空间-数字关联中基数与序数语义加工的感觉运动基础

《Biological Psychology》：Sensorimotor foundations of cardinal and ordinal semantic processing in spatial-numerical associations

　　

摘要 数字的空间表征是数字认知的核心焦点。尽管先前的研究表明基数语义和序数语义的加工是空间-数字关联（SNAs）的基础，但这两种不同的语义类型是否共享共同的神经表征仍不清楚。为探讨这一问题，我们采用奇偶判断任务和大小分类任务来研究它们的加工模式。结合功能磁共振成像（fMRI）和多变量模式分析（MVPA），我们发现感觉运动皮层内两种语义模态之间存在显著的任务间解码。值得注意的是，我们观察到了一种显著的行为-大脑分离现象：行为上的空间-数字反应码关联（SNARC）效应仅在隐性的奇偶判断任务中明显，而感觉运动皮层内任务相关维度的稳健多变量解码主要出现在显性的大小分类任务中。这些发现并未证实纯粹抽象的空间表征，而是表明数字评估与运动准备之间存在深度的功能耦合。这些结果表明，基数和序数语义加工在感觉运动网络内共享重叠的神经基底。最终，我们的研究为数字的身体认知提供了有价值的神经影像证据，表明数字语义与感觉运动和动作表征紧密交织。

引言 理解数字的能力是日常生活中不可或缺的认知能力；从列举物体到确定序数序列的过程，构成了我们感知世界的基本基础（Nieder, 2025）。当数字被概念化为一个连续体时，它们与空间之间不可分割的联系就变得明显（Dehaene, 2003, Galton, 1880）。这种数字大小系统地对应于空间位置的现象，被统称为空间-数字关联（SNAs）。作为SNAs的有力实证演示，Dehaene等人（1993）发现了空间-数字反应码关联（SNARC）效应，表明个体在处理小数字时左手反应更快，在处理大数字时右手反应更快。

在近几十年的研究中，SNARC效应已成为认知心理学中广泛研究的主题（Felisatti等，2026；Wood等，2008）。用来探索这一效应的最常见实验范式是奇偶判断任务和大小分类任务。虽然两种任务都要求参与者根据特定指令对数字刺激进行分类，但它们在本质上存在根本差异：奇偶判断任务中的分类标准独立于数字大小，而大小分类任务则明确要求基于大小的反应。因此，关于数字加工的性质，奇偶判断涉及隐性加工，而大小分类则依赖于显性加工（Hesse & Bremmer, 2017）。此外，与奇偶判断任务相比，大小分类任务引发了更深层的数字加工（Shaki & Fischer, 2024）。此外，就编码模态而言，奇偶判断主要依赖言语-空间编码，而大小分类则更依赖于视觉空间编码（Gevers等，2010；Van Dijck等，2009）。尽管这两种任务在加工性质、深度和编码上存在差异，但它们都表明了数字信息向空间位置的自动映射，从而构成了SNAs的核心基础。

根据数字认知的感觉运动视角，个体对数字信息的理解植根于基数和序数的语义概念，这些概念是通过手指运动等感觉运动体验逐渐塑造的（Sixtus等，2023）。基数表示一个集合的总体大小（例如，1、2、3），而序数则表示序列中的特定位置（例如，第一、第二、第三）。最近的研究进一步表明，SNAs的出现源于对这些基数和序数语义的加工（Koch等，2023；Pan等，2025；Prpic等，2016；Prpic等，2021）。在受过教育的成人中，对熟悉单个数字的奇偶判断依赖于对记忆事实的直接检索，理论上与数字大小无关。由于这种独立性，它经常被用于数字大小研究中。然而，即使在这种基于记忆的任务中，数字大小的识别也会自动发生（Cipora等，2021）。因此，奇偶判断是评估基数语义自动、隐性加工的理想范式。由于奇偶判断不需要主动构建或检索显性的数字序列表征，该任务在一定程度上可以将序列信息与数字表征分离开来（Mingolo等，2021）。相比之下，在大小分类任务中，参与者必须判断目标数字相对于参考数字是更小还是更大。这个过程需要从心理序列中提取刺激和参考数字的位置信息。因此，该任务更依赖于序数语义的加工，而不仅仅是比较孤立的数字大小（Casasanto & Pitt, 2019）。最终，这两种范式有效地分离了两种核心数字语义：奇偶判断主要参与基数加工，而大小分类主要针对序数加工。

大量研究已经确定顶叶皮层在数字加工和SNAs中发挥着关键作用（Attout等，2022；Castelli等，2006；Chassy和Grodd，2012；Matejko等，2019；Toomarian和Hubbard，2018）。此外，基数语义的激活与额叶皮层密切相关（Hesse和Bremmer，2017；Sokolowski等，2017）。神经心理学病例提供了双重分离的有力证据：额叶损伤的患者失去了基本的数量计算能力，但保留了完成数字排序任务的能力（Delazer & Butterworth, 1997）。相反，顶叶损伤的患者无法有效处理数字序列信息，但表现出完整的数量加工能力（Turconi & Seron, 2002）。发展性研究揭示了类似的神经差异：当执行基数任务时，儿童主要依赖双侧颞顶叶区域，而执行序数任务时则招募了双侧脑内沟、小脑和左侧前运动皮层（Skagenholt等，2023）。因此，虽然基数和序数语义加工都深深地植根于顶叶皮层，但它们也依赖于对不同类型皮质区域的选择性招募（Cutini等，2014；Nieder和Dehaene，2009）。

