在主观感知到的努力和疲劳的动态变化中,劳累与休息的“计算特征”(即可以通过数学或算法分析得出的生理或心理指标)起着基础性作用

《COGNITIVE, AFFECTIVE & BEHAVIORAL NEUROSCIENCE》:Computational signatures of exertion and rest underlie moment-to-moment dynamics of subjective perceptions of effort and fatigue

【字体: 大 中 小 】 时间:2026年03月11日 来源:COGNITIVE, AFFECTIVE & BEHAVIORAL NEUROSCIENCE 2.7

编辑推荐:

  摘要: 每天我们都会执行一些让我们感到疲劳的任务。理论研究表明,疲劳不仅是由于努力的付出而产生的,还会增加后续相同动作的费力程度。然而,到目前为止,还没有一个正式的计算模型来解释疲劳和努力的主观感知,很少有研究直接测量这些感觉或量化它们的即时变化。在这项研究中,通过三个实验,

  摘要:
每天我们都会执行一些让我们感到疲劳的任务。理论研究表明,疲劳不仅是由于努力的付出而产生的,还会增加后续相同动作的费力程度。然而,到目前为止,还没有一个正式的计算模型来解释疲劳和努力的主观感知,很少有研究直接测量这些感觉或量化它们的即时变化。在这项研究中,通过三个实验,参与者需要付出不同程度的体力努力(握力低于最大能力)来获得奖励,并在每次试验中评估他们觉得用力有多费力(实验1)或感到有多疲劳(实验2和3)。在所有研究中,疲劳感和努力的感知随着时间的推移而增加,但也会根据所付出的努力和休息情况在每次试验中波动。一个疲劳的计算模型包括一个可恢复的成分(休息时疲劳会减轻)和一个不可恢复的成分(仅通过努力而增加),该模型成功解释了主观反应,尤其是疲劳和努力感知的即时变化。这一计算模型为理解疲劳感和努力感之间密切的动态关系提供了见解。

引言:
人们每天都会定期执行需要持续努力的任务。然而,我们的表现和坚持完成这些任务的动力通常会随着时间的推移而下降,无论是所需认知操作的速度还是准确性,还是身体动作的表现(Boksem等人,2006;Carroll等人,2017;Enoka等人,2011;Helton & Russell,2015;Inzlicht等人,2014;Mackworth,1964;Matthews等人,2023;Meyniel等人,2013;Müller等人,2021;Pageaux & Lepers,2016;Sidhu等人,2013;Tanaka等人,2014;Tanaka & Watanabe,2012;V?llestad,1997;Warm等人,2008)。这种表现的变化通常归因于疲劳感。神经认知理论提出,努力和疲劳有重叠的神经相关性,并认为随着疲劳的增加,人们对正在进行的任务感到费力的程度也会增加,从而导致表现下降(Boksem等人,2006;Boksem & Tops,2008;Müller & Apps,2019)。然而,尽管这些观点对于研究疲劳对行为影响的研究至关重要,但很少有系统地测量人们对任务费力的主观感知或他们的疲劳感。当进行这些测量时,通常是在多次试验或试验块中分散进行的,需要反复执行不同的动作或认知操作。因此,人们对疲劳和努力主观感知的即时变化背后的脑机制尚不清楚。

先前的研究表明,表现下降的速度,以及潜在的疲劳水平和努力感知的变化,取决于所执行任务的要求(Jones & Hunter,1983;Müller & Apps,2019;Stevens & Cain,1970;Taylor & Gandevia,2008)。具体来说,任务要求越高,成功执行所需的努力越大,疲劳水平就越高,从而使相同难度的任务看起来更加费力(Hockey,2011)。然而,表现的变化不仅随时间下降。任务中的休息有时会对表现有恢复作用(Helton & Russell,2015;Meyniel等人,2014;Müller等人,2021)。此外,即使在一个长时间的高要求任务后表现显著下降,提供更大的奖励仍然可以提高表现(Boksem等人,2006),有些证据表明奖励在某些情况下可以减少对努力或疲劳的感知(Dobryakova等人,2018;2020;Pooresmaeili等人,2015)。因此,理论认为疲劳的变化取决于所付出的努力、是否休息以及可以获得奖励。

尽管这些关于疲劳和努力感知特征的论点很有说服力,但支持它们的证据有限。大多数研究只考察了表现或决策的变化,而不是关于努力和疲劳变化的主观报告(Asplund & Chee,2013;Boksem等人,2006;Boksem & Tops,2008;Lorist等人,2005;Meyniel等人,2013;2014;Meyniel & Pessiglione,2014;Müller & Apps,2019;Soutschek & Tobler,2020)。此外,当进行这些测量时,通常是在较长的时间之后,往往是在疲劳前后的任务设计中或任务块之间(Hogan等人,2020;Mcora等人,2009;Mcora等人,2009;Milyavskaya等人,2019;Van Cutsem等人,2017)。通常,它们不具体考察每次试验中努力或疲劳感知的变化(de Morree等人,2014;Dobryakova等人,2018;2020;Dora等人,2021;Hopstaken等人,2015;M?ckel等人,2015;Parry等人,2011;Pooresmaeili等人,2015;Rollwage等人,2020)。因此,疲劳和努力感知的即时动态变化尚不清楚。

这对于现有的理论解释来说尤其成问题。如果疲劳、努力感知和动机的变化紧密相关并且时刻在动态变化(Matthews等人,2023;Müller等人,2021;Müller & Apps,2019),那么人们在任务块结束时的疲劳和努力感知评分可能会受到他们在该块中不同时间点投入的努力量的影响。因此,不频繁的“快照”测量可能会忽略疲劳和努力发展的许多方面。

最近的一些研究提供了关于疲劳如何动态影响动机的即时变化的见解(Matthews等人,2023;Meyniel等人,2013;2014;Meyniel & Pessiglione,2014;Müller等人,2021;Müller & Apps,2019)。通过使用实验设计,让参与者选择为不同大小的奖励付出不同程度的体力努力(例如,握力),研究表明,在任务过程中动机会有波动,这反映了两个不同的成分,这两个成分被认为与疲劳有关(Matthews等人,2023;Müller等人,2021)。首先是一个可恢复的成分,疲劳随着努力的增加而增加,但在休息期间会减少。其次是一个不可恢复的成分,它通过努力逐渐增加,但不会因短时间的休息而减少。这些疲劳的动态波动是通过基于计算建模的方法捕捉到的,该方法可以预测每次试验中的决策变化。这种方法的优势在于它可以参数化每个人对导致疲劳累积的不同成分的敏感性。它还与神经成像结合使用,以探究疲劳如何影响努力动机的脑机制,表明在决策过程中前额纹状体系统的神经活动会随着疲劳而波动(Müller等人,2021)。然而,类似的计算方法尚未用于研究努力的感知。因此,目前尚不清楚每次试验中努力的感知变化是否受到疲劳的可恢复和不可恢复成分的影响。此外,虽然有初步证据(Matthews等人,2023;Müller等人,2021),但仍有待确认这些模型是否可以解释疲劳感,以及是否如基于表现的理论所建议的那样,感知到的努力和疲劳会受到奖励的影响(Boksem等人,2006;Boksem & Tops,2008;Hockey,2011;Pooresmaeili等人,2015;Rollwage等人,2020)。

