超慢脑动力学作为学习过程中信息采样的神经生理标志物

《iScience》：Ultraslow brain dynamics as neurophysiological markers of information sampling during learning

　　

亮点
•当参与者进行情境词汇学习时，出现了超慢负事件相关电位
•较陡的超慢事件相关电位斜率与更好的学习结果相关
•超慢脑活动可能追踪学习者在学习过程中如何采样信息
摘要
为了学习，我们必须从环境中主动采样信息：选择、优先处理和提取相关线索。在此，我们调查了超慢事件相关电位（ERPs）是否能在参与者从提供不同量意义信息的句子语境中学习新单词时追踪信息采样，这要求他们主动提取与学习相关的线索。当参与者投入学习时，出现了超慢负事件相关电位。尽管超慢脑活动不受语境信息量水平的调节，但学习成功的个体差异与较陡的超慢电压斜率相关。具体而言，学习结果较好的参与者在从有信息语境中学习时表现出更陡的超慢斜率，表明对相关信息的更大投入和利用。总之，这些发现将超慢脑活动确定为信息采样的候选神经生理标志物，并提供证据表明这些动态中的个体差异与成功学习相关。
图形摘要
引言
学习涉及主动采样和探索新信息，学习者不断评估哪些信息片段与其学习目标最相关。在没有明确指导的情况下，这种优先处理过程变得尤为关键，此时个体必须独立收集和提取有意义的內容以取得成功，并依赖于注意力、记忆和奖励系统之间的相互作用。, 尽管有效的信息采样在自我调节学习中起着核心作用，但其神经相关物仍知之甚少，迄今为止，尚无研究追踪其时间动态。
研究信息采样的生态情境是情境词汇学习：从语境中获取新单词的含义。Nagy 和 Gentner 将情境词汇学习比作将磁铁浸入铁屑和沙子的混合物中——其中铁屑（相关信息）被吸附，而沙子（无关信息）则脱落。与此类比一致，先前使用脑电图（EEG）的研究表明，学习者能够有效且迅速地识别语境中的相关信息，从而推导出新单词的含义。, 这些研究中的许多利用了 N400 事件相关电位（ERP），即有意义的刺激出现后 300–500 毫秒出现的负向电压偏转，因为它与理解过程中的词汇语义处理相关。例如，Mestres-Missé 等人追踪了学习者从语境中发现新单词（西班牙语伪词）含义时引发的大脑活动变化，发现到第三次接触新单词时，它引发了与真实单词相当的 N400 成分，这被视为成功获取含义的标志。, , 重要的是，N400 的幅度与单词可预测性正相关, , 并已成功建模为反映语义预测误差——即预测与实际语义内容之间的差异。与此一致，几项情境词汇学习研究表明，在有意义语境中呈现的新单词（相对于无意义或低约束性语境）的 N400 幅度减小, , , 表明当语境支持含义获取时，预测误差较小。此外，对于由成功学习的新单词启动的单词，N400 幅度也会减小。, 总而言之，这些发现表明学习者在情境词汇学习过程中有效采样信息，无需明确指导。
虽然上述 N400 研究提供了有价值的见解，但它们并未展示信息采样过程如何在时间上持续运作，即在学习者处理句子时。事实上，句子理解涉及不断整合信息，以构建句子含义的高层级表征（内部模型）。, , 随着信息的收集和确定性的增加，个体可以利用这个内部模型通过对信息预激活并预测性地分配适当数量的资源来施加自上而下的影响。, , 例如，证据表明，高度有信息的语境与基于知识的推理生成有关, , , 以及输入单词的预激活。与此一致，一项采用眼动追踪的情境词汇学习任务显示，在呈现新单词后，学习者阅读关于其含义有信息的后续语境片段（“Joe 拿起 asthor 并开始弹奏一段曲调”）的时间比无信息的片段（“Joe 拿起 asthor 并开始走回家”）更长。这种在有信息语境中额外的处理时间归因于提取和整合含义以及生成详细推理的认知努力增强。此外，在有信息（相对于无信息）语境之后，学习者阅读新单词上位词（“他演奏乐器来放松”）的时间更短，这一结果与预测一致（综述见 Kutas 等人）。最近的一项眼动追踪研究发现，工作记忆（WM）在情境词汇学习中起着核心作用，因为工作记忆容量较高的个体更有效地保留相关语境线索并将其与新单词整合，从而产生更好的学习结果。
因此，先前的证据表明，情境词汇学习期间成功的含义获取与更大的在线认知资源投入相关。值得注意的是，在神经生理水平上，句子处理过程中认知需求的在线变化已通过慢速和超慢 ERP 调节进行追踪。几项研究一致报告了在逐词句子处理过程中出现与增强认知处理相关的慢速负向 ERP，特别是工作记忆需求增加。, , , , , King 和 Kutas 早期的工作最初提出，这些超慢成分可能反映不同的句子层级过程，例如 (i) 对快速呈现的视觉信息的连续编码，(ii) 从编码的单词层级输入构建高层级句子层级表征，或 (iii) 在 WM 内暂时存储当前未整合的材料。最近，León-Cabrera 等人表明，在允许预测输入单词的句子语境中（“守门员设法接住了……球”），慢速（低于 5 Hz）负性随句子语境过程逐渐出现，并将其解释为反映与自上而下预测相关的增加的工作记忆需求。这种句子层级超慢负性可能属于一个更广泛的预测相关负性家族，其持续时间可变，在单词之前出现当有信息的语境或线索允许其预测时, , , 并且已与此前提到的预测操作相关联，包括即将出现的语言输入的预激活和增加的前馈注意力（综述见 León-Cabrera 等人）。
基于这些证据，本研究旨在通过检查超慢 ERP 调节来表征学习过程中信息采样潜在的神经生理活动的时间动态。为了调查这一点，我们设计了一个情境词汇学习任务，其中参与者必须推断嵌入在三句语境中的新单词（西班牙语伪词）的含义（见图 1）。第一句在其最终位置引入新单词（“他喜欢在 ánaro 里散步”）。第二句要么是有信息的（“当天气最热时他享受它。”），要么是关于单词含义（即夏季）无信息的（“他在数字方面一直很棒。”）。最后，第三句在可预测的位置呈现新单词的上位词（“季节”）。作为控制，我们包含了一个第一句包含真实单词（“夏季”）而不是新单词的条件，因此不涉及学习。
图 1 材料与设计
显示完整标题
图形查看器
(A) 每种条件的三句语境示例。句子下方的水平线表示调查 N400 效应的时锁事件（蓝线）和超慢调节（黑线）。请注意，这些是符合每句单词数量的近似英文翻译。
(B) 任务块结构的描绘。左侧，每个框代表按时间顺序呈现的单词（例如，第一个单词是 w1，第二个单词是 w2 等）。每一行框对应一个句子。带有蓝色轮廓的框表示计算 N400 效应的单词。左侧，描绘了参与者在每个块结束时完成的强制选择测试。在选择四个选项之一后，如果选择正确，所选单词变为绿色（顶部屏幕）；如果选择错误，则变为红色（底部屏幕）。
我们检查了学习者在逐词阅读第二和第三句时超慢 ERP 调节（低于 0.7 Hz）的发展。我们假设在出现上位词之前的这一时期会出现超慢负电位，与无信息条件（Uninfo）和控制条件（Control）相比，有信息条件（Info）具有更大的幅度，反映由有效信息采样驱动的资源分配。此外，我们检查了上位词处的 N400 反应，预测有信息条件的幅度减小，表明较低的语义预测误差。最后，我们通过将任务期间通过每个实验块结束的强制选择测试测量的学习结果与这些神经生理标志物相关联，调查了信息采样策略的个体差异（图 1）。
结果
超慢调节
图 2 显示了三句组第二和第三句处理的总平均 ERP，逐词呈现。每个单词引发一个 N100 成分，随后是 P200 成分和 N400 成分。正如预期的那样，应用低通滤波（低于 0.7 Hz）以聚焦超慢调节揭示了在所有条件下，一种超慢负性在第二句过程中逐渐展开，并在呈现上位词（即第三句的第四个单词）之前达到平稳。重要的是，当应用较温和的低通滤波（<5 Hz）时观察到了相同的模式（见图 2B），表明超慢调节不反映滤波伪影。
图 2 第二和第三句的总平均 ERP
显示完整标题
图形查看器
(A) 所有条件在 Cz 电极涵盖第二和第三句区间的总平均 ERP。绘制的数据在 5 Hz 处低通滤波。第七个单词（W7）是第二句的最后一个单词，随后在呈现第三句之前有一个短暂停顿。第十一个单词（W11）是必须学习的单词的上位词。
(B) 在多个电极（F3, Fz, F3, C3, Cz, C4, P3, Pz, 和 P4）应用不同低通滤波的所有条件的总平均 ERP，以展示应用强低通滤波（<0.7 Hz）以捕捉超慢调节的结果，以有信息条件为例。
基于簇的置换（CBP）检验（包括所有时间点和电极）显示 info 和 uninfo 条件之间无统计学显著差异（所有簇 p 值 > 0.46），因此在涵盖第二和第三句的区间内，语境信息量操纵对 ERP 幅度无影响（图 3）。相反，相对于 info 条件（p = .015；簇质量 = ?44.068）和 uninfo 条件（p = .013；簇质量 = ?49.557），control 条件下的幅度较小，表明学习对超慢活动有一般性影响，无论语境的信息量水平如何。当在数据上拟合线性混合效应（LMEs）模型时，出现了相同的模式结果（见补充文档 1）。
图 3 超慢活动的基于簇的置换结果
显示完整标题
图形查看器
显示基于簇的置换分析结果（包括所有时间点和电极）的示波器图。垂直灰线表示每个单词的起始，标签在顶部（例如，W1 = 第一个单词）。蓝色片段表示在具有最大簇级统计量的簇内每个时间点和电极处的统计学显著 t 值（范围：?2 到 ?5；p < 0.05），介于 info 和 control 语境之间以及 uninfo 和 control 语境之间。在每个示波器图下方，显示了每个单词（500 毫秒长区间）条件之间平均电压幅度差异的头皮图。
关键的是，每个对比显示不同的时间过程。在 control vs. info 对比中，条件在第一个单词（第二句，W1）就已经有统计学差异，并持续到上位词起始（第三句，W4），而在 control vs. uninfo 对比中，簇开始较晚，在第三个单词（第二句，W3），差异持续到三句组结束（第二句，W7）。
接下来，我们调查了超慢调节与学习表现之间的关系。

