《Cognition》：Statistical learning performance is impacted by a previous learning experience: A predictive eye-movement study
编辑推荐：
在复杂多变的环境中，统计学习（SL）如何展开，以及先前经验如何塑造学习过程，是认知科学领域的前沿问题。本研究通过“打地鼠”游戏模拟了从高结构到噪声序列的动态环境，结合反应时和预测性眼动（PEM）测量，首次系统地揭示了不同可预测性变化轨迹对学习表现的跨阶段影响，证实学习者并非被动吸收规律，而是主动寻求信息的预期塑造者，为理解动态环境中的学习机制提供了新证据。
在现实生活中，我们的大脑无时无刻不在从连续、嘈杂的感官输入中寻找规律，这种能力被称为统计学习（Statistical Learning, SL）。无论是婴儿从连续的语流中切分出单词，还是我们学习一项新运动的动作模式，都离不开它。然而，传统研究为了证明这种能力的存在，通常将学习者置于一个高度简化、规则固定的“温室”环境中——比如，一个音节总是100%地跟在另一个音节后面。这与真实世界大相径庭。现实中的规律往往是概率性的、动态变化的，信号与噪声混杂。一个关键的科学问题由此浮现：在这种更真实、多变的环境中，统计学习是如何展开的？我们过往的学习经历，是会帮助我们在新环境中更快地捕捉规律，还是会成为我们适应新变化的桎梏？
为了回答这些问题，来自以色列耶路撒冷希伯来大学的研究团队在《Cognition》杂志上发表了一项新颖的研究。他们巧妙地设计了一个计算机化的“打地鼠”游戏，将其转化为一个研究动态统计学习的完美范式。游戏中，地鼠会从屏幕上八个位置中的一个冒出，玩家需要尽快点击它。巧妙之处在于，地鼠的出现位置并非完全随机：八个位置被随机配对，使得第一个位置的出现能在一定程度上预测第二个位置的出现。然而，这种预测并非确定性（概率为1），而是概率性（概率在0.4到0.9之间变化）的。这个关键的概率值——即转移概率（Transitional Probability, TP）——在实验的不同组块（block）中系统地变化，从而模拟了环境中规律性（可预测性）的连续变化。
研究人员设计了两项实验，操纵了可预测性变化的“轨迹”。在实验1中，参与者完成两个阶段（间隔数日）。一组人在第一阶段经历可预测性从高到低递减（TP从0.9降至0.4），第二阶段则从低到高递增；另一组人经历相反的轨迹。在实验2中，两个阶段经历相同的轨迹，要么都是递减，要么都是递增。研究不仅测量了参与者点击地鼠的反应时（RT），还首次在该范式中引入了预测性眼动（Predictive Eye Movements, PEM）作为更直接的测量指标，即在地鼠出现前800毫秒的时间窗内，观察参与者眼睛是否已提前看向地鼠即将出现的位置。
主要技术方法：本研究采用基于计算机的“打地鼠”任务模拟动态统计学习环境。通过眼动追踪技术（EyeLink 1000 Plus眼动仪，采样率1000 Hz）记录预测性眼动，量化学习发生前对目标位置的预期性注视。学习表现通过两个核心指标评估：一是行为学上的反应时差异（可预测与不可预测试次）；二是计算地鼠出现前最后一个注视点与目标位置的距离差（PEM指标）。实验采用混合线性模型对数据进行分析，以探究可预测性轨迹、试次类型、实验阶段等多因素对学习的影响。参与者为大学在校生，实验包含多个组块，每个组块包含大量试次以确保统计效力。
研究结果
1. 学习指标高度一致
分析显示，基于反应时（RT）的学习测量值与基于预测性眼动（PEM）的学习测量值之间存在极高的相关性（r = 0.87）。这表明两种测量手段捕捉到了同一学习过程，而PEM作为一种更直接、不易受速度天花板效应影响的指标，验证了其有效性。
