任務相關性對數量感序列依賴效應的影響*

劉雨杰 劉晨淼 周麗琴 周 可

任務相關性對數量感序列依賴效應的影響*

劉雨杰1,2劉晨淼3周麗琴3周 可3

(1中國科學院生物物理研究所, 腦與認知科學國家重點實驗室, 北京 100101) (2中國科學院大學中丹學院, 北京 100049) (3北京師范大學心理學部, 應用實驗心理北京市重點實驗室, 心理學國家級實驗教學示范中心(北京師范大學), 北京 100875)

序列依賴效應反映了當前的知覺體驗不僅取決于當下的刺激輸入, 還受到近期歷史的影響。這一效應對于我們在動態變化的環境中形成相對穩定的知覺至關重要。本研究使用點陣作為刺激材料, 在數量/面積(實驗1)或數量/大小(實驗2)兩個維度上進行正交設計, 旨在通過估計任務探索任務相關性如何影響線性分布特征的序列依賴效應。結果顯示無論特征是否與任務相關, 前一試次與當前試次同一特征總會對當前試次的知覺產生相反的影響。對于任務相關特征, 前一試次產生的序列依賴始終為排斥效應。而對于任務無關特征, 如果在當前試次中無關特征對被試的知覺反應有正向預測作用, 則前一試次無關特征產生排斥的序列依賴效應; 反之, 如果在當前試次中無關特征對被試的知覺反應有負向預測, 則前一試次無關特征產生吸引的序列依賴效應。任務相關性對序列依賴效應的影響主要體現在效應幅值的降低。這些發現揭示了線性分布特征的序列依賴效應受任務相關性以及特征本身特性的共同影響, 而無關特征的序列依賴效應則暗示在客體水平也可以產生序列依賴效應。

序列依賴效應, 數量感, 任務相關性, 線性分布的特征

1 研究背景

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

序列依賴效應指的是我們對當前視覺刺激的知覺不僅受到當前刺激本身, 還受到過去知覺經驗的影響, 這可能導致對當前刺激知覺的偏差。一般認為這種偏差是吸引的, 使得當前刺激被認為與前一刺激更相似, 但也有研究發現排斥的偏差, 使得對當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)。序列依賴效應可能發生在信息處理和表征的各個層面(Cicchini et al., 2021; Fritsche et al., 2017; Xu et al., 2022)。根據當前的各種范式和多項研究結果表明, 序列依賴效應是一種多因素現象, 即先前的感知、記憶、決策和任務的具體要求共同影響對當前刺激特征的決策(Fritsche et al., 2017; Fritsche & de Lange, 2019; Pascucci et al., 2019)。在這種加工機制下, 我們的知覺系統可能保留著最近輸入的信息, 使當前的知覺內容系統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噪聲。這種內在加工機制被認為是對知覺穩定性的一種解釋：過去的經驗和當前的刺激輸入共同決定了我們當前的知覺。

序列依賴效應廣泛存在于各種視覺任務和刺激中, 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(Barbosa & Compte, 2020), 圓周空間位置判斷(Manassi et al., 2018), 形狀知覺(Collins, 2022b)等; 同時, 序列依賴也存在于在表征空間上呈線性分布的特征, 如數量感(Cicchini et al., 2014; Fornaciai & Park, 2018b), 時間知覺(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計屬性, 如變異性(Suárez- Pinilla et al., 2018)。線性分布的特征, 如數量、面積、距離、亮度等, 其值會在一定范圍內單向變化; 而圓分布的特征, 如方向、顏色、月份、角度等, 其值在一定范圍內變化, 到達上限后會回到起始值, 形成一個循環。有研究者認為, 由于圓分布的數據具有周期性, 它們和線性分布的數據有本質的不同(Cremers & Klugkist, 2018)。鑒于樣本空間呈現不同類型的分布形式, 圓分布的數據與線性分布的數據通常需要借助不同的數學模型進行描述, 并采用不同的統計分析方法(Cremers, 2021; Fisher, 1995; Fisher & Lee, 1992; Lagona, 2016; Ravindran & Ghosh, 2011)。

根據以往研究, 圓分布的特征和線性分布的特征在序列依賴效應的方向和強度上, 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時, 如朝向特征的研究中, 當先后呈現的兩個刺激朝向差異較小時, 被試的反應會系統地偏向于先前試次的朝向, 表現為吸引效應; 而當朝向差異較大時, 則可能沒有效應或表現為遠離先前試次朝向的排斥效應(Fischer & Whitney, 2014; Fritsche et al., 2017)。這一現象通常使用高斯分布的一階微分函數或正弦函數來擬合。其他在表征空間上符合圓分布(即：馮·米塞斯分布)的特征在行為表現上也體現出與朝向判斷相似的序列依賴效應。然而, 在呈線性分布的視覺特征中存在的序列依賴效應在表現形式上與呈圓分布的不同。比如, 在數量感的研究中, 前一試次的點陣數值越大, 對當前點陣的高估程度越大; 同時, 前一試次的點陣數值越小, 則對當前點陣的低估程度越大。體現出先前數量對當前數量估計的單調影響(Cicchini et al., 2014; Fornaciai & Park, 2020)。這兩類特征在序列依賴效應上的差異可能源于我們對二者的表征方式和處理機制可能不同。