如图 4A 所示，在群体水平上，强制选择测试中正确反应的平均百分比在信息条件下为 56.3%，在无信息条件下为 46.5%。因此，两种条件下的表现均高于随机水平，但与无信息条件相比，新词在信息条件下的表现更好，t(44) = 5.71, p < .001；95% 置信区间 = 6.3%–13.3%；差异平均值 = 9.81）。此外，在信息条件下表现较好的参与者在无信息条件下也表现较好，这由两种条件下正确反应百分比之间的统计显著正相关所表明，r(45) = 0.633, p < 0.001。

图 4 超慢调制与学习表现之间的关系 显示完整标题 图查看器

(A) 小提琴图比较了强制选择测试中正确反应平均百分比的分布，作为目标项目呈现条件（信息或无信息）的函数。条件间的表现存在差异（p < .001）。小提琴图内部的水平线对应中位数（实线）和四分位距（虚线）。小提琴较宽的部分表示观察值取该值的概率高于较窄的部分。水平虚线表示随机水平（25%）。

(B) 超慢调制轨迹作为整体学习表现的函数。源自 LME 模型的跨词位估计平均中央 - 顶叶振幅（微伏）。线条代表整体学习表现三个代表性水平下的模型估计轨迹：较差学习者（?1 SD；红色），平均学习者（0 SD；灰色），和较好学习者（+1 SD；绿色）。阴影区域表示 95% 置信区间。

(C) 水平双向箭头表示为每个参与者和条件计算斜率的区间。

(D 和 E) 学习表现（y 轴：强制选择测试中正确反应的百分比）与超慢负波斜率（x 轴；微伏）在信息条件和无信息条件下的显著相关性（alpha 水平 = .05）散点图。每个数据点代表一个参与者。

我们将第二句中（从第二句开始到倒数第二个词）超慢负波的斜率与正确反应百分比分别针对信息条件和无信息条件进行了相关分析（图 4C）。在群体水平上，信息条件（平均斜率 = –0.794, SD = 0.882）和无信息条件（平均斜率 = –0.878, SD = 0.952）之间的斜率没有差异，t(44) = 0.853, p = 0.398。鉴于聚类置换检验的结果，这是预期的，该检验显示两个条件在此区间内没有统计差异。然而，相关分析显示，仅在信息条件下，超慢负波的斜率与学习成功之间存在统计显著的相关性（alpha 水平 = 0.05）。具体而言，阅读信息性上下文时更陡峭的负斜率与同一条件下更高比例的正确反应相关，r(43) = –0.37, puncorrected = 0.014, pHB = 0.027（图 4D）。该相关性略低于我们敏感性分析所示的 80% 统计效力必要阈值（N = 45；α水平 = .05，双尾）；然而，重要的是，95% 百分位 Bootstrap 置信区间不包含零，[–0.58, –0.14]，表明该关联不太可能为零。在无信息条件下也观察到了相同的趋势，但相关性未达到统计显著性，r(43) = –0.190, puncorrected = .221, pHB = 0.205, 95% 百分位 Bootstrap 置信区间 [–0.47, 0.12]（图 4E）。

