Гибкость познания против стабильности через адаптации на основе активации и весов

Почему важно уметь балансировать между фокусом и гибкостью

Повседневная жизнь постоянно требует от нас умения лавировать между сосредоточенностью на одной задаче и быстрой сменой действий. Приготовление ужина, например, требует высокой концентрации при нарезке острым ножом, но одновременно гибкости при переключении на проверку кастрюли, помешивание соуса и поиск ингредиентов. В этой статье рассматривается, как такие ментальные «балансировочные» механизмы могут работать, через построение компьютерной модели, имитирующей, как люди решают, оставаться на задаче или переключаться, что проясняет нормальное мышление и нарушения, в которых этот баланс нарушен.

Перетягивание каната между удержанием и переключением

Психологи описывают это напряжение как компромисс между когнитивной стабильностью (сохранением фокуса на одной задаче) и когнитивной гибкостью (переключением задач при необходимости). Люди регулируют этот компромисс в зависимости от ситуации: если переключения часты, они становятся более готовыми переключаться; если задачи обычно повторяются, они входят в более стабильный режим. Эти настройки могут происходить быстро — в течение минут, — но также медленно накапливаться в течение дней по мере того, как мы учимся, какие среды или задачи обычно требуют большей гибкости. Центральный вопрос статьи — как эти быстрые и медленные формы адаптации можно понять в рамках одного, согласованного механизма.

Модель обучения ментальному контролю

Авторы предлагают модель Learning Control Dynamics (LCD), основанную на популярном типе рекуррентной нейронной сети под названием долгосрочная краткосрочная память (LSTM). Вместо того чтобы жестко прописывать специальный «блок контроля», они дают сети возможность научиться контролировать себя самостоятельно. Модель обучают на классическом эксперименте с переключением задач: в каждом испытании она получает набор чисел, подсказку о том, какое число следует считать больше или меньше порога, и иногда дополнительный «сигнал окружения». Модель должна выучить два момента: как выполнять каждую отдельную задачу суждения, и как настраивать свои внутренние параметры контроля, чтобы либо эффективно повторять одну и ту же задачу, либо плавно переключаться на другую.

Быстрые сдвиги состояния против медленных изменений привычки

Внутри модели возможны два типа изменений. Первый — на основе активации: мгновенные паттерны активности могут смещаться ближе к текущей релевантной задаче и дальше от предыдущей. Это обеспечивает быструю, но хрупкую форму адаптации, зависящую от недавних событий. Второй — на основе весов: долгосрочная сила связей в сети постепенно настраивается так, что в одних ситуациях формируются глубоко укреплённые «долины задач», поощряющие оставаться на месте, а в других — более мелкие долины, облегчающие переключение. Авторы показывают в симуляциях, что одних быстрых изменений уже достаточно, чтобы снизить издержки при переключении в условиях частых переключений, тогда как медленные изменения весов постоянно перестраивают лёгкость переключения или удержания, даже когда текущие условия одинаковы.

Обучение тому, когда нужна гибкость

Далее исследование задаётся вопросом, может ли модель научиться использовать внешние сигналы для решения того, насколько следует быть гибкой. В одном наборе симуляций разные искусственные «окружения» постоянно связаны либо с частыми, либо с редкими переключениями задач. Со временем модель научилась реагировать на эти подсказки окружения: в средах с частыми переключениями её внутренние представления задач становились более перекрывающимися и она быстрее перемещалась между ними; в средах с редкими переключениями эти представления были более разнесёнными, и повторение одной и той же задачи становилось особенно устойчивым. В другом наборе симуляций модель выявила, что определённые конкретные задачи чаще всего переключаются, тогда как другие склонны повторяться. Она стала применять свои настройки контроля более тонко, в зависимости от конкретной задачи, учитывая не только текущий триал, но и то, какую задачу она только что выполнила.

Связь модели с поведением человека

Чтобы проверить, насколько эти идеи описывают реальных людей, авторы провели повторный анализ данных более чем 100 добровольцев, выполнивших похожий эксперимент по переключению задач. Люди, как и модель, показывали меньшие издержки переключения в контекстах и после задач, которые чаще были связаны с переключениями. Повторный анализ также поддержал предсказание модели о том, что наиболее заметные изменения проявляются не просто в рамках данной задачи, а на следующем за ней испытании — что указывает на то, что люди переносят специфичные для задачи ожидания о том, насколько вероятно им понадобится гибкость дальше.

Что это означает для понимания нашего мышления

Проще говоря, статья утверждает, что наша способность балансировать между фокусом и гибкостью опирается на два переплетённых процесса: быструю краткосрочную настройку, зависящую от того, что мы только что делали, и медленную, основанную на обучении, перенастройку наших ментальных «параметров» под среды и задачи, с которыми мы регулярно сталкиваемся. Показав, как оба процесса могут возникать в одной нейронной сетевой модели и соответствовать данным человека, работа предлагает конкретную схему того, как ум может формировать и перестраивать свои привычки мышления для удовлетворения изменяющихся требований.

Цитирование: 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

Ключевые слова: когнитивная гибкость, переключение задач, модель нейронной сети, когнитивный контроль, адаптивное поведение