腹内侧前额叶与脑岛皮层变化对儿童到青少年元记忆发育的影响

元记忆监控与内生回忆准确性的能力在儿童发育过程大大改善,但潜在的神经变化和对智力发育的影响在很大程度上是未知的。来自加州大学戴维斯分校心智与大脑中心(Center for mind and brain, UCD)的Yana Fandakova等人在PNAS发表了一篇文章,研究了支持元认知的关键脑区的皮层变化是否有助于从童年到青春期早期的元记忆监控能力变化。

Introduction

自省记忆准确性和元记忆监视的能力对于指导学习和决策非常重要,例如一个学生对考试准备的复习材料有疑问,他会重复检查这些材料;同样地,如果一个目击者对自己看到的犯罪信息的记忆不确定,他很可能会拒绝作证。

跨学科研究表明,小学时期的记忆监测能力已经有所改善,年龄较大的孩子对判断记忆是否准确的信心比年龄小的孩子更大。然而,当情感过程可能改变或影响行为规范时,这种发展是否延伸到青春期仍然是一个悬而未决的问题。支持元记忆监测能力发展的结构性大脑变化也是未知的。因此了解青春期元认知如何发展,以及与之相关的大脑发育有助于阐明儿童成长为独立的学习者和问题解决者的关键因素。

对成人的研究可以确定对元记忆监测相关脑区的发育模式的预测,比如成人元记忆监测个体差异与前额叶皮层(APFC),腹内侧前额叶皮层(vmPFC),背前扣带皮层(dACC)和前脑岛等的结构异常有关。虽然这些脑区的确切作用尚不清楚,但最近的一项研究表明前额叶区域与包括脑岛和扣带皮层的感觉皮层的相互作用提供了元记忆监测能力。这说明脑岛和背前扣带皮层提供了持续认知表现(例如,误差信号,不确定性信号)的输入,然后与前额叶皮层(PFC)中的当前目标和信念的认知相结合,最终产生内省报告和随后的决定。

本文中研究了一组145名7至15岁的儿童,他们在三个测量场合进行结构磁共振成像的扫描(图1A; 347纵向扫描)。并且对31名成年人作为样本进行横断面比较。参与者在编码期间完成了记忆任务和注意力操作任务,获得不同难度程度和记忆精度。参与者在三种不同注意力需求条件下观看了一系列场景(图1B)。在检索期间,参与者从不同的条件下观看了新的场景或研究场景,并表明了他们对场景识别判断的信心(图1B)。对于正确和不正确的响应,置信度分布的差异可能会随着开发过程中存储器精度水平的不同而不同。因此在调查年龄差异时记录了从童年到青春期转型期间记忆准确性的差异变化。

图1. 样本描述和实验设计。

(A)每行表示一个被试,三个圆圈对应其相应的三种扫描。

(B)在Encoding阶段将户外场景分为active blocks和passive blocks。active blocks需要被试调整他们的注意力:当呈现绿色背景时,要求被试想像自己参与到这个场景中,当呈现红色背景时则要求被试忽略这个场景但不能闭眼。之后再展示一个绿色场景或新场景,要求被试说明这一场景是否在上一个block中展示过。passive blocks要求被试以被动方式观看呈现在蓝色背景上的场景,并指示探测器上箭头的方向。在Retrieval阶段,被试观看了所有注意条件(即参加,忽略,被动,排除用作主动探测的绿色场景)和新场景,然后指出在编码期间是否已经看过该场景或者从未看过。在每次认知测试后,被试对决定的信心程度做三分制打分。

本文研究了前脑岛,dACC,vmPFC和APFC的结构变化如何影像儿童后期和青春期的元记忆监测能力的发展。研究表明,岛状皮层的变化大致遵循一个皮质变薄的线性轨迹,而侧向和内侧PFC发育的特征是初始阶段皮层厚度增加到9岁左右,随后开始变薄。本文提出的一种假设是脑岛的早期功能成熟可能有助于开发前期的元记忆监测,而后期成熟的PFC区域则在后期支持更复杂的控制操作。这一假设与PFC区域与低龄时期元记忆的变化仅显示弱相关的观点相一致,所以后期皮层厚度变薄才促进了脑功能的提高。另外一种假设是脑区皮层厚度的特异变化轨迹函数可能导致了元记忆监测能力的提高。如果是这样,内外侧PFC区域(其灰质厚度在童年期间继续增加)皮层厚度的变厚和脑岛皮层的变薄共同造成了记忆的发育,尽管它们受到其皮质变化的具体模式的限制。

