情绪状态如何在不同语言切换情境中调节认知控制策略
《Bilingualism: Language and Cognition》:How emotional states modulate cognitive control strategies across language-switching contexts
【字体:
大
中
小
】
时间:2026年05月01日
来源:Bilingualism: Language and Cognition 2.6
编辑推荐:
摘要:本研究探讨了情绪状态(积极、消极、中立)以及不同切换频率(低:25%,中:50%,高:75%)的语言切换情境如何共同调节不平衡的中英双语者的执行控制能力。通过将语言切换任务与反应试验中的Flanker任务结合,我们发现与低切换频率和高切换频率情境相比,消极情绪状态在中等切换
摘要:本研究探讨了情绪状态(积极、消极、中立)以及不同切换频率(低:25%,中:50%,高:75%)的语言切换情境如何共同调节不平衡的中英双语者的执行控制能力。通过将语言切换任务与反应试验中的Flanker任务结合,我们发现与低切换频率和高切换频率情境相比,消极情绪状态在中等切换频率情境下通过优化资源分配增强了执行控制能力,这体现在N2效应的减少和P3效应的增加上。在高切换频率情境下,积极情绪状态促进了主动控制,在不一致试验中的P3效应更为显著。然而,在消极情绪状态下,反应控制更为明显,一致试验中的P3效应更加强烈。我们提出了“情绪适应性控制”(Emotion Adaptive Control, EAC)模型,该模型提供了一个更全面的视角,解释了双语语言控制如何在情绪状态下适应一般认知控制。
1. 引言:双语者在日常生活中经常在两种语言之间切换,有效地抑制了非当前使用语言的干扰,以实现目标语言的准确使用(Abutalebi等,2008;Abutalebi & Green,2007;Blanco-Elorrieta & Pylkk?nen,2016;Blanco-Elorrieta等,2018;Costa等,1999;Green,1998;Kroll等,2006;Schwieter & Sunderman,2008)。尽管语言控制与一般认知控制之间的关系仍存在争议,但一些研究发现,语言切换和一般认知控制依赖于部分重叠的神经机制(参见Abutalebi & Green,2016)。具体来说,语言控制涉及一般认知控制的核心组成部分,如工作记忆、抑制控制和冲突监控(Abutalebi & Green,2007;Bialystok等,2005;Calvo & Bialystok,2014;Costa等,2009;Declerck等,2017;Verreyt等,2016)。根据适应性控制假说(Green & Abutalebi,2013),双语者会根据不同情境下的控制需求动态分配认知控制。例如,双语情境要求在同一情境下使用两种语言,但针对不同的人(例如,在工作中对某些人使用一种语言,对其他人使用另一种语言)(Schwieter等,2025),通常需要更大的目标维持、冲突监控和干扰抑制能力,这比单一语言情境更为复杂。与任务切换适应(如列表范围切换概率LWSP效应,其中频繁切换通过诱导更灵活的控制状态来降低切换成本,但这种状态不易泛化到新任务,参见实验2-3;Nack & Chiu,2024)不同,双语控制涉及多个语言系统的动态协调,并调动更广泛和持久的认知资源(Green & Abutalebi,2013)。这种跨语言管理可能有助于控制状态向其他领域的转移。实际上,混合语言情境下的实证研究报道了后续执行控制的提升(Jiao等,2019;Liu等,2022;Liu等,2025;Wu & Thierry,2013)。然而,大多数研究比较了固定切换频率的单一语言和混合语言情境,忽略了不同切换需求对执行控制适应性的影响。研究发现情绪状态会调节认知资源分配和控制策略(Dreisbach & Goschke,2004;Grahek等,2020;Jiang等,2024;Pessoa,2009;Shenhav,2024)。积极情绪倾向于提高灵活性并扩大注意范围(Dreisbach & Goschke,2004;Fiedler等,2013;Fredrickson,2004;Johnson等,2010;Rowe等,2007),而消极情绪则促进更加谨慎、注重细节的处理模式(Eysenck等,2007;Fiedler等,2013;Fredrickson,2004)。然而,尚无研究系统地探讨情绪状态如何与不同的语言切换需求相互作用并影响双语者的执行控制适应性。因此,在本研究中,我们通过操纵语言切换频率(低:25%,中:50%,高:75%)来创建动态认知需求的梯度,并将情绪状态(积极、消极、中立)纳入实验设计,以系统地研究情境相关的语言控制和情绪状态如何共同影响认知控制的适应性。
1.1. 背景:语言切换被认为涉及语言特定的控制过程和与一般认知控制部分重叠的机制(Abutalebi等,2012;Blanco-Elorrieta & Pylkk?nen,2016;de Bruin等,2014;Green & Abutalebi,2013;Wu等,2019)。Declerck等(2017)研究了双语者在语言切换和任务切换任务中的表现,发现切换成本呈正相关,表明存在部分重叠的控制机制。然而,切换成本并不总是相同的:当任务涉及语言处理(如图片命名)时,语言切换成本显著高于任务切换(如数字分类),表明语言控制也涉及语言特定的抑制过程。后续研究使用了跨任务范式——个体在语言切换和Flanker任务之间交替——来探索语言相关情境如何影响后续的执行控制。Wu和Thierry(2013)研究了威尔士-英语双语者在单一语言和混合语言情境下的Flanker任务表现,其中混合语言情境下的不一致试验准确性更高,P3效应更小,而在三种情境下的一致试验没有显著差异。这表明语言切换情境可能增强执行功能并促进冲突解决。类似地,Liu等(2022)研究了英中文双语者在联合命名-听力任务中的表现,其中一个参与者作为说话者(产生明显的命名反应),另一个作为听者(被动理解而不作回应)。结果显示,在混合语言情境下,不一致试验的delta和theta波段同步性更高。这一神经模式进一步支持了双语语言控制调节认知控制的观点,特别是影响冲突处理。相比之下,Jiao等(2019,2020,2022)采用了类似的跨任务范式来研究中文-英语双语者在语言产生和理解任务中的表现,产生任务始终需要明显的反应,而理解任务则根据是否需要反应而有所不同。他们发现,在混合语言情境下,一致和不一致试验的表现都优于单一语言情境,表明语言切换可能促进跨任务类型的通用监控过程。总体而言,现有研究表明,不同的语言情境会施加不同的认知需求,无论任务涉及产生还是理解、主动反应还是被动暴露,执行控制在混合语言情境下都更为有效。然而,尚不清楚这种效应主要适用于不一致试验还是也适用于一致试验。此外,以往的研究大多使用二元分类的语言情境(单一语言与混合语言),而没有进一步探讨不同水平的切换需求如何影响执行控制的适应性。