5D Library

第一章 注意力不是一个水龙头：三网络模型与注意网络测验

5D Library › 注意力网络、工作记忆瓶颈与内在动机的自决定理论 · English

第一章 注意力不是一个水龙头：三网络模型与注意网络测验

日常语言把注意力说成一种可以「集中」或「分散」的东西，好像它是一个只有开关和流量的水龙头。认知神经科学的看法不同：注意力至少由几个功能上可以区分、解剖上部分分离的系统组成，它们各自负责不同的事情，也会以不同的方式出问题。

波斯纳与彼得森的三网络

证据

最初的框架。 波斯纳与彼得森 1990 年在《神经科学年评》上提出，注意系统在解剖上独立于它所作用的信息加工系统，并由几个执行不同功能的网络组成：对感觉事件的定向、对信号的检测（后来称为执行注意），以及维持警觉状态 (Posner and Petersen 1990)。二十年后的修订。 彼得森与波斯纳 2012 年回顾了这一框架的发展：警觉网络与蓝斑的去甲肾上腺素系统及右侧额叶、顶叶区域有关；定向网络涉及背侧与腹侧的额顶区域，主要受乙酰胆碱系统调节；执行控制网络则包括前扣带回、前岛叶与外侧前额叶，与多巴胺系统关系密切。他们也指出，后来的研究把执行控制进一步分成了额顶与扣带—岛盖两个子网络 (Petersen and Posner 2012)。

这里需要说清楚「对应」的意思。神经递质与网络的对应，指的是主要调质：药理学和影像研究发现，改变某一递质系统对某一网络的指标影响最明显。它不是说警觉「就是」去甲肾上腺素，也不是说其他递质与这个网络无关。每个网络都由多个脑区组成，这些脑区同时接受多种递质的调节。

注

「多巴胺 = 动机」是通俗的夸大。 多巴胺系统与执行控制、奖赏学习和「愿意付出努力」都有关系，但它不是「快乐物质」，也不是动机本身。伯里奇与罗宾逊综述动物与人类研究后认为，多巴胺更接近于赋予线索「诱因显著性」（让人「想要」），而不是产生「喜欢」的享乐体验 (Berridge and Robinson 1998)。把复杂的动机问题简化成「多巴胺不够」或「多巴胺被手机劫持」，既不准确，也容易引向不恰当的自我用药。本书不讨论任何药物。

注意网络测验与减法计分

为了在同一个任务里分别测量三个网络，范津、麦坎德利斯、佐默、拉兹与波斯纳 2002 年设计了注意网络测验（Attention Network Test，ANT）。被试看屏幕中央或上下方出现的一排箭头，判断中间那支箭头的方向。箭头出现之前，可能没有提示、在中央出现一个提示星号、在上下两个可能位置同时出现提示（双提示），或者在箭头即将出现的位置出现提示（空间提示）；中间箭头两侧的「侧翼」箭头可能与它同向（一致）或反向（不一致）。

三个网络的效率用反应时的差值表示：

警觉=RT无提示−RT双提示\text{警觉} = RT_{\text{无提示}} – RT_{\text{双提示}}

定向=RT中央提示−RT空间提示\text{定向} = RT_{\text{中央提示}} – RT_{\text{空间提示}}

冲突=RT不一致−RT一致\text{冲突} = RT_{\text{不一致}} – RT_{\text{一致}}

警觉分数衡量一个「快要来了」的时间信号带来多少好处；定向分数衡量知道「会出现在哪里」带来多少好处；冲突分数衡量排除不一致侧翼的干扰需要多花多少时间，数值越大说明执行控制在这一任务上越吃力。

证据

原始研究。 范津等人在 40 名成人中发现，这一约半小时的测验能给出三个网络的个体估计，三个分数之间的相关很小，研究者据此认为三个网络相对独立；同时，警觉与定向条件也会改变侧翼干扰的大小，也就是网络之间存在交互作用 (Fan et al. 2002)。

推导

下面的程序先写出一个人的反应时生成模型（参数是示意性的），再用上面的减法公式计分。它比较四种「虚构的人」：参照者、整体变慢 60 毫秒的人、紧张度（持续警觉）较低的人、冲突控制较弱的人。

