任務(wù)相關(guān)性對數(shù)量感序列依賴效應(yīng)的影響*

劉雨杰 劉晨淼 周麗琴 周 可

任務(wù)相關(guān)性對數(shù)量感序列依賴效應(yīng)的影響*

劉雨杰1,2劉晨淼3周麗琴3周 可3

(1中國科學(xué)院生物物理研究所, 腦與認(rèn)知科學(xué)國家重點(diǎn)實(shí)驗(yàn)室, 北京 100101) (2中國科學(xué)院大學(xué)中丹學(xué)院, 北京 100049) (3北京師范大學(xué)心理學(xué)部, 應(yīng)用實(shí)驗(yàn)心理北京市重點(diǎn)實(shí)驗(yàn)室, 心理學(xué)國家級(jí)實(shí)驗(yàn)教學(xué)示范中心(北京師范大學(xué)), 北京 100875)

序列依賴效應(yīng)反映了當(dāng)前的知覺體驗(yàn)不僅取決于當(dāng)下的刺激輸入, 還受到近期歷史的影響。這一效應(yīng)對于我們在動(dòng)態(tài)變化的環(huán)境中形成相對穩(wěn)定的知覺至關(guān)重要。本研究使用點(diǎn)陣作為刺激材料, 在數(shù)量/面積(實(shí)驗(yàn)1)或數(shù)量/大小(實(shí)驗(yàn)2)兩個(gè)維度上進(jìn)行正交設(shè)計(jì), 旨在通過估計(jì)任務(wù)探索任務(wù)相關(guān)性如何影響線性分布特征的序列依賴效應(yīng)。結(jié)果顯示無論特征是否與任務(wù)相關(guān), 前一試次與當(dāng)前試次同一特征總會(huì)對當(dāng)前試次的知覺產(chǎn)生相反的影響。對于任務(wù)相關(guān)特征, 前一試次產(chǎn)生的序列依賴始終為排斥效應(yīng)。而對于任務(wù)無關(guān)特征, 如果在當(dāng)前試次中無關(guān)特征對被試的知覺反應(yīng)有正向預(yù)測作用, 則前一試次無關(guān)特征產(chǎn)生排斥的序列依賴效應(yīng); 反之, 如果在當(dāng)前試次中無關(guān)特征對被試的知覺反應(yīng)有負(fù)向預(yù)測, 則前一試次無關(guān)特征產(chǎn)生吸引的序列依賴效應(yīng)。任務(wù)相關(guān)性對序列依賴效應(yīng)的影響主要體現(xiàn)在效應(yīng)幅值的降低。這些發(fā)現(xiàn)揭示了線性分布特征的序列依賴效應(yīng)受任務(wù)相關(guān)性以及特征本身特性的共同影響, 而無關(guān)特征的序列依賴效應(yīng)則暗示在客體水平也可以產(chǎn)生序列依賴效應(yīng)。

序列依賴效應(yīng), 數(shù)量感, 任務(wù)相關(guān)性, 線性分布的特征

1 研究背景

我們的感官系統(tǒng)持續(xù)從周遭環(huán)境中接受大量刺激信息, 這些輸入信息往往復(fù)雜多變且?guī)в性肼?。?dāng)這些信息在大腦中加工時(shí), 內(nèi)部神經(jīng)元的反應(yīng)也可能伴隨噪聲。盡管如此, 我們所感知到的世界仍顯得如此非常穩(wěn)定。那么大腦是如何在瞬息萬變的環(huán)境中維持對事物連續(xù)穩(wěn)定的知覺呢？近年來研究表明, 人腦可能是通過一種主動(dòng)過濾掉外源性和內(nèi)源性噪聲的機(jī)制以保證對外部世界的穩(wěn)定知覺。這種過濾機(jī)制也被稱為序列依賴效應(yīng)(serial dependence) (Fischer & Whitney, 2014)。

序列依賴效應(yīng)指的是我們對當(dāng)前視覺刺激的知覺不僅受到當(dāng)前刺激本身, 還受到過去知覺經(jīng)驗(yàn)的影響, 這可能導(dǎo)致對當(dāng)前刺激知覺的偏差。一般認(rèn)為這種偏差是吸引的, 使得當(dāng)前刺激被認(rèn)為與前一刺激更相似, 但也有研究發(fā)現(xiàn)排斥的偏差, 使得對當(dāng)前刺激的知覺與前一刺激更不同(Cicchini et al., 2017; Fischer & Whitney, 2014; Pascucci & Plomp, 2021; Sun et al., 2020; Xu et al., 2022)。序列依賴效應(yīng)可能發(fā)生在信息處理和表征的各個(gè)層面(Cicchini et al., 2021; Fritsche et al., 2017; Xu et al., 2022)。根據(jù)當(dāng)前的各種范式和多項(xiàng)研究結(jié)果表明, 序列依賴效應(yīng)是一種多因素現(xiàn)象, 即先前的感知、記憶、決策和任務(wù)的具體要求共同影響對當(dāng)前刺激特征的決策(Fritsche et al., 2017; Fritsche & de Lange, 2019; Pascucci et al., 2019)。在這種加工機(jī)制下, 我們的知覺系統(tǒng)可能保留著最近輸入的信息, 使當(dāng)前的知覺內(nèi)容系統(tǒng)性地偏向于最近的刺激輸入, 從而減少冗余的信息加工和神經(jīng)噪聲。這種內(nèi)在加工機(jī)制被認(rèn)為是對知覺穩(wěn)定性的一種解釋：過去的經(jīng)驗(yàn)和當(dāng)前的刺激輸入共同決定了我們當(dāng)前的知覺。

序列依賴效應(yīng)廣泛存在于各種視覺任務(wù)和刺激中, 比如在表征空間上呈圓分布的朝向知覺(Fischer & Whitney, 2014; Fritsche et al., 2017), 顏色估計(jì)(Barbosa & Compte, 2020), 圓周空間位置判斷(Manassi et al., 2018), 形狀知覺(Collins, 2022b)等; 同時(shí), 序列依賴也存在于在表征空間上呈線性分布的特征, 如數(shù)量感(Cicchini et al., 2014; Fornaciai & Park, 2018b), 時(shí)間知覺(Togoli et al., 2021), 面孔吸引力知覺(van der Burg et al., 2019), 甚至是刺激集合的統(tǒng)計(jì)屬性, 如變異性(Suárez- Pinilla et al., 2018)。線性分布的特征, 如數(shù)量、面積、距離、亮度等, 其值會(huì)在一定范圍內(nèi)單向變化; 而圓分布的特征, 如方向、顏色、月份、角度等, 其值在一定范圍內(nèi)變化, 到達(dá)上限后會(huì)回到起始值, 形成一個(gè)循環(huán)。有研究者認(rèn)為, 由于圓分布的數(shù)據(jù)具有周期性, 它們和線性分布的數(shù)據(jù)有本質(zhì)的不同(Cremers & Klugkist, 2018)。鑒于樣本空間呈現(xiàn)不同類型的分布形式, 圓分布的數(shù)據(jù)與線性分布的數(shù)據(jù)通常需要借助不同的數(shù)學(xué)模型進(jìn)行描述, 并采用不同的統(tǒng)計(jì)分析方法(Cremers, 2021; Fisher, 1995; Fisher & Lee, 1992; Lagona, 2016; Ravindran & Ghosh, 2011)。

根據(jù)以往研究, 圓分布的特征和線性分布的特征在序列依賴效應(yīng)的方向和強(qiáng)度上, 受到相鄰試次間特征物理差異的不同影響。在研究“圓分布”特征的序列依賴效應(yīng)時(shí), 如朝向特征的研究中, 當(dāng)先后呈現(xiàn)的兩個(gè)刺激朝向差異較小時(shí), 被試的反應(yīng)會(huì)系統(tǒng)地偏向于先前試次的朝向, 表現(xiàn)為吸引效應(yīng); 而當(dāng)朝向差異較大時(shí), 則可能沒有效應(yīng)或表現(xiàn)為遠(yuǎn)離先前試次朝向的排斥效應(yīng)(Fischer & Whitney, 2014; Fritsche et al., 2017)。這一現(xiàn)象通常使用高斯分布的一階微分函數(shù)或正弦函數(shù)來擬合。其他在表征空間上符合圓分布(即：馮·米塞斯分布)的特征在行為表現(xiàn)上也體現(xiàn)出與朝向判斷相似的序列依賴效應(yīng)。然而, 在呈線性分布的視覺特征中存在的序列依賴效應(yīng)在表現(xiàn)形式上與呈圓分布的不同。比如, 在數(shù)量感的研究中, 前一試次的點(diǎn)陣數(shù)值越大, 對當(dāng)前點(diǎn)陣的高估程度越大; 同時(shí), 前一試次的點(diǎn)陣數(shù)值越小, 則對當(dāng)前點(diǎn)陣的低估程度越大。體現(xiàn)出先前數(shù)量對當(dāng)前數(shù)量估計(jì)的單調(diào)影響(Cicchini et al., 2014; Fornaciai & Park, 2020)。這兩類特征在序列依賴效應(yīng)上的差異可能源于我們對二者的表征方式和處理機(jī)制可能不同。

雖然線性分布的特征在日常生活中同樣普遍, 但與圓分布特征相比, 對線性特征的序列依賴效應(yīng)研究相對較少。本研究將以數(shù)量感及其相關(guān)線性特征為研究對象, 考察線性特征的序列依賴效應(yīng)。數(shù)量感是人類和動(dòng)物的基本數(shù)字能力, 在不同物種中普遍存在(楊偉星等, 2017; Cantlon et al., 2009; Kutter et al., 2018), 涉及快速理解、評(píng)估和處理數(shù)值信息, 以及表征和理解數(shù)值之間的關(guān)系(Dehaene, 2002)。數(shù)量感對很多生物的生存有著重大影響。例如, 魚會(huì)選擇更大的魚群以降低被捕食的風(fēng)險(xiǎn), 而蜜蜂能夠通過花瓣數(shù)量來識(shí)別花朵(Agrillo et al., 2016; Gross et al., 2009; Pisa & Agrillo, 2009)。此外, 數(shù)量感是人類基礎(chǔ)的認(rèn)知能力, 甚至可能是高級(jí)數(shù)學(xué)能力的認(rèn)知基礎(chǔ)(Sadler & Tai, 2007; Starr et al., 2013)。因此, 研究數(shù)量感的加工機(jī)制尤為重要。