我们设计了三个任务,系统地考察了在重复体力努力过程中,努力和疲劳的感觉如何根据所付出的努力、休息时间和获得的奖励而发展(图1)。在每次试验中,参与者需要付出指定的努力(握力)以获得相应的奖励,然后在一个视觉模拟量表上评估他们觉得有多费力(实验1)或有多疲劳(实验2和3)。在实验1和2中,每次试验的奖励在参与者工作或休息之前就呈现给他们;而在实验3中,只有在他们工作或休息之后才向他们提供与试验相关的奖励信息。这样可以避免行为上的潜在混淆(例如,当奖励更高时参与者会用力更大)(Bonnelle等人,2015;2016;Oudiette等人,2019)。

图1:任务结构。每个实验都包括一个校准阶段,用于估计参与者的最大自主收缩力(MVC),以及一个训练阶段,让参与者熟悉他们在主要任务中将执行的努力水平(0%、30%、39%、48% MVC)。在主要任务中,参与者需要在5秒的时间窗口内以这三个水平之一挤压3秒,或者休息5秒,以获得奖励。在每次试验中,他们需要将力量施加到所需的水平(由向上移动的白条表示,所需的力量由黄线表示)。如果他们在整个窗口内成功保持该力量3秒,那么在结果阶段他们会得到奖励;否则,他们将获得0分。最后,在每个实验中,他们在视觉模拟量表上提供评分。在实验1中,(a)参与者在每次试验前看到所需的力以及如果成功将获得的积分(6分、8分或10分),更高的积分会增加他们的奖金。在每次试验结束时,他们在0到20之间评分,表示他们觉得试验有多费力。共有120次试验,唯一的休息是5秒的“休息”时间。实验2(b)的结构几乎相同,但不同之处在于参与者提供的评分(0到100分)是他们当时感到有多疲劳。因此,这些实验可以测量每次试验中努力感知或疲劳的波动。实验3(c)的不同之处在于,在参与者用力之前没有告知他们将获得的积分,从而排除了他们为了获得更高奖励而更加用力的可能性。

使用这种设计,我们测试了这样的假设:努力的感知和疲劳的感觉会根据所付出的体力努力而增加,但也会随着休息时间的增加而减少。更具体地说,我们预测一个由可恢复(RF)和不可恢复(UF)成分组成的疲劳计算模型将最好地描述努力和疲劳的评分。

方法:
参与者通过牛津心理学研究参与者招募计划和在线公告板招募,主要包括牛津大学的学生和工作人员以及牛津附近的公众。参与者被告知研究将涉及挤压一个手持设备。样本量是基于相关先前的研究,这些研究评估了自我报告的疲劳或主观努力成本在试验间的波动(Müller等人,2021;2022)。预先设定的排除标准包括有神经系统或精神疾病的历史。共有42人参与了实验1,其中一人报告有精神疾病,因此被排除在分析之外。最终剩下的41名参与者没有神经系统或精神疾病的历史,其中包括21名女性,平均年龄为23.93岁(标准差[SD] = 5.18;范围18–40岁)。在实验2中,新的样本由40名参与者组成(24名女性),平均年龄为24.18岁(SD = 4.68;范围19–35岁),且没有神经系统或精神疾病的历史。在实验3中,新的样本由41人组成,其中一人报告有精神疾病,因此也被排除在分析之外。最终的40名参与者样本中,我们之前已经部分分析过(Müller等人,2021),其中包括24名女性,平均年龄为25.53岁(SD = 5.63;范围18–40岁)。该研究得到了南中央-牛津C研究伦理委员会(14/SC/0044)和南中央-牛津A研究伦理委员会(18/SC/0448)的批准,并且所有参与者在实验前都获得了书面知情同意书,这符合世界医学协会伦理准则(赫尔辛基宣言)中的规定。

实验在一个只有参与者和研究者在内的实验室房间内进行。研究者确保在实验过程中参与者用惯用手正确握住测力计。刺激呈现和反应收集是通过Matlab 2012a(The MathWorks, Inc., USA)和Psychophysics Toolbox扩展程序(Brainard, 1997)中的自定义代码实现的,这些程序由运行Windows操作系统的PC控制。为了研究努力和奖励对感知努力以及感知疲劳的影响,我们设计了任务,其中努力被量化为在手持测力计(TSD121B-MRI;BIOPAC Systems, Inc., USA)上施加的力量。这使我们能够系统地设置不同的、个性化的努力水平。为了减少潜在的不适感,测力计内衬了“减震”胶带。

每个实验包括三个部分:1)校准阶段,用于考虑个体之间的握力差异,在此阶段向参与者全面解释实验内容之前完成;2)训练阶段,参与者熟悉主任务中使用的努力水平;3)主任务。在主任务中(图1),每次试验中参与者被要求休息或施加力量以获得奖励(积分)。使用低到中等程度的努力水平确保参与者能够成功完成任务,并减轻结果不确定性的潜在影响。随后,参与者被要求在视觉模拟量表上评估他们觉得这次试验有多费力(实验1)或感到有多疲劳(实验2和3)。参与者被指示在实验过程中尽可能多地收集积分,他们通过任务收集的总积分决定了他们的报酬。也就是说,参与者因他们的时间获得8英镑的报酬,并根据他们在任务中赚取的积分获得最高4英镑的奖金。

在校准阶段,每位参与者用惯用手连续三次挤压手持测力计来测量其最大肌肉收缩力(MVC)。参与者被要求在每次尝试中施加尽可能大的力量,并在挤压过程中得到强烈的口头鼓励。在每次尝试中,屏幕上显示的一条线提供了所产生力量的反馈。在第二次和第三次尝试中,使用了一条基准线(代表之前最佳尝试的105%或110%)来进一步鼓励参与者提高他们的分数,同时指导他们尝试达到这条线并施加尽可能大的力量。三次尝试中产生的最大力量水平被用作该参与者的MVC。

