结构学习中发展性变化反映从基于近因（recency-based）预测向关系（relational）预测的转变

《Developmental Science》：Developmental Change in Structure Learning Reflects a Shift From Recency-Based to Relational Prediction

　　

摘要：儿童是熟练的统计学习（statistical learning, SL）者，能够将具有结构的连续输入流解析为有意义单元，但其学习过程中所涉及的认知过程可能与成人不同。迄今为止，不同年龄的学习者在具有复杂结构的环境中如何预测即将到来的经验，以及预测性学习机制的变化如何影响结构化知识的习得，尚不清楚。为解决此问题，研究人员对106名8–22岁的儿童、青少年及成人施测预测性学习任务，使其经历具有高阶时间结构（higher-order temporal structure）的刺激序列。初始学习阶段后，通过两项额外任务测量参与者对刺激间关系的显性知识。研究人员采用近期提出的计算模型刻画参与者学习期间的反应时（reaction time, RT），发现所有参与者均依赖简单的基于近因（recency-based）预测——即预期将再次遇到近期曾出现的刺激。然而随年龄增长，参与者越来越多地同时依赖更复杂的学系机制，该机制捕捉刺激间条件关系（conditional relations）的预测性表征（即后继表征，successor representation, SR）。尽管预测性学习随年龄发生变化，但这些变化与对环境因素显性知识习得之间仅呈弱相关。结果表明，人们对连续经验流的解析所依赖的学习机制随年龄改变，并影响其关于未来事件的预测。

一、研究背景与总体概述

统计学习（statistical learning, SL）使个体能从连续经验流中提取过渡概率等规律，形成事件图式或时间图式（temporal schemas）。已有研究表明婴儿和儿童具备良好的SL能力，可基于相邻事件的转移概率将听觉或视觉流切分为单元。然而发展性研究发现，儿童倾向于关注局部统计（如刺激频率、近因），而青少年及成人更能追踪刺激间的非邻接条件关系并建立抽象的世界模型。既往研究未明确：①不同年龄个体在具高阶时间结构的环境中自发采用何种预测性学习机制来形成对 upcoming events 的预期；②这种在线预测机制的发展性转变是否与最终习得的环境结构显性知识有关。该研究以8–22岁被试为对象，采用社区结构图学习（community-structure graph-learning）范式结合混合计算模型（hybrid model integrating recency-based and successor representation-based learning），探讨预测性学习机制从基于近因（recency-based prediction）向状态条件性/关系性预测——即后继表征（successor representation, SR）学习——的发展性转变及其与结构化知识获得的关系。论文发表于《Developmental Science》。

二、主要关键技术方法

研究人员通过线上平台招募美国106名受试者，分三组：儿童（8–12岁，n=27）、青少年（13–17岁，n=35）、成人（18–22岁，n=44），另有49人因预设标准被排除。实验采用修正版社区图学习任务（community-structure learning paradigm / graph-learning task）：15个视觉区分的"行星"按三簇社区随机游走呈现（等高单步转移概率，但簇内高密度互联）。任务含三阶段——(1)学习阶段：600试次，每试次行星叠加垂直/水平光栅（gabor patch），要求按键判断"风向"（覆盖任务，ensure attention），记录RT；(2)切分（parsing）阶段：600试次，要求按空格键标记进入新"星系"（即跨社区转移）；(3)图重构（graph reconstruction）阶段：拖拽15行星至屏幕任意位置以重建其时空邻近关系。采用表征相似性分析（representational similarity analysis, RSA）比较重构图与地面真值测地距离矩阵之皮尔逊相关为结构化知识指标。计算建模采用Kahn等(2025)混合期望模型：RT的对数正态均值μ_t受两类期望加权影响——基于近因的期望（recency-based mechanism，参数β_R，学习率α_R）及基于状态条件的后继表征期望（state-conditional / SR-based mechanism，参数β_C，学习率α_C，折扣因子γ，资格迹λ），以EM算法分层贝叶斯拟合个体参数并将年龄作为协变量线性建模。行为数据以线性/逻辑混合效应模型（mixed-effects models）分析，含被试与刺激随机截距及相应斜率。

三、研究结果

3.1 Age-Related Changes in Learning Dynamics（学习动态的年龄相关变化）

回归分析显示所有年龄组RT随同一行星距上次出现试次间隔（planet lag）增大而变慢（p < 0.001），证实普遍存在基于近因的预期；跨社区转移后近因效应更强。计算模型拟合发现：近因机制权重参数β_R全年龄显著异于0但不随年龄变化（p = 0.127）；SR机制权重参数β_C（越负表示SR预期对RT影响越强）随年龄显著更负（p < 0.001），说明年长被试更多依靠状态条件性/关系预测。SR折扣因子γ（决定预测未来多远）随年龄显著增大（p < 0.001），表明青少年成人做更长时程的多步预测；资格迹参数λ无年龄差异。结论：各年龄均使用近因预测，但随发育增强使用SR追踪刺激间条件时序关系并扩展预测时域。

3.2 Structure Learning Improves Across Development（结构学习的发育提升）

切分阶段：被试整体更多在跨社区（between-community）而非簇内（within-community）转移时按键（p < 0.001），且该敏感性随年龄增强（age × transition type交互 p = 0.003）；控制planet lag后仍存此效，儿童组单独分析无transition type主效（p = 0.654）仅受lag驱动。图重构阶段：RSA得分显著高于随机（p < 0.001），但RSA不随年龄变化（p = 0.52）。SR权重β_C与切分中transition type效应部分共享年龄方差（纳入β_C后age×transition type不再显著），β_C、β_R均不预测RSA。结论：在线学习阶段SR机制的参与程度与对社区边界的显性觉察有关，但显性图重构知识不受预测机制类型影响且无明显年龄差异。

四、讨论与结论翻译

讨论指出，本研究通过计算建模揭示：各年龄段人均采用多重时间尺度预期，但儿童主要依赖基于近因的预测实现连续经验流的在线切分，该机制不建构刺激间时序依赖表征；随年龄增长个体更多采用状态条件性SR学习算法，基于先前具体刺激追踪后续刺激出现可能性的条件关系，并逐步延伸预测时域（γ增大）。SR参与的增强与对图社区边界更敏锐的行为判断相关，但显性图重构表现无年龄差异且与SR权重无关，提示结构化知识可通过组块（chunking）或离线回放（replay）等其他途径获得。可能驱动因素包括工作记忆发育、海马-前额叶连接增强及成人更强的结构学习偏向（bias toward structure learning）。研究局限含儿童被试筛选可能偏向高能力、任务难度致半数儿童排除等。

研究结论：结构学习中发生发展性转变——从基于近因的预测转向关系/状态条件性预测（后继表征学习）。所有年龄均使用近因基础预测，但随龄增加对刺激间条件时序关系（successor representation, SR）的追踪及预测时域扩展。这种在线预测机制的变化与部分显性结构敏感行为（parsing）弱相关，但与图重构显性知识无强关联，表明多种学习机制均可支撑粗略环境结构的外显表征。