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研究相對較少。本研究將以數量感及其相關線性特征為研究對象, 考察線性特征的序列依賴效應。數量感是人類和動物的基本數字能力, 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、評估和處理數值信息, 以及表征和理解數值之間的關系(Dehaene, 2002)。數量感對很多生物的生存有著重大影響。例如, 魚會選擇更大的魚群以降低被捕食的風險, 而蜜蜂能夠通過花瓣數量來識別花朵(Agrillo et al., 2016; Gross et al., 2009; Pisa & Agrillo, 2009)。此外, 數量感是人類基礎的認知能力, 甚至可能是高級數學能力的認知基礎(Sadler & Tai, 2007; Starr et al., 2013)。因此, 研究數量感的加工機制尤為重要。

已有多項研究表明, 序列依賴效應的強度和方向受注意和任務相關性影響(Fischer et al., 2020; Fornaciai & Park, 2019a; Fritsche & de Lange, 2019)。有研究發現, 即使在沒有明確任務的情況下, 僅通過被動觀看刺激也會出現序列依賴效應(Fornaciai & Park, 2018a), 表明任務無關刺激也具有序列依賴效應。Pascucci等人(2019)的研究發現, 被試被明確告知某些試次不需要做朝向的復現報告時, 這些試次的吸引效應消失, 甚至會對后一個試次的朝向知覺產生排斥效應。與之一致的是, 許多的研究證據支持在產生序列依賴效應的過程中, 注意起著至關重要的作用：任務相關的位置或特征會得到更多注意, 其吸引效應也更強。例如, 當多個刺激同時呈現時, 觀察者對當前目標位置的光柵朝向的知覺更靠近先前試次中目標位置處的光柵的朝向, 這表明注意位置產生了吸引的序列依賴效應; 但是, 對于先前未被注意的位置(任務無關位置)來說, 吸引的效應減弱甚至出現排斥(Fischer & Whitney, 2014; Fornaciai & Park, 2018b)。除了受空間注意的影響, 序列依賴效應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、顏色和運動方向), 當注意力被引向其中一個特征時, 另一個特征上的序列依賴效應就會大幅減少(Fischer et al., 2020; Fritsche & de Lange, 2019)。

盡管上述實驗證據大多支持任務相關性對序列依賴效應的影響, 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與圓分布特征表現出不同之處, 其背后的機制可能也有所差異。數量感(numerosity perception)不僅是一項基本的視覺特征, 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)。當點陣在數量上不同時, 其他刺激屬性, 如點的大小(Item Area, IA)、點的密度(Density)和點陣面積(Field Area, FA)也可能會不同。這些屬性之間相互影響, 共同決定了我們知覺到的內容(Franconeri et al., 2009; Harvey et al., 2015; Tokita & Ishiguchi, 2010)?？紤]到知覺過程中點陣的不同屬性之間可能存在干擾, 這種干擾是否會進入刺激的歷史信息, 進而體現在序列依賴效應中？當作為任務無關特征和任務相關特征時, 不同刺激屬性的序列依賴效應又將分別呈現出什么特點？

到目前為止, 僅有少數團隊和研究嘗試探討數量感及其相關特征之間的序列依賴效是否受任務相關性的影響。例如, 基于數量感和時間知覺的研究發現, 當這兩種特征分別作為無關特征時, 對另一特征均不具有吸引效應(Togoli et al., 2021)。此外, 數量和點陣中單個點的平均面積大小也只在作為任務相關特征時影響自身的序列依賴效應(Fornaciai et al., 2023)。利用事件相關電位技術(event?related potentials, ERP)的研究發現, 雖然行為上數量和大小都沒有體現出跨特征的序列依賴效應, 神經信息中卻能夠解碼出它們作為無關特征時的表征(Fornaciai et al., 2023)。

盡管上述以數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受任務相關性的影響, 但它們所使用的研究范式與經典的序列依賴效應研究范式存在區別。在研究圓分布的特征的序列依賴效應時, 常采用復現/估計任務(Adjustment tasks) (Cicchini et al., 2018; Fischer & Whitney, 2014), 如經典的朝向復現范式, 而“線性表征”的特征(如數量感)的序列依賴效應研究多采用迫選任務(Forced-choice tasks) (Cicchini et al., 2021; Fornaciai & Park, 2018b, 2019b, 2020)。復現/估計任務要求被試調整反應工具, 使之盡量與他們知覺到的刺激特征匹配。迫選任務通常是讓被試需要比較目標刺激和參考刺激的某一特征(如朝向、數量) (Cicchini et al., 2021; Fritsche et al., 2017), 通過心理物理曲線的偏移來揭示誘導刺激是否改變了目標刺激的知覺特征。

