在传统实验室环境、虚拟环境和现实生活条件下进行编码后获得的识别记忆的神经相关性表明，记忆处理过程存在模式特异性（即不同感知模式对记忆形成的影响不同）

《Acta Psychologica》：Neural correlates of recognition memory obtained after encoding under conventional laboratory, virtual, and real-life conditions reveal modality-specific mnemonic processing

　　玛丽克·约翰斯多夫（Marike Johnsdorf）、乔安娜·基斯克（Joanna Kisker）、梅尔·萨奇霍恩（Merle Sagehorn）、托马斯·霍夫曼（Thomas Hofmann）、托马斯·格鲁伯（Thomas Gruber）、本杰明·舍内（Benjamin Sch?ne）

德国奥斯纳布吕克大学心理学研究所实验心理学I课程

摘要

传统的心理学实验室研究为人类识别记忆的功能提供了基本的见解。然而，人们开始质疑在实验室中识别的简化二维（2D）刺激是否能够准确反映其三维（3D）实物在现实世界中的检索过程。为了探索记忆处理方面的潜在差异，我们进行了一项比较研究，参与者在2D屏幕（PC）上或实验设置的物理复制品中对物体进行编码后，完成了传统的识别记忆任务。此外，还通过虚拟现实（VR）重新创建了编码环境，以进一步缩小物理现实与屏幕呈现之间的差距。在所有条件下，行为结果都通过脑电图（EEG）中的记忆敏感指标（即ERP和振荡脑活动）进行了补充。我们的研究结果显示了整体较高的记忆表现。值得注意的是，EEG指标表明，不同的子过程根据现实感的程度对成功识别有所贡献。具体来说，虽然在不同条件下都观察到了顶叶ERP的旧/新效应，但只有PC条件产生了显著的中额叶ERP旧/新效应。此外，较低的θ波段反应在所有条件下都可靠地标记了成功的识别，而较高的θ波段反应则表明在VR条件下的识别更为轻松，物理现实介于两者之间。重要的是，不同条件下的α波段反应相似，这表明这些差异不能仅仅归因于注意力资源的分配。总之，这项研究为记忆处理的模态特异性提供了证据，并表明现实感会影响记忆处理的特点。它提倡在心理学研究中应用VR，以有效地研究逼真的认知过程。

1. 引言

重新体验过去的事件是日常生活的一部分，而识别记忆（RM）作为正确识别先前遇到的刺激的一种机制，是人类认知的核心因素。识别可以从熟悉感开始——这是一种相对主观的感觉，即曾经遇到过某个项目（Mandler, 2008），而不需要回忆具体的细节（Curran & Doyle, 2011），到回忆，涉及有意图的过程（Jacoby, 1991），以识别先前经历事件的定性细节（Rugg & Yonelinas, 2003; Yonelinas et al., 2010）。与单过程观点相反，该观点认为识别基于一个连续的过程，表现为较弱或较强的记忆反应（参见Donaldson, 1996; Dunn, 2004），双过程观点提出熟悉感和回忆是RM背后的两个互补过程（综述见Yonelinas, 2002）。

熟悉感和回忆之间的区别与大脑对先前遇到项目的反应分离有关，特别是通过事件相关电位（ERPs；Rugg & Yonelinas, 2003）来索引——这种电压偏转与刺激出现的时间锁定。一个公认的发现是在记住/知道RM任务中观察到的ERP旧/新效应。这些任务要求参与者确定一个项目是否在之前的编码会话中显示过（旧项目）以及他们是否有意识地回忆了这些信息（Tulving, 1985）。当刺激被正确识别为旧项目时，ERP的幅度比新项目更正，从而产生了一种称为ERP旧/新效应的差异（综述见Mecklinger, 2000; Rugg & Curran, 2007）。重要的是，这种效应的时间和地形特征取决于项目是仅仅熟悉还是被有意识地回忆。基于熟悉感的识别与早期中额叶ERP旧/新效应更为相关。这种效应通常在刺激出现后300-500毫秒内发生，并在前额中线电极处记录。相比之下，基于回忆的识别与较晚的旧/新效应更为相关，后者在左侧顶叶电极位置最为明显（Curran, 2000; Luck, 2012; 综述见Mecklinger, 2000; Rugg et al., 1996; Rugg & Curran, 2007）。

