Journal Club | 心智化脑区和前扣带皮层在教学过程中对学习者信念的表征

教学让人们能够传授知识和技能，但目前关于教师决定传递什么信息的神经基础我们还知之甚少。在本次journal club介绍的一项预印研究中，被试在fMRI扫描的任务中扮演老师的角色，完成指导学生进行选择的任务，以此来探究人类在教学时选择传递信息的特征及此过程中的神经机制。

请想象你和一位经验丰富的采菌人在森林里寻找羊肚菌。采菌人在教你辨认的过程中，他不会逐一指出你身边的蘑菇是不是羊肚菌。相反，采菌人会告诉你羊肚菌的特征来教你辨认，如菌盖顶部有独特的蜂窝形状（如上图所示）。

人类教学之所以十分高效，是因为可以通过少数范例有效传递抽象的、可概括的概念并会首先教授对学习者有用的知识，而非将自己知道的所有信息全盘托出。基于此，高效的教学首先要在付出与收益间进行平衡，其次还需推测他人能从中学到什么，这个过程高度依赖于心智化（mentalizing）过程。

在这个预印版的研究中，研究者希望能找到人们在决定教授什么知识时，追踪学习者对目标概念的信念的特定领域的神经表征。作者假设学习者的信念会表征在与社会认知相关的脑区中。首先一个可能的脑区或者脑网络是心智化网络 (mentalizing network)，另一个可能的脑区是前部扣带回 (anterior cingulate cortex gyrus, ACCg)。

该研究分为核磁下的教学者任务与非核磁下的学习者任务两部分。

核磁下任务（Scanner task）

图1 实验材料示例，ABCD分别是四个选项。

实验要求被试扮演“老师”的角色;他们的任务是提供范例帮助其他的被试(“学习者”)解决抽象的多项选择题。每道选择题都有4个选项。如图1所示，在“老师”的显示屏上，正确答案（A）用金色边框标出。

图2 被试进行选择的画面

首先，被试需要在正确答案的图形（图2浅灰色部分）中选择一个网格作为范例。每次实验开始时，光标会随机出现在屏幕的四个角落之一，被试需移动光标进行选择，当处于深灰色无效位置时光标呈红色，当移至浅灰色区域时光标呈蓝色（如图2）。每一题被试最多能给学习者提供三个范例。

图3 呈现给学习者的画面，上半部分为四个选项，下半部分为范例

其次，在选择完每一个范例后，会向被试展示之后给学习者呈现的画面，包括题目和他们给出的范例（如图3）。

最后，要求被试评估学习者根据他们目前提供的范例正确回答问题的可能性， 评估采用5点评分，其中1表示学习者“没有机会”答对问题，5表示学习者“肯定”答对问题。

被试每轮测试为4个问题的提供范例，共进行10轮测试，总共40个问题。

学习者任务（learner task）

图4 学习者完成的题目示例

该任务的被试扮演“学习者”的角色;他们的任务是根据老师在扫描任务中提供的范例，推断出四张图片中哪一张是正确答案（如图4）。每位学习者要回答40道选择题。

教学者们的范例逐一呈现在屏幕上半部分。在下半部分，向学习者展示了问题的四个选项。学习者被告知共有100个“赌注”可分配在四个选项，每次“下注”后，被试都会得到一笔奖金，奖金与他们在正确答案上“赌注”的成正比。

每个问题会按照教学者选择范例的顺序分开呈现，每呈现一个范例后，会提示被试再次分配“赌注”。

计算模型（computational modeling）

研究者定义了三个不同系列的模型，他们的区别在于教师选择范例时是如何考虑学习者信念的。研究者提出了三个可能的模型：

第一个为pedagogical learner model。该模型假定教师和学习者是相互推理的，即教师会选择使学习者最大限度地相信目标概念的范例，而学习者也会努力推断教师要向他们传递什么信息。

第二个模型为literal learner model。该模型假定学习者的信念在与提供的范例一致的选项中是均匀分布，即说话者的信息，对于从字面上理解这些信息的听众最有价值。

最后研究者选择一个belief-free model作为基线，该模型不考虑学习者的信念。

同时研究者还考虑了教师移动光标的成本（交流成本）和教师的特异性偏好两个因素，构建出以下模型：

图5 上半部分为研究者构建的模型，下半部分图形为图1所示正确答案中每个网格在不同条件下被选择的可能性，网格的亮度越高，网格的价值/效用越高。

研究者又将每种模型分为四个不同的变式：

（1）  包含学习者信念、教师的移动成本、教师的偏好三个因素；

（2）  模型中教师的移动成本系数设为0；

（3）  模型中教师的偏好设为0；

（4）  模型中教师的移动成本和偏好的系数均设为0。

因此研究者共提出12个模型进行比较。

行为结果

   核磁下任务（Scanner task）

图6 左图为网格被选中的概率；右图为呈现不同个数范例时，被试对学习者能否学会的评分

图6展示了在图1问题中不同网格被选中成为范例的概率，以及随着呈现范例个数增加时，被试就更相信学习者能选择正确的选项。

 学习者任务

图7 左图为呈现不同个数范例时学习者在正确答案上的“赌注”比例；右图为在呈现相同个数范例时教师对学习者正确回答的可能性和学生在正确答案上“赌注”比例间的关系

结果显示当提供的范例越多时，学习者押在正确答案上的“赌注”也越多，即提供的范例越多，学习者答对的可能性也越大。

同时，教师对学习者正确回答的可能性和学习者对正确答案的信念之间有着密切的关系，即教师能准确地预测学习者的学习情况（如图7）。

  模型比较

图8 模型比较的结果，literal learner model胜出

如图8所示，最后胜出的是字面学习者模型（literal learner models），并且在教学过程中，教师会综合考虑教师的偏好，教师的移动成本以及对学习者的信息价值三个因素，从而决定教授的范例。

fMRI结果

研究者研究了两组感兴趣的脑区（心智化网络和前扣带回），这些脑区被认为在加工社会信息中有着重要的作用。fMRI结果证明心智化网络，前扣带回参与了教师追踪学习者信念的过程（图9）。相对而言，这些脑区在追踪学习者信念更新的过程中贡献较少。

图9 fMRI结果。(a)前扣带回（黑色）和有代表性的参与者的心智化网络中的功能区域（其余颜色）；(b)呈现不同个数范例后，学习者对正确答案的信念的波动。（其中A为正确选项）；(c)-（d)基于模型的ROI和全脑激活结果；（e）-(f)基于学习者反应的ROI和全脑激活结果。

该研究证明了教师在决定教授什么知识时，不仅考虑了信息对于学习者的价值，同时也平衡了自身的成本与偏好，并且教师倾向采用更简单的交流模型，即选择从字面上理解能传递最多信息的范例。实验也提供了心智化网络和前扣带回参与教学过程中追踪学习者信念的有力证据，为理解人类大脑中支持教学能力的神经机制提供了证据。