为了补充相关分析，我们在超慢调制的逐词轨迹上运行了一个 LME 模型，使我们能够以更细的时间分辨率捕捉信号，并测试该关系是否泛化到任务中的整体学习表现。模型显示时间具有显著的主效应，F(1, 446) = 238.17, p < 0.001，反映了第二句区间内中央 - 顶叶振幅的稳健负向漂移。还发现了整体学习的显著主效应，F(1, 43) = 7.51, p = 0.009，表明较好的学习者总体显示出更负的中央 - 顶叶振幅。时间 × 学习交互作用显著，F(1, 446) = 28.42, p < 0.001，表明负向漂移的速度随着学习表现而增加。具体而言，线性斜率在所有表现水平上均显著为负，并随着表现逐渐变陡。为了探究这种交互作用，我们在学习表现的三个代表性值上估计了线性斜率（图 4B）：较差学习者（?1 SD）：β = ?1.10, t(446) = ?7.06, p < 0.001；平均学习者（0 SD）：β = ?1.70, t(446) = ?15.43, p < 0.001；较好学习者（+1 SD）：β = ?2.29, t(446) = ?14.64, p < 0.001。没有其他效应达到显著性。

N400 成分 作为一个重要的控制，新词（即第一句的最后一个词）的 N400 振幅（单词开始后 300–500 ms）在信息条件和无信息条件下是可比较的（图 5A 和 5C）。此外，复现先前的发现，真实词（即控制条件下的目标项目）在初次接触时比新词引发了更大的 N400 反应，无论是在信息条件下（p = 0.022；聚类质量 = ?30.62）还是在无信息条件下（p = 0.002；聚类质量 = ?46.44）（图 5E）。

图 5 N400 效应 显示完整标题 图查看器

(A 和 B) 一组代表性电极处每个时间锁定（0–800 ms）到目标项目和上位词的平均 ERP。灰色区域表示运行基于聚类的置换分析的区间（300–500 ms）（alpha 水平 = 0.05；双尾检验）。为了绘图目的，数据在 12 Hz 进行了低通滤波。

(C 和 D) 头皮图显示目标项目（控制减信息；控制减无信息）和上位词（无信息减信息；无信息减控制）统计显著对比在 300 至 500 ms 区间内的平均振幅差异。高亮电极（白点）表示基于聚类的置换分析中的统计显著差异（p < 0.05）。

(E) 柱状图显示目标项目后 300–500 ms 及 (F) 上位词后在 Pz 电极处每个条件下的平均振幅（微伏）。数据表示为均值±1 SD。

关键的是，上位词（第三句的第四个词）的呈现引发在 N400 区间内无信息条件下的平均振幅大于信息条件（图 5B 和 5D）。信息性对 N400 振幅的这种效应由一个显著负聚类捕捉，该聚类在中央 - 顶叶部位最为突出（p < 0.001；聚类质量 = ?77.11）（图 5D）。同样，虽然边缘显著，但无信息条件下的平均振幅大于控制条件，如右后部聚类所示（p = 0.049；聚类质量 = ?20.12）（图 5D）。在分析区间内，信息条件和控制条件之间没有可检测到的差异（所有聚类 p 值高于 0.14）（图 5F）。

最后，上位词处的 N400 信息性效应（单词开始后 300–500 ms 的平均振幅差异）与信息条件下的学习表现之间没有统计显著的相关性，r(43) = 0.052, puncorrected = 0.734, pHB >1，也无信息条件下的相关性，r(43) = ?0.04, puncorrected = 0.763, pHB >1。学习表现与控制条件和信息条件之间的 N400 振幅差异之间也没有相关性，r(43) = 0.298, puncorrected = 0.046, pHB = 0.223，或者控制条件和无信息条件之间，r(43) = 0.216, puncorrected = 0.153, pHB = 0.614。

讨论 本研究通过追踪词汇学习任务期间的超慢 ERP，调查了信息采样背后的神经生理活动的时空动态。为此，我们在参与者从书面上下文中学习新词含义时收集了他们的大脑反应。句子上下文传达了关于新词（"ánaro"）含义（"夏季"）不同数量的信息（信息性或无信息性）。关键的是，在两个学习条件下（相对于控制、无学习条件），在上位词（"季节"）呈现之前，句子上下文期间逐渐出现了一种超慢负波，该上位词为意义习得提供了关键信息。尽管超慢 ERP 的振幅并不随上下文信息性而变化，但其陡峭程度与学习结果成比例：在任务中整体学习较好的参与者显示出超慢调制振幅逐词增加幅度更大，而在信息条件下学习结果较好的参与者在这些上下文中表现出更陡峭的超慢负波斜率，这表明他们比该条件下不太成功的个体更深度地参与并利用信息性上下文。

值得注意的是，参与者在学习条件下（信息和无信息）从给定上下文中发现新词含义相当成功。平均而言，在两种上下文词汇学习条件下，表现均高于随机水平。然而，正如预期，信息性上下文中的单词成功识别率更高。尽管信息性上下文对上位词（如"花"）的约束比对类别的特定成员（如"玫瑰"）更强，但参与者能够在强制选择测试中辨别出正确含义，其中一些个体在信息条件下的准确率超过 75%。信息性上下文相对于无信息上下文的行为优势在神经生理水平上得到了反映：与无信息上下文相比，信息性上下文中对上位词的 N400 反应显著降低，表明由于预测而促进了加工。此外，信息性上下文和控制上下文之间缺乏 N400 差异表明，信息性上下文由于成功的意义习得，有效地将预测错误减少到了高度可预测词汇输入的典型水平。

与研究的主要目标相关，我们检查了句子处理期间的超慢 ERP 活动（低于 0.7 Hz），发现它区分了学习和非学习情况。在两种学习情况下（信息性和无信息性条件），在呈现关键信息片段（参与者必须学习的词的上位词）之前，出现了一种持续的慢负波积累。上下文中包含上位词对参与者来说是未知的；然而，由于它始终出现在固定位置（第三句的第四个词），如果参与者认识到其信息相关性，他们就可以预期其呈现。从这个角度来看，在学习条件下（相对于控制条件）发现的超慢负 ERP 调制可能反映了针对暂时可预测且信息相关的上位词的预期性注意力增强状态。在其他认知领域，像刺激前负波（SPN）这样的非运动预期电位在呈现受注意的反馈刺激之前可靠地观察到，该刺激将提供相关且具有动机显著性的信息，而且有趣的是，其振幅可能反映一个人期望从等待的刺激中提取的信息量。这种解释也与 Ferreira 和 Lowder 的提议一致，即随着理解者获得足够好的句子意义表征，他们可以进入一种面向未来的"准备就绪"状态——一种针对新和非冗余信息的预期性注意力增强状态，这可能也涉及更大的动机状态。有趣的是，先前的工作已经证实了学习新词对奖赏 - 动机系统的影响。总的来说，这些负波的出现表明，本任务中的学习者能够在自我引导学习期间成功识别和采样关键信息片段，这与先前使用眼动的研究相一致，表明学习者立即对有关新词含义的信息可用性敏感。