除了与刺激出现直接相关的ERP效应外，一些与记忆相关的过程在时间上与刺激略有差异。换句话说，这些过程与振荡活动有关，这些活动并不完全与刺激出现同步。这种非相位锁定的（诱导的）振荡脑活动提供了超出ERP所能揭示的关于记忆机制的额外见解（参见Eckhorn et al., 1990; Gruber & Müller, 2002）。例如，成功的识别与在θ波段反应（TBR；4-8 Hz）中观察到的旧/新效应有关，该反应在中额叶电极处记录（例如，Burgess & Gruzelier, 1997; Gruber et al., 2008; Klimesch et al., 2001; 综述见Hsieh & Ranganath, 2014; Nyhus & Curran, 2010）。TBR中的这种旧/新效应还表现为对旧刺激的响应幅度更高——即同步性更强，并且可以进一步细分为较高θ波段（UTBR；约7 Hz）和较低θ波段（LTBR；约3 Hz），反映了记忆处理的特定功能特性（Past?tter & B?uml, 2014）。成功的识别通常伴随着更多的注意力资源分配来检索存储的记忆，这反映在α波段反应（ABR；8-13 Hz）中。被识别的项目通常与ABR幅度的减少相关，即去同步，这在顶叶电极位置测量（Klimesch, 1996; Klimesch et al., 1997; Sauseng et al., 2005; 综述见Klimesch, 1999）。总之，在RM过程中，TBR的同时同步和ABR的去同步与任务需求的增加以及由此产生的心理活动有关（综述见Klimesch, 1999）。

尽管这些电生理相关性所反映的记忆过程和机制与RM可靠相关（例如，Hsieh & Ranganath, 2014; Rugg & Curran, 2007），但人们开始质疑传统实验室研究中通常使用的二维（2D）刺激的记忆处理是否能够准确反映其三维（3D）实物的现实世界处理（参见例如Snow et al., 2014; Snow & Culham, 2021）。通常，RM是通过在传统实验室环境中使用简单的刺激（如单词列表或2D图片）来评估行为和神经反应，这些刺激仅提供立体线索，不允许通过双眼视觉进行3D感知（例如，Curran, 2000; Gruber et al., 2008; Klimesch et al., 2000; Neville et al., 1986）。然而，这些人造刺激与复杂现实世界环境中的刺激并不相同。与简化的实验室等效物相比，现实生活中的物体提供了多感官线索，增加了现实感，可以引发特定模态的行为和神经反应（综述见Snow & Culham, 2021）。重要的是，与相同物体的2D图像相比，现实生活中的物体的记忆表现更好（Snow et al., 2014）。此外，研究自传体记忆的神经成像研究揭示了在自然环境中编码的事件与在传统实验室中检索信息时的不同神经激活模式（例如，Cabeza et al., 2004; Chen et al., 2017）。尽管特定模态的机制并不总是在行为层面表现出来（参见例如Cabeza et al., 2004），但这些发现表明传统实验室和现实生活环境中的记忆处理存在差异。然而，多感官真实刺激对RM子过程的影响与传统实验室相比仍有待研究。到目前为止，只有少数研究在物理现实中调查了认知过程，因为涉及真实生活刺激的同时保持高水平的实验控制是一个极其具有挑战性的过程，需要大量资源（参见Romero & Snow, 2019）。因此，本研究旨在比较物理现实中简化2D刺激及其3D对应物的记忆处理。为了进一步缩小传统实验室与物理现实之间的差距，引入了虚拟现实（VR）作为额外的编码模式。

VR提供了一种合适的方法论方法，可以在保持高度可控性的同时研究逼真的环境中的认知过程（Reggente et al., 2018）。特别是，沉浸式VR体验提供了丰富的感官环境和增强的存在感（Lee, 2025; Parsons, 2015; Serino & Repetto, 2018; Slater et al., 1994; Slater & Wilbur, 1997）。在感知层面上，沉浸式VR可以设计成模仿真实的物理特征，例如，通过提供双眼线索（Parsons, 2015; Wrzus et al., 2024）。基于这些感知特征，交互式场景和刺激通过响应用户的头部和身体动作来模拟现实生活中的互动（例如，Kisker, Lange, et al., 2021; Rizzo & Koenig, 2017; Tromp et al., 2020; Wrzus et al., 2024）。此外，头部跟踪复制了前庭输入（例如，平衡）和本体感觉线索（例如，身体位置），而桌面设置在提供沉浸感方面有限（Costes & Lécuyer, 2022; Santos et al., 2008）。这些沉浸式特征被认为可以增强存在感，即处于某个（虚拟）环境中的心理感觉；换句话说，就是“在那里”的感觉（Sheridan, 1992; Slater et al., 1994）。由于沉浸感和存在感，基于VR的实验被认为可以缩小传统实验室与物理现实之间的差距（综述和深入讨论见de la Rosa & Breidt, 2018; Kothgassner & Felnhofer, 2020; Lee, 2025; Pan & Hamilton, 2018; Parsons, 2015; Parsons et al., 2020; Wrzus et al., 2024）。