# ANT subtraction scores on simulated mean reaction times (ms); all parameters illustrative.
#   alerting = RT(no cue) - RT(double cue); orienting = RT(centre) - RT(spatial);
#   conflict = RT(incongruent) - RT(congruent), averaged over cues.
# Model: a missing warning cue costs tonic_gap; a spatial cue saves orient; incongruent flankers
# cost conflict, slightly enlarged (k_alert) after any warning cue.
import random
random.seed(1)
CUES = ("none", "centre", "double", "spatial")

def mean_rt(cue, flank, p):
    phasic = 0.0 if cue == "none" else 1.0
    rt = p["base"] + p["tonic_gap"] * (1 - phasic)          # no warning: pay the alertness gap
    rt -= p["orient"] if cue == "spatial" else 0.0
    if flank == "incongruent":
        rt += p["conflict"] * (1 + p["k_alert"] * phasic)     # alerting slightly enlarges conflict
    return rt

def run_ant(p, trials=48, noise=90.0):
    cells = {}
    for cue in CUES:
        for flank in ("congruent", "incongruent"):
            m = mean_rt(cue, flank, p)
            cells[cue, flank] = sum(random.gauss(m, noise) for _ in range(trials)) / trials
    cue_m = {c: (cells[c, "congruent"] + cells[c, "incongruent"]) / 2 for c in CUES}
    inc = sum(cells[c, "incongruent"] for c in CUES) / 4
    con = sum(cells[c, "congruent"] for c in CUES) / 4
    return (cue_m["none"] - cue_m["double"], cue_m["centre"] - cue_m["spatial"], inc - con,
            sum(cue_m.values()) / 4)

BASE = dict(base=520.0, tonic_gap=45.0, orient=45.0, conflict=90.0, k_alert=0.15)
PROFILES = [
    ("reference person", {}),
    ("everything 60 ms slower", dict(base=580.0)),
    ("lower tonic alertness", dict(base=540.0, tonic_gap=80.0)),
    ("weaker conflict control", dict(conflict=125.0)),
]
print("profile                  | mean RT | alerting | orienting | conflict   (ms; near-noiseless)")
for name, change in PROFILES:
    p = dict(BASE, **change)
    a, o, c, m = run_ant(p, trials=4000)            # many trials: close to the true values
    print(f"{name:24s} | {m:7.0f} | {a:8.0f} | {o:9.0f} | {c:8.0f}")
a, o, c, m = run_ant(BASE)
print(f"one realistic session for the reference person: alerting {a:.0f}, orienting {o:.0f},"
      f" conflict {c:.0f}")
print("note: uniform slowing leaves all three scores unchanged; LOWER tonic alertness shows up")
print("as a LARGER alerting score, because the warning cue then helps more")
# profile                  | mean RT | alerting | orienting | conflict   (ms; near-noiseless)
# reference person         |     570 |       38 |        43 |       99
# everything 60 ms slower  |     630 |       40 |        45 |      100
# lower tonic alertness    |     599 |       74 |        43 |      100
# weaker conflict control  |     590 |       38 |        46 |      139
# one realistic session for the reference person: alerting 17, orienting 33, conflict 104
# note: uniform slowing leaves all three scores unchanged; LOWER tonic alertness shows up
# as a LARGER alerting score, because the warning cue then helps more

这个例子说明了减法计分的两个特点。第一，整体变慢基本不改变三个分数（表中一两毫秒的差别来自模拟噪音）：减法消去了所有条件共有的部分，所以一个整体反应较慢的人，三个网络分数可以与别人完全一样。第二，持续警觉降低，警觉分数反而变大：如果一个人在没有提示时很难维持准备状态，提示带来的好处就更大，于是「无提示减双提示」的差值上升。因此，「警觉分数高」不一定是「警觉好」；读 ANT 分数时必须知道它是两种条件之差。程序最后一行还显示，一次每种条件组合各 48 个试次的普通测验得到的警觉分数（17 毫秒）与这个人的真实值（约 38 毫秒）相差很远：单次测量的噪音很大。

三个分数可靠吗

证据

大样本的心理测量学评估。 麦克劳德等人汇总了多项研究共 1,129 名健康成人的 ANT 数据，发现经斯皮尔曼—布朗校正的分半信度：警觉 0.38、定向 0.55，都偏低；执行（冲突）0.81，属中等偏高。方差分析与相关分析都表明，ANT 测得的三个网络并不独立 (MacLeod et al. 2010)。他们建议，在收集、分析和解释 ANT 数据时都要认真考虑这些心理测量学性质。

差值分数的信度为什么低？下面的程序给出一个常见的解释。

推导

每个虚构的人有一个真实的网络分数，人与人之间的标准差（「真实标准差」）分别设为警觉 12、定向 16、冲突 25 毫秒；每个试次的反应时噪音为 110 毫秒。信度 = 人与人之间的真实方差 ÷ 观测方差。

