认知卸载即基于价值的决策：建模认知努力与记忆期望值
Cognitive offloading is value-based decision making: Modelling cognitive effort and the expected value of memory
https://www.sciencedirect.com/science/article/pii/S0010027724000696
摘要
人们如何在将信息保留在短期记忆中与将其卸载到外部提醒工具之间做出决策？这又如何影响后续记忆？本文提出了一个基于两个原则的简单计算模型：A）存储在大脑记忆中的项目会占用其有限容量，从而产生机会成本；B）提醒工具会带来较小的物理操作成本，但其容量实际上是无限的。这些成本与记忆的价值相权衡，从而决定最优策略。模拟再现了许多实证发现，包括：1）优先卸载高价值项目；2）在记忆负荷较高时增加卸载行为；3）卸载可能导致被卸载项目被遗忘（“谷歌效应”），但4）对其他项目的记忆有所改善（“节省增强记忆”）；5）当提醒工具不可靠时，节省增强记忆效应减弱；6）项目价值的影响：人们可能优先卸载高价值项目，并将额外的低价值项目存储在大脑记忆中；7）对设置提醒所需努力最敏感的并非任务难度最高或最低时，而是处于中等难度时；8）记忆能力较差的个体更倾向于增加卸载行为。因此，基于价值的决策为许多认知卸载现象提供了一个简单的统一解释。这些结果与认知努力的机会成本模型一致，该模型可以解释为什么内部记忆让人感到费力，而提醒工具则不会。
关键词：认知卸载 决策 强化学习 价值 记忆
1. 引言
每天，人们都会反复在两种选择之间做出决定：是将信息保留在短期记忆中（例如，记住10分钟后把披萨从烤箱里拿出来），还是将其卸载到外部环境中（例如，设置一个10分钟的闹钟）。关于认知卸载的研究已经探讨了影响这些决策的因素（Gilbert, Boldt, Sachdeva, Scarampi, 和 Tsai, 2023；Risko 和 Gilbert, 2016）。认知卸载研究涉及的第二个问题与其对记忆的下游效应有关，包括外部提醒被意外移除的情况（Kelly 和 Risko, 2019a, 2019b, 2022；Sparrow, Liu, 和 Wegner, 2011；Storm 和 Stone, 2015）。该领域的研究涉及关于记忆、策略选择和延展心智的理论问题。它还与如何优化个体对外部记忆工具的使用以及理解技术对记忆的影响等实践问题相关。
认知卸载的研究揭示了一系列实证现象，其中一些已被反复验证（详见下文）。然而，这些现象背后的过程在机制层面上尚不清楚。本文旨在通过提出一个明确的认知卸载模型（并附上可重现所有模拟的代码，下载地址为 https://osf.io/4uxm6/），为这些认知过程的机制性理解做出贡献。基于此，本文认为基于价值的决策在认知卸载中起着核心作用，并可能解释该领域的许多实证现象。
本建模工作的基本原则很简单。首先，假设个体选择将信息存储在短期记忆中，是因为这样做最终会带来某种奖励。其次，假设保留信息——无论是通过存储在短期记忆中还是通过创建外部记录——都会产生某种成本。这些成本因所选策略而异。与认知卸载相关的现象随之而来，不过是成本/收益比较的简单结果。
本文考虑的许多现象都通过 Dupont, Zhu 和 Gilbert（2022）的一项研究得到了说明。该研究作为待模拟的基本范式。Dupont 等人设计了一项任务，参与者使用触屏平板或电脑鼠标，按顺序将带编号的圆圈拖到一个正方形的底部（图1）。这样圆圈就从屏幕上消失了。每次移除一个圆圈，就会出现一个新圆圈，继续这个序列。例如，在屏幕上有六个标有1–6的圆圈的试次中，参与者会先拖动第一个圆圈到底部，然后在它的位置出现一个标有7的新圆圈。接着他们会拖动数字2到底部，然后被标有8的新圆圈取代，依此类推。圆圈的默认颜色是黄色，但有时当新圆圈首次出现在屏幕上时，会短暂显示为蓝色或粉色，两秒后褪为黄色。这些颜色指示参与者，当他们按顺序最终轮到该高亮圆圈时，应将其拖到左侧（蓝色）或右侧（粉色），而不是底部。其中一侧与比另一侧更高的正确反应奖励相关联。在某些条件下，参与者能够设置外部提醒，以帮助他们记住这些特殊圆圈。他们通过在颜色指令呈现时立即将需要记住的圆圈拖到左侧或右侧来实现这一点，这样圆圈的位置就充当了最终应将其放置何处的外部提醒。在其他条件下，参与者必须仅依赖内部记忆来记住延迟的意图，例如，仅记住数字7应拖到左侧，而没有任何关于此的外部线索或提醒。
Dupont 等人（2022）报告的主要发现如下：
1）当被迫依赖内部记忆时，高价值项目的准确性高于低价值项目（实验1–3）。这验证了基于价值记忆的一个基本原则：人们通常对与更高奖励相关的项目有更好的记忆（参见 Knowlton 和 Castel, 2022的综述）。
2）当允许设置提醒时，参与者对高价值项目的设置频率高于低价值项目（实验1）。
3）当允许提醒时，高价值和低价值项目的准确性都有所提高（实验1）。
