工作记忆测量为何互不一致：大规模多实验室研究揭示认知科学测量危机、重复性挑战与范式警示及未来改进方向
据《科学》杂志新闻版报道，一项大规模多实验室研究发现，工作记忆测量工具之间的一致性远低于学界预期：多数常用任务彼此只呈弱相关，甚至指向不同认知成分。这项以阴性结果为主的研究仍通过同行评审并发表，迅速在认知科学界引发关于测量效度、样本规模与发表偏倚的讨论。
明星养生多实验室研究为何盯上工作记忆测量
工作记忆被视为推理、阅读与学习的基础认知过程，也是执行功能研究的核心构件。过去几十年，研究者开发出阅读广度、操作广度、N 回溯任务、变化检测、序列回忆等大量任务，并默认它们测量同一能力。问题在于，这些任务往往只在单一实验室、小样本中使用，跨任务相关性很少被系统比较。2025年6月12日发表的这项研究汇总23个实验室、超过2400名参与者数据，首次在同一流程下比较7类常见工作记忆测量。研究团队在新闻稿中表示：“不同任务测到的可能不是同一个工作记忆成分。”
明星整容任务相关性低：阴性结果的核心数字
研究给出的最直观信号是相关性偏低。多数任务两两之间的相关系数落在0.10至0.35之间，平均约为0.22；按此计算，一个任务只能解释另一个任务不到5%的方差。更关键的是，同一参与者重复完成同一任务时，重测信度尚可，但跨任务一致性并未随之提高。法新社在报道中确认，这一模式在剔除年龄、教育年限与测试顺序后仍然存在。研究还发现，7类任务中有4类在因子分析中未能稳定归入单一“工作记忆”因子，提示所谓工作记忆测量可能混合了注意控制、策略使用与短时存储等不同成分。
明星状态关键测量指标对比
下表概括了研究比较的主要测量维度与结果。需要说明的是，相关系数并不等于任务无效，而是说明它们不能互换使用。
明星生日| 测量维度 | 常见任务 | 平均相关系数 | 主要问题 |
|---|
| --- | --- | --- | --- |
|---|
| 言语工作记忆 | 阅读广度、数字广度 | 0.24 | 受策略与语言经验影响 |
|---|
| 视觉空间工作记忆 | 变化检测、科西块 | 0.19 | 编码方式差异明显 |
|---|
| 执行控制 | N 回溯任务、斯特鲁普变体 | 0.16 | 混淆抑制与更新 |
|---|
| 短时存储 | 序列回忆 | 0.28 | 与长时记忆策略重叠 |
|---|
| 复合指标 | 多任务组合 | 0.31 | 聚合掩盖异质性 |
|---|
测量工具一致性不足带来的连锁反应
如果常用任务不能互相替代，后果会沿研究链条传导。第一，单项研究以某个任务代表工作记忆时，结论可能只是任务特异性效应，而非认知过程本身。第二，元分析与重复实验会因纳入不同任务而得到不同答案，放大异质性。第三，临床与教育评估若依赖单一任务，可能把策略差异误判为能力差异。参与同行评审的统计学家对法新社表示：“阴性结果同样有信息量，关键是研究是否足够大、足够透明。”论文作者因此建议，未来至少同时使用两类任务，并公开任务代码、评分脚本与原始数据，以区分构念差异与实施差异。
明星合影阴性结果为何仍能发表
这项研究几乎没有给出“哪个任务更好”的肯定答案，却仍获发表，原因在于其问题足够重要、设计足够透明。期刊配发评论指出，认知科学长期依赖小样本与单任务范式，测量基础却很少被直接检验。研究预注册了分析方案，公开了23个实验室的流程偏差，并用贝叶斯因子报告支持“证据不足”而非简单接受零假设。对一项阴性结果研究而言，这种透明度比显著性更重要。它也提醒资助机构与期刊，复制失败与测量不一致不应被埋在补充材料里。
对认知科学与心理测量的长期影响
更深远的影响在于，工作记忆测量可能不是一块可随意替换的“标准电池”。研究者需要回到构念定义：究竟测的是容量、控制、维持，还是策略？多实验室研究显示，7类任务中只有2类在跨站点比较中保持可接受的一致性，其余任务的站点间差异达到0.4个标准差以上。若这一结果被后续研究重复，教科书式的“工作记忆任务”清单将被重写，临床量表也需要重新验证。对政策制定者而言，这意味着以工作记忆为卖点的训练产品或评估工具，必须提供跨任务、跨人群的证据，而不能只展示单一实验的显著结果。
常见问题
Q1: 这是否说明工作记忆不存在？
A1: 不是。研究质疑的是测量工具之间的一致性，而非工作记忆这一构念本身。更合理的解释是，现有任务分别捕捉了工作记忆的不同侧面，学界需要更精确地命名与拆分这些成分。
Q2: 阴性结果为什么值得发表？
A2: 因为它能阻止领域继续把不可互换的任务当作同一把尺子。只要设计透明、样本足够大、分析预注册，阴性结果就能修正理论、减少浪费，并为后续测量改进提供基线。
这项研究没有提供更简单的答案，却把认知科学最基础的测量问题摆上台面。工作记忆测量能否走向一致，取决于学界是否愿意共享任务、复核构念，并接受阴性证据的长期价值。
