随机拖延与最优任务划分|北京沫之东生物技术有限公司

2 次围观

拖延现象广泛存在、代价高昂，并且尽管人们有着强烈的改变意愿，仍然持续存在。我们展示了拖延如何在静态环境中产生：在这类环境中，不存在任何截止期限、激励变化或新信息来为延迟提供正当理由。在双曲线贴现下，随机延迟——即每个时期以固定概率采取行动——会成为唯一自洽的策略：也是唯一能够解决信念—策略不一致的策略。我们进一步表明，标准的强化学习算法会收敛于这一帕累托低效的解。我们将这一自洽模型扩展至可分任务和连续行动任务。在这些情境中，完成一个子任务后允许自愿休息从不会提高、且往往会降低预期延迟；强制安排休息则能够进一步降低延迟，而且通常降幅显著。最优的任务划分会使各子任务的完成概率相等，这意味着，当目标是缩短整体完成时间时，一项较大任务的早期阶段应当设置得更容易。因此，该模型不仅为任务划分、从容易部分开始以及强制休息等熟悉的应对方法提供了形式化依据并对其效果进行了精确量化，同时也解释了为什么即使意愿、激励和信息均保持不变，拖延仍然可能持续存在。

Sebastian Seung 的 ORCID 记录

摘要

信息/历史

指标

预览 PDF

摘要

拖延行为广泛存在、代价高昂且具有持续性，尽管人们往往有着强烈的改变意愿。我们展示了拖延行为如何在静态环境中产生：在这类环境中，不存在任何能够为延迟行为提供正当理由的截止期限、激励变化或新信息。在双曲贴现条件下，随机延迟——即每个时期以固定概率采取行动——成为唯一自洽的策略：也是唯一能够解决信念—策略不一致性的策略。我们进一步表明，标准强化学习算法会收敛于这一帕累托非最优解。

我们将自洽模型扩展至可分割任务和连续行动任务。在这些情境中，完成一项子任务后允许自主休息绝不会增加、且通常会减少预期延迟；强制安排此类休息则可进一步减少延迟，而且往往效果显著。最优的任务划分会使各子任务的完成概率相等，这意味着，当目标是缩短整体完成时间时，一个较大任务的早期阶段应当更容易完成。因此，该模型为任务划分、从容易的部分开始以及强制休息等熟悉的应对方法提供了形式化依据和精确量化，同时解释了为何即使意愿、激励和信息均保持不变，拖延行为仍可能持续存在。

利益冲突声明

版权

持有人为作者/资助方，其已授予 bioRxiv 一项许可，允许其永久展示该预印本。

返回顶部

发布于 2026 年 9 月 9 日。

下载 PDF

电子邮件

感谢您有兴趣传播 bioRxiv 的内容。

您的电子邮件地址

*

您的姓名

*

发送至

*

请在不同的行中输入多个地址，或使用逗号分隔。

您即将发送以下内容：