JEPG：变忙碌背后的心理：目标激活造成的多任务处理

编辑 | 小巴

本文是对于论文《变忙碌背后的心理：目标激活造成的多任务处理（The Psychology of Getting Busy: Multitasking as a Consequence of Goal Activation）》的论文解析，该论文于2021年3月发表在《实验心理学杂志：总论（JEPG）》上，作者为Ewa Szumowska和Arie W. Kruglanski。

研究背景与问题提出

现代生活节奏越来越快，以前老师家长骂我们的“一心八用”，如今却已经成为了工作学习生活中的新常态。我们将这种“一心八用”的过程称为多任务处理（Multitasking），对于多任务处理的研究由来已久，大多数现有研究针对高效的多任务处理的表现 (Janssen et al., 2015; Pashler, 1994; Salvucci & Taatgen, 2011的研究) 、多任务处理者的识别特征(Buhner et al., 2006; Colom et al., 2010; Sanbonmatsu et al., 2013; Szumowska & Kossowska, 2016)以及多任务处理的结果（例如Carrier et al., 2015; Courage et al., 2015; Rothbart & Posner, 2015等人的研究）。但为什么人们会开始多任务处理呢？什么情况下人们才最可能去进行多重任务处理呢？本文章对这一问题进行了探索和研究。

理论与假设

本研究假设的提出基于Arie W. Kruglanski于2002年提出的的目标系统理论（Goal-system Theory），这一理论在研究行为时将动机与认知相结合，以目标系统的动态运作描述行为(Kruglanski et al., 2002)。对这个理论感兴趣的小朋友可以参考Kruglanski于2002年发布在《实验社会心理学进展（Advances in Experimental Social Psychology）》上的 《A Theory of Goal Systems》一文。基于这一理论，本研究认为，人们之所以进行多任务处理是由目标的特性决定的，其中对于多任务处理最重要的特性就是活跃目标（active goal）的数量以及目标的重要性一致程度。本研究假设：①人们普遍处于多目标环境中，但每个人认知中的处于活跃状态目标数量以及目标的行为驱动力（behavior-driving power）不同，一个人活跃目标数量越多，多任务处理就越多；②目标的相对重要性可以限制活跃目标数量影响多任务处理的影响，当一个目标尤其重要时，其他活跃目标会被抑制，人们多任务处理就会减少。

本研究使用6项研究验证以上假设。

研究1、探索活跃目标数与多任务处理水平的相关关系

研究设计及假设

研究1中主要观察两个变量——被试的目标激活程度和多任务处理水平。写出至多10个日常任务被视为目标激活的操作定义，因此写出任务的数量即视为激活目标数量。从被试做出的计划图（如上图）中计算出衡量多任务处理水平的指标（以下简称多任务指数）。指标包括：①块总数每个任务平均块数、②平均每块持续时间，③重叠块数及百分比、④重叠持续时间；并根据以上指标做出假设：

1.控制任务总数情况下，块越多，平均持续时间越短，多任务处理的程度就越大;

2.块数多或多小块表示将任务分解成更小的块，这是中途切换策略（interleaving/switching strategy）的特征。

3.重叠块越多，重叠的持续时间越长(相对于总任务数)，多任务处理的程度就越大(时间重叠也是多任务处理的一个定义特征，（Adler & Benbunan-Fich, 2012; Rubinstein et al，2001)。

研究被试及程序

G power计算，若达到检验力0.8需要样本至少153人，选取被试177名（男81，女96），在Pollster调查平台上进行线上研究。被试填写人口学信息，之后写出最多10项日常生活中的任务，然后要求被试创建今天剩余时间的计划，一个任务可以被分为很多块时间完成，同一块时间也可以同时完成多个任务，但此种情况要选择对应的事件分配的注意力水平（0%—100%），任务与任务间可以相互联系（interlock）和重叠（overlap），计划创建完，问被试为以上任务要求清晰度打分（1-7分，分越低越觉得要求不清晰，此步骤为筛除打分低于3以及被系统识别为计划不现实的被试数据。），最后被试将对两个关于计划的描述打分：①我通常事先计划好我的任务，②我怎么计划任务反映出了我是如何工作的。（七点计分，分数越低描述越不符合自己，用以检验被试所做计划反映真实做法的程度），被试做出的计划如下图所示，下图为3名被试的计划。