情绪状态已被发现可以调节认知资源分配和控制策略(Dreisbach & Goschke,2004;Grahek等,2020;Jiang等,2024;Pessoa,2009;Shenhav,2024)。积极情绪倾向于提高灵活性并扩大注意范围(Dreisbach & Goschke,2004;Fiedler等,2013;Fredrickson,2004;Johnson等,2010;Rowe等,2007),而消极情绪则促进更加谨慎、注重细节的处理模式(Eysenck等,2007;Fiedler等,2013;Fredrickson,2004)。然而,尚无研究系统地探讨情绪状态如何与不同的语言切换需求相互作用并影响双语者的执行控制适应性。因此,在本研究中,我们通过操纵语言切换频率来创建动态认知需求的梯度,并将情绪状态(积极、消极、中立)纳入实验设计,以系统地研究情境相关的语言控制和情绪状态如何共同影响认知控制的适应性。例如,负面情绪往往会缩小注意力范围(Eysenck等人,参考文献Eysenck, Derakshan, Santos和Calvo2007;Fiedler,参考文献Fiedler, Martin和Clore2013;Fredrickson,参考文献Fredrickson2004),促进一种谨慎且注重细节的处理模式,这可能有助于反应性控制;而正面情绪则会扩大注意力范围(Dreisbach & Goschke,参考文献Dreisbach和Goschke2004;Fiedler,参考文献Fiedler, Martin和Clore2013;Fredrickson,参考文献Fredrickson2004;Johnson等人,参考文献Johnson, Waugh和Fredrickson2010;Rowe等人,参考文献Rowe, Hirsh和Anderson2007),增强认知灵活性和整合处理能力,这可能有助于主动性控制。语言切换频率提供了一个情境框架,决定了情绪状态如何在认知控制策略中表达,这可能通过两种机制体现出来。首先,情绪状态可能会影响对控制策略的偏好,产生与切换频率情境相匹配的效果。由于不同的切换频率情境主要依赖于不同的控制机制,因此与正面情绪相关的扩大的注意力和增强的灵活性在高频率切换的情境中可能特别有利,这些情境需要主动性控制;而负面情绪促进的专注和谨慎的处理可能在低频率切换的情境中更有益,这些情境主要依赖于反应性控制。其次,情绪状态对控制策略选择的影响预计主要在控制需求较高的情况下显现。根据双重竞争模型(Pessoa,参考文献Pessoa2009),情绪在感知和执行层面都会影响认知:情绪显著的刺激会获得处理优先权,而有限的执行资源必须在各种控制过程之间分配。在高频率切换的情境中,任务本身就需要大量的认知资源,这种竞争会放大情绪状态对行为的影响,使它们对策略选择的影响更加明显。总的来说,情绪状态如何与切换频率情境相互作用以塑造执行控制仍大部分未被探索,这突显了本研究旨在解决的问题。
1.2. 本研究
本研究探讨了情绪状态和语言情境对认知控制的动态调节作用。与以往将语言情境简化为二元变量(单一语言与混合语言)的研究不同,我们采用了三种不同的切换频率情境(低、中、高),系统地操纵涉及认知控制不同组成部分的控制需求。通过结合情绪状态(正面、负面、中性),我们研究了情绪状态如何与情境控制需求相互作用,从而动态调节认知控制,使个体能够在不同的情绪-情境条件下灵活调整其通用控制策略(例如,主动性控制或反应性控制),进而影响后续的执行控制表现。我们使用了一种传统的情绪诱导程序(Guo等人,参考文献Guo, Li, Lu, Xu, Qiu, Shen和Gao2020;Jefferies等人,参考文献Jefferies, Smilek, Eich和Enns2008;Jiang等人,参考文献Jiang, Meng和Chen2024),让参与者听音乐并回忆相应的情绪事件以诱发不同的情绪状态。在每种情绪状态下,参与者首先完成一个具有不同语言切换频率的图片命名任务,随后进行一个干扰任务,形成一个跨任务适应范式。除了参与者的行为表现(即反应时间RT)外,我们还使用EEG记录大脑活动,以研究情绪状态和切换频率情境对执行控制的影响。我们重点关注广泛研究的N2和P3 ERP成分。N2与冲突检测密切相关(van Veen & Carter,参考文献Van Veen和Carter2002a,参考文献Van Veen和Carter2002b)。研究表明,在高冲突情境下,或者当个体在任务早期阶段投入更多认知资源来监控冲突时,N2幅度通常会增加(Grundy等人,参考文献Grundy, Anderson和Bialystok2017;Jiao等人,参考文献Jiao, Liu, Bruin和Chen2020)。在冲突检测之后,大脑会调整认知资源以抑制错误反应并完成目标选择,这一过程通常与P3效应相关。在干扰任务中,与一致试验相比,不一致试验的P3幅度通常更大,反映了注意力资源的分配(Polich,参考文献Polich2007;Polich & Herbst,参考文献Polich和Herbst2000)或反应抑制(Clayson & Larson;参考文献Clayson和Larson2011;Frühholz等人,参考文献Frühholz, Godde, Finke和Herrmann2011)。然而,在双语研究中有证据表明,在混合语言情境下,P3幅度可能会减小,可能是因为个体在早期阶段已经分配了更多认知资源,从而减少了后期对资源的需求(Wu & Thierry,参考文献Wu和Thierry2013)。此外,P3潜伏期被认为反映了刺激分类所需的时间(Kutas等人,参考文献Kutas, McCarthy和Donchin1977;Kok,参考文献Kok2001)。鉴于P3成分的复杂性,我们研究了P3幅度和潜伏期与行为表现之间的相关性,以谨慎解释其在我们研究结果中的意义。此外,我们采用了格兰杰因果(GC)分析,这是一种时间序列方法,用于确定一个变量的变化是否可以预测另一个变量的后续变化(Liu, Schwieter等人,参考文献Liu, Schwieter, Wang和Liu2022;Teckentrup等人,参考文献Teckentrup, Van Der Meer, Borchardt, Fan, Neuser, Tempelmann和Kroemer2019)。与主要捕捉局部、刺激锁定的ERP测量不同,GC可以揭示认知处理中更全局的动态相互作用。在我们的研究中,GC分析用于研究图片命名和干扰效应之间的预测关系,并探讨这种关系在不同情绪状态和不同语言切换程度的情境中的变化,从而揭示情绪状态和语言情境在认知控制中的调节作用。我们假设情绪状态影响个体如何在不同切换频率情境下调整控制策略,这些效应会延续到后续的执行任务表现。
(1)情境特定的匹配效应:情绪状态以与切换频率情境的需求相一致的方式影响对控制策略的偏好。具体来说:
(a) 正面情绪预计主要在高频率切换的情境中发挥作用,因为正面情绪促进认知灵活性和主动性控制的使用,这与频繁切换的需求相符。从行为上看,这应该表现为RT和准确性的减少或反转的干扰效应。尽管高频率切换的情境通常由于冲突监控的增加而与较大的N2幅度相关,但正面情绪可能会通过增强不一致试验的N2幅度来进一步调节这种效应,反映主动性控制的参与。同样,主动性控制预计会增强不一致试验的GC连通性,从而增强任务相关区域之间的协调,以监控和解决冲突,从而调节P3幅度。由于先前研究结果不一致,对P3的影响预计是可变的,需要进一步探索。