此外,本文还研究了元记忆监测对认知发展的重要性超出了记忆的准确性。如果对记忆准确性内省的能力与学习相关,那么它对于智力发展可能更重要。迄今为止没有研究解决这个问题,因此本文研究了儿童期后期和青春期的记忆监测与智力(IQ)之间的横向纵向关系。

Methods

1.被试

T1: 145名儿童提供行为数据[M(SD)= 9.57(1.09)岁,74名女性],其中141名提供结构MRI数据。 T1还包括31名成年人的行为和结构MRI数据[M(SD)= 19.46(1.61)岁,18位女性]。 T2:T1后约1.4年,包括120名儿童的行为数据[M(SD)= 10.88(1.22)岁,57名女性],其中117名儿童提供结构MRI数据。 T3:T2后约1.3年,包括107名儿童的行为数据(M(SD)= 12.22(1.3)岁,48名女性],其中89名提供结构MRI数据。由Wechsler Abbreviated Scale of Intelligence (WASI)分别测试儿童的IQ:T1 (WASI-I) T3(WASI-II)。该研究得到加利福尼亚大学戴维斯分校机构审查委员会的批准。所有与会者及其家长获得知情同意书。

2.认知记忆任务

在encoding阶段,每个被试呈现4个户外场景的24个blocks,其中包括16个active blocks和8个passive blocks(图1B)。每个block呈现3秒钟,之后跟着测试场景以确保参与者遵循指示并观察刺激。encoding之后被试进行认知测试,包括48个block场景和32个新场景,并且在被试决策之后对置信度进行打分(三分制)。

3.MRI采集和分析

扫描获取被试的全脑高分辨率T1像后按照标准程序(Fischl B, DaleAM (2000) Measuring the thickness of the human cerebral cortex from magneticresonance images. Proc Natl Acad Sci USA 97:11050–11055.)使用Freesurfer 5.3进行重建。基于Destrieux atlas(Destrieux C, Fischl B, Dale A, Halgren E (2010)Automatic parcellation of human cortical gyri and sulci using standardanatomical nomenclature. Neuroimage 53:1–15.)提取以下ROIs的皮质厚度:vmPFC,insula, APFC和dACC。

4.统计分析

T1横向分析包括按中位数将145名儿童分为幼龄组(7.41-9.59岁,n = 72)和大龄组(9.61-12.04岁,n =73),此外还有一组成年人。正确判定和错误判定的差值作为被试的认知准确率,AUC值作为元记忆分辨率。这一措施描述了观察者在自信判断中如何区分正确和不正确的反应,并通过绘制不同级别的累积置信对确定正确与不正确的响应计算AUC。然后使用lme4中实现的多级模型进行纵向分析:首先计算了认知准确率,AUCROC2和皮层厚度随时间的线性或非线性变化。其次计算了不同ROI的皮层变化与AUCROC2随时间变化的相关分析。为了确保我们的结果不依赖于元记忆的精确测量,我们还将meta d'作为基于模型的元记忆监测。

lme4多级模型:yit是感兴趣的结果,b0i是随机截距(对于个体i的初始评估的预测得分),b1i是随机斜率(个体i的预测变化率),timeit是自初始评估以来的时间量,eit是残差。在第2级模型中,Initialagei是个体i第一次参与实验的年龄,β00表示T1阶段的9.6岁小孩的预测得分。 2级回归系数β01表示截距的横向差异。第二个模型测试了二次关系,并且包括随时间变化的二次效应。在第三个模型中,将Initial agei作为线性斜率和二次斜率的预测因子(当需要二次斜率时),以测试个体随时间的变化率是否取决于T1的年龄。我们使用似然比检验来测试模型拟合的差异。性别作为所有模型中level 2的协变量,如果不重要,则从进一步分析中除去。报告的最终模型仅包括显着增加模型稳定性的预测因子。level2的协变量包括每个ROI在T1年龄段的皮层厚度和T1之后的皮质厚度变化。首先,由ROIs在T1的皮层厚度和随时间的厚度变化预测了随机截距。然后测试了每个ROI中的初始厚度和厚度变化是否预测随时间变化的速率(即斜率)。为了排除半脑差异,对左半脑和右半脑分别分析。 Bonferroni校正多重比较应用于ROI和posthoc比较(labeled PBonf)。

