在做出一个决定后，我们会期待出现相应的结果。如果事与愿违，结果与预期不相符合，则意味着先前决定不合适，有必要进行调整。因此，迅速且准确地判断结果与预期的一致性，构成了适应性反应的基础。已有研究发现，结果与预期不一致时在大脑额中部会引发一个负走向的脑电成分，命名为反馈相关负波（feedback-relatednegativity,FRN）。关于FRN的产生机制主要有强化学习和预期违反两个模型。强化学习认为FRN反映的是结果比预期好还是坏，相对于结果比预期好时，结果比预期差时的FRN波幅更负。预期违反则认为FRN只反映结果是否与预期一致，无所谓好坏；因此，当结果与预期不一致时，更好的结果与更坏的结果所引起的FRN波幅差异不显著。从文献来看，两个观点都获得了实验证据的支持，因此FRN的产生机制尚无定论。
在实际情景中，结果与预期之间的不一致（预期错误）有可能较大，也可能较小，即预期错误实际上是在一定范围内连续变化的。但已有研究一般只设置两个预期错误：比预期好、比预期坏。西南大学心理学部陈安涛教授带领的研究团队提出，有必要对预期错误进行量化处理，获得从较小的预期错误到较大的预期错误的连续变化。在此基础上，研究者根据上述两个模型分别做出预期错误值调节FRN的实验预测。根据强化学习模型，结果比预期越好的FRN波幅越正、结果比预期越坏的FRN波幅越负，二者会以EV（结果与预期一致，即预期错误为0）为中心形成不对称分布（图1左）。相反，根据预期违反模型，无论好坏，结果与预期越不一致就越负，二者会以EV为中心形成对称分布（图1右）。因此，预期错误的量化处理允许研究者严格地检验上述两个模型的预测。
图1：模型预测。在预期错误量化处理背景下，根据强化学习观点所做的预测（左）和根据预期违反观点所做的预测（右）。
在本研究中，预期错误的量化处理是让被试者在每个试次中，确认其预期值（在0到20之间移动光标实现），随后向被试呈现反馈结果（同样是0到20的数字），反馈值减去预期值得到的差值就是他们在该试次中的预期错误值。得益于预期错误量化的实验处理，本研究能够对预期错误值与脑电波幅做单试次相关分析，从而直接地检验上述两个模型的预测。具体来说，将每个试次下的预期错误值与该试次下每个采样点上的ERP波幅求相关，获得一条包含行为信息（即预期错误值）的新波形。为了排除脑电成分相互叠加的问题，在单试次相关分析的基础上，使用PCA（主成分分析）将FRN与其它脑电成分分离，从而获得纯净的FRN成分。然后检查该波形上FRN时间窗口的相关结果，正值波形反映正相关、负值波形反映负相关。在此基础上进一步具体化模型的预测，如强化学习模型为真，则在获益（Gain）条件下，无论预期错误小于0还大于0，预期错误与脑电的相关均为正；而在损失（Loss）条件下，无论预期错误小于0还是大于0，二者的相关均为负（图1左）。如预期违反为真，则无论是获益还是损失条件，预期错误小于0时预期错误与脑电相关均为正，预期错误大小0时二者的相关均为负（图1右）。
运用上述方法，本研究做了三个实验系统地调查了预期错误值是如何量化调节FRN的。在实验一中，反馈结果包含效价（好、坏）和预期违反（一致、不一致）两方面信息，但不对被试强调任何一方面信息，由被试自主反应（主要结果及解释见图2）。在实验二中，反馈结果只包含预期违反信息，同样由被试自主反应（主要结果及解释见图3）。实验三与实验一相似，均包含结果效价和预期违反，但被试不再是自主反应，而是需要根据任务指导，分别根据结果效价和预期违反来完成任务（主要结果及解释见图4）。
图2：实验一预期错误与脑电单试次相关分析结果。左图为获益条件下的结果，右图为损失条件下结果。整体上，获益时小于EV（L-gain），和损失时小于EV（L-loss）的预期错误值，均与FRN呈正相关。另一方面，获益时大于EV（H-gain），和损失时大于EV（H-loss）的预期错误值，均与FRN呈负相关。这个结果模式符合预期违反模型的预测（见图1右），因此实验一的结果倾向于支持预期违反模型。对于这个结果，我们猜测，虽然实验一没有要求被试根据结果效价还是预测准确性来做反应，但由于任务较难，被试需要