特征-空间映射的统计学习及其受线索诱导期望的调节

《Biological Psychology》：Statistical Learning of Feature-Spatial Mappings and Its Modulation by Cue-Induced Expectation

　　

特征-空间映射规律可在视觉搜索期间被获取；行为反应显示出可靠的特征-空间概率梯度；预测线索诱发了目标出现前朝向关联高概率目标位置（HPTL）的α波侧化；预测线索增强了目标出现后HPTL的多变量脑电（EEG）解码。

**引言**

视觉系统持续不断地处理着海量的感觉输入流。鉴于注意力的内在有限容量，只有部分信息能被选中进行高级认知操作。在日常生活中，环境信息频繁表现出结构化的规律性，使得隐性提取统计模式成为可能，从而提高信息处理效率。当这一认知过程发生在视觉通路中时，被称为视觉统计学习（Fiser & Lengyel, 2022）。位置概率学习范式是研究视觉系统如何从空间偏斜的刺激分布中提取统计规律的基本实验框架。该范式区分了两种学习类型：目标位置学习（任务相关），即观察者获取与任务相关的目标在空间分布上的规律性；以及干扰物位置学习（任务无关），即观察者获取与任务无关的干扰物在空间分布上的规律性。对于目标位置概率学习而言，对出现在高概率目标位置（HPTLs）上的目标的反应可靠地比对低概率目标位置（LPTLs）上的目标更快，这展示了习得的概率如何调节注意优先级（Geng and Behrmann, 2002, 2005; Jiang et al., 2013, 2014; Chang et al., 2016）。

关于统计学习的实证研究主要采用了单维度方法：位置概率学习考察目标出现的空间条件概率偏斜（Miller, 1988），而特征概率学习则研究刺激属性内部的统计规律性（Fiser and Aslin, 2001; Chetverikov et al., 2016）。然而，这种单维度方法可能无法完全捕捉现实环境的情况，在现实环境中，多种刺激特征往往表现出稳定的空间共现模式，例如交通信号灯总是出现在交叉路口。这要求获取视觉属性与其空间环境之间的多维映射关系，以实现有效的环境适应。因此，一个重要但尚未充分探索的问题是：个体在视觉搜索过程中是否能够获取整合性的特征-空间映射规律性，以及这种学习如何在注意选择中表现出来。

从注意控制的角度来看，获取这种映射规律性可能会影响注意优先级在空间中的分配方式。优先级图框架为这一过程提供了计算模型（Itti & Koch, 2001）。根据该框架，视觉系统整合自下而上的物理显著性、自上而下的注意选择以及过去的选择历史，构建一个二维的注意优先级空间拓扑图，该图指导注意力的部署（Awh et al., 2012; Wolfe and Horowitz, 2017; Failing and Theeuwes, 2018; Anderson et al., 2021; Huang et al., 2022）。与先前的证据一致，即统计规律性可以使注意力的部署偏向更可能出现的位置（例如Failing & Theeuwes, 2020），本研究引入了两种不同的目标特征，每种特征都与相应的高概率目标位置（HPTL）相关联。具体而言，对于每种目标特征，一个位置作为特征匹配的高概率目标位置（HPTL），另一个作为特征不匹配的高概率目标位置（HPTL），其余位置则为低概率位置（LPTL）。两种HPTL条件具有相同的总体位置概率，但在特征-位置一致性方面有所不同。如果参与者学习了这些特征-空间映射，那么对出现在特征匹配HPTL上的目标的反应应该比对出现在特征不匹配HPTL上的目标更快。

仅凭行为学指标无法揭示特征匹配优势是否在早期注意选择过程中产生，因此我们检查了N2pc成分。先前的研究表明，后部侧化成分（包括N1pc、N2pc和CDA）对通过统计学习建立的空间期望以及对这些期望的违反都很敏感（Zinchenko, Conci, T?llner, Müller, & Geyer, 2020; Zinchenko, Conci, Müller, & Geyer, 2024a; Zinchenko et al., 2024b）。关键问题是：在总体位置概率保持不变的情况下，特征-位置一致性是否调节了早期的空间选择。与特征不匹配HPTL相比，如果特征匹配HPTL上出现更大的N2pc，则表明特征-位置一致性关联着额外的注意优先级。而相似的N2pc振幅幅度则与两个位置主要基于共享的高概率地位而获得优先级的假设相一致，但不足以确立这一解释（Theeuwes, Bogaerts, & van Moorselaar, 2022）。

除了建立习得的特征-空间映射在早期注意选择过程中如何表现之外，另一个问题是：当提前获得关于即将出现的目标的信息时，这些习得规律性的表达能否被自上而下的期望进一步塑造。本研究的设计将通过重复暴露获得的习得特征-空间规律性与明确的线索所诱导的关于即将出现目标的期望区分开来。先前的研究主要关注来自重复环境规律的隐性学习（Goujon, Didierjean, & Thorpe, 2015）。然而，在自然情境中，个体进行着主动的预测加工，利用预测线索生成自上而下的期望以促进即将到来的感知（Marzecová et al., 2017; Heilbron and Chait, 2018）。在本任务中，线索预测了即将到来的目标特征，因此可能在搜索阵列出现之前和之后都影响神经加工。

