随着分裂型人格和自闭症特质增加而改变的语义预测误差加工

Altered semantic prediction error processing with increasing schizotypal and autistic traits

作者信息Elisabeth F Sterner, Verena F Demler, Rachel Lenz, Lucy J MacGregor, Christoph Mathys, Franziska Knolle

PMID42816505

期刊Transl Psychiatry

发布时间2026-09-30

DOI10.1038/s41398-026-04479-4

来源查看原文

实验完整度

高

包含健康亚临床样本的听觉任务、计算建模与EEG两个独立证据层级，并有N400功能验证和机制建模。

主要模型

55名右利手德语母语健康参与者（18–35岁，28名女性）听觉预测性语言加工任务贝叶斯信念更新计算模型 EEG N400事件相关电位

重点核对

参与者样本量55，右利手德语母语者，18–35岁，28名女性，听力正常任务为200个句子，四种可预测性条件：高（N=80，其中40为高错配）、中（N=80）、低（N=40）句子末尾词经1、3、6、12通道噪声声码化，四个清晰度水平在被试间和句子间平衡计算模型采用beta-Bernoulli贝叶斯更新，分层线性模型纳入熵、完形概率、通道数和主观清晰度评分，以SPQ/AQ/VCI调节先验权重 N400为句子末尾词后300–500 ms平均波幅，取15个中央顶区电极，仅分析正确反应，脑电分析中参与者与电极位置为随机截距

摘要

预测加工已被提出作为自闭症谱系障碍（ASD）和精神分裂症谱系障碍（SSD）症状发展的框架，其中ASD与（低水平）感觉证据的过度加权相关，而SSD以（高水平）先验信念的过度加权为特征，二者均导致预测误差加工的改变。本研究在语言加工过程中考察了这些假设及其在ASD和SSD亚临床表达中的电生理相关性。参与者完成了一项听觉理解任务，该任务操纵了高水平语义先验信念和低水平感觉证据的精确性。研究使用分层贝叶斯信念更新建模和脑电图来检验先验信念与感觉证据加权的不平衡是否反映在语义预测误差加工的改变中，以平均N400波幅为特征。计算建模显示，分裂型特质增加与先验信念的显著过度加权相关，而自闭症特质未显示出显著偏移。平均N400波幅的线性混合效应模型表明，与分裂型相关的语义先验信念过度加权反映为语义预测误差信号的减弱，表现为高可预测性句子与低可预测性及高可预测性错配句子之间N400差异的减小。自闭症特质增加也出现了类似但更弱且更不明显的模式。这些发现为随着亚临床分裂型增加而出现的语义先验信念过度加权提供了计算和电生理学的汇聚性支持。相反，自闭症特质增加与感觉证据的过度加权无关，电生理结果反而提示语义先验信念加权的细微改变。

参与者招募与特质评估

获取亚临床分裂型和自闭症特质及言语理解能力的个体差异指标。

招募55名右利手德语母语者，完成SPQ、AQ和WAIS-IV言语理解指数（VCI）子测验，并收集人口学信息。

听觉预测性语言任务实施

独立操纵高水平语义先验精确性和低水平感觉证据精确性，考察语言预测加工行为。

参与者通过耳机听句子开头，随后呈现经噪声声码化的句子末尾词；对末尾词清晰度和反应信心进行评分，并报告所听到的词。共200个试次，分4个区组，每区组50试次，实验前有7个练习试次。

行为数据分析

验证任务操纵对主观清晰度、信心和反应类型的影响，并考察与特质标记的关联。

使用重复测量ANOVA分析清晰度和信心评分受可预测性和感觉证据的影响，分析正确反应、无反应和任务相关幻觉比例；使用Pearson相关考察与SPQ、AQ、VCI的关联。

贝叶斯信念更新计算建模

量化高水平语义先验信念相对于感觉证据的权重，并检验其是否受亚临床特质调节。

采用beta-Bernoulli贝叶斯更新模型估计每试次先验权重ν，先验和事后完形概率分别来自规范样本和实验样本；在分层线性模型中纳入熵、刺激完形概率、通道数和主观清晰度，并加入SPQ、AQ或VCI作为被试水平调节变量。

EEG数据采集与N400提取

获取语义预测误差的神经生理指标N400，并检验其受可预测性和特质标记调节。

预处理后以句子末尾词为起点分段−200–1000 ms，基线校正前200 ms；基于局部峰峰波幅自动修复或拒绝试次；对正确反应按四种可预测性条件平均，取15个中央顶区电极在300–500 ms的平均波幅作为N400。