復現/估計任務與迫選任務主要有以下區別。首先, 迫選任務主要關注同一試次中誘導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, 被試不需要對誘導刺激本身進行知覺報告, 因此任務無關特征的知覺加工并沒有被特別明確地抑制, 對誘導刺激的知覺加工是否準確或加工到什么程度也無法明確得知。然而在復現/估計范式中, 被試對前后兩個試次的刺激的任務相關特征都需要進行報告, 可以最大程度上減小無關特征的知覺加工。其次, 相對于估計任務, 迫選任務對認知加工的要求更少, 被試不一定需要完成從非符號到符號的轉換。復現/估計任務則更多涉及到記憶等更為高級的知覺階段。最后, 經典的復現/估計范式中, 先前試次刺激的特征往往具有多個水平; 而在以往迫選任務中, 誘導刺激的特征水平數較少, 這可能限制了其實驗效度。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, 并排除掉實驗范式等混淆因素的潛在影響, 我們選用復現/估計任務對數量感的序列依賴效應進行考察。

本研究旨在應用經典的序列依賴效應研究范式, 并通過數量估計和面積估計兩種任務, 探究任務相關性如何影響線性特征的序列依賴效應及其作用機制。在數量感的序列依賴效應研究中, 通常會呈現一系列點陣, 要求被試估計點陣中點的數量或者分辨哪一個點陣包含的點的數量更多(Castaldi et al., 2018; Cicchini et al., 2014; Fornaciai & Park, 2018b, 2020)。本研究同樣采用點陣作為刺激材料, 其中點的數量與點陣面積(實驗1)或者點的數量與點的大小(實驗2)兩個維度正交變化。前人研究發現, 先前刺激的物理特征和被試的反應都會影響當前的判斷, 且放在同一模型中相比逐一單獨考慮時, 二者表現出來的序列依賴效應有很大的差異(Shan & Postle, 2022; Stern et al., 2022)。本研究以刺激的物理特征和被試反應中的一個或多個因素分別作為自變量, 建立廣義線性混合效應模型(Generalized Linear Mixed-effects Models, GLMM)。GLMM作為一種強大的統計工具, 能夠處理不同的響應變量分布, 使得模型更加靈活。它可以同時考慮固定效應和隨機效應的影響, 從而更好地處理被試之間的個體差異和實驗設計中的復雜交互效應, 因此可以提供更精確和穩健的估計結果(Bolker et al., 2009)。我們將通過模型比較來確定最優模型, 并進一步分析該模型中刺激的物理特征和被試反應對序列依賴效應的貢獻。

2 實驗1：數量與點陣面積的任務相關性對序列依賴效應的影響

2.1 實驗目的

本實驗采用估計任務, 評估數量和面積估計中序列依賴效應的行為特征, 以及數量和面積分別作為任務無關特征時, 對后續面積或數量的知覺的影響。預期在估計任務中, 任務相關性會影響序列依賴效應。在數量估計任務中, 由于數量是任務相關特征, 其序列依賴效應應該更強, 而面積作為任務無關特征, 其序列依賴效應應該較弱。在面積估計任務中則相反。

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), 設置Effect size2為0.3, Power (1 ? β)為80%, α水平為0.05, 計算出所需樣本量為29人。實驗1實際招募33名被試, 其中包括25名女性, 平均年齡21.15歲, 均為北京師范大學在校學生, 所有參與者視力或矯正視力正常, 無色盲、色弱, 右利手。他們均非數學專業, 非心理學專業大二及以上年級。本研究通過北京師范大學心理學部實驗倫理審查, 并支付被試相應實驗費用。

2.2.2 實驗儀器與材料

實驗在安靜且黑暗的房間內進行, 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, 實驗時屏幕背景色為灰色, 亮度為10 cd/m2。被試距離計算機屏幕55 cm。實驗材料為黑色實心小圓點和白色實心小圓點構成的點陣。點陣使用CUSTOM生成(de Marco & Cutini, 2020), 在點的數量和點陣面積兩個維度上正交變化。點陣呈現在以屏幕中央為圓心的圓形區域內。點陣中點的個數有7個水平, 分別是8, 10, 12, 16, 20, 26, 或32個點。為保證光通量相等, 點陣中黑點和白點的數量相等, 各占二分之一。點陣面積也具有7個水平, 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。每個點的面積大小的范圍是0.04 degree2到0.28 degree2; 每個點陣中點的平均面積大小(所有點的面積之和除以點的個數)為0.16 degree2。實驗時以圖片形式呈現不同點陣, 每個水平下生成20張不同的點陣圖片, 共980張, 每次呈現目標刺激均為從對應水平的圖片中不放回地隨機調用一張圖片。實驗流程的實現和反應數據的記錄由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 實驗設計與流程

實驗采用7×7×2的組塊設計, 每位被試參與了所有實驗條件的測試。三個自變量分別是：(1)點陣中點的數量, 范圍在8～32個點, 共7個水平; (2)點陣的面積, 范圍在40.1 degree2～ 160.3 degree2, 也是7個水平; (3)任務相關性：數量估計任務中被試被要求注意點陣中點的數量, 此時數量為任務相關特征, 面積為任務無關特征; 面積估計任務中被試需要注意點陣的面積, 此時面積為任務相關特征, 點的數量為任務無關特征。兩個任務的順序在被試間進行了平衡。被試對任務相關特征的估計值被記錄下來。