预测线索可以调节习得的特征-空间映射在早期注意选择中朝向预期位置的表达程度（Dolci et al., 2023, 2024）。如果预测线索激活了习得的特征-空间关联，参与者可能在搜索阵列出现之前就将注意力定向到与线索提示的目标特征相关联的高概率目标位置（HPTL）。由于线索提供的是关于目标特征的信息而非直接指示目标位置，因此目标出现前朝向相应HPTL的侧化应与习得映射的激活相一致，而非直接的空间线索指示（Thut et al., 2006; Zhao et al., 2019）。仅统计学习是否足以产生这种目标出现前的侧化效应尚不清楚。例如，Duncan, Theeuwes, and van Moorselaar（2023）观察到对高概率目标位置的注意增强，但没有典型的预期性侧化效应。因此我们采用以线索为时间锁定的后部事件相关电位（ERP）和α波侧化来检验目标特征线索是否能够通过习得映射招募朝向相应HPTL的空间偏差。如果这种准备过程有助于早期目标选择，那么线索的预测性也应该能够调节特征-空间一致性对目标诱发的N2pc的影响。或者，预测线索可能在不改变早期侧化选择的情况下影响后续的目标加工，作为先验信念根据目标是否符合预期的特征-空间映射来调节信息处理（Summerfield & de Lange, 2014）。

为了区分这些可能性，本研究结合ERP空间选择指标、目标出现前的α波侧化和多变量模式分析（MVPA）（Fahrenfort et al., 2018; Desantis et al., 2020），来检验线索诱导的期望如何调节习得的特征-空间映射的神经表达。我们提出以下问题：预测线索是否在搜索阵列出现前诱导了空间准备、是否调节了早期侧化的目标选择，或者是否在搜索阵列出现后改变了特征匹配与特征不匹配HPTL试验之间的神经辨别能力。

**材料与方法**

**被试**

天津师范大学28名大学生参与了本实验（6名男性，22名女性，年龄19至23岁）。由于伪迹过多（超过40%），两名被试的数据被排除。最终样本包括26名被试。所有被试视力正常或矫正后视力正常，且均为右利手。本实验经天津师范大学伦理委员会审查批准（批准号：2024030805）。参与者在获得行为结果之前签署了知情同意书。

**行为结果**

所有被试的总体正确率为96.43%。各实验条件的正确率如图2a所示。对平均正确率进行了重复测量方差分析（ANOVA），以线索预测性（预测性、非预测性）和目标位置概率（特征匹配HPTL、特征不匹配HPTL、LPTL）作为被试内因素。结果显示目标位置概率的主效应显著，F(2, 50) = 7.63, p = 0.001, ηp2 = 0.23。两者均……

**讨论**

本研究的结果表明，行为上对习得的特征特异性空间概率具有敏感性，且其神经表达受到线索的依赖性调节。在行为学上，两种线索条件下，对特征匹配HPTL的反应都比对特征不匹配HPTL的反应更快，并且在排除了目标位置的即时重复后，这一优势仍然存在。N2pc未能可靠地区分两种HPTL条件。然而，预测线索诱发了短暂的α波侧化，朝向……

**结论**

本研究提供了证据，表明在视觉搜索过程中可以获取目标特征-空间映射规律。在两种线索条件下均观察到了特征匹配HPTL的行为优势。N2pc未能可靠地区分特征匹配和特征不匹配HPTL条件，没有可检测的证据表明特征-位置一致性差异性地调节了早期侧化选择。预测线索诱发了短暂的目标出现前的α波侧化，朝向……

**伦理声明**

已获所有参与者或其法定代表的书面知情同意，同意参与本研究并发表文章。参与者的隐私权已得到保护。本研究在相关研究所在地遵守相关法律、法规框架和指南进行。本研究经天津师范大学伦理委员会批准（批准号：2024030805）。

**伦理声明**

本研究中涉及人类参与者的所有程序均经天津师范大学伦理委员会批准（批准号：2024030805），并符合该委员会的伦理标准以及1964年《赫尔辛基宣言》及其后续修正案或同等伦理标准。已获所有纳入本研究的个体参与者的知情同意。

**资助**

本研究由天津哲学社会科学规划项目资助（TJJX22-007）。

**CRediT作者贡献声明**

Guang Zhao：写作——审阅与编辑、监督、调查、概念化。
Jiahuan Chen：写作——审阅与编辑、方法论、形式分析。
Hejun Liu：写作——审阅与编辑。
Huanxu Wang：写作——审阅与编辑、写作——初稿、可视化、形式分析、概念化。
Yuhao Duan：方法论、调查、形式分析、概念化。
Shiyi Li：资金获取、概念化。

**生成式AI及AI辅助技术在写作过程中的声明**

作者声明本手稿创作过程中未使用生成式AI。

**利益冲突声明**

作者声明不存在利益冲突。

Shiyi Li | Huanxu Wang | Yuhao Duan | Jiahuan Chen | Hejun Liu | Guang Zhao