这里发现的超慢 ERP 调制显示出中央 - 顶叶分布，这与先前关于与工作记忆（WM）相关的跨句 ERP 调制的研究形成对比，后者观察到前左额，或前额分布。这种拓扑分布，连同形态特征——在相关刺激之前振幅总体逐渐增加，之后极性反转——让人想起在语言理解领域中，在上下文可预测词汇之前发现的语义相关预期负波。具体而言，León-Cabrera 等人的研究显示，相对于弱约束句子，强约束关于句末词的句子上出现了类似的中央 - 顶叶持续负波（<5 Hz）。相比之下，本研究没有揭示信息性和无信息性上下文之间超慢活动的群体水平差异。

尽管在群体水平上信息性和无信息条件之间没有发现差异，但在考虑学习结果的个体差异时，出现了更细微的模式。

一方面，学习结果与 N400 效应没有相关性，表明仅靠最小化语义预测误差并不能区分在本任务中成功程度更高与更低的受试者。相比之下，相关分析显示，在信息性语境中第二句开始时表现出更陡峭的超慢调节（即更大的斜率）的个体，能从这些语境中学习到更多，而利用超慢调节逐词轨迹的线性混合效应模型（LME）也显示，更成功的受试者表现出更陡峭的超慢负波。这与这样的观点一致：在本任务中，学习成功依赖于参与者如何主动和预测性地采样传入信息，而超慢活动调节能更连续地随时间跟踪信息采样的动态变化，从而更好地捕捉这一点。总体而言，这一结果模式强化了同时检查超慢动态与更快 ERP 成分的价值：与索引与单个刺激时间锁定的点状操作的 N400 不同，超慢调节在几秒内展开，因此独特地适合跟踪持续和整合的过程，如信息采样，因为它在学习过程中实时发展。总的来说，这些发现表明，观察到的超慢负波的幅度和轨迹反映了学习者采用的处理模式：更陡峭的斜率可能反映了个体早期检测和参与相关信息并将更多认知资源投入其处理的能力。然而，虽然现有数据与此解释兼容，但超慢调节可能涵盖涉及理解的多种认知过程，或者可能反映一种稳定的认知特征，如注意力投入或工作记忆（WM）容量。这与超慢 ERP 调节的更广泛文献一致，后者仍然有限，尚未在单一功能解释上达成共识。完善机制解释可能需要互补测量和目标实验操纵。同样，当前的范式是专门设计用于在受控实验条件下研究信息采样的，需要更多研究来确定这些结果是否泛化到更自然形式的自主学习中。

总之，在学习语境中出现了渐进的超慢负波，但在无学习控制组中没有，表明学习者能在语境词汇学习过程中成功跟踪相关信息。虽然这种特征在学习期间存在，无论语境信息性如何，但其陡峭程度与整体学习结果成正比，在信息性语境中表现更好的参与者在这些特定语境中表现出更陡峭的斜率，表明更成功的受试者比不那么成功的个体更多地参与并利用信息性语境。更广泛地说，这些发现将超慢 ERP 定位为学习中信息采样的候选神经生理指标，为了解大脑如何在扩展的时间尺度上动态分配和维持认知资源提供了一个非侵入性窗口。未来结合 EEG 与神经成像的工作可能有助于识别这些动态的皮层和皮层下发生器，并检查这些动态是否能泛化到受控实验室范式之外，进入更自然的学习情境，在这些情境中，信息采样在更长的时间尺度上展开，并在更丰富、较少受限的条件下进行。最终，建立信息采样的可靠神经生理标记物将有利于在那些基本兴趣在于理解个体在从环境中提取和保留相关信息能力上存在差异的领域的研究。

研究局限性
解读这些发现时必须考虑一些方法学局限性。一种可能性是上位词固定位置鼓励参与者依赖时间可预测性而不是语境内容。然而，我们的数据反驳了纯粹的结构预期解释：信息性条件下的学习表现显著更高，并且尽管三种条件的结构相同，但两个学习条件下的超慢负波都大于控制条件。这表明观察到的效应取决于学习者对意义提取的参与，而不仅仅是位置预期。同时，这种参与的性质可能受到语义连贯性的影响。为了控制词汇和句法变量，我们在各条件下使用了相同的第二句，这带来了一个权衡：与信息性和控制条件相比，无信息性条件下句子间的语义相似度降低（详细结果见补充图 7）。虽然这种语义连贯性的差异可能影响了认知处理，但不太可能是观察到的超慢 ERP 效应的主要驱动因素，因为尽管两个学习条件在语义相似度上内部存在差异，但它们相对于控制条件产生了相似的 ERP 模式。尽管有这些考虑，这些因素的影响值得未来研究仔细关注。未来的研究应旨在更明确地将它们分离开来，要么通过独立操纵语义连贯性，要么将信息性作为参数变量而不是二元分类。此外，对这里识别的特定时间间隔和空间位置进行计划分析，将允许更细致地评估这些不同的认知贡献是如何展开的。

资源可用性
主要联系人
更多信息和资源请求应联系主要联系人 Antoni Rodríguez-Fornells ([e-mail])。

材料可用性
本研究未生成新的独特试剂。

数据和代码可用性
•匿名化的 EEG 数据已存入开放科学框架（OSF），并自出版日期起在 https://doi.org/10.17605/OSF.IO/AVY4W 公开可用。DOI 号也列在关键资源表中。
•用于 EEG 数据预处理和分析的所有原始代码已存入 OSF，并自出版日期起在 https://doi.org/10.17605/OSF.IO/AVY4W 公开可用。DOI 号也列在关键资源表中。
•重新分析本文中数据所需的任何其他信息，均可通过联系主要联系人获取。

致谢
我们要感谢 David Cucurell 在数据收集期间的技术援助。本研究由科学与创新部通过知识生成计划资助，编号 PID2021-127130NB-I00，https://doi.org/10.13039/501100011033/ 以及欧洲区域发展基金——构建欧洲的一种方式。我们感谢 CERCA 计划/加泰罗尼亚自治政府提供机构支持。A.R.-F. 由 FIAS 奖学金计划支持，该计划由欧盟委员会共同资助，Marie-Sk?odowska-Curie 行动 - COFUND 计划，编号 945408。P.L.-C. 由西班牙政府大学部资助（Margarita Salas 青年博士培养计划）。图形摘要中包含一个在 BioRender 中生成的图标。

