随着数字媒体和技术的迅猛发展，所有人都越来越注意“注意力经济（Attention economy）”在我们生活中的作用，因为我们的生活中每天都充满了各种各样会吸引我们注意力的事物，并且许多新的经济形式也在想法设法的获取更多的用户注意力。但是，现在很多人也意识到了大量数字化事物进入我们的生活，方便我们的同时，也给我们人类带来许多新的问题。比如常见的“提笔忘字”、前一秒还在处理某件事，接了个电话想不起来下面要干嘛等等。当前数字文化的兴起好像正在加剧一个长期存在的科学问题的严重性:为什么人类有时会记住，有时会忘记，为什么有些人比其他人记得更清楚?在本研究中，来自斯坦福大学的研究者通过脑电、眼动和问卷行为调查的方法，研究了自发性的注意力是否会在某一时刻消失，作为日常媒体多任务处理的功能是否与记忆衰退存在关系。研究共纳入80名年轻人(平均年龄21.7岁)被试，他们执行了一项目标导向的情景编码和检索任务，并记录了整个任务期间的EEG和瞳孔数据。特质水平的持续注意力则通过基于任务的方法和问卷测量进一步量化。利用试次-试次（trial-to-trial）的数据分析方法发现，大脑后部alpha波的功率和瞳孔直径数据表明，记忆前瞬间的紧张性注意力分散与目标编码和记忆的神经信号减少以及遗忘行为相关。特质水平注意力分散的独立测量调节了注意力分散的神经分析和记忆表现之间的关系，以及媒体多任务处理和记忆之间的关系。注意力的分散在一定程度上解释了为什么我们会在某一时刻记住或忘记，以及为什么有些人比其他人记得更牢。并且，较重的媒体多任务处理与注意力分散和遗忘的倾向有关。本文发表在Nature杂志。（可添加微信号siyingyxf或18983979082获取原文）。注释：首先是几个术语的理解问题。attention lapsing是本文的核心概念之一，lapse的本意和流失或者缺失有关，结合本研究中的注意调节的任务看，drop to a lower level的这个意项更符合文中的意思，也就是注意水平从一个高的水平下降到一个低的水平，即注意力的分散或者流失，从实验设计看，作者是在需要进行回忆反应的对象前使用一个8-s的间隔期来使被试的注意力无法持续保持在一个高水平从而来探测在注意分散情况下被试的记忆水平的，因此无论是认为这个过程是转换的还是注意力缺失的，从原文的实验设计来看，这里的注意力过程不是一个确定的过程，而是一个与特质水平有关的注意力流失或者分散的过程，因此我们将其翻译为注意力分散。其次是trail，中文常翻译为试次，本文的实验部分的分析都是基于trail水平的分析，而不是传统的基于被试的条件变量的叠加平均分析，因此对心理实验不熟悉的朋友可能需要了解一下什么是嵌套数据结构，trail就是每个条件下为了实现同一条件多次测量而设置的多个刺激对象，它的出现体现了我们对实验的随机性和真实情况下的数据分布的考虑。然后是信号检测论和d’分数，这里不多做解释，感兴趣请直接点击https://zhuanlan.zhihu.com/p/72692879。这里的解释个人觉得很直观了。最后是特质，特质理论是研究人类人格一个主要的方法。特质理论家主要的兴趣在于测量“特质”，这可定义为行为、思想和情绪的习惯性模式。特质的内容与人格的很多方面都相关，也与认知能力的多个方面相关，本文中主要指的是与记忆、注意以及习惯方面的特质相关的内容。准备注意力的自发状态波动可能有助于解释神经科学和行为科学中的基本困惑：为什么人类有时会记住，有时会忘记，为什么一些认知健康的人比其他人记得更清楚，为什么记忆随着现代媒体环境的变化而变化。为了研究个体内部注意力、目标编码和情景记忆之间的联系，以及他们与个体差异和多媒体使用情况的进一步关系，本研究中的80名被试完成了一项目标导向的情景记忆任务，在此期间进行了EEG和瞳孔测量(补充图1)。除此以外，他们还完成了独立的特质（用来描述个人人格特点，如我们比较熟悉的五大人格测试就属于特质水平的测试）水平问卷调查和一项持续注意力任务。
