Kognitiv flexibilitet kontra stabilitet genom aktiveringsbaserade och viktbaserade anpassningar

Varför balans mellan fokus och flexibilitet är viktig

Vardagen kräver ständigt att vi väger mellan att hålla oss fast vid ett arbete och att snabbt byta fokus. Att laga middag, till exempel, innebär att vara mycket fokuserad när man skär med en vass kniv, men också att flexibelt växla mellan att kontrollera kastrullen, röra i såsen och plocka fram ingredienser. Den här artikeln undersöker hur sådana mentala balansakter kan fungera genom att bygga en datorbaserad modell som efterliknar hur människor avgör när de ska stanna kvar i en uppgift och när de ska byta, vilket belyser både sund tänkande och tillstånd där denna balans rubbas.

Kampen mellan att hålla fast och att byta

Psykologer beskriver denna spänning som en avvägning mellan kognitiv stabilitet (att hålla fokus på en uppgift) och kognitiv flexibilitet (att byta uppgift när det behövs). Människor anpassar denna avvägning beroende på situationen: om byten är frekventa blir de mer beredda att byta; om uppgifter ofta upprepas, går de in i ett mer stabilt läge. Dessa anpassningar kan ske snabbt över minuter, men också långsamt över dagar när vi lär oss vilka miljöer eller uppgifter som vanligtvis kräver mer flexibilitet. Huvudfrågan i artikeln är hur dessa snabba och långsamma former av anpassning kan förstås inom en enda, koherent mekanism.

En inlärningsmodell för mental kontroll

Författarna introducerar Learning Control Dynamics (LCD)-modellen, byggd på en populär typ av återkommande neuralt nätverk kallad long short-term memory (LSTM). Istället för att hårdkoda en särskild "kontrollenhet" låter de nätverket lära sig att kontrollera sig självt. Modellen tränas på en klassisk uppgiftsväxlingsuppsättning: i varje försök ser den en uppsättning siffror, en cue som anger vilken som ska bedömas som större eller mindre än en tröskel, och ibland en extra "miljö"-signal. Modellen måste lära sig två saker: hur man utför varje enskild bedömningsuppgift, och hur den ska justera sina interna kontrollinställningar så att den antingen kan upprepa samma uppgift effektivt eller växla smidigt till en annan.

Snabba tillståndsskift kontra långsamma vaneförändringar

Inuti modellen kan två typer av förändring ske. Den ena är aktiveringsbaserad: det moment-till-moment-mönster av aktivitet kan glida närmare den för tillfället relevanta uppgiften och bort från den föregående. Detta ger en snabb men bräcklig form av anpassning som beror på vad som just hänt. Den andra är viktbaserad: den långsiktiga styrkan i kopplingarna i nätverket finjusteras långsamt så att vissa situationer skapar djupt rotade "uppgiftsdalar" som uppmuntrar att stanna kvar, medan andra skapar grundare dalar som gör det lättare att byta. Författarna visar i simuleringar att snabba förändringar ensamma redan kan ge mindre kostnader vid växling i situationer med många byten, medan långsamma förändringar i nätverkets vikter permanent omformar hur lätt modellen växlar eller håller fast, även när de nuvarande förhållandena är desamma.

Att lära sig när flexibilitet behövs

Studien frågar sedan om modellen kan lära sig att använda signaler från omvärlden för att avgöra hur flexibel den ska vara. I en uppsättning simuleringar var olika artificiella "miljöer" konsekvent kopplade till antingen frekventa eller sällsynta uppgiftsbyten. Med tiden lärde sig modellen att svara på dessa miljöcueer: i miljöer med många byten blev dess interna uppgiftsrepresentationer mer överlappande och den rörde sig snabbare mellan dem; i miljöer med få byten var dessa representationer mer åtskilda och upprepning av samma uppgift blev särskilt stark. I en annan uppsättning simuleringar lärde sig modellen att vissa specifika uppgifter oftast var de som bytte, medan andra tenderade att upprepas. Den tillämpade då sina kontrolljusteringar på ett mer finmaskigt, uppgifts-för-uppgifts-sätt som berodde inte bara på aktuell prövning utan också på vilken uppgift den just utfört.

Knytning av modellen till mänskligt beteende

För att testa om dessa idéer kan beskriva riktiga människor återanalyserade författarna data från mer än 100 frivilliga som utförde ett liknande uppgiftsväxlingsexperiment. De mänskliga deltagarna visade, liksom modellen, mindre växelkostnader i kontexter och efter uppgifter som ofta var förknippade med växling. Återanalysen stödde också modellens prediktion att några av de mest avslöjande förändringarna inte visas enbart på en given uppgift, utan på försöket som följer—vilket tyder på att människor bär med sig uppgiftsspecifika förväntningar om hur sannolikt det är att de kommer behöva vara flexibla nästa gång.

Vad detta innebär för vår förståelse av tänkande

Enkelt uttryckt hävdar artikeln att vår förmåga att balansera fokus och flexibilitet vilar på två sammanflätade processer: en snabb, kortsiktig justering som beror på vad vi precis hållit på med, och en långsammare, inlärningsbaserad fininställning av våra mentala "inställningar" till de miljöer och uppgifter vi ofta möter. Genom att visa hur båda kan uppstå i ett enda neuralt nätverksmodell och överensstämma med mänskliga data erbjuder arbetet en konkret plan för hur sinnet kan forma och omfördela sina egna tanke-vanor för att möta förändrade krav.

Citering: 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

Nyckelord: kognitiv flexibilitet, uppgiftsväxling, neuralt nätverksmodell, kognitiv kontroll, anpassningsbeteende