一、摘要
好奇心是人类发展的重要动力。此研究使用静息状态功能磁共振成像(FMRI)数据(n=)和基于默认网络(DMN)、额顶任务控制网络(FPN)和显著网络(SN)之间及其内部功能连接的交叉验证预测框架来探索这些与好奇心之间的关系。研究者发现，由DMN、FPN和SN中的功能联系组成的好奇心网络能够成功地预测好奇心，而前额叶皮质(PFC)内及其节点与角回(AG)之间的功能联系对预测作用更显著。更重要的是，尽管好奇心一直被认为是学习的主要内在动机，自我效能感(个体对自己能力的信心)是影响学习动机的主要因素，但很少有研究探讨两者之间的关系。因此，研究者推测，好奇心大脑网络和好奇心之间的关系可能也与自我效能感有关。此研究以好奇心网络强度为中介变量，探讨自我效能感与好奇心之间的关系。结果表明，好奇心大脑网络的强度在自我效能感和好奇心得分之间起中介作用。研究结果表明，自我效能感在形成个体的特质好奇心方面起着重要作用，并扩大了对好奇心的神经机制的理解。
二、引言
好奇心代表对新的和未知的信息的渴望，或者是探索新的和不确定的环境的基本动机(W.H.Maw,E.W.,)。它鼓励人们不断学习、探索和成长。研究人员通常通过设置特定任务来研究状态好奇心(H.Day,R.,)。然而，一些具有高度特质好奇心的人可能不会在特定的任务中表现出来，而是在更广泛的生活中表现出来。因此，从个体差异的角度来研究好奇心是很有意义的。
认知神经科学称，大多数认知任务不是由一个单一的大脑区域完成的，而是由一组大脑区域共同作用，形成大规模的网络（X.Liang，Q.Zou，Y.He，Y.Yang，）。许多研究集中在三个主要的大脑网络内部和之间的相互作用：默认模式网络(DMN)、额顶任务控制网络(FPN)和显著网络(SN)。
虽然好奇心一直被认为是学习的主要内部动机，但很少有研究从这一角度探讨好奇心的影响因素（J.Litman，）。影响学习动机的因素很多，其中最重要的是自我效能感(B.J.Zimmerman,)。好奇心的本质是一个解决知识匮乏挑战的过程。自我效能感较强的人可能更有动力面对知识匮乏带来的挑战，因此更容易采取行动探索新情况。虽然之前的研究探索了好奇心的大脑机制，但大多数研究都集中在特定的大脑区域，很少有人从大规模网络的角度来探索功能连接和好奇心之间的关系（T.C.Blanchard,B.Y.Hayden,E.S.Bromberg-Marti，）。因此，在本研究中，假设由DMN、PFN和SN之间及其内部的功能连接组成的大脑网络与好奇心有关。此外，本研究还考察了自我效能感与好奇心、脑网络和好奇心的关系。本研究首次对好奇心进行了大规模的脑网络分析，拓宽了脑机制的研究视角，探索了自我效能感与好奇心之间的关系，为提高个体的好奇心提供了参考。
三、方法
3.1被试
样本来自西南大学名被试(名女性，平均年龄20.07岁，SD=1.27)。这个样本被用来建立好奇心网络。由于部分受试者缺乏积极和消极情绪量表数据，最终只有名受试者(名女性，平均年龄20.03岁，SD=1.29)参与了中介效应的分析。所有被试都是右撇子，视力正常或矫正，没有神经疾病、认知障碍或影响中枢神经系统的药物史。
3.2行为评估
使用WCAT的好奇心维度来衡量好奇心。使用Schwarzer开发的一般自我效能量表(GSES)评估自我效能感。
3.3fmri数据采集
所有静息状态的fMRI数据都在西南大学脑成像中心使用3TTrio扫描仪(德国Erlangen的西门子医疗公司)收集。在扫描过程中，被试被要求闭上眼睛但保持清醒。采用梯度回波平面成像序列共获得个体积：重复时间=ms；层厚=32；回波时间=30ms；厚度=3mm；分辨率矩阵=64×64；翻转角=90°；视野=×mm2；层间距=1mm；体素大小=3.4×3.4×4mm3。
3.4数据处理
使用SPM8(软件对所有fMRI数据进行分析。UK/SPM)和静息状态功能磁共振数据处理助理(DPARSF)。放弃了前十次EPI扫描，以抑制平衡效应。
3.5功能网络建设
为了构建连接网络，使用了Power定义的个功能节点模板。为了控制信号质量，排除了信噪比(SNR，磁共振信号随时间的体素平均值除以时间序列的标准差)低于平均值的两个标准差的14个节点。为了将重点放在DMN、PFN和SN上，留下了属于这3个网络的97个节点来构建功能网络。提取了97个区域的平均时间序列。然后，对于每个受试者，计算所有区域中粗体信号对之间的皮尔逊相关性，以反映这些区域之间的功能连通性，得到由每个被试的个功能连通性组成的97×97相关矩阵。
3.6用脑连接组预测好奇心