4）即使只卸载高价值项目，低价值项目的准确性仍然有所提高（实验2–3）。这表明存在一种“认知溢出”效应，即一旦高价值项目不再占用记忆资源，记忆资源就会重新分配给低价值项目。与此相关的是，其他关于认知卸载的研究证明了“节省增强记忆”效应（Storm 和 Stone, 2015），即当参与者可以依赖对另一组项目的外部提醒时，他们对某些项目的记忆会得到改善。
5）当提醒被移除，参与者接受突击记忆测试时，他们对高价值项目的记忆相对于从未设置提醒的条件有所降低。这对应了所谓的“谷歌效应”。当可信赖的提醒被移除，参与者出乎意料地被迫用内部记忆记住一个项目时，其表现比始终依赖内部记忆的条件更差（Eskritt 和 Ma, 2014；Henkel, 2014；Kelly 和 Risko, 2019a, 2019b, 2022；Soares 和 Storm, 2018, 2022；Sparrow 等人，2011）。
6）突击记忆测试对低价值项目显示出相反的模式。在高价值项目被卸载的条件下，参与者在突击记忆测试中对低价值项目的记忆反而得到了改善。这导致了一种反向的价值效应。当参与者依赖自身记忆时，突击记忆测试对高价值项目的表现优于低价值项目。但当他们为高价值项目设置提醒时，突击测试显示对低价值项目的表现优于高价值项目。这表明，一旦高价值项目被卸载到外部提醒，参与者会优先利用“空闲”的记忆容量去记住低价值项目。
1.1. 基于价值的决策方法
为了模拟这些发现，我们实现了一个简单模型，该模型在记住信息所关联的奖励与成本之间进行权衡。这遵循了其他认知领域所采用的方法，例如认知控制的预期价值模型（Shenhav, Botvinick, 和 Cohen, 2013），该模型认为个体会在认知控制的收益与成本之间进行权衡。在 Dupont 等人（2022）使用的范式中，记住信息所关联的奖励以金钱报酬的形式被明确定义（例如，记住高价值项目得7美分；记住低价值项目得3美分）。但是，记住信息的成本是什么呢？本文提出的模型的关键原则是，这些成本在将项目存储于内部记忆还是外部存储之间是不同的。
根据这种方法，将项目存储在外部存储中的成本仅仅在于这需要额外的操作（例如，设置智能手机提醒所需的操作）。除了创建提醒所涉及的身体努力成本之外，所花费的时间也可以被视为一种成本（Gray, Sims, Fu, 和 Schoelles, 2006），随后在需要时从外部存储中检索信息的努力也是如此。因此，与卸载相关的奖励需要超过这一小额成本，卸载策略才会被选择。本模型假设卸载的成本是恒定的（即，已经卸载了多少其他项目并不重要），并且卸载的收益也不受已放入外部存储的其他项目数量的影响。这些假设可能并非严格成立，特别是当大量项目已被卸载或存储容量非常有限时（例如，一小张纸），但此处将其作为一种简化近似。
至于将项目存储在内部记忆中，就额外运动动作的需求而言，这没有即时成本。然而，存在机会成本。将一个项目存储在内部记忆中可能会降低存储额外项目的能力。这可以通过在需要存储更多项目时准确性下降来检测，正如使用本文所研究的范式版本所证明的那样（Gilbert, 2015a）。然而，机会成本的概念并不一定意味着表现下降。机会成本可能仅仅因将工作记忆资源分配给某项任务的行为而产生，从而使这些资源无法用于其他机会；也可能因内部表征的维持可能干扰其他活动所需的表征而产生（Musslick 和 Cohen, 2021; Oberauer, Farrell, Jarrold, 和 Lewandowsky, 2016）。
根据这种方法，虽然记住信息所关联的奖励无论采用何种策略都是相同的，但内部记忆或外部卸载相关的成本是不同的。由于这些差异，上述每一个实证现象（以及下文描述的一些额外现象）都作为简单的推论而产生。
2. 模型
对 Dupont 等人（2022，实验3）的任务进行了如下模拟。该任务存在16种可能的记忆策略，具体操作为四个正交的二值（是/否）决策：A）将高价值项目存储在内部记忆中？B）将低价值项目存储在内部记忆中？C）为高价值项目创建提醒（如果允许）？D）为低价值项目创建提醒（如果允许）？因此，该模型可以选择通过将特定项目存储在内部记忆或创建外部提醒来记住它。它也可以同时选择这两种策略（存储在内部记忆的同时也创建外部提醒；关于支持这种双存储策略的实证证据，见 Murphy, 2023），或者两者都不选（根本不存储该项目）。该模型的运行方式是随机选择这16种策略之一，并监控所获得的奖励。这一过程在多个轮次中重复进行，然后选择与最高奖励相关联的策略。这是一种简单的蒙特卡洛强化学习形式（Sutton 和 Barto, 2018）。
每个试次包含3个高价值项目和3个低价值项目。这基于 Dupont 等人（2022，实验3）的程序，在该程序中，屏幕上同时呈现12个项目，其中25%是高价值目标，25%是低价值目标。Dupont 等人（2022）进行了两个实验，其中高价值和低价值目标分别价值10分和1分，以及第三个实验，它们分别价值7分和3分。本文使用中间的一组数值，8分对2分，以便所有模拟都使用相同的参数。在每个试次中，所有六个项目都被呈现，并且根据该试次随机选择的策略，每个项目被存储在内部记忆和/或卸载到外部提醒。每当一个项目被卸载，该试次的总奖励就会减少一个小的常量（见下文“参数设置”部分）。这模拟了物理创建提醒的小额成本。
