1 引言
碰撞时间(time-to-contact, TTC)估计，即预测运动客体到达特定位置的时间(Lee, 1976)，对安全导航至关重要。实验室中常用遮挡范式研究TTC估计，即运动客体在到达目标位置前被遮挡，个体需要基于现有信息预测到达时间。TTC估计机制的解释主要有Tau理论和认知推断理论。Tau理论认为个体通过运动客体在视网膜上的成像夹角及其变化率的比值推断到达时间(唐日新 等, 2010; Lee, 1976)。但该理论局限于客体与个体存在相对运动的情况，而多数运动并非正对个体眼睛。目前，研究者多采用认知推断理论来阐释个体对TTC的加工过程(Baurès et al., 2021)。认知推断理论强调个体会依据客体运动信息(距离、速度和加速度等)建立运动表征，模拟客体运动规律以推测其未来某一时间到达的位置(DeLucia & Liddell, 1998)，如匀速运动中TTC可通过距离与速度的线性关系实现(即TTC=距离/速度)。研究表明，客体视觉速度表征精度显著影响TTC估计表现(Makin & Poliakoff, 2011)。根据认知推断理论，个体对客体视觉速度信息的表征随着刺激可见运动距离的增加而更准确，因此任务绩效得到提升。然而，Chang和Jazayeri(2018)发现固定运动客体遮挡距离、改变可见距离时，被试在可见部分与遮挡部分距离相等时绩效更高。上述研究表明时间信息也可能影响TTC估计表现，而认知推断理论难以充分解释这一现象。
时间结构(time structure, T)是指信息在时间维度上的分布模式。在TTC估计领域，时间结构是指刺激在可见部分和遮挡部分运动时间的比值(Chang & Jazayeri, 2018)，T=1.0表示时间结构一致，T≠1.0表示时间结构不一致。时间结构可能通过产生时间预期线索影响个体TTC估计策略选择。研究表明，时间结构一致较不一致能提高任务绩效(Qin et al., 2022)。其原因可能在于时间结构一致时，客体从起点到遮挡点与从遮挡点到目标位置的时间相同，这种节律性提供稳定时间预期线索，使个体倾向使用时间信息进行TTC估计。神经影像证据显示，时间结构一致性可增强左侧下顶叶激活(Qin et al., 2023)，该脑区与时间期待密切相关(Coull & Nobre, 1998)。基于时间信息的贝叶斯观测模型发现，缺乏视觉速度线索时，被试倾向依赖时间信息估计(Chang & Jazayeri, 2018)。秦奎元等人(2022)的研究进一步发现，时间结构一致条件下视觉速度线索存在与否不影响TTC估计绩效，提示该条件下，时间信息是个体进行TTC估计的主要线索。而时间结构不一致时，个体面临时间线索的转换成本(Remington & Jazayeri, 2017)，无法使用节律性时间信息线索，从而使用认知推断策略进行任务估计。依据认知推断理论，个体倾向于利用视觉速度线索等信息构建运动表征，并采用认知策略进行时间估计。
已有研究发现当个体使用认知推断策略进行任务估计时，其绩效会受到注意的影响。例如，Oberfeld和Hecht(2008)采用双任务范式研究分心任务对TTC估计的影响，发现分心刺激若晚于目标刺激到达目标位置，会干扰个体对目标刺激到达时间的估计。然而，也有研究发现分心任务并没有降低个体在TTC估计任务中的绩效。例如，秦奎元(2023)使用随机范式探究时间结构对个体视觉运动推断的影响。随机范式是指运动刺激在任务起始点和遮挡之间随机闪烁呈现。与传统的遮挡范式相比，随机范式中被试需要耗费一定的注意资源来抑制或忽略遮挡点之前随机出现的位置信息，仅使用起始位置和遮挡点之间的运动时间来估计刺激何时到达目标位置。结果发现尽管当时间结构不一致时随机出现的位置信息干扰降低了被试的任务绩效，但在时间结构一致条件下随机范式中被试的任务绩效与传统的遮挡范式并不存在显著的差异。