a、是情景记忆范式的两个阶段，上面是记忆编码阶段，下面是记忆回溯阶段，具体的实验设计内容在下面的方法部分具体解释；b、从alpha或ERP信号中提取用于各自分析的电极通道的示意图;电极显示在一个128通道的平面化的电极帽上。同时使用眼球追踪系统记录右眼(右上)的瞳孔直径。80名被试参与了这项研究(49名女性被试;平均年龄= 21.7岁，sd. = 1.48岁，范围= 18 -26岁)。被试是从斯坦福大学(Stanford University)和周围社区的网上广告中招募的，他们都是右撇子，视力正常或矫正后正常，没有神经或心理障碍病史，目前也没有药物治疗。实验没有专门计算样本量，但根据以往相关研究，可以确定80名被试的水平可以研究与个体差异相关的研究问题。所有被试都完成了4个内容的测试（共4小时），包括：任务介绍和指导(30分钟)，完成目标导向的记忆编码任务(1小时)，完成目标导向的记忆检索任务(1.5小时)和单独的个体差异评估(1小时)。其中，只有记忆任务（包括编码和检索过程）记录了脑电数据和眼动的瞳孔数据。所有的任务都是使用MATLAB中的Psychophysics box工具箱运行的。在每一个trial中，背景屏幕是白色的，注视、目标线索或物体出现在中心位置。使用MATLAB中的SHINE工具箱，对所有的注视、目标线索和物体都是进行亮度和色度控制，并确保互相匹配，以确保低水平的视觉属性不会影响神经振荡或瞳孔检测。被试在6个伪随机的run(每次8分钟11秒)中观看了168个物体图片，每个run出现56个图片刺激（其中1-3run会出现一次，4-6run接着再出现一次，也就说被试对每个物体图片都看到了两次），在每个trial中，一个目标线索(提示接下来的目标是令人愉快或不愉快的或者样式是大还是小的)先出现，时间为1.60秒，之后是0.10秒的刺激间的间隔，之后是一个物体出现，时间为2.80秒，之后是4秒的试次间间隔。被试根据目标线索提示的概念(对象在语义上是令人愉悦的还是不愉悦的)或一个知觉目标(对象在屏幕上是大还是小的，与现实世界的大小无关)进行对象物体的分类，并尽可能快速准确地做出反应。被试使用右手食指或中指对两个按键中的一个进行反应，在被试间对正确按键进行了匹配。为了确保被试理解任务，共进行了8次练习。在每个记忆编码任务的run中，都有28个概念记忆任务和28个知觉记忆任务，所有6个run共出现84个概念记忆任务和84个知觉记忆任务（每个对象重复了两次），在实验之前，研究者找亚马逊公司的100名员工对每件物品进行语义上的令人愉悦或不愉悦程度的打分。在实验中，每个物体在屏幕上的大小要么大(450×450像素)，要么小(150×150像素)(在被试之间相互平衡，即counter-balance by subject)。在每个run里，都有14个物体被一个2（语义上的令人愉悦或者不愉悦的）*2（呈现尺寸的大或小）的设计进行编码，即形成愉快的和较大的、愉快的和较小的、不愉快的和较大的以及不愉快的和较小的，这四种组合情况。每个被试所看到的被2*2条件编码的目标物体都不同，作者通过对此的随机控制来排除刺激目标与特定实验编排之间可能存在的固定联系。10分钟后，被试进行了关键的记忆检索任务。在检索时，他们共参与了12个run的目标导向检索任务(每个run7分钟15秒)，总共浏览了252个物体，包括了在记忆编码任务中看到的168研究对象和84个新对象，每个run看到21个物体。在每个试次中，被试会首先看一个目标线索(提示让被试判断接下来出现的目标物体之前是愉快还是不愉快的，之前更大还是更小，或者是新物品)，对一个中等大小的物体(300 * 300像素)做出是或否的记忆判断。在记忆检索任务前，被试被告知一些物品是旧的，一些是新的。在检索目标线索之前有一个8-s的间隔期，然后物体出现，持续2秒。之前的研究表明，通过8-s的固定间隔比2-s的固定间隔更容易引起注意力的分散，因此本文在每次物体呈现之间都采用了一个8 s的固定间隔。被试尽可能快速和准确地做出每一个检索判断，用他们的右手食指或中指按下两个按钮(是或否)中的一个(要按下的目标按钮即正确按钮在被试间做了平衡)。为了确保理解，同样进行了8次练习。在行为上，记忆检索判断的准确性需要物体识别和回忆在记忆编码时如何处理了物体，以区分概念编码的物体和感知编码的物体，并根据所提示的目标做出是或否的反应;准确的新颖性检测可以基于薄弱的项目记忆强度和/或回忆的缺失。