Results

1. Age Differences and Change in Recognition Accuracy over Time

使用包含以9.6岁的截距为中心的线性和二次模型来研究被试识别精度的纵向提高,研究发现了时间变化显著的线性(b = 0.061,P <0.05)和二次(b = 0.014,P <0.05)影响,被试认知识别的准确度随时间提高,但与后期相比,前期的提高更显著(图S1)。此外还评估了操作任务难度导致识别精度的差异,在所有儿童和时间点上,识别假想参与场景的准确率高于忽视场景[b = 0.124,P <0.05,Bonferroni校正P(PBonf)<0.05],且高于passive blocks(b = 0.050,P <0.05,PBonf <0.05)(图S1)。假想参与场景相对于被动状态的纵向提高较大(b = 0.020,P <0.05,PBonf = 0.09),但是忽略场景条件相对于被动状态的纵向提高不明显(P> 0.54),彼此没有显著差异(P> 0.13)。在P <0.05水平上相互作用不显着(所有P> 0.08)。总体而言,随着时间的推移,识别准确度得到改善,假想参与场景的识别准确度有最大提高。

图 S1. 不同任务条件(参加,被动,忽略)和所有条件(总体)的均值对应被试的年龄和识别精度之间的关系)。每个数据点由一个圆圈表示,每个被试对应的数据点展示在同一行。

2. Age Differences and Change in Metamemory Monitoring over Time

对于T1期间记忆监测的年龄差异的初步评估,本文首先比较了儿童和成人之间正确和不正确反应的平均信心(图2A)。有效的记忆监测反映在对正确反应比对错误反应有更高的判断信心。通过年龄组(年龄较小的儿童与较大的儿童与成年人)×条件(参加与,忽略,被动)×识别准确度(正确与不正确)混合方差分析来检查T1中的信心判断的年龄差异。

研究发现一个显着的年龄组×精度相互作用[F(2,169)= 11.32,P <0.05,partial η2(ηp2)= 0.12],使得参与者在认知测试中正确反应比不正确反应的信心更高。成年人相对于幼童(P <0.05,PBonf <0.05)和较大龄儿童(P <0.05,PBonf <0.05)都表现出显著差异。两组儿童间没有显著差异(P = 0.10,PBonf = 0.30)。与两组儿童相比,成年人元记忆准确性内省能力的年龄差异是由于成年人对错误反应的信心较低[F(2,169)= 5.90,P <0.05,ηp2 = 0.07]。相比之下,正确反应的信心没有年龄差异[F(2,169)= 0.34,P = 0.71,ηp2 = 0.00]。严格来说,当识别精度被包括为协变量[F(2,168)= 9.78,P <0.05,ηp2 = 0.10]时,这个年龄组×准确度相互作用在置信判断中保持显着。

将条件(参与,忽略,被动)作为方差分析中的一个因素以评估编码时的注意力变化是否会导致T1阶段记忆监测的年龄差异。状态×精度有显著相互作用[F(2,338)= 9.96,P <0.05,ηp2 = 0.06]。参与比忽略对正确反应的信心要高(P <0.05,PBonf <0.05),反之忽略高于被动状态(P <0.05,PBonf <0.05)。对错误反应的置信度在不同条件下没有差异(P> 0.47)。在所有年龄组均观察到这种情况,而年龄组间差异无统计学意义(P = 0.37)。其余的相互作用均不显着(Ps> 0.24)。

总之,虽然对正确反应的信心受到条件的影响,但这些影响并不依赖于年龄。因此所有后续分析混合了各种情况下元记忆监测能力的变化。使用以9.6岁为中心的截距和随时间线性变化的模型研究了元记忆分辨率的纵向变化。T1阶段的结果表明大龄组较幼龄组的元记忆分辨率高[b = 0.010,P <0.05;图2B提供了与成年人的横向比较]。时间的线性效应也是显着的(b = 0.014,P <0.05),表明元记忆分辨率随时间变化递增(图2C,D)。当识别精度包含在模型中时,元记忆分辨率与时间的相关任然存在(b = 0.012,P <0.05),这表明元记忆监测能力的纵向提高不仅仅反应在识别精度的提高。这些结果用替代的元记忆敏感性测量法( meta d’)进行了复制,该方法基于信号检测理论(图S2)。

图2.信心判断和元记忆监测

图s2.meta d′的纵向变化。(A) Predictedchange in meta d′随时间的预期变化 over time.(B) meta d′/d′ ratio 随时间的预期变化