以數量估計實驗為例, 實驗流程如圖1所示：(1)首先在屏幕中央呈現一個黑色十字注視點1350 ms ～ 1450 ms, 要求被試始終注視中央十字點位置; (2)接著呈現刺激圖片, 每次在屏幕中央呈現一個點陣, 持續時間250 ms; (3)然后在屏幕上方呈現任務指導語“請盡量準確地估計點的個數”一行字, 并且在指導語下方呈現數軸, 數軸兩端分別標有“5”和“40”刻度, 被試用鼠標在數軸上點擊后, 點擊位置會出現一條白色刻度線, 刻度線下方顯示此處對應的數值。實驗前告知被試反應階段沒有時間限制, 要求被試盡可能準確地估計, 被試可進行多次點擊, 直至按下回車鍵確認, 記錄此時的刻度值, 即為被試對點數的估計值。被試有15 s的反應時間, 超出15 s未按下回車鍵, 程序會自動進入下一試次, 該試次被試的反應為“N/A”。指導語和數軸位置均在刺激圖片的上方, 和點陣呈現的位置不重疊。

圖1 實驗流程圖(以數量估計任務為例)。注視點即為試次間時間間隔, 為了防止被試產生預期, 間隔在1350～1450 ms間隨機取樣。實驗前告知被試一定要盡量準確的估計。為了避免被試注意力分散長時間不反應, 15 s后將自動進入下一試次, 本試次被試的反應記錄為N/A。

實驗分為數量估計實驗和面積估計實驗兩部分進行, 在每種任務條件下, 所有實驗水平均隨機呈現。整個實驗共588個試次, 分為6個組塊。每個任務包含3個連續的組塊, 每個組塊包含98個試次。實驗任務的順序在被試間平衡。每個實驗任務開始之前, 被試均需要進行練習。一組練習為15個試次, 根據被試的表現練習2～3組, 數量估計任務的平均估計誤差小于5, 面積估計任務的平均估計誤差小于25 cm2視為通過練習。完成整個實驗大約需要110分鐘。

2.2.4 數據分析

實驗數據采用MATLAB R2018b軟件分析, 首先將單個任務下每個被試所有試次進行整合, 剔除沒有記錄到被試反應的試次。根據韋伯-費希納定律可知, 對物理刺激的心理表征呈對數形式。所以本研究將所有試次中點的數量、點陣面積和被試的估計值以2為底數進行對數化。為統一數量和面積的單位進行量化分析, 進一步將對數化后的數量和面積屬性進行標準化, 根據物理刺激中數量或面積的均值和標準差對被試的估計值進行標準化。

為了檢驗當前相關特征、當前無關特征、前一試次相關特征、前一試次無關特征和前一試次估計值對被試當前估計值的影響, 我們建立了4個GLMMs (Zhang & Luo, 2023)。根據以往文獻, 前一試次估計值對當前估計值有一致較強的吸引效應(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值與當前相關特征放進來作為自變量, 另外三個因子分別進入到模型中。模型1假設前一試次相關特征影響當前估計值, 即任務相關特征的序列依賴效應。模型2假設當前無關特征對當前估計值有影響, 即同一客體的不同特征之間的相互影響。模型3假設前一試次任務無關特征會影響當前估計值, 即任務無關特征產生的序列依賴效應。模型4為全模型, 假設5個因子都對當前估計值有所貢獻, 共同影響被試的決策?；旌闲Ｐ屯瑫r考慮了自變量在群體水平的固定效應和由于被試之間的差異而產生的隨機效應。以數量任務為例, 模型4表達式為：

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個被試,代表當前任務下的第j個試次,Y代表第i個被試在第j個試次中的估計值。表示組水平效應的系數,代表個體水平隨機效應。

2.3 實驗結果

為了比較當前無關特征、前一試次相關特征和前一試次無關特征對當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行回歸分析, 建立了4種GLMMs, 模型1：包含了前一試次相關特征、當前試次相關特征和前一試次知覺估計值; 模型2：包含了當前無關特征、當前相關特征和前一試次估計值; 模型3：包含了前一試次無關特征、當前相關特征和前一試次估計值; 模型4：包含了前一試次相關特征、當前無關特征、前一試次無關特征、當前相關特征和前一試次估計值。通過計算和比較4個模型的貝葉斯信息準則(bayesian information criterion, BIC)值來確定最優的模型。BIC不僅考慮了模型的擬合優度, 還考慮了模型的復雜度, 可以幫助我們在模型擬合優度和模型復雜度之間找到一個平衡, 盡量避免過擬合的問題。相比于其他模型選擇準則, BIC對模型復雜度的懲罰更大, 因此在樣本量較大時, BIC可以提供更穩健的模型選擇結果(Burnham & Anderson, 2004)。結果如表1所示, 無論是在數量估計任務還是面積估計任務中, 模型4(全模型, Full model)的表現都是最優的(數量任務：模型1～4的BIC分別為8533、8158、8589、8052; 面積任務：模型1～4的BIC分別為11713、10882、11838、10713), 即在兩種任務下, 當前無關特征、前一試次相關特征和前一試次無關特征的信息都對當前試次的知覺估計有貢獻。