媒体多任务清单(MMI, Media Multitasking Inventory)是从以前的研究中修改的，产生一个对个人在典型的多媒体对象上消费的时间的估计分数;分数越高表示多媒体使用情况越重。第1部分评估个人在每周用于以下九个活动的时间:阅读、作业(除了阅读),观看视频、电影或电视、听音乐、广播、有声读物或其他音频,玩视频游戏,浏览互联网,发短信或使用社交媒体或即时消息,打电话或者视频聊天和其他电脑活动。在第二部分中，被试用李克特四分制对进行每项活动的同时还进行其他活动的频率进行了说明。除此以外，还使用了以下量表，Adult ADHD self-report scale、Barratt Impulsiveness Scale-11、Video-game usage、Attentional control distractibility and shifting、Deliberate and spontaneous mind wandering、Attention-related cognitive error scale、Memory failure scale和Mindful attention awareness scale-lapses only量表。除了这些常用的量表以外，作者还进行了一个gradCPT任务来测试每个被试的持续注意力。在这个10分钟的任务型持续注意力测试中，被试观看了一系列城市(90%的trial)和山脉(10%的trial)的场景图像(总共497次trial)，并被要求在观看城市时按空格键，在观看山脉时不按键。这些场景是圆形的，10个城市和10座山的灰度图像，在整个任务中重复出现。图像分别集中出现在电脑屏幕上，在0.80秒内逐渐出现，在完全出现时暂停0.40秒(因此，每次trial是1.20秒)，然后偏移（offset）。该任务使用逐像素线性插值，具有不重复场景规则(即同一场景不能连续重复)。被试被要求尽可能准确地做出反应。在编码和检索期间，EEG和瞳孔数据在一个隔音的房间采集，以尽量减少人工伪迹。实时EEG，眼球跟踪和行为数据，以及刺激显示都受到主试的监测。EEG数据由采样率为1000hz的128通道电极帽记录，通过Netstation 300放大器和Netstation 5.4软件记录。将阻抗设置为50 kV，大约每20分钟检查一次。使用Eyelink 1000眼动跟踪系统(SR Research)以1000 Hz的采样率记录右眼瞳孔数据。被试坐在距离眼球追踪和刺激监测器60厘米的地方，下巴托放在房间里。眼球跟踪校准和验证步骤大约每20分钟完成一次，并进行阻抗检查。试次级的EEG、瞳孔和行为数据(反应和反应时间)使用带有事件消息标签的自定义MATLAB代码同步。数据分析主要使用R语言完成，作者进行了基于试次水平的分析，使用到的工具包包括了openxlsx, tidyverse, dplyr, lme4,lmerTest, multilevel, mediation, lavaan, ggplot2, ggpubr 和eyetrackingR。EEG数据主要使用EEGLAB完成处理。行为分析集中在记忆检索准确性的指标上，作者使用了试次水平和特质水平的分析。对于每一次记忆检索，每个yes或no的响应被分类为击中（hit）、未击中（miss）、对旧或新物品的正确拒绝，或对旧或新物品的虚报。我们这里以被试看到的目标线索为“判断接下来的物体对象是否是曾出现过的令人愉快/不愉快的物体”做例子来具体地定义每个分类：对旧有的令人愉快或不愉快的编码对象的正确响应被归类为击中（错误响应就是未击中）；如果出现的物体是一个被视觉大小编码的对象或者新出现的对象，那么反应为“no”的就被定义为正确拒绝（如果错误反应了，就被定义为虚报，也就是文中的false alarm，即一个假的认为这次判断为真的信号）。对于其他两类目标线索后续出现的物体反应的定义分类和上述例子的逻辑一样。为了进行特质水平的分析，作者使用信号检测函数（这个是一个基本的心理物理测量方法）计算了每个试次的d’分数，即Zhit − Zfalsealarm.。