我将描述您的每个调用lmer()适合什么模型以及它们有何不同，然后回答您关于选择随机效应的最后一个问题。
您的三个模型中的每一个都包含 的固定效应practice，context以及两者之间的相互作用。模型之间的随机效应不同。
lmer(ERPindex ~ practice*context + (1|participants), data=base)
包含由具有相同值的个体共享的随机截距participants。也就是说，每个participant的回归线都向上/向下移动一个随机量，平均值。0
lmer(ERPindex ~ practice*context + (1+practice|participants), data=base)
该模型除了随机截距外，还包含 中的随机斜率practice。这意味着个人从实践中学习的速度因人而异。如果一个人具有正的随机效应，那么他们在练习中的增长速度比平均水平要快，而负的随机效应表明他们在练习中的学习速度低于平均水平，或者可能在练习中变得更糟，这取决于随机变量的方差效果（这是假设练习的固定效果是积极的）。
lmer(ERPindex ~ practice*context + (practice|participants) +
(practice|participants:context), data=base)
该模型适合随机斜率和截距practice（您必须(practice-1|...)抑制截距），就像之前的模型一样，但现在您还在因子中添加了随机斜率和截距participants:context，这是一个新因子，其水平是 和 中存在的水平的每个组合，participants并且context相应的随机效应由具有相同值的观察共享participants和context。为了拟合这个模型，您需要有多个观测值，它们的值相同，participants并且context否则模型不可估计。在许多情况下，由该交互变量创建的组非常稀疏，并导致非常嘈杂/难以拟合随机效应模型，因此在使用交互因子作为分组变量时要小心。
基本上（阅读：不要太复杂）当您认为分组变量定义数据集中不均匀性的“口袋”或共享分组因子水平的个体应该相互关联时（而不应该相关的个体） - 随机效应实现了这一点。如果您认为观察值共享两者的水平participants并且context比两部分的总和更相似，那么包括“交互”随机效应可能是合适的。
编辑：正如@Henrik 在评论中提到的，您适合的模型，例如：
lmer(ERPindex ~ practice*context + (1+practice|participants), data=base)
使随机斜率和随机截距彼此相关，并且该相关性由模型估计。要约束模型以使随机斜率和随机截距不相关（因此是独立的，因为它们是正态分布的），您应该拟合模型：
lmer(ERPindex ~ practice*context + (1|participants) + (practice-1|participants),
data=base)
这两者之间的选择应该基于您是否认为，例如，participant具有比平均值更高的基线（即正随机截距）的 s 也可能具有比平均值更高的变化率（即正随机斜率）。如果是这样，您将允许两者相关，而如果不是，则将它们限制为独立的。（同样，这个例子假设固定效应斜率为正）。