已有多項(xiàng)研究表明, 序列依賴效應(yīng)的強(qiáng)度和方向受注意和任務(wù)相關(guān)性影響(Fischer et al., 2020; Fornaciai & Park, 2019a; Fritsche & de Lange, 2019)。有研究發(fā)現(xiàn), 即使在沒有明確任務(wù)的情況下, 僅通過被動(dòng)觀看刺激也會(huì)出現(xiàn)序列依賴效應(yīng)(Fornaciai & Park, 2018a), 表明任務(wù)無關(guān)刺激也具有序列依賴效應(yīng)。Pascucci等人(2019)的研究發(fā)現(xiàn), 被試被明確告知某些試次不需要做朝向的復(fù)現(xiàn)報(bào)告時(shí), 這些試次的吸引效應(yīng)消失, 甚至?xí)笠粋€(gè)試次的朝向知覺產(chǎn)生排斥效應(yīng)。與之一致的是, 許多的研究證據(jù)支持在產(chǎn)生序列依賴效應(yīng)的過程中, 注意起著至關(guān)重要的作用：任務(wù)相關(guān)的位置或特征會(huì)得到更多注意, 其吸引效應(yīng)也更強(qiáng)。例如, 當(dāng)多個(gè)刺激同時(shí)呈現(xiàn)時(shí), 觀察者對當(dāng)前目標(biāo)位置的光柵朝向的知覺更靠近先前試次中目標(biāo)位置處的光柵的朝向, 這表明注意位置產(chǎn)生了吸引的序列依賴效應(yīng); 但是, 對于先前未被注意的位置(任務(wù)無關(guān)位置)來說, 吸引的效應(yīng)減弱甚至出現(xiàn)排斥(Fischer & Whitney, 2014; Fornaciai & Park, 2018b)。除了受空間注意的影響, 序列依賴效應(yīng)還受到特征注意的影響。即使是同一物體的不同特征(如大小和朝向、顏色和運(yùn)動(dòng)方向), 當(dāng)注意力被引向其中一個(gè)特征時(shí), 另一個(gè)特征上的序列依賴效應(yīng)就會(huì)大幅減少(Fischer et al., 2020; Fritsche & de Lange, 2019)。

盡管上述實(shí)驗(yàn)證據(jù)大多支持任務(wù)相關(guān)性對序列依賴效應(yīng)的影響, 但是這些研究主要集中于服從圓分布的特征屬性, 如朝向或位置。正如前文所述, 線性空間特征的序列依賴效應(yīng)與圓分布特征表現(xiàn)出不同之處, 其背后的機(jī)制可能也有所差異。數(shù)量感(numerosity perception)不僅是一項(xiàng)基本的視覺特征, 也是具有代表性的線性空間的特征(Anobile et al., 2012; DeWind et al., 2015; Kutter et al., 2022)。當(dāng)點(diǎn)陣在數(shù)量上不同時(shí), 其他刺激屬性, 如點(diǎn)的大小(Item Area, IA)、點(diǎn)的密度(Density)和點(diǎn)陣面積(Field Area, FA)也可能會(huì)不同。這些屬性之間相互影響, 共同決定了我們知覺到的內(nèi)容(Franconeri et al., 2009; Harvey et al., 2015; Tokita & Ishiguchi, 2010)?？紤]到知覺過程中點(diǎn)陣的不同屬性之間可能存在干擾, 這種干擾是否會(huì)進(jìn)入刺激的歷史信息, 進(jìn)而體現(xiàn)在序列依賴效應(yīng)中？當(dāng)作為任務(wù)無關(guān)特征和任務(wù)相關(guān)特征時(shí), 不同刺激屬性的序列依賴效應(yīng)又將分別呈現(xiàn)出什么特點(diǎn)？

到目前為止, 僅有少數(shù)團(tuán)隊(duì)和研究嘗試探討數(shù)量感及其相關(guān)特征之間的序列依賴效是否受任務(wù)相關(guān)性的影響。例如, 基于數(shù)量感和時(shí)間知覺的研究發(fā)現(xiàn), 當(dāng)這兩種特征分別作為無關(guān)特征時(shí), 對另一特征均不具有吸引效應(yīng)(Togoli et al., 2021)。此外, 數(shù)量和點(diǎn)陣中單個(gè)點(diǎn)的平均面積大小也只在作為任務(wù)相關(guān)特征時(shí)影響自身的序列依賴效應(yīng)(Fornaciai et al., 2023)。利用事件相關(guān)電位技術(shù)(event?related potentials, ERP)的研究發(fā)現(xiàn), 雖然行為上數(shù)量和大小都沒有體現(xiàn)出跨特征的序列依賴效應(yīng), 神經(jīng)信息中卻能夠解碼出它們作為無關(guān)特征時(shí)的表征(Fornaciai et al., 2023)。

盡管上述以數(shù)量感為研究對象的研究已嘗試探討線性特征的序列依賴效應(yīng)受任務(wù)相關(guān)性的影響, 但它們所使用的研究范式與經(jīng)典的序列依賴效應(yīng)研究范式存在區(qū)別。在研究圓分布的特征的序列依賴效應(yīng)時(shí), 常采用復(fù)現(xiàn)/估計(jì)任務(wù)(Adjustment tasks) (Cicchini et al., 2018; Fischer & Whitney, 2014), 如經(jīng)典的朝向復(fù)現(xiàn)范式, 而“線性表征”的特征(如數(shù)量感)的序列依賴效應(yīng)研究多采用迫選任務(wù)(Forced-choice tasks) (Cicchini et al., 2021; Fornaciai & Park, 2018b, 2019b, 2020)。復(fù)現(xiàn)/估計(jì)任務(wù)要求被試調(diào)整反應(yīng)工具, 使之盡量與他們知覺到的刺激特征匹配。迫選任務(wù)通常是讓被試需要比較目標(biāo)刺激和參考刺激的某一特征(如朝向、數(shù)量) (Cicchini et al., 2021; Fritsche et al., 2017), 通過心理物理曲線的偏移來揭示誘導(dǎo)刺激是否改變了目標(biāo)刺激的知覺特征。

復(fù)現(xiàn)/估計(jì)任務(wù)與迫選任務(wù)主要有以下區(qū)別。首先, 迫選任務(wù)主要關(guān)注同一試次中誘導(dǎo)刺激對探測刺激知覺的影響(Fornaciai & Park, 2018b, 2019b; Togoli et al., 2021)。在該范式下, 被試不需要對誘導(dǎo)刺激本身進(jìn)行知覺報(bào)告, 因此任務(wù)無關(guān)特征的知覺加工并沒有被特別明確地抑制, 對誘導(dǎo)刺激的知覺加工是否準(zhǔn)確或加工到什么程度也無法明確得知。然而在復(fù)現(xiàn)/估計(jì)范式中, 被試對前后兩個(gè)試次的刺激的任務(wù)相關(guān)特征都需要進(jìn)行報(bào)告, 可以最大程度上減小無關(guān)特征的知覺加工。其次, 相對于估計(jì)任務(wù), 迫選任務(wù)對認(rèn)知加工的要求更少, 被試不一定需要完成從非符號(hào)到符號(hào)的轉(zhuǎn)換。復(fù)現(xiàn)/估計(jì)任務(wù)則更多涉及到記憶等更為高級(jí)的知覺階段。最后, 經(jīng)典的復(fù)現(xiàn)/估計(jì)范式中, 先前試次刺激的特征往往具有多個(gè)水平; 而在以往迫選任務(wù)中, 誘導(dǎo)刺激的特征水平數(shù)較少, 這可能限制了其實(shí)驗(yàn)效度。綜上所述, 為了直接比較線性特征與圓分布特征的序列依賴效應(yīng), 并排除掉實(shí)驗(yàn)范式等混淆因素的潛在影響, 我們選用復(fù)現(xiàn)/估計(jì)任務(wù)對數(shù)量感的序列依賴效應(yīng)進(jìn)行考察。

本研究旨在應(yīng)用經(jīng)典的序列依賴效應(yīng)研究范式, 并通過數(shù)量估計(jì)和面積估計(jì)兩種任務(wù), 探究任務(wù)相關(guān)性如何影響線性特征的序列依賴效應(yīng)及其作用機(jī)制。在數(shù)量感的序列依賴效應(yīng)研究中, 通常會(huì)呈現(xiàn)一系列點(diǎn)陣, 要求被試估計(jì)點(diǎn)陣中點(diǎn)的數(shù)量或者分辨哪一個(gè)點(diǎn)陣包含的點(diǎn)的數(shù)量更多(Castaldi et al., 2018; Cicchini et al., 2014; Fornaciai & Park, 2018b, 2020)。本研究同樣采用點(diǎn)陣作為刺激材料, 其中點(diǎn)的數(shù)量與點(diǎn)陣面積(實(shí)驗(yàn)1)或者點(diǎn)的數(shù)量與點(diǎn)的大小(實(shí)驗(yàn)2)兩個(gè)維度正交變化。前人研究發(fā)現(xiàn), 先前刺激的物理特征和被試的反應(yīng)都會(huì)影響當(dāng)前的判斷, 且放在同一模型中相比逐一單獨(dú)考慮時(shí), 二者表現(xiàn)出來的序列依賴效應(yīng)有很大的差異(Shan & Postle, 2022; Stern et al., 2022)。本研究以刺激的物理特征和被試反應(yīng)中的一個(gè)或多個(gè)因素分別作為自變量, 建立廣義線性混合效應(yīng)模型(Generalized Linear Mixed-effects Models, GLMM)。GLMM作為一種強(qiáng)大的統(tǒng)計(jì)工具, 能夠處理不同的響應(yīng)變量分布, 使得模型更加靈活。它可以同時(shí)考慮固定效應(yīng)和隨機(jī)效應(yīng)的影響, 從而更好地處理被試之間的個(gè)體差異和實(shí)驗(yàn)設(shè)計(jì)中的復(fù)雜交互效應(yīng), 因此可以提供更精確和穩(wěn)健的估計(jì)結(jié)果(Bolker et al., 2009)。我們將通過模型比較來確定最優(yōu)模型, 并進(jìn)一步分析該模型中刺激的物理特征和被試反應(yīng)對序列依賴效應(yīng)的貢獻(xiàn)。

2 實(shí)驗(yàn)1：數(shù)量與點(diǎn)陣面積的任務(wù)相關(guān)性對序列依賴效應(yīng)的影響

2.1 實(shí)驗(yàn)?zāi)康?/h3>

本實(shí)驗(yàn)采用估計(jì)任務(wù), 評(píng)估數(shù)量和面積估計(jì)中序列依賴效應(yīng)的行為特征, 以及數(shù)量和面積分別作為任務(wù)無關(guān)特征時(shí), 對后續(xù)面積或數(shù)量的知覺的影響。預(yù)期在估計(jì)任務(wù)中, 任務(wù)相關(guān)性會(huì)影響序列依賴效應(yīng)。在數(shù)量估計(jì)任務(wù)中, 由于數(shù)量是任務(wù)相關(guān)特征, 其序列依賴效應(yīng)應(yīng)該更強(qiáng), 而面積作為任務(wù)無關(guān)特征, 其序列依賴效應(yīng)應(yīng)該較弱。在面積估計(jì)任務(wù)中則相反。