对于目标线索为概念判断或者知觉判断后的试次，都计算了概念或知觉虚报率和新刺激虚报率，对于目标线索为新物体判断后的试次，计算了新刺激虚报率。对原始EEG和瞳孔数据进行了一系列的预处理，以分析目标的瞬时变化。对于EEG数据,先进行了降采样处理（从1000Hz到100Hz），并使用零相位偏移的汉宁窗进行带通滤波：0.1- 30Hz。然后，使用BLINKER自动化方法来识别眨眼伪迹，并在视觉上检查每个被试的trial数据，以识别不良电极(例如，眼部)。使用了平均参考的方法，然后通过希尔伯特变化提取alpha波（8-12Hz）。为了能够提取到试次水平的自发紧张性注意分散引起的脑电变化，提取的时间段是每个目标线索屏的前一秒到目标线索出现，以及反应对象（即要回忆的物体）的前一秒到反应对象出现。对每个分段的平均alpha波的提取是从图1b的红色区域圈出的电极点得到的，这些电极点的位置是在已有研究中被稳定确定的（包括62, 67, 71, 72 和 75–77）。对于瞳孔数据，首先也是降采样处理（从1000Hz到100Hz），由于eyelink眼动仪在实时采集时就已经对眨眼、漂移以及可能存在眼动仪器问题等进行了在线处理，因此只需要做简单的数据预处理即可（对10度以上的扫视进行了额外的预处理）。为了能够和脑电数据一样都探测到试次水平的自发紧张性注意分散过程，采用了和脑电相同的分段策略，并对每段按照试次水平求平均瞳孔直径。作者没有对缺失数据进行插值处理，而是剔除，并且在每个run中剔除了超过均值3.5倍标准差以外的数据，最后对每个run的分段后数据进行了z分数的标准化。对于ERP数据的分析，做了和提取alpha波段时一样的预处理，分段时间为目标线索的前200ms到刺激出现后的2000ms。取了补充图1b中绿色区域的5–7, 11–13, 106 和 112电极点进行叠加平均，以提取平均ERP成分。只有每个电极点都有用的数据才被纳入分析，为了获取稳定的基于单个试次的ERP成分，同样在每个run中剔除了超过均值3.5倍标准差以外的数据，最后对每个run的分段后数据进行了z分数的标准化。在所有处理完成后，作者进行了试次水平的混合逻辑回归模型的构建，并使用受限的最大似然估计作为模型参数估计的方法。作者构建了两个模型，两个模型的因变量都是记忆回溯反应的正确与否（即1和0），第一个模型的固定因子有两个，分别是提取的目标线索前1000ms提取出的每个试次的alpha平均功率和击中与否（即击中和非击中，1和0的分类变量）。第二个模型的固定因子也是两个，即每个试次的目标线索前1000ms的平均瞳孔直径和击中与否。这两个logistic混合效应模型在试次水平上量化了目标编码与记忆准确性之间的关系：一个用来衡量目标编码时脑电alpha波段功率与击中与否和记忆准确性的关系，另一个用来衡量目标编码时瞳孔直径与击中与否和记忆准确性的关系。在所有情况下，每个模型都包含了对被试的随机效应，以及与检索目标(概念目标、感知目标或新颖性目标线索)的交互项;线性混合效应模型被限制为击中和未击中两个条件，以匹配其他模型。在各自的模型中，使用每个变量的beta值来检验每个变量的效应的显著性(P <0.05)。试次水平的顶叶旧/新ERP和FN400 ERP成分的分析：预处理和前述相同，不再重复。数据分段是提取了反应对象前200ms和图片呈现1000毫秒后的时间段。其中顶叶旧/新ERP成分是从补充图1b中的紫色区域的42, 47, 52–54 和 61这几个电极点的同一试次的叠加平均中得到的，以往研究表明这个区域的这一ERP信号反应了记忆回溯阶段的信号。FN400是从补充图1b中的橙色区域的电极点（19, 20, 23, 24, 27, 28, 33 和 34）叠加平均得到的，这一区域的该成分在以往研究中反映了基于熟悉性物体记忆的加工过程。在针对ERP的基线矫正后，仍旧使用了和上述方法一样的试次水平的数据质量控制。然后构建基于试次水平的混合线性模型。