《Scientific Reports》：Comparing attention estimates across two tasks through formalization
编辑推荐：
视觉注意力从视觉环境中选取与任务相关的元素，将知觉与行动联系起来。正因其居于这一中介地位，视觉注意力为比较不同任务中的表现提供了基础。本研究探讨了基于模型的视觉注意力资源估计——具体而言，即源自视觉注意力形式化理论（Theory of Visual Atten
视觉注意力从视觉环境中选取与任务相关的元素，将知觉与行动联系起来。正因其居于这一中介地位，视觉注意力为比较不同任务中的表现提供了基础。本研究探讨了基于模型的视觉注意力资源估计——具体而言，即源自视觉注意力形式化理论（Theory of Visual Attention，TVA）的加工速度——是否在不同任务间具有可比性。据研究人员所知，此前尚未有研究在过程层面开展此类比较。三十名参与者完成了两项任务的被试内设计实验。对于每项任务，研究人员均采用同一理论框架估计注意力资源，从而能够直接进行任务间的比较。结果表明，基于模型的注意加工速度估计在不同任务间存在差异。同时，这些估计呈现出不同的变异性模式，这提示对其中一个或两个模型进行系统性调整，原则上可使参数在不同任务间趋于一致。上述发现表明，当前的模型估计具有任务依赖性，但并非必然不相容。识别调整点将推动注意力研究超越特定任务的现象学描述，迈向对注意机制更为一般化的刻画。尽管本文并未提供该问题的解决方案，但研究阐述了这一挑战，并勾勒出未来研究的具体方向。
论文解读
一、研究背景与问题提出
视觉注意力作为认知资源分配的核心机制，在感知与行动之间发挥桥梁作用，并与工作记忆、执行控制、智力及决策等核心认知过程密切相关。研究者长期追求对视觉注意力机制的一般化、跨任务统一的数学描述。理论视觉注意力模型（Theory of Visual Attention，TVA）由Bundesen于1990年提出，以数学形式化方式描述了视觉注意力的选择性、容量有限性和并行加工等基本假设，将注意力过程隐喻为一场“竞赛”：视野中的客体竞相被选择并编码进入视觉短时记忆（Visual Short-Term Memory，VSTM），每个客体具有各自的加工速度v和知觉阈值t?，总加工速度C定义为所有刺激加工速度之和，可认知地解释为可用于处理视野的认知资源总量。
然而，一个关键而未决的问题是：TVA所形式化的认知资源限制——具体而言，总加工速度参数C——是否在不同任务间具有一致性？理论上，C描述的是同一参与者内部的同一容量限制，应当具有跨任务的稳健性；但实证层面，不同操作化方式、不同刺激条件、不同情境（如虚拟现实、游戏化环境、模拟交通场景）下观测到的C值各不相同。既有研究尚未直接检验C的固定容量主张是否跨任务成立。因此，本研究旨在通过同一理论框架下的两项任务——全报告任务（Whole Report，WR）和时间顺序判断任务（Temporal Order Judgment，TOJ）——直接比较TVA的C参数估计，检验该参数究竟是任务无关的固定容量限制，还是任务依赖的测量结果。
二、研究设计与主要方法
研究采用被试内设计，三十名参与者分别完成TOJ和WR两项任务，任务顺序在参与者间随机化。TOJ任务中，两个红色方块以不同刺激起始异步（Stimulus Onset Asynchrony，SOA）闪烁消失，参与者需判断哪个方块先闪烁；WR任务中，2、3、4或6个红色字母以不同暴露时长（Exposure Duration，ED）呈现后施以掩蔽，参与者需报告所识别的字母。两项任务均以PsychoPy实现，并通过光电二极管验证了屏幕呈现的可靠性。