2.2 方法

2.2.1 被試

本研究采用G*power 3.1.9軟件(Faul et al., 2009), 設(shè)置Effect size2為0.3, Power (1 ? β)為80%, α水平為0.05, 計(jì)算出所需樣本量為29人。實(shí)驗(yàn)1實(shí)際招募33名被試, 其中包括25名女性, 平均年齡21.15歲, 均為北京師范大學(xué)在校學(xué)生, 所有參與者視力或矯正視力正常, 無色盲、色弱, 右利手。他們均非數(shù)學(xué)專業(yè), 非心理學(xué)專業(yè)大二及以上年級(jí)。本研究通過北京師范大學(xué)心理學(xué)部實(shí)驗(yàn)倫理審查, 并支付被試相應(yīng)實(shí)驗(yàn)費(fèi)用。

2.2.2 實(shí)驗(yàn)儀器與材料

實(shí)驗(yàn)在安靜且黑暗的房間內(nèi)進(jìn)行, 顯示器為27英寸純平彩色顯示器, 垂直刷新頻率59 Hz, 分辨率2560×1440, 實(shí)驗(yàn)時(shí)屏幕背景色為灰色, 亮度為10 cd/m2。被試距離計(jì)算機(jī)屏幕55 cm。實(shí)驗(yàn)材料為黑色實(shí)心小圓點(diǎn)和白色實(shí)心小圓點(diǎn)構(gòu)成的點(diǎn)陣。點(diǎn)陣使用CUSTOM生成(de Marco & Cutini, 2020), 在點(diǎn)的數(shù)量和點(diǎn)陣面積兩個(gè)維度上正交變化。點(diǎn)陣呈現(xiàn)在以屏幕中央為圓心的圓形區(qū)域內(nèi)。點(diǎn)陣中點(diǎn)的個(gè)數(shù)有7個(gè)水平, 分別是8, 10, 12, 16, 20, 26, 或32個(gè)點(diǎn)。為保證光通量相等, 點(diǎn)陣中黑點(diǎn)和白點(diǎn)的數(shù)量相等, 各占二分之一。點(diǎn)陣面積也具有7個(gè)水平, 分別為40.1 degree2, 50.1 degree2, 60.1 degree2, 80.2 degree2, 100.2 degree2, 130.3 degree2或160.3 degree2。每個(gè)點(diǎn)的面積大小的范圍是0.04 degree2到0.28 degree2; 每個(gè)點(diǎn)陣中點(diǎn)的平均面積大小(所有點(diǎn)的面積之和除以點(diǎn)的個(gè)數(shù))為0.16 degree2。實(shí)驗(yàn)時(shí)以圖片形式呈現(xiàn)不同點(diǎn)陣, 每個(gè)水平下生成20張不同的點(diǎn)陣圖片, 共980張, 每次呈現(xiàn)目標(biāo)刺激均為從對應(yīng)水平的圖片中不放回地隨機(jī)調(diào)用一張圖片。實(shí)驗(yàn)流程的實(shí)現(xiàn)和反應(yīng)數(shù)據(jù)的記錄由MATLAB (Matlab R2018b, The Mathworks, Inc., Natick, Massachusetts, USA)軟件和Psychotoolbox?3插件(Brainard, 1997)控制完成。

2.2.3 實(shí)驗(yàn)設(shè)計(jì)與流程

實(shí)驗(yàn)采用7×7×2的組塊設(shè)計(jì), 每位被試參與了所有實(shí)驗(yàn)條件的測試。三個(gè)自變量分別是：(1)點(diǎn)陣中點(diǎn)的數(shù)量, 范圍在8～32個(gè)點(diǎn), 共7個(gè)水平; (2)點(diǎn)陣的面積, 范圍在40.1 degree2～ 160.3 degree2, 也是7個(gè)水平; (3)任務(wù)相關(guān)性：數(shù)量估計(jì)任務(wù)中被試被要求注意點(diǎn)陣中點(diǎn)的數(shù)量, 此時(shí)數(shù)量為任務(wù)相關(guān)特征, 面積為任務(wù)無關(guān)特征; 面積估計(jì)任務(wù)中被試需要注意點(diǎn)陣的面積, 此時(shí)面積為任務(wù)相關(guān)特征, 點(diǎn)的數(shù)量為任務(wù)無關(guān)特征。兩個(gè)任務(wù)的順序在被試間進(jìn)行了平衡。被試對任務(wù)相關(guān)特征的估計(jì)值被記錄下來。

以數(shù)量估計(jì)實(shí)驗(yàn)為例, 實(shí)驗(yàn)流程如圖1所示：(1)首先在屏幕中央呈現(xiàn)一個(gè)黑色十字注視點(diǎn)1350 ms ～ 1450 ms, 要求被試始終注視中央十字點(diǎn)位置; (2)接著呈現(xiàn)刺激圖片, 每次在屏幕中央呈現(xiàn)一個(gè)點(diǎn)陣, 持續(xù)時(shí)間250 ms; (3)然后在屏幕上方呈現(xiàn)任務(wù)指導(dǎo)語“請盡量準(zhǔn)確地估計(jì)點(diǎn)的個(gè)數(shù)”一行字, 并且在指導(dǎo)語下方呈現(xiàn)數(shù)軸, 數(shù)軸兩端分別標(biāo)有“5”和“40”刻度, 被試用鼠標(biāo)在數(shù)軸上點(diǎn)擊后, 點(diǎn)擊位置會(huì)出現(xiàn)一條白色刻度線, 刻度線下方顯示此處對應(yīng)的數(shù)值。實(shí)驗(yàn)前告知被試反應(yīng)階段沒有時(shí)間限制, 要求被試盡可能準(zhǔn)確地估計(jì), 被試可進(jìn)行多次點(diǎn)擊, 直至按下回車鍵確認(rèn), 記錄此時(shí)的刻度值, 即為被試對點(diǎn)數(shù)的估計(jì)值。被試有15 s的反應(yīng)時(shí)間, 超出15 s未按下回車鍵, 程序會(huì)自動(dòng)進(jìn)入下一試次, 該試次被試的反應(yīng)為“N/A”。指導(dǎo)語和數(shù)軸位置均在刺激圖片的上方, 和點(diǎn)陣呈現(xiàn)的位置不重疊。

圖1 實(shí)驗(yàn)流程圖(以數(shù)量估計(jì)任務(wù)為例)。注視點(diǎn)即為試次間時(shí)間間隔, 為了防止被試產(chǎn)生預(yù)期, 間隔在1350～1450 ms間隨機(jī)取樣。實(shí)驗(yàn)前告知被試一定要盡量準(zhǔn)確的估計(jì)。為了避免被試注意力分散長時(shí)間不反應(yīng), 15 s后將自動(dòng)進(jìn)入下一試次, 本試次被試的反應(yīng)記錄為N/A。

實(shí)驗(yàn)分為數(shù)量估計(jì)實(shí)驗(yàn)和面積估計(jì)實(shí)驗(yàn)兩部分進(jìn)行, 在每種任務(wù)條件下, 所有實(shí)驗(yàn)水平均隨機(jī)呈現(xiàn)。整個(gè)實(shí)驗(yàn)共588個(gè)試次, 分為6個(gè)組塊。每個(gè)任務(wù)包含3個(gè)連續(xù)的組塊, 每個(gè)組塊包含98個(gè)試次。實(shí)驗(yàn)任務(wù)的順序在被試間平衡。每個(gè)實(shí)驗(yàn)任務(wù)開始之前, 被試均需要進(jìn)行練習(xí)。一組練習(xí)為15個(gè)試次, 根據(jù)被試的表現(xiàn)練習(xí)2～3組, 數(shù)量估計(jì)任務(wù)的平均估計(jì)誤差小于5, 面積估計(jì)任務(wù)的平均估計(jì)誤差小于25 cm2視為通過練習(xí)。完成整個(gè)實(shí)驗(yàn)大約需要110分鐘。

2.2.4 數(shù)據(jù)分析

實(shí)驗(yàn)數(shù)據(jù)采用MATLAB R2018b軟件分析, 首先將單個(gè)任務(wù)下每個(gè)被試所有試次進(jìn)行整合, 剔除沒有記錄到被試反應(yīng)的試次。根據(jù)韋伯-費(fèi)希納定律可知, 對物理刺激的心理表征呈對數(shù)形式。所以本研究將所有試次中點(diǎn)的數(shù)量、點(diǎn)陣面積和被試的估計(jì)值以2為底數(shù)進(jìn)行對數(shù)化。為統(tǒng)一數(shù)量和面積的單位進(jìn)行量化分析, 進(jìn)一步將對數(shù)化后的數(shù)量和面積屬性進(jìn)行標(biāo)準(zhǔn)化, 根據(jù)物理刺激中數(shù)量或面積的均值和標(biāo)準(zhǔn)差對被試的估計(jì)值進(jìn)行標(biāo)準(zhǔn)化。

為了檢驗(yàn)當(dāng)前相關(guān)特征、當(dāng)前無關(guān)特征、前一試次相關(guān)特征、前一試次無關(guān)特征和前一試次估計(jì)值對被試當(dāng)前估計(jì)值的影響, 我們建立了4個(gè)GLMMs (Zhang & Luo, 2023)。根據(jù)以往文獻(xiàn), 前一試次估計(jì)值對當(dāng)前估計(jì)值有一致較強(qiáng)的吸引效應(yīng)(Moon & Kwon, 2022; Pascucci et al., 2019), 因此, 為了提高模型的解釋能力, 在所有的GLMMs中, 我們都將前一試次估計(jì)值與當(dāng)前相關(guān)特征放進(jìn)來作為自變量, 另外三個(gè)因子分別進(jìn)入到模型中。模型1假設(shè)前一試次相關(guān)特征影響當(dāng)前估計(jì)值, 即任務(wù)相關(guān)特征的序列依賴效應(yīng)。模型2假設(shè)當(dāng)前無關(guān)特征對當(dāng)前估計(jì)值有影響, 即同一客體的不同特征之間的相互影響。模型3假設(shè)前一試次任務(wù)無關(guān)特征會(huì)影響當(dāng)前估計(jì)值, 即任務(wù)無關(guān)特征產(chǎn)生的序列依賴效應(yīng)。模型4為全模型, 假設(shè)5個(gè)因子都對當(dāng)前估計(jì)值有所貢獻(xiàn), 共同影響被試的決策。混合效應(yīng)模型同時(shí)考慮了自變量在群體水平的固定效應(yīng)和由于被試之間的差異而產(chǎn)生的隨機(jī)效應(yīng)。以數(shù)量任務(wù)為例, 模型4表達(dá)式為：

Y=0i+1iCurrentNumerosity+

2iPreviousResponse+3iPreviousNumerosity

+4iCurrentArea+5iPreviousArea(1)

0i=0+0i;1i=1+1i;2i=2+2i;3i=3+3i;

4i=4+4i;5i=5+5(2)

其中,代表第i個(gè)被試,代表當(dāng)前任務(wù)下的第j個(gè)試次,Y代表第i個(gè)被試在第j個(gè)試次中的估計(jì)值。表示組水平效應(yīng)的系數(shù),代表個(gè)體水平隨機(jī)效應(yīng)。

