通过基于激活和基于权重的适配研究认知灵活性与稳定性

为何在专注与灵活之间取得平衡至关重要

日常生活不断要求我们在持续专注于一项任务和迅速转换之间切换。例如做晚饭时，切菜需要高度专注以免被锋利的刀割伤，但同时又要灵活地在查看锅、搅拌酱汁和拿取食材之间转换。本文通过构建一个模拟人们决定何时保持任务、何时切换的计算模型，探讨这种心理平衡如何运作，这有助于理解健康的思维过程以及在此平衡失调时出现的疾病。

坚持与切换之间的拉锯

心理学家将这种紧张关系描述为认知稳定性（保持对一项任务的专注）与认知灵活性（在需要时切换任务）之间的权衡。人们会根据情境调整这种权衡：如果切换频繁，他们更容易准备好切换；如果任务通常重复，则倾向进入更稳定的模式。这些调整既可在数分钟内迅速发生，也可在数天内缓慢形成，随着我们学习哪些环境或任务通常需要更多灵活性而变化。本文的核心问题是如何在一个统一且连贯的机制中解释这些快慢两种形式的调整。

一种关于心理控制的学习模型

作者提出了学习控制动力学（Learning Control Dynamics，LCD）模型，基于一种常用的递归神经网络——长短期记忆网络（LSTM）。他们并没有硬编码一个特殊的“控制”单元，而是让网络学会如何自我控制。模型在经典的任务切换设置上训练：每次试验中它看到一组数字、一个指示应判断哪个数字相对于阈值是更大或更小的提示，有时还会有额外的“环境”信号。模型必须学习两件事：如何执行每个单独的判断任务，以及如何调整其内部控制设置，以便在重复同一任务时高效，或在切换到不同任务时平滑过渡。

状态的快速转变与习惯的缓慢变化

在模型内部，存在两类变化。一类是基于激活的：时刻的活动模式可以向当前相关任务靠拢并远离先前任务。这提供了一种快速但脆弱的适配形式，依赖于刚刚发生的事情。另一类是基于权重的：网络中连接的长期强度会缓慢调整，使得某些情形形成深度“任务谷地”，鼓励保持不变，而另一些情形则形成较浅的谷地，使切换更容易。作者通过模拟展示，单靠快速的变化就能在高切换情形下产生较小的切换成本，而网络权重的缓慢变化会永久性地重塑模型切换或保持的难易程度，即使在当前条件相同的情况下也是如此。

学会何时需要灵活性

研究进一步探讨模型是否能学会利用外界信号来决定应有的灵活程度。在一组模拟中，不同的人工“环境”持续与频繁或罕见的任务切换相关联。随着时间推移，模型学会对这些环境提示作出反应：在高切换环境中，其内部任务表征变得更重叠并且在它们之间移动更快；在低切换环境中，这些表征更分离，同一任务的重复变得尤其牢固。在另一组模拟中，模型学会某些具体任务往往是需要切换的，而另一些则倾向于重复。它随后以更细粒度、逐任务的方式应用其控制调整，这不仅取决于当前试验，也取决于它刚刚执行了什么任务。

将模型与人类行为联系起来

为了检验这些想法是否能描述真实的人类行为，作者重新分析了100多名志愿者在类似任务切换实验中的数据。人类参与者像模型一样，在经常与切换相关的情境和任务后表现出较小的切换成本。重新分析还支持模型的预测：一些最具说明性的变化并不只是出现在某一特定任务上，而是出现在随后的试验上——这表明人们会带着关于下一次需要灵活性的任务特定预期继续行动。

这对理解我们思维的意义

简而言之，文章认为我们平衡专注与灵活性的能力依赖于两种交织的过程：一种是基于我们刚刚所做之事的快速短期调整，另一种是基于学习的缓慢调整，它会将我们的心理“设定”调谐到我们反复遇到的环境和任务中。通过展示二者如何在单一神经网络模型中同时出现并与人类数据相符，这项工作为理解心智如何塑造并重组自身的思维习惯以应对不断变化的需求提供了具体蓝图。

引用: 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

关键词: 认知灵活性, 任务切换, 神经网络模型, 认知控制, 适应性行为