2. 第一阶段：起始经验的影响微妙
在实验的第一阶段，可预测性变化轨迹（递增vs.递减）对学习表现的整体影响并不稳定。实验1中，两组参与者的学习表现没有显著差异。实验2中则发现，从高可预测性开始（递减组）的学习表现略优于从低可预测性开始（递增组）的。这种不一致提示，在初次接触任务时，起始于高结构环境可能对学习有轻微助益，但效应并不强劲。
3. 第二阶段：先前经验的塑造作用凸显
当参与者几天后返回进行第二阶段实验时，先前经验的影响变得强烈而一致。无论实验1还是实验2，一个清晰的模式浮现：在第二阶段经历可预测性递减轨迹（即从高TP开始）的参与者，其学习表现显著优于经历可预测性递增轨迹（即从低TP开始）的参与者。
4. 综合解析效应来源
通过聚合两个实验的数据进行深入分析，研究人员得以区分三种可能解释：(a) 第一段实验结束时的可预测性水平、(b) 第二段实验开始时的可预测性水平、(c) 跨越两阶段的长时高/低可预测性累积效应。结果表明，第二段实验起始时的可预测性水平是关键驱动因素。如果学习者在经历过第一段实验（无论具体轨迹如何）后，在第二段实验一开始就遇到高度可预测的结构，他们的学习表现就更好。相反，如果第二段以低可预测性（高噪声）开始，会严重阻碍他们的学习，即使后续可预测性逐渐增加，他们也难以恢复有效学习。这支持了“预期塑造”假说：第一阶段的经历让学习者对整个环境的“有结构程度”形成了某种普遍预期，这种预期进而决定了他们在新阶段是否会积极寻找并吸收规律。
研究结论与意义
本研究通过精巧的实验设计，揭示了在动态、嘈杂环境中统计学习的一个核心特征：学习并非对规律性的被动吸收，而是由学习者对环境结构的普遍预期所主动调控的过程。 具体而言，先前在可变环境中的学习经历，塑造了学习者关于“环境在多大程度上存在规律”的高级期望。这种期望如同一个认知开关：当学习者预期环境有结构时（例如，在第二阶段以高可预测性开始），他们会更积极地寻求和吸收规律，表现出更强的学习效果；而当他们预期环境缺乏结构时（例如，在第二阶段以低可预测性开始），即使规律后来出现，他们的学习机制也似乎处于“关闭”或“抑制”状态，导致学习效果不佳。
这一发现具有多重重要意义：
- 1.
理论革新：它挑战了将统计学习视为纯粹自下而上、被动且自动过程的传统观点，强调了自上而下的期望和主动的信息寻求在其中的关键作用。学习者更像是“主动的规律探索者”，而非“被动的信息海绵”。
- 2.
生态效度：研究将统计学习置于更贴近真实世界的动态概率性环境中，为理解人类如何在充满噪声和变化的情境中有效学习提供了新的实验范式和证据。
- 3.
整合视角：研究结果支持了统计学习与注意、预期等认知控制系统存在密切交互的观点。学习者会根据环境的结构属性动态分配注意力资源。
- 4.
应用启示：对于教育、技能培训乃至语言学习等领域具有参考价值。它提示，在学习过程中，初始建立对“规律存在”的信心和预期可能至关重要。学习材料或训练程序的设计应考虑如何引导学习者形成积极的结构预期，避免过早或持续暴露在高度不可预测的输入中而导致学习动力和效率下降。
- 5.
未来方向：研究为未来探索个体差异（如不同人在适应动态规律上的差异）、明确期望形成与更新的计算神经机制，以及开发能同时涵盖数据驱动学习和期望驱动机制的理论模型开辟了道路。它同时提醒，在利用统计学习任务评估个体“学习能力”时，必须谨慎控制参与者复杂多样的先前经验所带来的影响。
总之，这项研究成功地将统计学习的研究焦点从静态的“能否学习”推进到动态的“如何在学习中适应与预期”，深刻揭示了人类认知系统在面对不确定性时，如何利用过往经验来优化未来学习的智慧策略。