编码阶段之后，模拟一个记忆测试。对于每个被卸载的项目，其被记住的概率为98%。这是 Kirk, Robinson 和 Gilbert（2021）收集的实证数据中，参与者在被迫使用卸载策略时达到的准确率。对于每个存储在内部记忆中的项目，其被记住的概率取决于存储在记忆中的项目总数。该模型模拟了两种情况：要么3个项目被存储在记忆中（如果仅编码低价值或高价值项目），要么6个项目（如果所有项目都被编码）。因此，这里只需要两个参数设置。6个项目时的准确率设为75%，这基于 Chiu 和 Gilbert（2023）的实证数据，该数据测试了类似任务，在记忆负荷为6个项目时获得了74%的准确率。同一项研究在2个和4个项目时获得的准确率分别为96%和86%（平均值：91%），这与 Gilbert（2015a，实验1b，无中断条件）在记忆负荷为3个项目时发现的89%准确率相当。因此，3个项目时的准确率设为90%。如果一个项目被记住（通过任一策略，或两者同时），则收集其关联的奖励。
模拟通过运行50个试次来执行，每次随机选择一种策略。然后选择在这50个轮次中平均奖励最高的策略，并记录与该策略相关的模型行为表现。因此，这是一个奖励最大化模型，而非准确率最大化模型；如果某种策略能产生更高的奖励，它有时会接受平均准确率较低的策略。采样的轮次数相对较少，加上记忆检索的概率性质，导致模型的表现存在一定变异性，而并非总是选择最优策略。这也允许评估如果不是最优策略，其他哪些策略可能被选中。该过程被平均重复1,000,000次，以获得选择每种策略的可能性以及模型对高价值和低价值项目记忆准确率的精确估计。
在这种蒙特卡洛强化学习形式中，学习最优策略的唯一方法是通过随机采样策略并监控每种策略获得的奖励。当然，人类的策略选择不仅仅基于试错学习，还基于口头指令和前瞻性。然而，即使人类策略选择基于更复杂的过程，蒙特卡洛模拟的结果也能为了解哪些策略是最优或接近最优的提供信息。
2.1. 参数设置
参数完整列表如表1所示。除一个例外，这些参数要么基于 A）Dupont 等人（2022，实验3）实验程序中可直接观察的要素，B）参与者执行可比任务的实证数据，要么 C）不影响结果的定性模式。如上所述，需要记忆的项目数量及其相关价值基于 Dupont 等人的实验程序。3个和6个项目时的内部记忆准确率基于 Gilbert（2015a）和 Chiu 与 Gilbert（2023）的数据；使用提醒时的准确率基于 Kirk 等人（2021）。在选择最佳策略之前采样的总轮次数（50）是任意设定的。较低的数值导致表现变异性更大；较高的数值导致变异性更小（极限情况下每次都会选择唯一的最优策略），但这不会改变结果的定性模式，只会改变变异性。本研究的目的并非对 Dupont 等人（2022）的结果进行精确的定量拟合，而是为了复制一组定性现象（其中许多也已在其他认知卸载研究中被报道），以证明一个简单的基于价值的决策过程可能解释这些现象。
唯一一个确实影响结果定性模式、且无法从实验程序或实证数据中直接观察到的参数，是卸载成本：即每次卸载一个项目时施加的恒定惩罚。该参数的影响将在下文探讨。
运行模拟的完整代码可在 https://osf.io/4uxm6/找到。此外，表1中列出的参数可用于计算与每种策略相关的预期奖励（示例见下文）。
3. 模拟
3.1. 如果不允许卸载，高价值项目的记忆表现优于低价值项目
首先，模型在不允许卸载项目的条件下运行，因此只有四种策略可行：将高价值项目存储在内部记忆中、将低价值项目存储在内部记忆中、将两种类型的项目都存储在内部记忆中、或两者都不存储。结果如图2所示。该模型将高价值项目编码入记忆的可能性高于低价值项目，并且准确率也反映了这一点。这是将额外项目存储在内部记忆中所产生机会成本的结果。考虑在每个试次中记住3个高价值和3个低价值项目的两种可能策略：A）仅编码高价值项目；B）同时编码高价值和低价值项目。如果模型仅编码高价值项目，它有90%的概率记住这些项目（需记住3个项目）；而如果它同时编码高价值和低价值项目，其记忆准确率会降至75%（需记住6个项目）。因此，与仅编码高价值项目的策略相比，编码低价值项目所带来的额外奖励需要与由此产生的机会成本相权衡，因为所有项目的记忆准确率会从90%降至75%。
