当我们看到另一个人做出某种特定的行为时，有三个问题可能是我们感兴趣的。在弗拉切和韦格纳的研究中，这三个问题刚好对应于分析的不同层级。第一，一个显而易见的问题是，这个人（或动物）到底在做些什么？对于这个问题，可以用来回答的最通用的动作语言可能是“她在过马路”、“他在打字”、“这只猫在吃我的剩饭剩菜”。这种诠释日常行为的方式实在太过普通，以至于我们常常意识不到自己是在对行为进行解释，除非某人真的做了什么不同寻常的事情（“他是在用力刮擦墙壁吗”）。在回答了这一问题后，根据我们的目的，可能还会继续问自己以下两个问题（或其中的任何一个）。如果我们对这个人产生了想要进一步了解的兴趣，大多数人可能会想知道这个人为什么要做他正在做的事情：“她过马路是为了去上班”或者“他打字是为了完成论文”。不过，有时我们对行为的当事人并不怎么感兴趣，而更在意行为本身，那么我们想知道的可能就是如何去完成某个特定的动作，比如，在吉他课上的学生观看指导老师的示范动作正是为了弄明白老师的那些动作究竟是怎么做到的。
罗伯特·斯邦特和我完成了一系列研究，来考察镜像系统和心智化系统是如何有助于我们弄清楚有关他人行为的“怎么做、做了什么和为什么做”的三大问题。大脑中用于处理这些问题的系统真的是不同的吗？大多数人都认为，人类大脑处理“看”和“听”的脑区应该是不同的，因为我们在日常生活中对“看”和“听”的体验是完全不同的。不过，我并不确定看着别人做出某种行为和询问别人怎么做、做了什么以及为什么要做是否涉及的是不同的脑区，这也是我们进行此项研究的原因。
在这些研究中，我们的主要思路是，如果你观察到了某个特定的行为（例如，一个会循环利用一只空瓶子的妇女），然后问了一个问题“为什么她要那样做”，你的回答可能会包含一个需要用到心智化系统的具有高层级意义的答案（例如，“她是一个认真负责的人”、“她想保护环境”，或者“她想给别人留下懂得回收利用的印象”）。然而，如果你只是想模仿这个行为，你可能会问“她是怎么做到的”，那么对这个问题的回答只包含一些并不需要运用心智化系统，但却需要依靠能够实现动作共鸣的镜像系统的具有低层级意义的答案（比如，“她把玻璃瓶和塑料瓶收集在这个蓝色的箱子里”）。这也是我们在多项关于“为什么做—怎么做”的研究中看到的结果。无论被试是在观看日常的行为（动作），还是在观察他人强烈的情感体验，只要他们问了一个关于“怎么做”的问题，镜像系统就会被调动起来；同时，一个关于“为什么要做这事”的问题则会将心智化系统启动起来。
此外，我们还想搞清楚的是一个人在回答“做了什么”这一问题时，大脑会做些什么。对于“为什么要做”和“怎么做”这两个问题，我们只是直接要求被试给出答案。但考虑到在日常生活中，大多数人都能不假思索地回答“做了什么”的问题，我们才意识到，如果让人们停下来思考这一问题的答案，反而可能导致无法捕捉到这一“自然过程”。为了解决这个问题，我们采取的方法是，在被试回答实际上是“为什么要做”或者“怎么做”的问题之前，对他们是否需要自动地回答“做了什么”这一问题先进行一种巧妙的处理。例如，我们会让被试观看某人执行一项任务时的视频（例如，一个女人正在给一本教科书的某些段落加着重号），这样，无论是回答“为什么要做”还是“怎么做”这些问题，当被试看到这个视频时，需要做的第一件事便是弄清楚那个人到底做了些什么。与此不同，如果某个动作是用语言来表达的，那么对动作的描述就已经包含了对“做了什么”的描述——而这自然也就是对“做了什么”问题的回答。通过比较有关动作的视觉呈现和语言描述，我们能够确定到底是哪些脑区支持了隐含的对“做了什么”的解码过程。
