PsyBrain 脑心前沿 / 感知觉与注意：顶刊文献解读专题 / A · 文献解读 / A001 · NHB你的眼睛爱看脸和文字？你的腹侧颞皮层早就'偏心'好

A001 NHB | 你的眼睛爱看脸和文字？你的腹侧颞皮层早就'偏心'好了

来源：公众号 PSY-Brain_Frontier ｜发布：2026-07-17 ｜原文链接

认知神经科学前沿文献分享

基本信息

Title: Active vision is linked to category selectivity in the individual brain

发表时间: 2026-07-07

发表期刊:Nature Human Behaviour

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“阅读原文”跳转论文网页

引言

视觉从来不是被动的图像接收。看同一张复杂场景照片，不同人的视线会落在非常不同的位置：有人盯脸，有人扫文字，而且这种个体差异在跨图像、跨时间上都高度稳定，效应量相当大。在de Haas等人之前的工作里已经报告过，有些人首次注视落在脸上的比例最高可达最低者的两倍以上（Fig. 1a）。

问题在于，这种稳定的"眼动偏好"是否对应着视觉系统内部的表征差异。面孔和文字在ventral temporal cortex（VTC）里都有专门化区域，分别为右梭状回面孔区（rFFA）和左侧视觉词形区（lVWFA），但这些区域在不同个体中的面积和调谐强度差异很大。一种直观的猜测是：眼睛爱看什么，恰好反映了大脑"擅长"编码什么；反过来，类别的表征独特性（distinctiveness）又可能塑造视觉饮食习惯。

这项工作由Kollenda等人完成，核心目标正是把这条假设放到成年个体身上做直接检验。研究者先用独立session的眼动记录量化每个被试对脸、文字的注视偏好，再用独立session的fMRI局部定位任务量化他们在VTC中的面孔/文字表征强度，最后把二者放在一起做跨被试相关。中间还插入了一个额外的视觉搜索注意实验，用以排除"高注意水平"作为混淆中介的可能。

更进一步，论文并不只停留在"眼动-神经"配对，还把表征独特性、rFFA/lVWFA的个体面积以及面孔识别（CFMT）、阅读速度（SLRT-2）成绩一起纳入，形成了一条相当完整的"注视偏好—神经表征—行为表现"三角关系链条。

实验设计与方法逻辑

整项研究的设计围绕"分离测量、跨session相关"的原则展开，核心目标是避免眼动和神经活动在同一任务中相互污染。

第一步是眼动量化。102名被试在独立session里完成自由观看任务，对700张OSIE复杂场景图做3秒自由浏览，研究者记录每个被试落在脸部与文字像素掩膜上的首次注视比例与累积注视时间（dwell time）。第二步是fMRI表征量化。61名被试在独立session内接受标准fLoc局部定位扫描，六类刺激以block方式呈现，要求中央注视，被试只看脸、文字、房子、汽车、肢体、无头身体并完成oddball按键任务。研究者基于每位被试侧VTC的解剖ROI计算multivoxel pattern，并由此计算面孔/文字的representational distinctiveness。第三步是单变量ROI量化。基于组水平rFFA与lVWFA parcel，使用GSS方法计算个体特异的激活体积。此外，研究者还在60名新被试上做了双任务注意实验，量化面孔/文字block对次级任务（blob detection）的干扰差异，用以测试"持续高注意水平"是否中介眼动-神经关联。

核心发现

发现一：成年人的注视偏好高度稳定，且脸与文字之间存在强烈竞争性互抑

分析首先在102名被试上重复了de Haas等人在PNAS 2019里的核心结论：每个人首次注视落在脸或文字上的比例在奇偶图集之间显示出极高的split-half reliability（Fig. 1a-b），面孔first fixation r(100) = 0.93, P < 0.001；面孔dwell time r(100) = 0.95, P < 0.001；文字first fixation r(100) = 0.87, P < 0.001；文字dwell time r(100) = 0.88, P < 0.001。最大/最小比值在文字首注视上达到4.71倍，面孔首注视上也达到2.04倍。

Figure 1. Consistent gaze tendencies towards faces and text in complex scenes

另一个关键点是脸与文字之间的强反相关：在同时含脸和文字的子集里（175/700张图），首次注视 r(100) = −0.50, P < 0.001，dwell time r(100) = −0.52, P < 0.001；而在仅含其一的中性子集里，反相关显著减弱（首注视 r(100) = −0.15, P = 0.136）。这说明两者之所以呈互抑，本质上来自竞争性注意分配，而不是彼此独立的生理偏好。

发现二：VTC中面孔/文字表征的独特性与个体注视偏好高度对应，且具有半球与类别特异性

在61人fMRI子样本中，研究者计算了每位被试左右侧lateral VTC的表征distinctiveness，定义为within-category相关减去平均between-category相关。然后把这些分数与同一批被试在独立session里得到的注视指标做相关。

主要结果非常清晰（Fig. 3a-b）：右侧lateral VTC的面孔distinctiveness与自由观看中对脸的首注视比例正相关，r(59) = 0.38, P = 0.003, 95% CI 0.15–0.56；左侧lateral VTC的文字distinctiveness与对文字的首注视比例正相关，r(59) = 0.44, P < 0.001, 95% CI 0.25–0.60。dwell time指标方向一致但效应略小（面孔r(59) = 0.30, P = 0.017；文字r(59) = 0.29, P = 0.023，均通过Bonferroni校正α = 0.025）。