在训练阶段,参与者练习达到四个不同的努力水平(分别为他们MVC的0%、30%、39%和48%)。这些努力水平基于之前的研究,这些水平通常可以在重复努力的过程中实现(Matthews等人,2023;Müller等人,2021)。只有当参与者在5秒的时间窗口内产生的力量超过所需水平至少3秒时,试验才算成功。每次试验以饼图形式的提示开始;红色段数的数量表示即将到来的努力水平。在努力期间,屏幕上提供了关于参与者力量的实时反馈以及目标努力水平的反馈。为了确保参与者仔细且成功地完成这项训练,他们每次成功挤压会获得一个积分,而失败则不会获得积分。在额外的四次尝试中,参与者练习操作评分量表,然后完成四次包含不同努力水平和评分的完整练习试验(见主任务),以便熟悉任务。

主任务包括120次试验,每次试验要求参与者休息或工作以获得积分。在实验1(图1a)和实验2(图1b)中,工作试验包括三种不同的努力水平,由饼图中的两到四个填充段表示(提示),分别对应于他们MVC的30%、39%和48%,以及饼图上方数字显示的三种不同的奖励水平(6、8或10积分)。休息试验由饼图中的一个填充段和其上方数字显示的积分(6、8或10)表示。实验3(图1c)与实验2相同,不同之处在于提示仅指示即将到来的努力水平,而不指示奖励水平。在实验3中,奖励在1.5秒内呈现,并且只在参与者完成该次试验的工作或休息后显示给他们。在所有实验中,努力和奖励水平都是独立变化的,并以伪随机顺序呈现,以确保每种努力/奖励组合的重复在任务中均匀分布。每位参与者都收到相同的顺序,以便任何潜在的行为差异可以归因于个体特征。

在这个提示之后,代表即将到来的努力水平——在实验1和2中还包括奖励水平——参与者被要求在测力计上休息或施加相应的力量至少3秒以获得积分。为此,他们看到一个垂直条,该条提供了他们力量的实时反馈。目标努力水平由条上叠加的黄线表示。如果参与者需要休息,则条的显示时间相同,但黄线显示在条的底部。之后,根据他们在该次试验中的成功或失败情况,向他们显示他们获得的积分。

在实验1中,参与者随后被要求在一个从0到20的量表上回答“你觉得这有多难?”的问题,0表示完全没有努力,20表示最大努力。量表上的起始值在任务中是随机的,但在参与者之间是相同的。他们有最多5秒的时间来确认或更改这个值。在实验2和3中,参与者被要求在一个从0到100的量表上表示他们感到有多累,0表示完全不累,100表示完全精疲力尽。在第一次试验之前,参与者有足够的时间来表明他们当前的感觉(基线评分)。在每次后续试验中,量表的起始值是参与者在上一次试验中输入的值,他们有最多5秒的时间来确认或更改这个值。

参与者可以使用键盘上的左右箭头键以1的增量更改评分量表上的值。他们通过按下向下箭头键来确认他们选择的值,此时评分量表周围会出现一个绿色框。为了确保参与者准确报告他们的感受,他们被指示可以增加或减少他们的努力或疲劳评分,或者保持不变,他们应该诚实地回答,他们的评分不会以任何方式影响实验的其余部分或结果。

为了研究人们的感觉在试验间的变化,我们首先使用R 3.5.2(R Core Team, 2018)中的lmer函数和lme4包(Bates等人,2015)中的线性混合效应模型(LMM)分析了参与者在试验n(实验1)的努力评分以及从试验n-1到试验n(实验2和3)的疲劳评分的变化,采用最大似然估计方法。此外,我们还使用类似的模型分析了他们在试验n(所有实验)中的行为(产生的力量)。根据之前的研究(Lockwood等人,2017),每次试验的力量是通过Matlab中的trapz函数计算出的测力计记录的自愿收缩曲线的下面积(AUC)。对于每位参与者,任何给定试验下的曲线下面积都通过该参与者的最大值进行了标准化,以考虑个体间施加力量的差异。

在训练阶段,参与者练习达到四个不同的努力水平(分别为他们MVC的0%、30%、39%和48%)。这些努力水平基于之前的研究,这些水平通常可以在重复努力的过程中实现。只有当参与者产生的力量在5秒的时间窗口内超过所需水平至少3秒时,试验才算成功。每次试验以饼图形式的提示开始;红色段数的数量表示即将到来的努力水平。在努力期间,屏幕上提供了关于参与者力量以及目标努力水平的实时反馈。为了确保参与者仔细且成功地完成这项训练,他们每次成功挤压都会获得一个积分,而失败则不会获得积分。在另外四次尝试中,参与者练习操作评分量表,然后完成四次包含不同努力水平和评分的完整练习试验(见主任务),以便熟悉任务。

主任务包括120次试验,每次试验要求参与者休息或工作以获得积分。在实验1(图1a)和实验2(图1b)中,工作试验包括三种不同的努力水平,由饼图中的两个到四个填充段表示(提示),分别对应于他们MVC的30%、39%和48%,以及饼图上方数字显示的三种不同的奖励水平(6、8或10积分)。休息试验由饼图中的一个填充段和其上方数字显示的积分(6、8或10)表示。实验3(图1c)与实验2相同,不同之处在于提示仅指示即将到来的努力水平,而不指示奖励水平。在实验3中,奖励在1.5秒内呈现,并且只在参与者完成该次试验的工作或休息后显示给他们。在所有实验中,努力和奖励水平都是独立变化的,并以伪随机顺序呈现,以确保每种努力/奖励组合的重复在任务中均匀分布。每位参与者都收到相同的顺序,以便任何潜在的行为差异可以归因于个体特征。

在这个提示之后,代表即将到来的努力水平——在实验1和2中还包括奖励水平——参与者被要求在测力计上休息或施加相应的力量至少3秒以获得积分。为此,他们看到一个垂直条,该条提供了他们力量的实时反馈。目标努力水平由条上叠加的黄线表示。如果参与者需要休息,则条的显示时间相同,但黄线显示在条的底部。之后,根据他们在该次试验中的成功或失败情况,向他们显示他们获得的积分。

在实验1中,参与者随后被要求在一个从0到20的量表上回答“你觉得这有多难?”的问题。量表上的起始值在任务中是随机的,但在参与者之间是相同的。他们有最多5秒的时间来确认或更改这个值。在实验2和3中,参与者被要求在一个从0到100的量表上表示他们感到有多累,0表示完全不累,100表示完全精疲力尽。在第一次试验之前,参与者有足够的时间来表明他们当前的感觉(基线评分)。在每次后续试验中,量表的起始值是参与者在上一次试验中输入的值,他们有最多5秒的时间来确认或更改这个值。

参与者可以使用键盘上的左右箭头键以1的增量更改评分量表上的值。他们通过按下向下箭头键来确认他们选择的值,此时评分量表周围会出现一个绿色框。为了确保参与者准确报告他们的感受,他们被指示可以增加或减少他们的努力或疲劳评分,或者保持不变,他们应该诚实地回答,他们的评分不会以任何方式影响实验的其余部分或结果。