2.3 實(shí)驗(yàn)結(jié)果

為了比較當(dāng)前無關(guān)特征、前一試次相關(guān)特征和前一試次無關(guān)特征對當(dāng)前試次的知覺的影響大小, 我們將所有被試的所有試次合并在一起進(jìn)行回歸分析, 建立了4種GLMMs, 模型1：包含了前一試次相關(guān)特征、當(dāng)前試次相關(guān)特征和前一試次知覺估計(jì)值; 模型2：包含了當(dāng)前無關(guān)特征、當(dāng)前相關(guān)特征和前一試次估計(jì)值; 模型3：包含了前一試次無關(guān)特征、當(dāng)前相關(guān)特征和前一試次估計(jì)值; 模型4：包含了前一試次相關(guān)特征、當(dāng)前無關(guān)特征、前一試次無關(guān)特征、當(dāng)前相關(guān)特征和前一試次估計(jì)值。通過計(jì)算和比較4個(gè)模型的貝葉斯信息準(zhǔn)則(bayesian information criterion, BIC)值來確定最優(yōu)的模型。BIC不僅考慮了模型的擬合優(yōu)度, 還考慮了模型的復(fù)雜度, 可以幫助我們在模型擬合優(yōu)度和模型復(fù)雜度之間找到一個(gè)平衡, 盡量避免過擬合的問題。相比于其他模型選擇準(zhǔn)則, BIC對模型復(fù)雜度的懲罰更大, 因此在樣本量較大時(shí), BIC可以提供更穩(wěn)健的模型選擇結(jié)果(Burnham & Anderson, 2004)。結(jié)果如表1所示, 無論是在數(shù)量估計(jì)任務(wù)還是面積估計(jì)任務(wù)中, 模型4(全模型, Full model)的表現(xiàn)都是最優(yōu)的(數(shù)量任務(wù)：模型1～4的BIC分別為8533、8158、8589、8052; 面積任務(wù)：模型1～4的BIC分別為11713、10882、11838、10713), 即在兩種任務(wù)下, 當(dāng)前無關(guān)特征、前一試次相關(guān)特征和前一試次無關(guān)特征的信息都對當(dāng)前試次的知覺估計(jì)有貢獻(xiàn)。

我們同時(shí)還使用均方誤差(Mean Squared Error, MSE) (如表2所示)作為模型比較的指標(biāo), 得到了一致的結(jié)果, 模型4仍然具有最優(yōu)表現(xiàn)。

表1 各模型BIC值

表2 各模型MSE值

進(jìn)一步檢驗(yàn)勝出模型(模型4)中各變量的回歸系數(shù), 考察各個(gè)因素對當(dāng)前估計(jì)的序列依賴效應(yīng)的大小和方向。如圖2a所示, 數(shù)量估計(jì)任務(wù)中, 當(dāng)前點(diǎn)陣中點(diǎn)的個(gè)數(shù)(即：當(dāng)前相關(guān)特征)、點(diǎn)陣面積(即：當(dāng)前無關(guān)特征)、以及前一試次的知覺估計(jì)值均正向預(yù)測了被試對當(dāng)前試次刺激特征的知覺(當(dāng)前相關(guān)特征：回歸系數(shù)值β = 0.76, 95% CI = [0.75, 0.77],(9561) = 203.94,< 0.001; 當(dāng)前無關(guān)特征：β = 0.08, 95% CI = [0.07, 0.09],(9561) = 21.47,< 0.001; 前一試次知覺估計(jì)值：β = 0.19, 95% CI = [0.17, 0.21],(9561) = 19.07,< 0.001); 而前一個(gè)試次中點(diǎn)陣的數(shù)量和面積都與當(dāng)前試次的知覺呈負(fù)相關(guān), 即先前刺激特征的序列依賴效應(yīng)均為排斥作用(前一試次相關(guān)特征：β = ?0.09, 95% CI = [?0.10, ?0.07],(9561) = ?10.33,< 0.001; 前一試次無關(guān)特征：β = ?0.02, 95% CI = [?0.03, ?0.02],(9561) = ?6.23,< 0.001)。

在面積估計(jì)任務(wù)中, 各變量對當(dāng)前試次知覺的影響方向與數(shù)量估計(jì)任務(wù)一致, 也表現(xiàn)為當(dāng)前刺激的任務(wù)相關(guān)特征、任務(wù)無關(guān)特征以及前一試次的估計(jì)值均與當(dāng)前知覺估計(jì)值呈正相關(guān)(當(dāng)前相關(guān)特征：回歸系數(shù)值β = 0.64, 95% CI = [0.63, 0.65],(9553) = 149.70,< 0.001;當(dāng)前無關(guān)特征：β = 0.14, 95% CI = [0.13, 0.15],(9553) = 32.22,< 0.001; 前一試次知覺估計(jì)值：β = 0.22, 95% CI = [0.20, 0.24],(9553) = 21.70,< 0.001), 而前一試次的相關(guān)和無關(guān)特征產(chǎn)生的序列依賴效應(yīng)均為排斥作用(前一試次相關(guān)特征：β = ?0.11, 95% CI = [?0.12, ?0.09],(9553) = ?13.79,< 0.001; 前一試次無關(guān)特征：β = ?0.02, 95% CI = [?0.03, ?0.01],(9553) = ?4.21,< 0.001)。

圖2 (a)實(shí)驗(yàn)1兩個(gè)任務(wù)全模型的各自變量的回歸系數(shù)(β)值。CurRF (Current Relevant Feature)為當(dāng)前任務(wù)相關(guān)特征, 例如在數(shù)量估計(jì)任務(wù)中是指當(dāng)前刺激點(diǎn)陣中點(diǎn)的個(gè)數(shù); PreRF (Previous Relevant Feature)為前一試次任務(wù)相關(guān)特征, 例如在數(shù)量估計(jì)任務(wù)中是指上一試次的刺激點(diǎn)陣中點(diǎn)的個(gè)數(shù); CurIRF (Current Irrelevant Feature)為當(dāng)前任務(wù)無關(guān)特征, 例如在數(shù)量估計(jì)任務(wù)中是指當(dāng)前刺激點(diǎn)陣的面積; PreIRF (Previous Irrelevant Feature)為前一試次任務(wù)無關(guān)特征, 例如在數(shù)量估計(jì)任務(wù)中是指上一試次的刺激點(diǎn)陣的面積; PreRes (Previous Response)為前一試次被試估計(jì)值, 例如在數(shù)量估計(jì)任務(wù)中是指被試對上一試次中刺激點(diǎn)陣的點(diǎn)的個(gè)數(shù)的估計(jì)值。圖中誤差線代表β值的一倍標(biāo)準(zhǔn)誤(Standard Error, SE); (b)實(shí)驗(yàn)2兩個(gè)任務(wù)全模型的各自變量的回歸系數(shù)(β)值。

2.4 討論

無論是在數(shù)量估計(jì)任務(wù)還是在面積估計(jì)任務(wù)中, 全模型的表現(xiàn)均為最優(yōu)。這說明對于點(diǎn)陣中數(shù)量和面積這兩個(gè)屬性而言, 當(dāng)前無關(guān)特征、先前相關(guān)特征、先前無關(guān)特征和先前知覺估計(jì)值都對當(dāng)前試次的知覺決策有顯著影響。一方面, 結(jié)果體現(xiàn)了同一客體的不同屬性之間在表征時(shí)會(huì)相互影響, 即使是未被要求注意的特征, 也能夠影響被試對當(dāng)前任務(wù)相關(guān)特征的表征; 另一方面, 結(jié)果表明對于線性分布的特征, 先前的無關(guān)特征仍具有序列依賴效應(yīng), 但相比與任務(wù)相關(guān)特征, 任務(wù)無關(guān)特征的貢獻(xiàn)較小。

在序列依賴效應(yīng)的方向上, 本研究發(fā)現(xiàn)前一試次的知覺估計(jì)對當(dāng)前試次的知覺估計(jì)有吸引效應(yīng), 而前一試次刺激的物理特征則對當(dāng)前試次的知覺有排斥效應(yīng)。這兩種不同方向的偏差可能涉及不同加工水平在不同時(shí)間尺度上的表現(xiàn), 知覺決策被最近的知覺決策吸引, 同時(shí)被最近的物理特征值排斥(Gekas et al., 2019; Moon & Kwon, 2022; Schwiedrzik et al., 2014)。

數(shù)量和面積是量感理論中關(guān)系非常密切的兩種屬性。這種無關(guān)特征引起的序列依賴效應(yīng)是否源于這兩種屬性之間特殊的關(guān)系, 還是普遍存在于數(shù)量感與其他非數(shù)量屬性之間？比如, 點(diǎn)陣中單個(gè)點(diǎn)的平均大小。點(diǎn)的平均大小是一個(gè)關(guān)鍵的統(tǒng)計(jì)屬性, 用于衡量點(diǎn)陣中圓點(diǎn)占據(jù)視網(wǎng)膜的區(qū)域, 對被試的表征過程提出了更高的認(rèn)知挑戰(zhàn), 因?yàn)樗婕暗綄σ曈X輸入的綜合評(píng)價(jià)和加工。作為任務(wù)無關(guān)特征時(shí), 先前點(diǎn)陣中點(diǎn)的數(shù)量是否依然會(huì)影響當(dāng)前試次點(diǎn)大小的判斷, 同時(shí), 未被注意的點(diǎn)的大小屬性又是否會(huì)影響被試對當(dāng)前數(shù)量的表征？為了探究這一問題, 我們設(shè)計(jì)了實(shí)驗(yàn)2。

3 實(shí)驗(yàn)2：數(shù)量與點(diǎn)大小的任務(wù)相關(guān)性對序列依賴效應(yīng)的影響

3.1 實(shí)驗(yàn)?zāi)康?/h3>

為了探究實(shí)驗(yàn)1發(fā)現(xiàn)的任務(wù)相關(guān)性對線性特征的序列依賴效應(yīng)的影響是否特定于數(shù)量感和面積, 還是線性特征中的一般現(xiàn)象, 實(shí)驗(yàn)2選擇數(shù)量和單個(gè)點(diǎn)的平均大小作為研究對象, 探究大小屬性的序列依賴效應(yīng)的行為特征, 以及任務(wù)相關(guān)性對序列依賴效應(yīng)的調(diào)節(jié)作用。我們?nèi)匀徊捎霉烙?jì)任務(wù), 以評(píng)估面積和數(shù)量之間存在的任務(wù)無關(guān)特征的序列依賴效應(yīng)能否泛化到其他數(shù)量相關(guān)特征中, 如果可以, 表現(xiàn)形式是否一致。預(yù)期與實(shí)驗(yàn)1中類似, 任務(wù)相關(guān)性會(huì)影響序列依賴效應(yīng)。在數(shù)量估計(jì)任務(wù)中, 由于數(shù)量是任務(wù)相關(guān)特征, 其序列依賴效應(yīng)應(yīng)該更強(qiáng); 而點(diǎn)的平均大小作為任務(wù)無關(guān)特征, 其序列依賴效應(yīng)應(yīng)該較弱。在大小估計(jì)任務(wù)中則相反。

