内隐与外显数值处理中空间表征的动态竞争机制：来自行为与事件相关电位（ERP）的证据

《Biological Psychology》：Dynamic Competitive Mechanism of Spatial Representations in Implicit and Explicit Numerical Processing: Evidence from Behavior and ERPs

　　

摘要 关于 SNARC 效应是代表长期记忆（LTM）中的稳定表征还是工作记忆（WM）中的动态建构，长期以来一直存在争论。本研究采用整合视角，提出 SNARC 效应是 LTM 模板在 WM 内的动态实例化。通过引入 SPoARC 效应作为竞争性参考，并利用事件相关电位（ERPs），我们比较了隐性（奇偶判断）和显性（大小比较）数值处理的底层机制。行为结果揭示了两种效应之间的显著权衡：SPoARC 在奇偶判断任务中相对较强，而 SNARC 在大小比较任务中相对较强。ERP 数据揭示了完整的神经时间进程：早期 N1 和 P2 成分反映了注意资源的预分配和冲突检测，而关键的晚期负成分（LNC）在显性任务中振幅显著增加。LNC 模式表明，显性处理招募额外的认知资源来激活和维持来自 LTM 的空间 - 数值模板。这些发现表明，SNARC 效应并非固定的表征，而是由中央执行系统自上而下调节的动态产物：显性任务通过增益控制强化这种联结，而在隐性任务中，资源优先用于顺序信息。

引言 数字与空间之间普遍且紧密的联系被认为是人类认知的基本特征。Dehaene 等人（1993）通过奇偶判断任务首次证明了这一点，发现小数字的左手反应更快，大数字的右手反应更快。这一现象被称为空间 - 数值反应码联结（SNARC）效应，引发了对其底层机制的广泛探究。最主流的理论之一，心理数轴（MNL）假设，认为数字在大脑中是沿着从左到右的心理连续体表示的（Dehaene 等人，1993）。在这种观点下，SNARC 效应是 LTM 中这种稳定表征的直接体现（Cipora 等人，2019；Fischer 和 Shaki，2014；Ginsburg 和 Gevers，2015；Toomarian 和 Hubbard，2018；Verguts 和 Chen，2017）。过去几十年，这一观点得到了广泛支持（Bae 等人，2009；Cutini 等人，2014；Dehaene 等人，1993；Gevers 等人，2006；van Dijck, Gevers, & Fias, 2009；Zohar-Shai 等人，2017）。

然而，越来越多的证据表明，SNARC 效应极易受任务背景和工作记忆（WM）负荷的影响。早期研究发现，空间 - 数值联结取决于给定范围内数字的相对大小，而不是绝对大小（Fias，1996；Nathan 等人，2009）。即使短暂接触从右到左的视觉活动（例如阅读、打字）也可能暂时削弱这种联结（Shaki & Fischer，2008），而想象数字在钟面上则可以逆转效应的方向（B?chtold 等人，1998）。关键在于，当 WM 被并行任务（例如视觉空间或言语记忆任务）占用时，SNARC 效应会显著减弱或消失（Lindemann 等人，2008；Herrera 等人，2008；Van Dijck 等人，2009）。这些发现强调了 WM 在 SNARC 效应表现中的关键作用。

历史上，SNARC 效应的本质被二元划分为稳定的 LTM 表征或临时的 WM 建构。然而，这种二分法日益受到整合视角的挑战。Ginsburg 和 Gevers（2015）做出了开创性贡献，他们表明空间 - 数值联结可以源于既有 LTM 表征的激活和临时 WM 联结的激活。他们的发现表明，基于 LTM 的 SNARC 效应和基于 WM 的序位效应并非相互排斥，而是可以同时观察到。这与 Guida 和 Campitelli（2019）提出的知识结构视角相一致，该观点认为 WM 代表 LTM 内知识结构（例如组块或模板）的激活状态。因此，SNARC 效应可能是 LTM 空间 - 数值联结在 WM 内的动态实例化。关键问题仍然是：认知系统如何根据任务背景调节这种联结的激活强度？Zhang 等人（2022）的认知控制假设表明，数值表征的空间特征取决于认知控制资源的投入。当特定维度（例如大小）与当前任务目标高度相关时，认知控制系统会为其分配更大的权重。为了验证这一机制，有必要比较不同任务相关性下的空间表征。