为了研究人们在试验间的努力和疲劳感觉的变化,我们首先使用R 3.5.2(R Core Team, 2018)中的lme4包中的lmer函数和最大似然估计方法,分析了参与者在试验n(实验1)的努力评分以及从试验n-1到试验n(实验2和3)的疲劳评分的变化。此外,我们还使用类似的模型分析了他们在试验n(所有实验)中的行为(产生的力量)。根据之前的研究(Lockwood等人,2017),每次试验的力量是通过Matlab中的trapz函数计算出的测力计记录的自愿收缩曲线的下面积(AUC)。对于每位参与者,任何给定试验下的曲线下面积都通过该参与者的最大值进行了标准化,以考虑个体间施加力量的差异。

参与工作的试验n和休息的试验n分别在不同的LMM中进行了分析。这是基于这样的假设:感知的努力和感知疲劳的变化将与他们施加的努力量(线性)成比例,而休息可能对努力和疲劳的感知有不同的影响。只有那些参与者成功达到所需努力水平并因此获得积分的试验n被包括在模型中。总体而言,这导致实验1中有3.07%(SD = 6.76)的试验被排除,实验2中有1.81%(SD = 4.51)的试验被排除,实验3中有4.21%(SD = 6.60)的试验被排除。由于不成功的试验发生频率较低,因此没有进一步分析。

在所有模型中,都包括了个体水平的随机截距,以便对参与者之间的潜在变异性进行建模。当在主要努力效应或累积努力的主要效应及其交互作用上额外包含随机斜率时,如果模型拟合在Akaike信息准则(AIC)(Akaike, 1974)和贝叶斯信息准则(BIC)(Schwarz, 1978)方面有所改善,我们会分别在相应的结果部分注明这一点。因变量和预测变量被编码为连续变量,预测变量相对于每个样本的平均值和标准差进行了z分数转换。使用Type II Wald卡方检验来测试统计显著性,即χ2和p值指的是测试模型与没有相应主要效应或交互作用的相同模型之间的比较。系数和带有95%置信区间的标准化系数是通过parameters包(Lüdecke等人,2020)中的model_parameters函数从线性混合效应模型中得出的,并在补充表1至11中报告。

为了更具体地预测和量化努力和休息对每次试验的感知努力和疲劳的影响,我们对实验1至3中每位参与者的努力或疲劳评分拟合了不同的计算模型。为了考虑奖励对力量的影响以及力量产生的动态变化,我们在这些模型中包括了实际产生的力量(如前一节所述计算的曲线下面积,并乘以10),而不仅仅是请求的努力水平。因为在我们的实验中只使用了三种低到中等程度的努力水平,除了休息试验外,努力的效应被以线性方式建模(图2和图5)。图2显示了感知到的努力程度和产生的力量作为努力程度、奖励和试验次数的函数。(a) 对问题“你觉得这有多难?”的平均评分,作为休息(0% MVC)、努力程度和奖励(获得的积分)的函数,表明努力的感知随着努力的增加而增加,更高的奖励与稍微更高的努力感知相关。(b) 试验中产生的平均力量,计算为曲线下面积(AUC),并根据每个参与者进行了标准化,这取决于该试验中呈现的努力程度和奖励。(c) 参与者对问题“你觉得这有多难?”的平均评分,作为休息(0% MVC,黑线)、努力程度以及在整个任务中需要相应休息/努力程度的试验的函数。分析显示,感知到的努力程度在试验中有所增加。(d) 试验中产生的平均力量,计算为AUC,并根据每个参与者进行了标准化,这取决于整个任务中需要相应努力程度的试验。只有那些参与者施加了所需力量并获得了相应积分的成功试验才被包括在内。误差条和阴影区域代表平均值的标准误差。

我们的完整疲劳模型假设疲劳会随着努力的增加而增加,并且可以通过休息部分恢复,但随着时间的推移会有一个逐渐增加的不可恢复部分,这部分疲劳不会因为休息而恢复(Matthews等人,2023年;Müller等人,2021年)。在这个模型中,每次试验(t)的疲劳(F)被计算为参与者的基线疲劳(F_start)、可恢复疲劳(RF)和不可恢复疲劳(UF)的总和:$$F_{(t)}=F_{start}+RF_{(t)}+UF_{(t)}$$ (1) RF随着试验中施加的力量(E)的增加而增加(方程2),并且随着试验中休息时间(T_rest)的增加而减少(在休息试验中为7.5,在工作试验中为2.5;方程3):$$RF_{(t)}=RF_{(t-1)}+(\alpha * E_{(t)})$$ (2) $$RF_{(t)}=RF_{(t-1)}-(\delta * T_{rest}(t))$$ (3) 个体在努力增加疲劳的程度上存在差异,这由特定于受试者的参数α反映,在休息期间恢复的速度上也存在差异,这由参数δ反映。与RF不同,UF会根据整个任务中施加的努力累积,并且不会因为试验中的休息而恢复(方程4)。因此,参数θ代表了个体对难以轻易恢复的疲劳累积的敏感程度:$$UF_{(t)}=UF_{(t-1)}+(\theta * E_{(t)})$$ (4) 关于实验1,这些疲劳术语被整合到每次试验中主观感知到的努力(PE)的建模中(方程5)。对于休息试验,根据理论假设和我们的实证数据(图2c),假设PE为0。对于工作试验,PE取决于试验中的E,并通过特定于受试者的参数γ进行加权,该参数捕捉了个体间在努力感知上的差异以及估计的疲劳水平:$$PE_{(t)}=(\gamma + F_{(t)})*E_{(t)}$$ (5) 初始的RF和UF值被设置为0,随后根据各自的模型在每次试验中更新RF和UF,并加到参与者在主要任务开始前指示的疲劳水平上(基线评分,或者如果基线评分为0则为0.01(实验2和3)或如果没有收集基线评分(实验1))。基于理论考虑,只允许参数值(α, δ, θ, γ)≥ 0和RF估计值≥ 0。

模型与数据之间的拟合度,通过参与者评分与模型估计值之间的平方残差之和(RSS)来衡量,使用Matlab 2017b(The MathWorks, Inc., USA)中的fminsearch函数进行了优化,即改变模型参数以最小化每个参与者的实际评分与模型预测的评分之间的差异。为了最大化找到全局最小值而不是局部最小值的机会,对完整模型和所有替代模型进行了多次参数估计,每个参数有六个初始化值(范围从0到1)。每个模型的最佳参数集被用于模型比较。