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

表1 各模型BIC值

表2 各模型MSE值

進一步檢驗勝出模型(模型4)中各變量的回歸系數, 考察各個因素對當前估計的序列依賴效應的大小和方向。如圖2a所示, 數量估計任務中, 當前點陣中點的個數(即：當前相關特征)、點陣面積(即：當前無關特征)、以及前一試次的知覺估計值均正向預測了被試對當前試次刺激特征的知覺(當前相關特征：回歸系數值β = 0.76, 95% CI = [0.75, 0.77],(9561) = 203.94,< 0.001; 當前無關特征：β = 0.08, 95% CI = [0.07, 0.09],(9561) = 21.47,< 0.001; 前一試次知覺估計值：β = 0.19, 95% CI = [0.17, 0.21],(9561) = 19.07,< 0.001); 而前一個試次中點陣的數量和面積都與當前試次的知覺呈負相關, 即先前刺激特征的序列依賴效應均為排斥作用(前一試次相關特征：β = ?0.09, 95% CI = [?0.10, ?0.07],(9561) = ?10.33,< 0.001; 前一試次無關特征：β = ?0.02, 95% CI = [?0.03, ?0.02],(9561) = ?6.23,< 0.001)。

在面積估計任務中, 各變量對當前試次知覺的影響方向與數量估計任務一致, 也表現為當前刺激的任務相關特征、任務無關特征以及前一試次的估計值均與當前知覺估計值呈正相關(當前相關特征：回歸系數值β = 0.64, 95% CI = [0.63, 0.65],(9553) = 149.70,< 0.001;當前無關特征：β = 0.14, 95% CI = [0.13, 0.15],(9553) = 32.22,< 0.001; 前一試次知覺估計值：β = 0.22, 95% CI = [0.20, 0.24],(9553) = 21.70,< 0.001), 而前一試次的相關和無關特征產生的序列依賴效應均為排斥作用(前一試次相關特征：β = ?0.11, 95% CI = [?0.12, ?0.09],(9553) = ?13.79,< 0.001; 前一試次無關特征：β = ?0.02, 95% CI = [?0.03, ?0.01],(9553) = ?4.21,< 0.001)。

圖2 (a)實驗1兩個任務全模型的各自變量的回歸系數(β)值。CurRF (Current Relevant Feature)為當前任務相關特征, 例如在數量估計任務中是指當前刺激點陣中點的個數; PreRF (Previous Relevant Feature)為前一試次任務相關特征, 例如在數量估計任務中是指上一試次的刺激點陣中點的個數; CurIRF (Current Irrelevant Feature)為當前任務無關特征, 例如在數量估計任務中是指當前刺激點陣的面積; PreIRF (Previous Irrelevant Feature)為前一試次任務無關特征, 例如在數量估計任務中是指上一試次的刺激點陣的面積; PreRes (Previous Response)為前一試次被試估計值, 例如在數量估計任務中是指被試對上一試次中刺激點陣的點的個數的估計值。圖中誤差線代表β值的一倍標準誤(Standard Error, SE); (b)實驗2兩個任務全模型的各自變量的回歸系數(β)值。

2.4 討論

無論是在數量估計任務還是在面積估計任務中, 全模型的表現均為最優。這說明對于點陣中數量和面積這兩個屬性而言, 當前無關特征、先前相關特征、先前無關特征和先前知覺估計值都對當前試次的知覺決策有顯著影響。一方面, 結果體現了同一客體的不同屬性之間在表征時會相互影響, 即使是未被要求注意的特征, 也能夠影響被試對當前任務相關特征的表征; 另一方面, 結果表明對于線性分布的特征, 先前的無關特征仍具有序列依賴效應, 但相比與任務相關特征, 任務無關特征的貢獻較小。

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

數量和面積是量感理論中關系非常密切的兩種屬性。這種無關特征引起的序列依賴效應是否源于這兩種屬性之間特殊的關系, 還是普遍存在于數量感與其他非數量屬性之間？比如, 點陣中單個點的平均大小。點的平均大小是一個關鍵的統計屬性, 用于衡量點陣中圓點占據視網膜的區域, 對被試的表征過程提出了更高的認知挑戰, 因為它涉及到對視覺輸入的綜合評價和加工。作為任務無關特征時, 先前點陣中點的數量是否依然會影響當前試次點大小的判斷, 同時, 未被注意的點的大小屬性又是否會影響被試對當前數量的表征？為了探究這一問題, 我們設計了實驗2。