(b) 负面情绪预计主要在低频率切换的情境中发挥作用,因为负面情绪促进一种谨慎、注重细节的处理模式,这种模式优先考虑现有信息(例如,一致试验),并依赖于反应性调整而不是主动性准备。从行为上看,这应该有助于一致试验的表现,导致更快的RT和更高的准确性,这可能表现为更大的干扰效应。同样,负面情绪下的反应性控制可能会增强一致试验的GC连通性,反映任务相关区域之间为反应性解决冲突而增加的协调。
(c) 中性情绪预计会根据切换频率直接影响执行控制。高频率切换的情境需要持续激活和抑制两种语言,导致认知控制的适应性调整(Jiao等人,参考文献Jiao, Liu, Liang, Plummer, Perfetti和Chen2019;Liu, Li等人,参考文献Liu, Li, Zuo, Wang, Guo和Schwieter2022;Liu等人,参考文献Liu, Meng, Liu, Liu, Schwieter和Chen2025;Wu & Thierry,参考文献Wu和Thierry2013)。因此,更高的切换频率预计与更强的认知控制过程参与相关,表现为RT和准确性的减少干扰效应、更大的N2幅度、可能可变的P3调节以及更强的GC连通性。随着切换频率的降低,对认知控制的需求预计会逐渐减弱,导致这些指标的影响相应减弱。
(2)在高控制需求下的放大效应:在高频率切换的情境中,情绪状态会放大其对策略选择的影响,因为任务控制和情绪处理会竞争有限的认知资源。在这种条件下,正面情绪预计会促进主动性控制,而负面情绪预计会促进反应性控制。这些效应预计会体现在上述相同类型的行为和神经指标中,包括反应时间、准确性、N2/P3幅度和GC连通性。
2. 方法
2.1. 参与者
我们招募了来自北京师范大学的35名双语者(L1中文,L2英文)。在排除两名准确性低于75%的参与者和三名EEG信号过强的参与者后,最终样本由30名参与者组成(20名女性,10名男性;平均年龄=21.37岁,年龄标准差=2.09岁)。为了评估研究检测理论上重要的被试内效应的敏感性,我们在G*Power(Faul等人,参考文献Faul, Erdfelder, Lang和Buchner2007)中进行了事后敏感性分析,将交互效应视为差异的差异,并将其操作化为被试内t检验。使用两个依赖均值之间的差异选项,n=30,α=0.05,目标效应量=0.80,最小可检测效应量(Cohen’s d)为0.529,表明对中等至大的被试内效应敏感。所有参与者视力正常或矫正后正常,都是右利手,没有神经系统、精神疾病或重大身体状况的历史。该研究获得了北京师范大学参与者保护委员会的批准,所有参与者在参与研究前都提供了书面知情同意书。在实验之前,参与者完成了语言历史问卷、牛津快速分班测试(QPT,Syndicate,参考文献Syndicate2001)和双语切换问卷(BSWQ,Rodriguez-Fornells等人,参考文献Rodriguez-Fornells, Kr?mer, Lorenzo-Seva, Festman和Münte2012)。QPT结果(平均分=30.33,标准差=2.77,最高分为40)表明参与者的英语水平中等,与之前关于中文-英文双语者的研究相似(Jiang等人,参考文献Jiang, Meng和Chen2024;Liu, Li等人,参考文献Liu, Li, Zuo, Wang, Guo和Schwieter2022;Liu, Schwieter等人,参考文献Liu, Schwieter, Wang和Liu2022)。BSWQ得分(平均分=30.50,标准差=4.73,最高分为60)表明参与者在日常交流中很少进行语言切换。根据语言背景数据,所有参与者都是中文母语者,平均在八岁时开始学习英文(标准差=3)。使用6点量表(1=无能力,6=母语水平)对L1和L2的听力、口语、阅读和写作能力进行了自我评估。配对样本t检验确认在所有模式中中文的评分显著高于英文。详细的语言概况见补充表S1。
2.2. 材料
在情绪诱导阶段,音乐刺激选自中文情感音乐系统(CAMS;Li等人,参考文献Li, Cheng, Dai, Wang和Huang2012),使用了Jiang等人(参考文献Jiang, Meng和Chen2024)中的材料。共使用了27段一分钟的器乐片段(22,050 Hz,16位),每种情绪类别(正面、负面、中性)各有九段。在每种情绪状态被诱发后,参与者执行了一个结合图片命名和干扰任务的跨任务。图片刺激包括36张来自标准化图片库(Snodgrass & Vanderwart,参考文献Snodgrass和Vanderwart1980;Zhang & Yang,参考文献Zhang和Yang2003)的中性黑白线图。每张图片都与一个两个汉字的中文单词和一个一到三个音节的英文单词配对。为了确保语言间的刺激等效性,同一群体的20名未参与正式实验的参与者对这两种语言中的单词的熟悉度和情感价值进行了九点评分。熟悉度从1(最不熟悉)到9(最熟悉)评分,情感价值从1(非常负面)到9(非常正面)评分。配对样本t检验显示,两种语言在参与者对单词的熟悉度(L1:平均分=8.90±0.07,L2:平均分=8.90±0.07,t=0.27,p=0.786)或情感价值(L1:平均分=5.07±0.07,L2:平均分=5.06±0.06,t=0.81,p=0.422)方面没有显著差异。在36张选定的图片中,32张用于正式实验,其余4张用于练习试验。这32张图片被随机分为两组:一组作为实验刺激(包含等量的非切换和切换试验),另一组作为切换频率刺激(以不同的比例呈现非切换和切换试验)。两个列表的分配在参与者之间是平衡的,但只有来自实验刺激的数据被纳入分析。在图片命名任务之后,穿插了一个侧翼任务,该任务包含一行五个箭头。在一致性任务中,所有箭头都指向左侧或右侧;在不一致性任务中,侧翼箭头的指向与中间箭头相反(两个左侧箭头对应一个中间右侧箭头,或两个右侧箭头对应一个中间左侧箭头)。在整个实验中,一致性和不一致性任务各占50%的比例。
2.3. 设计与程序
