复杂任务学习中功能性脑网络动态优化的神经机制研究

剑桥大学团队通过两项新颖的自序切换(SOS)fMRI范式，揭示了多目标复杂任务学习过程中默认模式网络(DMN)与多需求皮层(MD)的协同优化机制。研究发现行为结构化程度与神经响应模式显著相关，为理解高阶认知的神经可塑性提供了新视角。

　　

在认知神经科学领域，人类如何快速掌握复杂多目标任务的机制始终是未解之谜。日常生活中，我们常需同时处理多项任务——比如边开车边导航边接电话，这种多任务处理能力背后隐藏着精妙的神经调控原理。传统研究多采用指令性任务切换范式，但这类方法存在明显局限：实验者而非受试者决定切换时机，且缺乏真实场景中常见的子目标管理需求。更关键的是，当面对全新复杂任务时，人脑如何通过试错自发形成最优行为模式？这个涉及默认模式网络(DMN)与多需求皮层(MD)动态交互的过程，正是认知神经科学亟待揭示的"黑箱"。

剑桥大学研究团队在《Neuropsychologia》发表的研究给出了突破性答案。他们创新性地设计了两项自序切换(SOS)功能磁共振成像(fMRI)实验：研究1让16名受试者在扫描仪内通过实时反馈学习任务策略；研究2则安排15名经过预训练的受试者在最小化反馈条件下执行任务作为对照。通过对比分析行为学数据与神经影像特征，团队首次系统阐释了复杂任务学习中神经网络的动态优化规律。

研究采用的核心技术包括：事件相关fMRI采集脑活动信号、自序切换行为范式记录反应时与准确率、基于广义线性模型(GLM)的神经影像分析、重复测量方差分析(rm-ANOVA)比较组间差异。31名健康右利手受试者完成包含规则切换与任务切换的双任务实验，所有操作均获剑桥大学伦理委员会批准。

【SOS成本随练习降低】
准确率保持稳定(约94.8%)的同时，反应时数据显示：无论是规则切换还是任务切换，其时间成本均随练习显著下降(F_(2,30)
=1.218, p=0.310, η_p
²
=0.08)。特别值得注意的是，行为结构化程度高的个体表现出更优的任务表现，这种优化伴随着MD系统激活减弱与DMN激活增强的"此消彼长"现象。

【神经网络的动态重组】
在辨别试次中，MD皮层(特别是前额叶aPFC区)响应性随练习降低，而DMN响应性反而增强。但令人惊讶的是，在SOS事件中观察到完全相反的模式：MD激活增强而DMN激活减弱。这种双网络的反向调节强度与行为结构化程度呈显著相关，暗示神经可塑性存在任务特异性。

【预训练的调节作用】
研究2中，由于受试者已通过预训练建立固定策略，神经学习特征明显减弱。这证实行为优化过程(而非固化策略本身)才是驱动神经网络重组的关键因素。

讨论部分指出，该研究首次揭示DMN与MD系统通过差异化调节实现功能互补：MD系统专精处理执行切换需求，而DMN则负责常规试次处理。这种动态分工机制解释了人类在复杂环境中保持认知灵活性的神经基础。更深远的意义在于，发现行为结构化程度可预测个体学习效能，这为认知训练干预提供了量化指标。研究还修正了传统观点——不仅MD系统，DMN同样在认知控制中扮演主动角色。

方法论上，自序切换范式的创新设计突破了传统任务切换研究的局限，成功模拟现实场景中的决策过程。未来研究可沿此路径，进一步探索神经网络优化与复杂技能习得的关系。该成果对理解阿尔茨海默病等DMN功能紊乱疾病的认知缺陷机制也具有启示价值。