为了验证用于量化努力和休息对疲劳影响的参数是否必要,我们对参与者的评分拟合了替代的疲劳模型。这包括只有UF效应的模型(即,只拟合θ)或只有RF效应的模型(即,只拟合α和δ)。此外,还包括了两个数学上合理但在理论上不太可能的模型,这些模型仅使用一个参数来缩放努力和休息对可恢复疲劳的影响(即,只在工作和休息试验中都拟合α)。在这些模型中的一个中,疲劳仅由这个RF参数组成,而在第二个模型中,疲劳由UF加上RF参数组成。此外,在实验1中,我们还测试了一个零模型,该模型捕捉了个体间在努力感知上的差异,而没有考虑任务过程中的疲劳效应(即,只拟合γ)。

为了研究模型预测评分数据的相对能力,我们使用AIC来比较模型拟合度,较低的AIC值表示更好的拟合。AIC根据以下公式计算,其中n代表观察次数,即试验次数,d代表参数数量:$$\text{AIC}=n*\text{ln}(\frac{\text{RSS}}{n})+2*d$$ (6) 此外,为了测试完整模型是否最有可能是最常最适合参与者评分的模型,我们基于SPM12中的spm_BMS函数计算了每个模型的超越概率(Stephan等人,2009年)(https://www.fil.ion.ucl.ac.uk/spm)。报告的R2值代表观察数据和预测数据之间的平方相关系数。

实验1中,参与者执行了一个努力评分任务,在每次试验中他们需要以自己最大自愿收缩(MVC)的百分比来施加一定程度的体力努力。在每次试验中,他们首先看到一个提示,指示所需的力水平(30%、39%或48%的MVC,或0%的休息)以及如果他们成功保持该力量3秒可以获得的奖励(6、8或10积分,这些积分会增加奖金)。之后,他们需要在5秒的时间窗口内施加该力量3秒。然后他们得到结果,表明他们是否获得了奖励。最后,他们在0到20的范围内对这种努力的程度进行了评分。

首先,我们想要统计上测试努力的感知是否随着试验的进行而变化,这种变化与疲劳增加努力的感知一致。我们进行了一个混合效应模型,其中包含了试验中所需努力水平的z分数预测因子(2、3或4)、试验中提供的奖励(6、8或10积分)、任务前累积的努力水平(2、3或4级)以及它们的交互作用,还包括受试者作为随机效应,成功完成的工作试验平均有95.91%的试验成功完成。正如基于之前的疲劳和努力感知理论所预测的,努力、奖励以及它们的交互作用预测了努力评分(努力:χ2(1) = 4,195.950, p < .001;奖励:χ2(1) = 22.112, p < .001;努力×奖励:χ2(1) = 4.472, p =.034)。具体来说,更高的努力水平与更高的努力评分相关,更高的奖励也是如此(图2a)。值得注意的是,累积努力也是努力感知增加的显著预测因子(χ2(1) = 240.504, p < .001),表明参与者的努力感知随着重复的努力而增加(图2c)。累积努力与任何其他预测因子之间没有显著的交互作用(累积努力×努力:χ2(1) = 0.113, p =.737;累积努力×奖励:χ2(1) = 2.306, p =.129;累积努力×努力×奖励:χ2(1) = 1.460, p =.227),表明随着努力(和时间)的累积,参与者认为所有级别的努力都更困难,而不仅仅是更高或更低的级别。

然后我们分别分析了休息试验。在一个包含奖励、累积努力及其交互作用作为预测因子,受试者作为随机效应的LMM中,奖励(χ2(1) = 0.152, p =.697)或累积努力(χ2(1) = 0.173, p =.677)或它们的交互作用(χ2(1) = 0.186, p =.666)都没有影响努力评分(图2)。发现休息试验中的努力感觉可以忽略不计(图2),并且没有证据表明这些感觉与奖励的数量有关,这表明参与者准确地使用了评分量表,符合预期。

在上述分析中,我们发现奖励增加了努力的感知。对此有两种可能的解释:1)获得奖励使参与者感觉他们工作得更努力,即使他们实际上施加了相同的努力;或者2)更高奖励的激励使参与者增加了他们的力量,因此更高的努力感知是由于实际上增加了的努力水平,尽管所需的努力水平是相同的。

为了测试这一点,我们在一个混合模型中预测了在成功完成的工作试验中施加的力量,其中包含了努力、奖励和累积努力的预测因子。力量产生与实验中设定的努力水平系统地变化(χ2(1) = 19,629.648, p < .001)。此外,更高的预期奖励导致了力量的增加(χ2(1) = 4.217, p =.04),几乎不受所需努力水平的影响(奖励×努力:χ2(1) = 3.456, p =.063;图2b)。力量也随着重复的努力而增加(χ2(1) = 19.108, p < .001),尽管这对施加的力量只有小的影响(图2d)。其他交互作用都不显著(累积努力×努力:χ2(1) = 2.012, p =.156;累积努力×奖励:χ2(1) = 1.179, p =.278;累积努力×努力×奖励:χ2(1) = 1.298, p =.255)。重要的是,在一个具有更低AIC和BIC的替代LMM中,包括了累积努力和努力的额外随机斜率以及它们的交互作用,努力和奖励的交互作用是显著的(χ2(1) = 4.586, p =.032),但累积努力的主要效应不显著(χ2(1) = 3.723, p =.054)。因此,这些分析表明,上述奖励对努力感知的影响可能部分是由于在较高奖励的情况下参与者施加了比所需更多的力量。

接下来,我们使用计算建模来测试之前开发的疲劳模型是否可以解释努力感觉的波动(Matthews等人,2023年;Müller等人,2021年)。我们假设一个完整的模型将最适合我们的评分。该模型包含四个参数:1)产生的力量有多努力的静态差异(γ),2)一个可恢复的组成部分,其参数随着努力的增加而缩放努力的感知增加(α),以及随着休息努力的感知减少(δ),以及3)一个不可恢复的组成部分,其参数随着试验的增加而增加但不随休息而减少(θ)。该模型与五个假设了更简单机制导致努力感知增加或没有变化的替代模型进行了比较,使用AIC和超越概率。

分析显示,完整模型最好地预测了参与者的努力感知(图3)。该模型的AIC较低,超越概率较高,并且很好地拟合了努力评分(中位数R2 =.88;图3c)。这些结果支持我们的模型也能够捕捉到每次试验中努力感知的动态变化。我们提供了获胜模型的参数估计(图4)以及具有不同参数值的参与者示例(补充图1a),以说明个体间的变异性。为了完整性,我们还测试了五种模型,在这些模型中,疲劳项没有与努力程度相乘,而是简单地加到了γ和努力程度的乘积上。然而,这些模型在AIC和超越概率方面都没有比图3中描述的获胜模型更好地拟合数据。图3展示了感知努力的建模。(a) 比较的模型列表。(b) 实验1的模型比较结果。x轴表示模型编号,y轴表示赤池信息量准则(AIC)得分、超越概率,或者根据各自的AIC,该模型最好解释评分的参与者数量,表明参与者的感知努力发展总体上最好由完整模型(模型5)来描述,这一点由星号表示。我们注意到,当最佳拟合数量是基于RSS而不是基于AIC计算时,完整模型(模型5)在29名参与者中最好地解释了评分,而在这种情况下模型4在12名参与者中是最佳拟合。(c) 任务过程中个别参与者的努力评分(浅蓝色)和组平均值(蓝色),以及完整模型预测的平均努力评分(黑色)。阴影区域代表平均值的标准误差。PE = 试验t时的感知努力;F = 试验t时的疲劳;UF = 不可恢复的疲劳;RF = 可恢复的疲劳;E = 施加的力量;T = 休息时间。完整尺寸图像。