3 實驗2：數量與點大小的任務相關性對序列依賴效應的影響

3.1 實驗目的

為了探究實驗1發現的任務相關性對線性特征的序列依賴效應的影響是否特定于數量感和面積, 還是線性特征中的一般現象, 實驗2選擇數量和單個點的平均大小作為研究對象, 探究大小屬性的序列依賴效應的行為特征, 以及任務相關性對序列依賴效應的調節作用。我們仍然采用估計任務, 以評估面積和數量之間存在的任務無關特征的序列依賴效應能否泛化到其他數量相關特征中, 如果可以, 表現形式是否一致。預期與實驗1中類似, 任務相關性會影響序列依賴效應。在數量估計任務中, 由于數量是任務相關特征, 其序列依賴效應應該更強; 而點的平均大小作為任務無關特征, 其序列依賴效應應該較弱。在大小估計任務中則相反。

3.2 方法

3.2.1 被試

和實驗1標準一致, 本實驗也需要樣本量29人, 實驗2實際招募到34名被試, 其中有25名女性, 平均年齡21.24歲, 均為北京師范大學在校學生, 視力或矯正視力正常, 無色盲、色弱, 右利手, 非數學專業, 非心理學專業或者心理學大一同學。本研究通過北京師范大學心理學部實驗倫理審查, 并支付被試相應實驗費用。

3.2.2 實驗儀器與材料

實驗在安靜黑暗的房間內進行, 被試距離計算機屏幕55 cm, 實驗材料為黑色實心小圓點和白色實心小圓點構成的點陣。點陣是以屏幕中央為圓心, 到距離最遠的點為半徑畫的圓形區域, 同樣使用CUSTOM生成, 在點的數量和點的平均面積兩個維度上正交變化。點陣中包含8, 10, 12, 16, 20, 26, 或32個點, 為保證光通量相等, 點陣中黑點和白點的數量相等, 各占二分之一。點陣面積為80.2 degree2, 每個點陣中點的平均面積, 即所有點的面積之和除以點的個數, 為0.04 degree2, 0.05 degree2, 0.06 degree2, 0.08 degree2, 0.1 degree2, 0.13 degree2或0.16 degree2, 每個點的面積為大小的0.25～1.75倍。其余設置與研究一一致。

3.2.3 實驗設計與流程

實驗采用7×7×2的block設計, 每名被試參與了所有實驗條件的測驗。3個自變量分別是：(1)點陣中點的數量, 范圍在8～32個點, 共7個水平; (2)點的平均大小, 范圍在0.04 degree2～ 0.16 degree2, 同樣為7個水平; (3)任務相關性：數量估計任務中被試被要求注意點陣中點的數量, 此時數量為任務相關特征, 大小為任務無關特征。大小估計任務中被試需要注意點陣中所有點的平均面積大小, 此時大小為任務相關特征, 點的數量為任務無關特征。兩個任務的順序在被試間平衡。實驗的因變量是被試對任務相關特征的估計值。

實驗2的實驗流程與數據分析方法與實驗1相同, 只是其中的面積估計任務改為大小估計任務。

3.3 實驗結果

與實驗1相同, 我們把同一任務下每個被試的所有試次合并在一起, 以進行回歸分析, 建立了與實驗1相同的4個GLMMs, 通過分別計算4個模型的BIC值以決定哪個模型最優。無論是在數量估計任務還是大小估計任務中, 依舊是包含了當前無關特征、前一試次相關特征和前一試次無關特征的信息的模型4最優(表1), 其BIC值遠低于前三個模型(數量任務：模型1～4的BIC分別為9638、9621、9721、9493; 大小任務：模型1～4的BIC分別為19002、18183、19200、17936)。這表明在對數量的估計和大小的估計中, 被試綜合運用了當前無關特征、前一試次相關特征和前一試次無關特征的信息。

進一步檢驗勝出模型(模型4)中各變量的回歸系數, 以考察各個因素對當前試次知覺估計的序列依賴效應的大小和方向。模型4中各變量的回歸系數如圖2b所示。在大小估計任務中, 與實驗1的發現一致, 當前特征的任務相關特征、任務無關特征和前一試次知覺估計值均與當前試次知覺估計呈正相關(當前相關特征：β = 0.84, 95% CI = [0.83, 0.85],(9868) = 140.41,< 0.001;當前無關特征：β= 0.20, 95% CI = [0.19, 0.21],(9868) = 33.28,< 0.001; 前一試次知覺估計值：β = 0.29, 95% CI = [0.27, 0.31],(9868) = 30.00,< 0.001), 前一試次特征產生的序列依賴效應則為排斥作用(前一試次相關特征：β = ?0.16, 95% CI = [?0.18, ?0.14],(9868) = ?16.43,< 0.001; 前一試次無關特征： β = ?0.03, 95% CI = [?0.04, ?0.02],(9868) = ?4.50,< 0.001)。