首先，将好奇心分数的一个向量与每个被试的功能连通性矩阵中的每条边关联起来。保留p值小于0.05(P0.05)和r值大于0(r0)的边缘为正相关功能连通性。将正相关的功能连接强度之和定义为网络强度。其次，采用留一交叉验证法对好奇心得分进行预测。在每个循环中，根据n-1个被试的连通性矩阵和好奇心得分计算网络强度，然后将其输入线性回归模型进行预测。对于测试集的其余部分，预测的好奇心分数与实际的好奇心分数之间的相关系数代表了预测力。最后，研究者挑选出所有循环中选择的正相关边作为最终的好奇心网络。好奇心网络的本质是一组与好奇心得分呈线性正相关的功能连接性。注意，特征选择(即，保留网络边)发生在留一环中，因此网络和模型在每次迭代中都不同(图1)。
图13.7排列分析
进行了非参数排列分析，以确定预测结果是否显著好于随机结果。随机地对受试者的好奇心分数进行了次调整，并对每一次排序运行了预测管道。然后，基于零分布，通过计算排列后的值大于或等于真实相关值的次数，然后除以来获得p值。
3.8调节分析
使用中介测验来检验好奇心网络强度是否在自我效能感和好奇心得分之间起中介作用。调解分析是使用为SPSS设计的间接宏观进行的。自我效能感被定义为自变量，好奇心网络强度被定义为中介变量，好奇心得分被定义为因变量。
四、结果
4.1行为结果
采用皮尔逊相关分析探讨好奇心与自我效能感之间的关系。结果表明，好奇心与自我效能感呈显著正相关(r=0.，p0.)。
4.2三种功能网络与特质好奇心的关系
采用了留一法交叉验证分析来预测好奇心。计算最优预测模型预测的好奇心分数与实际好奇心分数之间的相关系数来表示预测力。研究者发现，这三个网络显著预测了好奇心(r=0.21，P0.)(图2A)，次排列结果的p值为0.。
图2A4.3好奇心网络
挑选出在所有循环中选择的正相关边作为最终的好奇心预测网络(图2B)。好奇心网络在默认网络内以及DMN与PFN和SN之间显示出更密集的功能连接。具体来说，PFC内(BA8、9、10)以及PFC和AG(BA39)节点之间的功能连接对预测做出了更大的贡献(图3A和B)。
图3A-B4.4调节分析结果
在中介分析中，以自我效能感为自变量，以好奇心网络的功能联系之和为中介变量，以好奇心得分为因变量进行中介分析。自我效能感对好奇心得分有显著的直接影响(P0.)，自我效能感对好奇心网络的功能连接强度有显著的直接影响(P0.)，对好奇心网络的功能连接强度有显著的直接影响(P0.)。对好奇心网络的功能连接强度也有显著的间接影响(P0.)。在95%的可信区间内，中介测验的结果不包括0(LLCI=0.ULCI=0.)，表明好奇心网络强度的显著间接效应(表1和图4)。
表1图4五、讨论
这项研究中，交叉验证被用来证明DMN、PFN和SN内部和之间的功能联系可以预测好奇心。在这三个网络中发现了一个特定的好奇心网络。这个特定的好奇心网络显示了PFC内部以及PFC和AG的节点之间的密集功能连接。然后，研究者计算了好奇心网络强度，并进行了中介测试，证明了好奇心网络强度在自我效能感和好奇心得分之间起中介作用。这些结果表明，自我效能感可能在个体特质好奇心的形成中起着重要作用。
研究者证实，PFC对特质好奇心的预测有贡献。PFC和AG之间的功能连接也有助于形成好奇心网络。行为分析结果显示，自我效能感与好奇心呈显著正相关。
关于这项研究，有两个局限性需要注意。首先，研究者的数据样本都是大学生，这是一个高智商和高教育水平的群体，这可能会影响结果的有效性，这不能推广到大多数人。其次，本研究的中介分析结果只能基于大脑中的自我效能感和好奇心来确定，而不能准确地确定大脑皮质的确切位置。此外，无法确定因果关系。因此，未来的研究应该采用更多的方法来进一步确定自我效能、大脑和好奇心之间的关系。
六、总结
本研究首次从大规模脑网络功能连通性的角度探讨了好奇心的脑机制。结果表明，由DMN、PFN和SN组成的大规模脑网络能够显著预测好奇心，为研究好奇心的脑机制拓宽了视野，证实了好奇心不仅与奖赏环路有关，还与与多种认知功能相关的脑区有关。本研究探讨了自我效能感与好奇心之间的关系，证明了自我效能感在个体特质好奇心的形成中可能起着重要作用。因此，帮助儿童和青少年发展自我效能感可能会增强他们的特质好奇心，增加他们的探索和学习行为。
参考文献
Li,Y.,Huo,T.,Zhuang,K.,Qiu,J.().Functionalconnectivitymediatestherelationshipbetweenself-efficacyandcuriosity.NeuroscienceLetters,,.
-END-
作者｜解小苇
排版｜惠一
图片｜源自网络
审核｜吕科震朱新磊周童童
预览时标签不可点收录于合集#个上一篇下一篇