# 注意切换时大脑同时编码两路语音流

### 核心发现

人在多说话者场景中切换注意力时，大脑皮层并非「先断开旧目标、再连接新目标」，而是存在一个短暂的 **同时对两路语音流进行神经编码** 的窗口期。

具体机制：对新目标流的 neural engagement（神经追踪增强）**先于** 对旧目标流的 disengagement（神经追踪减弱），形成非对称的 engage-before-disengage 模式。

### 实验设计

- EEG 记录，正常听力成人
- 两个竞争性 TED talk 语音流（前方左右扬声器，60° 分离）
- 16 人背景 babble 噪声（后方扬声器）
- 屏幕箭头提示每 15–30 秒切换注意力
- 用 Temporal Response Function (TRF) 量化神经追踪

### 三个层次的发现

1. **低层声学编码** （speech envelope 包络追踪）：切换后立即出现双路同时编码，新流先 engage，旧流后 disengage
2. **alpha 功率** ：切换后 EEG alpha 功率显著下降，反映认知努力的瞬态增加；恢复时间约 4 秒，与双路编码窗口吻合
3. **词汇预测层** （lexical prediction，用 LLM 建模）：切换后词汇上下文经历一次「reset」——大脑不延续旧说话者的语义上下文到新说话者上，而是重新开始积累

### 词汇上下文的四种假说

用 Mistral 7B LLM 构建四种 context-accumulation 策略，比较哪个最匹配 EEG 数据：

| 假说 | 描述 |
| --- | --- |
|------|------|
| Continuous | 不区分说话者，一路积累上下文 |
| Selective | 只积累被注视流的上下文 |
| Reset | 每次切换清零重新开始 |
| Memory | 保持两条独立的上下文链 |

结果：**Reset** 假说与神经数据最一致——切换后大脑对新流从零开始建立词汇预测，不继承旧流的语境。

### 意义

- 解释了鸡尾酒会场景中注意力如何灵活重定向
- 「先连接后断开」的策略可能支持在保持当前关注的同时探索其他听觉流
- 将 LLM 作为认知模型工具来测试词汇预测假说，方法新颖

## 参考

- Carta S, et al. (2026) PLoS Biol 24(7): e3003876
- [原文](https://journals.plos.org/plosbiology/article?id=10.1371/journal.pbio.3003876)
- [数据和代码](https://zenodo.org/records/20569817)


相关：[[uncertainty-certainty-science|uncertainty-certainty-science]]