《COGNITIVE, AFFECTIVE & BEHAVIORAL NEUROSCIENCE》:Mood modulations of emotional word processing: A predictive perspective view of EEG data
编辑推荐:
情绪是一种弥漫的情感状态,影响包括语言加工在内的认知功能,在此中情绪作为语用语境的一部分发挥作用。当语言表达带有情感效价时,情绪可能放大或减弱其感知的情感性质。受情绪与效价交互的时间进程和性质方面不一致研究结果的驱动,研究人员开展了一项EEG研究,以探究诱导的
情绪是一种弥漫的情感状态,影响包括语言加工在内的认知功能,在此中情绪作为语用语境的一部分发挥作用。当语言表达带有情感效价时,情绪可能放大或减弱其感知的情感性质。受情绪与效价交互的时间进程和性质方面不一致研究结果的驱动,研究人员开展了一项EEG研究,以探究诱导的情绪是否改变情感词加工的时间轮廓。参与者在控制条件以及积极和消极情绪诱导后,对高效价、低效价和中性效价词进行评分。采用基于簇的置换检验(cluster-based permutation tests)在三个早期加工窗口分析事件相关电位(event-related potentials, ERPs)。结果显示,情绪调节了早期神经活动:在积极情绪下,高效价词比控制条件减小了N1振幅,反映了减小的预测误差(prediction error)。在随后的P2和EPN窗口,高效价和中性效价词的振幅减小,表明在情绪一致预期下模型更新(model updating)的需求降低。相反,消极情绪产生了较弱且较晚的影响。行为反应验证了这些发现,效价词的反应时更快。在预测编码(predictive coding)框架内,情绪可理解为塑造精度权重(precision weighting)和误差动态的超先验(hyperprior)。研究结果表明,诱导的积极情绪促进一致词加工并扩大被视为可预测的输入范围,而诱导的消极情绪主要减少积极情感。这些发现强调了情绪通过调节预测误差和模型更新动态调谐早期语言加工的作用。
本研究探讨情绪与效价在视觉词加工中的时间动态交互,基于预测编码(predictive coding)框架提出情绪作为超先验(hyperprior)调节预测误差(prediction error)与模型更新(model updating)。研究背景方面,情绪作为弥漫性情感状态影响认知,尤其在语言加工中作为语用语境的一部分。当语言表达带有情感效价(valence)时,情绪可能放大或减弱其感知的情感性质。然而,关于情绪与效价交互的时间进程和性质,已有研究结果不一致:部分研究在积极情绪下观察到情绪一致性效应,但消极情绪下的效应较弱或晚发,且对早期ERP(事件相关电位)组件(如P1、N1)的调制结论尚存争议。传统社会认知模型认为积极情绪促进自上而下加工,消极情绪促进自下而上加工,但缺乏对神经计算机制的阐明。预测编码模型将情绪视为调节先验(prior)与感觉证据间平衡的高阶参数,但缺乏直接电生理证据。为此,研究人员开展了EEG研究,探究诱导情绪是否改变情感词加工的时间轮廓,并验证情绪作为超先验的假设。该论文发表在《COGNITIVE, AFFECTIVE 》。
研究人员采用22名右利手英语母语者(13名女性,平均年龄29.8岁),通过国际情感图片系统(International Affective Picture System, IAPS)进行积极和消极情绪诱导,以无诱导状态为控制条件。实验为被试内设计,参与者依次完成基线、积极或消极情绪(顺序平衡)条件下的情感判断任务(5点Likert效价评分),刺激为从Affective Norms for English Words(ANEW)选取的120个高效价、120个低效价和120个中性词。EEG数据使用62导电极帽记录,预处理后提取P1(80-130 ms)、N1(130-190 ms)和EPN(200-300 ms)窗口的ERP。统计分析采用基于簇的置换检验(cluster-based permutation tests)识别显著交互簇,随后用线性混合效应模型(linear mixed-effects model)对单试次数据建模,固定效应包括情绪(控制、积极、消极)×效价(中性、高效价、低效价)交互,随机效应为被试和项目截距及情绪斜率(不收敛时简化)。行为数据反应时(RT)采用相同模型分析。
研究结果如下:
**P1(80-130 ms)**:置换检验未发现情绪与效价的显著交互(p > .076),表明情绪在最早视觉加工阶段未影响效价辨别。
**N1(130-190 ms)**:在积极情绪下,高效价词比控制条件在右额区产生更负的波幅(p = .034)、在左中央顶区产生更正的正波(p = .007),表现为N1振幅减小(右额负性增强对应后部正性增强)。线性混合模型确认了该交互:积极情绪显著减小了高效价词的N1振幅,而低效价和中性词无显著变化。该效应反映预测误差降低——当输入与积极超先验一致时,系统对匹配词产生的惊讶减少。
**P2/EPN(200-300 ms)**:在积极情绪下,高效价词(p = .027)和中性词(p = .007)在左额区产生更负的波幅(P2左额正性减小),高效价词在左顶区产生更正的正波(p = .039)。消极情绪下中性词也出现类似后部负性减小模式。线性混合模型显示:积极情绪下高效价和中性词的左额正性显著低于控制,消极情绪下中性词后部负性减小。该结果表明模型更新需求降低——在情绪一致预期下,系统无需大幅修正内部模型;低效价词仍保持较大振幅,提示其与超先验不匹配,需更大误差纠正。
**行为数据**:效价主效应显著,高效价词(β = ?70.89 ms, p < .001)和低效价词(β = ?43.10 ms, p = .005)的反应时均快于中性词。情绪仅与低效价词交互:消极情绪下低效价词反应时进一步缩短(β = ?76.10 ms, p = .040)。行为结果与ERP一致,表明情绪主要通过调节早期神经处理而非后期决策影响加工速度。
讨论部分:从预测编码视角,情绪作为超先验(hyperprior)设定系统对输入可信度的预期。积极情绪下,高效价词匹配高精度的积极预期,导致N1反映的预测误差降低;随后P2和EPN反映的模型更新需求减小,甚至将中性词也纳入可预测范围。消极情绪下,系统预期环境不可控,注意力窄化到威胁一致性证据,故仅中性词(非威胁)被衰减,低效价词因匹配消极预期而维持振幅。传统社会认知模型解释为注意分配差异:积极情绪拓宽注意范围,消极情绪窄化注意至负面细节;预测编码框架则提供了统一的神经计算解释:情绪调节精度权重(precision weighting),决定哪些信号被视为可靠,从而影响误差检测(N1)与模型更新(P2/EPN)。行为数据中效价词普遍加快反应时,但情绪效应微弱,因延迟反应任务更多反映后期决策而非早期处理。
结论翻译:在这项探索性研究中,研究人员利用电生理测量研究了情绪与效价的交互。结果表明积极情绪以情绪一致的方式促进视觉词加工。从预测编码视角解释,数据显示积极情绪生成一个与中性情绪状态不同的内部模型,该模型对积极感觉输入有更高预期。N1振幅(表现为左顶负性和右额正性)在积极情绪下对高效价词比控制条件更低,表明与超先验一致词的预测误差减小。P2振幅(左额正性)在积极情绪下对高效价和中性词比控制条件更低,表明模型更新需求降低。这些发现支持将情绪视为调节生成模型和精度权重的超先验的理论框架。本研究增添了情感与认知相互关系的研究,促进了理解情绪在加工词汇情感内容(特别是情感输入总体)中的作用,并为通过预测编码视角看待视觉加工开辟了新视角。