重要的是，先前的研究在虚拟和现实生活环境中获得了关于生理和情感反应（Chirico & Gaggioli, 2019; Gorini et al., 2010）、心理生理反应（Kisker, Johnsdorf, et al., 2025a; Kisker, Johnsdorf, Sagehorn, Hofmann, et al., 2024; Sch?ne, Kisker, Lange, et al., 2023）以及主观用户体验（Kuliga et al., 2015）的可比结果。与VR和物理现实中的反应相似性相比，比较VR与传统实验室的研究揭示了虚拟和传统2D环境之间记忆处理的显著差异（Johnsdorf, Kisker, et al., 2023; Kisker, Gruber and Sch?ne, 2021b, Kisker, Gruber and Sch?ne, 2021a; Kisker, Soethe, et al., 2025; Sch?ne et al., 2019）。特别是，电生理发现表明，在VR环境中观察到的刺激涉及更多的多模态处理过程。此外，先前的研究还表明，在VR条件下编码的信息检索主要涉及基于回忆的记忆过程，而在编码2D刺激后，则主要是基于熟悉感的RM机制（Kisker, Gruber, & Sch?ne, 2021a）。尽管行为反应并不总是能揭示作为模态功能的检索过程之间的差异，但神经反应表明，在VR条件下编码后的检索努力比在2D条件下编码后的检索努力要小（Kisker, Gruber, & Sch?ne, 2021b）。总的来说，将VR应用于模拟物理现实的研究表明，认知过程表现出特定模态的功能特性。因此，将传统实验室的先前研究转移到真实环境中以了解人类认知是非常有趣的。

为了解决上述关于现实感对记忆处理影响的担忧，本研究采用了Sch?ne及其同事提出的研究策略（Sch?ne, Kisker, Lange, et al., 2023）进行了三重比较。为了比较特定模态的记忆机制，参与者在传统2D屏幕（PC）上、虚拟环境中的虚拟3D对象上或现实生活环境中的真实3D打印对象上执行了延迟匹配样本任务。随后，在所有条件下都在传统2D屏幕上进行了记住/知道RM任务。为了确定虚拟和现实生活环境中的RM与传统实验室的差异程度，编码过程中的程序被调整为保持刺激材料的顺序呈现。