首先对于顶叶旧/新ERP，作者构建了两个模型，两个模型的因变量都是顶叶旧/新ERP的平均波幅值（500-600ms），第一个模型的固定因子是目标线索前1000ms的alpha的平均功率，另一个是击中/未击中的分类变量。第二个模型的固定因子是目标线索前1000ms的瞳孔直径，另一个也是击中/未击中的分类变量。对于FN400也是一样的两个模型，固定因子相同，因变量是FN400的平均波幅值（400-500ms）。同样适用p<0.05的显著性水平。为了回答本研究的第三个核心问题，作者们首先检查了性格水平偏离和记忆任务中的d’分数之间的关系。以往的研究表明，紧张性alpha波段的功率水平以及相应的瞳孔直接与特质水平的注意不集中有关。在没有外部干扰的情况下，平均alpha功率的增加被认为反映了抑制的减少(即从抑制中释放)，瞳孔变异性的增加与思维游离的增加和精神运动警觉的下降相关。为了能进行后续计算（每个被试的特质水平得分一个人只有一个的，因此需要对trail水平的指标进行叠加平均），作者对之前计算好的线索目标前的1000ms内的分段的alpha功率进行了相同条件的叠加平均，对于瞳孔直径变异率，则是通过对每个被试相同条件下的所有分段数据（即有效trail）求均值和标准差，并取标准差除以均值的结果来表示的。然后在被试水平上进行数据标准化，使用了z分数标准化的方法，最后分别计算了被试水平的平均alpha功率、瞳孔直径变异率和d’分数的皮尔逊相关（单尾，对于所有的特质水平的调查量表得分也根据之前的研究假设和平均alpha功率、瞳孔直径变异率分别作了相关分析）。为了更直接地评估特质水平的注意分散和记忆之间的关系，还使用了一个典型的持续注意力任务——gradCPT测试。提取了这个任务中的两个指标，分别是：CER, 即面对“山脉”图时错误反应的比例（他不应该按键但按了的属于错误反应）和RTV，即对“城市”图反映时的所有试次下的标准差除以均值得当的标准化系数。同样在被试水平上对这些分数进行了标准化，然后与平均alpha功率、瞳孔直径变异率以及d’分数做了皮尔逊相关分析。除此以外，作者为了验证在记忆任务中，注意力分散和记忆之间的关系可以部分用持续注意力的特质水平差异来解释，进行了两个被试水平的中介模型分析。作者计算了三个检索目标条件中d’值的平均值，从而得出了一个通用的记忆度量得分。一个中介模型（补充图2d）检验了从注意分散(平均alpha功率)到gradCPT (a)和gradCPT到记忆得分(b)的间接路径，以及从注意分散到记忆得分(c)的直接路径。另一个模型检查了相同的路径，但用瞳孔变异性代替了平均alpha功率。每条间接路径或中介都被计算为a 与b的乘积，使用10,000次的bootstrap置换得到每条间接路径的95%的置信区间。如果您对脑电及眼动数据处理感兴趣，欢迎浏览思影科技课程及服务（可添加微信号siyingyxf或18983979082详细了解）：
第二十三届脑电数据处理中级班（重庆，12.16-21）
第十一届脑电数据处理入门班（重庆，1.7-12）
第八届脑电信号数据处理提高班（重庆，1.30-2.4）
第十届近红外脑功能数据处理班(重庆，12.23-28）
作者首先利用检索任务的数据来考察记忆前的注意力分散是否以及如何与目标编码、记忆和行为遗忘的神经信号相关。在EEG中大脑后部的alpha功率中刺激前的紧张性增加（表现为自上而下的抑制控制释放），而瞳孔测量中的瞳孔直径中刺激前紧张性减少（表现为与去甲肾上腺素蓝斑环路有关的低觉醒），这与注意力分散和工作记忆、知觉辨认和警觉注意的准确性降低有关，因此可能延伸到情境记忆上去。对于注意力的自发波动在代表后期记忆尝试进行后编码的检索目标和线索表征中所起的作用知之甚少。为了分析自发注意力分散，从每个试次的提取目标线索和目标对象开始前的1s提取紧张性大脑后部alpha功率和瞳孔直径。为了测量目标编码在三个记忆检索任务上的强度，从先验的额叶电极通道中提取了目标线索锁定事件相关电位（ERPs）来跟踪目标加工。为了测量基于回忆记忆和熟悉记忆的神经信号，从先验的左侧后部和左侧额中区域的电极点（为了论述方便，这样的多个电极点的组合提出的值称为簇）提取对象锁定的ERP，这些电极点是顶区旧记忆与新记忆(以下称为Parietal Old/New）和额中部早期旧记忆与新记忆(以下称为FN400)的典型部位 (补充图1b)。