在數量估計任務中, 當前點陣中點的個數和前一試次知覺估計值均與當前試次的數量知覺呈正相關(當前相關特征：β = 0.74, 95% CI = [0.73, 0.75],(9835) = 188.37,< 0.001; 前一試次知覺估計值：β = 0.22, 95% CI = [0.20, 0.23],(9835) = 22.29,< 0.001)而當前點陣中大小與當前試次的數量知覺呈負相關(當前無關特征：β = ?0.04, 95% CI = [?0.05, ?0.04],(9835) = ?11.21,< 0.001); 前一個試次中點陣的數量與當前試次的數量知覺呈負相關, 即相關特征的序列依賴效應為排斥作用(前一試次相關特征：β = ?0.09, 95% CI = [?0.10, ?0.07],(9835) = ?10.33,< 0.001), 而前一試次中點的大小這一無關特征的序列依賴效應則為吸引作用(前一試次無關特征：β= 0.02, 95% CI = [0.02, 0.03],(9835) = 5.89,< 0.001)。結合實驗1, 當前試次刺激的某一特征對當前試次知覺決策的影響與前一試次的該特征產生的序列依賴效應作用的方向是相反的, 即如果某個特征與當前知覺估計值呈正相關, 則其在后一試次的知覺估計上會產生負向的序列依賴效應; 反之, 如果與當前知覺估計值呈負相關, 則在后一試次上產生正向的序列依賴效應。

3.4 討論

與實驗1的發現一致, 無論是數量估計任務還是大小估計任務, 前一試次的知覺估計對當前試次的知覺均存在吸引效應, 并且無論是任務相關特征還是任務無關特征, 其前一試次的特征物理值都對當前試次的知覺有影響。前一試次任務相關特征對當前試次的知覺呈現排斥效應。前一試次任務無關特征的影響表現為：數量作為無關特征對當前試次點平均大小的知覺的影響為排斥效應, 而前一試次點平均大小作為無關特征時, 對當前試次數量的知覺則具有吸引效應。由此可見, 數量和單個點的大小分別作為無關特征時, 對彼此的序列依賴效應具有不對稱性。這種不對稱性可能與兩種刺激特征之間本身特性的關系有關。

4 討論

本研究以數量感為研究對象, 通過數量和面積的估計任務、以及數量和點平均大小的估計任務這兩個實驗, 考察了任務相關性對線性特征的序列依賴效應的影響。兩個實驗中, 廣義線性混合效應模型比較的結果均一致支持, 除當前試次任務相關特征和前一試次知覺估計之外, 當前無關特征、前一試次相關特征和前一試次無關特征也都對當前試次的知覺決策有顯著貢獻。進一步檢驗上述各個因素的回歸系數, 在兩個實驗中一致發現, 無論特征是否與任務相關, 前一試次的該特征與當前試次同一特征對當前試次的知覺的影響總是呈現反向關系。對于任務相關特征, 前一試次產生的序列依賴效應總是排斥效應; 而對于任務無關特征, 前一試次該特征產生的序列依賴效應是吸引還是排斥效應, 則取決于該特征本身的性質：數量作為無關任務特征時, 無論當前任務特征是點陣面積還是單個點平均大小, 其序列依賴效應總是排斥效應; 點陣面積作為無關任務特征時, 其序列依賴效應也是排斥的; 而單個點平均大小作為無關特征時, 其序列依賴效應則是吸引的。

前一試次的任務相關特征對當前知覺的排斥效應與經典研究中發現的吸引的序列依賴效應恰好相反(Cicchini et al., 2018; Fischer & Whitney, 2014; Xia et al., 2016)。這應該與本研究中同時考慮了前一試次的知覺估計對當前試次知覺的序列依賴效應有關。先前研究已發現, 前一試次中被試的行為反應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進行報告, 在這些試次中, 刺激對于后續知覺的影響表現為排斥效應, 相反, 當需要進行知覺報告時, 其對于后續知覺的影響則是吸引的。此外, 由于迫選任務被認為是一種更直接的感知測量方法, 作者還使用迫選任務代替了朝向復現范式(被試不需要報告刺激的準確朝向, 只需要報告目標刺激的朝向是更接近垂直方向還是水平方向), 結果再次證實刺激本身引起排斥效應, 而被試的反應則引起吸引效應。Moon和Kwon (2022)把經典研究中發現的刺激的吸引性序列依賴效應歸因于它與被試反應的高相關性, 在分別固定知覺朝向和特征的物理朝向后, 發現當固定知覺朝向時, 物理朝向的序列依賴效應是排斥的, 而先前反應的序列依賴效應仍然是吸引的。Sadil等(2021)則采用了同時考慮前一試次刺激和反應的雙因素分析取代了經典序列依賴效應研究中常用的單因素分析(僅考慮前一試次的刺激值), 對這些經典研究的數據進行重新分析, 一致發現刺激的序列依賴效應是排斥的, 而反應的序列依賴效應則是吸引的。因此, 經典研究中刺激的吸引性序列依賴效應可能與其未考慮上一試次被試的反應這一因素有關。以上研究證據以及本研究發現的任務相關特征的排斥序列依賴效應, 均支持先前試次對當前知覺的吸引效應主要來自于先前試次的知覺反應, 而排斥效應則主要來自于先前試次刺激特征的物理值。序列依賴效應在刺激和反應水平的方向是相反的, 這可能體現了視覺系統在加工外界刺激時需要在對外界信息的敏感度和過去經驗的依賴性之間進行權衡和調節(Pascucci et al., 2019)。在知覺和認知過程中, 我們需要處理和加工各種刺激, 平衡敏感度和經驗依賴性。過于敏感會干擾注意力和認知, 過于依賴過去的經驗會導致忽略新信息。需要根據任務靈活調整敏感度和經驗依賴之間的平衡, 如清晰任務需更敏感, 而處理復雜任務需更依賴經驗。這種平衡可以幫助提高我們的知覺和認知表現。

