鑽石舞台

編輯|小巴

本文是對於論文《變忙碌背後的心理：目標激活造成的多任務處理（The Psychology of Getting Busy: Multitasking as a Consequence of Goal Activation）》的論文解析，該論文於年月發表在《實驗心理學雜誌：總論（JEPG）》上，作者為Ewa Szumowska和Arie W. Kruglanski。

研究背景與問題提出

現代生活節奏越來越快，以前老師家長罵我們的「一心八用」，如今卻已經成為了工作學習生活中的新常態。我們將這種「一心八用」的過程稱為多任務處理（Multitasking），對於多任務處理的研究由來已久，大多數現有研究針對高效的多任務處理的表現 (Janssen et al., 2015; Pashler, 1994; Salvucci & Taatgen, 2011的研究) 、多任務處理者的識別特徵(Buhner et al., 2006; Colom et al., 2010; Sanbonmatsu et al., 2013; Szumowska & Kossowska, 2016)以及多任務處理的結果（例如Carrier et al., 2015; Courage et al., 2015; Rothbart & Posner, 2015等人的研究）。但為什麼人們會開始多任務處理呢？什麼情況下人們才最可能去進行多重任務處理呢？本文章對這一問題進行了探索和研究。

理論與假設

本研究假設的提出基於Arie W. Kruglanski於2002年提出的的目標系統理論（Goal-system Theory），這一理論在研究行為時將動機與認知相結合，以目標系統的動態運作描述行為(Kruglanski et al., 2002)。對這個理論感興趣的小朋友可以參考Kruglanski於2002年發布在《實驗社會心理學進展（Advances in Experimental Social Psychology）》上的 《A Theory of Goal Systems》一文。基於這一理論，本研究認為，人們之所以進行多任務處理是由目標的特性決定的，其中對於多任務處理最重要的特性就是活躍目標（active goal）的數量以及目標的重要性一致程度。本研究假設：①人們普遍處於多目標環境中，但每個人認知中的處於活躍狀態目標數量以及目標的行為驅動力（behavior-driving power）不同，一個人活躍目標數量越多，多任務處理就越多；②目標的相對重要性可以限制活躍目標數量影響多任務處理的影響，當一個目標尤其重要時，其他活躍目標會被抑制，人們多任務處理就會減少。

本研究使用6項研究驗證以上假設。

研究1、探索活躍目標數與多任務處理水平的相關關係

研究設計及假設

研究1中主要觀察兩個變量——被試的目標激活程度和多任務處理水平。寫出至多10個日常任務被視為目標激活的操作定義，因此寫出任務的數量即視為激活目標數量。從被試做出的計劃圖（如上圖）中計算出衡量多任務處理水平的指標（以下簡稱多任務指數）。指標包括：①塊總數每個任務平均塊數、②平均每塊持續時間，③重疊塊數及百分比、④重疊持續時間；並根據以上指標做出假設：

1.控制任務總數情況下，塊越多，平均持續時間越短，多任務處理的程度就越大;

2.塊數多或多小塊表示將任務分解成更小的塊，這是中途切換策略（interleaving/switching strategy）的特徵。

3.重疊塊越多，重疊的持續時間越長(相對於總任務數)，多任務處理的程度就越大(時間重疊也是多任務處理的一個定義特徵，（Adler & Benbunan-Fich, 2012; Rubinstein et al，2001)。

研究被試及程序

G power計算，若達到檢驗力0.8需要樣本至少153人，選取被試177名（男81，女96），在Pollster調查平台上進行線上研究。被試填寫人口學信息，之後寫出最多10項日常生活中的任務，然後要求被試創建今天剩餘時間的計劃，一個任務可以被分為很多塊時間完成，同一塊時間也可以同時完成多個任務，但此種情況要選擇對應的事件分配的注意力水平（0%—100%），任務與任務間可以相互聯繫（interlock）和重疊（overlap），計劃創建完，問被試為以上任務要求清晰度打分（1-7分，分越低越覺得要求不清晰，此步驟為篩除打分低於3以及被系統識別為計劃不現實的被試數據。），最後被試將對兩個關於計劃的描述打分：①我通常事先計劃好我的任務，②我怎麼計劃任務反映出了我是如何工作的。（七點計分，分數越低描述越不符合自己，用以檢驗被試所做計劃反映真實做法的程度），被試做出的計劃如下圖所示，下圖為3名被試的計劃。