我们使用包括图片命名和侧翼任务在内的跨任务范式,研究了语言控制在不同情绪状态下的适应性。实验程序如下:参与者首先熟悉36张图片及其对应的英文和中文名称,每次呈现一张图片。然后他们通过用两种语言口头命名每张图片来完成学习检查。一旦参与者掌握了材料,他们就完成了16次练习任务。每次任务以500毫秒的注视十字开始,接着是一个红色或蓝色边框内的图片。参与者根据边框颜色(红色对应英文;蓝色对应中文)通过麦克风命名图片,颜色-语言的关联在参与者之间是平衡的。图片会一直显示在屏幕上,直到参与者命名它,或者如果他们在1500毫秒内没有反应。接下来是一个500毫秒的空白屏幕,然后是一个1000毫秒的侧翼任务,在此期间参与者需要忽略侧翼箭头,只回应中间箭头的方向。他们的反应通过F和J按钮记录,左右方向的映射在参与者之间是平衡的。在他们反应后或1000毫秒后,又出现一个500毫秒的空白屏幕,随后是1000毫秒的反馈(正确/错误/超时)。最后,在下一个任务开始前出现一个1000-1200毫秒的空白屏幕。练习任务之后,参与者继续进行正式实验,该实验遵循相同的程序。如图1所示,正式实验以情绪诱导阶段开始。每位参与者都经历了三种情绪状态(积极、消极和中性),情绪状态的顺序在参与者之间是平衡的。对于每种情绪,参与者通过耳机聆听一段五分钟的音乐,以激发积极、消极或中性的情绪,同时回忆相应的自传事件,并在提供的纸上记录细节以增强情绪投入。实验结束后,参与者可以保留这张纸。为了维持情绪状态,在任务块之间随机选择了相同的音乐再播放两分钟。在整个实验过程中,情绪状态使用9点量表实时评估,主要维度是情绪价值(1=极其不愉快,9=极其愉快)和情绪唤醒(1=极度疲劳,9=极度精力充沛)。对于每种情绪状态,参与者完成了六次自我评估(在图1中标记为A1-A6)。第一次评估(A0)在每个五分钟诱导会话开始之前进行。
2.4. 行为数据与分析
数据分析是在R(版本3.6)中进行的。为了评估情绪诱导的有效性,使用了序数包(Christensen,参考文献Christensen2022)拟合了累积链接混合模型(CLMMs)。情绪(积极、消极、中性)、切换频率(低、中、高)和评估(A0-A6)被作为固定效应包括在内,并且还考虑了它们的交互作用以评估愉悦度和唤醒度评分。我们从最复杂的模型开始,逐渐降低其复杂性。当模型不收敛时,我们移除了解释方差最小的斜率,直到模型收敛。我们使用赤池信息量准则确定了最佳模型,其中较小的值表示模型拟合得更好(Symonds & Moussalli,参考文献Symonds and Moussalli2011;Tremblay & Newman,参考文献Tremblay and Newman2015)。最终模型包括了参与者的随机截距和斜率。每次侧翼任务的反应时间和准确性都被记录下来。鉴于参与者的高准确率(96.10% ± 3.10),没有进行进一步的分析。反应时间使用lme4和lmerTest包实现的线性混合效应模型进行分析(Bates et al., 参考文献Bates, Maechler, Bolker and Walker2014; Kuznetsova et al., 参考文献Kuznetsova, Brockhoff and Christensen2017)。我们从RT分析中排除了以下数据:每个块的前两个任务、错误反应、低于200毫秒的反应时间以及超出平均值±3标准差的RT。被排除的数据占总数据的11.01%。为了检查情绪状态和切换频率背景对侧翼任务表现的影响,我们构建了一个线性混合效应模型。情绪(积极、消极、中性)、切换频率(低、中、高)和一致性(一致、不一致)被作为固定效应包括在内。此外,参与者、项目和块顺序被建模为随机效应。我们进行了三因素方差分析(ANOVA)以检查任何主要效应和交互作用,统计显著性使用Wald卡方检验进行评估(p < .05)。对于显著的交互作用,使用emmeans包进行了后续的成对比较(Lenth et al., 参考文献Lenth, Buerkner, Herve, Jung, Love, Miguez, Riebl and Singmann2022)。获得的p值使用了错误发现率校正进行了调整。
2.5. 电生理数据与分析
脑电图(EEG)数据是从64个电极记录的,这些电极根据扩展的10-20系统排列,使用Curry 9(NeuroScan, Inc.)以1000赫兹的采样率记录,参考电极是Cz。M1和M2电极分别放置在左右乳突上,并通过它们的平均值进行离线重新参考。阻抗保持在5千欧姆以下。数据使用.1赫兹的高通滤波器和30赫兹的低通滤波器进行离线过滤。由外围电极记录的信号质量较差,因此被移除,以避免后续数据分析受到这些电极的影响。在移除了具有更多伪迹的外围电极后,剩下40个电极(FPz, FP1, FP2, AF3, AF4, AF7, AF8, F7, F8, FT7, FT8, T7, T8, TP7, TP8, P7, P8, PO7, PO8, Oz, O1, O2)(Liu et al., 参考文献Liu, Huang, Schwieter and Liu2023, 参考文献Liu, Huang, Xing, Schwieter and Liu2024)。使用EEGLAB(Makeig et al., 参考文献Makeig, Bell, Jung and Sejnowski1995)通过独立成分分析(ICA)减少了眼动伪迹,每个参与者平均拒绝了1.90 ± .96个独立成分。连续记录在侧翼锁定的-200到600毫秒的时间段内进行分析。相应地,这些时间段参考了200毫秒的刺激前基线。任何给定时间段内超过±100微伏的信号都被自动丢弃。所有预处理都由EEGLAB(Brunner et al., 参考文献Brunner, Delorme and Makeig2013; Delorme & Makeig, 参考文献Delorme and Makeig2004)完成。ERP成分基于平均值定义,并在传统时间窗口内进行分析。N2(200-330毫秒)在额中央传感器(F3, F1, Fz, F2, F4, FC3, FC1, FCz, FC2, FC4, C3, C1, Cz, C2, C4)(Grundy et al., 参考文献Grundy, Anderson and Bialystok2017; Jiao et al., 参考文献Jiao, Liu, Bruin and Chen2020)进行检测,而P3(330-450毫秒)在中顶传感器(C3, C1, Cz, C2, C4, CP3, CP1, CPz, CP2, CP4, P3, P1, Pz, P2, P4, PO6, PO3, PO4, PO6)(Grundy et al., 参考文献Grundy, Anderson and Bialystok2017; Jiao et al., 参考文献Jiao, Liu, Bruin and Chen2020; Liu et al., 参考文献Liu, Meng, Liu, Liu, Schwieter and Chen2025)进行分析。注:在每个图片命名任务之后穿插了侧翼任务,一致性和不一致性任务以相等的比例(各50%)呈现,无论切换频率背景如何。此外,因为每种一致性和不一致性条件都包括两种配置,反应手分配在参与者之间是平衡的,以均匀控制潜在的反应映射或无关维度效应,从而避免了Kornblum等人讨论的冲突类型变化(参考文献Kornblum, Hasbroucq and Osman1990)。
2.6. 行为数据与分析