在模型的标准参数设置下，仅编码高价值项目的策略每个项目产生 90% × 8 = 7.2 分。同时编码高价值和低价值项目的策略，每个高价值项目产生 75% × 8 = 6 分，每个低价值项目产生 75% × 2 = 1.5 分，因此每对高价值和低价值项目共产生 7.5 分。因此，最优策略是同时编码高价值和低价值项目，但仅编码高价值项目的策略也能产生相当的奖励。鉴于模型是概率性运行的，记忆表现中的随机波动意味着在某些运行中，同时编码高价值和低价值项目的策略（平均奖励：7.5）将产生最大奖励，而在另一些运行中，仅编码高价值项目的策略（平均奖励：7.2）将产生最大奖励。在这两种情况下，模型都编码了高价值项目，唯一的区别在于是否也编码了低价值项目。仅编码低价值项目的策略平均只有1.8分，低得多，因此该策略几乎必然产生比其他两种策略更低的奖励。因此，在所有运行中取平均，模型编码高价值项目的可能性（无论其是仅编码高价值还是同时编码高价值和低价值，它总是编码高价值项目）高于编码低价值项目的可能性。需要注意的是，当价值差异更加极端时（例如，Dupont 等人，2022，实验1–2中使用的10分对1分），最优策略是仅编码高价值项目而忽略低价值项目，因为编码低价值项目带来的额外奖励不足以抵消记住高价值项目概率的下降。这展示了该模型是奖励最大化而非准确率最大化这一原则。
3.2. 当允许卸载时，参与者优先卸载高价值项目
接下来，模型在允许所有记忆策略的条件下运行（图3）。高价值项目的卸载率高于低价值项目（正如 Dupont 等人，2022，实验1所发现的）。这是因为卸载高价值项目（价值8分）的收益超过了卸载成本（1分）。一旦高价值项目被卸载，当低价值项目可以免费存储在内部记忆中时，就没有必要再卸载它们（每个项目成本1分）。因此，最优策略是卸载高价值项目，并用内部记忆记住剩余的低价值项目。这比卸载低价值项目而将高价值项目存储在内部记忆中能获得更高的预期奖励，因为卸载的准确率（98%）高于内部记忆（90%或75%，取决于负荷）。因此，更高价值的项目应优先采用更准确的策略。
3.3. 当允许卸载时，准确率提高
比较图2和图3可以看出，在允许卸载的模拟中准确率更高。这是额外记忆策略可用性的直接结果，该策略可以提高记住每个项目的几率。
3.4. 即使只卸载高价值项目，低价值项目的准确率仍然提高
Dupont 等人（2022）假设，低价值项目准确率的提高不仅可能是因为为这些项目设置了提醒，还可能因为一旦高价值项目被卸载到提醒，记忆容量会重新分配给低价值项目。为了验证这一点，Dupont 等人（2022，实验2）进行了一项实验，参与者只被允许卸载高价值项目。这导致了低价值项目准确率的提高，支持了“溢出”解释。为了模拟这个实验，我们进行了一次模拟，其中允许卸载高价值项目的选项，但不允许卸载低价值项目（图4）。与图1比较显示，模型对低价值项目的准确率有所提高，正如 Dupont 等人发现的那样，即使没有为这些项目设置提醒。策略选择数据也显示，当允许卸载高价值项目时，模型更有可能将低价值项目编码到内部记忆中。这可以解释观察到的结果。一旦高价值项目被卸载，再将其存储在内部记忆中几乎没有额外好处：提醒几乎肯定已经有效，因此在内部记忆中重复存储它带来的额外奖励很小。但是，不必要地将高价值项目存储在内部记忆中会带来明显的机会成本。因此，最优策略是卸载高价值项目，并将内部记忆用于低价值项目。否则低价值项目可能被遗忘，因此以这种方式使用内部记忆会带来一些额外的奖励。
3.5. 当允许卸载时，低价值项目的突击记忆准确率提高
为了进一步探究当高价值项目被卸载时，内部记忆可能从高价值项目“溢出”到低价值项目的可能性，Dupont 等人（2022，实验3）进行了另一项实验，其中提醒被意外从屏幕上移除，参与者必须仅依赖内部记忆。在这些突击记忆测试中，在那些为高价值项目设置了提醒的条件下，参与者对低价值项目的记忆表现更好。这一点通过照常训练模型来模拟，但评估其准确率时仅参考存储在内部记忆中的项目，而忽略它们是否已被卸载（图5）。结果再现了Dupont等人观察到的模式。由于一旦高价值项目被卸载，最优策略是将内部记忆重新分配给低价值项目，这意味着当高价值项目被卸载时，低价值项目的突击测试准确率得到了提高。这一发现，即卸载一组项目可以改善对另一组未被卸载项目的记忆，对应于“节省增强记忆”效应（Runge, Frings, 和 Tempel, 2019; Storm 和 Stone, 2015）。
需要注意的是，只有当外部存储可靠时，将内部记忆重新分配给低价值项目并依赖外部存储来存储高价值项目才是最优的。否则，这是一种有风险的策略。这可以通过将模型对已卸载项目的准确率从98%降低到50%来模拟不可靠的存储来简单证明。在这种情况下，图5所示的节省增强记忆效应会显著减小。图5显示节省增强记忆效应为38%（当允许高价值卸载时，低价值准确率从50%提高到88%），而当外部存储不可靠时，该效应降至仅12%（低价值准确率从50%提高到62%）。与此一致的是，Storm 和 Stone（2015）在外部存储不可靠时未检测到节省增强记忆效应。因此，除了模拟节省增强记忆效应本身之外，本模型还模拟了当外部存储不可靠时该效应的减弱。
3.6. 当允许卸载时，高价值项目的突击测试准确率降低