作者贡献
概念化，P.L.-C. 和 A.R.-F.；方法论，P.L.-C. 和 A.R.-F.；软件，P.L.-C. 和 S.W.；形式分析，P.L.-C.、A.P.-C. 和 S.W.；调查，P.L.-C. 和 A.P.-C.；资源，P.L.-C. 和 A.P.-C.；数据整理，P.L.-C. 和 S.W.；可视化，P.L.-C.；项目管理，P.L.-C. 和 A.R.-F.；写作 – 原稿，P.L.-C. 和 A.R.-F.；写作 – 审查和编辑，P.L.-C.、A.P.-C.、T.F.M.、S.W. 和 A.R.-F.；监督，A.R.-F.；经费获取，A.R.-F.

利益声明
作者声明没有竞争利益。

STAR 方法
关键资源表
试剂或资源 | 来源 | 标识符
---|---|---
存放数据 | 数据 | 本文 https://doi.org/10.17605/OSF.IO/AVY4W
软件和算法 | 自定义代码 | 本文 https://doi.org/10.17605/OSF.IO/AVY4W
MATLAB R2019b | https://www.mathworks.com/products/matlab.html | RRID: SCR_001622
EEGLAB v14.1.2. | https://sccn.ucsd.edu/eeglab/ | RRID: SCR_007292
ERPLAB toolbox v7.0.0. | http://erpinfo.org/erplab | RRID: SCR_009574
Mass Univariate Toolbox | https://web.archive.org/web/20250214093450/http://openwetware.org/wiki/Mass_Univariate_ERP_Toolbox | RRID: SCR_016108
G?Power v3.1.9.7 | https://www.psychologie.hhu.de/arbeitsgruppen/allgemeine-psychologie-und-arbeitspsychologie/gpower | RRID: SCR_013726
R version 4.5.2. | https://www.r-project.org/ | RRID: SCR_001905
Python v3.1.3. | http://www.python.org/ | RRID: SCR_008394
R package 'lme4' | https://cran.r-project.org/web/packages/lme4/index.html | RRID: SCR_015654

在新标签页中打开表格

实验模型和受试者细节
五名右利手的年轻健康成年人参加了实验，以换取金钱报酬。所有参与者均为母语为西班牙语者（仅说西班牙语或西班牙语 - 加泰罗尼亚语双语者）。四名参与者因技术问题被排除在研究之外。此外，一名参与者在 EEG 数据预处理后被排除，因此最终留下 45 名参与者用于最终数据分析（28 名女性；平均年龄 = 21.4 岁；标准差 = 2.6 岁）。没有参与者因行为表现被排除。作为对注意力分散的检查，我们验证了只有一名参与者的表现低于几率水平，且仅出现在无信息性条件下，这种模式更符合特定条件的困难，而不是对任务的整体脱离（见补充图 1）。

由于参与者性别的影响并非本研究的核心，我们没有招募男女平衡的样本（17 名男性，28 名女性），因此统计功效不足以可靠地评估性别相关差异。未来的研究应招募更大且更平衡的样本以解决这一局限性。

该实验已获得贝尔维吉生物医学研究所（IDIBELL）和贝尔维吉大学医院伦理委员会（CEIC，Ref. PR254/15）批准。所有参与者在参与前均给予书面知情同意，符合《赫尔辛基宣言》的原则。

方法细节
材料和设计
句子三元组
我们建立了一项语境词汇学习任务，参与者必须从三句语境中学习新词的含义（表 1）。大致上，第一句引入新词（以下称为“目标项”），第二句提供不同数量的关于其含义的信息，第三句揭示其上位词（见 图 1）。

示例
a 条件 句子 1 句子 2 句子 3
1 信息性 他喜欢坐着 ánaro 去散步。（Suele salir mucho a pasear en ánaro）。 b 天气最热时他很享受。（Disfruta de las horas de más calor.） 这是他一年中最喜欢的季节。（Esa es su estación favorita del a?o.） 无信息性 他喜欢坐着 ánaro 去散步。（Suele salir mucho a pasear en ánaro）。 他一直很擅长数字。（Se le dan muy bien los números.） 这是他一年中最喜欢的季节。（Esa es su estación favorita del a?o.） 控制 他喜欢在夏天去散步。（Suele salir mucho a pasear en verano）。 天气最热时他很享受。（Disfruta de las horas de más calor.） 这是他一年中最喜欢的季节。（Esa es su estación favorita del a?o.）
2 信息性 他父亲很擅长 parlontas。（Su padre es bueno en las parlontas.） 他一直很擅长数字。（Se le dan muy bien los números.） 他认为其他科目非常无聊。（En las demás asignaturas se aburría mucho.） 无信息性 他父亲很擅长 parlontas。（Su padre es bueno en las parlontas.） 天气最热时他很享受。（Disfruta de las horas de más calor.） 他认为其他科目非常无聊。（En las demás asignaturas se aburría mucho.） 控制 他父亲很擅长数学。（Su padre es bueno en las matemáticas.） 他一直很擅长数字。（Se le dar muy bien los números.） 他认为其他科目非常无聊。（En las demás asignaturas se aburría mucho.）

句子三元组示例
a 给定的参与者将只看到示例中的一个句子三元组。
b 原始西班牙语句子在括号中。英语翻译是近似的，因为它们已被改编以满足每个句子必须包含七个单词的标准。

在新标签页中打开表格

第一句在其最终位置引入目标项（即西班牙语伪词）（“Nunca ha sido alérgico a las nilanas”，英文，“她从未对 nilanas 过敏”）。第一句没有提供足够的信息来阐明单词的含义，这一点得到了第一次标准化研究的证实（见标准化研究部分）。然而，第一句和第二句的组合提供了关于目标项含义的无信息语境（Uninfo）（“她在邻居的车库里发现了它。”）或信息性语境（“她从一个自己的花园里挑了一个。”）。两个条件之间信息性水平的差异得到了第二次标准化研究的证实。重要的是，第二句在两个条件（Info 和 Uninfo）之间进行了平衡，使得相同的句子对某些参与者设置了信息性语境，而对另一些参与者设置了无信息性语境。这是为了控制句法结构的差异，如下文详细解释。最后，第三句揭示了上位概念（“花”），它总是出现在句子的第四个位置（“许多新种的花”）。前面的三个单词（“许多……的”）总是功能词（冠词或介词，但从不名词或动词），不提供关于目标项或其上位类别含义的语义信息（表 1）。