以往研究发现，时间结构一致时个体能依据运动刺激的节律性特性进行任务估计(胡瑞晨 等, 2019)。相同的时间结构可通过诱发预期调节未来某一时刻时间注意的分布(Jones et al., 2006)。个体根据刺激在遮挡点前的运动时间，将时间注意引导至特定时间点，因此能够避免任务干扰的影响。当时间结构不一致时，个体需要使用认知推断策略进行任务估计。干扰任务可能通过限制认知推断可用的注意资源影响个体对目标刺激的加工。在任务推断过程中，个体需要在可见阶段将刺激的视觉速度信息存储于工作记忆(Barnes, 2008)，遮挡后会根据视觉速度的表征来引导个体注视点追踪运动客体(Makin & Bertamini, 2014)。因此分心任务可能通过占用注意资源影响个体对视觉速度的加工，进而导致任务绩效下降。
综上，本研究拟采用双任务范式探究注意负荷在不同时间结构下对TTC估计的影响。基于上述论述，研究假设当时间结构一致时，注意负荷不影响被试在TTC估计中的绩效；当时间结构不一致时，注意负荷干扰被试在TTC估计中的绩效。实验1在不同时间结构条件下探究注意负荷对TTC估计的影响。然而，当时间结构一致时，运动刺激在可见阶段和遮挡阶段运动的距离也相同，因此，在时间结构一致时发现的结果有可能是距离相同造成的。为排除这一可能，实验2进一步检验被试在时间结构一致而距离不同(即时间结构信息一致，简称“时间信息一致”)和距离相同而时间结构不一致(即距离结构信息一致，简称“距离信息一致”)两种条件中不同任务负荷下的绩效差异，以验证上述假设。“时间信息一致”条件下，运动客体在可见阶段和遮挡阶段的运动时间相等(T=1.0)，对应实验1中时间结构一致条件；“距离信息一致”条件下，运动客体在可见阶段和遮挡阶段的运动时间不等(T≠1.0)，对应实验1中时间结构不一致条件。
2 实验1：不同时间结构条件下注意负荷对TTC估计的影响
2.1 被试
采用G*Power 3.1软件计算样本数量，设置α=0.05，1–β=0.80，f=0.25，计算得到样本值为19人(Faul et al., 2007)。参与本实验的被试共23名，其中男性10名(43.48%)，年龄20.48±2.23岁，均为某师范大学学生。所有被试的视力或矫正视力正常，无色盲或色弱。实验前签署知情同意书，实验后被试获得相应的报酬。
2.2 实验设备
实验基于Python语言的开源PsychoPy包进行编程(Peirce et al., 2019)，使用15.6英寸的彩色显示器演示刺激，屏幕分辨率1920×1080像素(水平与垂直)。显示器刷新率为60Hz，被试坐在离计算机显示屏约57cm处的椅子上完成任务，屏幕中心位于双眼视线中间。所有刺激均呈现在黑色背景上，要求被试在每个试次中都将视线保持在注视点上。运动刺激为蓝色竖条(高度1°，宽度0.1°)，目标位置为白色竖条(高度2°，宽度0.01°)，被试通过连接到计算机的标准键盘进行按键反应。
2.3 实验设计与流程
实验采用2(注意负荷：高、低)×3(T：0.5、1.0、1.5)两因素被试内设计。被试在执行TTC估计任务的同时，还需完成一项注意负荷任务。图1 展示了本次实验的流程示意。实验开始，屏幕呈现数字0(低负荷)或4位随机数字(高负荷)，时长500ms，被试需记住屏幕数字。然后开始TTC估计任务。TTC估计任务采用遮挡范式(见图2 )，遮挡部分的路径长度固定为8°，改变可见路径的长度的(4°、8°、12°)以实现不同的时间结构(即T为0.5、1.0、1.5三个水平)。刺激从左往右开始水平运动，进入遮挡时(图2D 中心位置的白色圆环代表遮挡的起始点)开始计时，被试需判断其到达目标白色竖线的时间并按空格键进行反应。由被试估计的时间为估计TTCp(participants’ TTC)，而实际刺激从遮挡开始到目标竖线的时间为真实TTCa(actual TTC)。在每个试验中，速度保持恒定，并在各时间结构条件下以4°/s、5.33°/s、8°/s进行离散采样(Chang & Jazayeri, 2018)。
