A023 Curr Biol | 视觉研究发现：学习曲线越平滑，个体越可能越在跳变
来源：公众号 PSY-Brain_Frontier ｜ 发布：2026-05-15 ｜ 原文链接
认知神经科学前沿文献分享
基本信息
Title: An Aha moment precedes the strategic response to a visuomotor rotation
发表时间: 2026-05-05
发表期刊: Current Biology
影响因子: 7.5
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
研究背景
视觉运动旋转（visuomotor rotation, VMR）任务要求人根据被偏转的视觉反馈调整动作。传统上，这种策略性调整常被看作一个逐步减小误差的过程，或者靠试错来摸索有效动作
但群体平均的学习曲线可能掩盖了个体层面不连续的变化。本文关注策略性瞄准，想弄清楚补偿策略是在误差积累中慢慢形成的，还是在某个时刻以“Aha moment”的方式突然冒出来的
实验设计与方法逻辑
作者做了一个“炮弹瞄准游戏”（Cannon Game），参与者用键盘旋转炮筒来射击目标，反馈方向被人为旋转过。这样设计是为了尽量把策略性瞄准隔离开，减少隐性运动适应的干扰
之后加入自动校正模块，让任务更接近 VMR 中隐性适应和显性瞄准一起作用的情形，并比较了单目标、八目标和不同旋转角度。研究用变点检测（changepoint detection）来定位每个人的“Aha”时刻，再把嵌入隐马尔可夫模型（hidden Markov model, HMM）的“Aha”模型跟状态空间模型（state-space model, SSM）、Q-learning 模型做对比，看哪种框架更能解释个体行为
核心发现
发现一：个体策略常在单试次附近突然转变
按算法识别的“Aha”时刻重新对齐后，很多人在转变前瞄准还接近基线，转变后瞄准幅度突然跳到接近补偿所需的量级。转变后并不是每次都立刻正确，仍然可能出现符号翻转或短暂回退
Fig. 3 和 Fig. 4 展示了 Aha 前后的轨迹、瞄准变异性和误差校正率。这些结果说明，转变前缺少明显的探索或误差校正迹象
发现二：Aha 模型优于逐步学习和单纯试错解释
模型比较中，嵌入 HMM 的 Aha 模型在多数参与者上拿到了更优的 BIC 拟合，并且能再现基线坚持、突然转变、符号翻转和短暂回退这些模式。SSM 很难产生这类离散变化
Fig. 5 比较了 SSM、Q-learning 与 Aha 模型。结果提示，离散状态转变比单一平滑更新更贴合本文数据
Aha 模型不仅个体数据拟合更好，它的预测分布整体上也更接近人类的瞄准分布，还能在群体层面再现符号翻转、回退等特征。SSM 和 Q-learning 模型很难捕捉到这些模式
省流总结
这篇 Current Biology 论文认为，VMR 任务中的显性策略调整往往不是连续微调，而是在一段基线坚持之后，发生行为层面的“Aha”式转变。结论基于行为变点和模型拟合，并不等同于直接测量主观顿悟或神经机制
分享人：天天
审核：PsyBrain 脑心前沿编辑部
💡 关于我们
👋 你好，这里是「PsyBrain 脑心前沿」
🧠 专注追踪全球认知神经科学的最尖端突破
🔍 视野直击 Nature, Science, Cell 正刊 及核心子刊与顶级大刊
📄 每日速递「深度解读」与「前沿快讯」
科研是一场探索未知的长跑，但你无需独行。欢迎加入 PsyBrain 学术社群，和一群懂你的同行，共同丈量脑与心智的无垠前沿。
👇点击卡片进群，欢迎你的到来👇
一键关注，点亮星标 ⭐ 前沿不走丢！
一键分享，让更多人了解前沿
预览时标签不可点
阅读原文
不喜欢
微信扫一扫
关注该公众号
知道了
微信扫一扫
使用小程序
取消 允许
取消 允许
取消 允许
× 分析
微信扫一扫可打开此内容，
使用完整服务