近日，《iScience》在线刊发了张喜淋课题组的论文: Profiles of visual perceptual learning in feature space (https://doi.org/10.1016/j.isci.2024.109128)，该研究首次阐明了视觉知觉学习在特征空间的构形依赖其特征层级水平：低水平简单刺激（光栅朝向）的知觉学习呈现中央增强-周围抑制（类似墨西哥帽分布）的构形；高水平复杂刺激（面孔角度）的知觉学习呈现单调递减（类似高斯分布）的构形。
知觉学习是知觉系统适应外界环境一个典型现象，指经过数小时至数十小时的知觉训练可以引起个体显著的、长期的、稳定的知觉能力的提高。知觉学习的研究不仅可以反映知觉系统固有属性的可塑性，帮助我们理解知觉过程，且有助于揭示发育关键期之后的学习和记忆机制，同时对促进人类感知康复有重要意义。半个多世纪以来，知觉学习的核心问题是其特异性（specificity，训练条件的知觉能力提高）和迁移性（transfer，非训练条件的知觉能力提高），该问题的研究往往通过对比训练条件和非训练条件在学习前后进行反映。然而，前人研究并没有对特征空间中整个刺激的知觉能力变化模式进行考察，因此缺乏对知觉学习改变特征空间可塑性的全貌的理解及背后可能不同的计算机制的揭示。
在本研究中，张喜淋课题组让人类被试分别完成光栅朝向和面孔角度的阈限辨别任务。在两个任务中均系统性地控制了测试刺激与训练刺激在特征空间中的差异：Δ0°, Δ18°, Δ36°, Δ54°, Δ72°和Δ90°，并在学习前、学习中、学习后及学习一个月后分别测量其辨别阈限。结果发现，经过知觉训练后，光栅朝向的知觉学习在特征空间中呈现中央增强-周围抑制（类似墨西哥帽分布）的构形，即训练朝向（Δ0°）的辨别能力提高最大，相比于特征差异更大的训练刺激（Δ72°和Δ90°），Δ54°的测试刺激辨别能力出现抑制现象；面孔角度的知觉学习在特征空间中呈现随着特征差异增大（Δ0°到Δ90°）而单调递减的构形。随后，课题组训练了两个深度卷积神经网络模型（AlexNet-GOD 和 AlexNet-FVD）进行类似人类的光栅朝向和面孔角度的辨别阈限任务。结果发现，AlexNet-GOD涌现出中央增强-周围抑制构形；AlexNet-FVD涌现出单调递减构形，进一步从人工神经网络方面证实了依赖于特征层级水平的知觉学习构形。该研究的创新和科学意义在于不仅首次发现了依赖于特征层级水平的知觉学习构形，提出了相关的人工神经网络训练模型，且加深了学界对知觉学习特异性和迁移性之间关系及二者如何相互影响各种知觉学习理论的理解。
心理学院2023级博士研究生沈世琪、2021级硕士研究生孙玥玲、2020级博士研究生鲁嘉晨和2021级硕士研究生李楚同学为该论文共同第一作者，张喜淋教授为论文通讯作者，中山大学心理学系莫测副教授和北京大学心理与认知科学学院方方教授为论文合作者。华南师范大学为论文第一和通讯作者单位。该研究得到国家自然科学基金优青项目和面上项目的支持。
信息来源：华南师范大学心理学院