被试完成TTC估计任务后，界面提供刺激实际到达位置的反馈信息，持续500ms。屏幕再次呈现与记忆数字位数相同的数字。高负荷条件下，数字相同和不同的试次各占50%，若数字不同，仅某一位数有差异，被试需在方向键上快速准确按键反应：数字相同按左键，不同按右键；低负荷条件下，被试仅在数字为0时按左键。随后，屏幕将对数字判断的正确与否进行反馈：笑脸表示数字记忆正确，哭脸表示数字记忆错误。最后显示空屏500ms，开始下一试次。
在正式实验前，被试进入实验室需填写知情同意书并了解实验内容，随后进行含12个试次的练习，练习任务可重复。正式实验包含18个处理[2(注意负荷：高、低)×3(T：0.5、1.0、1.5)×3(速度：4°/s、5.33°/s、8°/s)]，每个处理重复16次，共288个试次。实验分为4个组块，每个组块包含72个试次(组块内各个条件重复4次)。组块之间以及每个组块内部的试次随机呈现。完成每个组块后，被试可休息2分钟，实验总长约1小时。其中，速度作为控制变量，不进行后续分析。
2.4 数据分析
前人研究通常采用相对偏差(BIAS)和方差(VAR)来对TTC估计任务进行分析，BIAS和VAR的计算分别见公式1和公式2：
其中i和j分别代表第i试次和第j试验处理。BIAS反映了被试的判断倾向，正值表示被试倾向于高估TTC；负值表示被试倾向于低估TTC。VAR表示BIAS在不同试次之间的变异(波动)程度。数值越大表明被试的时间估计一致性越低。需注意的是，BIAS和VAR作为独立指标难以直接反映不同实验条件下被试的绩效差异，二者可能存在指标间的混淆效应：较高反应变异性可能导致BIAS均值趋近于中性值，从而掩盖真实的估计绩效。
RMSE(root mean square error)作为综合指标(计算见公式3)，通过整合BIAS的方向性偏差和VAR的波动特征，有效克服单一指标的局限性。其作为标量指标便于跨被试和跨条件的直接比较，数值越低表征时间估计精度越高(Chang & Jazayeri, 2018; Jazayeri & Shadlen, 2010)。目前，越来越多的研究者使用RMSE来比较被试在不同条件下TTC估计任务的差异(Qin et al., 2022)。基于本研究需系统考察注意负荷与时间结构对TTC估计的影响，故选择RMSE作为主要分析指标(原始数据中BIAS和VAR的分析结果参见附录：https://osf.io/27gjk/files/osfstorage)。
本实验运用配对样本t检验比较不同注意负荷的数字记忆正确率。同时，采用2(注意负荷：高、低)×3(T：0.5、1.0、1.5)两因素重复测量方差分析RMSE。当违反球形假设时，使用Greenhouse-Geisser来调整自由度。采用最小显著差异(least significant difference, LSD)检验进行事后分析。
2.5 结果
被试在正式实验中前15次试验视为预热，从主要分析中删除(Chang & Jazayeri, 2018)。实验仅分析正确数字记忆任务的试次(Baurès, Maquestiaux, et al., 2018)。其中低负荷的平均准确率为99.08%(95% CI=[98.51, 99.64])，高负荷的平均准确率为92.13%(95% CI=[90.14, 94.13])，不同负荷下的正确率差异显著，t(22)=7.01，p<0.001 , Cohen’s d=1.46，低负荷下正确率更高。删除极端值之后，用2(注意负荷：高、低)×3(T：0.5、1.0、1.5)重复测量方差分析对RMSE进行统计检验。行为数据见表1 。