数据分析是在R(版本3.6)中进行的。为了评估情绪诱导的有效性,使用了序数包(Christensen,参考文献Christensen2022)拟合了累积链接混合模型(CLMMs)。情绪(积极、消极、中性)、切换频率(低、中、高)和评估(A0-A6)被作为固定效应包括在内,并且还考虑了它们的交互作用以评估愉悦度和唤醒度评分。我们从最复杂的模型开始,逐渐降低其复杂性。当模型不收敛时,我们移除了解释方差最小的斜率,直到模型收敛。我们使用赤池信息量准则确定了最佳模型,其中较小的值表示模型拟合得更好(Symonds & Moussalli,参考文献Symonds and Moussalli2011;Tremblay & Newman,参考文献Tremblay and Newman2015)。最终模型包括了参与者的随机截距和斜率。每次侧翼任务的反应时间和准确性都被记录下来。鉴于参与者的高准确率(96.10% ± 3.10),没有进行进一步的分析。反应时间使用lme4和lmerTest包实现的线性混合效应模型进行分析(Bates et al., 参考文献Bates, Maechler, Bolker and Walker2014; Kuznetsova et al., 参考文献Kuznetsova, Brockhoff and Christensen2017)。我们从RT分析中排除了以下数据:每个块的前两个任务、错误反应、低于200毫秒的反应时间以及超出平均值±3标准差的RT。被排除的数据占总数据的11.01%。为了检查情绪状态和切换频率背景对侧翼任务表现的影响,我们构建了一个线性混合效应模型。情绪(积极、消极、中性)、切换频率(低、中、高)和一致性(一致、不一致)被作为固定效应包括在内。此外,参与者、项目和块顺序被建模为随机效应。我们进行了三因素方差分析(ANOVA)以检查任何主要效应和交互作用,统计显著性使用Wald卡方检验进行评估(p < .05)。对于显著的交互作用,使用emmeans包进行了后续的成对比较(Lenth et al., 参考文献Lenth, Buerkner, Herve, Jung, Love, Miguez, Riebl and Singmann2022)。获得的p值使用了错误发现率校正进行了调整。
2.5. 电生理数据与分析
脑电图(EEG)数据是从64个电极记录的,这些电极根据扩展的10-20系统排列,使用Curry 9(NeuroScan, Inc.)以1000赫兹的采样率记录,参考电极是Cz。M1和M2电极分别放置在左右乳突上,并通过它们的平均值进行离线重新参考。阻抗保持在5千欧姆以下。数据使用.1赫兹的高通滤波器和30赫兹的低通滤波器进行离线过滤。由外围电极记录的信号质量较差,因此被移除,以防止后续数据分析受到这些电极的影响。在移除了具有更多伪迹的外围电极后,剩下40个电极(FPz, FP1, FP2, AF3, AF4, AF7, AF8, F7, F8, FT7, FT8, T7, T8, TP7, TP8, P7, P8, PO7, PO8, Oz, O1, O2)(Liu et al., 参考文献Liu, Huang, Schwieter and Liu2023, 参考文献Liu, Huang, Xing, Schwieter and Liu2024)。使用EEGLAB(Makeig et al., 参考文献Makeig, Bell, Jung and Sejnowski1995)通过独立成分分析(ICA)减少了眼动伪迹,每个参与者平均拒绝了1.90 ± .96个独立成分。连续记录在侧翼锁定的-200到600毫秒的时间段内进行分析。相应地,这些时间段参考了200毫秒的刺激前基线。任何给定时间段内超过±100微伏的信号都被自动丢弃。所有预处理都由EEGLAB(Brunner et al., 参考文献Brunner, Delorme and Makeig2013; Delorme & Makeig, 参考文献Delorme and Makeig2004)完成。ERP成分基于平均值定义,并在传统时间窗口内进行分析。N2(200-330毫秒)在额中央传感器(F3, F1, Fz, F2, F4, FC3, FC1, FCz, FC2, FC4, C3, C1, Cz, C2, C4)(Grundy et al., 参考文献Grundy, Anderson and Bialystok2017; Jiao et al., 参考文献Jiao, Liu, Bruin and Chen2020)进行分析,而P3(330-450毫秒)在中顶传感器(C3, C1, Cz, C2, C4, CP3, CP1, CPz, CP2, CP4, P3, P1, Pz, P2, P4, PO6, PO3, POz, PO4, PO6)(Grundy et al., 参考文献Grundy, Anderson and Bialystok2017; Jiao et al., 参考文献Jiao, Liu, Bruin and Chen2020; Liu et al., 参考文献Liu, Meng, Liu, Liu, Liu, Schwieter and Chen2025)进行分析。第三,对每个受试者进行了非参数性的全脑连接(GC)分析。最后,构建了一个矩阵,其中包含了所有参与者的格兰杰(Granger)系数,这些系数是通过分析不同频带中两个节点之间的回归关系得出的。所有分析都是使用SPM12和FieldTrip软件完成的。
3. 结果
3.1. 行为结果
3.1.1. 情感诱导效果检查
情绪(积极、消极、中性)× 切换频率(低、中、高)× 评估(A0–A6)的混合线性模型(CLMM)结果显示,情绪与评估之间存在显著的交互作用,这体现在愉悦感和唤醒度评分上(愉悦感:χ2 (12) = 180.51, p < .001;唤醒度:χ2 (12) = 70.52, p < .001)。在基线阶段(A0),愉悦感和唤醒度之间没有显著差异(|z|s < 3.43, ps > .937)。然而,在初始情感诱导程序之后(A1–A6),积极状态下的愉悦感和唤醒度显著高于中性状态(|z|s > 4.16, ps < .001 和 |z|s > 4.70, ps < .001)。同样,消极状态下的愉悦感显著低于中性状态(|z|s > 5.46, ps < .001),而唤醒度则显著高于中性状态(|z|s > 7.06, ps < .001)。在唤醒度评分上,积极状态和消极状态之间没有显著差异。这些结果表明,情感诱导阶段成功地引发了预期的情绪状态(见补充图S1)。
3.1.2. 反应时间
反应时间(RT)分析结果显示,情绪具有显著的主效应。消极状态下的RT更快(M = 416 ± 77 ms),相比于积极状态(M = 421 ± 78 ms, b = ?.01, SE = .003, z = ?2.83, p = .013)和中性状态(M = 418 ± 79 ms, b = ?.01, SE = .003, z = ?2.54, p = .030)。此外,一致性也有显著的主效应(F = 2033.47, p < .001),这表明了典型的侧翼效应,即一致性试验的RT比不一致性试验更快(M = 397 ± .71 ms vs M = 440 ± .79 ms)(详见补充表S3)。
3.2. 电生理学结果
关于N2和P3成分的分析结果见补充表S4,GC分析结果见补充表S5。ERP和GC测量的显著交互作用总结在表1中。为了研究神经活动是否能够预测行为表现,我们分析了RT与N2和P3成分的平均幅度和峰值潜伏期之间的关系。这些相关分析的结果见附录S1。