两种广泛用于研究 SNARC 效应的任务——奇偶判断任务（奇偶分类）和大小比较任务（与"5"比较）——在数值大小的处理上存在根本差异（Fischer 和 Shaki，2014；Toomarian 和 Hubbard，2018；Wood 等人，2008；Zhang 等人，2022）。在奇偶判断任务中，大小信息与任务无关，是自动处理的（隐性处理）；在大小比较任务中，大小信息与任务相关，是直接处理的（显性处理）（Shaki & Fischer，2018）。以前的研究已经分离了这些机制。例如，左侧半空间忽视患者在显性数值任务（例如数线二等分）中表现出缺陷，但在隐性任务中表现出正常的 SNARC 效应（Bonato 等人，2008；Priftis 等人，2006；Umiltà 等人，2009；Zorzi 等人，2012）。此外，显性处理中的 SNARC 效应更稳定，而在隐性处理中，它更容易受到干扰（Shaki 和 Fischer，2018；Zhou 等人，2020）。关于 WM 负荷，Van Dijck 等人（2009）和 Herrera 等人（2008）发现了双重分离：视觉空间 WM 负荷消除了大小比较中的 SNARC 效应，而言语 WM 负荷减弱了奇偶判断中的效应。这表明，虽然生成机制不同，但两者都依赖于 WM 资源。当资源耗尽时，数字的空间映射就会受损（Deng 等人，2017；Herrrea 等人，2008；Van Dijck 等人，2009；Zhang 等人，2022），这意味着任务需求决定了 WM 内资源的加权分配（Oberauer，2010；Zhang 等人，2022）。

虽然施加外部工作记忆负荷的外部干扰范式证明了 SNARC 效应的资源依赖性（Herrera 等人，2008；Van Dijck 等人，2009），但其效用有限。这是因为此类任务与数值处理基本无关，只能被动消耗一般认知资源，因此无法阐明认知控制如何根据任务相关性主动权衡竞争表征。为了克服这一点，Van Dijck 和 Fias（2011）设计了一种双任务范式，参与者记忆一个数字序列，然后仅对记忆序列中的那些数字进行奇偶判断（Go/No-Go）。他们观察到 SNARC 效应的消失和“空间位置反应码联结”（SPoARC）效应的出现（序列中早期项目的左侧反应更快，晚期项目的右侧反应更快）。他们得出结论，空间特征是为当前任务在工作记忆中建构的。然而，这个结论可能过于狭隘。正如 Ginsburg 和 Gevers（2015）所强调的，SNARC 和 SPoARC 效应在根本上并不矛盾。他们的研究通过表明两种效应可以在同一任务中出现，证伪了相互排斥的主张，此时实验设置保持了 LTM 规范顺序激活和 WM 临时顺序激活之间的平衡。这一发现为重新解释看似矛盾的发现提供了至关重要的视角。在 Van Dijck 和 Fias 的研究中，大小是隐性处理的，而序列位置是与任务相关的。由于激活强度影响检索（Oberauer 等人，2010），SNARC 效应的消失可能并不表明其不存在，而是由于与更高激活的 SPoARC 效应资源竞争而被抑制。如果数值表征确实是根据任务背景动态建构的，我们预期通过操纵数值处理的任务相关性，可以观察到这两种效应之间的权衡。

因此，本研究提出了一个核心假设：虽然 LTM 中存在基础的空间 - 数值联结，但其在 WM 中的激活强度不是恒定的，而是动态建构的，严格取决于数值处理的任务相关性。在此背景下，SNARC 和 SPoARC 之间的相互作用可以通过动态竞争框架来理解（参见 Ginsburg & Gevers，2015）。我们提出，两种效应都源于潜在的为行为表达而竞争的空间模板。这种竞争的核心是任务相关性：大小的显性处理触发自上而下的信号，使认知资源偏向基于 LTM 的表征。因此，SNARC 效应通过消耗原本可供 SPoARC 模板使用的有限资源而占据主导地位，反映了灵活的、依赖资源的权衡。本研究旨在为这一 WM 动态建构假设提供行为和神经生理学证据。通过扩展 Van Dijck 和 Fias（2011）的范式，我们引入 SPoARC 效应作为竞争性参考，以系统比较隐性（奇偶判断）和显性（大小比较）条件下 SNARC 和 SPoARC 效应的关系。我们预测，如果数值空间表征是动态建构的，其在与顺序表征竞争中的相对主导地位将由任务目标驱动，产生关键的 Task Type × Spatial Association Type 交叉交互作用。具体而言：（1）在大小信息与任务无关的隐性任务中，序列位置信息消耗大部分 WM 资源，导致 SPoARC 效应强于 SNARC 效应。（2）在大小信息成为焦点的显性任务中，系统动态地将资源偏向基于 LTM 的数值模板，导致 SNARC 效应强于 SPoARC 效应。这种交叉交互作用作为我们主要的验证性统计检验，任务内简单对比评估为计划分量对比。

