人脑复杂任务表征中复合任务的神经痕迹反映学习性能

《PLOS Biology》：Neural traces of composite tasks in complex task representation in the human brain reflects learning performance

本文通过脑电图（EEG）解码技术，揭示了人脑在层级任务学习中进行关联推理的神经机制。研究发现，执行复杂任务时会激活其构成简单任务的神经表征（EEG关联效应），而新颖复杂任务中虽未直接包含但可通过间接关联推断的“潜在任务”也能被可靠解码（EEG泛化效应）。该效应强度与关联效应及行为泛化效果（反应时下降斜率）显著相关，表明大脑通过潜在任务表征的复现支持基于关联推理的泛化学习，为理解抽象任务表征的构建提供了电生理证据。

　　

实验设计与行为结果

研究采用层级任务学习范式，参与者（n=40）先学习六个简单任务（编码为A-F），每个任务要求根据单一线索特征判断目标刺激是否匹配。随后进入复杂任务阶段，每个复杂任务包含两个简单任务，要求参与者依据“异或”规则判断两个线索特征中是否仅有一个与目标匹配。复杂任务阶段分为训练阶段（第1-8组）和测试阶段（第9-11组）。训练阶段，参与者交替学习共享一个简单任务的两组复杂任务（如AB与BC；DE与EF）。测试阶段引入四类新复杂任务：其中两类（如AC、DF）的构成简单任务在训练阶段通过共享任务（如B、E）间接关联，称为可泛化任务；另两类（如AD、CF）的构成任务无间接关联，作为对照任务。

行为结果显示，可泛化复杂任务的反应时下降斜率显著大于对照任务（t(39) = -2.03, p=0.049），表明通过关联推理可加速新复杂任务的学习，复现了先前发现的泛化效应。

EEG解码分析揭示任务表征动态

研究者利用简单任务阶段的EEG数据训练多类解码器，成功解码了六个简单任务（解码准确率在目标呈现后50毫秒开始显著高于随机水平，约300毫秒达到峰值）。将该解码器应用于复杂任务阶段的EEG数据，以探究任务表征的神经基础。

EEG关联效应：在训练阶段和测试阶段，复杂任务EEG数据中均可显著解码其构成简单任务（如从AB中解码A和B），且解码强度在训练阶段（150-1200毫秒）强于测试阶段（150-550毫秒）。这表明复杂任务的执行激活了其组成简单任务的神经表征。

EEG泛化效应：关键发现是，在测试阶段的可泛化复杂任务（如AC）中，虽未直接呈现但通过共享任务（如B）间接关联的“潜在任务”表征也能被显著解码（测试时间窗850-1000毫秒，训练时间窗200-300毫秒；p_corrected=0.048）。而对照复杂任务（如AD）中未发现显著的潜在任务解码。此效应在排除潜在任务因训练阶段呈现频率较高可能带来的混淆后依然存在，支持其源于关联推理而非单纯暴露频率。

神经与行为关联

EEG关联效应（训练阶段构成任务解码强度）与EEG泛化效应（测试阶段潜在任务解码强度）呈显著正相关（r(38)=0.36, p=0.024），表明简单任务间的关联强度是泛化的基础。EEG泛化效应还与行为泛化效应（可泛化任务与对照任务的RT斜率差）呈负相关（r(38)=-0.32, p=0.043），即更强的潜在任务神经复现预示着更快的学习速度。

进一步分析发现，潜在任务复现具有双重时间效应：在测试阶段早期（第1、2组），较强的EEG泛化效应与较慢的反应时相关，提示可能存在干扰；但在后期（第3组），早期较强的EEG泛化效应预示着更快的反应时，表明潜在任务复现最终促进了学习。

讨论与机制探讨

研究结果支持整合编码理论或循环交互理论关于关联记忆的预测，即通过间接关联可激活潜在任务表征。EEG数据显示泛化主要发生在测试阶段，更符合循环交互理论的预期，但需未来研究明确区分。潜在任务复现可能通过“大循环”机制，以检索到的任务为线索进行再次检索，强化构成任务表征，或通过整合编码加强构成任务间的关联。

研究发现将记忆领域的关联推理机制扩展至认知控制领域，表明抽象任务学习利用了类似的神经机制。任务表征的可组合性使得简单任务能作为构建块重组为新复杂任务，提升学习效率。潜在任务复现虽初期可能引起干扰，但最终通过解决干扰和程序性学习过程促进泛化。

结论

本研究提供了电生理证据，表明大脑在执行复杂任务时复现简单任务表征，并通过关联推理复现潜在任务以支持泛化学习。EEG解码的关联效应和泛化效应及其与行为的相关性，深化了对层级任务表征如何支持高效学习的理解。