考虑到我们研究设计的可行性，我们旨在复制PC条件下的典型RM神经相关性。特别是，考虑到双过程理论作为RM背后子过程的合理性，我们预期会观察到中额叶和顶叶ERP的旧/新效应，即对正确评为旧刺激的ERP偏转比正确评为新刺激的ERP偏转更为正向。在频率域中，我们假设在TBR中获得典型的旧/新效应，即对旧刺激的响应同步性更强，以及在ABR中对旧刺激的响应去同步性更强。鉴于增加的现实感对认知和行为反应有显著影响的证据，我们预计在更真实的条件下记忆处理会有所不同。将传统实验室条件下的预期发现与在强化学习（RL）和虚拟现实（VR）条件下的行为表现进行比较，将为现实多感官环境中的记忆提取（RM）及其子过程提供新的见解。2. 方法当前的结果来源于一个大规模数据集，该数据集使用了相同的实验程序和数据采集方法（预注册信息请参见：https://osf.io/e64cd/?view_only=cba2d368d21f483a85dc701c0b11d216）。手头的分析仅限于与当前研究问题相关的数据集子集。其他关于这个综合数据集的子集将在后续出版物中讨论（Kisker, Johnsdorf等人，2025a；Kisker, Johnsdorf, Sagehorn, Hofmann等人，2024）。由于所有出版物都基于相同的实验，我们力求在方法学描述上达到最大程度的一致性。这必然导致出版物之间存在重叠，例如在描述实验程序和方法学信息的图表细节上。2.1. 参与者使用G*Power（Faul等人，2007）进行了事前功效分析。基于先前研究观察到在不同模态下研究感知和记忆过程时存在显著效应（Johnsdorf, Kisker等人，2023；Sch?ne, Kisker, Lange等人，2023），本实验预期的效应量为η2 = 0.14，表示效应较大（Cohen，1988）。由于估计的样本量需要适合于针对实验不同方面进行的各种分析，因此功效分析基于方差分析（ANOVA），α错误概率为0.05，功效为0.95。分析显示，为了在每个实验组中达到相同的样本量，需要总共98名参与者，因此每种条件下收集了33名参与者的数据。总共招募了107名参与者，通过心理学学生电子邮件列表、大学在线公告板以及心理学学士和硕士课程的学生。所有参与者在参与前都接受了心理、精神或神经系统疾病及物质滥用方面的筛查。年龄范围限制在18-39岁之间，这是RM研究中常见的做法，以最小化潜在的年龄相关回忆和识别差异（参见例如Rhodes等人，2019）。有3名参与者因不符合纳入标准而被排除，1名参与者提前终止了实验，另有4名参与者因技术问题被排除。因此，数据分析中包括了n=99名参与者的数据（男性31名，女性68名；PC组：n=33，平均年龄=22.48岁，标准差=3.06岁，女性20名；VR组：n=33，平均年龄=22.21岁，标准差=3.80岁，女性23名；RL组：n=33，平均年龄=22.76岁，标准差=2.82岁，女性25名）。参与者获得了部分课程学分或20欧元，并有机会赢得两张50欧元的代金券之一。该研究符合《赫尔辛基宣言》的要求，并获得了当地伦理委员会的批准。所有参与者在参与前都签署了书面同意书。2.2. 刺激材料与设置使用Supershapes（版本0.0.3，https://andrewmarsh.com/software/supershapes-web/）和Rhino（版本5；Robert McNeel & Associates，西雅图，华盛顿州，美国）建模了一组160个3D对象。其中40个对象进行了轻微修改，总共得到了200个3D模型。两名研究者识别出具有潜在语义关联的对象，并将其替换为新的对象。最终在编码阶段使用了40个有变化的对象和另外40个没有变化的对象（见图1），而其余80个对象仅包含在检索阶段。这些3D对象的模型在PC和VR条件下都得到了使用。对于RL条件，使用3D打印机创建了40个对象的两种略有变化的版本。为了确保参与者无法通过记住打印过程产生的纹理特征来区分这两种对象对，每个对象被打印了两次，从而得到了总共160个3D打印对象，最大的对象尺寸为10×10×10厘米，最小的对象尺寸为5×5×5厘米。PC和VR条件下3D对象的纹理都调整为了与真实3D打印品的纹理相匹配。根据RL条件下最大的对象，调整了所有条件下的对象视角，最大垂直视角为7.01°。下载：下载高分辨率图像（167KB）下载：下载全尺寸图像图1. 编码阶段延迟匹配样本任务中使用的80个对象要么有轻微变化（a），要么完全相同（b）。所有三个实验条件都根据相同的设计概念进行，以保持高度可比性。PC和VR条件都是基于RL条件使用Unity（版本2020.3.3f1；Unity Technologies，旧金山，美国）创建的。所有条件下的参与者都佩戴了耳塞以减少外部噪音。RL条件下的参与者坐在一张桌子旁，桌子面对一个架子的背面，距离架子65厘米。在架子的一个孔前安装了两扇门，每扇门都连接着一个由微控制器（Raspberry Pi4；Raspberry Pi Ltd.，剑桥，英国）控制的步进电机。实验过程中，门会自动打开和关闭，以便展示它们后面的3D对象。门在打开和关闭时会产生大约80分贝的声音。在孔周围安装了一条带有90个LED的LED侧灯带，以提供彩色编码的光信号，并在门上安装了一个黑色固定点。控制门和LED灯带的程序是在Thonny（https://thonny.org；版本3.3.14）中使用Python（版本3.9.2）开发的。桌子上装有两个内置的彩色编码按钮，用于记录参与者在延迟匹配样本任务中的反应。下载：下载高分辨率图像（391KB）下载：下载全尺寸图像图2. 三种模式下编码阶段延迟匹配样本任务的设置。注意：每次试验开始时都有一个固定注视期（白色编码信号关闭），接着是对象展示期（无颜色编码信号），然后是探索期（绿色编码信号），之后需要返回对象（红色编码闪烁信号）。在刺激间隔（5秒）之后，按照相同的程序展示第二个对象。门关闭且第二个对象不再可见后，参与者需要通过按按钮来指示两个对象是否相同（蓝色和黄色编码信号）。正确回答时会通过蓝色和黄色闪烁的彩色编码信号提供反馈，错误回答则会通过关闭彩色编码信号来表示。（关于此图例中颜色的解释，请参阅本文的网络版本。）在VR条件下，重新创建了RL条件的实验室环境和实验设置（见图2）。虚拟环境使用HTC Vive Pro 2 VR头戴显示器（VR-HMD；每只眼睛2448×2448像素的分辨率，视野60°，帧率90Hz；HTC，桃园，台湾）呈现，并连接了一个Leap Motion控制器1（Ultraleap Limited，布里斯托尔，英国），通过手部追踪实现与对象的交互。用于记录延迟匹配样本任务中反应的按钮、提供彩色编码信号的LED灯带以及参与者的座位位置与RL条件下的相同。门的声音通过集成在HTC Vive Pro 2 VR-HMD中的耳机以80分贝的音量再现。在PC条件下，3D对象在传统的2D屏幕上以二维方式展示（24英寸，1920×1200像素的分辨率，帧率60Hz）。