《Scientific Reports》：A minimal recurrent neural network models the robustness of interleaved practice on motor sequence learning
编辑推荐：
本研究旨在探索如何通过优化练习结构，而非单纯增加练习量，来提升运动技能学习的长期效果。研究人员针对交错练习（IP）和重复练习（RP）对运动序列学习的差异化影响，构建了Elman网络这一最小循环神经网络进行模拟。研究结果显示，IP策略相比RP，能够促使网络形成更稳健和可泛化的内部表征，从而在已训练序列和新序列上均获得更优性能。这一发现为理解人类运动学习机制及优化运动康复策略提供了简明的计算原理。
掌握一项复杂的运动技能，比如弹奏一段钢琴曲或练习一套体操动作，往往需要大量的重复练习。然而，越来越多的证据表明，练习的“结构”可能比练习的“总量”更为关键。想象一下两种常见的练习场景：一种是反复练习同一个动作序列直到熟练，再进行下一个（重复练习，RP）；另一种是将不同的动作序列混合、穿插着练习（交错练习，IP）。在日常生活中，无论是学习运动技能还是进行康复训练，这两种方式都很常见。但哪种方式能带来更持久、更能灵活运用的学习效果呢？大量行为实验给出了明确的答案：相较于RP，IP通常能带来更优越的长时记忆保留和技能迁移能力。RP虽然能在短期内迅速提升表现，却常常伴随着明显的遗忘。这一现象引发了一个深层次的科学问题：为何不同的练习结构会产生如此显著的差异？其背后的计算原理是什么？是否必须依赖大脑复杂的生物可塑性机制或特定的情境处理过程才能解释？为了回答这些问题，一项研究通过构建一个最简化的计算模型，深入探究了IP优势产生的根源。
研究人员采用了一种名为Elman网络的经典最小循环神经网络来模拟运动序列学习任务。该网络被设计用于执行顺序性的运动任务，并分别在RP和IP两种顺序下进行训练。RP模式下，网络连续、反复地学习同一个序列；IP模式下，则需要在不同序列间快速切换学习。这项研究发表在《Scientific Reports》上。
研究主要基于计算建模方法。研究人员构建并训练了一个Elman循环神经网络（RNN）来模拟序列学习过程。网络接受了在RP（重复练习）和IP（交错练习）两种不同顺序下呈现的序列训练。通过比较两种训练模式下网络的错误率下降速度、对已训练序列的最终表现以及对全新（未见过的）序列的泛化能力，来评估不同练习结构的学习效果。
研究结果
训练期间的错误减少
在训练过程中，RP（重复练习）模式下的网络表现出更快的错误减少速度。这表明，集中、反复地练习同一内容，确实能够在短期内更高效地降低当前任务的执行错误。
对已训练序列的性能
尽管RP在训练初期进步更快，但在训练完成后，IP（交错练习）模式下的网络在对已训练序列的最终表现上更为出色。这说明IP虽然可能增加短期内的学习难度（表现为错误下降较慢），但最终能形成更牢固的技能掌握。
对新序列的泛化能力
在评估网络将所学知识迁移到全新序列的能力时，IP的优势更为明显。与RP相比，IP训练出的网络在应对未见过的序列时表现出显著更优的泛化性能。这意味着通过交错练习获得的知识表征，其适用性更广，灵活性更强。
综上所述，这项研究通过一个最小化的循环神经网络模型，揭示了交错练习（IP）相对于重复练习（RP）在运动序列学习中的计算优势。研究得出结论，IP所带来的益处——包括更优的已训练技能表现和更强的泛化能力——源于输入变异性与基本的时间循环（即网络自身的循环连接结构）之间的相互作用。这一过程并不需要预先假设复杂的生物可塑性机制或专门的情境处理过程。换言之，练习过程中的变异性（在不同任务间切换）本身就会迫使网络形成更稳健、更具一般性的内部表征。这一发现将人类运动学习领域观察到的“交错练习优势”与人工智能神经网络中众所周知的“灾难性遗忘”问题联系了起来，指出两者可能共享一个核心的计算原理：缺乏变异性（如RP）会导致网络权重过度特化于当前任务，从而难以适应新任务或导致对旧任务的快速遗忘；而引入变异性（如IP）则能促进更通用表征的形成。该研究为理解IP的益处提供了一个简约而有力的计算解释，不仅深化了关于学习过程的理论模型，也为优化运动技能训练和神经康复治疗策略（例如，如何设计康复训练课程以最大化长期效果）提供了重要的启示。