表1. ERP成分(N2, P3)和GC连接性(alpha和beta)的显著交互作用
我们的ERP分析显示,情绪对N2和P3成分都有显著的主效应。对于N2成分,消极状态(M = ?.17 ± 7.38 μV)引起的N2效应大于中性状态(M = .21 ± 7.18 μV, b = ?.41, SE = .135, z = ?3.06, p = .006)。对于P3成分,积极状态(M = 2.17 ± 6.71 μV)引起的P3效应小于消极状态(M = 2.53 ± 7.42 μV, b = ?.66, SE = .134, z = ?4.90, p < .001)和中性状态(M = 2.83 ± 7.51 μV, b = ?.37, SE = .135, z = ?2.76, p = .016)。此外,一致性对N2也有显著的主效应(F = 6.78, p = .009),表现为侧翼效应,即不一致性试验引起的N2效应大于一致性试验(见补充表S4中的完整N2和P3统计数据)。重要的是,观察到情绪与切换频率之间的显著交互作用(见图2)。在消极状态下,中等切换频率背景(M = .35 ± 7.40 μV)引起的N2效应小于低切换频率背景(M = ?.57 ± 7.47 μV, b = .90, SE = .233, z = 3.86, p < .001)和高切换频率背景(M = ?.30 ± 7.23 μV, b = .69, SE = .234, z = 2.96, p = .009)。
图2. 与Flanker任务开始时间同步的N2(200–300 ms)的平均波形。注意:ERP波形中的彩色星号表示条件之间的显著差异(p < .05)。条形图显示了相应条件下N2和P3的平均电压。误差条表示平均值的标准误差。Pos = 积极,Neg = 消极,Neu = 中性,Med = 中等。** p < .01,*** p < .001。情绪 × 切换频率 × 一致性之间的三重交互作用仅在P3上观察到。后续分析按情绪进行了分组。在积极状态下,切换频率与一致性之间的显著交互作用在高切换频率背景下显示出侧翼效应(不一致性:M = 2.49 ± 6.75 μV > 一致性:M = 1.87 ± 6.70 μV, b = .61, SE = .306, z = 1.98, p = .048)。在消极状态下,切换频率的主效应显示中等切换频率背景(M = 2.96 ± 7.85 μV)引起的P3效应大于低切换频率背景(M = 2.31 ± 7.33 μV, b = .63, SE = .232, z = 2.71, p = .019)和高切换频率背景(M = 2.32 ± 7.03 μV, b = .63, SE = .234, z = 2.69, p = .020)(见图3A1)。此外,切换频率与一致性之间的交互作用在高切换频率背景下显示出相反的侧翼效应(一致性:M = 2.67 ± 6.70 μV > 不一致性:M = 1.96 ± 7.05 μV, b = .68, SE = .338, z = 2.01, p = .044)(见图3A2)。所有显著和非显著的后续分析均见补充表S6。
图3. 与Flanker任务开始时间同步的P3(330–450 ms)的平均波形。(A1)情绪 × 切换频率的交互作用,(A2)情绪 × 切换频率 × 一致性的交互作用。注意:ERP波形中的彩色星号表示条件之间的显著差异(p < .05)。条形图显示了相应条件下N3的平均电压。误差条表示平均值的标准误差。Pos = 积极,Neg = 消极,Neu = 中性,Med = 中等,Con = 一致,Incon = 不一致。* p < .05。
3.3. 格兰杰因果关系结果
图4A1和4A2显示了alpha振荡(8–13 Hz)和beta振荡(13–30 Hz)的峰值GC估计。因此,我们对情绪(积极、消极)、切换频率(低、中、高)和一致性(一致、不一致)在alpha和beta频带进行了混合效应模型分析(详见补充表S5)。所有显著和非显著的后续分析均见补充表S7。
图4. 从图片命名到Flanker任务的格兰杰因果关系分析。A1和A2面板显示了积极和消极状态的格兰杰因果关系谱。B1和B2面板分别展示了积极和消极状态下high_con和high_incon条件之间的格兰杰因果关系谱的比较。C1面板显示了alpha振荡(8–13 Hz)的因果强度,C2面板显示了beta振荡(13–30 Hz)的因果强度。D面板展示了情绪 × 切换频率的交互作用。注意:谱图和条形图显示了任务之间的GC强度,其中alpha(8–13 Hz)和beta振荡(13–30 Hz)被突出显示。误差条代表标准误差(SEM)。* p < .05。
3.3.1. Alpha振荡(8–13 Hz)
关于alpha振荡,观察到情绪 × 切换频率 × 一致性的显著三重交互作用。进一步分析显示,在积极条件下,不一致性条件下的连接强度大于一致性条件(M = .129 ± .12 vs M = .114 ± .12, b = .01, SE = .007, z = 2.31, p = .021)。此外,切换频率与一致性之间的交互作用表明,在高切换频率背景下,不一致性条件下的连接强度大于一致性条件(M = .147 ± .14 vs M = .108 ± .11, b = .04, SE = .011, z = 3.51, p < .001)(见图4B1和4C1)。相反,在消极条件下,一致性条件下的连接强度大于不一致性条件(M = .140 ± .13 vs M = .109 ± .11, b = .03, SE = .006, z = 4.89, p < .001)。切换频率与一致性之间的交互作用显示,在高切换频率背景下,一致性条件下的连接强度显著高于不一致性条件(M = .167 ± .14 vs M = .085 ± .09, b = .08, SE = .011, z = 7.28, p < .001)(见图4B2和4C1)。
3.3.2. Beta振荡(13–30 Hz)
关于beta振荡,结果显示切换频率具有显著的主效应,表明在中等切换频率(M = .116 ± .12)下的连接强度低于低切换频率(M = .124 ± .13, b = ?.01, SE = .003, z = ?2.50, p = .033)和高切换频率条件(M = .125 ± .128, b = ?.01, SE = .003, z = ?2.84, p = .013)(见图4D)。此外,情绪 × 切换频率 × 一致性的三重交互作用也是显著的。进一步分析显示,在积极条件下,一致性条件下的连接强度大于一致性条件(M = .126 ± .13 vs M = .118 ± .12, b = .01, SE = .004, z = 2.20, p = .028)。切换频率与一致性之间的交互作用表明,在高切换频率背景下,不一致性条件下的连接强度大于一致性条件(M = .126 ± .13 vs M = .118 ± .12, b = .03, SE = .006, z = 4.75, p < .001)(见图4B1和4C2)。