3. Age Differences and Change in CorticalThickness over Time

从先验的ROIs提取皮层厚度,即左右半脑的anterior insula,vmPFC,APFC和dACC。首先研究了T1阶段两组儿童和成人横向的皮层厚度差异(图3)。所有的ROI的皮层厚度都有显著年龄差异(PsBonf <0.05),此外成年人的所有ROI的皮层厚度都比两组儿童的低(PsBonf <0.05),但两组儿童间没有差异(PsBonf> 0.05)。这表明支持元记忆监测的脑区均随年龄增长产生了皮层发育。

其次,使用以9.6岁为中心的截距和随时间线性变化的模型来研究儿童皮层厚度的纵向变化。每个ROI的参数估计和统计分析如图3和表1所示(各个数据点如图S3所示)。在左半球,T1阶段脑岛有显着主效应,在多次比较校正后vmPFC尽管不显著但有主效应趋势。在这脑区,年龄较大的儿童初次评估时的皮层厚度比年龄小的儿童低。时间的线性效应在脑岛中显着,但在APFC,vmPFC或dACC中不显着(图3)。左脑ROI的后续分析表明,脑岛的皮层厚度变薄显着大于dACC(P<0.05,PBonf <0.05)和vmPFC(P <0.05,PBonf <0.05)的皮层厚度变化,比APFC(P<0.05,PBonf = 0.09)的皮层厚度变化有显著趋势。

在右半球,时间的线性效应在脑岛和vmPFC中显着,但在dACC和APFC中不显著(图3和表1)。而随着时间的推移,脑岛的皮层厚度变薄显著,但vmPFC中皮层厚度反而增加了,此外,在APFC中观察到变薄的趋势(P= 0.05,在多次比较校正之前)。对右脑ROIs的组间比较证明脑岛与vmPFC(P <0.05,PBonf <0.05),vmPFC与APFC(P<0.05,PBonf <0.05)之间的发育轨迹有显著异常,而vmPFC和dACC(P= 0.07,PBonf = 0.21)并无显著异常。在左半球或右半球的任何ROI中,时间和高阶相互作用的二次效应不可靠。

总之,这些纵向分析显示了ROIs皮层厚度的不同发育轨迹,脑岛皮层变薄,vmPFC皮层变厚,在研究时间段内dACC或APFC无显著变化。

图3. 两半脑皮层厚度的横向,纵向变化anteriorinsula (A), vmPFC (B), APFC (C), and dACC (D).*P < 0.05. L, left; R, right.

Table 1. 儿童ROIs皮层厚度的纵向变化ROIs

图S3. 儿童ROIs皮层厚度的个体纵向变化轨迹APFC (A),vmPFC (B), anterior insula (C), and dACC (D).图3显示了平均轨迹. L, left; R,right.

4. CorticalChanges Predict Metamemory Monitoring Improvement over Time

本研究不仅提供了儿童皮层发育的证据,还研究了这些皮层变化是否预测了记忆监测能力的变化,即ROIs中的初始厚度和厚度变化是否能够预测元记忆分辨率的改善。在左半球,随时间增加脑岛皮层显著变薄的儿童(b = -0.160,P<0.05;图4A),以及随时间增加vmPFC皮层显着变厚的儿童(b =0.158,P< 0.05;图4B),均随时间的推移显示出更高的记忆监测改善率。APFC(b =0.023,P =0.63)和dACC(b =0.017,P =0.68)的变化不能预测元记忆分辨率的变化。此外,对照分析表明,在控制识别准确率后,记忆分辨率的增加率仍然与左侧vmPFC(b =0.13,P =0.02)和左前脑岛(b =-0.14,P =0.01)的变化相关。在右半球,随时间增加脑岛皮层变薄只能大致作为总体记忆分辨率的预测因子(b =-0.090,P =0.05),且与元记忆分辨率的改变不相关。跨半球的模型与左半球观察到的结果类似。

总之,这些结果表明额叶亚区域的皮层发育有助于提高儿童对记忆准确性的内省能力。然而,不同皮层区域有助于记忆监测的方式取决于它们独特的皮层变化模式。研究结果表明,儿童过渡到青春期的元记忆监测能力的增加与脑岛皮层变薄和vmPFC皮层变后有关。