# Split-half reliability of a difference score: true between-person SD vs trial noise.
# Reliability = true variance / observed variance. SDs and noise are illustrative.
import random, math
random.seed(7)
NOISE = 110.0                      # trial-to-trial RT noise (ms)
TRUE_SD = {"alerting": 12.0, "orienting": 16.0, "conflict": 25.0}
TRIALS = {"alerting": 48, "orienting": 48, "conflict": 96}   # trials per condition in one half

def split_half(sd, n_trials, people=400):
    halves = []
    for _ in range(people):
        t = random.gauss(0, sd)
        h = []
        for _half in range(2):
            se = NOISE * math.sqrt(2 / n_trials)          # SE of a difference of two means
            h.append(t + random.gauss(0, se))
        halves.append(h)
    x = [h[0] for h in halves]; y = [h[1] for h in halves]
    mx, my = sum(x) / len(x), sum(y) / len(y)
    sxy = sum((a - mx) * (b - my) for a, b in zip(x, y))
    r = sxy / math.sqrt(sum((a - mx) ** 2 for a in x) * sum((b - my) ** 2 for b in y))
    return 2 * r / (1 + r)                                # Spearman-Brown to full length

def expected(sd, n_trials):
    err = NOISE ** 2 * 2 / (2 * n_trials)                 # error variance of the full-length score
    return sd ** 2 / (sd ** 2 + err)

print("network    | true SD | trials per cond. | simulated split-half | expected")
for k in TRUE_SD:
    sim = split_half(TRUE_SD[k], TRIALS[k])
    print(f"{k:10s} | {TRUE_SD[k]:7.0f} | {TRIALS[k]:16d} | {sim:20.2f}"
          f" | {expected(TRUE_SD[k], TRIALS[k]):8.2f}")
print("alerting reliability as the session gets longer (trials per condition in each half):")
sd_a = TRUE_SD["alerting"]
print("   " + "  ".join(f"{n}: {expected(sd_a, n):.2f}" for n in (24, 48, 96, 192, 384)))
# network    | true SD | trials per cond. | simulated split-half | expected
# alerting   |      12 |               48 |                 0.36 |     0.36
# orienting  |      16 |               48 |                 0.56 |     0.50
# conflict   |      25 |               96 |                 0.84 |     0.83
# alerting reliability as the session gets longer (trials per condition in each half):
#    24: 0.22  48: 0.36  96: 0.53  192: 0.70  384: 0.82
ANT 差值分数的信度随试次数的变化（示意参数）。圆点是本模型假定的一次标准长度测验（每半每种条件 48 或 96 个试次，示意值，不是 ANT 的实际试次数）。人与人之间真实差异越小的网络（这里是警觉），需要的试次越多才能达到 0.7 左右的信度。

在这组示意参数下，程序得到的信度（理论值：警觉 0.36、定向 0.50、冲突 0.83；模拟值：0.36、0.56、0.84）与麦克劳德等人的数值接近，但这只说明这种解释说得通：一个差值继承了两个条件的测量误差，而人与人之间在这个差值上的真实差异可能本来就不大。要把警觉分数的信度提高到 0.7，在这组参数下每半需要约 192 个试次每种条件，是这里假定的标准长度的四倍。

睡眠、通知与压力：按证据写

作者的框架希望示意睡眠剥夺、通知打断与高压力分别影响哪个子网络。现有证据只能支持比较粗的说法。

证据

睡眠剥夺。 林与丁格斯对 70 篇文章、147 项认知测验的元分析发现，短期全面睡眠剥夺对各认知领域的影响大小不同：简单注意与警觉（持续注意）受影响最大（漏报的效应量约 −0.76），工作记忆其次，复杂注意（包括定向与执行注意的任务）受影响较小，推理与晶体智力几乎不受影响 (Lim and Dinges 2010)。一项直接使用 ANT 的研究让 18 名男性保持 24 小时清醒，发现夜间整体反应变慢、警觉水平明显下降，定向与执行控制也受到影响，并且持续警觉与另外两个网络有交互 (Martella et al. 2011)。两类证据的侧重点不同，样本量也相差很大。通知。 斯托特哈特等人让大学生做持续注意反应任务（SART，分析样本 166 人），在任务中途给其中一部分人的手机拨打电话或发送短信，另一部分不发通知；收到通知（即使没有接听或查看）的人犯错的概率明显上升 (Stothart et al. 2015)。SART 主要测量持续注意与对习惯性反应的抑制，不能干净地归入某一个网络。急性压力。 希尔兹、萨兹马与约内利纳斯的元分析发现，急性压力总体上损害工作记忆与认知灵活性，对抑制控制的影响则因抑制的类型而不同 (Shields et al. 2016)。