使用传统的计算机鼠标与对象进行交互，参与者与屏幕的距离为65厘米。屏幕上显示了两个按钮用于记录延迟匹配样本任务中的反应，屏幕边缘显示了一个彩色框架，类似于LED灯带，以提供彩色编码信号（见图2）。使用与背景相同颜色的门来模拟现实生活中的门的开合过程。根据RL条件下最大的对象调整了所有条件下的对象视角，最大垂直视角为7.01°。下载：下载高分辨率图像（167KB）下载：下载全尺寸图像图1. 示例刺激材料。注意：编码阶段延迟匹配样本任务中使用的80个对象要么有轻微变化（a），要么完全相同（b）。所有三个实验条件都根据相同的设计概念进行，以保持高可比性。PC和VR条件都是基于RL条件使用Unity（版本2020.3.3f1；Unity Technologies，旧金山，美国）创建的。所有条件下的参与者都佩戴了耳塞以减少外部噪音。RL条件下的参与者坐在一张桌子旁，桌子面对一个架子的背面，距离架子65厘米。在架子的一个孔前安装了两扇门，每扇门都连接着一个由微控制器（Raspberry Pi4；Raspberry Pi Ltd.，剑桥，英国）控制的步进电机。实验过程中，门会自动打开和关闭，以便展示它们后面的3D对象。门在打开和关闭时会产生大约80分贝的声音。在孔周围安装了一条带有90个LED的LED侧灯带，以提供彩色编码的光信号，并在门上安装了一个黑色固定点。控制门和LED灯带的程序是在Thonny（https://thonny.org；版本3.3.14）中使用Python（版本3.9.2）开发的。桌子上装有两个内置的彩色编码按钮，用于记录参与者在延迟匹配样本任务中的反应。下载：下载高分辨率图像（391KB）下载：下载全尺寸图像图2. 三种模式下编码阶段延迟匹配样本任务的设置。注意：每次试验开始时都有一个固定注视期（白色编码信号关闭），接着是对象展示期（无颜色编码信号），然后是探索期（绿色编码信号），之后需要返回对象（红色编码闪烁信号）。在刺激间隔（5秒）之后，按照相同的程序展示第二个对象。门关闭且第二个对象不再可见后，参与者需要通过按按钮来指示两个对象是否相同（蓝色和黄色编码信号）。正确回答时会通过蓝色和黄色闪烁的彩色编码信号提供反馈，错误回答则会通过关闭彩色编码信号来表示。（关于此图例中颜色的解释，请参阅本文的网络版本。）在VR条件下，重新创建了RL条件的实验室环境和实验设置（见图2）。虚拟环境使用HTC Vive Pro 2 VR头戴显示器（VR-HMD；每只眼睛2448×2448像素的分辨率，视野60°，帧率90Hz；HTC，桃园，台湾）呈现，并连接了一个Leap Motion控制器1（Ultraleap Limited，布里斯托尔，英国），通过手部追踪实现与对象的交互。用于记录延迟匹配样本任务中反应的按钮、提供彩色编码信号的LED灯带以及参与者的座位位置与RL条件下的相同。门的声音通过集成在HTC Vive Pro 2 VR-HMD中的耳机以80分贝的音量再现。在PC条件下，3D对象在传统的2D屏幕上以二维方式展示（24英寸，1920×1200像素的分辨率，帧率60Hz）。使用传统的计算机鼠标与对象进行交互，参与者与屏幕的距离为65厘米。屏幕上显示了两个按钮用于记录延迟匹配样本任务中的反应，屏幕边缘显示了一个彩色框架，类似于LED灯带，以提供彩色编码信号（见图2）。使用与背景相同颜色的门来模拟现实生活中的门的开合过程。RL条件下门在打开和关闭过程中的声音通过扬声器以80分贝的音量再现。检索阶段在传统的2D显示器上进行了（24英寸，1920×1200像素的分辨率，帧率60Hz）。参与者坐在显示器前115厘米的位置，使用传统的键盘记录答案。水平视角为5.48°，垂直视角为4.33°。2.3. 实验包括两个阶段：编码阶段和检索阶段，这两个阶段都包括脑电图（EEG）的采集。编码阶段的实验要么在现实生活中（RL）进行，通过PC显示器（PC），要么通过VR-HMD（VR；见2.2 刺激材料与设置）进行。通常，参与者被随机分配到这些条件之一，而佩戴眼镜的参与者由于技术限制被随机分配到RL或PC条件。完成病史记录后，设置EEG，并为参与者配备VR-HMD，或者让他们坐在PC条件下的2D显示器前，或者在RL条件下的桌子前。每个实验开始前都有一个包含两次试验的训练阶段，一次使用相同的对象对，一次使用不同的对象对，让参与者熟悉相应模式下的程序和操作方法。可以根据需要重复训练阶段。在确保参与者能够正确完成任务且没有技术障碍后，开始实验试验。在80次试验中，要求参与者完成延迟匹配样本任务（见图2）。彩色编码信号提供了关于当前试验阶段的信息。每次试验开始时都有一个白色编码信号（5秒），接着是一个固定注视期，由白色信号关闭表示（随机持续0.5-0.8秒）。RL和VR条件下的参与者被指示注视固定在关闭的门上的点，而在PC条件下，屏幕中央会出现一个固定点。固定注视期后，门打开（0.15秒），然后参与者被指示看向门后面随机旋转的对象（1.5秒）。探索阶段开始时由绿色编码信号表示（6.5秒）。在RL条件下，参与者用手去拿真实的对象并探索它。在VR条件下，通过与虚拟3D对象的交互来实现。在PC条件下，参与者使用计算机鼠标点击2D版本的对象进行放大并随后探索它。之后，彩色编码信号开始闪烁红色（3秒），此时在RL和VR条件下需要返回对象，在PC条件下需要用计算机鼠标点击对象。门关闭后（0.65秒），彩色编码信号变为白色（5秒），表示刺激间隔和短暂的休息时间。然后更换对象，并按照相同的程序展示与第一个对象相同或略有变化的对象。探索第二个对象后，门关闭，彩色编码信号变为蓝色和黄色，RL和VR条件下的按钮亮起，PC条件下的按钮也出现在屏幕上。参与者需要指示两个探索的对象是否相同。随机分配了参与者需要按哪个按钮来表示对象是否相同。参与者最多有两秒钟的时间回答，如果回答不够快或回答错误，彩色编码信号会关闭（0.5秒）。回答正确时，通过蓝色和黄色闪烁的彩色编码信号提供反馈（0.5秒）。40次试验后，所有参与者都有两分钟的休息时间，必要时可以延长。三种编码模式的示例视频材料可以在OSF的子文件夹“编码模式的示例视频记录”中在线找到（https://osf.io/6trmu/?view_only=6229545683e540609783fcc3ad862a0a）。在编码会话后稍作休息后，检索会话在法拉第笼中进行，以屏蔽外部电信号。所有参与者都在传统的2D屏幕上完成了传统的记忆/认知RM任务。指令显示在屏幕上，随后进行了160次试验。展示了160张没有调整纹理的2D物体图片，这些图片带有背景和阴影（见图3），其中80张是编码会话中呈现的物体的第一个版本，另外80张是新物体。每次试验开始时有一个注视期（随机持续0.8-1秒），然后是刺激呈现（2秒）。在相应的试验中，屏幕会显示空白画面（随机持续0.8-1秒），接着是一个四级的响应量表。参与者需要通过按键盘按钮来表明他们是否记得编码会话中的物体（完全不记得（1），不太记得（2），熟悉（3）或清晰记得（4）。他们的回答之后是一个试验间隔期，在此期间屏幕会变成灰色（随机持续1-1.5秒）。