所有的分析都在每个run中进行z分数计算，以消除run之间潜在的任务时间效应。 在提取目标线索开始之前的注意力的自发变化与随后对研究项目的记忆相关(图1)。具体地说，在三种目标状态条件下，注意力早期分散--以目标前大脑后部alpha功率的增加和瞳孔直径的减小为标志。与成功的记忆(击中)相比，记忆失败(未击中)的可能性更大。相反，在后来的试次中，记忆检索前的对象其alpha和瞳孔直径与未击中或击中无关(正确拒绝和虚报也不受影响)。
目标前注意力分散与三种提取目标条件下的遗忘(未击中)和记忆(击中)有关，这种关系部分地受到额叶中部ERP簇的目标编码强度的调节。a，b，注意力从alpha(a)和瞳孔(b)分析中消失。条形图显示平均值未加权的标准化β值(数据为平均值+标准误)。对于注意力分散和记忆之间的关系(左上角)、前额中部目标编码和记忆之间的关系(右上角)以及折线图(左下角)显示平均未加权标准化β值(数据为平均值+标准误)的五分位数。关于注意力分散和目标编码之间的关系，使用混合逻辑回归模型进行分析，在方法部分有具体介绍。带有小数的轴显示为z分数。试次水平的中介模型反映平均加权标准化β值，具有双侧P值。因此，作者探究了目标前注意力分散与遗忘或记忆之间的关系。一种可能性是，紧接在处理检索目标之前的注意力分散导致随后目标编码的强度降低，并影响记忆检索。与这一假设一致的是，目标线索前的注意力分散与随后的目标线索诱发的额叶中部事件相关电位信号的减少显著相关。值得注意的是，目标状态编码的这种减少又与三种目标状态条件显著相关。试次水平的中介分析表明，目标前注意分散和后来遗忘之间的关系部分地由目标编码的强度来解释，当使用目标前alpha功率(图1a)和瞳孔直径(图1b)来测试注意力时，情况也是如此。每次中介的总效应、间接效应和直接效应均有显著性差异(P均<0.05)。这些结果表明，目标线索之前的瞬间注意力分散与目标编码的伴随减少相关，目标编码的减少影响了对物体来源（以下“来源”均指的是被试对之前看过的物体的回忆）的回忆和新颖性检测，而且对记忆也有显著的直接影响。除了记忆行为，还使用EEG来测量记忆检索的神经标记及其与注意力分散的关系。无论注意状态如何，都观察到了顶区旧记忆与新记忆(补充图2A)和FN400(补充图2C)神经信号(另见补充图3、4)。接下来，检查了目标前的注意分散是否与提取对象诱发的顶区旧记忆与新记忆和FN400神经信号的大小相关。聚焦于概念提取和知觉提取任务中的来源回忆信号时，观察到记住(击中)与忘记(未击中)时，试次水平的目标前注意分散与顶区新旧记忆效应的大小(对象出现后500-600ms)之间存在显著的交互作用(补充图2B)。目标前分散与未击中试次中顶叶信号强度显著相关，但与击中试次无关。也就是说alpha功率从前一时刻到下一时刻的增加和瞳孔直径的减小与来源记忆失败(未击中)的顶叶旧/新ERP信号的减少相关，这表明注意力的波动与驱动遗忘回忆反应的阈值相关。
补充图2. 目标前注意分散与基于回忆和基于熟悉记忆的典型神经信号有关，分别由总平均左侧化顶叶旧/新ERP和FN400 ERP来检测。
a,概念性和知觉性来源检索试次中记忆结果在对象呈现后500-600ms窗口中的顶叶新旧信号峰值(由黑色箭头表示)的证据。b,在记忆(击中)和遗忘(未击中)试次中，目标前注意分散与顶叶新旧信号之间的试次水平交互作用。c,作为新颖性检测试次中记忆结果在对象呈现后400-500ms窗口中的峰值FN400信号(由黑色箭头指示)的证据。d,与未击中相比，在正确记忆的新项目(击中)上，目标前注意分散与FN400信号之间的试次水平交互作用。Y轴单位是z分数。数据为平均值±标准误。CRold，正确拒绝旧项；CRnew，正确拒绝新项；FAold，对旧项进行虚报；FAnew，对新项进行虚报。
补充图3. 在来源检索试次中，对象呈现后500-600ms窗口内的顶叶旧/新信号平均峰值与记忆结果有关的证据。