數據處理工具

數據處理使用的是R語言中的WRS2包計算了百分比的彎曲相關性，在這裡介紹下玩去相關百分比（ρpb）是兩個隨機變量之間線性關聯的穩健度量，（穩健性統計技術適用於數據多是非正態分布時，ρpb這一指標變化的穩健性可以防範邊際分布中的離群值的有害影響）(Mair & Wilcox, 2017)。

研究結果

與假設一致，已被試寫下任務的數量與平均塊持續時間呈負相關（ρpb = -0.18, p = .007），正與重疊塊數（ρpb = 0.40, p＜0.001），以及兩個或多個任務重疊的時間量（ρpb= 0.33, p＜0.001）。此外，目標激活數與百分比測量(重疊塊÷所有塊數)的相關性也很顯著（ρpb =0 .29, p＜0.001），這表明與重疊塊數量的相關性不僅僅是計劃中有更多任務的影響。目標激活數與重疊時間的百分比(相對於參與者計劃他們的任務的總時間)的相關性也顯著（ρpb = 0.32, p＜0.001）。唯一與激活目標數量無關的指標是每個任務的平均塊數（ρpb = 0.12）。

研究1中初步驗證了假設，目標激活數越多，他們就更傾向同時進行多個任務。其中還有一個重要發現：目標激活數與計劃中重疊塊數與所有塊數的比值間的顯著正相關，說明一個人的目標激活的越多，他就更加有意識的以多任務處理方式去計劃更多的任務。

但研究1中被試被要求確定「日常生活中的任務」，可能有些參與者典型的一天裡任務與研究當天並不同，因此在接下來的研究中，把 表述：「日常生活中的任務」改為「今天的任務」。

研究2、活躍目標數正向預測多任務處理

變量測量&研究設計

研究2觀察的變量仍舊是多任務處理水平和目標激活，但研究2中目標激活通過實驗操作完成。兩個變量的操作定義如下：

多任務處理水平測量：要求被試40分鐘內完成6個任務（每個任務Chrome獨立標籤顯示）：①閱讀一篇在線文章，②觀看一段視頻，③聽廣播，④數獨遊戲，⑤解決一組邏輯問題，⑥玩一局線上空氣曲棍球。前三項任務內容都與兵馬俑有關，為確保任務認真完成程度，完成任務之後被試需回答兵馬俑相關的5個問題。任務呈現順序隨機，可以隨意選擇從哪項開始，可以在6個任務的chrome窗口間隨意切換，多任務處理水平的測量指標即為切換窗口的次數（由特殊插件完成計數）

目標激活操作：任務開始15分鐘後，中途要求被試填寫操作表，控制組被試寫下「以完成的任務」，讓寫下的任務目標「失活」；激活組被試要寫下「尚未完成的任務」，以保持目標激活狀態。

研究被試及程序

參與者被分成7人一組，每個人都在獨立的小隔間，在收到指令後同時開始。當參與者填寫操作表時，主試記錄目前被試切換窗口次數。然後被試繼續完成任務，直到40分鐘結束。研究結束後，參與者回答任務相關問題。此時主試再次記錄切換窗口的次數，並保存參與者在數獨遊戲和空氣曲棍球遊戲、邏輯謎題中的得分。

研究假設

填寫操作表前的窗口切換數做控制變量，對控制組和目標激活組之後的窗口切換數進行差異檢驗，目標激活組的窗口切換次數應顯著多於控制組。

數據處理

觀察豆圖（beanplot）發現由於窗口切換數並非正態分布，因此不比較平均值，比較中位數，使用R語言WRS2包中的pb2gen函數（檢驗中位數差異），通過bootstrap方法確定合適的置信區間和p值。

研究結果

圖1 研究2中控制組與目標激活組切換次數分布豆圖

結果顯示，被試在目標激活狀態下比在控制狀態下切換得更頻繁:目標激活和控制狀態的中位數分別為23和17。中位數之間的差異檢驗表明，差異具有統計學意義，diff. = -6, p = .033, 95% CI[-13，-1]。同時，兩組患者操作前開關數差異無統計學意義，diff. = -2, p = .092, 95% CI[- 6,0]。兩種條件下在所有任務上的表現均無差異。

研究結果證實了假設，被實驗激活的目標顯著增加了任務之間的切換率。這進一步支持了假設，即一個人的目標越活躍，他的多任務處理能力就越強。

小結討論1

研究1、2證明了自我干擾引發的目標激活對於多任務處理的作用，那麼在日常生活中，外界的干擾引發的目標激活是否也會對多任務處理產生影響呢？研究3中，研究者即針對外界干擾引發的目標激活對多任務處理的影響進行了探索。