数据处理工具

数据处理使用的是R语言中的WRS2包计算了百分比的弯曲相关性，在这里介绍下弯曲相关百分比（ρpb）是两个随机变量之间线性关联的稳健度量，（稳健性统计技术适用于数据多是非正态分布时，ρpb这一指标变化的稳健性可以防范边际分布中的离群值的有害影响）(Mair & Wilcox, 2017)。 

研究结果

与假设一致，已被试写下任务的数量与平均块持续时间呈负相关（ρpb = -0.18, p = .007），正与重叠块数（ρpb = 0.40, p＜0.001），以及两个或多个任务重叠的时间量（ρpb= 0.33, p＜0.001）。此外，目标激活数与百分比测量(重叠块÷所有块数)的相关性也很显著（ρpb =0 .29, p＜0.001），这表明与重叠块数量的相关性不仅仅是计划中有更多任务的影响。目标激活数与重叠时间的百分比(相对于参与者计划他们的任务的总时间)的相关性也显著（ρpb = 0.32, p＜0.001）。唯一与激活目标数量无关的指标是每个任务的平均块数（ρpb = 0.12）。

研究1中初步验证了假设，目标激活数越多，他们就更倾向同时进行多个任务。其中还有一个重要发现：目标激活数与计划中重叠块数与所有块数的比值间的显著正相关，说明一个人的目标激活的越多，他就更加有意识的以多任务处理方式去计划更多的任务。

但研究1中被试被要求确定“日常生活中的任务”，可能有些参与者典型的一天里任务与研究当天并不同，因此在接下来的研究中，把 表述：“日常生活中的任务”改为“今天的任务”。

研究2、活跃目标数正向预测多任务处理

变量测量&研究设计

研究2观察的变量仍旧是多任务处理水平和目标激活，但研究2中目标激活通过实验操作完成。两个变量的操作定义如下：

• 多任务处理水平测量：要求被试40分钟内完成6个任务（每个任务Chrome独立标签显示）：①阅读一篇在线文章，②观看一段视频，③听广播，④数独游戏，⑤解决一组逻辑问题，⑥玩一局线上空气曲棍球。前三项任务内容都与兵马俑有关，为确保任务认真完成程度，完成任务之后被试需回答兵马俑相关的5个问题。任务呈现顺序随机，可以随意选择从哪项开始，可以在6个任务的chrome窗口间随意切换，多任务处理水平的测量指标即为切换窗口的次数（由特殊插件完成计数）

• 目标激活操作：任务开始15分钟后，中途要求被试填写操作表，控制组被试写下“以完成的任务”，让写下的任务目标“失活”；激活组被试要写下“尚未完成的任务”，以保持目标激活状态。

  
  

研究被试及程序

参与者被分成7人一组，每个人都在独立的小隔间，在收到指令后同时开始。当参与者填写操作表时，主试记录目前被试切换窗口次数。然后被试继续完成任务，直到40分钟结束。研究结束后，参与者回答任务相关问题。此时主试再次记录切换窗口的次数，并保存参与者在数独游戏和空气曲棍球游戏、逻辑谜题中的得分。

研究假设

填写操作表前的窗口切换数做控制变量，对控制组和目标激活组之后的窗口切换数进行差异检验，目标激活组的窗口切换次数应显著多于控制组。

数据处理

观察豆图（beanplot）发现由于窗口切换数并非正态分布，因此不比较平均值，比较中位数，使用R语言WRS2包中的pb2gen函数（检验中位数差异），通过bootstrap方法确定合适的置信区间和p值。

研究结果

图1 研究2中控制组与目标激活组切换次数分布豆图

结果显示，被试在目标激活状态下比在控制状态下切换得更频繁:目标激活和控制状态的中位数分别为23和17。中位数之间的差异检验表明，差异具有统计学意义，diff. = -6, p = .033, 95% CI[-13，-1]。同时，两组患者操作前开关数差异无统计学意义，diff. = -2, p = .092, 95% CI[- 6,0]。两种条件下在所有任务上的表现均无差异。

研究结果证实了假设，被实验激活的目标显著增加了任务之间的切换率。这进一步支持了假设，即一个人的目标越活跃，他的多任务处理能力就越强。

小结讨论1

研究1、2证明了自我干扰引发的目标激活对于多任务处理的作用，那么在日常生活中，外界的干扰引发的目标激活是否也会对多任务处理产生影响呢？研究3中，研究者即针对外界干扰引发的目标激活对多任务处理的影响进行了探索。