顶部旧/新信号的平均峰值由黑色箭头表示。a、b数据按概念性和知觉性来源试次分开。对于概念线索，击中和未击中是针对概念性研究的项目，正确拒绝和虚报是针对知觉性研究的项目。对于知觉线索，击中和未击中是针对知觉性研究的项目，正确拒绝和虚报是针对概念性研究的项目。
补充图4. 总平均左偏侧化事件相关电位揭示了基于回忆的顶叶新旧和基于熟悉的FN400记忆效应。
数据被降采样到10ms的时间间隔。a、b中以100ms为时间段划分，使用了概念和知觉来源检索的试次(a)是对记忆结果的解释，在对象呈现后500-600ms显示出顶叶新旧信号峰值(由黑色箭头表示)，并且在新颖性检测试次(b)中，根据记忆结果，在对象呈现后400-500ms显示了峰值FN400信号(由黑色箭头表示)。Y轴单位是z分数。关于新颖性检测任务中的神经记忆信号，正确击中新项目与未击中相比，试次水平的目标前注意分散与FN400成分的大小(对象呈现后400-500ms)之间也发现了显著的交互作用(补充图2D)。目标前分散与未击中的FN400信号强度有显著相关性，而不是与击中相关。也就是说，alpha功率从上一个时刻到下一个时刻的增加和瞳孔直径的减少与FN400信号中未击中时的正波增加相关，这使得信号看起来更像是不正确的旧的项目，而不是正确的新项目。这些结果表明，注意力波动与巩固和基于熟悉的记忆的神经反应相关。除了时刻与时刻间的注意分散和随后的记忆失败信号之间的关系，这项研究还评估了注意力分散倾向的特质水平差异是否有助于解释为什么有些人比其他人更容易忘记(图2)。新出现的证据表明，持续注意力的特质水平差异与工作记忆的差异有关，因此，这些差异可能延伸到长期记忆过程。作者首先研究了基于特征水平的基于任务的预备性分散指标与记忆的关系，计算了被试水平的注意分散标记：所有目标前检索时期的平均alpha功率和瞳孔直径变异性-以及检索成功的行为标记(每个目标状态条件的记忆可区分性(d’))。以往研究指出，在没有外部分心的情况下，较高的alpha功率与特质水平的注意抑制的释放有关，较高的瞳孔变异性与更多的任务外思维有关，较高的d’表示更高的记忆准确率。本研究发现平均alpha功率和瞳孔变异性的增加与d’的个体差异显著负相关(图2a)。此外，根据平均alpha功率和瞳孔变异性分析，编码时目标前注意力分散的个体差异与检索时目标前分散的个体差异和记忆能力显著相关(补充图5)。值得注意的是，当控制编码时的注意差异时，个体在检索和记忆时的目标前注意的差异之间仍然存在显著的关系。实验结束后，被试还完成了一项独立的基于任务的持续注意评估(gradCPT)。它的两个指标不反应时的错误率(CER；对‘no-go’试次的反应)和反应时间变异性(RTV；对‘go’试次的正确反应的变异系数)是特质水平注意力分散的可靠指标。通过记忆任务中的平均alpha功率和瞳孔变异性分析，特质水平的注意力分散与gradCPT的CER显著相关，但与RTV不相关(图2B)。值得注意的是，在概念检索、知觉检索和新颖性检测任务中，CER和RTV与d’呈显著负相关。因此，持续注意力的特质水平差异与个体的记忆差异相关。
图2.持续注意力的特质水平差异有助于解释为什么个体更容易记住或遗忘。a、b较大的分散与记忆任务(a)上较差的d’和在gradCPT(b)上的注意力相关。c,注意程度较差的CPT与较差的记忆d’相关。a-c显示原始分数。使用Z分数和皮尔逊相关性进行统计分析。d,标准化β均值和双侧P值的正式中介模型。对于alpha数据，n=75个被试，对于来自单个独立实验的所有其他数据，n=80个被试；因此，对于alpha和瞳孔模型，不按键误差和d’之间的影响大小不相同。在适用的情况下，使用Z检验和t检验进行统计分析，不进行多次比较校正。