下载：下载高分辨率图片（78KB）
下载：下载全尺寸图片

图3. 检索会话期间记忆/认知任务的设置。

注意：每次试验开始时都有一个注视期，然后是物体的2D图片。图片要么是编码会话中呈现的物体的第一个版本，要么是新物体。刺激呈现后，屏幕会显示空白画面一段时间。随后，参与者需要在一个四级响应量表上表明他们是否记得编码会话中的物体：完全不记得（1），不太记得（2），熟悉（3）或清晰记得（4）。分配给响应的数字仅作为参与者需要按的按键的提示。回答后，屏幕在试验间隔期间会变成灰色（随机持续1-1.5秒）。

2.4. 脑电图（EEG）记录
使用了BioSemi（阿姆斯特丹，荷兰）提供的具有128个活性电极的脑电图（EEG）系统，采样率为512 Hz，带通滤波器范围为0.016–100 Hz。所有电极都按照国际10–20系统进行连接，同时使用了一个共模感应（CMS）电极和一个驱动右腿（DRL）电极作为接地和参考电极。此外，还连接了水平和垂直的眼电图电极来测量眼球运动。在编码会话期间，使用LabRecorder（SCCN，https://github.com/labstreaminglayer/App-LabRecorder）来记录EEG数据流，并将其与Lab Streaming Layer（LSL by SCCN，https://github.com/sccn/labstreaminglayer）发送的触发信号同步。在检索会话期间，使用ActiView702（BioSemi，阿姆斯特丹，荷兰）来记录EEG。

2.5. EEG预处理
使用Matlab（版本R2023a，MathWorks Inc）和EEGLAB（版本2023.0，Delorme & Makeig，2004）对检索会话的EEG数据进行了预处理。首先使用Artifact Subspace Reconstruction（ASR；Mullen等人，2015）识别出不良通道。识别出的通道进行了插值（平均每个参与者0.31个通道），然后排除了所有后续预处理步骤中的四个眼电极。数据从刺激开始前?500 ms到刺激结束后1500 ms进行分段，并重新参考到平均参考值。此外，应用了0.25 Hz的FIR带通滤波器和线性去趋势处理，并从数据中减去了刺激开始前?500 ms到?300 ms的基线。为了识别和去除肌肉、眼睛、心脏以及线路噪声和通道噪声伪迹，使用EEGLAB中的ICLabel函数进行了独立成分分析（ICA）。平均每个参与者去除了5.04个成分。根据视觉检查，手动去除了两名参与者的数据的第一个成分。在分析中，只包括了基于正确识别旧项目（hit）和正确拒绝新项目（correct rejections）的试验数据，每个参与者的hit和correct rejections试验数量相匹配。总共，平均每个参与者有128.73个试验被纳入分析。对于ERP分析，分别计算了hit（清晰记得和熟悉响应合并）和correct rejections的组平均值。