3.2 方法

3.2.1 被試

和實(shí)驗(yàn)1標(biāo)準(zhǔn)一致, 本實(shí)驗(yàn)也需要樣本量29人, 實(shí)驗(yàn)2實(shí)際招募到34名被試, 其中有25名女性, 平均年齡21.24歲, 均為北京師范大學(xué)在校學(xué)生, 視力或矯正視力正常, 無色盲、色弱, 右利手, 非數(shù)學(xué)專業(yè), 非心理學(xué)專業(yè)或者心理學(xué)大一同學(xué)。本研究通過北京師范大學(xué)心理學(xué)部實(shí)驗(yàn)倫理審查, 并支付被試相應(yīng)實(shí)驗(yàn)費(fèi)用。

3.2.2 實(shí)驗(yàn)儀器與材料

實(shí)驗(yàn)在安靜黑暗的房間內(nèi)進(jìn)行, 被試距離計(jì)算機(jī)屏幕55 cm, 實(shí)驗(yàn)材料為黑色實(shí)心小圓點(diǎn)和白色實(shí)心小圓點(diǎn)構(gòu)成的點(diǎn)陣。點(diǎn)陣是以屏幕中央為圓心, 到距離最遠(yuǎn)的點(diǎn)為半徑畫的圓形區(qū)域, 同樣使用CUSTOM生成, 在點(diǎn)的數(shù)量和點(diǎn)的平均面積兩個(gè)維度上正交變化。點(diǎn)陣中包含8, 10, 12, 16, 20, 26, 或32個(gè)點(diǎn), 為保證光通量相等, 點(diǎn)陣中黑點(diǎn)和白點(diǎn)的數(shù)量相等, 各占二分之一。點(diǎn)陣面積為80.2 degree2, 每個(gè)點(diǎn)陣中點(diǎn)的平均面積, 即所有點(diǎn)的面積之和除以點(diǎn)的個(gè)數(shù), 為0.04 degree2, 0.05 degree2, 0.06 degree2, 0.08 degree2, 0.1 degree2, 0.13 degree2或0.16 degree2, 每個(gè)點(diǎn)的面積為大小的0.25～1.75倍。其余設(shè)置與研究一一致。

3.2.3 實(shí)驗(yàn)設(shè)計(jì)與流程

實(shí)驗(yàn)采用7×7×2的block設(shè)計(jì), 每名被試參與了所有實(shí)驗(yàn)條件的測驗(yàn)。3個(gè)自變量分別是：(1)點(diǎn)陣中點(diǎn)的數(shù)量, 范圍在8～32個(gè)點(diǎn), 共7個(gè)水平; (2)點(diǎn)的平均大小, 范圍在0.04 degree2～ 0.16 degree2, 同樣為7個(gè)水平; (3)任務(wù)相關(guān)性：數(shù)量估計(jì)任務(wù)中被試被要求注意點(diǎn)陣中點(diǎn)的數(shù)量, 此時(shí)數(shù)量為任務(wù)相關(guān)特征, 大小為任務(wù)無關(guān)特征。大小估計(jì)任務(wù)中被試需要注意點(diǎn)陣中所有點(diǎn)的平均面積大小, 此時(shí)大小為任務(wù)相關(guān)特征, 點(diǎn)的數(shù)量為任務(wù)無關(guān)特征。兩個(gè)任務(wù)的順序在被試間平衡。實(shí)驗(yàn)的因變量是被試對任務(wù)相關(guān)特征的估計(jì)值。

實(shí)驗(yàn)2的實(shí)驗(yàn)流程與數(shù)據(jù)分析方法與實(shí)驗(yàn)1相同, 只是其中的面積估計(jì)任務(wù)改為大小估計(jì)任務(wù)。

3.3 實(shí)驗(yàn)結(jié)果

與實(shí)驗(yàn)1相同, 我們把同一任務(wù)下每個(gè)被試的所有試次合并在一起, 以進(jìn)行回歸分析, 建立了與實(shí)驗(yàn)1相同的4個(gè)GLMMs, 通過分別計(jì)算4個(gè)模型的BIC值以決定哪個(gè)模型最優(yōu)。無論是在數(shù)量估計(jì)任務(wù)還是大小估計(jì)任務(wù)中, 依舊是包含了當(dāng)前無關(guān)特征、前一試次相關(guān)特征和前一試次無關(guān)特征的信息的模型4最優(yōu)(表1), 其BIC值遠(yuǎn)低于前三個(gè)模型(數(shù)量任務(wù)：模型1～4的BIC分別為9638、9621、9721、9493; 大小任務(wù)：模型1～4的BIC分別為19002、18183、19200、17936)。這表明在對數(shù)量的估計(jì)和大小的估計(jì)中, 被試綜合運(yùn)用了當(dāng)前無關(guān)特征、前一試次相關(guān)特征和前一試次無關(guān)特征的信息。

進(jìn)一步檢驗(yàn)勝出模型(模型4)中各變量的回歸系數(shù), 以考察各個(gè)因素對當(dāng)前試次知覺估計(jì)的序列依賴效應(yīng)的大小和方向。模型4中各變量的回歸系數(shù)如圖2b所示。在大小估計(jì)任務(wù)中, 與實(shí)驗(yàn)1的發(fā)現(xiàn)一致, 當(dāng)前特征的任務(wù)相關(guān)特征、任務(wù)無關(guān)特征和前一試次知覺估計(jì)值均與當(dāng)前試次知覺估計(jì)呈正相關(guān)(當(dāng)前相關(guān)特征：β = 0.84, 95% CI = [0.83, 0.85],(9868) = 140.41,< 0.001;當(dāng)前無關(guān)特征：β= 0.20, 95% CI = [0.19, 0.21],(9868) = 33.28,< 0.001; 前一試次知覺估計(jì)值：β = 0.29, 95% CI = [0.27, 0.31],(9868) = 30.00,< 0.001), 前一試次特征產(chǎn)生的序列依賴效應(yīng)則為排斥作用(前一試次相關(guān)特征：β = ?0.16, 95% CI = [?0.18, ?0.14],(9868) = ?16.43,< 0.001; 前一試次無關(guān)特征： β = ?0.03, 95% CI = [?0.04, ?0.02],(9868) = ?4.50,< 0.001)。

在數(shù)量估計(jì)任務(wù)中, 當(dāng)前點(diǎn)陣中點(diǎn)的個(gè)數(shù)和前一試次知覺估計(jì)值均與當(dāng)前試次的數(shù)量知覺呈正相關(guān)(當(dāng)前相關(guān)特征：β = 0.74, 95% CI = [0.73, 0.75],(9835) = 188.37,< 0.001; 前一試次知覺估計(jì)值：β = 0.22, 95% CI = [0.20, 0.23],(9835) = 22.29,< 0.001)而當(dāng)前點(diǎn)陣中大小與當(dāng)前試次的數(shù)量知覺呈負(fù)相關(guān)(當(dāng)前無關(guān)特征：β = ?0.04, 95% CI = [?0.05, ?0.04],(9835) = ?11.21,< 0.001); 前一個(gè)試次中點(diǎn)陣的數(shù)量與當(dāng)前試次的數(shù)量知覺呈負(fù)相關(guān), 即相關(guān)特征的序列依賴效應(yīng)為排斥作用(前一試次相關(guān)特征：β = ?0.09, 95% CI = [?0.10, ?0.07],(9835) = ?10.33,< 0.001), 而前一試次中點(diǎn)的大小這一無關(guān)特征的序列依賴效應(yīng)則為吸引作用(前一試次無關(guān)特征：β= 0.02, 95% CI = [0.02, 0.03],(9835) = 5.89,< 0.001)。結(jié)合實(shí)驗(yàn)1, 當(dāng)前試次刺激的某一特征對當(dāng)前試次知覺決策的影響與前一試次的該特征產(chǎn)生的序列依賴效應(yīng)作用的方向是相反的, 即如果某個(gè)特征與當(dāng)前知覺估計(jì)值呈正相關(guān), 則其在后一試次的知覺估計(jì)上會(huì)產(chǎn)生負(fù)向的序列依賴效應(yīng); 反之, 如果與當(dāng)前知覺估計(jì)值呈負(fù)相關(guān), 則在后一試次上產(chǎn)生正向的序列依賴效應(yīng)。

3.4 討論

與實(shí)驗(yàn)1的發(fā)現(xiàn)一致, 無論是數(shù)量估計(jì)任務(wù)還是大小估計(jì)任務(wù), 前一試次的知覺估計(jì)對當(dāng)前試次的知覺均存在吸引效應(yīng), 并且無論是任務(wù)相關(guān)特征還是任務(wù)無關(guān)特征, 其前一試次的特征物理值都對當(dāng)前試次的知覺有影響。前一試次任務(wù)相關(guān)特征對當(dāng)前試次的知覺呈現(xiàn)排斥效應(yīng)。前一試次任務(wù)無關(guān)特征的影響表現(xiàn)為：數(shù)量作為無關(guān)特征對當(dāng)前試次點(diǎn)平均大小的知覺的影響為排斥效應(yīng), 而前一試次點(diǎn)平均大小作為無關(guān)特征時(shí), 對當(dāng)前試次數(shù)量的知覺則具有吸引效應(yīng)。由此可見, 數(shù)量和單個(gè)點(diǎn)的大小分別作為無關(guān)特征時(shí), 對彼此的序列依賴效應(yīng)具有不對稱性。這種不對稱性可能與兩種刺激特征之間本身特性的關(guān)系有關(guān)。

4 討論

本研究以數(shù)量感為研究對象, 通過數(shù)量和面積的估計(jì)任務(wù)、以及數(shù)量和點(diǎn)平均大小的估計(jì)任務(wù)這兩個(gè)實(shí)驗(yàn), 考察了任務(wù)相關(guān)性對線性特征的序列依賴效應(yīng)的影響。兩個(gè)實(shí)驗(yàn)中, 廣義線性混合效應(yīng)模型比較的結(jié)果均一致支持, 除當(dāng)前試次任務(wù)相關(guān)特征和前一試次知覺估計(jì)之外, 當(dāng)前無關(guān)特征、前一試次相關(guān)特征和前一試次無關(guān)特征也都對當(dāng)前試次的知覺決策有顯著貢獻(xiàn)。進(jìn)一步檢驗(yàn)上述各個(gè)因素的回歸系數(shù), 在兩個(gè)實(shí)驗(yàn)中一致發(fā)現(xiàn), 無論特征是否與任務(wù)相關(guān), 前一試次的該特征與當(dāng)前試次同一特征對當(dāng)前試次的知覺的影響總是呈現(xiàn)反向關(guān)系。對于任務(wù)相關(guān)特征, 前一試次產(chǎn)生的序列依賴效應(yīng)總是排斥效應(yīng); 而對于任務(wù)無關(guān)特征, 前一試次該特征產(chǎn)生的序列依賴效應(yīng)是吸引還是排斥效應(yīng), 則取決于該特征本身的性質(zhì)：數(shù)量作為無關(guān)任務(wù)特征時(shí), 無論當(dāng)前任務(wù)特征是點(diǎn)陣面積還是單個(gè)點(diǎn)平均大小, 其序列依賴效應(yīng)總是排斥效應(yīng); 點(diǎn)陣面積作為無關(guān)任務(wù)特征時(shí), 其序列依賴效應(yīng)也是排斥的; 而單個(gè)點(diǎn)平均大小作為無關(guān)特征時(shí), 其序列依賴效應(yīng)則是吸引的。

