在 Minecraft 走出腦內地圖：用統計解析 3D 導航路徑與認知地圖
在陌生環境裡「記路」其實不是照著最短路徑走就好。我們的大腦會把地標、轉彎、上下坡與區域之間的關係，整合成一張「認知地圖（cognitive map）」，用來做導航與路線規劃。2026 年 1 月刊登於 Cambridge University Press 線上的研究〈Navigating Cognitive Maps: Statistical Analysis of 3D Path Data in Minecraft〉，把這件事搬進 Minecraft 的 3D 世界，用統計方法把「走路軌跡」變成可量化、可比較的行為指紋。
研究使用 Minecraft Memory and Navigation Task（MMN）：受試者在一個可自由探索、具有起伏與障礙的 3D 地圖中，先進行兩回合訓練探索（每回合最長 10 分鐘），在探索過程中找到並記住 12 個物件位置；接著立刻進行測驗：每次把受試者傳送到不同起點，要求他們走到記得的位置並放置對應物件。系統會以每秒一次的頻率記錄 3D 座標，得到完整的路徑資料。
難點在於：3D 路徑不只是「多一個 z 軸」。在 Minecraft 裡垂直移動受限、上下坡代價不同，甚至高處跌落可能有懲罰，因此單看「距離」或「時間」很難公平比較不同人、不同地形的策略。作者的關鍵做法是先替每段導航建立一個「最佳基準」，再看實際行走偏離基準多少。
具體來說，研究把地圖視為一張圖（graph）：每個可站立的位置是節點，相鄰可移動步伐是邊，邊的權重代表移動成本（例如爬升、下降、繞障礙的代價）。接著用 Dijkstra 最短路徑演算法算出「從當前位置到目標」的最低成本路徑，作為理論上的最佳行走方案。然後把受試者實際路徑的累積成本與最佳成本做差，得到一條沿時間變化的「成本差曲線（cost difference curve）」。曲線越接近 0 代表越像「知道目的地在哪、路線選得有效率」；曲線越高或波動越大，通常代表繞路、試探、迷路或策略較差。由於每段路徑長短不同，作者再把曲線時間軸正規化，使不同人的曲線形狀可以直接比較。
接著，研究用功能型資料分析（Functional Data Analysis, FDA）把「曲線」當作資料本體來處理。作者先用 cubic B-spline 將曲線用少量係數表達，再用 K-means 進行功能型分群，最後得到 4 種代表性的導航型態。結果顯示，多數受試者其實相當有效率：最有效率的一群（Cluster 1）占比超過八成，表示訓練後很多人能走得接近最佳成本路徑。不過仍能清楚分出少數「偏繞路、偏試探」的路徑型態。
更有趣的發現是：學習環境時「最有效率」不一定等於「記得最好」。研究指出，訓練階段採取「中度探索」的人，在之後測驗中的位置記憶保留反而更佳。直覺解釋是：有些人雖然沒有每次都走最短路，但會在目標區域附近多做一點點繞行或觀察，等於強化了周遭地標與空間關係的編碼，因此更容易在不同起點下重新定位。相反地，若訓練期呈現低效率、顯著偏離最佳路徑的型態，往往與較差的空間記憶與較差的導航表現相關。作者也觀察到地形環境本身會影響表現：某些環境下高效率型態比例較低、測驗誤差更大，顯示「環境結構」會改變人們建立認知地圖的難度。
聲明：本文使用生成式AI輔助編輯
撰文：潘嘉丞
參考資料：Zhang, J., Shuster, A., Morehouse, A. B., Mednick, S., Yu, Z., Shen, W., & Simon, K. C. (2026) Navigating Cognitive Maps: Statistical Analysis of 3D Path Data in Minecraft. Psychometrika, 1-25.
留言
張貼留言