相比之下,在消极条件下,切换频率的主效应表明,在中等切换频率下的连接强度低于低切换频率(M = .104 ± .11 vs M = .130 ± .13, b = ?.03, SE = .005, z = ?5.67, p < .001)和高切换频率条件(M = .129 ± .13, b = ?.03, SE = .005, z = ?5.52, p < .001)。切换频率与一致性之间的交互作用表明,在高切换频率背景下,一致性条件下的连接强度大于不一致性条件(M = .146 ± .15 vs M = .113 ± .11, b = .03, SE = .007, z = 5.11, p = .001)(见图4B2和4C2)。总体而言,在beta频带中,我们发现在消极状态下,低和中等切换频率背景下的连接强度高于高切换频率背景。此外,在alpha和beta频带中,结果都显示在高切换频率背景下,积极状态下的不一致性试验的连接强度高于一致性试验;然而,在消极状态下,一致性试验的连接强度高于不一致性试验。
4. 讨论
本研究首次结合了情绪状态和语言切换频率背景,以探讨它们对领域通用控制的共同影响。结果显示,消极状态引起的RT更快,N2效应也更大。在中等频率的切换背景下,消极状态引起的N2效应较小,而P3效应较大。在高切换频率背景下,P3效应和alpha及beta振荡的GC连接性结果表明,积极状态引发了典型的侧翼效应,而消极状态则显示出相反的侧翼效应。总体而言,这些发现表明消极状态提高了执行控制的速度,并且情绪状态根据语言切换的频率表现出不同的效应。在中等切换频率背景下,消极状态通过优化资源分配来改善整体执行控制,需要较少的认知资源来监控冲突,并分配更多资源来解决后期冲突。此外,积极和消极状态都在高切换频率背景下调节领域通用控制,但依赖不同的策略。具体来说,积极状态倾向于通过分配更多资源来预测冲突,从而促进主动控制;而消极状态可能更倾向于通过优先使用可用信息(例如,一致性试验)来维持任务目标,从而实现反应性控制。这些发现突显了情绪状态和语言切换频率在调节认知控制中的复杂相互作用。我们将在下一小节中进一步详细阐述这些发现。
4.1. 消极状态在中等切换频率背景下优化资源分配
我们的发现表明,在消极状态下的RT比在积极和中性状态下更快,并且消极状态引起的N2效应大于中性状态。由于N2效应反映了冲突监控(Grundy等人,参考文献Grundy, Anderson和Bialystok 2017;Jiao等人,参考文献Jiao, Liu, Bruin和Chen 2020),这些发现表明消极状态可能增强了个体的冲突监控能力,从而可能促进了整体执行控制过程。此外,我们发现消极状态在中等切换频率背景下对整体执行控制有潜在的促进作用。具体来说,在消极状态下,中等切换频率背景引起的N2效应较小,而P3效应较大,这与其他两种切换条件不同。较小的N2可能表明个体在早期冲突检测中分配了较少的认知资源。关于P3,澄清其在本研究中的功能作用是必要的。我们的分析显示,在某些条件下,P3幅度与RT呈负相关,主要是在不一致性试验中,这表明较大的P3幅度可能反映了更有效的资源分配,从而导致更快的冲突解决。此外,在大多数条件下观察到P3潜伏期与RT之间的稳定正相关,这表明P3潜伏期可能反映了认知控制的时间特征。因此,P3幅度可能代表了资源分配的效率(Polich,参考文献Polich 2007;Polich & Herbst,参考文献Polich和Herbst 2000),而P3潜伏期可能反映了认知控制的过程特征(Verleger,参考文献Verleger 1997)。因此,在中等切换频率背景下,消极状态下的个体似乎在早期冲突监控中分配了较少的认知资源(表现为较小的N2效应),但在后期冲突解决阶段招募了更多资源(表现为较大的P3效应),这可能有助于更有效的冲突解决。一种可能的解释是,这些模式可能反映了由消极状态触发的补偿机制,进而可能招募额外资源来抵消不利影响并支持任务表现(Jiang等人,参考文献Jiang, Meng和Chen 2024)。Liu等人(参考文献Liu, Liu, Jiang, Schwieter和Chen 2026)研究了在不同情绪状态(积极、消极和中性)和不同切换频率(25%、50%和75%)下的语言切换表现;发现表明,在消极状态下的50%切换背景下,切换成本消失了,但N2效应增加了,而P3效应减少了(与25%切换背景相比,其中N2效应更大,LPC效应较小)。这些发现表明,在中等难度的任务切换情境中,控制系统可能会整合自上而下和自下而上的调节机制,以选择性地抵消负面情绪干扰,从而优化语言切换效率。在本研究中,我们发现,在任务切换情境中,与负面情绪状态相关的补偿机制不仅有助于语言任务的完成,还可能对后续的认知行为产生“延续效应”。处于负面情绪状态下的个体似乎会策略性地调整他们的认知控制,以减少不必要的监控需求,增强冲突解决能力,并最终提高后续任务的绩效效率。基因组计算(GC)的结果表明,负面情绪状态调节了一种全局性的、有选择性的认知资源分配策略。具体来说,在中等任务切换频率的情境下,语言切换任务与干扰任务之间的β波连接强度低于低切换频率和高切换频率的情境,尤其是在负面情绪状态下。β波活动反映了状态监控的稳定性,其减少通常标志着一个转变(Chen & Huang, 2016; Engel & Fries, 2010; Schmidt et al., 2019)。这种模式表明,在中等任务切换频率的情境中,负面情绪状态可能以一种不依赖于任务间资源持续增加的方式支持整体任务表现。结合事件相关电位(ERP)的结果,这些模式表明,在解决冲突的过程中,个体减少了早期的冲突监控,并将更多资源分配给后续冲突的解决,从而提高了任务绩效效率。相比之下,在低切换频率和高切换频率的情境中,负面情绪状态与较大的N2效应和较小的P3效应相关。在低切换频率的情境中,不频繁的任务切换所需的认知需求相对较低,表明个体已经具备了足够的执行资源来完成任务。因此,负面情绪状态可能不会引起控制策略或资源重新分配的显著变化。在高切换频率的情境中,对持续冲突监控的需求会高度调动认知资源,这可能会减少负面情绪状态对整体执行控制的进一步调节作用。尽管在低切换频率和高切换频率的情境中都观察到了较强的β波连接性,表明任务间的协调是稳定的,但这并没有伴随着执行控制表现的全面提升。重要的是,这些结果并不表明负面情绪状态会损害认知功能;相反,它们表明,与中等切换频率的情境不同,负面情绪状态可能不会在认知控制上带来特定于情境的适应性增强。
4.2. 在高切换频率的情境中,正面和负面情绪状态对认知控制策略有不同的影响