因此，比较稳妥的说法是：睡眠不足首先削弱持续警觉；手机通知打断持续注意并增加错误；急性压力主要影响工作记忆与灵活切换这类执行功能。至于「睡眠剥夺只伤警觉、不伤执行」或「压力只伤冲突控制」之类整齐的对应，目前证据不足，本书不这样写。

假说 · 尚未验证

分数方向假说（尚未确立）。如果睡眠不足主要降低持续（紧张性）警觉，那么在 ANT 上它应当使警觉分数变大（提示的帮助更大），而不是变小。可以检验的预测：在一项受试者内设计的睡眠限制研究中，与正常睡眠相比，睡眠限制后无提示条件的反应时上升幅度大于双提示条件。如果两者上升幅度相同，或者警觉分数变小，这一假说就是错的。由于警觉分数的信度低，这样的研究需要比通常更多的试次或被试。

本章小结

注意力至少可以分为警觉、定向与执行控制三个网络，它们分别主要受去甲肾上腺素、乙酰胆碱与多巴胺系统调节，但这种对应只是主要调质，不是唯一机制。ANT 用反应时差值计分：整体变慢不改变分数，持续警觉降低反而可能使警觉分数变大。大样本研究显示，警觉与定向分数的信度偏低，三个网络也不完全独立。睡眠剥夺最稳定地损害持续注意，通知打断持续注意，急性压力损害工作记忆与灵活性；更细的「哪个网络」对应，证据还不够。下一章讨论注意之后的另一个瓶颈：工作记忆。

参考文献

Berridge, Kent C., and Terry E. Robinson. 1998. “What Is the Role of Dopamine in Reward: Hedonic Impact, Reward Learning, or Incentive Salience?” Brain Research Reviews 28 (3): 309–69. https://doi.org/10.1016/S0165-0173(98)00019-8.
Fan, Jin, Bruce D. McCandliss, Tobias Sommer, Amir Raz, and Michael I. Posner. 2002. “Testing the Efficiency and Independence of Attentional Networks.” Journal of Cognitive Neuroscience 14 (3): 340–47. https://doi.org/10.1162/089892902317361886.
Lim, Julian, and David F. Dinges. 2010. “A Meta-Analysis of the Impact of Short-Term Sleep Deprivation on Cognitive Variables.” Psychological Bulletin 136 (3): 375–89. https://doi.org/10.1037/a0018883.
MacLeod, Jeffrey W., Michael A. Lawrence, Meghan M. McConnell, Gail A. Eskes, Raymond M. Klein, and David I. Shore. 2010. “Appraising the ANT: Psychometric and Theoretical Considerations of the Attention Network Test.” Neuropsychology 24 (5): 637–51. https://doi.org/10.1037/a0019803.
Martella, Diana, Maria Casagrande, and Juan Lupiáñez. 2011. “Alerting, Orienting and Executive Control: The Effects of Sleep Deprivation on Attentional Networks.” Experimental Brain Research 210 (1): 81–89. https://doi.org/10.1007/s00221-011-2605-3.
Petersen, Steven E., and Michael I. Posner. 2012. “The Attention System of the Human Brain: 20 Years After.” Annual Review of Neuroscience 35: 73–89. https://doi.org/10.1146/annurev-neuro-062111-150525.
Posner, Michael I., and Steven E. Petersen. 1990. “The Attention System of the Human Brain.” Annual Review of Neuroscience 13: 25–42. https://doi.org/10.1146/annurev.ne.13.030190.000325.
Shields, Grant S., Matthew A. Sazma, and Andrew P. Yonelinas. 2016. “The Effects of Acute Stress on Core Executive Functions: A Meta-Analysis and Comparison with Cortisol.” Neuroscience and Biobehavioral Reviews 68: 651–68. https://doi.org/10.1016/j.neubiorev.2016.06.038.
Stothart, Cary, Ainsley Mitchum, and Courtney Yehnert. 2015. “The Attentional Cost of Receiving a Cell Phone Notification.” Journal of Experimental Psychology: Human Perception and Performance 41 (4): 893–97. https://doi.org/10.1037/xhp0000100.

Fan, Y. (2026). Attention Networks, the Working-Memory Bottleneck and Self-Determination Theory: From Posner's Tripartite Network and Motivation Crowding-Out to the Information Theory of Flow, Read Beside Neo-Confucian Reverence (Jìng) [注意力网络、工作记忆瓶颈与内在动机的自决定理论] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23761341 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).