Mischa von Krause，Stefan T. Radev，Andreas Voss
（Institute of Psychology, Heidelberg University, Heidelberg, Germany）
思维速度（Mental speed）是在复杂环境中做出及时反应的重要先决条件。老年人通常被认为比年轻人思维迟钝—这个观念在工作生活中产生了显著影响。在过去的几十年里，大量研究包括横断面研究和纵贯研究一直报道思维速度和年龄之间的负相关关系，而且这种近似线性的趋势始于20至30岁。思维速度早在青年和成年中期就下降的观点对人类认知的研究具有重要意义。此外，由于认知能力的发展模式与大脑的变化有关，研究这些模式也可以深入了解认知的神经生理学基础。
绝大多数关于年龄与思维速度的研究发现都依赖于将基本认知任务（例如，比较两个单词）中的平均响应时间（Response Times, RTs）作为信息处理基本速度的衡量标准。但是，这种方法有两个主要缺点。首先，单独使用平均RTs没有利用到经验RT分布中所包含的全部信息，而且忽略了从实验范式中也可以得到的准确性数据。其次，平均RTs远非纯粹的精神速度衡量标准，而是代表不同认知过程的总和。因此，平均RTs在多大程度上反映心理速度是值得商榷的。
为了避免对总体数据的依赖，认知的数据模型努力将观察到的行为分解为可解释和神经生理学上合理的参数。用于分析RT数据的最受观影的过程模型之一是扩散模型（Diffusion Model，DM）。通过使用DM，可以通过模型的漂移率参数获得基于模型的思维速度估计。然而，需要注意的是，漂移率并不反映信息处理的整个链条；相反，它们具体反映了证据积累的速度。在过去的二十年中，越来越多的关于各种实验环境中年龄差异的扩散建模研究已经发表。这些研究中的大多数在模型参数方面比较了年轻人组（20岁左右）和老年人组（60岁及以上）。
当前许多基于模型的研究都有两个严重的缺点且都与使用的样本有关。首先，在大多数研究中，样本量很小；其次，大多数研究只比较了两个年龄组，通常是大学生和60-75岁的老年人。综上所述，这两方面的缺陷严重限制了先前结果的可推广性。基于DM的研究中常见的样本量小有两个主要原因。首先，这类研究的数据收集工作很繁琐，因为长期以来，人们认为基于DM的研究需要每人进行大量的试验；其次，更重要的是，将DM与观察到的数据进行拟合在计算上是很昂贵的，特别是在采用基于抽样的贝叶斯估计方法时。
贝叶斯方法已成为认知建模中基于模型推理的黄金标准。贝叶斯方法允许对认知模型的参数以完全后验分布的形式进行原则性的不确定性量化，后验分布可用于提取可信度区间或执行后验预测以评估模型拟合的质量。然而，用于认知模型的标准贝叶斯方法的一个主要缺点是它们的计算速度慢，这使得它们不切实际，甚至不可能应用于数据丰富的上下文中。因此，在这项工作中，我们展示了深度学习框架的实用性，该框架旨在将基于模型的贝叶斯推理扩展到数百万个数据集。
综上，在这项研究中，研究人员应用贝叶斯扩散模型从原始RT数据中提取可解释的认知变量。研究人员将模型应用于来自120万参与者的横截面数据，以检查认知参数的年龄差异。为了有效地解析这个大型数据集，研究人员应用贝叶斯推理方法，使用专门的神经网络进行有效的参数估计。研究结果表明，RT减慢早在20岁时就开始了，但这种减慢归因于决策谨慎性（decision caution）的增加和非决策过程的减慢，而不是思维速度的差异。直到大约60岁以后才观察到思维速度减慢。这项研究挑战了关于年龄与思维速度之间关系的已有广泛观念。
资料来源：
根据Mischa von Krause等于2022年发表在Nature Human behaviour期刊题目为《Mental speed is high until age 60 as revealed by analysis of over a million participants》的文章缩写整理而成。