我们还进行了其他一些实验，密切观察大脑以便搞清楚人们在观看动作视频时哪些脑区的活跃程度比他们在听到有关动作的语言描述时更加强烈，在这些实验中，我们得到了两个基本事实。首先，我们看到大脑后部的视觉皮层很活跃。这是可以预料到的，因为对于有关动作的信息，视频剪辑所包含的内容肯定要比文本内容更多。其次，被试在观看动作视频时，其镜像系统的活跃程度也更高。无论一个明确的任务里包含的问题是“为什么做”还是“怎么做”，当动作以视频的形式呈现出来时，镜像系统的活跃性都提高了。实际上，即便参加实验的被试在完成“为什么做—怎么做”的任务的同时，还要背诵一串7位数数字（这是专门用来让他们分心的），情况依然如此。让被试分心是一种常用的实验技巧，经常被用于识别那些“自动化”程度非常高的过程——这些过程的自动化程度如此之高，以至于尽管被试被打扰，它们依旧会发生。即使在被打扰的情况下，被试看到动作视频时的镜像系统仍然会变得活跃起来，这一事实表明，镜像系统对于“到底发生了什么”的解码过程是一个自动化程度相当高的过程。相比之下，在人们处于“认知负荷”的情况下，心智化系统的活跃程度就会明显下降，这也就表明，当人们注意力不集中时，这个系统往往做得不够好。
这项“为什么做—怎么做”的系列研究为我们揭示了镜像系统与心智解读之间的关系。镜像系统本身并不会产生高层级的心智解读，也不会援引某人的个性特点和动机去解释他为什么要在早上8点喝杯纯麦芽苏格兰威士忌这一特殊行为。只有在我们想知道这个人为什么做这件事时，心智化系统才是关键。
然而，在大部分日常生活情境中，镜像系统所完成的事情是心智解读能力的重要前兆。在看到一系列身体动作后把它们理解为一个连贯一致的行为，并用三言两语将之描述清楚，这是大脑的一项了不起的成就。威廉·詹姆斯曾经提出过一个非常著名的观点：有序世界给我们留下的印象要比“杂乱无章的景象”更加深刻。这个世界上没有任何东西（包括人）能够准确无误地告诉我们这个物体的终点在哪里、另一个物体的起点在哪里。（那是一张上面放着一只杯子的桌子，抑或是一张桌面上突出了一块像杯子形状的东西的桌子呢？）考虑到这一点，以下这个事实将会令人大吃一惊：人如此轻易就能够把某个物体辨识出来。根据芸芸众生的行为（actions）的意义而不是根据他们的动作（movements）的内容去辨识、观察他们，同样是一项了不起的成就。
每一个动作都能用无数组动作参数（角度、方向、扭矩、加速度）进行描述，但是，这些动作参数是不可能自动、自觉地组合到一起的，也不会告诉我们任何关于这个动作背后隐含的思想。只有通过把这些复杂的动作整合成一个简单的行为，我们对另一个人的目的、意图、欲望和恐惧的心理分析才可能开始。动作并不属于心理学范畴，它并不包含任何特定的意义（如手指的上下移动）。相比之下，行为则属于心理学范畴（如打字），虽然行为本身并不能为我们提供任何更高层级的意义，但是它们却能提示人们，行为背后隐藏的特定的意义和动机，等待人们去发掘。辨别出某人正在“做什么”的能力是通往理解他“为什么这样做”的第一步。从本质上讲，镜像系统为心智化系统能够从逻辑上回答“为什么”这个问题提供了前提条件。也就是说，多亏有了镜像系统，我们才能活在行为世界中，而没有沉溺在动作世界中；只有生活在行为世界中，我们才有机会生活在一个意义世界中。
说到底，镜像系统让我们有机会体验到一个社会性世界，这同时也是一个行为世界，每个行为都包含着他人的心理状态。虽然心智化系统也能够在没有镜像系统帮助的情况下从文字描述中去理解他人的心理，但在人类的进化历史上基于语言与文字的心智解读是最近才出现的。在人们的生命旅程中（当然也包括在孩子们语言能力未发育完全的过程中），镜像系统为大脑进行心智解读不断做着准备工作。镜像系统把我们所生活的这个世界中的动作砍成碎片，融入心理元素后对它们进行重组，在此基础上，心智化系统就能够进行工作了。这个过程很低调——就像是白宫幕僚长，他做的大部分都是幕后工作，但是，总统若要履行职责非有他的协助不可。灵长类动物就已经拥有了镜像系统，但只有人类才拥有更高级的心智化系统。在灵长类动物生活的世界中，关键的问题是他人在做些什么；只有人类才真正生活在一个可以追问为什么的世界中，在这个世界中，周围的人的行为充满了意义和特定的内涵。