补充图5. 编码时持续注意力的特质水平差异有助于解释为什么个体更容易记住或遗忘。a、b，编码时较大的目标前注意力分散与检索时较大的目标前注意力分散(a)和较低的记忆任务(b)上的d’相关。为了可视化，绘制了原始分数；统计数据包括带有皮尔逊相关性的z得分分析。对于alpha检索数据，n=75个被试，对于来自单个独立实验的所有其他数据，n=80个被试。这些编码注意的特质差异并不能完全解释检索注意力的特质差异与记忆能力之间的关系。特质水平的中介分析进一步揭示了个体在注意分散和记忆上的差异关系可以由gradCPT中CER的持续注意力差异来解释(图2d)。每次调制的总效应和间接效应均有显著性差异(P<0.02)。这些结果表明，持续性注意的特质差异可以解释目标前注意分散和记忆的个体差异。验证性因素分析表明，注意因素(来源记忆任务的瞳孔变异性和平均alpha功率，以及来自gradCPT的CER和RTV)和一个‘记忆’因素(来自每个提取任务的d’)具有显著的模型拟合(χ221=185.68，P<0.001)，注意力不集中与记忆之间存在显著的负相关(P<0.001)。鉴于观察到日常MMT(媒体多任务）与情景记忆表现呈负相关，此处使用目前的方法测试了在目标导向行为之前，较重的媒体多任务处理者中遗忘增加与目标定向行为发生之前注意力下降的倾向是否相关。基于实验室的认知测试（特别是注意力和记忆）与现实世界中MMT行为之间的关系的数据(即一个人在给定的媒体耗费小时内接触多种媒体类型的程度，例如，边看电视边发短信)具有一定的差异，部分原因是，即使在执行一项任务时，MMT较重也会降低工作记忆和情景记忆，这可能是因为它与持续注意力分散和走神增加呈正相关。鉴于与媒体流的接触在日常生活中无处不在，因此有必要明确MMT(媒体多任务）和记忆之间特质水平关系的机制。所有被试都完成了一组由几份自我报告问卷组成的个体差异测试，包括修改后的媒体多任务清单，分数越高，表明MMT越重，得分越低，MMT越轻。作者首先观察到，自我报告较重MMT的被试在概念检索、知觉检索和新颖性检测任务中的d’显著降低(图3A)。第二，在记忆任务中，较重的MMT与较高的CER和较高的RTV，以及较高的目标前alpha功率和瞳孔变异性显著相关，而在记忆任务(图3b)中，较重的MMT与较高的CER和较高的RTV显著相关。另一种验证性方法也显示了相同的发现结果。最后，特质水平的中介检验表明，MMT任务与记忆之间的关系可以部分用持续注意水平的差异来解释。
图3. 持续注意的特质水平差异部分解释了MMT与记忆的负相关。a、b，较重的MMT与较差的d’(a)和在检索(b)期间较大的分散相关。在gradCPT过程中，MMT越重，不按键误差和RTV越高。a-c显示原始分数。使用Z分数和皮尔逊相关性进行统计分析。d,标准化β均值、双侧P值的正式中介模型。对于alpha数据，n=75名被试，对于来自单个独立实验的所有其他数据，n=80名被试。在适用的情况下，使用Z检验和t检验进行统计分析，不进行多次比较校正。探索性因素分析(也就是主成分分析)进一步显示，MMT(媒体多任务）承载着从其他相关问卷中提取的“持续注意力”因素-包括自发走神、注意力缺陷/多动障碍(ADHD)和注意力冲动的测量。MMT是唯一与所有记忆和注意力指标显著相关的自我报告测量。基于任务的和自我报告的测量表明，注意力的分散可以合理解释为什么记忆负荷较重的人会与较差的情景记忆相关。本研究通过记录当检索过程中出现目标前注意力分散时，目标编码的强度降低和记忆表现之间的关系。在三个检索任务中，注意分散、目标线索和记忆成功与否（即击中或未击中）之间的试次水平的关系被观察到。作者研究结果表明，记忆回溯前的注意力分散的大脑后部alpha波的功率和瞳孔直径数据能够预测记忆回溯时的神经信号减少，并且这种减少和遗忘行为相关。对特质水平注意力分散的独立测量发现，特质水平的持续注意能力调节了注意力分散的神经响应和记忆表现之间的关系，以及媒体多任务处理和记忆之间的关系。作者的分析进一步表明，MMT（媒体多任务）越重，情景记忆越差，部分原因是这些人更容易遭受更频繁或破坏性的注意力分散。本文的结果突显了多模态方法在试次水平上结合分析的优势，并且在特质水平上促进了我们对注意力在记忆中的作用的理解。未来的工作重点应是纵向分析，从而进一步研究因果关系，关于MMT的差异是否会导致注意力的差异(反之亦然)，我们仍旧缺乏直接的因果证据。除此以外，采用互补的多模态方法来量化注意力和目标状态编码还有望建立相关模型，说明注意力、目标状态、上下文线索处理和记忆之间的交互作用如何解释为什么我们有时记住有时忘记，以及为什么有些人比其他人记忆得更好。