图4 实验1中完整模型的参数。显示了每个参与者的参数估计值(绿点)以及所有参与者两个可恢复疲劳参数(RF;n = 38)、不可恢复疲劳参数(UF;n = 41)和努力权重参数(E-weight,n = 41)的平均值。由于数值过高,有三个参与者的RF参数没有包括在显示中。误差条代表平均值的标准误差(SEM)。完整尺寸图像。

实验1表明,主观努力的感知会随着一个假定的疲劳模型而波动,这表明某事感觉有多费力取决于一个人感觉有多疲劳。然而,之前这个疲劳模型被用于研究参与者是否为了奖励而付出努力的情况。在接下来的实验中,我们将这个模型应用于设计与实验1相同的数据,不同之处在于参与者评估的是他们的疲劳水平而不是他们的努力感知(实验2),并且控制了实验1中发现的奖励对努力的可能激励效应(实验3)。实验3与实验2的不同之处仅在于,在参与者付出努力或休息之前,他们没有被告知所提供的奖励。他们在每次成功完成的试验中会得到一个伪随机奖励(6、8或10个信用点),并在收到结果后评估他们的疲劳程度。因此,我们可以检查奖励是否对疲劳评分有影响,即使激励因素无法影响力量的施加。

首先,我们检查了在我们的实验中,疲劳感是否在任务过程中增加。实际上,在实验2和实验3中,参与者在0到100的视觉模拟量表上的疲劳评分都有所增加(图7d和7e)。接下来,我们测试了努力和奖励对从试验n-1到试验n的疲劳变化的影响,在实验2中,参与者平均有97.58%的试验成功完成。所需努力水平(2、3或4)、提供的奖励(6、8或10个信用点)以及努力和奖励的交互作用被作为混合效应模型中的感兴趣的预测因子。为了能够直接比较不同实验的分析,我们在模型中加入了任务前当前试验期间累计努力(努力水平(2、3或4)的总和)及其与其他预测因子的交互作用。努力、奖励和累计努力事先都进行了z分数转换,并且包括了受试者的随机截距。

分析确认,努力越大,疲劳的增加也越大(χ2(1) = 287.873,p < .001)。此外,获得的奖励越高,疲劳的增加也越大(χ2(1) = 11.598,p < .001;图5a),而努力和奖励的交互作用并不显著(χ2(1) = 0.102,p = .75)。此外,疲劳的变化在实验过程中有所减少(χ2(1) = 27.104,p < .001;累计努力 × 努力:χ2(1) = 4.086,p = .043;图5c)。其他交互作用都不显著(累计努力 × 奖励:χ2(1) = 0.609,p = .435;累计努力 × 努力 × 奖励:χ2(1) = 1.096,p = .295)。

图5 实验2中感知疲劳和施加力量的变化作为努力、奖励和试验次数的函数。(a) 参与者从试验n-1到试验n对“你感觉有多累?”这个问题的评分平均变化,作为休息(0% MVC)、努力水平和奖励(获得的信用点)的函数,显示感知疲劳随着休息而减少,随着努力的增加而增加,在这种情况下,更高的奖励与稍微更高的疲劳增加相关。(b) 试验中施加的平均力量,计算为曲线下面积(AUC)并针对每个参与者进行了标准化,取决于努力水平和该试验中呈现的奖励。(c) 参与者从试验n-1到试验n对“你感觉有多累?”这个问题的评分平均变化,作为休息(0% MVC)、努力水平和整个任务中所需的相应休息/努力水平的函数。(d) 试验中施加的平均力量,计算为AUC并针对每个参与者进行了标准化,作为努力水平和整个任务中所需的相应努力水平的函数。只包括了参与者施加了所需力量并获得了相应信用点的成功试验。误差条和阴影区域代表平均值的标准误差。

在另一个LMM中对休息试验的分析中,以奖励、累计努力及其交互作用作为固定效应,并没有发现奖励对从上一次试验到当前试验的疲劳减少有显著影响(χ2(1) = 0.99,p =.32),休息对疲劳的影响也没有随着累计努力的增加而显著变化(χ2(1) = 3.422,p =.064),也没有显著的交互作用(χ2(1) = 0.122,p =.727)。这些结果表明,在这个实验中,疲劳的变化是即时发生的,取决于所施加的努力,但同样重要的是也取决于获得的奖励。更高的努力和更高的奖励都导致了更大的疲劳增加,然而奖励并没有影响休息期间的疲劳变化。

接下来,我们想测试更高的奖励是否会导致更大的力量产生,这可能解释了奖励对感知疲劳变化的影响,同时也想测试力量是否会在重复的努力中下降,这可能解释了累计努力对感知疲劳变化的影响。为了测试这一点,我们进行了额外的分析,预测了根据努力水平、奖励、累计努力和所有交互作用的力量,同样只包括了那些参与者成功完成试验的试验。努力显著预测了施加的力量(χ2(1) = 20,471.206,p < .001),表明参与者很好地遵循了任务指示。虽然在整个实验过程中力量产生总体上有所减少(累计努力:χ2(1) = 43.746,p < .001,累计努力 × 努力:χ2(1) = 3.57,p =.059;累计努力 × 奖励:χ2(1) = 2.144,p =.143;累计努力 × 努力 × 奖励:χ2(1) = 1.978,p =.16;图5d),但没有证据表明更高的奖励显著导致了更大的力量(奖励:χ2(1) = 1.668,p =.197;奖励 × 努力:χ2(1) = 1.638,p =.201;图5b)。然而,我们注意到,当在模型中包括了努力和每个参与者的累计努力的主效应的随机斜率时,这与较低的AIC和BIC相关,累计努力和努力的交互作用是显著的(χ2(1) = 8.694,p =.003),累计努力和奖励的交互作用接近显著(χ2(1) = 2.771,p =.096)。