前一試次的任務(wù)相關(guān)特征對當(dāng)前知覺的排斥效應(yīng)與經(jīng)典研究中發(fā)現(xiàn)的吸引的序列依賴效應(yīng)恰好相反(Cicchini et al., 2018; Fischer & Whitney, 2014; Xia et al., 2016)。這應(yīng)該與本研究中同時(shí)考慮了前一試次的知覺估計(jì)對當(dāng)前試次知覺的序列依賴效應(yīng)有關(guān)。先前研究已發(fā)現(xiàn), 前一試次中被試的行為反應(yīng)與刺激物理值對隨后試次中知覺的影響存在差異。Pascucci等人(2019)的研究中, 被試對某些試次不需要對目標(biāo)進(jìn)行報(bào)告, 在這些試次中, 刺激對于后續(xù)知覺的影響表現(xiàn)為排斥效應(yīng), 相反, 當(dāng)需要進(jìn)行知覺報(bào)告時(shí), 其對于后續(xù)知覺的影響則是吸引的。此外, 由于迫選任務(wù)被認(rèn)為是一種更直接的感知測量方法, 作者還使用迫選任務(wù)代替了朝向復(fù)現(xiàn)范式(被試不需要報(bào)告刺激的準(zhǔn)確朝向, 只需要報(bào)告目標(biāo)刺激的朝向是更接近垂直方向還是水平方向), 結(jié)果再次證實(shí)刺激本身引起排斥效應(yīng), 而被試的反應(yīng)則引起吸引效應(yīng)。Moon和Kwon (2022)把經(jīng)典研究中發(fā)現(xiàn)的刺激的吸引性序列依賴效應(yīng)歸因于它與被試反應(yīng)的高相關(guān)性, 在分別固定知覺朝向和特征的物理朝向后, 發(fā)現(xiàn)當(dāng)固定知覺朝向時(shí), 物理朝向的序列依賴效應(yīng)是排斥的, 而先前反應(yīng)的序列依賴效應(yīng)仍然是吸引的。Sadil等(2021)則采用了同時(shí)考慮前一試次刺激和反應(yīng)的雙因素分析取代了經(jīng)典序列依賴效應(yīng)研究中常用的單因素分析(僅考慮前一試次的刺激值), 對這些經(jīng)典研究的數(shù)據(jù)進(jìn)行重新分析, 一致發(fā)現(xiàn)刺激的序列依賴效應(yīng)是排斥的, 而反應(yīng)的序列依賴效應(yīng)則是吸引的。因此, 經(jīng)典研究中刺激的吸引性序列依賴效應(yīng)可能與其未考慮上一試次被試的反應(yīng)這一因素有關(guān)。以上研究證據(jù)以及本研究發(fā)現(xiàn)的任務(wù)相關(guān)特征的排斥序列依賴效應(yīng), 均支持先前試次對當(dāng)前知覺的吸引效應(yīng)主要來自于先前試次的知覺反應(yīng), 而排斥效應(yīng)則主要來自于先前試次刺激特征的物理值。序列依賴效應(yīng)在刺激和反應(yīng)水平的方向是相反的, 這可能體現(xiàn)了視覺系統(tǒng)在加工外界刺激時(shí)需要在對外界信息的敏感度和過去經(jīng)驗(yàn)的依賴性之間進(jìn)行權(quán)衡和調(diào)節(jié)(Pascucci et al., 2019)。在知覺和認(rèn)知過程中, 我們需要處理和加工各種刺激, 平衡敏感度和經(jīng)驗(yàn)依賴性。過于敏感會(huì)干擾注意力和認(rèn)知, 過于依賴過去的經(jīng)驗(yàn)會(huì)導(dǎo)致忽略新信息。需要根據(jù)任務(wù)靈活調(diào)整敏感度和經(jīng)驗(yàn)依賴之間的平衡, 如清晰任務(wù)需更敏感, 而處理復(fù)雜任務(wù)需更依賴經(jīng)驗(yàn)。這種平衡可以幫助提高我們的知覺和認(rèn)知表現(xiàn)。

本研究發(fā)現(xiàn), 即使是與任務(wù)無關(guān)的線性特征, 也表現(xiàn)出明顯的序列依賴效應(yīng), 從而為客體水平上序列依賴效應(yīng)的存在提供了支持。一般認(rèn)為, 客體是一個(gè)由一系列特征整合而成的可數(shù)的實(shí)體(Adelson & Bergen, 1991; Pascucci et al., 2023), 通常具有時(shí)空連續(xù)性(Kahneman et al., 1992)?？腕w檔案(Object file)被認(rèn)為是知覺、注意和工作記憶等信息加工的基本單元。若知覺構(gòu)建在客體基礎(chǔ)上, 那么過往知覺經(jīng)驗(yàn)對當(dāng)前知覺的影響, 是基于客體還是特征水平呢？Collins (2022a) 提出了兩種理論假設(shè)。第一種理論主張序列依賴直接發(fā)生在基本的視覺特征水平。如果序列依賴作用發(fā)生在低水平的特征加工階段, 預(yù)計(jì)跨特征的序列依賴效應(yīng)不會(huì)出現(xiàn)。第二種理論認(rèn)為序列依賴效應(yīng)可能發(fā)生在客體水平。關(guān)注一個(gè)客體的單一特征, 比如顏色, 會(huì)使得注意力集中, 同時(shí)該客體的其他特征也會(huì)進(jìn)入注意的焦點(diǎn), 從而提高客體表征的質(zhì)量和效率(Kahneman et al., 1992; Printzlau et al., 2022; Zhou et al., 2016)。如果該假設(shè)成立, 預(yù)期不同客體間相同特征的序列依賴效應(yīng)將消失; 同時(shí), 同一客體的不同特征之間應(yīng)存在相互影響?；诳腕w的序列依賴效應(yīng)在圓分布特征的序列依賴效應(yīng)研究中獲得了驗(yàn)證。Liberman等人(2016)利用客體的時(shí)空連續(xù)性證明了基于客體的序列依賴效應(yīng)。具體來說, 他們發(fā)現(xiàn)只有當(dāng)光柵以連貫的運(yùn)動(dòng)穿過屏幕上的遮擋物, 而不是在遮擋物上不連貫移動(dòng)或靜止在遮擋物兩側(cè)時(shí), 被試對最后一個(gè)光柵的朝向知覺才會(huì)受前面光柵朝向的影響。Kramer和Jacobson(1991)的研究則發(fā)現(xiàn), 相較于在不同客體上的情況, 目標(biāo)和干擾子在同一客體上時(shí), 被試搜索到目標(biāo)的反應(yīng)速度和準(zhǔn)確度更高。Liberman等人(2014)的研究揭示, 即便在客體保持不變而其特征發(fā)生變化的情況下, 例如面部觀察角度的改變, 仍會(huì)引發(fā)序列依賴效應(yīng)。另外, 當(dāng)要求被試判斷面孔表情是厭惡還是高興時(shí), 面孔性別的變化被發(fā)現(xiàn)能夠顯著地削弱情緒的序列依賴效應(yīng)(Collins, 2022a)。此外, Fritsche和de Lange (2019)的研究發(fā)現(xiàn), 盡管在判斷前一個(gè)光柵的大小任務(wù)中, 相對于朝向判斷任務(wù), 被試對當(dāng)前光柵的朝向知覺的序列依賴效應(yīng)減弱, 但仍然顯著存在。這說明即使當(dāng)前任務(wù)要求被試選擇性注意特定的目標(biāo)特征(如大小), 屬于該客體的其他特征(如朝向)并沒有因?yàn)槠渑c任務(wù)無關(guān)被完全過濾, 而仍然被知覺或者記憶, 從而影響對后續(xù)刺激的知覺加工。這些研究一致的支持了基于客體的序列依賴現(xiàn)象的存在。

我們發(fā)現(xiàn)雖然任務(wù)無關(guān)的線性特征具有序列依賴效應(yīng), 但該效應(yīng)較任務(wù)相關(guān)特征明顯更小。這也與以往研究注意或者任務(wù)相關(guān)性對圓分布特征序列依賴效應(yīng)影響的發(fā)現(xiàn)一致。Flesch等人(2022)使用葉片形狀和分叉枝條個(gè)數(shù)分別作為任務(wù)相關(guān)或無關(guān)特征, 研究大腦額頂葉皮層對于二者的表征解碼時(shí), 發(fā)現(xiàn)無關(guān)特征具有壓縮表征的特性, 特征的不同水平之間表征相似度很高; 而相關(guān)特征不同水平的表征則區(qū)別較明顯。這可能是因?yàn)閷o關(guān)特征的表征壓縮到一個(gè)低維空間中可以減少冗余信息和干擾, 從而提高特征的區(qū)分度和魯棒性, 使大腦更加高效穩(wěn)定地處理任務(wù)。

任務(wù)無關(guān)特征的序列依賴效應(yīng)的方向的差異表明, 這種效應(yīng)還與特征本身的特性密切相關(guān)。研究發(fā)現(xiàn), 當(dāng)數(shù)量作為無關(guān)任務(wù)特征時(shí), 無論當(dāng)前任務(wù)相關(guān)特征是點(diǎn)陣面積還是單個(gè)點(diǎn)平均大小, 數(shù)量的序列依賴效應(yīng)總是排斥的。點(diǎn)陣面積作為無關(guān)任務(wù)特征時(shí), 其序列依賴效應(yīng)也是排斥效應(yīng)。然而, 僅在單個(gè)點(diǎn)平均大小作為無關(guān)特征時(shí), 產(chǎn)生的是吸引的序列依賴效應(yīng)。所有任務(wù)中的一致發(fā)現(xiàn)是, 雖然前一試次無關(guān)特征對當(dāng)前知覺的序列依賴效應(yīng)因特征而異, 但是該效應(yīng)總與它們作為當(dāng)前試次無關(guān)特征時(shí)的影響方向相反。前一試次無關(guān)特征的序列依賴效應(yīng)可能與特征之間相互作用的方式有關(guān)。例如, 當(dāng)任務(wù)無關(guān)特征(例如面積)在數(shù)量空間里與數(shù)量特征同向變化時(shí)(DeWind et al., 2015), 其對數(shù)量的影響在當(dāng)前試次表現(xiàn)為吸引, 而在前一試次表現(xiàn)為排斥; 相反, 當(dāng)任務(wù)無關(guān)特征(例如平均大小)在數(shù)量空間里與數(shù)量特征反向變化時(shí)(DeWind et al., 2015), 該特征對數(shù)量的影響則是當(dāng)前試次排斥, 前一試次吸引。不過該假設(shè)的驗(yàn)證和具體機(jī)制還有待將來的進(jìn)一步研究。