除了学习条件（Info 和 Uninfo）外，我们还包括控制语境（控制条件），其中参与者不需要学习，因为目标项是已知的真实单词。因此，剩余的语境关于目标项的含义是信息冗余的。在此条件下，句子三元组与信息性和无信息性条件下的相同，只是目标项不同（值得注意的是，参与者在实验中只遇到每个句子三元组一次）。

为了创建句子三元组，我们选择了 48 个上位概念（例如，花）和 3 个下位概念（例如，玫瑰、郁金香和雏菊），从而总共获得 144 个下位概念。然后，每个下位概念被分配了一个符合西班牙语音系规则的伪词。

伪词使用几项心理语言学指标进行了特征描述（方法细节见图 S2、S3 和 S4；表 S1）。在音素层面（伪词：M = 0.57, SD = 0.12；真词：M = 0.52, SD = 0.18）和双音素层面（伪词：M = 0.05, SD = 0.02；真词：M = 0.05, SD = 0.03），伪词与真词的音韵概率总和相当，表明伪词遵循典型的西班牙语语音模式。正如预期的那样，伪词的正字法邻域大小较低（伪词：M = 1.53, SD = 2.64；真词：M = 6.82, SD = 8）。此外，伪词的语音邻居少于真词（伪词：M = 2.25, SD = 3.56；真词：M = 8.41, SD = 9.76）。所有伪词与其对应的真词之间至少经过三次字符操作（正字法莱文斯坦距离：M = 6.02, SD = 1.37）。最后，所有伪词均可在三次字符操作内转化为真词（正字法莱文斯坦距离：M = 1.51, SD = 0.58，范围 = 1–3）。至关重要的是，伪词的正字法和语音属性在不同条件或平衡列表之间没有系统性变化。

由于西班牙语名词具有语法性别（阳性或阴性），伪词的性别与对应下位概念的西班牙语单词进行了匹配，以避免句法不一致。例如，如果对应下位概念的真西班牙语单词是“rosa”（阴性），则使用性别匹配的伪词“nilana”。此外，创建伪词时要求它们与真实西班牙语单词在超过一个音节上有所不同。伪词与下位概念之间的对应关系对所有参与者都是相同的。

然后，我们为每个下位概念（例如，“rose”）创建了 3 个三句组，每个实验条件（Info、Uninfo 和 Control）各一个。如前所述，三句组设计的一个关键特征是第二句在不同条件和不同参与者之间进行了平衡，目的是控制与句法结构复杂度差异相关的任何效应。为了实现这一点，每个下位概念都与来自不同上位类别的另一个下位概念配对，例如，“rose”与“motorbike”配对（即分别来自“flower”和“vehicle”上位类别）。配对术语后，我们并排生成他们的上下文，使得相同的第二句在两种情况下都可能被使用，同时建立不同水平的信息量。我们控制同一上位类别内的下位概念（例如，rose、tulip 和 daisy）与来自不同上位类别的下位概念配对（例如，rose-motorbike [flower-vehicle]、tulip-ring [flower-jewellery] 和 daisy-dolphin [flower-animal]）。这样做是为了避免实验期间上位类别之间潜在的隐性或显性联想，例如“花类”和“车辆类”三句组之间，这可能会影响学习。

为了平衡材料，我们生成了三个不同的列表，使得每个下位概念在每个列表中出现在不同的条件下（例如，下位概念“rose”在列表 1 中出现在 Info 条件，在列表 2 中出现在 Uninfo 条件，在列表 3 中出现在 Control 条件）。每个参与者接触其中一个列表。下位概念在每个列表中都出现在相同的实验区块中，例如，“rose”总是出现在所有参与者的第一个实验区块中（尽管条件不同）。

最后，我们使用自然语言处理方法量化了三句组的句法复杂度和语义相似性，并比较了不同条件之间的差异（详情见图 S5 和 S6）。两项基于语料的句法复杂度指标——平均依赖距离和依赖关系频率——在不同条件之间没有差异，表明句法属性相当。关于语义相似性，第二句在 Info 和 Control 条件下比在 Uninfo 条件下与第一句和第三句在语义上更有关系。这是一个预期的结果，考虑到 Uninfo 上下文是通过使用与目标单词语义距离较远的第二句创建的。

标准化研究

为了量化三句组的信息量水平，我们进行了两项标准化研究。在这些研究中，我们计算了三句组内下位概念的完形概率，即使用下位概念完成三句组的参与者百分比（类似方法见 Mestres-Missé 等）。

在第一项标准化研究中，十六名参与者（8 名女性；平均年龄 = 22.4 ± 3.4 岁）阅读了 144 个三句组的第一句，其中最后一个单词缺失（例如，'She has never been allergic to the'），并要求他们“用脑海中出现的第一个且符合句子的单词填空”。正如预期的那样，当仅提供第一句时，下位概念的完形概率非常低（平均完形概率 = 8.85%）。

在第二项标准化研究中，一组 24 名参与者（10 名女性；M = 27.1 岁，SD = 2.1 岁）阅读每个三句组的第一句和第二句，其中目标项目缺失（例如，'She has never been allergic to the _. She found it in her neighbor's garage.'），并要求“用脑海中出现的第一个且符合句子的单词填空”。为了防止同一参与者在不同条件下（Info 和 Uninfo）阅读相同的第二句，我们将三句组分为两个平衡列表，每个列表包含 144 个三句组（48 个 Info 项目和 48 个 Uninfo 项目），参与者被分配到其中一个列表。收集数据后，我们为每个三句组计算了两个指标：1）下位概念预期单词的平均完形概率（同词标准，例如，'rose'）和 2）预期上位类别的平均完形概率（同类标准，即任何指代上位类别'flower'下位概念的单词）。使用同词标准，Info 条件下的平均完形概率±标准误为 43.3% ± 2.28%，Uninfo 条件下为 2.3% ± 0.5%，t(286) = 17.56, p < .001。使用同类标准，Info 条件下的平均完形概率±标准误为 63.9% ± 2.15%，Uninfo 条件下为 10.6% ± 1.4%，t(286) = 20.75, p < .001。因此，正如预期的那样，行为测试证实了两个条件（Info 和 Uninfo）在关于目标项目含义的信息量水平上存在差异——操作化为平均完形概率。此外，在 Info 条件（平均完形概率同-category = 63.9%；平均完形概率同-word = 43.3%），t(286) = 6.59, p < .001）和 Uninfo 条件（平均完形概率同-category = 10.6%；平均完形概率同-word = 2.27%），t(286) = 5.402, p < .001）中，三句组在映射更广泛的上位类别方面比映射特定的下位概念更有效。

