寒假提升计划
方法学和可视化技术本该是通往真理的桥梁，但往往成为阻碍你探索科学的高墙
今年，我们联合国内顶尖名校博士和资深硕博生为你打造了一套认知神经科学全栈工具箱。从经典的sMRI、fMRI、dMRI、EEG/MEG，到硬核的电生理、脑机接口，再到前沿的RSA、MVPA、强化学习、大语言模型，我们一站式配齐，欢迎查看~
课程时间 2026年2月24-28日，部分开设在3月初，报名截止 2026年2月17日，欢迎垂询~
基本信息
Title:Macaque prefrontal cortex integrates multiple components for metacognitive judgments of working memory
发表时间：2026.3.4
Journal:Neuron
影响因子：15.3
获取原文：
- 添加小助手:PSY-Brain-Frontier即可获取PDF版本
- 点击页面底部“”即可跳转论文原网页
引言
我们每天都在用工作记忆（working memory, WM）：刚听到的指令、正在心算的中间结果、准备按顺序做的几件事。但更关键的是，我们往往还会顺手做一次“自我评估”:我到底记得牢不牢？要不要记个备忘、要不要回头再确认一遍？这种对自身记忆状态的判断，属于元记忆（metamemory），更一般地说是元认知（metacognition）。
问题在于：大脑的“信心”从哪里来？一种直觉是它直接来自记忆强度：记得越清晰越敢答；另一种观点认为，信心会被各种线索（cues）影响，比如刚才连着做对了几题就更敢赌、紧张或疲劳时更容易放弃。过去研究常常分别讨论“不确定性”（uncertainty）的表征与“信心报告/放弃行为”的神经相关，但缺少一个能把两者装进同一套神经计算框架的证据链。
Ning 等人把问题聚焦在猕猴外侧前额叶（lateral prefrontal cortex, LPFC）：这里既与 WM 内容维持有关，也与元认知判断相关。他们想回答两件事：LPFC 是否能同时读出“我记住了什么”和“我有多确定”；以及在真实决策里，大脑是否会把记忆强度与线索一起整合，生成一个可直接驱动“继续回忆/选择放弃（opt-out/offload）”的元工作记忆信号（meta-working memory, meta-WM）。
实验设计与方法逻辑
作者让两只猕猴完成“延迟-序列复现”的 meta-WM 任务：先分试次可选择直接复现以拿大奖励，或选择“放弃/卸载（offload）”拿小奖励，以此把“信心”外显为行为；同时在 LPFC 做双光子钙成像（two-photon calcium imaging），用群体解码（population decoding）分别重建 WM 内容与不确定性（以熵 entropy 表示并转为 WM strength），再解码 meta-WM 分数并检验其与放弃选择、瞳孔（arousal）和奖赏历史（trial history）的关系及整合方式。
核心发现
1）LPFC把“记了什么”和“有多稳”绑在同一套群体表征里
作者用群体解码器在延迟期同时读出空间位置概率分布，并用序列概率分布的熵反推单试次WM不确定性，从而得到WM strength（Figure 2A）。解码出的“位置分布”与真实行为反应分布高度相关（Figure 2B–D），而WM strength不仅随序列难度变化，还在同一序列的不同重复间波动，并能区分正确与错误试次（Figure 2F–G）。这说明LPFC的WM表征是“内容+不确定性”的联合编码，而非只编码刺激类别或长度。
Figure 2. Joint representation of WM content and its strength in the LPFC neural population
2）“要不要放弃”在延迟期已可从LPFC群体活动预测
在还没出现选择按钮前，已有一群神经元对“offload vs memory”呈现选择性（Figure 3A），并且群体层面的meta-WM decoder能以较高AUROC区分两类试次（Figure 3D–E）。更关键的是，meta-WM score既能跨序列预测整体offloading率（Figure 3F），也能在同一序列内部区分猴子这一次选择继续还是放弃（Figure 3G）。这把“信心/不信心”从刺激难度中剥离出来，证明meta-WM是单试次波动的内在判断信号。
Figure 3. Representation of meta-WM judgements in the LPFC neural population
3）WM strength通常驱动meta-WM，但存在“高自信错觉”的失配
作者发现WM解码出现得更早，而meta-WM解码滞后数百毫秒（Figure 4D），符合“先有WM表征，再形成元判断”的流程；同时WM strength与meta-WM score在跨试次与同序列内都显著正相关（Figure 4E–F）。但在错误试次中，存在一类“WM弱却meta-WM高”的失配（mismatch）——即猴子选择继续做、但实际上记得不稳（Figure 4G–H）。这提示meta-WM并非WM strength的无噪声读出，还叠加了额外来源的偏置。
Figure 4. Relationship between WM vs. Meta-WM judgment
4）基线期线索（唤醒与历史奖励）会“预置”元判断，并与WM strength线性整合
作者用瞳孔大小表征唤醒度（arousal），发现基线期瞳孔在不同即将到来的选择间已有差异（Figure 5A–B），而奖励历史对当前判断也有可观权重（Figure 5C）。更直接的是：仅用基线期神经群体活动就能解码出“baseline meta score”（Figure 5E），并且回归显示meta-WM score由baseline meta与WM strength共同解释，且模型比较支持“两者相加优于单独一个”（Figure 5G–H）。在子空间分析中，baseline、WM strength、meta-WM对应近似正交的群体子空间（Figure 6B–D），但在解剖空间上神经元彼此交错分布（Figure 6F–H），呈现“功能分离、细胞混杂”的实现方式。
Figure 5. Neural activities during baseline predict meta-WM judgment
Figure 6. Three task variables in the PFC
归纳总结和点评
这篇工作把“我记得怎么样”拆成三块可操作、可解码的神经成分：WM 内th、由唤醒与奖赏历史等线索形成的 baseline prior，以及最终驱动 offload/memory 行为的 meta-WM 信号。更难得的是，作者用同一套 LPFC 群体记录把三者串成闭环：WM strength 先出现、再与 baseline 线性整合生成 meta-WM，同时又能解释为什么会出现“自信但答错”的错配型错误。子空间分析进一步提供了一个干净的计算图景：不同信息在同一脑区内以几何方式解耦并被整合。整体证据链完整、方法强、概念清晰，为理解前额叶如何实现工作记忆的元认知控制提供了一个可迁移的框架。
热门跟贴