图4. 脑区皮层厚度改变与元记忆监测能力提高的相关结果,A图显示左侧脑岛,B图显示左侧vmPFC

5. Relation of Metamemory Monitoring to Intellectual Ability

元记忆监测能力对规范大脑学习有重要作用,因此这一能力的提高可能也会与智商变化相关。仅在T1和T3两个时间点测量被试的 IQ。因此,使用路径建模(图S4)来研究元记忆分辨率(AUCROC2),识别精度和IQ之间的并发关系以及它们的纵向关系。该模型显示出良好的拟合[χ2(6)=3.46,比较拟合指数(CFI)=1.00,近似均方根误差(RMSEA)=0.00,90%置信区间=0.00-0.09]。T1(r = 0.19,P =0.05)和T3(r =0.17,P =0.07)的IQ和元记忆分辨率之间存在趋势相关。此外T1阶段的IQ可以预测T3阶段的元记忆分辨率(β=0.24,P<0.05),T3时T1预测IQ的记忆分辨率(β=0.26,P<0.05)。因此,元记忆分辨率和智商不仅同时相关,而且在横向和纵向都表现出相互影响。但是记忆监测与智力能力之间的关系不太可能反映与记忆能力的共同关系,因为横向纵向两种分析所用的模型均包含了记忆准确率(图S4)。

图S4. T1,T3时间点的元记忆监测指数,记忆准确率和IQ的Path model. *P < 0.05, +P < 0.10. ns, 不显著(虚线).

Discussion

总之,本文代表了对理解支持元记忆发展的神经机制研究的第一步,因为元记忆监测能力对学习和决策至关重要。研究结果表明,元记忆监测能力的发育远超儿童中期,并表现为前脑岛和vmPFC的结构变化,而且元记忆监测能力的发育与儿童智力的变化显著相关。因此,对于支持元记忆和元认知的神经认知机制的更好理解对当前的教育发展尤为重要。在这种情况下,寻找提高元认知监测能力的有效途径及其对元认知控制的应用必然有助于指导和改善个体自我管理学习的能力。

参考文献:Yana Fandakova,Diana Selmeczy, Sarah Leckey, Kevin J. Grimm,et al. Changes in ventromedialprefrontal and insular cortex support the development of metamemory fromchildhood into adolescence . PNAS. 2017

网址:http://www.pnas.org/content/early/2017/06/29/1703079114.short

原文发布于微信公众号 - 思影科技(siyingkeji)

原文发表时间:2017-07-15

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏算法+

音频增益响度分析 ReplayGain 附完整C代码示例

人们所熟知的图像方面的3A算法有: AF自动对焦(Automatic Focus) 自动对焦即调节摄像头焦距自动得到清晰的图像的过程 AE自动曝光(Automa...

5718
来自专栏AI科技评论

学界丨如何玩转网络安全下的深度学习?最全的学习资料清单看这里

近日,外媒 KDnuggets 刊登了一篇机器学习与网络安全相关的资料大汇总,文中列出了相关数据源的获取途径,优秀的论文和书籍,以及丰富的教程。大部分都是作者在...

38710
来自专栏专知

ACL 2018教程:关于语义和语用的100件事(附下载)

【导读】近日,ACL 2018 在澳大利亚墨尔本举办,举办地点为墨尔本会展中心。其tutorial 旨在帮助领域新手了解计算机语言学与自然语言处理的最新进展以及...

1110
来自专栏AI研习社

玩机器学习要知道哪些开源数据库?

开发 AI 和机器学习系统从来没有像现在这样方便。 类似于 TensorFlow、Torch 和 Spark 这样的开源工具,在 AI 开发者群体中已是无处不在...

3357
来自专栏量化投资与机器学习

我用Facebook开源神器Prophet,预测股市行情基于Python(系列2)

Prophet已经创建了所需的模型并匹配数据。Prophet在默认情况下为我们创建了变化点并将它们存储在.changepoints中。默认情况下,Prophet...

3695
来自专栏机器之心

神经网络诊断皮肤癌超越人类专家?来自医疗界的这篇论文给出了证明

1848
来自专栏思影科技

Neuron:人类个体大脑的精准功能成像

来自美国德州VISN 17 Center of Excellence的Evan M. Gordon等人在Neuron期刊上发文,主要介绍了其提供的MSC数据集,...

2996
来自专栏机器学习算法与Python学习

致深度学习的入门者与小白的一份学习清单

关键字全网搜索最新排名 【机器学习算法】:排名第一 【机器学习】:排名第二 【Python】:排名第三 【算法】:排名第四 源 | DL4J 文末获取电子版下载...

2817
来自专栏Crossin的编程教室

用 Python 实现抖音尬舞机

如今说到体感游戏,大家一定都不陌生,比如微软的 Kinect、任天堂的 Switch,都曾是游戏业的革命性产品。而另一款网红产品—抖音,也在去年底上线过一个“尬...

2332
来自专栏量化投资与机器学习

【HFT系列】基于机器学习的动态高频限价订单簿框架(Tick数据)

7912

扫码关注云+社区

领取腾讯云代金券