Figure 3. Category distinctiveness in right and left lateral VTC is linked to gaze tendencies and behavioural performance

跨类别的交叉相关普遍不显著，比如左侧VTC文字distinctiveness与面孔注视之间的相关P均>0.22，符合类别特异性预期。一个值得留意的负向结果是，右侧VTC面孔distinctiveness反而与对文字的首注视比例呈负相关，r(59) = −0.36, P = 0.005，这与"面孔表征强的人更少优先看文字"一致。

发现三：rFFA与lVWFA的个体面积同时与注视偏好、表征独特性以及行为成绩挂钩

研究者进一步在单变量层面检验rFFA/lVWFA的功能性大小。基于组水平parcel计算每位被试通过P < 0.0001阈值的体素数后（Fig. 4a），他们发现个体rFFA大小与面孔首注视比例正相关，r(59) = 0.39, P = 0.002, 95% CI 0.17–0.58；个体lVWFA大小与文字首注视比例正相关，r(59) = 0.35, P = 0.006, 95% CI 0.15–0.54。同时，rFFA大小还与面孔distinctiveness正相关，r(59) = 0.55, P < 0.001，lVWFA大小与文字distinctiveness正相关，r(59) = 0.75, P < 0.001。

Figure 4. The relationship between the individual size of rFFA and lVWFA, gaze tendencies and behavioural performance

在行为层面（Fig. 4b-c），34人子样本里rFFA大小与CFMT成绩正相关，r(32) = 0.37, one-tailed P = 0.014, 95% CI 0.09–0.60；25人子样本里lVWFA大小与SLRT-2假词阅读速度正相关但未达显著，r(23) = 0.32, one-tailed P = 0.060，作者认为这与小样本下统计力不足有关。这些结果与Furl等人在J Cogn Neurosci 2011以及Dehaene等人在Science 2010里的发现方向一致。

发现四：注意竞争实验排除了"持续高类别注意"作为眼动-神经关联的中介机制

最后一项分析用于排他。作者在60名新被试上设计了双任务范式：被试在完成与fMRI局部定位任务完全相同的face/pseudoword block的同时，还要在角落监测一个mid-grey blob的出现。如果"持续高类别注意"是中介，那么对面孔/文字有更强注意偏好的个体，在对应类别的block里应当表现出更强的注意竞争（即次级任务表现下降），并且这一差异应当与自由观看里的注视偏好相关。

结果显示，被试在面孔block与文字block之间的次级任务表现差异确实稳定（face-block advantage M = 11.7%, split-half r(58) = 0.81, P < 0.001），但这个差异与自由观看中的注视偏好完全不相关：面孔注视与次级任务差异的r(58) = −0.03, P = 0.814, BF10 = 0.17；文字注视与次级任务差异的r(58) = −0.01, P = 0.951, BF10 = 0.16。Bayes因子均明显偏向null假设，说明"持续性类别特异性注意"难以解释fMRI局部定位任务里观察到的眼动-神经关联。

图10

Figure 2. Multivariate pattern responses of individual participants in right and left lateral VTC

图11

归纳总结和点评

把整篇论文的数据合并起来看，可以提炼出三条主线结论。第一，成年人对脸和文字的自由注视偏好高度稳定，并在同一视野中互相竞争（Fig. 1）。第二，这种稳定偏好与VTC里对应类别的multivariate distinctiveness以及单变量ROI面积（rFFA、lVWFA）都显著正相关（Fig. 3、Fig. 4），而且表征独特性还进一步预测面孔识别与阅读速度。第三，专门设计的注意竞争实验（Fig. 5相关分析）支持这一关联并不是由持久性类别特异性注意水平中介的。

从研究价值上看，这项工作的贡献有两个层面。理论层面，它把"眼动-神经-行为"三角放到成年个体水平上做了直接定量挂钩，并提示注视选择与表征资源之间可能存在双向、互相强化的发育关系，与active inference理论框架的方向一致。方法层面，它示范了如何用分离session、独立任务、双任务控制和Bayes因子，把多个可能的混淆机制（持续性注意、oddball表现、性别等）逐一排除。

需要做的克制评价也有几点。其一，眼动-行为相关在文字阅读上并不稳健：fMRI子样本中显著，但在扩展样本（N = 65）中消失，作者自己也承认目前不能下强结论。其二，文章用的样本高度同质（大学生），这种"高度同质样本里仍能看到1.3–1.5倍的神经差异"，提示在更异质人群中效应可能更大，但也可能引入新的混杂。其三，相关设计无法在因果层面回答"究竟是表征驱动眼动，还是眼动塑造表征"；作者援引了灵长类face-deprivation与人类阅读习得的纵向证据，倾向于双向、长期互塑，但仍需多模态纵向研究来验证。

总体而言，这是一篇把"个体差异"从眼动层面贯穿到神经表征、最终到行为表现的高质量研究。它最打动人的地方不在于任何一个单独的相关系数，而在于跨方法、跨任务、跨样本量的整套证据链所指向的同一结论：成年人的眼睛，会优先落在他们大脑最容易"看清楚"的东西上。

···

图12