图5还显示，一旦高价值项目被卸载，其突击测试准确率就会降低。一旦一个项目被卸载到高度可靠的提醒中，再将其在内部记忆中重复存储几乎没有好处，而编码替代信息反而可以获得更大的奖励。这对应于“谷歌效应”：将信息存储在外部存储中可能会损害对已卸载信息的内部记忆（Eskritt 和 Ma, 2014; Henkel, 2014; Kelly 和 Risko, 2019a, 2019b; Sparrow 等人，2011）。由于这种效应以及前一种效应，当允许卸载时，模型的突击测试准确率对低价值项目高于高价值项目。换句话说，当不允许卸载时观察到的高价值信息内部记忆的标准增强效应（Knowlton 和 Castel, 2022），在允许卸载时可能会被逆转。
3.7. 当有更多项目需要记忆时，人们更倾向于卸载
除了Dupont等人（2022）报告的现象外，该模型还再现了另一个额外发现，即记忆负荷较高时卸载率会增加。例如，Gilbert（2015a）发现，当参与者需要记住三个项目时，其卸载率远高于记住一个项目时（类似发现见 Risko 和 Dunn, 2015）。为了模拟这种效应，将模型在标准模拟中（每种条件下3个项目）的表现与每种条件下仅1个项目的新模拟进行了比较（图6）。1个项目时的记忆准确率设为95%（基于 Gilbert, 2015a, 实验1b），2个项目时的准确率设为92.5%，基于1个项目和3个项目准确率的中间值。在降低记忆负荷条件下的卸载率（高价值：14%；低价值：14%）远低于标准记忆负荷下的模拟（高价值：54%；低价值：31%）。对此的解释是，将大量项目编码到内部记忆中会导致准确率大幅下降。与其接受这种准确率的下降，不如采用高度可靠的卸载策略，尽管该策略有微小成本，但这才是理性的。相比之下，少量项目可以在准确率几乎没有下降的情况下被记住。因此，当记忆负荷较低时，卸载的成本并不超过其收益。
3.8. 卸载成本
如上所述，模型中有一个自由参数，该参数无法基于实验设计或相关实证数据以原则性的方式进行设置。这就是每次卸载一个项目时，由于需要额外的物理动作而施加的恒定成本。为了研究该参数的影响，我们在从0（完全没有卸载成本）到2（卸载成本完全抵消低价值项目带来的奖励）的完整范围内进行了模拟。结果如图7所示。这表明卸载率随成本增加而降低。Chiu 和 Gilbert（2023）在一项操纵设置提醒所需物理努力程度的研究中也实证观察到了这种模式。
上述模拟的关键现象在几乎所有参数设置下都一致地出现：模型优先卸载高价值而非低价值项目，并在内部记忆中编码低价值而非高价值项目。这种模式在大约90%的参数范围内都能看到。唯一例外的情况是当卸载成本（约1.8或更高）接近完全抵消低价值项目的价值（2）时。在这种情况下，模型不再符合其本应模拟的情境，因为卸载率极低。Dupont 等人（2022，实验3）表明，虽然当允许卸载时（平均卸载率为0.61），参与者对低价值项目的内部记忆优于高价值项目，但当不允许卸载时（即卸载率为零），这种模式会逆转。因此，该模型在90%的可能参数设置下再现了 Dupont 等人（2022，实验3）卸载条件下观察到的模式。然后，在极端的10%参数设置下，这种模式发生翻转，此时模型的卸载率更接近 Dupont 等人的无卸载条件，而该条件在相关指标上也显示出相应的翻转。
图7中一个可能令人惊讶的特点是，一旦卸载成本达到约2，模型就很少卸载低价值或高价值项目。为什么当卸载成本远低于此（高价值项目价值8分）时，模型不卸载高价值项目呢？原因是，卸载带来的收益（准确率98%，相比之下内部记忆为90%或75%，具体取决于编码了多少项目）即使被相对适中的卸载成本也可能完全抵消。这可能反映了模型的简化性质，该模型没有抑制最大化填充短期记忆的动机——如果这样做相比卸载策略能带来略微更高的奖励的话。人类参与者确实有抑制这种行为的因素：短期记忆能力在任何时候都可以用于许多目的，不仅仅是记住实验中呈现的刺激，还包括任务无关的思维。这意味着卸载策略可能更可取，因为它允许进行额外的心理活动，即使在实验任务中带来适度的成本（见 Sachdeva & Gilbert, 2020）。因此，如果人类参与者参与了超出实验任务严格要求的认知过程，他们当然可能会偏离图7所示的最优策略。特别是，如果在某一项任务中卸载超出严格最优水平，能够带来执行另一项额外任务的能力上的好处，那么这也许是有益的（关于卸载这种跨领域影响的证据，见 Runge 等人，2019）。
3.9. 努力敏感性与卸载成本
Chiu 和 Gilbert（2023，实验2）研究了设置提醒的物理成本如何影响卸载率。该研究的参与者在三种负荷水平下执行记忆任务：2个项目、4个项目和6个项目。当参与者被迫使用内部记忆时，平均准确率分别为95%、89%和73%。在不同的条件下，参与者可以选择设置低努力提醒（需要最少的物理努力）或高努力提醒（需要额外的15次鼠标点击）。与当前建模结果一致，参与者在更高的记忆负荷下设置了更多提醒（参见图6）。他们在低努力条件下也设置了更多提醒，此时卸载成本较低（参见图7）。该实验还产生了一个反直觉的结果。如原始研究预注册中所述，研究者不仅预测高努力提醒会抑制卸载，而且预测这种抑制效应在记忆负荷较低时（尤其是2个项目条件）会最强。这是因为在最低记忆负荷下提醒最不必要，因此研究者推断参与者在此负荷下应对额外物理努力最反感。与这一预测相反，努力操控在中等记忆负荷（4个项目）条件下效应最强，而非2个项目或6个项目条件。