表1 实验1中不同注意负荷和时间结构下的RMSE |
| T | 低负荷 | 高负荷 | |
| RMSE(ms) | 0.5 | 295.91 [275.74, 316.08] | 278.44 [260.47, 296.41] |
| 1.0 | 265.31 [244.24, 286.38] | 278.74 [258.50, 298.98] | |
| 1.5 | 285.46 [265.81, 305.12] | 270.10 [248.23, 291.97] |
注：括号内的数字代表的是95% CI，以下同。 |
对RMSE的分析结果显示，注意负荷主效应显著，F(1, 22)=4.52，p=0.045，η$ {}_{\mathrm{p}}^{2} $ =0.17，高负荷条件下被试RMSE显著小于低负荷条件，表明高注意负荷提高了被试估计TTC的绩效；时间结构的主效应不显著，F(2, 44)=2.05，p=0.141；两因素交互效应显著(见图3A )，F(2, 44)=6.62，p=0.003，η$ {}_{\mathrm{p}}^{2} $ =0.23。简单效应分析结果显示，当T=0.5和T=1.5时，高注意负荷下被试RMSE显著小于低注意负荷条件下RMSE[F(1, 22)=13.35, p=0.001, η$ {}_{\mathrm{p}}^{2} $ =0.38; F(1, 22)=6.14, p=0.021, η$ {}_{\mathrm{p}}^{2} $ =0.22]；在T=1.0时，高注意负荷条件下RMSE与低注意负荷条件下RMSE之间的差异不显著，F(1, 22)=3.19，p=0.088。
实验1的结果表明，不同的时间结构下，注意负荷对TTC估计绩效产生了不同的影响。T=1.0时，注意负荷并未显著影响TTC估计绩效。这可能是因时间结构一致促使个体形成了时间期待，从而减弱了注意负荷的影响。然而，在时间结构不一致条件下(T=0.5; T=1.5)，实验结果显示高负荷提高被试的任务绩效。根据认知推断理论，个体倾向于利用视觉速度线索等信息构建运动表征，进而指导其运动推断。注意负荷可能影响了视觉速度信息的表征。
3 实验2：时间与距离信息对TTC估计的影响验证
3.1 被试
采用G*Power 3.1软件计算样本数量，设置α=0.05，1–β=0.80，f=0.25，计算得到样本值为24人(Faul et al., 2007)。本实验招募被试27名，其中男性12名(44.44%)，平均年龄20.48±2.23岁。所有被试的视力或矫正视力正常，无色盲或色弱。其余同实验1。
3.2 实验设备
同实验1。
3.3 实验设计与流程
采用2(注意负荷：高、低)×2(线索类型：时间信息一致、距离信息一致)两因素被试内设计。为了区分距离信息和时间信息，实验参考了Chang和Jazayeri(2018)的研究：运动刺激在被遮挡后的运动速度会提升至可见部分速度的1.25倍，但这一信息对被试是保密的。在时间信息一致的条件下，实验设定被遮挡的路径长度为10°，可见的路径长度为8°。刺激被遮挡后速度增加至可见部分的1.25倍，确保运动刺激在可见和遮挡阶段的持续时间保持一致，而运动距离不同。在距离信息一致的条件下，运动刺激被遮挡和可见的路径长度均设定为10°。由于速度的改变，刺激在可见和遮挡阶段的运动距离相同，但持续时间不同。实验其他设置与实验1保持一致。实验包含12个处理[2(注意负荷：高、低)×2(线索类型：时间信息一致、距离信息一致)×3(速度：4°/s、5.33°/s、8°/s)]，每个处理重复20次，共240个试次。实验分为4个组块，每组块包含60个试次(组块内各个条件重复5次)。组块之间以及每个组块内部的试次随机呈现。实验流程与实验1一致。
