5D Library

第六章 心流：挑战与技能的通道、脑机制假说与一个控制器模型

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

第六章 心流：挑战与技能的通道、脑机制假说与一个控制器模型

心流是内在动机研究中最常被引用、也最常被夸大的概念之一。它描述的是一种全神贯注、行动与意识融为一体、时间感改变、活动本身就是回报的体验。本章先看这个概念从哪里来、怎样测量，再看关于它的脑机制有哪些假说与证据，最后用一个学习者模型讨论「难度恰好」意味着什么。

从三通道到八通道

证据

最初的描述。 契克森米哈赖 1975 年的《超越厌倦与焦虑》访谈了攀岩者、棋手、舞者、作曲家和外科医生等，描述了他们在活动中体验到的全神贯注与乐趣，并提出：当一项活动的挑战与一个人的技能相匹配时，人会进入心流；挑战高于技能导致焦虑，低于技能导致厌倦 (Csikszentmihalyi 1975)。1990 年的《心流》把这些描述整理为心流体验的若干特征，包括清楚的目标、即时的反馈、注意力的高度集中、自我意识的暂时消退与时间感的改变 (Csikszentmihalyi 1990)。经验取样与八通道模型。 马西米尼与卡利用经验取样法（一天中多次随机提示被试记录当下的活动、挑战与技能）研究日常经验，发现单纯的「挑战与技能平衡」不足以预测心流：两者都低时的平衡更接近淡漠。他们把挑战与技能按每个人自己的平均水平标准化，按方向分成八个通道，只有挑战和技能都高于个人平均时才对应心流；另外七个通道依次是激发、焦虑、担忧、淡漠、厌倦、放松与掌控 (Massimini and Carli 1988)。元分析。 方、扎列斯基与利奇汇总了 28 项研究，发现挑战—技能平衡与心流之间存在中等程度的关系，与内在动机的关系较小 (Fong et al. 2015)。

推导

用一个虚构的人一周 60 次随机提示的评分（0 到 9 分）演示八通道分类：先以这个人自己的平均值与标准差把技能和挑战标准化，再按角度分配到八个 45° 的通道；同时与旧的「平衡即心流」三通道看法比较。

# Eight-channel model (Massimini & Carli 1988): skill and challenge are z-scored within the person;
# the angle assigns one of eight 45-degree channels; flow = both above the person's own mean.
# Compared with the three-channel "balance = flow" view. Fictional data: 60 beeps, ratings 0-9.
import math, random
random.seed(11)
NAMES = ["control", "flow", "arousal", "anxiety", "worry", "apathy", "boredom", "relaxation"]
# centre angles (degrees, skill on x-axis): flow at 45, arousal at 90, anxiety at 135, worry at
# 180, apathy at 225, boredom at 270, relaxation at 315, control at 0
CENTRE = {"control": 0, "flow": 45, "arousal": 90, "anxiety": 135, "worry": 180, "apathy": 225,
          "boredom": 270, "relaxation": 315}

def channel(zs, zc):
    ang = math.degrees(math.atan2(zc, zs)) % 360
    return min(CENTRE, key=lambda k: min(abs(ang - CENTRE[k]), 360 - abs(ang - CENTRE[k])))

beeps = []
for _ in range(60):
    kind = random.choice(["work", "work", "chores", "tv", "hobby"])
    s, c = {"work": (6, 6), "chores": (5, 2), "tv": (2, 1), "hobby": (7, 7)}[kind]
    beeps.append((kind, min(9, max(0, round(random.gauss(s, 1.3)))),
                  min(9, max(0, round(random.gauss(c, 1.5))))))
ms = sum(b[1] for b in beeps) / 60; mc = sum(b[2] for b in beeps) / 60
sd = lambda v, m: math.sqrt(sum((x - m) ** 2 for x in v) / (len(v) - 1))
ss, sc = sd([b[1] for b in beeps], ms), sd([b[2] for b in beeps], mc)
counts, balance_flow, apathy_as_balance = {k: 0 for k in NAMES}, 0, 0
for kind, s, c in beeps:
    ch = channel((s - ms) / ss, (c - mc) / sc)
    counts[ch] += 1
    if abs(s - c) <= 1:                                  # three-channel view: balanced = flow
        balance_flow += 1
        apathy_as_balance += ch == "apathy"
print(f"person's means: skill {ms:.1f}, challenge {mc:.1f} (0-9 scale)")
order = sorted(NAMES, key=lambda k: CENTRE[k])
print("eight-channel model, counter-clockwise from 'control':")
print("   " + ", ".join(f"{k} {counts[k]}" for k in order))
print(f"three-channel 'balance' view calls {balance_flow} beeps flow; of these,"
      f" {apathy_as_balance} fall in the apathy channel")
print("(low challenge matched by low skill is balance without flow: the 1988 revision)")
# person's means: skill 5.0, challenge 4.8 (0-9 scale)
# eight-channel model, counter-clockwise from 'control':
#    control 7, flow 22, arousal 7, anxiety 1, worry 2, apathy 15, boredom 4, relaxation 2
# three-channel 'balance' view calls 42 beeps flow; of these, 11 fall in the apathy channel
# (low challenge matched by low skill is balance without flow: the 1988 revision)

