事件边界与规则推断如何重塑自由回忆：基于强化学习模型的记忆架构研究

为解决事件边界(Event Boundaries)对记忆编码的影响机制争议，华盛顿大学团队通过单词规则推断任务(WRIT)结合强化学习模型，首次揭示交互式环境中事件边界会抑制而非增强边界后项目的记忆，且记忆成功率与规则确定性(certainty)呈正相关。该研究颠覆了事件分割理论(EST)的经典预测，为理解动态环境中事件模型构建与记忆的复杂关系提供了新视角。

　　

论文解读
想象和朋友玩扑克时，通过观察对手的"微表情"识破 bluff（诈唬）的瞬间——这个独立的事件会被大脑精准存储，而连续牌局的其他细节可能被遗忘。这种将连续经验分割为离散事件的机制，被称为事件认知(Event Cognition)。尽管事件分割理论(EST)认为边界处信息记忆会增强，但这一结论主要基于被动观察实验，而现实生活中我们更多通过主动推断与环境交互来理解事件。这种认知差异成为华盛顿大学团队开展本研究的核心动因。

研究人员设计创新的单词规则推断任务(WRIT)，要求66名参与者通过试错推断隐藏规则（如"自然/人造"分类），规则每6-8次试验无预警切换以形成事件边界。结合强化学习模型量化预测误差(RPE)和规则确定性，发现：1）与传统EST预测相反，边界后项目回忆率显著降低（13% vs 非边界17%）；2）回忆按事件聚类，边界项目成为记忆锚点；3）记忆成功率与规则确定性正相关（β=5.469），但与RPE绝对值负相关（β=-0.162）。这些发现发表于《Communications Psychology》，首次揭示主动推断环境下事件边界对记忆的抑制效应。

关键技术方法

1. 单词规则推断任务(WRIT)：56个单词/轮次，规则切换形成事件边界；
2. 强化学习模型：含学习率(η)、逆温度(β)、衰减参数(d)三个自由参数，计算RPE和规则确定性；
3. 自由回忆任务：采用逐词输入防编辑设计，配合拼写校正算法；
4. 混合效应模型：分析边界位置、RPE与记忆的关系。

主要研究结果
WRIT性能揭示规则转换处的事件边界
行为数据显示规则切换后准确率下降11.5%（p<0.001），反应时增加38ms（p=0.004），符合事件边界特征。特别发现边界试次反应反而加快58ms（p<0.001），提示边界识别触发认知资源重分配。

整体回忆性能
平均回忆率17.4%，呈现显著近因效应（最后呈现单词回忆率高）但缺乏首因效应，可能因规则推断任务占用编码资源。时间连续性分析显示回忆存在事件内聚类（概率0.037）。

边界后项目回忆受损
与EST预测相反，边界后项目回忆率(13%)显著低于边界前(19%，p<0.001)和非边界项目(17%，p<0.001)，支持"主动推断消耗记忆资源"假说。

事件结构引导回忆组织
回忆过渡到新事件时，边界项目作为锚点的概率(19%)显著高于非边界项目(17%，p=0.006)。调整聚类比(ARC)分析证实回忆按事件(0.17，p<0.001)和规则类别(0.11，p=0.001)聚类。

强化学习模型预测回忆成功率
联合模型显示，规则确定性（KL散度量化）与回忆正相关（β=5.469，p<0.001），而RPE绝对值与回忆负相关（β=-0.162，p=0.013），颠覆了"惊喜增强记忆"的传统观点。

结论与意义
该研究突破性地发现：1）主动推断环境下，事件边界通过认知资源竞争机制抑制而非增强边界后信息编码；2）事件结构作为记忆脚手架，边界项目成为跨事件回忆的锚点；3）规则确定性与RPE对记忆产生相反作用，提示EST需整合强化学习机制。这些发现为教育设计（如知识点分割）和临床记忆训练提供新思路——过度频繁的认知转换可能损害记忆效果，而稳定的认知框架有助于信息整合。未来研究可探索自然情境下事件边界的神经表征，以及认知控制资源在事件模型构建中的精确作用机制。