3.4 结果
被试在正式实验中前15次试验视为预热，从主要分析中删除。实验仅分析正确数字记忆任务的试次。其中低负荷的平均准确率为98.65%(95% CI=[97.89, 99.42])，高负荷的平均准确率为93.03%(95% CI=[91.24, 94.82])，不同负荷下的正确率差异显著，t(26)=7.96，p<0.001，Cohen’s d=1.53，低负荷下正确率更高。删除极端值之后，用2(注意负荷：高、低)×2(线索类型：时间信息一致、距离信息一致)重复测量方差分析对RMSE进行统计检验。当违反球形假设时，使用Greenhouse-Geisser来调整自由度。行为数据见表2 。
表2 实验2中不同注意负荷和线索类型下的RMSE |
| 注意负荷 | 时间信息一致 | 距离信息一致 | |
| RMSE(ms) | 低负荷 | 248.47 [230.08, 266.86] | 265.42[243.38, 287.46] |
| 高负荷 | 248.72 [229.54, 267.91] | 249.66 [230.58, 268.75] |
对RMSE的分析结果显示，线索类型的主效应和注意负荷的主效应均不显著[F(1, 26)=1.89, p=0.182; F(1, 26)=2.37, p=0.136]。注意负荷和线索类型交互作用效应显著(如图3B 所示)，F(1, 26)=6.28，p=0.019，η$ {}_{\mathrm{p}}^{2} $ =0.19，简单效应分析结果显示，在时间信息一致条件下，高低负荷间RMSE无显著差异，F(1, 26)=0.002，p=0.961；在距离信息一致条件下，高低负荷下RMSE差异显著，F(1, 26)=4.31，p=0.048，η$ {}_{\mathrm{p}}^{2} $ =0.14，高负荷条件下被试RMSE显著小于低负荷条件，表明高注意负荷提高了被试估计TTC的绩效。
实验2进一步证实了在时间信息一致而非距离信息一致的条件下，注意负荷对TTC估计的影响不显著。当时间结构一致时，为个体提供了稳定的时间线索，即便距离不一致，个体仍能利用时间线索形成时间预期(Chang & Jazayeri, 2018)。时间预期的形成不完全依赖于距离信息，而是基于时间线索的稳定性。然而，在距离信息一致(时间信息不一致)的条件下，被试无法有效利用时间线索，进而基于认知推断进行估计，注意负荷可能影响了视觉速度信息的表征。
4 总讨论
本研究探究了注意负荷对不同时间结构下TTC估计的影响。实验1采用遮挡范式，发现时间结构一致条件下，注意负荷对TTC估计的绩效无显著影响；当时间结构不一致时，被试在高注意负荷条件下的绩效高于低注意负荷条件。实验2进一步区分了时间信息一致和距离信息一致的情况，发现当时间信息一致时，注意负荷对TTC估计无显著影响；而当距离信息一致时，高注意负荷提高了任务绩效。
本研究发现当时间结构一致时，注意负荷对TTC估计绩效未产生显著影响。De La Rosa等人(2012)基于双任务范式的研究也发现，目标刺激出现在规律性刺激序列后可加快被试反应速度，且该效应不受任务负荷影响。节律性时间信息能够通过诱发内隐预期优化注意资源配置(Jones et al., 2006)。在TTC估计任务中，时间结构一致条件具有一定的节律性(客体从起点到遮挡点与从遮挡点到目标位置的时间间隔相同)，这种节律性能够通过诱发预期调节注意资源分布，使注意集中在特定时间点，减少注意负荷的影响。并且，时间预期的自动化加工特性也能降低对执行控制资源的依赖(Breska & Deouell, 2014)，从而缓解双任务的影响。实验2结果进一步发现即使在可见与遮挡阶段运动距离不同的条件下，如果保持时间结构一致性，注意负荷效应仍不显著。这提示时间线索的稳定性可能优先于空间信息影响TTC估计策略选择(Chang & Jazayeri, 2018)。在时间结构一致的条件下，个体对时间线索的利用可能与大脑内部先验时间结构有关(Chang & Jazayeri, 2018)。当存在有节奏的声音或具有内部先验的整数比率时，时间信息的影响可能更强，并且较少受注意力负荷的影响。这提示研究者对TTC估计的计算模型可能需充分考虑时间结构参数在认知加工层级中的权重。
