人类能快速执行新任务，但在同时做两件事时表现出普遍的性能成本。传统上，对这种多任务干扰来源的研究主要集中在与其他认知功能隔离的多任务处理上。
近日，Kelly G. Garner & Paul E. Dux两人在Nature Reviews Neuroscience杂志上发表了最新的研究成果“Knowledge generalization and the costs of multitasking”，他们研究多任务成本是否与知识泛化能力相关。作者展示了这两个认知方面背后的神经生理机制。这些神经机制解释了为什么大脑表现出快速的任务理解、多任务处理限制和练习效果。简而言之，多任务限制是我们为行为灵活性付出的代价。
人类将学习推广到新环境的能力和多任务中管理多个并发任务的能力，一直是科学家们非常感兴趣的话题。尽管这两个认知特征在很大程度上被视为不同的实体，但最近的信息处理模型表明，知识泛化和与多任务处理相关的性能成本可能反映了同一枚硬币的两个方面。
多任务成本
当人们需要执行多项感觉运动任务时，他们更容易出错并且在它们之间切换时更慢完成每项任务。在一个简化的多任务实验中，参与者学习完成两个反应时间选择任务，其中许多不熟悉的刺激与按键等响应配对（图1）。这些任务单独呈现为单个任务，或在时间上很接近地呈现为多任务。参与者被要求尽可能快速准确地完成这两项感觉运动选择任务。
当两个任务同时执行时（图1a），即使任务在感觉输入或响应输出模式中不重叠，也会发现准确性和反应时间成本。然而，经过数千次实践试验，特定任务配对的相关多任务反应时间成本可能会从数百毫秒减少到数十毫秒（图1b）。
因此，人类足够复杂，可以快速获得新的抽象关系，但会因简单的多任务处理而产生性能成本。新任务的成本更高，但实践带来的明显专业化也减轻了性能成本。
图1.多任务处理在实验室中的性能限制和实践特异性回路和计算
对知识泛化的神经生理学基础的研究具有挑战性，因为泛化可以在一次试验或几次试验中实现。之前的研究人员教导参与者将面部、动物和物体等类别与不同的奖励结果概率相关联，其中每个类别的预期值取决于山脉、田野或瀑布所描绘的环境背景（图2）。
在这种情况下，切换到新的上下文可以提供一个可重复的泛化实例，因为参与者适应了新的示例，例如以前看不见的山。可以将上下文切换后前几次试验的表现和大脑活动与该上下文中的后续重复进行比较，以产生可量化和可重复的泛化测量。
结果表明这些区域代表了抽象的刺激-反应-结果关系（任务结构）集合，具体取决于上下文，从而支持将知识泛化到新的范例（图2a）。在人类中观察到多任务处理期间 LPFC、IPS 和 SMFC 的活动增加（图2b）。这些结果再次表明 LPFC、IPL 和 SMFC 中并发任务相关事件的表示存在一定的序列性。
图2.对应于知识泛化和多任务处理的皮层节点知识泛化和多任务处理成本似乎都是由重叠的神经生理结构支撑的，包括 LPFC、IPL、SMFC 和纹状体（图3）。如果共同的计算基础可以解释两组神经生理现象，则可以为知识泛化与多任务成本的相关性提出更令人信服的解释。
图3.涉及知识泛化和多任务处理的重叠额-顶-层大脑区域学习、练习和分享
经过成千上万次的练习后，对学习后期神经活动的研究表明，练习行为的刻板表征神经活动出现在纹状体中。长时间的练习也降低了行为反应的灵活性。因此，长时间练习会通过强化特定的任务规则来降低灵活性。这种壁垒也限制了知识泛化的潜力。
无论练习是否影响刺激或决定，这些行为，连同纹状体活动可能反映，练习从最相关的输入中创建了练习功能的专门分类到情节的完成（响应）（图4）。这与知觉学习理论相一致。
因此，只要练习输入的激活是有用的，练习就会限制知识的泛化。这一原则可能适用于认知控制等高等功能。总的来说，这些数据表明练习改变了任务表示的性质，这既限制了知识泛化又降低了多任务处理成本。
图4.对实践效果的可泛化性提出了限制结 论
一个多世纪以来，研究人员一直关注与多任务处理相关的成本。通过关注调解多任务处理和知识泛化的神经回路中的重叠，本文的观点提供了对支持学习和多任务处理的神经代码的本质的了解，并为未来的工作阐明了方向。
我们这个信息丰富的世界意味着只有一小部分可用信息被意识处理并用于推动行动以实现预期结果。为了有效地协同复杂环境，我们利用学到的和相关的意外事件将理解转化为新的相关任务；我们为此付出的代价是较低的多任务处理性能。
原文链接：
https://doi.org/10.1038/s41583-022-00653-x
参考文献
Garner, K.G., Dux, P.E. Knowledge generalization and the costs of multitasking. Nat Rev Neurosci (2022). https://doi.org/10.1038/s41583-022-00653-x
