想象一下，你的大脑是一台性能超强的游戏机，每当你解开一个谜题时，这不仅仅是为了按下正确的按键来获得高分。这关乎于你“如何”去玩。在心理学领域，科学家们长期以来一直痴迷于“分数”——即你得到了多少个正确答案，或者你完成了多快。但就像只看游戏的重播而没有看到玩家的操作一样，单看分数并不能告诉你一个人是在使用聪明的捷径、靠运气瞎猜，还是在执行一个系统的计划。这就是研究“认知策略”的地方。把策略想象成一种秘密配方，或者是玩家用来通关某个关卡的特定玩法。有些玩家可能会随机乱按按键，而另一些玩家则可能会发现某种模式，比如“如果我先向左跳，再向右跳，然后再向左跳，我就总能找到宝藏”。理解这些隐藏的模式有助于我们了解大脑是如何组织信息的，尤其是当我们还很年轻、大脑仍在构建其最强大的电路时。
现在，想象一个经典的脑力测试，叫做“五点测试”。它就像是一个数字版的连点成线游戏，屏幕上有五个点，还有一个计时器在倒数。你的任务是通过连接这些点来画出尽可能多的独特形状。传统上，研究人员只是统计你画了多少个形状。但马斯特里赫特大学的一组研究人员决定观察得更仔细些。他们想知道：这些孩子是在随机绘画，还是在使用某些“秘密技巧”来让形状源源不断地产生？他们分析了4500多名青少年（大约15岁）玩这个游戏三分钟时的绘画过程。他们不仅统计形状的数量，还使用了一个聪明的计算机程序来识别“集群”——即学生显然在使用某种模式的绘画序列，比如像镜像一样翻转一个形状，或者像轮子一样旋转一个形状。
以下是他们的发现：这些青少年带来了许多惊喜。几乎每个人（96%）都在使用某种技巧来继续进行。最受欢迎的技巧是“镜像”，即学生画出一个形状，然后立即画出它的对称影像，就像照镜子一样。大约96%的学生至少做过一次这种操作。第二常见的技巧是“旋转”，即他们将一个形状旋转90度来创造一个新形状。大约72%的学生使用了这种方法。有趣的是，使用这些技巧的学生——尤其是使用镜像和旋转技巧的学生——往往比那些不使用技巧的学生得分更高。这就像是发现那些使用了特定连招动作的玩家才是达到最高等级的人。
研究人员还发现，游戏的时长非常重要。当他们只观察游戏的第一分钟时，使用这些复杂技巧的学生较少。但随着时间流逝，接近完整的三分钟时，开始使用这些策略的学生变多了。这似乎表明，当那些容易的、“现成的”形状用完后，大脑会切换到“策略模式”，以保持创造力的流动。这项研究表明，虽然有些学生可能是偶然发现了这些模式，但那些能持续使用这些模式的学生往往表现更好。不过，作者也谨慎地指出，他们不能百分之百确定每个学生是“有意计划”了这些动作，还是有些只是碰巧画出了它们。他们也无法得知一名学生是“左撇子”还是“右撇子”，而这可能会影响他们是更倾向于顺时针还是逆时针旋转形状。
最后，这项研究就像是升级了游戏重播中的摄像机。我们不再仅仅看到最终的分数，我们现在可以看到玩家的操作、他们的模式以及他们独特的风格。研究人员发现，使用镜像和旋转形状等策略是青少年应对这些谜题的一种常见且有效的方式。这表明，当我们衡量一个人的聪明程度时，我们不应该只计算答案的数量；我们还应该观察他们找到答案的巧妙方式。这种看待游戏的新方式可以帮助教师和科学家理解年轻人的思维方式和解决问题的能力，为更好地衡量我们大脑如何成长和学习开启大门。
技术摘要：认知表现任务中的策略使用：针对青少年的大规模分析
问题陈述
传统的认知表现评估（如五点测试 FDT 或设计流畅度测试）主要依赖于总准确率得分（在规定时间内生成的唯一正确设计的计数）。虽然这些得分量化了输出，但对于个体所采用的底层认知策略提供的洞察却非常有限。以往的研究试图将策略归类为广泛的、先验的聚类——具体包括加法（增加线条）、减法（删除线条）和全旋转。然而，这些框架往往无法捕捉认知行为的细微差别和变异性，例如局部旋转、特定的镜像轴或复杂的“长路径”变换。此外，先前的研究大多依赖于小样本的人工编码，缺乏对大规模人群中策略频率、比例和亚型的系统性、数据驱动的探索。本研究旨在填补理解青少年策略多样性及其与任务表现之间特定关联方面的空白。
方法论
本研究利用了来自 OnderwijsMonitor Limburg (OML) 的大规模数据集，涉及 4,531 名完成了计算机化 FDT 的荷兰青少年（平均年龄 = 15.51 岁）。参与者在 180 秒内通过连接 5 点矩阵中的点，尽可能生成尽可能多的唯一设计。