为了测试模型是否再现了任务难度与卸载努力敏感性之间的非单调关系，以下模拟将模型在标准卸载成本（1分）下的表现与高成本条件（2分）下的表现进行了比较。Chiu 和 Gilbert（2023）并未操控项目价值，因此本次模拟仅向模型呈现单一价值的项目（8分，即高价值，因为在低成本条件下，低价值项目的奖励将完全被卸载成本抵消）。模型并非像 Chiu 和 Gilbert（2023）的研究那样呈现2、4和6个项目，而是呈现单个项目，同时将内部记忆准确率在0.55到0.95的范围内变化，其中0.55代表非常困难的任务（准确率低，例如高记忆负荷），0.95代表非常容易的任务（准确率高，例如低记忆负荷）。这使得可以在广泛的难度水平上监控其表现，而不仅仅对应于 Chiu 和 Gilbert（2023）测试的记忆负荷的三个点。呈现的绝对项目数量除了通过对准确率水平的影响（可直接操控）之外，并不影响模型的表现。这就是为什么项目数量（不直接影响模型表现）未被操控，而是模拟比较了模型在广泛准确率水平（可对应于不同记忆负荷下的表现）上的表现的原因。
如图8所示，模型显示了预期的内部准确率效应（任务越难，卸载越多）和卸载成本效应（成本越低，卸载越多）。此外，成本敏感性（低努力和高努力提醒之间卸载率的差异）呈现倒U型模式，在任务难度处于中等水平时效应最大。因此，该模型捕捉了 Chiu 和 Gilbert（2023）反直觉且出乎意料的发现，即在对应于4个项目条件的准确率水平上，成本敏感性高于对应于2个或6个项目条件的准确率水平。其原因在于，在最高难度水平下，无论成本如何，最优策略都是卸载。同样，在最低难度水平下，无论成本如何，最优策略都是使用内部记忆。因此，在这些难度水平上，卸载成本对最优策略的影响很小，尽管由于模型的随机性仍会有一些变化。在中等难度水平上，决策更为微妙地平衡，因此卸载成本对决定最优策略具有更大的影响。
3.10. 个体差异
多项研究报告了内部记忆能力与卸载率之间的负相关，因为记忆能力较差的人更倾向于卸载（Gilbert, 2015b）。同样，测量提醒设置策略最优性的研究发现，对提醒的客观需求（主要由低记忆能力决定，这导致使用提醒时表现有更大的提升）与卸载的可能性相关（Gilbert 等人，2020）。图8的左面板可视为模拟了这一发现，因为在两种努力条件下，较低的准确率都与较高的卸载率相关。因此，客观记忆准确率与卸载率之间的负相关关系可以被视为既捕捉了与实验操控（如记忆负荷）相关的个体内变异，也捕捉了记忆能力的个体间变异。
4. 讨论
本文提出了一个简单的强化学习模型，将认知卸载描述为基于价值决策的一种形式。该模型实现了两个关键原则：首先，将项目存储在短期记忆中会产生机会成本，因为其容量有限。这意味着存储一个项目会损害一个人存储额外项目的能力。相比之下，将项目卸载到外部存储中，由于创建提醒所涉及的时间和身体努力，会产生较小的成本，但不会产生机会成本。这是因为将一个项目卸载到外部存储中通常对该存储容纳额外项目的能力影响可以忽略不计。一个人在决定是将项目存储在短期记忆中还是外部提醒中（或两者兼有）时，可以被视为在权衡记住该项目的价值与这两种形式的成本。如上所示，该领域报道的多种实证现象都作为这种基于价值决策形式的直接结果而出现。特别是，该模型模拟了：1) 无辅助记忆对高价值项目优于低价值项目；2) 高价值项目的卸载率高于低价值项目；3) 允许卸载时准确率更高；4) 卸载一组项目对另一组项目记忆的益处（“认知溢出”/“节省增强记忆”）；5) 当提醒不可靠时，节省增强记忆效应减弱；6) 已卸载项目的突击测试准确率降低（“谷歌效应”）；7) 突击记忆测试中可能出现反向价值效应（对低价值项目记忆更优）；8) 记忆负荷越高，卸载率越高；9) 卸载成本越高，卸载率越低；10) 对卸载成本最敏感的并非任务难度最高或最低时，而是处于中等难度时；11) 记忆能力较差的个体卸载更多。
4.1. 记忆的预期价值
将认知卸载描述为基于价值决策的一种形式，有助于将该研究领域与其他同样适用类似方法的领域联系起来。与认知卸载相关的现象随后可被视为源于适用于多个认知领域的通用原则的结果，而非卸载所特有。例如，Sharot, Rollwage, Sunstein 和 Fleming（2022）提出了一种分析，将人们持有特定信念或改变它们的可能性视为一种基于价值的决策形式，该分析基于该信念的效用（不一定与其真实性相对应）。另一个著名的模型类似地将认知控制过程的参与概念化为基于“控制预期价值”（EVC；Shenhav 等人，2013；Shenhav, Cohen, 和 Botvinick, 2016）的基于价值决策的一种形式。根据该模型，认知控制可以因目标达成而产生奖励，但它也会带来成本（包括机会成本）。因此，如果奖励超过成本，一个人将倾向于参与认知控制。本模型可被视为EVC模型的扩展。EVC模型侧重于认知上费力的受控处理过程参与背后的决策过程，特别强调心理努力的成本和收益（Shenhav 等人，2013，2017）。本研究通过明确模拟个体在决定不仅是否投入心理努力，还包括投入身体努力作为实现相同认知目标的替代手段时所需要权衡的独特成本和收益，对此进行了扩展（相关研究见 Holroyd 和 McClure，2015）。