数据分析采用贝叶斯推断方法。TOJ模型基于Tünnermann（2016）的模型，将刺激编码时间建模为移位指数分布，由于知觉阈值在顺序判断中相互抵消，模型可简化为仅含参数C的指数分布形式。WR模型基于Bundesen（1990）的模型，采用ExGaussian分布刻画移位指数编码时间与高斯分布的逐试次知觉阈值变异，通过带截断的二项分布（以VSTM容量K为截断上限）建模可报告字母数，并对K采用Dirichlet分布混合、对t?采用连续混合实现以处理试次间变异。在TOJ模型中，注意力权重w被固定为均等分配，以仅通过C解释数据并提高统计功效。研究通过仿真实验确定了两种任务估计的测量误差界（TOJ约8 Hz，WR约6 Hz），并以聚合误差（±14 Hz）构建实际等价区间（Region of Practical Equivalence，ROPE），用于评估零差异的相容性。
三、研究结果
C参数的后验估计。 贝叶斯分析估计TOJ任务中参与者群体水平的C众数为49 Hz，95%最高密度区间（Highest Density Interval，HDI）为40–64 Hz；WR任务中C众数为58 Hz，HDI为51–68 Hz。WR的C估计高于TOJ，提示WR任务中的总加工速度更高。
样本层面差异。 样本内TOJ与WR的C差异众数为?9.5 Hz，95% HDI为?15 Hz至?5.2 Hz，该区间排除了恰好为零的差异。然而，差异落入测量误差ROPE（±14 Hz）内的后验概率为95.7%，表明样本内差异虽明确为负，但幅度足够小，与无潜在差异的假设相容。
群体层面差异。 群体差异（层级均值差）的众数为?9.4 Hz，95% HDI较宽，为?23 Hz至6.7 Hz。群体差异落入测量误差ROPE内的概率为78.8%（后验比值约3.7）。群体层面估计不确定性更大，但方向与样本层面一致：WR中的加工速度平均更高，且与无潜在差异弱相容。
个体差异的异质性。 参与者间TOJ与WR的C差异表现出高度异质性，差异范围从接近零到±75 Hz不等。事后分析将参与者分为三组：12名参与者的差异落在测量误差ROPE内（视为无可靠差异），4名参与者TOJ的C高于WR，14名参与者TOJ的C低于WR。进一步的聚类分析（k-means结合肘部准则）和直方图目视检查支持两组结构：一组TOJ的C略高（约10 Hz，不显著），另一组TOJ的C显著较低（约30 Hz）。总体均值可能为零的假设被一个负差异亚组拉低，这一双亚组模式更可能由偏差、混杂或灵敏度问题解释，而非辛普森悖论。
四、讨论与结论
研究人员指出，TOJ估计的参与者间变异性大于WR，非零的均值差异主要由TOJ估计驱动。对此提出多种可能的解释机制：其一，若TOJ估计比WR更精确，则TOJ能捕获更多被试间变异而非将其合并至群体均值，从而导致更高的观测变异性；其二，TOJ任务可能仅捕获C的一部分——S?rensen（2026）的初步数据表明C在视野中并非均匀分布，TOJ仅在两个位置（而非WR的最多六个位置）上聚合加工速度，更少的位置可解释TOJ估计的向下偏差及其更高的变异性。此外，自我信心可能构成混杂因素：WR任务中过度自信的参与者可能以较低且校准不良的报告阈值报告更多字母，从而膨胀其C估计；动机和任务偏好也可能对两项任务产生不同影响，但研究未系统测量动机，无法确认该混杂。模型灵活性差异方面，WR模型含三个参数（C、t?、K），比仅含C的TOJ模型更灵活，TOJ数据中的全部变异只能由C解释，可能将所有伪迹归入C；而更灵活的WR模型则更易过拟合，两种机制均可能导致偏差，但无法解释差异的方向。
研究结论可归纳为三点：第一，在当前模型下，群体层面的TOJ估计低于WR估计；第二，30名参与者中有12人的TVA/TOJ与TVA/WR估计在测量误差范围内一致，且较大的差异与TOJ中较低的C值相关，因此对TOJ或WR模型的调整可能使两项任务的估计趋于一致；第三，对于诊断目的（单被试实验），使用WR或TOJ可能至少对部分参与者得出不同结论。研究人员强调，TVA作为单一范式内的测量工具已证明其有效性，范式依赖性虽带来不便，但不会否定TVA在基础研究中的价值，只是将比较限制在范式内部，直至更好的理论在任务间架起桥梁——正如TVA在任务内现象中所做的那样。