当时间结构不一致时，结果发现高负荷条件下TTC估计绩效提高。当时间结构不一致时，被试依赖客体的视觉速度信息构建运动表征，并采用认知推断策略进行时间估计(秦奎元 等, 2022)。以往研究指出注意负荷会降低个体的任务绩效，例如Oberfeld和Hecht(2008)发现，同时进行的分心任务会降低个体在TTC估计中的绩效。但本研究发现高任务负荷却提高了个体的任务绩效，这可能是注意负荷抑制了其他高级认知因素对视觉速度信息的干扰。Makin(2018)提出了通用速率控制模型，认为认知系统中存在一个通用的速率控制模式来控制不同特征空间TTC估计的速度模拟。以往研究在探究注意负荷对TTC估计的影响时，通常使用与目标刺激运动方向相同或相反的干扰刺激作为分心任务(Oberfeld & Hecht, 2008)。在此条件下，干扰刺激同样需要速率控制模型对其进行速度模拟，这可能直接影响了认知系统对目标刺激速度的加工，进而降低了任务绩效。本研究的分心任务是工作记忆任务，因此并不直接影响认知系统对目标刺激速度的模拟。与此同时分心任务可能抑制其他因素(例如知识或期望等)的干扰(Baurès & Hecht, 2011; Hubbard, 2020)，进而通过间接的方式促进认知系统对视觉速度的加工(Baurès, Maquestiaux, et al., 2018)。在视觉信息模糊时，对客体运动的推断受知识或期望影响变大(Baurès, Balestra, et al., 2018)。然而，当注意分配到次任务时，对知识期望等认知因素的加工减少。从而，基于视觉速度信息的TTC估计可能不会因认知干扰而发生改变。基于此可推测，在运动实践中，球类运动员在追踪球的同时，从事次要任务似乎是一种绩效提升的有效策略，注意的适度分散可能会提升击球准确性。
上述发现表明，TTC估计的认知机制可能存在动态权衡：在时间结构一致条件下，个体可能倾向依赖时间信息，注意负荷不影响TTC估计准确性；而在时间结构不一致条件下，个体倾向于利用视觉速度线索等信息构建运动表征进行认知推断进行任务，较高的注意负荷提高了被试的任务绩效。然而，本研究仍存在一些局限性。首先，尽管本研究参考现有文献，假设时间结构影响TTC估计策略(时间结构一致时依赖时间信息，不一致时依赖视觉速度线索进行认知推断)，但本研究未直接验证该影响，未来的研究可以利用EEG、fMRI等神经成像技术，进一步探测个体在进行TTC估计时策略转换，以深化对当前研究结果的理解。其次，实验中采用的次任务可能导致被试在TTC估计阶段采取复述策略，这可能在一定程度上提高了估计的准确性。为了排除复述策略的潜在干扰，未来的研究可以考虑采用那些不易诱发复述现象的任务，例如数字运算任务。此外，本研究强调在TTC估计中适度分配注意的重要性，而非完全投入。虽然记忆4位数字的任务(与TTC估计无关的分心任务)被用作高注意负荷条件，但相较于数字运算任务来说较为简单。如果采用更为复杂的任务，可能会抑制任务绩效。因此，未来的研究应该全面探究多种注意负荷水平对TTC估计的影响。
5 结论
注意负荷对TTC估计的影响在不同时间结构下存在差异：在时间结构一致条件下，个体可能倾向依赖时间信息，注意负荷不影响TTC估计准确性；而在时间结构不一致条件下，个体倾向于利用视觉速度线索等信息构建运动表征进行认知推断进行任务，较高的注意负荷提高了被试的任务绩效。