2.6. 数据分析
2.6.1. 行为测量
在编码会话期间的延迟匹配样本任务中，通过包含被试间因素条件（PC，VR，RL）的单因素方差分析（one-way ANOVA）分析了正确答案的百分比，以评估区分性能。
为了评估检索会话期间的记忆表现，分析了准确性，即正确回答的百分比，以及敏感度指数d-Prime（d′）。d′将正确记得的旧项目（hits）与错误地评为旧项目的新刺激（false positives）进行关联（d′ = zHit – zFalsePositive；Haatveit等人，2010；Swets等人，1961）。为了获得与不同记忆过程相关的更具体的记忆表现信息，d′还分别针对熟悉度和回忆度进行了计算。具体来说，d′熟悉度是基于所有给定“熟悉”响应的hits和false positives计算的，而d′回忆度是基于所有给定“清晰记得”响应的hits和false positives计算的。为了比较不同条件下的记忆表现，对每个记忆表现参数（准确性，d′，d′熟悉度，d′回忆度）进行了包含被试间因素条件（PC，VR，RL）的单因素方差分析。为了排除组间潜在差异可能依赖于响应偏差，计算了标准C（C = ?0.5 ? (z(hits) + z(false positive responses)；Hautus等人，2021；Macmillan，2002）。这个指标反映了参与者在不确定时是否倾向于提供特定答案。负的C值表示自由偏差，表现为更多的hit和false alarms；相反，正的C值表示保守偏差，表现为更多的correct rejections和更少的misses（Hautus等人，2021；Macmillan，2002）。使用包含被试间因素条件（PC，VR，RL）的单因素方差分析了标准C。

2.6.2. ERP分析
为了验证研究设计的可行性，并确保ERP相关性的任何差异不涉及基本的感知差异，通过2 × 3混合方差分析（2 × 3 mixed ANOVA）分析了后部电极位置的P1和N1成分，这些成分是公认的注意力机制的相关指标（Hillyard等人，1998；Mangun等人，1993；Wijers等人，1997），其中包含被试内因素呈现（old objects，new objects）和被试间因素条件（PC，VR，RL）。据此确定了后部电极簇，并根据正确识别的旧对象和新对象以及所有三种条件的ERP线图平均值确定了潜伏期峰值（见补充材料图S1）。与以往文献一致，P1的时间窗口设定为95–135 ms，N1的时间窗口设定为150–190 ms。
基于假设，分析了两种特定的ERP旧/新效应。定义了四个电极簇，涵盖了与相应时间窗口内中额叶和左顶叶旧/新效应相关的所有典型电极位置（Curran，2000；Luck，2012；综述见Mecklinger，2000；Rugg等人，1996；Rugg & Curran，2007），并进行了迭代调整，以全面捕捉平均地形分布：一个中额叶簇，一个顶叶簇，一个左顶叶簇，以及一个右顶叶簇（见图4）。根据以往文献和ERP线图，针对中额叶和左顶叶簇，在所有三种条件（PC，VR，RL）下正确识别的旧对象和新对象上定义了具体的时间窗口（见图4）。因此，中额叶旧/新效应的分析时间窗口设定为350–580 ms，顶叶旧/新效应的时间窗口设定为580–920 ms。为了捕捉两个时间窗口和所有三种条件下旧/新效应的时间和地形动态，采用了综合方法：使用Omnibus 2 × 4 × 2 × 3混合方差分析（Omnibus 2 × 4 × 2 × 3 mixed ANOVA）进行了ERP分析，其中包含被试内因素时间窗口（350–580 ms，580–920 ms），簇（中额叶，顶叶，左顶叶，右顶叶）和呈现（old objects，new objects），以及被试间因素条件（PC，VR，RL）。当需要时，报告了Greenhouse-Geisser校正后的值。显著结果之后进行了相应的事后t检验。事后t检验的显著性阈值根据Benjamini-Hochberg方法（Benjamini & Hochberg，1995）调整了多重比较的假发现率（FDR）。