为了进一步测试奖励对感知疲劳的影响,我们进行了类似的分析,预测实验3中疲劳评分的变化,在该实验中,奖励只在力量产生之后但在参与者评估他们的疲劳之前呈现。因此,奖励对感知疲劳的任何影响都将完全独立于他们施加的力量,因为努力的激励只在力量执行之后才呈现。同样,模型包括了z分数转换后的所需努力水平(2、3或4)、提供的奖励(6、8或10个信用点)、累计努力和所有交互作用作为预测因子。在成功的工作试验中(平均有94.39%的试验成功完成),更高的努力预测了更大的疲劳增加(χ2(1) = 195.66,p < .001;图6a),累计努力与疲劳增加的减少相关(累计努力:χ2(1) = 20.602,p < .001;累计努力 × 努力:χ2(1) = 6.000,p =.014;累计努力 × 奖励:χ2(1) = 0.332,p =.564;累计努力 × 努力 × 奖励:χ2(1) = 0.417,p =.519;图6b)。然而,分析没有发现奖励对感知疲劳变化有影响(奖励:χ2(1) = 0.548,p =.459;奖励 × 努力:χ2(1) = 2.377,p =.123)。与实验2类似,另一个以力量为结果变量的LMM显示,更高的累计努力与较低的力量产生相关(χ2(1) = 69.645,p < .001)。

图6 实验3中感知疲劳的变化作为努力水平、奖励和试验次数的函数。(a) 参与者从试验n-1到试验n对“你感觉有多累?”这个问题的评分平均变化,作为休息(0% MVC)、努力水平和奖励(获得的信用点)的函数。(b) 参与者从试验n-1到试验n对“你感觉有多累?”这个问题的评分平均变化,作为休息(0% MVC)、努力水平和整个任务中所需的相应休息/努力水平的函数。只包括了参与者施加了所需力量并获得了相应信用点的成功试验。误差条和阴影区域代表平均值的标准误差。

在另一个单独的分析中,包括休息试验,奖励、累计努力及其交互作用作为固定效应,并没有发现奖励对从上一次试验到当前试验的疲劳减少有显著影响(χ2(1) = 0.99,p =.32),休息对疲劳的影响也没有随着累计努力的增加而显著变化(χ2(1) = 3.422,p =.064),也没有显著的交互作用(χ2(1) = 0.122,p =.727)。这些结果表明,在这个实验中,疲劳的变化是即时发生的,取决于所施加的努力,但同样重要的是也取决于获得的奖励。更高的努力和更高的奖励都导致了更大的疲劳增加,然而奖励并没有影响休息期间的疲劳变化。

