Cognitieve flexibiliteit versus stabiliteit via activatiegebaseerde en gewichtgebaseerde aanpassingen

Waarom het balanceren van focus en flexibiliteit belangrijk is

Het dagelijkse leven vraagt ons voortdurend te balanceren tussen sterk gefocust blijven op één taak en snel van koers wisselen. Koken, bijvoorbeeld, vereist geconcentreerd snijden met een scherp mes, maar ook flexibel schakelen tussen het in de gaten houden van de kookpan, het roeren van een saus en het pakken van ingrediënten. Dit artikel onderzoekt hoe zulke mentale balansakten zouden kunnen werken door een computermodel te bouwen dat nabootst hoe mensen beslissen wanneer ze bij een taak blijven en wanneer ze wisselen, en werpt daarmee licht op gezond denken en op stoornissen waarbij dit evenwicht verstoord raakt.

Het touwtrekken tussen vasthouden en wisselen

Psychologen beschrijven deze spanning als een afweging tussen cognitieve stabiliteit (gefocust blijven op één taak) en cognitieve flexibiliteit (wanneer nodig van taak wisselen). Mensen passen deze afweging aan afhankelijk van de situatie: als wissels vaak voorkomen, worden ze doorgaans meer bereid om te wisselen; als taken meestal herhaald worden, stellen ze zich meer stabiel op. Deze aanpassingen kunnen snel binnen enkele minuten plaatsvinden, maar ook langzaam over dagen terwijl we leren welke omgevingen of taken gewoonlijk meer flexibiliteit vereisen. De centrale vraag van het artikel is hoe deze snelle en langzame vormen van aanpassing binnen één samenhangend mechanisme begrepen kunnen worden.

Een leermodel van mentale controle

De auteurs introduceren het Learning Control Dynamics (LCD)-model, gebaseerd op een veelgebruikt type recurrent neuraal netwerk genaamd long short-term memory (LSTM). In plaats van een speciale "control"-unit hard te coderen, laten ze het netwerk zelf leren hoe het zichzelf moet besturen. Het model wordt getraind op een klassieke taak-wisselopzet: in elke proef ziet het een reeks getallen, een cue die aangeeft welke ervan als groter of kleiner dan een drempel moet worden beoordeeld, en soms een extra "omgevings"signaal. Het model moet twee dingen leren: hoe het elke afzonderlijke beoordelings-taak uitvoert, en hoe het zijn interne controlesinstellingen aanpast zodat het óf efficiënt dezelfde taak kan herhalen óf soepel kan overschakelen naar een andere taak.

Snelle toestandsverschuivingen versus langzame gewoontes

Binnen het model kunnen twee soorten veranderingen optreden. De ene is activatiegebaseerd: het moment-tot-moment activiteitspatroon kan dichter naar de momenteel relevante taak toe driften en weg van de vorige. Dit biedt een snelle maar fragiele vorm van aanpassing die afhangt van wat er net is gebeurd. De andere is gewichtgebaseerd: de langetermijnsterkte van verbindingen in het netwerk wordt langzaam bijgesteld zodat sommige situaties diep ingesleten "taakvalleien" creëren die aanblijven aanmoedigen, terwijl andere ondiepere valleien het wisselen vergemakkelijken. De auteurs tonen in simulaties aan dat alleen snelle veranderingen al kleinere switchkosten kunnen produceren in situaties met veel wissels, terwijl langzame aanpassingen in de gewichten de neiging van het model om te wisselen of te blijven blijvend herschikken, zelfs wanneer de huidige condities gelijk zijn.

Leren wanneer flexibiliteit nodig is

De studie onderzoekt vervolgens of het model kan leren om signalen uit de buitenwereld te gebruiken om te beslissen hoe flexibel het moet zijn. In één reeks simulaties werden verschillende kunstmatige "omgevingen" consistent gekoppeld aan ofwel frequente ofwel zeldzame taakwissels. In de loop van de tijd leerde het model op deze omgevingscues te reageren: in omgevingen met veel wissels werden de interne taakrepresentaties meer overlappend en bewoog het model sneller tussen hen; in omgevingen met weinig wissels waren die representaties meer gescheiden en werd het herhalen van dezelfde taak extra sterk. In een andere reeks simulaties leerde het model dat bepaalde specifieke taken meestal degene waren die wisselden, terwijl anderen geneigd waren te herhalen. Het paste vervolgens zijn controle-aanpassingen fijner, taak-voor-taak toe, wat niet alleen afhing van de huidige proef maar ook van welke taak het net had uitgevoerd.

Het model koppelen aan menselijk gedrag

Om te testen of deze ideeën echt op mensen van toepassing zijn, heranalyseerden de auteurs gegevens van meer dan 100 vrijwilligers die een vergelijkbaar taak-wisselexperiment uitvoerden. De menselijke deelnemers lieten, net als het model, kleinere switchkosten zien in contexten en na taken die vaak met wisselen geassocieerd werden. De heranalyse ondersteunde ook de voorspelling van het model dat sommige van de meest duidelijke veranderingen zich niet alleen op een gegeven taak tonen, maar op de proef die erop volgt—wat suggereert dat mensen taak-specifieke verwachtingen meenemen over hoe waarschijnlijk het is dat ze de volgende keer flexibiliteit nodig hebben.

Wat dit betekent voor ons begrip van denken

Kort gezegd betoogt het artikel dat ons vermogen om focus en flexibiliteit te balanceren berust op twee verstrengelde processen: een snelle, kortetermijnaanpassing die afhangt van wat we net hebben gedaan, en een langzamere, leergebaseerde afstemming van onze mentale "instellingen" op de omgevingen en taken die we herhaaldelijk tegenkomen. Door te laten zien hoe beide kunnen ontstaan in één neuraal netwerkmodel en overeenkomen met mensengegevens, biedt het werk een concreet stappenplan voor hoe de geest zijn eigen denkgewoonten kan vormen en herschikken om aan veranderende eisen te voldoen.

Bronvermelding: 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

Trefwoorden: cognitieve flexibiliteit, taakwissel, neuraal netwerkmodel, cognitieve controle, adaptief gedrag