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

我們發現雖然任務無關的線性特征具有序列依賴效應, 但該效應較任務相關特征明顯更小。這也與以往研究注意或者任務相關性對圓分布特征序列依賴效應影響的發現一致。Flesch等人(2022)使用葉片形狀和分叉枝條個數分別作為任務相關或無關特征, 研究大腦額頂葉皮層對于二者的表征解碼時, 發現無關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; 而相關特征不同水平的表征則區別較明顯。這可能是因為將無關特征的表征壓縮到一個低維空間中可以減少冗余信息和干擾, 從而提高特征的區分度和魯棒性, 使大腦更加高效穩定地處理任務。

任務無關特征的序列依賴效應的方向的差異表明, 這種效應還與特征本身的特性密切相關。研究發現, 當數量作為無關任務特征時, 無論當前任務相關特征是點陣面積還是單個點平均大小, 數量的序列依賴效應總是排斥的。點陣面積作為無關任務特征時, 其序列依賴效應也是排斥效應。然而, 僅在單個點平均大小作為無關特征時, 產生的是吸引的序列依賴效應。所有任務中的一致發現是, 雖然前一試次無關特征對當前知覺的序列依賴效應因特征而異, 但是該效應總與它們作為當前試次無關特征時的影響方向相反。前一試次無關特征的序列依賴效應可能與特征之間相互作用的方式有關。例如, 當任務無關特征(例如面積)在數量空間里與數量特征同向變化時(DeWind et al., 2015), 其對數量的影響在當前試次表現為吸引, 而在前一試次表現為排斥; 相反, 當任務無關特征(例如平均大小)在數量空間里與數量特征反向變化時(DeWind et al., 2015), 該特征對數量的影響則是當前試次排斥, 前一試次吸引。不過該假設的驗證和具體機制還有待將來的進一步研究。

以往研究中也發現無關特征的特性本身或者它與相關特征之間的關系會影響序列依賴效應。Liberman等人(2018)發現, 情緒判斷中的序列依賴效應在改變面孔性別后會消失, 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生的不相似性比種族更大。在Fornaciai和Park(2019a)的一項研究中, 盡管數量感和閃光次數存在吸引的序列依賴效應, 但數量感和聲音播報的次數分別作為任務無關特征時則不對彼此產生顯著的序列依賴。此外, 當背景刺激的顏色變化與任務無關時, 序列依賴效應不受背景特征的影響, 對當前朝向的決定獨立于刺激背景中的顏色變化, 只系統地偏向于先前刺激的朝向(Fischer et al., 2020)。特征之間的加工關系分為獨立表征和整合表征(Leibovich et al., 2017; Lourenco & Aulet, 2023)。獨立加工的特征在知覺上表現為不同特征維度之間的相互獨立。這意味著, 當我們感知一個物體時, 我們可以獨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立的加工機制, 由不同的腦區負責加工, 因此兩種特征之間不會產生序列依賴效應。而來自神經影像學、計算模型、視覺錯覺和心理物理學的證據, 證明非數字的幅值, 如累計面積, 是與數字一起編碼的, 并在整個視覺知覺中持續存在, 它們之間的交互作用可能會影響到數字感知本身, 例如數字大小的感知可能會受到物體大小或形狀的影響(Harvey et al., 2015)。當這些特征作為任務無關特征時, 依然會影響當前任務相關特征的序列依賴效應。因此, 考察任務相關性對特征的序列依賴效應的影響時, 特征間是否具有獨立的加工過程也是影響該效應方向的重要因素。

綜上所述, 本研究探討了任務相關性對線性特征的序列依賴效應的影響。研究結果顯示, 對于線性分布的特征, 先前的無關特征仍表現出序列依賴效應, 盡管其影響程度相較于任務相關特征較小。這一發現揭示了同一客體內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, 也能夠影響對當前任務相關特征的知覺。此外, 跨特征的序列依賴效應的存在支持了序列依賴效應可以發生在客體水平的假設。未來研究可以進一步結合功能磁共振成像等技術, 深入探索數量感中跨特征序列依賴效應的神經基礎以及該效應的表征模式。

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). 人類基本數學能力的進化證據.(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

* 科技創新2030-重大項目(2021ZD0203803); 國家自然科學基金(32200840); 國家重點研發計劃(2019YFA0709503); 中國博士后科學基金(2022T150061、2022M710435); 中央高?；究蒲袠I務費支持。

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

B842