编辑推荐：
视觉工作记忆（VWM）研究成果零散，难以整合。研究人员开展 “Comprehensive exploration of visual working memory mechanisms using largescale behavioral experiment” 研究，构建 QCE-VWM 模型。该模型整合多种机制，比神经网络更优，为理解 VWM 提供新框架。
在人类认知的神秘领域中，视觉工作记忆（Visual Working Memory，VWM）就像一座复杂的迷宫，吸引着众多研究者不断探索。过去二十年里，虽然对 VWM 的研究成果丰硕，但这些知识却如同散落的拼图碎片，彼此孤立，难以拼凑出一幅完整的认知图景。传统的实验心理学研究往往局限于单一因素，从狭隘的视角出发，每次只聚焦于一两个预先设定的维度进行假设和预测，导致研究结果碎片化，无法形成统一连贯的理论体系。这就好比盲人摸象，每个人只摸到了大象的一部分，却难以知晓大象的全貌。而随着人工智能（Artificial Intelligence，AI）与大规模数据集的融合浪潮袭来，为认知研究带来了新的曙光。在此背景下，开展一项能够整合以往研究成果、全面深入探索 VWM 机制的研究显得尤为迫切。
为了攻克这一难题，来自香港中文大学的研究人员挺身而出，展开了一项极具创新性的研究。他们以大规模行为实验为有力武器，试图为 VWM 研究开辟新的道路。研究人员精心设计并实施了一项大规模行为实验，招募了 2316 名参与者 ，让他们完成与 VWM 相关的延迟估计任务。参与者需要在 1 秒内记住四个饱和颜色，经过 1 秒的保留间隔后，在色轮上选择并报告这些颜色。实验采用了 10,000 种随机生成的颜色模式，收集了多达 4000 万条响应数据。基于这些海量数据，研究人员构建了一个准全面探索模型（quasi-comprehensive exploration model，QCE-VWM） 。
这项研究成果意义非凡，它发表在顶尖学术期刊《Nature Communications》上。研究构建的 QCE-VWM 模型，为理解人类视觉工作记忆提供了一个整合性框架。该模型整合了十几种机制，涵盖直接采用前人研究的、修改后的以及新发现的机制。在数据拟合方面，QCE-VWM 模型表现卓越，超越了神经网络，同时仅包含 57 个参数，展现出良好的简约性。这一模型的建立，不仅有助于深入理解 VWM 的内在机制，还为后续相关研究奠定了坚实基础，推动了认知科学领域的发展。
在研究过程中，研究人员主要运用了以下几种关键技术方法：一是大规模在线实验技术，通过将实验设计成在线游戏，利用实验室的在线数据收集平台，借助微信的广泛用户基础和便捷功能，实现了大规模数据的高效收集；二是构建模型技术，构建了包括引导神经网络和 QCE-VWM 模型等多种模型，用于分析数据和模拟 VWM 过程；三是统计分析技术，通过与 17 种替代模型进行比较，运用 t 检验、计算效应量（Cohen's d）和复杂度调整后的效应量（CAD）等方法，对模型进行了全面评估和验证。
下面详细介绍研究结果：
- Pattern-level summary：研究人员首先将原始数据汇总为 40,000 个项目的响应分布，这些分布后续用于所有建模工作。
- A neural network：运用神经网络对数据集进行分析。该神经网络包含输入层、隐藏层和输出层，通过将 8 个输入值分组表示颜色坐标，196 个输出值模拟响应分布，并使用负对数似然损失函数进行优化。
- Neural network as the guidance for model development：神经网络在模型开发中起到了重要的引导作用。一方面，通过将概念模型的预测与神经网络的预测进行比较，帮助发现概念模型中缺失的部分；另一方面，神经网络的预测可作为虚拟数据，用于探索更多可能的颜色模式。
- Factorial comparison analysis as baseline for model development：以往视觉工作记忆实验通常一次只研究一个因素，而本研究通过对三个因素（记忆精度的可变性、记忆项目的数量和空间绑定错误）进行析因比较分析，确定了 VP-F-NT 模型为基线模型。
- A comprehensive exploration model：创建的 QCE-VWM 模型通过迭代优化，结合观察线索和理论见解，不断完善模型结构和机制。该模型包括三个阶段：
- Phase 1: pre-categorical processing：在颜色分类之前，包含项目间交互和分块（chunking）两个关键过程。项目间交互影响项目保留率和偏差，分块则基于项目间颜色差异，通过计算不同分块结构的加权平均来确定整体分块效果。
- Phase 2: Calculation of weights of components：定义八个颜色类别，确定各类别偏差组件和无偏差组件的权重，并通过浓度（concentration）和串扰（crosstalk）两个新发现的机制，探索颜色类别与项目间交互的关系，同时确定交换组件的权重。
- Phase 3: Calculation of distributions of responses：计算各组件的偏差、标准差（SDs）和保留率，考虑数量和质量之间的权衡（trade-off） ，最终计算出响应分布。此外，研究还发现模型机制存在空间不均匀性，受空间注意力影响。
- Statistical analysis：对 QCE-VWM 模型进行了严格的统计验证。通过与 17 种替代模型比较，结果表明模型中的各个机制都至关重要，且模型具有良好的泛化性。
在研究结论和讨论部分，与传统单一因素研究相比，本研究的综合探索方法将碎片化的研究成果整合为一个整体框架，就像把散落的拼图碎片拼成了一幅完整的画面。QCE-VWM 模型在有效性和简约性之间达到了最佳平衡，比大规模神经网络更能解释实证观察结果。此外，该研究还带来了多方面的收获。它明确了个体机制之间的关系，例如 chunking 基于预分类颜色信息而非类别颜色信息；促进了对现有发现结合点的研究，发现了浓度和串扰等新机制；能够客观评估模型中是否存在缺失或冗余机制；推动了理论发展，在槽模型（slot model）和资源模型（resource model）的争论中起到了建设性的中介作用；并且使研究更加精确，修正了一些传统认知，如颜色类别偏差组件的吸引机制和分布模型的选择等。
当然，研究也存在一些值得探讨的地方。QCE-VWM 模型的复杂性受到一定质疑，但考虑到数据集规模和人类认知机制的复杂性，这种复杂性是合理的，且与增强型文献综述的预期相符。模型的迭代性虽然意味着当前模型是暂时的，但这也为探索无限可能性提供了机会，并且模型的评估过程严谨，减少了主观偏差，符合科学发现的内在过程。总体而言，这项研究为视觉工作记忆机制的研究开辟了新的方向，为认知科学领域的发展做出了重要贡献，有望激发更多研究者采用更全面的方法开展相关研究，推动该领域不断向前发展。