SNAs的精确认知机制仍然在激烈争论中。虽然一些研究支持替代性的解释，如基于工作记忆的解释（Didino等，2019；van Dijck和Fias，2011）或心理数字线（Toomarian & Hubbard, 2018），但数字语义加工观点仍然是主要的且得到良好支持的视角之一。采用这一语义框架，我们的研究特别关注一个未解决的问题：基数和序数语义在空间-数字表征中是否通过相同的神经机制运作。先前利用多变量模式分析（MVPA）的研究已经证明了数字信息跨任务解码的可行性，表明数字的相对大小和绝对大小可以在不同任务中动态调制（Kido等，2025），并且不同的符号数字可以共享相似的神经活动模式（Teichmann等，2018）。电生理证据进一步揭示了基数和序数语义加工在时间上的重叠（Zhang等，2025）。因此，鉴于这两种类型的语义在皮质激活水平上既表现出重叠又表现出分离，解决它们在数字空间映射过程中是依赖于独立的加工机制还是共享共同的神经基底这一问题至关重要。

为填补这些空白，我们进行了一项功能磁共振成像（fMRI）研究，参与者执行了奇偶判断任务和大小分类任务。为检验在处理不同类型的数字语义信息时是否存在相似的分布式神经活动模式，我们采用了跨任务MVPA（图1）。我们提出两个主要假设：首先，由于任务指令的差异，在大小分类任务中，数字大小属性与运动反应之间的映射比在奇偶判断任务中更为直接；因此，我们假设大小分类任务将产生更高的SNAs解码准确率和更广泛的皮质激活范围。其次，基于数字认知的感觉运动视角，该视角认为数字语义信息由感觉运动体验塑造（Fischer & Zwaan, 2008），我们假设被两种任务激活的感觉运动皮层将表现出相似的多体素神经活动模式。本研究的意义在于阐明SNAs中基数和序数语义之间的神经差异和共性，从而为理解数字的空间表征提供新的证据。

参与者 使用G*Power 3.1软件预先确定样本量，遵循SNARC效应研究中已建立的程序（Pinto等，2018）。对于两因素重复测量方差分析，我们指定了0.85的统计效力、0.05的alpha水平和0.25的效应量（f），得出所需的最小样本量为26名参与者。从贵州师范大学招募了31名健康的年轻成人（14名女性；平均年龄=22.16岁，SD=3.49）。三

行为结果 排除了反应错误、未反应或反应时超过平均值三个标准差的试验，占总数据的4.18%。行为数据使用SPSS 27进行分析。

为了探究SNARC效应的存在，分别对奇偶判断任务和大小分类任务进行了两因素重复测量方差分析（数字大小 × 反应手）（图2A）。对于奇偶判断任务，数字大小的主效应...

讨论 本研究旨在调查不同类型数字语义信息的加工是否共享相似的多体素活动模式。首先，我们发现大小分类任务在解码SNAs方面显著优于奇偶判断任务，证据是更高的解码准确率分布在广泛的皮质区域。其次，跨任务解码揭示了SNAs的基数和序数语义加工共享共同的神经...

结论 总之，本研究为感觉运动对基于反应的SNAs中基数和序数语义加工的贡献提供了证据。与奇偶判断任务相比，大小分类在解码SNAs时表现出更广泛的皮质分布；然而，两种任务在感觉运动皮层内共享共同的多体素表征。此外，我们的研究并未明确证明隐性SNARC效应的存在，我们的多变量...

CRediT作者贡献声明 张伟巍：写作—审阅与编辑、写作—初稿撰写、可视化、软件、项目管理、正式分析、数据整理、概念化。王承涛：正式分析、数据整理。贾良志：写作—初稿撰写。余芳文：写作—初稿撰写。潘云：写作—审阅与编辑、写作—初稿撰写、监督、资金获取、概念化。

伦理声明 已从所有参与者或其法定代表处获得书面知情同意，同意参与本研究并发表文章。已遵守参与者的隐私权。

本研究严格按照研究所在地的相关法律法规、监管框架和指导方针执行。本研究经贵州师范大学心理学学院人体受试者保护委员会批准。（批准号：GZNUPSY.N.202509E [0019]）

发表同意 当前手稿从未在其他地方发表过，作者们已获得期刊的发表同意。

生成式人工智能及人工智能辅助技术在使用过程中的声明 作者声明在准备本手稿过程中未使用任何生成式人工智能工具。

资金 本研究得到中国国家自然科学基金（ numerosity 感知中分组策略的认知机制研究；编号：32360203）和教育部人文社会科学重点研究基地重大项目（学习策略在高效学习过程中的作用与神经机制研究；编号：22JJD190009）的支持。

利益冲突声明 作者声明不存在利益冲突。

张伟巍|王承涛|贾良志|余芳文|潘云