为了验证重复努力和休息导致的感知疲劳的发展,并更好地理解其与感知努力的关系,我们使用了计算建模,并测试了在我们的两个实验中,类似的可恢复和不可恢复成分是否构成了疲劳感知波动的基础。我们对每个参与者的评分拟合了五种不同的模型,并使用AIC进行了比较。分析显示,由可恢复和不可恢复疲劳成分组成的完整模型在AIC和超越概率方面都最好地预测了参与者在实验2和实验3中的感知疲劳(图7)。获胜模型在两个实验中都很好地拟合了疲劳评分(实验2的中位数R2 =.91;实验3的中位数R2 =.88;图7d和7e)。这些发现强调,同一个模型可以解释随时间变化的努力感觉,也可以解释试验中疲劳感觉的变化。我们还为两个实验中表现最佳的模型提供了参数估计(图8),以及具有不同参数值的参与者示例(补充图1b和1c),以说明个体间的差异性。图7展示了感知疲劳的建模过程。(a) 所有比较模型的列表。(b) 实验2的模型比较结果。(c) 实验3的模型比较结果。x轴表示模型编号,y轴表示赤池信息量准则(AIC)得分、超越概率,或者根据各自的AIC值,由该模型最好解释的参与者数量,这表明在两个实验中,参与者的感知疲劳发展情况总体上最好由完整模型(模型5)描述,这一点由星号标出。(d) 实验2中任务过程中感知疲劳的发展。(e) 实验3中任务过程中感知疲劳的发展。图中显示了个体参与者的疲劳评分(浅蓝色)和组平均值(蓝色)作为试验次数的函数,以及完整模型预测的平均疲劳评分(黑色)。阴影区域代表平均值的标准误差。Fstart = 主任务第一次试验前收集的疲劳评分;F = 试验t时的疲劳;UF = 无法恢复的疲劳;RF = 可恢复的疲劳;E = 施加的力量;T = 休息时间。全尺寸图片图8 实验2和3中完整模型的参数。(a) 每个参与者的参数估计(绿点)以及实验2中两个可恢复疲劳参数(RF;n = 40)和无法恢复疲劳参数(UF;n = 40)的参与者平均值。(b) 每个参与者的参数估计(绿点)以及实验3中两个可恢复疲劳参数(RF;n = 38)和无法恢复疲劳参数(UF;n = 40)的参与者平均值。由于数值过高,两名参与者的RF参数未包含在显示中。误差条代表标准误。全尺寸图片讨论动机理论长期以来认为,付出努力会导致疲劳感的增加,进而导致对努力的感知增强,从而降低动机(Boksem & Tops, 2008; Hockey, 2011; Müller & Apps, 2019)。然而,尽管许多研究考察了表现的变化(Asplund & Chee, 2013; Boksem et al., 2006; Dobryakova et al., 2013; M?ckel et al., 2015; Wylie et al., 2017)或随时间变化的努力决策(Dobryakova et al., 2013; Massar et al., 2018; Müller et al., 2021; Müller & Apps, 2019),但很少有研究从计算角度探讨努力和疲劳感觉的动态、即时性质。在这里,通过三项使用握力任务的实验,我们展示了人们对努力和疲劳的感知取决于休息历史和所付出的努力。此外,同一个计算模型,包括可恢复和不可恢复的疲劳成分,可以解释努力和疲劳感知的动态变化,这表明这两个过程可能如先前理论所预测的那样紧密相关。此外,我们还表明,奖励对努力和疲劳感知的影响可能是由于更高的激励增加了努力水平,这意味着更高的努力感知是由于更大的付出。我们的结果部分支持了现有动机理论(Hockey, 2011; Silvestrini et al., 2022)的预测,这些理论在考察疲劳感觉的动态、即时性质方面基本上未经测试。先前的研究表明,付出努力会增加疲劳感,更大的努力会导致更显著的增加,并且休息具有恢复作用,可以减少疲劳感(Matthews et al., 2023; Meyniel et al., 2014; Müller et al., 2021; Müller & Apps, 2019)。这些预测在数据中得到了验证。然而,我们的结果表明,奖励的效果可能只是增加了付出更多努力的动机,从而增加了努力感知,因为人们更加努力。这与之前的观点相反,后者认为奖励可以减少努力或疲劳的感觉(Boksem et al., 2006; Boksem & Tops, 2008; Dobryakova et al., 2013; 2018)。此外,尽管先前的心理和神经认知理论为疲劳和努力感知的影响提供了有用的见解,但它们没有进行计算上的形式化。通过使用计算建模,我们证明了疲劳和努力感觉会随着可恢复和不可恢复成分的动态变化而变化。此前,同样的模型已被提出作为动机和愿意付出努力的计算解释,说明它们可能受到疲劳水平波动的影响(Matthews et al., 2023; Müller et al., 2021)。事实上,它已被证明可以预测基于努力的决策的波动,无论是体力还是脑力任务,并且与前额纹状体系统的活动有关(Matthews et al., 2023; Müller et al., 2021)。然而,当前的结果进一步揭示了人们实际上认为施加相同的力量更加费力,这是由于可恢复成分的波动和逐渐增加的不可恢复成分。综合这些发现,表明在即时基础上,疲劳会因努力而波动,这增加了对随后任务的努力程度的预测。因此,当人们决定是否愿意为奖励付出努力时,这种增加的努力感知可能会使他们在主观评估中认为它更加昂贵。因此,与之前相比,可能需要更高的奖励来促使人们付出努力。以往的研究经常认为疲劳可能只是随着任务时间的增加而发展。实际上,在认知心理学的许多研究中,试验次数被纳入分析以控制疲劳的影响。然而,我们的结果并不支持任务时间是疲劳的良好代理这一观点。它们表明疲劳是由于所付出的努力而在瞬间发展的。此外,与努力试验时间相匹配的休息试验并不会导致疲劳增加。这些差异可以归因于我们设计中的优势,包括定期采样主观评分、操纵任务中的多个努力水平,并保持每个人所需的努力低于其能力。这意味着我们可以测量非常短暂的努力或休息时刻的疲劳和努力感知的变化。这种方法的应用可能对未来的实验有用,以揭示关于疲劳、努力和动机的新的见解。在全身运动或各种认知任务中使用类似的方法可能特别有趣,以检查相似性和潜在差异,并更具体地测试大脑系统、神经递质和外围因素对努力和疲劳感知的贡献,以及区分例如执行努力的评分和感知努力的评分。例如,理论解释和实证证据表明,认知和体力任务中疲劳的机制和大脑系统可能是相似的,但也存在部分差异(Matthews et al., 2023; Müller et al., 2021; Müller & Apps, 2019)。最终,在一定强度和持续时间的体力任务中,来自身体的外围信号和大脑运动系统的活动模式可能会对努力评估、努力感觉和疲劳感以及相关的动机和表现下降产生更显著的影响(Carroll et al., 2017; Hogan et al., 2020; Hu et al., 2022; Kuppuswamy, 2017; Nybo & Secher, 2004; Tanaka & Watanabe, 2012)。先前的研究还指出,奖励可以减少疲劳水平或至少减少疲劳对表现的影响。这项工作表明,在进行一项要求高、令人疲劳的任务后,提供显著的奖励,参与者的表现会更好。这被解释为疲劳的影响较小(Boksem & Tops, 2008; Dobryakova et al., 2020)。然而,我们的结果表明,当人们知道他们的行动有奖励时,奖励会增加疲劳感或努力感知,但当他们不知道奖励时则没有这种效果。如何解释这些关于奖励、感知努力和感知疲劳之间关系的结果呢?我们的结果表明,至少在本文所述的体力任务中,有两个因素在起作用。首先,当有更高的奖励时,如果参与者知道这一点,他们实际上会变得更加有动力,并增加行动的力度,也许是为了提高成功的概率。这可能看起来像是疲劳的减少,因为任务的表现可能会改善。然而,实际上这增加了人们的疲劳感,并使他们认为事情更加费力。这与最近的研究一致,这些研究表明奖励可以调节行为,例如一个人的力度或准确性,即使超出了获得奖励所需的程度(Manohar et al., 2017; Oudiette et al., 2019; Shadmehr et al., 2019)。这表明当人们有动力执行某个行动时,他们的疲劳感觉和动机之间可能存在脱钩。因此,这些发现与最近的证据一致,表明人们在追求高回报的目标时有时非常愿意付出巨大的努力(Pisauro et al., 2024)。其次,当人们不知道行动的激励时,他们无法增加反应的力度,因此疲劳完全取决于他们所付出的努力。这导致他们在获得更高奖励后不会变得更加疲劳。关键的是,在实验3中,参与者在提供疲劳评分之前也被告知他们获得的奖励,但这并没有导致他们的疲劳评分发生变化。这提供了有力的证据,表明收到奖励并不会让人感到不那么疲劳,我们推测对于努力感知也是如此,鉴于这些实验中这些感觉之间的密切联系。高度疲劳和减少的努力意愿是许多神经和精神疾病中的常见症状,并且可能具有最严重的后果(Bigliassi, 2015; Chaudhuri & Behan, 2004; Lerdal et al., 2009; Ryan et al., 2007; Wessely, 2001)。到目前为止,现有的疲劳理论和实证解释通常将疲劳视为一种静态症状。尽管有用,但这忽略了关于疲劳如何从瞬间发展的关键信息。也就是说,患者在面对要求高的任务时,他们的症状发展方式可能有所不同。例如,最近的一项研究表明,帕金森病患者多巴胺水平的增加减少了他们的身体努力变化,并与患者对自身努力程度的回顾性评估的准确性提高有关(Padmanabhan et al., 2023)。本研究中使用的计算模型量化了每个人对定义疲劳可恢复和不可恢复成分发展的三个参数的敏感性,可能有助于更好地理解患者群体中的严重疲劳水平。具体来说,这项工作为使用基于计算的精神病学方法来理解疲劳感觉提供了依据。我们研究的一个局限性是,一小部分参与者在研究过程中确实感到极度疲劳,以至于他们在评分量表上给出了最高评分。当然,在使用此类评分量表时,这是一个常见的挑战。尽管我们的关键结果没有受到这种影响,但它确实影响了我们解释一些潜在有趣效应的能力。实际上,线性混合效应模型表明,努力(以及可能的休息)对疲劳评分的影响在任务过程中略有下降。然而,如果参与者达到了量表的最高点,尤其是当他们随着疲劳而稍微减少努力时,这是可以预期的结果。因此,未来的研究可以尝试优化这些测量指标,以测试疲劳是否确实会增强每次努力对后续疲劳评分的影响,或者在多次试验中这种影响是否会减弱。结论我们表明,在体力活动过程中,对努力的感知和疲劳感会时刻动态变化。一个之前在研究动机时得到验证的疲劳计算模型能够捕捉到这些主观感受的波动。研究结果表明,疲劳和对努力的感知是由两个潜在的组成部分驱动的:一个是不可恢复的成分,它会随着努力的增加而逐渐累积;另一个是可恢复的成分,它会随着努力的增加而增加,但随着休息而减少。这些结果展示了努力和疲劳感知的计算动态特性,并强调了它们之间的紧密联系。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号