشترک تحت تأثیر دقت تک‌حسی، پیش‌انگاره‌های آمودال و خود فرایند اتصال قرار دارند و نمی‌توان آن‌ها را به طور مجزا تفسیر کرد. با استفاده از شبیه‌سازی‌ها در چارچوب استنتاج علّی بیزی (Bayesian Causal Inference)، نشان می‌دهیم که الگوهای رفتاری یکسان می‌توانند از علل زیربنایی بسیار متفاوتی ناشی شوند و این امر منجر به نسبت‌دهی نادرست و نظام‌مند تفاوت‌های گروهی به «نقص» یا «افزایش» در ادغام می‌شود. چارچوب‌های محاسباتی مکمل، از جمله پیش‌انگاره‌های اتصال، مدل‌های انتشار رانش (drift diffusion)، شناسایی همبستگی چندحسی و مدل‌های تسهیل آماری را مرور کرده و حدود توضیحی هر یک را تبیین می‌کنیم. در نهایت، یک خط لوله استنتاج مبتنی بر مدل، از طراحی آزمایش و خطوط پایه تک‌حسی تا برآورد پارامتر و تفسیر نتایج ارائه می‌دهیم که هدف آن کمک به تفکیک وفاداری حسی، انتظارات قبلی و گرایش به ادغام است. اتخاذ این رویکرد هنجاری می‌تواند پیشرفت انباشتی در پژوهش‌های بنیادی چندحسی و ترجمه آن به ارزیابی‌های عصب‌روان‌پزشکی، پژوهش‌های طول عمر و سامانه‌های ادراکی مصنوعی را تسهیل کند.