在这个虚构的例子里，60 次提示中有 22 次落在心流通道。若按「挑战与技能相差不超过 1 分即为平衡」的旧看法，会有 42 次被算作心流，其中 11 次在八通道模型中其实属于淡漠：低挑战配低技能，例如疲惫时看电视。这就是 1988 年修订的意义：平衡是心流的必要条件之一，但不是充分条件，而且要以每个人自己的平均水平为参照。

心流的脑机制：假说与证据

假说 · 尚未验证

瞬时前额叶功能低下假说（迪特里希提出，尚未确立）。迪特里希 2004 年提出，心流时，负责外显、有意识加工的前额叶系统的活动暂时降低，熟练技能依赖的内隐系统得以不受干扰地运行；这可以解释心流中自我意识的消退和时间感的改变 (Dietrich 2004)。这一假说在提出时主要基于对外显与内隐系统的理论分析，直接检验的证据有限。如果心流状态下外侧前额叶的活动普遍升高而不是降低，这一假说至少需要大幅修正。

证据

心算任务中的心流。 乌尔里希、凯勒、赫尼希、瓦勒与格伦用心算任务在扫描仪中诱发三种状态：难度随被试能力自动调节（心流）、难度过低（厌倦）和难度过高（负荷过载）。与另外两种状态相比，心流条件下额下回等区域的活动相对升高，而内侧前额叶与杏仁核的活动相对降低 (Ulrich et al. 2014)。内侧前额叶的下降与自我参照加工减少的解释相符；杏仁核的下降可能与负面情绪唤醒降低有关。但外侧额叶区域并没有一致地下降，因此这项研究不能简单地被读作「前额叶整体关闭」。

一个按目标正确率调节难度的学习者

作者的框架希望写出挑战—技能相空间中的轨迹：动态匹配难度，使学习者沿着对角线上升。这里借用一个机器学习中的结果作为控制目标，但必须先说明它的来源与限度。

证据

「85% 规则」。 威尔逊、谢纳夫、斯特拉恰与科恩证明，对于一类用梯度下降学习二分类任务的学习者，在训练时把难度设在使错误率约为 15.87%（正确率约 84%–85%）的水平，学习速度最快。他们在人工神经网络和一个心理物理学习模型中演示了这一结果 (Wilson et al. 2019)。这是对特定学习模型的数学推导；它是否适用于人的技能学习，更不用说心流体验，尚未得到直接检验。

推导

学习者模型照威尔逊等人的设定：二分类任务的正确率 P=Φ(βδ)P = \Phi(\beta\,\delta)，β\beta 是精度（「技能」），δ\delta 是题目的容易程度，挑战记作 1/δ1/\delta。学习速度与正确率对 β\beta 的期望梯度成正比；若控制器把正确率维持在 Φ(z)\Phi(z)，这个梯度正比于 zφ(z)/βz\,\varphi(z)/\beta，在 z=1z = 1（约 84%）时最大。此外，把每次结果的惊奇度 −log⁡2p-\log_2 p 的平均值，即结果熵 H(p)H(p)，作为「挑战」的信息论度量，这是一个建模选择。

# Learner after Wilson et al. (2019): P(correct) = Phi(beta*delta); skill beta, challenge 1/delta.
# Holding accuracy at Phi(z), the expected learning gradient is ~ z*phi(z)/beta, largest at z = 1
# (about 84 %). Applying this to human flow is an ANALOGY. Outcome entropy H(p) is a modelling
# choice for "challenge"; it peaks at 50 %.
import math
from statistics import NormalDist
N = NormalDist()
ETA, TRIALS = 0.02, 400

def learn(target=None, fixed_delta=None, beta=1.0):
    path = []
    for t in range(TRIALS + 1):
        if fixed_delta is None:
            z = N.inv_cdf(target); delta = z / beta
        else:
            delta = fixed_delta; z = beta * delta
        p = N.cdf(z)
        if t % 100 == 0: path.append((t, beta, 1 / delta, p))
        beta += ETA * delta * N.pdf(z)               # expected gradient of accuracy w.r.t. beta
    return path

def H(p): return -p * math.log2(p) - (1 - p) * math.log2(1 - p) if 0 < p < 1 else 0.0

