综述：学习近期与累积统计量的不同作用

这篇综述深入探讨了近期事件（recency bias）与长期累积统计量（long-term bias）在感知预测中的动态平衡机制，揭示了二者在典型发育群体与发育异常群体（如阅读障碍dyslexia、自闭症autistics）中的差异化表现，为理解认知技能习得（skill acquisition）的神经基础提供了新视角。

　　

长期统计量提升稳定环境中的感知表征
早期研究通过卡片尺寸估计实验发现，人类感知存在向环境统计均值收缩的"中央趋势（central tendency）"现象。这种长期统计积累优化了感知系统对母语音节等稳定模式的编码效率。在阅读障碍患者中，长时统计量整合能力减弱导致音素范畴形成异常，而自闭症患者虽保留此能力，却表现出对近期事件更新迟缓的特点。

近期统计量适应环境动态变化
实时语言交流中，说话者的口音、用词变化要求听者快速调整预测（如语音适应speech adaptation）。序列依赖（serial dependence）实验显示，典型发育个体会赋予近期刺激更高权重，这种"近期偏差"通过预测编码（predictive coding）框架下的自上而下调制实现，而注意力会增强该效应。

动态环境中的自适应学习机制
最优学习策略取决于环境稳定性：稳定状态下应均等加权历史数据，而多变环境需强化近期经验权重。计算模型表明，典型学习者能动态调整两种统计量的整合比例，但自闭症患者的刚性学习模式使其在快速转换任务中表现较差。

统计学习异常与技能获取缺陷
阅读障碍者的长时统计整合缺陷直接影响其阅读技能习得，而自闭症患者对近期统计量更新迟缓则导致社交互动灵活性下降。这些发现为理解神经发育差异提供了新的计算行为标记。

学习机制的协同与分离
统一模型认为近期与长时偏差均源于刺激的保真度加权整合，但时间尺度差异导致功能分化：前额叶皮层（PFC）驱动近期偏差，而感觉皮层更多参与长时统计表征。未来研究需进一步解析不同脑区在统计学习时空动力学中的作用。