在构建和评估解码器之后，通常会对解码模型本身进行解释，这已成为研究实践中的常态。例如，一些研究团队倾向于分析解码器的结构，并对其组成部分（如体素或区域）进行假设检验。他们认为，可靠的预测能力能够带来具有更深解释性和机制意义的发现。

在这种情况下，fMRI解码器被认为有能力揭示心理状态的“神经解码”（neural codes）或“表征”。这些术语虽略显模糊，但这种主张暗示：解码模型的结构（包括其权重和空间排列）可能在某种程度上代表了推导出的心理状态、行为结果或任务参数的神经过程。

如果解码器真能揭示神经过程，那么这种洞察确实在神经生理学上极具价值，并可能允许我们从解码发现中推导出适用于新情景的一般性原则（例如，特定大脑区域执行的计算）。然而，在这里，作者指出这种主张是不正确的，并提供多条推理和证据来界定解码的认识论边界。

（1）普遍认同的解码器原则

成功的解码器依靠BOLD活动的模式来区分心理状态。但是，这些神经活动的模式究竟意味着什么或者捕获了什么？一个普遍认同的解码器原则是：“如果信息可以从神经活动的模式中被解码出来，那么这就为这些模式所代表的信息提供了有力的证据。”尽管这一主张具有吸引力，但已有强有力的论证显示，这一原则是错误的，而且成功的解码并不能提供合理的依据来推断用于解码的模式。

解码器的这一原则之所以错误有几个原因，但主要是因为我们不知道正在被解码的信息是什么。从经验上讲，这种不确定性部分源于fMRI无法在局部神经元群体水平上解析神经活动，如大脑皮层柱的大小。从理论上讲，没有理由相信解码模型能够捕获神经编码，部分是因为这些模型没有生物学基础或理论约束。在这一部分作者通过提供更强的经验支持和数学语境化，对解码器的基本原则进行了扩展和深化。

（2）解码器的复杂性与因果推断的局限

解码器在进行因果推断时显得过于复杂。统计建模通常有两个明确的目标：解释和预测。解释性模型旨在发展因果假设，而预测性模型则专注于预测新的或未来的观测结果。值得注意的是，解释性模型不一定依赖于实验操作来评估因果假设，而是主要依靠理论来构建和模拟数据生成过程，包括反事实情境（例如，如果感兴趣的区域[ROI]活动发生变化会怎样）。这是可以理解的，因为解释性模型可能难以追踪（例如，涉及大脑中数百个ROI的复杂性），并且它们在推断许多预测因子时需要明确地提出因果结构。

与依赖解释性建模的解码器相比，解码器更倾向于进行预测性建模。解码器预测任务的某些方面，基于大量预测因子——可能包括数十个、数百个甚至数千个，这些因子源自大脑激活数据。在不同的研究甚至同一研究的不同环节中，解码器的应用并无统一标准。例如，一些研究更侧重于评估表现最佳的模型，而非研究由几个受限制的解释性假设推导出的模型。由于解码器旨在预测而不是推导理论假设，它们的预测活动严格关注于准确预测（例如，从大脑活动预测任务的能力），而不关心模型是否与理论或实验设计一致。因此，预测模型的结果可能与理论和实际的数据生成机制完全不一致。

不幸的是，用于解码的预测模型不能被因果解释。在流行病学文献中，将协变量不加区分地用于因果解释被称为“表二谬误”，因为模型的结果通常在论文的第二张表中呈现。表二谬误最近也在人类神经影像学的背景下被讨论过。此类谬误最初是用年龄、HIV和吸烟如何影响中风风险的例子来描述的。从多变量逻辑回归分析来看，HIV对中风风险的影响与吸烟的影响有根本不同的解释，因为HIV的效应可能部分地介导了吸烟的效应。这种情况可能发生在例如由于吸烟引起的免疫抑制增加了HIV风险的情况下。具体来说，HIV的参数会被视为总效应，代表HIV对中风风险的整体贡献。相比之下，吸烟的参数将被视为直接效应，即在排除其通过吸烟→HIV→中风路径的间接效应后，吸烟对中风风险的影响。我们下面将展示一个类似的神经影像领域的类比。

梅苏拉姆（Mesulam）的感觉-离心梯度信息流描述可以被视为一个有向无环图（DAG），这为解释模型参数提供了一个框架。在这一框架下，神经成像技术中的多变量回归系数——例如多体素或多ROI预测模型中的参数——的解释也被特定的结构所限定。例如，如果一个解码器使用“下游单模态”和“并联双模态”区域来预测对听觉刺激的反应，由于并联双模态激活包含来自下游单模态区域的信息，一个包含这两个区域的模型将会估计下游单模态激活的直接效应而非总效应。因此，不同区域的解码器参数具有不同的解释，这些解释取决于假定的因果结构，排除了直接解释的可能性。

▷听觉和视觉感觉离心的信息流梯度可以被视为大脑中信息流动的因果模型。感觉信息沿着几条平行且相互作用的路径流动。由于箭头表示推测的信息流动顺序，这可以解释为一种因果模型，促进对因果假设的严格评估和解释。例如，如果用所示区域构建一个解码器，可以基于假定的信息流动约束分析和推论。通过这样做，可以选择从模型中排除边缘系统区域和下丘脑，同时认识到运动前区参数与旁边缘区参数相比具有不同的解释。基于约束理论的假设使神经假设更加明确，有助于推断，但对许多问题而言可能显得笨重。

解码器如果不受假设的约束，可能会产生在因果关系上缺乏实质内容的参数。例如，考虑一个不受约束的解码器，它使用“边缘系统”活动来解码任务。尽管边缘系统的激活可能不直接贡献于输出，但它可能包含来自其他有贡献区域的信息，如并联双模态区、下游单模态区和异模态区，这可能导致研究人员得出错误的结论。

类似地，解码器可以利用噪声来增强预测效果。例如，假设有两个区域：区域A包含任务相关信号和噪声，而区域B仅包含与区域A相同的噪声，而无任务相关信号。解码器可以通过从区域A的数据中减去区域B的数据来提取区域A的信号。这并不意味着区域B有任何感兴趣的信号，更不用说抑制效应；相反，这仅仅意味着调整区域B中的噪声可以改善区域A的预测能力。随着模型中预测因子数量的增加，这些解释上的问题也会变得更加复杂。因此，解码器是对整个预测因子集合进行推断，而不是对每个预测因子单独的信息进行推断。

由于fMRI数据的高维性质，这些心理状态解码器在因果推理方面遇到了难题。除非研究者拥有大量的样本（如多个受试者或多次实验重复），或选择一小部分体素或感兴趣区域，否则解码器通常会从数据中得出比样本还多的预测。这样的数据是简并的（即，可以完全用较低维度空间捕获），这导致因果结构不可识别。因此，如果不对因果结构做出若干假设，反向处理心理状态解码是不恰当的。

因果关系是科学研究的核心，尤其是在试图阐明现象产生机制时更是如此。由于心理状态解码既不在因果框架下进行——无论是实验性的还是分析性的，它的主要目的是最大化预测准确性。因此我们可以得出结论，解码是一种预测工具，而非解释工具。