强制选择识别测试

最后，为了测量参与者的学习成功，他们在每个实验区块（即每 18 个三句组；详情见程序部分）之后通过强制选择测试测试目标项目的含义。目标项目与四种可能的反应一起呈现：正确含义（“rosa” [rose]）和三个干扰项（“termómetro” [thermometer]、“academia” [academy] 和“actriz” [actress]）（偶然水平 = 25%）。四种选择（正确含义和干扰项）随机排序，并保持在屏幕上直到参与者做出反应。所有干扰项都是来自与正确含义不同上位类别的单词。例如，如果"nilana”的含义是“rose”，那么没有一个干扰项属于“flower”上位类别。此外，干扰项的分配使得其中两个与目标项目性别匹配（即，“academia”和“actriz”是阴性，就像"nilana”一样）。这样做是为了防止参与者策略性地使用性别来猜测正确反应。其中一个干扰项是另一个目标项目的含义，该目标项目在上一个区块中曾在相同条件下呈现。在当前例子中，干扰项“termómetro” [thermometer] 是目标项目“pistano”的含义，该项目也曾在信息条件下呈现。另外两个干扰项是不属于任何任务相关上位类别的新单词（“academia” [academy] 和“actriz” [actress]）。整理了一份 96 个新单词的列表，在从 EsPal 获得的每百万平均词频方面与 144 个西班牙语下位概念单词完整列表相匹配。在实验期间，每个单词在强制选择测试中出现两次，确保对所有单词的接触量相等。对于下位概念的单词，它们被呈现一次作为正确选择，一次作为错误选择。

程序

在开始实验之前，参与者签署了知情同意书，并舒适地坐在计算机屏幕前，观看距离为 70 厘米。然后，将脑电图帽放在参与者的头皮上，并检查和调整每个电极，直到所有阻抗低于 5 kΩ 且信号最佳。在启动实验之前，给参与者以下说明：“你将阅读三句组（即三句话组），这些句子将逐词呈现。有时，第一句将以一个生造词结尾。你的目标是通过紧随其后的第二句和第三句提供的信息发现其含义。你尽全力找出其含义很重要，因为你会在每个区块结束时被问及它。”鼓励他们尽量减少动作，并在每个试验结束时眨眼信号出现之前不要眨眼。

参与者阅读了 144 个三句组，分为 8 个区块，每个区块 18 个三句组（图 1）。每个区块包含每个实验条件的 6 个三句组（6 个 Uninfo、6 个 Info 和 6 个 Control），以随机顺序呈现。三句组的呈现方式如下（图 1B）。首先，屏幕中心出现注视十字 1000 毫秒。然后，第一句逐词呈现（白底，黑色等宽字体；字体：Courier New，12 磅字号）。每个单词在屏幕上停留 200 毫秒，随后是 335 毫秒的单词间间隔。第一句的最后一个单词（即目标项目）呈现 700 毫秒，随后是 335 毫秒的空白屏幕。空白屏幕后，眨眼信号（一个小圆圈）出现在屏幕中心，指示参与者可以眨眼。眨眼信号持续 2500 毫秒。然后，经过 1035 毫秒的空白屏幕后，第二句和第三句逐词呈现（所有单词均为 200 毫秒 + 335 毫秒空白屏幕）。第二句和第三句之间由 735 毫秒的空白屏幕隔开。在第三句结束时，眨眼信号再次出现 2500 毫秒，然后开始下一个三句组。

完成一个区块（即 18 个三句组）后，参与者对该区块中生造词的含义进行强制选择测试（图 1B）。因此，每个区块总共测试 12 个新单词（6 个 Info 和 6 个 Uninfo），逐词呈现并随机排序。新单词显示在屏幕顶部，四种选择显示在下方不同的行（带间距）并编号（1–4）。此信息一直显示，直到参与者通过按键盘上的键（1、2、3 或 4）做出选择。随后，所选单词改变颜色，以提供其反应是否正确（绿色）或错误（红色）的反馈。因此，参与者没有得到关于单词正确含义的反馈，只得到关于其反应正确性的反馈。这样做是为了鼓励参与者在测试期间依赖他们的知识和推断，而不是简单地猜测并等待反馈。

脑电图数据采集和预处理

脑电图数据（采样率 = 250 Hz；在线带通滤波器 = .015–250 Hz）从标准 10/20 系统位置的 32 个锡制头皮电极记录（电极位置：FP1/2, Fz, F3/4, F7/8, FC1/2, FC5/6, Cz, C3/4, CP1/2, CP5/6, Pz, P3/4, T3/4, T5/6, PO1/2, O1/2, 左右乳突）。记录垂直和水平眼电图并用于伪迹剔除。