print("controller target | skill after 400 trials | challenge/skill | outcome entropy (bits)")
for tg in (0.60, 0.70, 0.84, 0.95, 0.99):
    t, b, ch, p = learn(target=tg)[-1]
    print(f"{tg:17.0%} | {b:22.2f} | {ch / b:15.2f} | {H(tg):10.2f}")
print("fixed difficulty (no controller), item easiness delta = 1.0:")
for t, b, ch, p in learn(fixed_delta=1.0)[::2]:
    print(f"  trial {t:3d}: skill {b:.2f}, challenge {ch:.2f}, accuracy {p:.0%}")
print("with the controller, challenge/skill stays constant: the path is a straight ray")
print("through the origin in challenge-skill space (a diagonal channel); with fixed")
print("difficulty accuracy drifts towards 100 % and the learner slides into the boredom side")
# controller target | skill after 400 trials | challenge/skill | outcome entropy (bits)
#               60% |                   1.60 |            3.95 |       0.97
#               70% |                   1.98 |            1.91 |       0.88
#               84% |                   2.21 |            1.01 |       0.63
#               95% |                   1.93 |            0.61 |       0.29
#               99% |                   1.41 |            0.43 |       0.08
# fixed difficulty (no controller), item easiness delta = 1.0:
#   trial   0: skill 1.00, challenge 1.00, accuracy 84%
#   trial 200: skill 1.64, challenge 1.00, accuracy 95%
#   trial 400: skill 1.95, challenge 1.00, accuracy 97%
# with the controller, challenge/skill stays constant: the path is a straight ray
# through the origin in challenge-skill space (a diagonal channel); with fixed
# difficulty accuracy drifts towards 100 % and the learner slides into the boredom side
挑战—技能空间中的学习轨迹（示意参数）。控制器把正确率维持在固定目标时，挑战与技能的比值不变，轨迹是一条经过原点的射线；目标为 84% 时技能增长最快。固定难度时挑战不变，学习者逐渐滑向厌倦一侧。

结果显示：把正确率维持在 84% 时，400 次练习后技能从 1.0 升到 2.21，是几种目标中最高的；目标为 60%（太难）时只升到 1.60，目标为 99%（太容易）时只升到 1.41。控制器使挑战与技能的比值保持不变（84% 时约为 1.0），所以学习者在相空间中沿一条射线上升，这正对应作者设想的「沿对角线上升」。没有控制器、难度固定时，技能升到 1.95，但正确率从 84% 漂移到 97%，学习者逐渐滑向厌倦一侧。

信息论的度量给出一个值得注意的反差：结果熵在正确率 50% 时最大（接近 1 比特），在 84% 时为 0.63 比特，在 99% 时只有 0.08 比特。如果把「挑战」定义为结果的不确定性，那么最大的挑战在 50%，而在这个模型里最快的学习却在 84%。两者不一致说明：「信息量最大」与「学得最快」不是一回事，用香农熵来刻画心流中的挑战，需要说明为什么选这个度量，而不能把它当作心流的定义。

假说 · 尚未验证

最佳挑战区间假说（尚未确立）。在自适应难度的练习中，把正确率维持在约 80%–85%，与维持在 60% 或 95% 相比，既带来更快的技能增长，也带来更高的自我报告心流。可以检验的预测：在一项三组随机实验中，80%–85% 组的练习后测验成绩与心流评分都高于另外两组。如果技能增长最快的组与心流评分最高的组不是同一组，本章借用 85% 规则作为心流控制目标的类比就需要放弃。

本章小结

心流描述挑战与技能都高时的全神贯注体验；八通道模型把两者按个人自己的平均水平标准化，只有两者都高于平均时才对应心流，低挑战配低技能更接近淡漠。元分析显示挑战—技能平衡与心流有中等程度的关系。「瞬时前额叶功能低下」是假说；影像研究显示心流时内侧前额叶与杏仁核活动相对下降，但外侧额叶区域并未一致下降。一个借用「85% 规则」的学习者模型显示，按目标正确率调节难度可以使学习者沿相空间中的一条射线上升；但结果熵最大在 50%，不在 85%，说明信息论度量是一个需要论证的建模选择。下一章把这些现代研究与宋明理学的「主敬」以及先秦的「虚壹而静」「用志不分」并读。

参考文献

Csikszentmihalyi, Mihaly. 1975. Beyond Boredom and Anxiety. Jossey-Bass.
Csikszentmihalyi, Mihaly. 1990. Flow: The Psychology of Optimal Experience. Harper & Row.
Dietrich, Arne. 2004. “Neurocognitive Mechanisms Underlying the Experience of Flow.” Consciousness and Cognition 13 (4): 746–61. https://doi.org/10.1016/j.concog.2004.07.002.
Fong, Carlton J., Diana J. Zaleski, and Jennifer K. Leach. 2015. “The Challenge–Skill Balance and Antecedents of Flow: A Meta-Analytic Investigation.” Journal of Positive Psychology 10 (5): 425–46. https://doi.org/10.1080/17439760.2014.967799.
Massimini, Fausto, and Massimo Carli. 1988. “The Systematic Assessment of Flow in Daily Experience.” In Optimal Experience: Psychological Studies of Flow in Consciousness, edited by Mihaly Csikszentmihalyi and Isabella Selega Csikszentmihalyi. Cambridge University Press. https://doi.org/10.1017/CBO9780511621956.016.
Ulrich, Martin, Johannes Keller, Klaus Hoenig, Christiane Waller, and Georg Grön. 2014. “Neural Correlates of Experimentally Induced Flow Experiences.” NeuroImage 86: 194–202. https://doi.org/10.1016/j.neuroimage.2013.08.019.
Wilson, Robert C., Amitai Shenhav, Mark Straccia, and Jonathan D. Cohen. 2019. “The Eighty Five Percent Rule for Optimal Learning.” Nature Communications 10: 4646. https://doi.org/10.1038/s41467-019-12552-4.

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).