这种对认知卸载的看法可以加深关于认知技术可能带来的利弊的辩论。认知卸载研究中的一个被充分复制的发现是，当人们预期能够依赖外部提醒时，他们对已卸载信息的内部记忆会降低（Eskritt 和 Ma, 2014；Henkel, 2014；Kelly 和 Risko, 2019a, 2019b, 2022；Soares 和 Storm, 2018, 2022；Sparrow 等人，2011）。这种“谷歌效应”被一些人解释为认知卸载损害记忆的证据（Baron, 2021）。然而，这一证据并未表明卸载会损害人们记住的能力。它可以被更简洁地解释为表明，一旦一个项目被卸载到外部存储，将其存储在内部记忆中的价值就会降低（Cecutti, Chemero, 和 Lee, 2021）。因此，将该项目存储在内部记忆中的价值不再超过（机会）成本。因此，卸载与其说是降低了记住的能力，不如说是降低了记住的价值。
将认知卸载视为基于价值决策的一种形式，也有助于阐明其潜在的认知机制。最近的研究揭示了谷歌效应背后的过程，表明一旦项目被外部存储，人们就不再采用编码策略来维持其在内部记忆中的存储（Kelly 和 Risko, 2019a, 2022）。这为“负效应”提供了证据，即一旦项目被卸载，就不再对其应用策略性过程。人们也可能推测是否存在“正效应”，即主动“从记忆中清除对象”的过程（Henkel, 2014）。然而，目前尚不清楚人们在多大程度上会主动抑制或从记忆中移除已被外部存储的项目（如果确实如此的话）。与上述建模结果一致的另一种观点是，个体不断为内部记忆选择最高价值的信息（Grünbaum, Oren, 和 Kyllingsbæk, 2021）。由此，谷歌效应可以简单地解释为在内部记忆中重复存储一个也已被外部存储的项目的价值降低。在这种情况下，无需假设存在一个从内部记忆中主动移除的额外过程。
4.2. 努力与元认知
除了解释人们关于是否卸载项目和/或将其存储在内部记忆中的决策之外，本文所勾勒的认知卸载解释还可能解释这两种策略的现象学特征。根据一些理论解释，心理努力的现象学与诸如工作记忆维持等认知过程相关，这些过程容量有限，并且可能被用于多种不同的目的（Kurzban, 2016；Kurzban, Duckworth, Kable, 和 Myers, 2013）。因此，这些过程会产生机会成本：它们被用于一项活动的程度，会限制它们用于其他机会。这种解释可以说明为什么人们倾向于避免认知上费力的活动（Kool 和 Botvinick, 2018；Kool, McGuire, Rosen, 和 Botvinick, 2010）：与这些活动相关的奖励需要与机会成本相权衡。相比之下，相对领域特异性的过程，如视觉处理所涉及的过程，可能具有很大的计算复杂性，但它们不会产生机会成本，因为这些过程不能重新用于任何其他目的。因此，视觉处理不会让人感到认知费力，而工作记忆维持则会。
认知努力的机会成本模型与本文提出的建模方法相契合，该方法实现了与内部记忆相关但与非外部卸载策略相关的机会成本。在内部记忆中存储一个项目可能会妨碍存储另一个项目，而创建一个外部提醒则不太可能影响一个人创建额外提醒的能力。这可以解释为什么将项目存储在内部记忆中比将其卸载到外部提醒更让人感到费力。这反过来又可以解释为什么人们倾向于避免使用内部记忆，而倾向于使用感知策略（Ballard, Hayhoe, Pook, 和 Rao, 1997），这是避免认知努力这一普遍倾向的一个例子。在认知卸载领域，Gilbert 等人（2020）表明，参与者往往偏好卸载策略，即使他们使用内部记忆本可以表现更好并获得更多金钱奖励（另见 Westbrook, Kester, 和 Braver, 2013）。此外，Sachdeva 和 Gilbert（2020）表明，这种对卸载的偏好会被一种旨在增加认知努力投入的干预措施（额外金钱奖励）所减弱。因此，Sachdeva 和 Gilbert（2020）得出结论，驱动偏好卸载而非内部记忆的一个因素是避免认知努力的倾向。这与本模型一致，其中内部记忆与机会成本相关，而外部提醒则不然。