- 数据驱动框架： 作者开发了一个系统性的自动化框架，用于根据连续设计之间的变换来检测认知策略。与以往的方法不同，该框架扩展了对策略的定义，将其纳入：
- 镜像（Mirroring）： 五种亚型（水平、垂直、对角线 1、对角线 2 和点对称）。
- 旋转（Rotation）： 按方向（顺时针/逆时针）和范围（全旋转、内旋转、外旋转以及涉及复杂变换路径的“长”旋转）进行分类。
- 加法/减法（Addition/Deletion）： 通过增加或删除单条线段来定义。
- 聚类逻辑： 策略被识别为连续设计的“簇”（clusters）。研究实施了最小簇长度限制以避免偶然匹配：镜像的长度为 2，旋转、加法和减法的长度为 3（或针对严格的长旋转分析为 5）。
- 指标： 研究计算了使用每种策略的参与者百分比、簇频率、平均簇大小，以及归属于每种策略的正确设计比例。
- 分析： 采用了描述性统计、独立样本 t 检验（比较使用者与非使用者）以及皮尔逊相关系数，以分析策略使用（频率和比例）与总准确率得分之间的关系。研究还对前 60 秒和 120 秒的子集进行了分析，以便与标准测试时长进行对比。
关键结果
- 普遍性： 96.27% 的参与者使用了至少一种可识别的策略。镜像是最普遍的（95.94% 的参与者），其次是旋转（72.43%）。加法和减法较不常见（分别为 11.56% 和 2.49%）。
- 策略亚型： 在镜像中，垂直镜像是最常见的亚型。对于旋转，全顺时针旋转是最常见的（42.40% 的参与者），其次是全逆时针旋转（37.81%）。“长”旋转（长度 ≥ 5）很少见（<5%），而长度 ≥ 3 的旋转较为常见（~26%）。
- 表现关联：
- 总体： 使用任何策略的参与者得分显著高于非使用者（Cohen's d = 2.18）。
- 镜像： 与总准确率表现出最强的关联。垂直镜像频率与表现的相关性最强（r = .47）。
- 旋转： 全旋转显示出中度相关（r = .30–.32）。内旋转和外旋转显示出适度的效应。长旋转（长度 ≥ 5）显示出微弱或不显著的相关性。
- 加法/减法： 加法显示出中等但显著的正相关（r = .18），减法则显示出微弱/不显著的相关性。
- 时间效应： 随着时间限制从 60 秒增加到 180 秒，策略使用与准确率之间的关联增强，这表明较长的持续时间能更好地诱发策略行为。
- 高/低频使用者： 通过使用频率（≥4 个簇）对参与者进行分层时，镜像策略对于高频和低频使用者均保持了与准确率的显著正相关。相比之下，旋转策略在高频使用者中显示出较弱或不显著的相关性，这可能是由于特定高使用量子集中的样本量较小所致。
核心贡献
- 扩展评分框架： 本研究引入了一个数据驱动的自动化框架，超越了传统的“加法/减法/全旋转”类别，纳入了更细致的亚型（如特定的镜像轴、内/外旋转及长路径变换）。
- 大规模实证数据： 它提供了对大规模青少年样本（N > 4,500）中策略频率和比例的首次系统分析，建立了各种认知策略在 FDT 中的基准流行率。
- 指标区分： 研究区分了策略频率（使用策略的次数）与比例（策略占总输出的份额），揭示了虽然频率通常与准确率相关，但比例为策略分布提供了互补的见解。
- 时间时长分析： 研究表明，与标准的 60 秒或 120 秒版本相比，180 秒版本的 FDT 能捕捉到更多样化且更频繁的策略使用。
意义与主张
本文声称，这种扩展框架比传统的基于准确率的测量更能全面地描绘青少年的视觉空间任务中的策略行为。研究结果表明，策略使用——特别是镜像和精细化的旋转形式——与表现呈正相关，这强化了系统化方法能产生更好结果的观点。
作者谨慎地指出，虽然该框架可以识别模式（patterns）的变换，但不能最终确认参与者的意图性（即镜像设计是刻意的策略还是偶然的结果）。此外，由于缺乏利手性（handedness）数据，无法将方向性偏差（顺时针 vs 逆时针）完全归因于认知偏好而非运动不对称。
最终，本研究认为，分析策略行为对于理解认知功能至关重要。所提出的框架为改进评估工具奠定了基础，并建议未来的研究应调查这些策略对学业及生活成果的预测效度。本文并不声称解决了意图性问题，而是提供了一种可扩展的方法来量化和分类可观察到的认知策略的表现形式。
每周获取最佳 social_science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。