Kognitive Flexibilität versus Stabilität durch aktivierungsbasierte und gewichtbasierte Anpassungen

Warum das Gleichgewicht zwischen Fokus und Flexibilität wichtig ist

Der Alltag verlangt von uns ständig, zwischen dem Verharren bei einer Aufgabe und dem schnellen Umschalten zu wechseln. Abendessen zu kochen erfordert beispielsweise konzentriertes Arbeiten beim Schneiden mit einem scharfen Messer, gleichzeitig aber flexible Wechsel zwischen dem Kontrollieren des Topfes, dem Rühren einer Sauce und dem Holen von Zutaten. Dieser Artikel untersucht, wie solche mentalen Balanceakte funktionieren könnten, indem ein Computer-Modell entwickelt wird, das nachahmt, wie Menschen entscheiden, wann sie bei einer Aufgabe bleiben und wann sie wechseln sollten. Das liefert Einblicke in gesundes Denken und in Störungen, bei denen dieses Gleichgewicht gestört ist.

Das Tauziehen zwischen Festhalten und Wechseln

Psychologen beschreiben diese Spannung als einen Trade-off zwischen kognitiver Stabilität (bei einer Aufgabe bleiben) und kognitiver Flexibilität (bei Bedarf die Aufgabe wechseln). Menschen passen dieses Verhältnis situationsabhängig an: Sind Wechsel häufig, werden sie eher bereit zu wechseln; wiederholen sich Aufgaben meist, stellen sie sich auf einen stabileren Modus ein. Diese Anpassungen können schnell innerhalb von Minuten erfolgen, aber auch langsam über Tage, während wir lernen, welche Umgebungen oder Aufgaben mehr Flexibilität erfordern. Die zentrale Frage der Arbeit ist, wie sich diese schnellen und langsamen Anpassungsformen innerhalb eines einzigen, kohärenten Mechanismus erklären lassen.

Ein Lernmodell mentaler Kontrolle

Die Autoren stellen das Learning Control Dynamics (LCD)-Modell vor, das auf einer weit verbreiteten Art rekurrenter neuronaler Netze basiert, den Long Short-Term Memory (LSTM)-Netzen. Statt eine spezielle „Kontrolleinheit“ fest zu programmieren, lassen sie das Netzwerk lernen, wie es sich selbst steuert. Das Modell wird an einem klassischen Task-Switching-Setup trainiert: In jedem Durchgang sieht es eine Menge Zahlen, ein Signal, das angibt, welche Zahl im Vergleich zu einer Schwelle als größer oder kleiner zu bewerten ist, und manchmal ein zusätzliches „Umgebungs“-Signal. Das Modell muss zwei Dinge lernen: wie es jede einzelne Urteilaufgabe ausführt und wie es seine internen Kontrollparameter so anpasst, dass es entweder effizient bei derselben Aufgabe bleibt oder reibungslos zu einer anderen wechselt.

Schnelle Zustandsänderungen versus langsame Gewohnheitsänderungen

Im Modell können zwei Arten von Veränderungen auftreten. Die eine ist aktivierungsbasiert: Das Aktivitätsmuster von Moment zu Moment kann sich näher an die gerade relevante Aufgabe verschieben und von der vorherigen entfernen. Das liefert eine schnelle, aber fragile Form der Anpassung, die davon abhängt, was gerade geschehen ist. Die andere ist gewichtsbasiert: Die langfristige Stärke der Verbindungen im Netzwerk wird langsam so feinabgestimmt, dass einige Situationen tief verankerte „Aufgabentäler“ schaffen, die zum Verharren ermuntern, während andere flachere Täler bilden, die das Wechseln erleichtern. Die Autoren zeigen in Simulationen, dass allein schnelle Veränderungen bereits geringere Wechselkosten in Umgebungen mit vielen Wechseln erzeugen können, während langsame Änderungen der Netzwerkgewichte dauerhaft beeinflussen, wie leicht das Modell wechselt oder verbleibt — selbst wenn die aktuellen Bedingungen gleich sind.

Lernen, wann Flexibilität nötig ist

Die Studie fragt anschließend, ob das Modell lernen kann, Signale von außen zu nutzen, um zu entscheiden, wie flexibel es sein sollte. In einer Simulationsreihe wurden verschiedene künstliche „Umgebungen“ konstant mit entweder häufigen oder seltenen Aufgabenwechseln verknüpft. Mit der Zeit lernte das Modell, auf diese Umwelthinweise zu reagieren: In Umgebungen mit vielen Wechseln wurden seine internen Aufgabenrepräsentationen überlappender und es bewegte sich schneller zwischen ihnen; in Umgebungen mit wenigen Wechseln waren diese Repräsentationen stärker getrennt und das Wiederholen derselben Aufgabe wurde besonders robust. In einer anderen Simulationsreihe lernte das Modell, dass bestimmte spezifische Aufgaben meist die sind, die wechseln, während andere dazu neigen, beizubehalten. Es wandte seine Kontrollanpassungen dann feiner, aufgabenweise an, abhängig nicht nur von dem aktuellen Durchgang, sondern auch davon, welche Aufgabe es gerade ausgeführt hatte.

Verknüpfung des Modells mit menschlichem Verhalten

Um zu prüfen, ob diese Ideen auch reale Menschen beschreiben könnten, analysierten die Autoren Daten von mehr als 100 Freiwilligen neu, die ein ähnliches Task-Switching-Experiment durchführten. Die menschlichen Teilnehmer zeigten, ähnlich wie das Modell, geringere Wechselkosten in Kontexten und nach Aufgaben, die häufig mit Wechseln verbunden waren. Die Reanalyse unterstützte außerdem die Modellvorhersage, dass einige der aufschlussreichsten Veränderungen nicht einfach bei einer gegebenen Aufgabe auftreten, sondern in dem darauf folgenden Durchgang — was darauf hindeutet, dass Menschen aufgabenspezifische Erwartungen darüber mittragen, wie wahrscheinlich es ist, dass sie als Nächstes Flexibilität benötigen.

Was das für unser Verständnis des Denkens bedeutet

Einfach gesagt argumentiert der Artikel, dass unsere Fähigkeit, Fokus und Flexibilität auszubalancieren, auf zwei verflochtenen Prozessen beruht: einer schnellen, kurzfristigen Anpassung, die davon abhängt, was wir gerade getan haben, und einer langsameren, lernbasierten Feinabstimmung unserer mentalen „Einstellungen“ an die Umgebungen und Aufgaben, denen wir wiederholt begegnen. Indem gezeigt wird, wie beide in einem einzigen neuronalen Netzwerkmodell entstehen können und mit menschlichen Daten übereinstimmen, liefert die Arbeit eine konkrete Blaupause dafür, wie der Geist seine Gewohnheiten des Denkens formen und umschichten kann, um wechselnden Anforderungen gerecht zu werden.

Zitation: Xu, S., Verguts, T. & Braem, S. Cognitive flexibility versus stability via activation-based and weight-based adaptations. Commun Psychol 4, 58 (2026). https://doi.org/10.1038/s44271-026-00397-9

Schlüsselwörter: kognitive Flexibilität, Task-Switching, Neurales Netzwerkmodell, kognitive Kontrolle, adaptives Verhalten