以往研究中也發(fā)現(xiàn)無關(guān)特征的特性本身或者它與相關(guān)特征之間的關(guān)系會(huì)影響序列依賴效應(yīng)。Liberman等人(2018)發(fā)現(xiàn), 情緒判斷中的序列依賴效應(yīng)在改變面孔性別后會(huì)消失, 而在改變面孔種族后則仍然存在, 這表明性別差異在面孔之間產(chǎn)生的不相似性比種族更大。在Fornaciai和Park(2019a)的一項(xiàng)研究中, 盡管數(shù)量感和閃光次數(shù)存在吸引的序列依賴效應(yīng), 但數(shù)量感和聲音播報(bào)的次數(shù)分別作為任務(wù)無關(guān)特征時(shí)則不對彼此產(chǎn)生顯著的序列依賴。此外, 當(dāng)背景刺激的顏色變化與任務(wù)無關(guān)時(shí), 序列依賴效應(yīng)不受背景特征的影響, 對當(dāng)前朝向的決定獨(dú)立于刺激背景中的顏色變化, 只系統(tǒng)地偏向于先前刺激的朝向(Fischer et al., 2020)。特征之間的加工關(guān)系分為獨(dú)立表征和整合表征(Leibovich et al., 2017; Lourenco & Aulet, 2023)。獨(dú)立加工的特征在知覺上表現(xiàn)為不同特征維度之間的相互獨(dú)立。這意味著, 當(dāng)我們感知一個(gè)物體時(shí), 我們可以獨(dú)立地處理其不同的特征, 例如顏色、形狀、大小和方向。這些研究中朝向和大小分別擁有獨(dú)立的加工機(jī)制, 由不同的腦區(qū)負(fù)責(zé)加工, 因此兩種特征之間不會(huì)產(chǎn)生序列依賴效應(yīng)。而來自神經(jīng)影像學(xué)、計(jì)算模型、視覺錯(cuò)覺和心理物理學(xué)的證據(jù), 證明非數(shù)字的幅值, 如累計(jì)面積, 是與數(shù)字一起編碼的, 并在整個(gè)視覺知覺中持續(xù)存在, 它們之間的交互作用可能會(huì)影響到數(shù)字感知本身, 例如數(shù)字大小的感知可能會(huì)受到物體大小或形狀的影響(Harvey et al., 2015)。當(dāng)這些特征作為任務(wù)無關(guān)特征時(shí), 依然會(huì)影響當(dāng)前任務(wù)相關(guān)特征的序列依賴效應(yīng)。因此, 考察任務(wù)相關(guān)性對特征的序列依賴效應(yīng)的影響時(shí), 特征間是否具有獨(dú)立的加工過程也是影響該效應(yīng)方向的重要因素。

綜上所述, 本研究探討了任務(wù)相關(guān)性對線性特征的序列依賴效應(yīng)的影響。研究結(jié)果顯示, 對于線性分布的特征, 先前的無關(guān)特征仍表現(xiàn)出序列依賴效應(yīng), 盡管其影響程度相較于任務(wù)相關(guān)特征較小。這一發(fā)現(xiàn)揭示了同一客體內(nèi)不同屬性的知覺表征之間存在相互影響, 即使是未被明確要求注意的特征, 也能夠影響對當(dāng)前任務(wù)相關(guān)特征的知覺。此外, 跨特征的序列依賴效應(yīng)的存在支持了序列依賴效應(yīng)可以發(fā)生在客體水平的假設(shè)。未來研究可以進(jìn)一步結(jié)合功能磁共振成像等技術(shù), 深入探索數(shù)量感中跨特征序列依賴效應(yīng)的神經(jīng)基礎(chǔ)以及該效應(yīng)的表征模式。

Adelson, E. H., & Bergen, J. R. (1991). The plenoptic function and the elements of early vision. In M. S. Landy & J. A. Movshon (Eds.),(pp. 3?20). The MIT Press.

Agrillo, C., Petrazzini, M. E. M., & Bisazza, A. (2016). Number versus continuous quantities in lower vertebrates. In A. Henik (Ed.)(pp. 149?174). Academic Press. https://doi.org/10.1016/ B978-0-12-801637-4.00007-X

Anobile, G., Cicchini, G. M., & Burr, D. C. (2012). Linear mapping of numbers onto space requires attention.,(3), 454?459. http://doi.org/10.1016/j. cognition.2011.11.006

Barbosa, J., & Compte, A. (2020). Build-up of serial dependence in color working memory.,(1), 10959. http://doi.org/10.1038/s41598-020-67861-2

Bolker, B. M., Brooks, M. E., Clark, C. J., Geange, S. W., Poulsen, J. R., Stevens, M. H. H., & White, J. S. S. (2009). Generalized linear mixed models: A practical guide for ecology and evolution.(3), 127?135.

Brainard, D. H. (1997). The psychophysics toolbox.(4), 433?436.

Burnham, K. P., & Anderson, D. R. (2004). Multimodel inference: Understanding AIC and BIC in model selection.(2), 261?304. https://doi.org/10.1177/0049124104268644

Cantlon, J. F., Platt, M. L. & Brannon, E. M. (2009). Beyond the number domain.(2), 83?91.

Castaldi, E., Mirassou, A., Dehaene, S., Piazza, M., & Eger, E. (2018). Asymmetrical interference between number and item size perception provides evidence for a domain specific impairment in dyscalculia.,(12), e209256. http://doi.org/10.1371/journal.pone.0209256

Cicchini, G. M., Anobile, G., & Burr, D. C. (2014). Compressive mapping of number to space reflects dynamic encoding mechanisms, not static logarithmic transform.,(21), 7867?7872. http://doi.org/10.1073/pnas.1402785111

Cicchini, G. M., Benedetto, A., & Burr, D. C. (2021). Perceptual history propagates down to early levels of sensory analysis.,(6), 1245?1250.

Cicchini, G. M., Mikellidou, K., & Burr, D. (2017). Serial dependencies act directly on perception.,(14), 6. http://doi.org/10.1167/17.14.6

Cicchini, G. M., Mikellidou, K., & Burr, D. C. (2018). The functional role of serial dependence.(1890). http://doi.org/10.1098/rspb.2018.1722

Collins, T. (2022a). Serial dependence occurs at the level of both features and integrated object representations.,(8), 1821?1832. http://doi.org/10.1037/xge0001159

Collins, T. (2022b). Serial dependence tracks objects and scenes in parallel and independently.,(7), 4. http://doi.org/10.1167/jov.22.7.4

Cremers, J. (2021).(2.0.2) [Computer software]. https://cran.r-project.org/web/packages/bpnreg/index.html

Cremers, J., & Klugkist, I. (2018). One direction? A tutorial for circular data analysis using R with examples in cognitive psychology.,2040. https://www.frontiersin.org/articles/10.3389/fpsyg.2018.02040

Dehaene, S. (2002). Précis of the number sense.(1), 16?36.

de Marco, D., & Cutini, S. (2020). Introducing CUSTOM: A customized, ultraprecise, standardization-oriented, multipurpose algorithm for generating nonsymbolic number stimuli.,(4), 1528?1537. http://doi. org/10.3758/s13428-019-01332-z

DeWind, N. K., Adams, G. K., Platt, M. L., & Brannon, E. M. (2015). Modeling the approximate number system to quantify the contribution of visual stimulus features.,, 247?265. http://doi.org/10.1016/j.cognition. 2015.05.016

Faul, F., Erdfelder, E., Buchner, A., & Lang, A. (2009). Statistical power analyses using G*Power 3.1: Tests for correlation and regression analyses.,(4), 1149?1160. http://doi.org/10.3758/BRM. 41.4.1149

Fischer, C., Czoschke, S., Peters, B., Rahm, B., Kaiser, J., & Bledowski, C. (2020). Context information supports serial dependence of multiple visual objects across memory episodes.,(1), 1932. http://doi.org/10.1038/s41467-020-15874-w

Fischer, J., & Whitney, D. (2014). Serial dependence in visual perception.,(5), 738?743. http:// doi.org/10.1038/nn.3689

Fisher, N. I. (1995).. Cambridge University Press.

Fisher, N. I., & Lee, A. J. (1992). Regression models for an angular response.,(3), 665?677. https://doi. org/10.2307/2532334

Flesch, T., Juechems, K., Dumbalska, T., Saxe, A., & Summerfield, C. (2022). Orthogonal representations for robust context-dependent task performance in brains and neural networks.,(7), 1258?1270. http://doi. org/10.1016/j.neuron.2022.01.005

Fornaciai, M., & Park, J. (2018a). Attractive serial dependence in the absence of an explicit task.,(3), 437?446. http://doi.org/10.1177/0956797617737385

Fornaciai, M., & Park, J. (2018b). Serial dependence in numerosity perception.,(9), 15. http://doi.org/10.1167/18.9.15

Fornaciai, M., & Park, J. (2019a). Serial dependence generalizes across different stimulus formats, but not different sensory modalities.,, 108?115. http://doi.org/10.1016/j.visres.2019.04.011

Fornaciai, M., & Park, J. (2019b). Spontaneous repulsive adaptation in the absence of attractive serial dependence.,(5), 21. http://doi.org/10.1167/19.5.21

Fornaciai, M., & Park, J. (2020). Attractive serial dependence between memorized stimuli.,, 104250. http://doi.org/10.1016/j.cognition.2020.104250

Fornaciai, M., Togoli, I., & Bueti, D. (2023). Perceptual history biases are predicted by early visual-evoked activity.(21), 3860?3875.