在整个实验过程中，所有电极阻抗均保持在5 kΩ以下。EEG数据使用集成在EEGLAB v14.1.2中的ERPLAB工具箱v7.0.0进行预处理，在MATLAB R2019b环境下运行。采用定制化的MATLAB脚本自动化预处理步骤，并提取结构化数据值以供在R中进行统计分析。连续数据离线重参考至左右乳突电极的平均活动。应用50 Hz陷波滤波器以减少电源噪声。然后，将连续数据记录分段为与以下事件时间锁定的时间窗：1）目标项目（从?200到735 ms，以第一句最后一个词 onset 为时间锁定），2）第二句和第三句（从?200到8225 ms，以第二句第一个词 onset 为时间锁定）。对分段数据进行伪迹检测与剔除。对于目标项目时间窗，对试次进行基线校正至刺激前100 ms区间，然后使用简单的电压阈值筛选伪迹，即眼动通道（垂直眼电图）电压幅度±100 μV或任何其他通道±200 μV的试次均被剔除。应用此标准，平均每个条件保留了95%的试次供分析（Info = 45.6试次；Uninfo = 45.3试次；Control = 45.7试次）。对于第二句和第三句时间窗，将拼接的试次使用EEGLAB中实现的"runica"算法进行独立成分分析（ICA），分解时排除眼动通道。然后，对所得成分进行目视检查，并剔除与伪迹对应的成分。每个参与者剔除的成分数从1到4个不等（均值 = 1.8个成分，SD = 1）。对14名参与者中有噪声或不稳定的电极使用ERPLAB中实现的球面插值进行插值处理。每个参与者最多插值2个电极。伪迹校正后，试次进行基线校正至句 onset 前100 ms区间，若眼动通道（垂直眼电图）电压幅度±100 μV或任何其他通道±200 μV则被剔除。平均每个条件有93%的试次可供分析（Info = 44.7试次；Uninfo = 44.2试次；Control = 44.4试次）。对于任一感兴趣时间窗可用试次少于30%的参与者予以排除，最终排除1名参与者。最后，对每个参与者和条件分别对试次进行平均，并对所得平均ERP波形进行目视检查，以检测是否有任何剩余参与者存在过度噪声数据（即大幅漂移、肌肉活动或不稳定通道）。此步骤中未排除任何参与者。量化与统计分析事件相关电位分析对于每个条件，从第二句 onset 到句组结束计算超慢活动（即8225 ms时间窗），采用刺激前100 ms区间作为基线（León-Cabrera et al., 2019）。重要的是，为了将超慢调制与更高频率下由词诱发的同时发生反应分离，我们应用0.7 Hz低通滤波器（Butterworth滤波器，衰减率为12 dB/oct），该滤波器已被证明在句处理期间有效捕捉超慢调制。图中展示的图像也使用相同的滤波器。为评估条件间超慢调制幅度的差异，我们应用了EEGLAB环境下Mass Univariate Toolbox中实现的基于聚类的置换检验。简言之，这些检验在成功控制族错误率（FWER）的同时，识别在条件间差异相似的相邻时间点和/或电极。具体来说，通过配对样本t检验，为每个对比的每个时间点和电极获得一个t值（即Info减Control；Uninfo减Control，以及Info减Uninfo）。将t值超过2.01阈值的相邻数据点定义为聚类（alpha水平为.05，自由度为44，双尾检验），通过将每个聚类内的t值求和获得聚类水平统计量，并保留最大聚类水平统计量的值（观察到的聚类统计量）。为确定两个条件间是否存在显著差异，在数据的随机划分上重复上述步骤（10,000次置换）。最后，利用随机划分的聚类水平统计量的分布来推导p值，定义为产生大于观察到的聚类统计量的聚类水平统计量的随机划分比例（alpha水平为.05）。为评估在上位词（即第三句的第四词）处的N400效应，我们在每个条件之间运行基于聚类的置换检验：Uninfo减Info（即信息量效应）、Uninfo减Control，以及Info减Control（alpha水平为.05，自由度为44，双尾检验；5,000次置换）。在此情况下，分析在时间域上进行约束，即在预期的N400效应的词onset后300至500 ms区间（刺激前100 ms基线）平均平均幅度。作为对照分析，我们在目标项目处（即第一句的最后一个词）使用相同参数计算N400效应，以确保新词在两个学习条件下（Info与Uninfo）被等同处理，同时，这些词与真实词诱发了不同的N400反应。数据在分析时进行30 Hz低通滤波，在图中展示时进行12 Hz低通滤波（Butterworth滤波器，衰减率12 dB/oct）。学习表现与电生理成分间的关系为评估电生理测量与行为测量之间的关系，我们运行了线性混合效应（LME）模型（使用'lme4'包）以及电生理成分（超慢调制和N400效应）与学习表现之间的相关性分析，学习表现的量化描述如下。关于相关性分析，使用G*Power进行灵敏度分析以确定给定样本量（N = 45）和alpha水平（α = .05，双尾）下以80%功效可检测的最小效应量，结果表明本研究充分有能力检测r ≥ .40的相关性。此外，为评估相关估计的可靠性，我们按照R中boot包中实现的方案计算了95%百分位自举置信区间（5000次迭代）。所有相关性均使用Holm-Bonferroni校正进行多重比较校正（在'rcorr.adjust'函数中实现）。校正后的p值报告为pHB。学习表现测量使用Rstudio（版本1.4.1106）将学习表现量化为每个参与者在强制选择测试中的平均正确反应百分比。我们区分整体学习表现（跨学习条件平均的正确反应）和条件特异性学习表现（Info或Uninfo条件下正确反应的平均值，分别计算）。电生理测量所有超慢调制测量均在中央-顶区电极簇（包括Pz、P3、P4、CP1、CP2、Cz、C3和C4）上进行，基于在句层面观察到的效应的空间分布，并在第二句内（从句onset到句的倒数第二个词）进行计算。我们未包含句最后一个词之后的区间，以避免纳入重叠的句末效应。N400平均幅度在相同的中央-顶区电极簇（Pz、P3、P4、CP1、CP2、Cz、C3和C4）的词onset后300–500 ms区间内计算，基于该成分的预期分布。条件特异性学习表现与超慢调制的相关性我们通过计算第二句内超慢调制的斜率来捕捉超慢调制建立的速度。具体而言，通过在Rstudio（版本1.4.1106）中使用"lm"函数为每个参与者和学习条件（Info和Uninfo）拟合线性模型，计算超慢调制的线性斜率，以微伏（μV）为单位的平均电压幅度作为结果变量，以毫秒为单位的时间作为预测变量（范围为0至3210 ms，以第二句onset为时间锁定）。平均电压幅度在中央-顶区电极簇（包括Pz、P3、P4、CP1、CP2、Cz、C3和C4）上计算，基于在句层面观察到的效应的空间分布。我们获得每个参与者的两个斜率测量值（每个学习条件一个）。我们进行了Pearson相关分析（alpha水平为.05），以评估超慢调制的斜率是否与每个条件（分别针对Info和Uninfo条件）中的学习表现相关。线性混合效应（LME）：整体学习表现与超慢调制的关系为补充相关性分析，我们运行了一个模型以进一步以逐词方式检验超慢调制的轨迹。该模型不是将ERP信号简化为预计算的斜率，而是包含词级时间区间作为连续预测变量，以更高的时间分辨率捕捉信号的展开。此外，该分析使用整体学习表现（即跨学习条件的平均正确反应），从而使我们能够检验该关系是否推广到任务中的一般学习能力。我们对跨六个词级时间区间（每个持续535 ms）在中央-顶区簇上平均的平均幅度拟合了一个LME。从词onset的正交多项式对比中导出线性时间预测变量。模型包含时间、整体学习（跨参与者z分数标准化）和条件（Info和Uninfo；零和编码）的固定效应，以及所有交互项。构建了包含完整随机效应结构的最大模型（Bar et al., 2013），包括按参与者的随机截距和所有组内固定因素的随机斜率。我们使用Satterthwaite方法估计p值。对显著交互的后续检验使用'emmeans'函数进行，并使用Holm-Bonferroni校正进行多重比较。条件特异性学习表现与N400效应的相关性N400平均幅度在中央-顶区电极簇（Pz、P3、P4、CP1、CP2、Pz、C3和C4）的词onset后300–500 ms区间内计算。对于每个参与者，平均幅度差异与每个学习条件（Info和Uninfo条件）中的学习表现（即正确反应百分比）进行相关。我们计算了学习表现与上位词处以下N400效应之间的Pearson相关：Uninfo减Info、Control减Info，以及Control减Uninfo。补充信息（1）PDF (794.34 KB) 文件S1. 图S1–S7和表S1