N400线性混合效应模型分析

检验可预测性条件、亚临床和认知特质及其交互作用对平均N400波幅的影响。

以高可预测性为基线，将可预测性水平、标化的SPQ/AQ/VCI及交互作用作为固定效应，参与者和电极位置作为随机截距，分别对SPQ、AQ、VCI建模；进行Tukey事后检验和简单斜率分析。

晚期时间窗控制分析

考察条件或特质相关效应是否延伸至N400之后的时间窗。

使用相同的电极簇和统计方法分析句子末尾词后600–900 ms的晚期时间窗。

实验环节	名称	品牌	货号
听觉刺激呈现	噪声声码化	--	--
计算建模	rstan	--	--
EEG分析	mne Python 1.5.0	--	--
autoreject 0.4.1	--	--

实验环节

名称

品牌

货号

听觉刺激呈现

计算建模

EEG分析

环节	核对要点
参与者	模型：55名右利手德语母语健康参与者，18–35岁，28名女性，听力正常；SPQ、AQ、VCI得分分布；样本量55 阅读提示：Methods Participants小节
听觉预测性语言任务	句子数量与可预测性条件：高可预测性N=80（其中高错配N=40），中N=80，低N=40；声码化通道数1、3、6、12；末尾词延迟100 ms；清晰度和信心评分0–100滑块；200试次分4区组；试次随机化和清晰度平衡方式阅读提示：Methods Stimuli和Task小节，Fig. 1B
计算建模	模型：beta-Bernoulli贝叶斯更新；先验和后验完形概率来源；分层线性模型变量（熵、完形概率、通道数、清晰度）；SPQ/AQ/VCI分别建模；HMC采样4链×2000次迭代（含1000预热）；rstan软件包阅读提示：Methods Computational modelling小节，Table 1，Fig. 3
EEG数据采集与N400提取	分段窗口−200–1000 ms；基线−200–0 ms；N400窗口300–500 ms；15个中央顶区电极；仅正确反应；autoreject自动拒绝；平均剔除试次数12.2（SD=15.37）；跨退化水平合并阅读提示：Methods EEG Analysis小节，Fig. 4
N400统计分析	模型：线性混合效应模型，高可预测性为基线；固定效应包括可预测性水平、SPQ/AQ/VCI及交互作用；随机截距参与者和电极位置；Tukey事后检验和简单斜率分析；分别对SPQ、AQ、VCI建模；样本量55，观测数3300 阅读提示：Methods EEG Analysis小节，Results N400 analysis，Table 2

环节

核对要点

参与者

模型：55名右利手德语母语健康参与者，18–35岁，28名女性，听力正常；SPQ、AQ、VCI得分分布；样本量55

阅读提示：Methods Participants小节

听觉预测性语言任务

句子数量与可预测性条件：高可预测性N=80（其中高错配N=40），中N=80，低N=40；声码化通道数1、3、6、12；末尾词延迟100 ms；清晰度和信心评分0–100滑块；200试次分4区组；试次随机化和清晰度平衡方式

阅读提示：Methods Stimuli和Task小节，Fig. 1B

计算建模

模型：beta-Bernoulli贝叶斯更新；先验和后验完形概率来源；分层线性模型变量（熵、完形概率、通道数、清晰度）；SPQ/AQ/VCI分别建模；HMC采样4链×2000次迭代（含1000预热）；rstan软件包

阅读提示：Methods Computational modelling小节，Table 1，Fig. 3

EEG数据采集与N400提取

分段窗口−200–1000 ms；基线−200–0 ms；N400窗口300–500 ms；15个中央顶区电极；仅正确反应；autoreject自动拒绝；平均剔除试次数12.2（SD=15.37）；跨退化水平合并

阅读提示：Methods EEG Analysis小节，Fig. 4

N400统计分析

模型：线性混合效应模型，高可预测性为基线；固定效应包括可预测性水平、SPQ/AQ/VCI及交互作用；随机截距参与者和电极位置；Tukey事后检验和简单斜率分析；分别对SPQ、AQ、VCI建模；样本量55，观测数3300

阅读提示：Methods EEG Analysis小节，Results N400 analysis，Table 2

大家都在搜

大家都在搜