为了进一步描绘资源竞争的神经动力学，我们利用 ERP 因其卓越的时间精度。N1 成分（100–150 ms），主要定位于额中央电极，作为早期感觉处理和注意投入的指标（Ford，2008），预测认知系统在初始感知表征期间动态招募资源。紧随 N1 之后，P2 成分在前中央区域大约 200 ms 处达到峰值，反映了特征提取和刺激评估等更复杂的过程（Silke，2013）。这一进程捕捉了从初始冲突检测到信息结构化编码和认知努力动员的转变。我们假设，与任务相关的空间表征将占据更大的认知资源份额，表现为成分振幅增加。总的来说，N1 和 P2 成分提供了一个窗口，用于观察任务导向的目标如何控制注意资源的预分配和跨空间维度的冲突检测。关键在于，我们关注晚期负成分（LNC），它是 WM 维持的指标（Khader 等人，2005；Kim 等人，2009；Zhao & Guo，2023）。我们预期 LNC 振幅在显性任务中显著更大，这是由于数值表征的主动维持，为我们的假设提供了直接的神经证据。

总之，本研究旨在证明，虽然空间 - 数值联结存在于 LTM 中，但其强度是根据任务分配的资源在 WM 中动态建构的。为此，我们进行了两项实验。实验 1 是一项行为研究，旨在分别测量奇偶判断和大小比较任务背景下的 SNARC 和 SPoARC 效应。实验 2 在此基础上，将这些测量整合到一个统一的 ERP 范式中；这种方法使我们能够利用高时间分辨率的生理学来描绘这些动态空间表征的神经时间进程和认知控制机制（例如 N1、P2 和 LNC）。通过检查 SNARC 和 SPoARC 效应之间的直接竞争并利用 ERP，我们寻求阐明数值空间表征形成的机制。

章节片段
参与者 使用 G*Power (Faul et al., 2007) 对 2 × 2 混合设计进行了先验功效分析（以任务类型为组间因素，以空间联结类型为组内因素）。假设中等效应量 Cohen's f = .25，alpha 水平为.05，统计功效为.80 (Cohen, 1992)，分析表明最小需要的总样本量为 34 名参与者。作为一个补充且更保守的基准，Brysbaert (2019) 建议 27 名参与者。对于实验 2，由于所有参与者都完成了两项任务，任务类型和空间联结类型都是被试内因素。使用 G*Power (Faul et al., 2007) 对 2 × 2 重复测量方差分析进行了先验功效分析。

假设中等效应量为.25，α水平为.05，以及传统的统计检验力为.80（Cohen, 1992），G*Power 指示需要 24 个样本量才能检测到假设的交互作用。

作为补充和更总体讨论：通过采用扩展的双任务范式结合高时间分辨率 ERP 技术，本研究利用 SPoARC 效应作为工作记忆内部的竞争性参考，以调查认知控制对数字空间表征的动态调节。行为结果揭示了在隐性处理与显性处理下，两种空间表征之间存在显著的权衡模式；ERP 结果进一步描绘了完整的神经时间进程

结论 本研究证实，数字的空间表征不是一个固定的、僵化的属性，而是由中央执行系统动态调节的灵活产物。显性处理通过增加认知控制资源的投入（由 LNC 增强为证据），主动激活并强化来自 LTM 的空间 - 数字模板，从而使其相对于顺序空间表征获得竞争优势。

伦理声明 已获所有参与者或其法定代理人参与本研究及发表文章的书面知情同意。已遵守参与者的隐私权利。

本研究遵循研究所在地的相关法律、监管框架和指南进行。本研究已获得河南省心理学与行为重点实验室伦理委员会的批准。（批准号 20240425005）

未引用参考文献（Guida 等人，2020 年；Paulmann 等人，2013 年；Rosburg 等人，2008 年；Rusconi 等人，2006 年）

CRediT 作者贡献声明 宋婷婷：方法论，形式分析。陈伊睿：形式分析，数据整理。李永新：写作 - 回顾与编辑，监督，资源，项目管理，方法论，调查，资金获取，概念化。陈琦：写作 - 回顾与编辑，监督，资源，项目管理，方法论，调查，资金获取，概念化。郑博洋：写作 - 回顾与编辑，写作 - 原稿撰写，形式分析，数据整理。

生成式 AI 及 AI 辅助技术在写作过程中的声明 声明：在本工作的准备过程中，作者使用了 DeepSeek 进行语言编辑和语法润色，以提高手稿的可读性。使用此工具后，作者根据需要审查和编辑了内容，并对出版物的内容承担全部责任。

利益冲突声明 作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文中报告的工作。

周丹丹 | 郑博洋 | 陈伊睿 | 宋婷婷 | 陈琦 | 李永新河南大学心理学与行为研究所，中国河南开封 475001