《SCIENCE ADVANCES》：Learning by moving: Physical motion accelerates category learning
编辑推荐：
类别化（categorization）对生存至关重要，帮助动物觅食、导航和躲避捕食者——这些任务都涉及运动。然而，占主导地位的类别学习理论将其视为纯粹认知或知觉过程。在此，研究人员通过证明身体运动能够增强类别学习——尽管这种增强具有选择性——来挑战上述观点。通
类别化（categorization）对生存至关重要，帮助动物觅食、导航和躲避捕食者——这些任务都涉及运动。然而，占主导地位的类别学习理论将其视为纯粹认知或知觉过程。在此，研究人员通过证明身体运动能够增强类别学习——尽管这种增强具有选择性——来挑战上述观点。通过使用沉浸式虚拟现实（immersive virtual reality），研究人员发现，执行大幅度动作（如挥舞光剑）能够显著改善对需要整合多个线索的类别的学习（例如，区分侵袭性病变与非癌性病变），而对涉及特征独立评估的类别（例如，按颜色和形状分类）影响极小。这种选择性增强揭示了先前未被认识到的运动对类别化的贡献，并可能解释为何先前研究未能发现这一效应，从而为优化关键类别化任务中的训练开辟了途径。
类别学习（category learning）对生存和日常决策至关重要，例如判断道路是否湿滑而减速，以及放射学等领域的专业表现。现实世界中的类别化（categorization）常嵌入动作之中，需要协调知觉-运动反应，例如判断水果是否成熟并采摘。然而，主流理论如范例理论（exemplar theory）和原型理论（prototype theory）将类别化视为纯粹认知或知觉过程，把运动反应当作决策完成后的输出，不参与学习本身。以往研究未发现运动影响类别学习，可能因其采用的规则基础（rule-based, RB）类别结构可通过言语规则解决，对运动不敏感；而需要整合多维度信息、基于相似性的信息整合（Information-Integration, II）类别结构虽被认为依赖程序性学习系统，却从未用于检验动作幅度的影响。为回答动作是否影响类别学习，研究人员利用沉浸式虚拟现实（virtual reality, VR）系统操纵反应类型，在两项实验中比较按键、挥动光剑和出拳三种反应，并对RB和II两类结构进行训练。
研究人员招募了160名来自布朗大学周边的参与者（平均年龄21.2岁，标准差5.3；61.3%女性），其中实验1和实验2各80人，每条件20人。实验1中，参与者（平均年龄21.4岁，标准差5.2；57.5%女性）按键或挥动光剑学习RB或II类别，共600试次；实验2中，参与者（平均年龄21.0岁，标准差5.3；65.0%女性）按键或出拳，固定刺激呈现时间为2.5秒，并增加RB复杂度、记录反应时间、在训练后加入100试次的反应模态切换。数据分析采用广义线性混合模型（generalized linear mixed models, GLMM）和自举（bootstrap）检验。
结果如下：
**挥动加速相似性任务的学习**。实验1显示，反应类型与类别结构存在显著交互（β=0.42，SE=0.15，P=0.005，比值比（odds ratio, OR）=1.52）。对II类别，挥动显著提高正确率（β=0.27，SE=0.11，P=0.01，OR=1.31），且自举分析显示第2至7块及第9块持续优势；对RB类别，挥动仅有轻微不显著负效应（β=?0.10，SE=0.08，P=0.25，OR=0.90）。这表明较大动作选择性促进II学习。
**出拳提高相似性类别任务的学习和最终表现**。实验2发现：
- **运动益处不归因于刺激交互或呈现时间**：出拳不接触刺激仍产生优势，GLMM显示块与反应类型交互显著（β=0.06，SE=0.02，P=0.01），反应类型主效应呈趋势（β=0.24，SE=0.13，P=0.08，OR=1.27），且刺激呈现时间已等化。
- **运动益处不由反应时间（RT）解释**：控制反应时间（reaction time, RT）后出拳仍显著改善II表现，RT系数为负，与速度-准确性权衡相反。
- **RB类别不存在天花板效应**：复杂RB结构下出拳效应不显著（β=?0.13，SE=0.15，P=0.39，OR=0.88），排除天花板解释。
- **运动益处不限于反应特异性提取**：出拳训练组在训练末（M=0.907，95%置信区间（confidence interval, CI）[0.889, 0.924]）和转换期（出拳→按键：M=0.895，95% CI [0.878, 0.912]）均显著优于按键训练组（分别为M=0.810，95% CI [0.766, 0.851]；M=0.831，95% CI [0.794, 0.863]；自举t检验P<0.00001，Cohen's d=1.30；P<0.0005，Cohen's d=1.05），切换后优势几乎完整保留。
**反应类型与类别结构的总体交互**。全数据集GLMM显示显著交互（β=0.51，SE=0.19，P=0.008，OR=1.66），重复并强化了选择性效应。
讨论中，研究人员认为这些结果挑战了将运动仅视为输出的传统观点，也超越了考虑类别表征到运动皮层映射的COVIS（Competition between Verbal and Implicit Systems）理论。选择性效应符合II学习依赖程序性系统、RB学习依赖前额叶系统的观点。可能机制包括较大动作增加纹状体多巴胺释放和放电频率、增强学习相关可塑性，以及动作成本引导注意分配到任务相关特征。以往研究中II类别学习较慢且易受反馈延迟等因素影响，或许与按键反应限制了学习系统有关，需重新审视。未来需探索运动效应在其他类别结构（如规则加例外、原型畸变）中的普适性，以及利手等个体差异的影响。运动受限人群可能在多特征整合类别学习上受损，这可能是康复干预的靶点。对VR训练设计，策略性引入大幅动作可能优化学习，并在任务执行时降低动作成本以减少疲劳。该研究发表在《SCIENCE ADVANCES》，为放射学、航空、教育等领域改进训练提供了证据。
研究结论：这种选择性增强揭示了先前未被认识到的运动对类别化的贡献，并可能解释为何先前研究未能发现这一效应，从而为优化关键类别化任务中的训练开辟了途径。