影响认知卸载的另一个因素是元认知（Gilbert, 2015b；Hu, Luo, 和 Fleming, 2019；Risko 和 Dunn, 2015；综述见 Gilbert 等人，2023；Risko 和 Gilbert, 2016）。例如，人们在依赖内部记忆还是外部提醒之间的决策，可以通过他们对自身记忆能力的信心来预测，即使在控制了客观记忆能力之后，或者在信心与能力无关的情况下也是如此（Gilbert, 2015b）。信心也能预测个体相对于其最优策略，对外部提醒与内部记忆的偏好偏向（Gilbert 等人，2020；Kirk 等人，2021）。本文提出的模型并未捕捉这种影响，原因很简单，因为它没有模拟任何元认知过程。它仅基于试错策略探索来选择策略，而不是形成任何关于自身能力的内部表征；它没有关于自身或任务结构的内部表征。换句话说，它实现了一种无模型而非基于模型的强化学习形式（Sutton 和 Barto, 2018）。未来的工作可以使用基于模型的方法将元认知表征纳入本文提出的模型中（参见 Hu 等人，2019）。这或许可以解释元认知对认知卸载的影响。
4.3. 未来方向
除了对元认知过程进行建模的可能性之外，未来的工作或许还能模拟工作记忆维持的动态过程，而不是采用简化方法——即有限数量的槽位，每个槽位对应一个平均准确率水平。本文提出的建模方法可用于模拟个体差异（例如，在价值和机会成本方面）、这些价值和成本的动态学习，以及其他因素，如决策噪声。测试这些参数与年龄、个性或跨诊断症状维度等因素之间的关系也可能是有用的（Wise, Robinson, 和 Gillan, 2023）。例如，老年人——尤其是那些自愿参加心理学实验的人——可能更倾向于测试自己的内部记忆能力，即使根据任务的奖励结构，卸载策略更优（参见 Scarampi 和 Gilbert, 2021；Tsai, Scarampi, Kliegel, 和 Gilbert, 2023）。计算模拟的数据也可能与源自神经影像学的认知卸载神经关联联系起来（例如 Boldt 和 Gilbert, 2022；Geissler 等人，2023；Landsiedel 和 Gilbert, 2015）。
本模型还可以解决关于记忆预期价值的时间动态问题。人们在更新工作记忆中当前表征的信息价值以及相关机会成本方面有多灵活？这一更新过程背后的机制是什么？这又如何与正在进行的、为持续维持而进行的信息选择相关联（关于工作记忆领域的相关工作，参见 Atkinson, Allen, Baddeley, Hitch, 和 Waterman, 2021）？此外，人们如何弥合将信息维持在工作记忆中的决策与后续奖励交付之间的时间差距，以便在未来选择最佳策略？针对这些问题的实证研究，都可以通过明确建模来获得潜在指导。
最后，不同任务所需的各种内部认知需求以及缓解这些需求的卸载策略仍有待探索。本工作中模拟的意图卸载任务更接近于回忆范式，而非再认范式。
对于再认和/或长时记忆任务，最优的卸载策略很可能有所不同，这是因为记忆准确率的水平不同，以及记忆集大小或保持间隔等因素的影响。不同的提取任务还可能在个体了解自身提取限制的机会方面存在差异。还应指出的是，价值对记忆的影响是通过不同的自动过程与策略性过程来调节的，而这些过程的影响取决于提取任务（参见 Knowlton 和 Castel，2022 的综述）。当使用不同的实验范式进行测试时，这可能会影响价值与认知卸载之间的关系。
此外，在记忆领域内支配认知卸载的原则是否也适用于其他形式的卸载，例如使用 GPS 而非内部导航能力，甚至包括支持各种认知需求的新兴技术（如大语言模型等生成式 AI 工具），仍有待观察。
4.4. 结论
总之，本研究提出，基于价值的决策的简单机制可能解释认知卸载领域报道的许多现象。当然，这并不一定意味着这些机制实际上反映了人类表现背后的机制。毫无疑问，现实世界中的认知卸载会涉及复杂的额外机制。通过在此指定一些最小机制来模拟基本现象，本模型可能有助于阐明解释人类表现还需要哪些额外机制。本模型也可能指导未来的实证工作，以检验基于价值的决策方法对于理解认知卸载的效用。例如，从本模型可能推导出的一个预测是，人们决定是否卸载当前表征的信息时，不仅应基于该信息的价值，还应基于即将到来信息的预期价值。如果记住即将到来的信息会更有回报，那么将当前信息存储在内部记忆中的机会成本就会增加。因此，人们应该更倾向于卸载当前信息。
基于本文提出的简单模型，可以勾勒出一个关于认知卸载的最小模型，如下所示：记忆策略（卸载或内部记忆）的选择可能基于标准的强化学习机制，在存储项目的关联奖励与策略特定成本之间进行权衡。如果一个项目被卸载，其对记忆的下游影响将源于一旦项目已被外部存储，将其维持在内部记忆中的边际价值降低。这两种现象都不需要假设卸载特定机制；它们可以被视为源于领域通用的强化学习机制（用于策略选择）和基于价值选择项目进入短期记忆的过程（用于下游影响）。将已卸载项目从内部记忆中“清除”的过程，可能仅仅是对其持续复述或维持的价值进行下调的过程。未来的工作可以研究这些领域通用机制对于理解认知卸载的充分性，并评估需要哪些额外的领域特定机制（如果有的话）来捕捉相关的实证现象。
原文链接：https://www.sciencedirect.com/science/article/pii/S0010027724000696
热门跟贴