Franconeri, S. L., Bemis, D. K., & Alvarez, G. A. (2009). Number estimation relies on a set of segmented objects.,(1), 1?13. http://doi.org/10.1016/j.cognition. 2009.07.002

Fritsche, M., & de Lange, F. P. (2019). The role of feature-based attention in visual serial dependence.,(13), 21. http://doi.org/10.1167/19.13.21

Fritsche, M., Mostert, P., & de Lange, F. P. (2017). Opposite effects of recent history on perception and decision.,(4), 590?595. http://doi.org/10.1016/ j.cub.2017.01.006

Gekas, N., McDermott, K. C., & Mamassian, P. (2019). Disambiguating serial effects of multiple timescales.,(6), 24. http://doi.org/10.1167/19.6.24

Gross, H. J., Pahl, M., Si, A., Zhu, H., Tautz, J., & Zhang, S. (2009). Number-based visual generalisation in the honeybee.(1), e4263. https://doi.org/10.1371/ journal.pone.0004263

Harvey, B. M., Fracasso, A., Petridou, N., & Dumoulin, S. O. (2015). Topographic representations of object size and relationships with numerosity reveal generalized quantity processing in human parietal cortex.,(44), 13525?13530. http://doi.org/10.1073/pnas.1515414112

Kahneman, D., Treisman, A., & Gibbs, B. J. (1992). The reviewing of object files: Object-specific integration of information.,(2), 175?219. http:// doi.org/10.1016/0010-0285(92)90007-o

Kramer, A. F., & Jacobson, A. (1991). Perceptual organization and focused attention: The role of objects and proximity in visual processing.,(3), 267?284. http://doi.org/10.3758/bf03206750

Kutter, E. F., Bostroem, J., Elger, C. E., Mormann, F., & Nieder, A. (2018). Single neurons in the human brain encode numbers.,(3), 753?761.e4. https://doi. org/10.1016/j.neuron.2018.08.036

Kutter, E. F., Bostr?m, J., Elger, C. E., Nieder, A., & Mormann, F. (2022). Neuronal codes for arithmetic rule processing in the human brain.,(6), 1275?1284. http://doi.org/10.1016/j.cub.2022.01.054

Lagona, F. (2016). Regression analysis of correlated circular data based on the multivariate von Mises distribution.,(1), 89?113. https://doi.org/10.1007/s10651-015-0330-y

Leibovich, T., Katzin, N., Harel, M., & Henik, A. (2017). From "sense of number" to "sense of magnitude": The role of continuous magnitudes in numerical cognition.,, e164. http://doi.org/ 10.1017/S0140525X16000960

Liberman, A., Fischer, J., & Whitney, D. (2014). Serial dependence in the perception of faces.,(21), 2569?2574. https://doi.org/10.1016/j.cub.2014.09. 025

Liberman, A., Manassi, M., & Whitney, D. (2018). Serial dependence promotes the stability of perceived emotional expression depending on face similarity.,(6), 1461?1473. http://doi. org/10.3758/s13414-018-1533-8

Liberman, A., Zhang, K., & Whitney, D. (2016). Serial dependence promotes object stability during occlusion.,(15), 16. http://doi.org/10.1167/16. 15.16

Lourenco, S. F., & Aulet, L. S. (2023). A theory of perceptual number encoding.,(1), 155?182. http://doi.org/10.1037/rev0000380

Manassi, M., Liberman, A., Kosovicheva, A., Zhang, K., & Whitney, D. (2018). Serial dependence in position occurs at the time of perception.,(6), 2245-2253. http://doi.org/10.3758/s13423-018-1454-5

Moon, J., & Kwon, O. (2022). Attractive and repulsive effects of sensory history concurrently shape visual perception.,(1), 247. http://doi.org/10.1186/s12915- 022-01444-7

Pascucci, D., Mancuso, G., Santandrea, E., Della Libera, C., Plomp, G., & Chelazzi, L. (2019). Laws of concatenated perception: Vision goes for novelty, decisions for perseverance.,(3), e3000144. http://doi. org/10.1371/journal.pbio.3000144

Pascucci, D., & Plomp, G. (2021). Serial dependence and representational momentum in single-trial perceptual decisions.,(1), 9910. http://doi.org/ 10.1038/s41598-021-89432-9

Pascucci, D., Tanrikulu, ?. D., Ozkirli, A., Houborg, C., Ceylan, G., Zerr, P., Rafiei, M., & Kristjánsson, á. (2023). Serial dependence in visual perception: A review.,(1), 9. https://doi.org/10.1167/jov.23.1.9

Pisa, P. E., & Agrillo, C. (2009). Quantity discrimination in felines: A preliminary investigation of the domestic cat (Felis silvestris catus).(2), 289?293. https://doi.org/10.1007/s10164-008-0121-0

Printzlau, F. A. B., Myers, N. E., Manohar, S. G., & Stokes, M. G. (2022). Neural reinstatement tracks spread of attention between object features in working memory.,(9), 1681?1701. http://doi.org/ 10.1162/jocn_a_01879

Ravindran, P., & Ghosh, S. K. (2011). Bayesian analysis of circular data using wrapped distributions.,(4), 547?561. https:// doi.org/10.1080/15598608.2011.10483731

Sadil, P., Cowell, R. A., & Huber, D. E. (2021). The push-pull of serial dependence effects: Attraction to the prior response and repulsion from the prior stimulus.https://doi.org/10.31234/osf.io/f52yz

Sadler, P. M., & Tai, R. H. (2007). The two high-school pillars supporting college science.(5837), 457?458.

Schwiedrzik, C. M., Ruff, C. C., Lazar, A., Leitner, F. C., Singer, W., & Melloni, L. (2014). Untangling perceptual memory: Hysteresis and adaptation map into separate cortical networks.,(5), 1152?1164. http://doi.org/10.1093/cercor/bhs396

Shan, J., & Postle, B. R. (2022). The influence of active removal from working memory on serial dependence.(1), 31. http://doi.org/10.5334/ joc.222

Starr, A., Libertus, M. E., & Brannon, E. M. (2013). Number sense in infancy predicts mathematical abilities in childhood.(45), 18116?18120.

Stern, Y., Ben-Yehuda, I., Koren, D., Zaidel, A., & Salomon, R. (2022). The dynamic boundaries of the Self: Serial dependence in the Sense of Agency.,, 109?121. http://doi.org/10.1016/j.cortex.2022.03.015

Suárez-Pinilla, M., Seth, A. K., & Roseboom, W. (2018). Serial dependence in the perception of visual variance.,(7), 4. http://doi.org/10.1167/18.7.4

Sun, Q., Zhang, H., Alais, D., & Li, L. (2020). Serial dependence and center bias in heading perception from optic flow.,(10), 1. https://doi.org/ 10.1167/jov.20.10.1

Togoli, I., Fedele, M., Fornaciai, M., & Bueti, D. (2021). Serial dependence in time and numerosity perception is dimension-specific.,(5), 6. http:// doi.org/10.1167/jov.21.5.6

Tokita, M., & Ishiguchi, A. (2010). How might the discrepancy in the effects of perceptual variables on numerosity judgment be reconciled?,(7), 1839?1853. http://doi.org/10. 3758/APP.72.7.1839

van der Burg, E., Rhodes, G., & Alais, D. (2019). Positive sequential dependency for face attractiveness perception.,(12), 6. http://doi.org/10.1167/19.12.6

Xia, Y., Leib, A. Y., & Whitney, D. (2016). Serial dependence in the perception of attractiveness.,(15), 28. http://doi.org/10.1167/16.15.28

Xu, L. H., Sun, Q., Zhang, B., & Li, X. (2022). Attractive serial dependence in heading perception from optic flow occurs at the perceptual and postperceptual stages.,(12), 11. https://doi.org/10.1167/jov.22.12.11

Yang, W. X., Zhang, M. L., Li, H. X., Yang, Y. L., & Si, J. W. (2017). Evolutionary evidences of primitive mathematics ability in human beings.(5), 810?824.

[楊偉星, 張明亮, 李紅霞, 楊雅琳, 司繼偉. (2017). 人類基本數(shù)學(xué)能力的進(jìn)化證據(jù).(5), 810?824.]

Zhang, H., & Luo, H. (2023). Feature-specific reactivations of past information shift current neural encoding thereby mediating serial bias behaviors.,(3), e3002056. http://doi.org/10.1371/journal.pbio.3002056

Zhou, J., Zhang, H., Ding, X., Shui, R., & Shen, M. (2016). Object formation in visual working memory: Evidence from object-based attention.,, 95?101. http:// doi.org/10.1016/j.cognition.2016.04.009

The effect of task relevance on serial dependence in numerosity

LIU Yujie1,2, LIU Chenmiao3, ZHOU Liqin3, ZHOU Ke3

(1State Key Laboratory of Brain and Cognitive Science, Institute of Biophysics, Chinese Academy of Sciences, Beijing 100101, China)(2Sino-Danish College, University of Chinese Academy of Sciences, Beijing 100049, China) (3Beijing Key Laboratory of Applied Experimental Psychology, National Demonstration Center for Experimental Psychology Education (Beijing Normal University), Faculty of Psychology, Beijing Normal University, Beijing 100875, China)

Serial dependence refers to the phenomenon where current perception is influenced not only by the current stimulus input but also by preceding events in recent history. This effect plays a crucial role in the establishment of relatively stable perceptions in dynamically changing environments. Previous studies have shown that the extent and direction of serial dependence are related to the task relevance of stimulus features. It is still unclear, though, if task relevance in linearly distributed features affects this impact, given that the majority of these researches have mostly focused on experiments using circularly distributed features. The current study investigated the impact of task relevance of linearly distributed features on serial dependence by using estimation tasks with dot arrays as stimulus materials, which were varying orthogonally in two dimensions: number/area (Experiment 1) or number/size (Experiment 2).

The study employed a 7 (number of dots) × 7 (dot array area in Exp 1/average dot size in Exp 2) × 2 (task relevance: relevant vs. irrelevant feature) block design. In the number estimation task, participants were instructed to focus on the number of dots, thus prioritizing the number as a relevant feature, while deeming the field area irrelevant. Conversely, the field area estimation task directed attention to the field area of dot array, making it the relevant feature and relegating the number to irrelevance. Experiment 2 followed the same experimental paradigm as Experiment 1, with the key difference being that it replaced the field area estimation task with an average item size estimation task. Each participant underwent all experimental conditions, with the order of the two tasks balanced across them. Initially, a fixation cross was presented for 1350?1450 ms, followed by a dot array image shown at the center of the screen for 250 ms. Task instruction then appeared at the top of the screen, accompanied by an axis beneath. Participants were instructed to accurately estimate the number of dots in the array by selecting a point on the number line through mouse click. The mouse click would trigger the appearance of a white marker, indicating the selected position, and its corresponding numerical value was exhibited underneath. Participants then affirm their estimation by pressing the “Enter” key. A response window of 15 seconds was provided; failure to respond within this period led to a 'no response' recording (marked as “N/A”) for that trial, and the program automatically proceeded to the next trial.

Our findings revealed that the effect of a feature from previous trial on current perception consistently counteracted the influence of the same feature in the current trial, regardless of the feature's task relevance. From a serial dependence perspective, the effects of previous task-relevant features were always repulsive; however, whether the previous task-irrelevant features showed attractive or repulsive serial dependence effects, was depended on the specific feature. This highlights the dual influence of task relevance and feature characteristics on the serial dependence effect of linearly distributed features. Notably, the persistence of the serial dependence of the irrelevant features implies that serial dependence can also arise at the object level.

serial dependence, numerosity perception, task relevance, linear distributed feature

2023-03-28

* 科技創(chuàng)新2030-重大項(xiàng)目(2021ZD0203803); 國家自然科學(xué)基金(32200840); 國家重點(diǎn)研發(fā)計(jì)劃(2019YFA0709503); 中國博士后科學(xué)基金(2022T150061、2022M710435); 中央高?；究蒲袠I(yè)務(wù)費(fèi)支持。

周可, E-mail: kzhou@bnu.edu.cn; 周麗琴, E-mail: zhouliqin@bnu.edu.cn

B842