Кратко и по пунктам.
Цель: раздельно оценить вклад внимания и рабочей памяти (ВП) в решение логических задач у студентов и преподавателей.
Гипотезы
- H1: Нагрузка на ВП снижает точность логических решений сильнее у студентов, чем у преподавателей (преподаватели имеют большую или более эффективную ВП или компенсационные стратегии).
- H2: Нагрузка на внимание снижает производительность обеих групп, но эффект менее выражен у преподавателей (лучший контроль внимания).
- H3 (альтернатива): Эффекты нагрузки на внимание и ВП аддитивны → независимые ресурсы; взаимодействие укажет на частичное пересечение ресурсов или стратегическую перестройку.
Дизайн эксперимента
- Фактор между группами: Группа = {студенты, преподаватели}.
- Внутри субъектов факторы: Нагрузка внимания = {низкая, высокая}; Нагрузка ВП = {низкая, высокая}; Тип задач = {абстрактные логические (символьные), контекстные/профильные}. Итого факторная структура $2\times 2\times 2$ (внутри) с между-фактором Группа:
$$2(\text{Группа})\times 2(\text{Нагрузка внимания})\times 2(\text{Нагрузка ВП})$$ - Основная логика: двойная двойная задача (dual-task). Основная задача — серия логических задач одинаковой структуры (например, логические выводы, условные силлогизмы, задачи на правило). В условиях высокой нагрузки внимания параллельно предъявляется визуально-перцептивная задача (например, быстрый поиск цели в RSVP или непрерывный обнаружительный сигнал). В условиях высокой нагрузки ВП предъявляется вспомогательная задача на поддержание (например, вербальное/символьное поддержание 6-элементного набора или n-back).
- Каждому участнику выполняются все четыре условия (LoAtt/LoWM, HiAtt/LoWM, LoAtt/HiWM, HiAtt/HiWM), порядок условий рандомизирован и отбалансирован. Между блоками — контроль и восстановление.
- Предварительные измерения: оценка индивидуальной ВП (operation span или digit span), тест внимания (например, Stroop, ANT), IQ/математическая подготовка и профиль предметной компетенции, мотивация/усталость.
Измеряемые переменные
- Основные зависимые: точность логических задач (accuracy), время реакции (RT) на каждое решение.
- Вторичные: производительность на вторичных задачах (ошибки и RT) — для проверки эффективности манипуляций; показатель эффективности (скорость/точность).
- Биофизиологические/процессные метрики: запись взгляда (eye-tracking: фиксации, переключения), зрачковая реакция (нагрузка), ERP/EEG при наличии — индикаторы внимания/нагрузки.
- Индивидуальные ковариаты: оценка ВП (span), базовая способность в логике, возраст, опыт преподавания.
- Статистический план: смешанная ANOVA (Group × AttentionLoad × WMLoad), при необходимости многоуровневые регрессионные модели и модель диффузии для RT/accuracy. Можно проверить аддитивность эффектов (отсутствие взаимодействия Attention×WM укажет на независимость).
Анализ и интерпретация
- Главные эффекты: сильный эффект WMLoad говорит о существенной роли ВП; эффект AttentionLoad — роли селективного/поддерживающего внимания.
- Взаимодействия: Group × WMLoad — разные зависимости групп от ВП; Group × AttentionLoad — дифференциальная уязвимость внимания; AttentionLoad × WMLoad — пересечение ресурсов или стратегическая перестройка.
- Доп. анализ: медиирование/модерация через индивидуальную емкость ВП; анализ корреляций вторичной задачи с ухудшением логики для проверки, что манипуляции реально отвлекают ресурсы.
Проверки манипуляции
- Убедиться, что вторичные задачи действительно снижают производительность на своих параметрах (т. е. HiWM снижает span/память, HiAtt увеличивает ошибки обнаружения), иначе интерпретация недействительна.
Потенциальные ограничения и способы смягчения
- Непроцессная чистота: манипуляции редко изолируют только внимание или только ВП (например, поддержание в ВП требует внимания). Смягчение: использование нескольких, разных манипуляций (вербальная vs визуальная ВП; различные виды attentional load) и конвергентных мер.
- Различия опыта/знаний: преподаватели могут решать логические задачи иными стратегиями (шаблоны, метакогниция). Смягчение: использование и абстрактных, и контентных задач; контроль по уровню предметной подготовки; сбор стратегий (ретроспективные отчёты).
- Генет/демографические конфаунды (возраст, мотивация): согласование/матчинг или введение в модель как ковариатов.
- Ограниченная генерализуемость: выборка преподавателей может быть гетерогенна по дисциплине/опыту; нужна репликация в разных популяциях.
- Практика/утомление/порядок: кросс-блоковый баланс, достаточные перерывы, контроль утомления.
- Статистическая мощность: требуется предварительный расчет мощности; примерная оценка: для обнаружения среднего эффекта $d=0.5$ при $\alpha =0.05$ и мощность $1-\beta =0.8$ нужен около $n\approx 34$ на группу (подсчёт конкретного размера — по формуле или симуляции).
$$\text{ANOVA model:}{Y}_{ijkl}=\mu +G_i+A_j+W_k+(GA{)}_{ij}+(GW{)}_{ik}+(AW{)}_{jk}+(GAW{)}_{ijk}+{\epsilon }_{ijkl}$$
Краткие рекомендации по реализации
- Протокол пилотировать, проверяя силу манипуляций; включить несколько задач и объективные метрики нагрузки; контролировать и регистрировать стратегии; использовать смешанные модели и проверку предпосылок.
Если нужно, могу предложить конкретные примеры логических заданий, варианты вторичных задач и расчёт размера выборки под заданный эффект и дизайн.