在高切换频率的情境中,由于认知需求较高(75%的任务切换频率),情绪状态似乎引导了不同的认知控制策略,这体现在相应的资源利用模式上。结果显示,在高切换频率的情境中,处于正面情绪状态下的个体在不一致试验中的P3波幅度高于一致试验。因为P3成分反映了认知资源分配的效率,这些结果表明,处于正面情绪状态下的个体可以调动更多的认知资源来主动解决任务冲突。这一发现与我们的假设一致,即正面情绪状态可能促使个体采取更主动的调节策略,提前分配资源以优化冲突解决。相反,在负面情绪状态下,高切换频率的情境中观察到了相反的干扰效应,即一致试验中的P3波幅度大于不一致试验。这可能反映了一种反应性策略,个体可能依赖于现有信息(例如,一致试验)而不是主动调整资源来处理冲突。这些结果与假设2一致,表明情绪状态对控制策略选择的影响主要发生在高切换频率的情境中。根据双重竞争模型(Pessoa, 2009),情绪显著的刺激会消耗有限的执行资源,这可能会减少其他功能(如抑制或任务切换)的可用性。在我们的研究中,由于情绪唤醒被控制在相同的水平,情绪状态在低切换频率的情境中几乎没有影响,可能是因为资源已经足够。相比之下,在高切换频率的条件下,对执行资源的需求增加,使得情绪状态能够显著影响行为,正面情绪状态促进主动控制,而负面情绪状态则倾向于反应性控制。同样,基因组计算的结果揭示了正面和负面情绪状态在α(8–13 Hz)和β(13–30 Hz)频率带上的不同连接模式。α波振荡对注意力、工作记忆和认知控制至关重要,增强的活动可以抑制无关信息并优化目标处理(Jensen & Mazaheri, 2010; Van Diepen et al., 2019)。β波振荡维持当前的认知或行为状态,增强的活动可以稳定并防止过早的转变(Chen & Huang, 2016; Engel & Fries, 2010; Schmidt et al., 2019)。具体来说,在高切换频率的情境中,不一致试验中的α波和β波连接强度显著高于一致试验,表明个体积极调动认知资源来处理冲突并调整任务策略。这一结果与正面情绪状态可能与主动调节相关的观点一致。相反,在负面情绪状态下,一致试验中的连接性更强,反映了个体依赖于现有信息来维持任务稳定性,并支持负面情绪状态导致更反应性控制的假设。重要的是,基因组计算连接性与刺激锁定的P3效应之间的一致性表明,这些情绪影响不仅限于短暂的、试验层面的反应。相反,它们可能反映了由情绪状态和语言切换频率相互作用塑造的持续控制策略。总体而言,本研究的一个关键发现是,个体在不同情绪状态下灵活地调节领域通用的控制,这种调节会影响到执行控制。在中等切换频率的情境中,负面情绪状态优化了资源分配,从而提高了执行控制效率。然而,在高切换频率的情境中,由于认知需求更高,情绪状态影响了任务处理策略:在负面情绪状态下,个体倾向于采取反应性控制,而在正面情绪状态下,他们更可能使用主动控制。值得注意的是,在中性情绪状态下,没有发现切换频率对执行控制的显著影响,这与我们的假设相反。然而,Liu等人(Liu, Liu, Jiang, Schwieter and Chen, 2026)的研究表明,在语言切换任务中,反应时间(RTs)遵循与切换频率相关的梯度,在25%的情境中最快,在75%的情境中最慢。综合来看,尽管切换频率可以引起控制调整,但这些调整可能不足以影响后续的执行控制。相比之下,在情绪状态下,个体可能更有可能根据切换频率的情境调节认知控制,这些调整可能会影响后续执行控制任务的性能。
4.3. 情绪适应性控制模型
在我们的实验中,我们通过操纵语言切换频率来构建不同的控制情境,从而实现了适应性控制假设(Green & Abutalebi, 2013)提出的“交互情境”概念。该框架描述了一个适应性系统,其中多个认知控制组件(例如,目标维持、冲突监控和干扰抑制)支持双语控制。尽管这一范式也可能涉及一般的任务切换过程,但它捕捉了语言控制系统如何选择性地协调共享组件的核心机制。因此,本研究中使用的各种切换频率情境提供了一个基于情境的框架,用于研究适应性调节的控制需求如何在双语交互环境中变化,尽管切换频率在多大程度上完全反映了适应性控制还需要进一步研究。我们的发现具有重要的理论意义。在这里,我们提出了情绪适应性控制(EAC)模型(见补充图S5)。该模型基于本研究的结果,并建立在Braver(2012)的双重机制框架之上,该框架区分了主动控制和反应性控制,并强调了个体根据任务需求调整认知控制策略的灵活性。EAC模型强调了情绪状态和情境需求(例如,语言切换频率)对认知控制的潜在交互效应,说明了这两个因素如何共同调节适应性认知控制机制。该模型提出,当情境需求较低时,例如在低切换频率的情境中,情绪状态对控制过程的影响有限,可能是因为个体拥有足够的认知资源,减少了情绪驱动的调整需求。当情境需求较为适中时,例如在中等切换频率的情境中,处于负面情绪状态下的个体可能会选择性地调节控制系统资源,以优化资源分配并提高整体执行控制。当情境需求最高时,例如在高切换频率的情境中,情绪状态会引导个体采取不同的认知策略,正面情绪状态激活主动控制策略,而负面情绪状态则依赖于反应性控制策略。总之,EAC模型强调了情绪和情境需求的潜在交互调节作用,为复杂环境中的双语语言使用中的适应性控制提供了新的视角。最后,我们承认几个局限性。首先,本研究仅考察了不平衡的中英双语者的表现。因此,我们的发现应该在这个群体的背景下进行解释。未来的研究应该考察我们的结果在其他群体(包括平衡的双语者和其他双语群体)中的适用性,从而扩展和验证该框架的范围。其次,关于语言切换频率及其与情绪状态相互作用的研究仍然有限,特别是在它们对执行控制的影响方面。本研究提供了初步探索,需要进一步的研究来更全面地理解情绪状态和切换频率情境如何共同塑造认知控制过程。
5. 结论
在本研究中,我们发现,在中等切换频率的情境中,负面情绪状态通过优化认知资源的分配提高了执行控制效率。然而,当语言切换频率较高时,情绪状态以不同的方式影响认知控制,即正面情绪状态促进主动控制,而负面情绪状态倾向于反应性控制。这些发现为EAC模型的发展提供了依据,该模型强调了情绪状态在调节不同语言切换频率情境下的领域通用控制中的作用。总之,本研究强调了情绪状态和语言切换频率对领域通用认知控制的交互效应,为适应性行为和认知调节提供了新的见解。
补充材料
本文的补充材料可以在以下网址找到:http://doi.org/10.1017/S1366728926101345。
数据可用性声明
支持本研究发现的数据可以在OSF上公开获取:https://doi.org/10.17605/OSF.IO/X5GTY
致谢
本工作得到了中国国家自然科学基金(项目编号31970976)的支持。
利益冲突
作者声明没有利益冲突。
伦理批准
作者声明,本工作的所有程序均符合相关国家和机构关于人类实验的伦理标准,以及1975年《赫尔辛基宣言》(2008年修订版)的要求。该研究方案已经得到了北京师范大学心理学系的机构审查委员会的批准(方案编号:BNU202503110080)。
脚注
本文获得了透明研究实践的认证:开放数据和开放材料。详情请参见数据可用性声明。
1. 在200–330毫秒的时间窗口内,前额-中央部位的负偏转(N2)最大,而中央-顶叶电极处观察到同时发生的正偏转。这种早期的正性波形有明显的波动和下降,而不是平滑的持续波形,这表明它可能反映了独立的成分,如P2或N2-P3复合波。尽管这种波动的正性波形部分延伸到了330–450毫秒的P3时间窗口内,但它反映了实验条件的动态效应。重要的是,330–450毫秒内稳健的、条件敏感的正性活动反映了经典P3波的头皮分布和潜伏期特征(Polich, 2007)。关注这个时间窗口内的峰值或平均幅度可以独立观察P3成分。