下载：下载高分辨率图片（444KB）
下载：下载全尺寸图片

图4. 中额叶旧/新效应（a，b）和左顶叶旧/新效应（c，d）的平均ERP线图和地形振幅分布，用于确定时间窗口和电极簇。定义了一个中额叶簇（包括Fz），一个顶叶簇（包括Pz），一个左顶叶簇（包括P3），以及一个右顶叶簇（包括P4）（b，d）。形成簇的电极由连贯的实心或空心点表示。标记电极簇（黑色框）处的ERP是在所有三种条件（PC，VR，RL）下正确识别的新对象和旧对象的平均值。在标记的时间窗口（b（350–580 ms），d（580–920 ms）内，展示了两种旧/新效应的平均旧/新差异和平均地形振幅分布。

为了确保相关的ERP旧/新效应确实只发生在产生显著结果的电极簇上，使用了RStudio（版本2023.3.1.446；Posit PBC，波士顿，美国）中的TOSTER包（Caldwell，2022；Lakens，2017）来应用两个单侧检验（TOST）程序。该程序通过拒绝存在足够大以被认为是有意义的效应的假设来测试是否可以假设统计等价性。为此，根据以往文献定义了最小的效应大小（SESOI），即包含被认为无意义效应大小的下限和上限值（见2.1参与者部分）。如上所述（见2.1参与者部分），在比较不同模态下的神经水平上的记忆处理时，预期会有较大的效应（见Johnsdorf，Pham等人，2023；Sch?ne，Kisker，Sylvester等人，2023）。因此，下限设定为d = ?0.8，上限设定为d = 0.8，反映了较大的效应大小（Cohen，1988）。当两个配对的单侧t检验都产生显著结果时，可以假设统计等价性，即不存在有意义的效应，只报告较小的检验统计量的结果。由于SESOI是使用功效分析作为基准确定的，TOST程序的界限相对严格，使得小效应和中效应变得无意义。作为检查，我们使用JASP（JASP Team，2024；Kelter，2020）计算了这些比较的Bayes因子（BF10），提供了独立于假设效应大小的条件的差异或相似性的进一步见解。BF10 > 1支持备择假设（H1），而BF10 < 1支持零假设（H0）。我们采用了JASP推荐的以下阈值（Kelter, 2020）：BF10 < 1表示对H0的轶事证据；BF10 < 0.33表示对H0的中等证据；BF10 < 0.01表示对H0的强证据；BF10 < 0.03表示对H0的非常强证据。使用Matlab（版本R2023a，MathWorks Inc.，Natick，美国）和EEGLAB（版本2023.0，Delorme & Makeig，2004）进行初步数据处理，而所有进一步的统计分析则使用SPSS（版本29，IBM），除了在RStudio中进行的TOST程序。

2.6.3 频率分析
为了可视化theta波段响应（TBR）和alpha波段响应（ABR）随时间的变化，我们根据先前的研究定义了感兴趣的区域（ROI），并调整这些区域以适应ERP分析中的电极簇。对于theta波段，ROI包括FZ周围的中额叶电极（例如，Gruber等人，2008年；Kisker, Lange等人，2021年；综述见Nyhus & Curran，2010年）。通常，theta波段的老旧效应发生在刺激开始后大约200毫秒的宽时间范围内（Kisker, Lange等人，2021年；综述见Nyhus & Curran，2010年），并持续到刺激开始后1200毫秒以上（Gruber等人，2008年；综述见Nyhus & Curran，2010年）。对中额叶电极位置的TF图进行视觉检查发现，2.5至7.5赫兹的频率范围内有振幅峰值（见图5）。因此，定义了两个不同的频率范围和时间窗口来全面捕捉不同的动态：低theta波段响应（LTBR），2.5–4.5赫兹，470–1370毫秒；以及高theta波段响应（UTBR），5.5–7.5赫兹，315–1215毫秒（见图5）。

下载：下载高分辨率图像（468KB）
下载：下载全尺寸图像

图5. 每个电极簇的时间-频率图及其对应的地形振幅分布。
注：时间-频率图显示了中额叶（a）和顶叶电极簇（b）在1至15赫兹频率范围内随时间的振幅，以及所有三种条件（PC、VR、RL）下正确识别的新旧项目对应的地形振幅分布平均值。分析了2.5至4.5赫兹的低theta波段响应（LTBR），时间窗口为470至1370毫秒，以及5.5至7.5赫兹的高theta波段响应（UTBR），时间窗口为315至1215毫秒（a）。此外，还分析了8.5至10.5赫兹的alpha波段响应（ABR），时间窗口为500至1050毫秒（b）。

由于与记忆相关的alpha波段去同步通常在广泛的顶叶电极位置最为明显（例如，Gruber & Müller，2006年），因此ROI包括ERP分析中确定的所有顶叶电极。对TF图的视觉检查显示，在500至1050毫秒的时间窗口内，8.5至10.5赫兹的频率去同步有峰值（见图5）。

通过2×3混合方差分析（ANOVA）来分析这三个频率范围，其中被试内因素为“呈现方式”（旧对象、新对象），被试间因素为“条件”（PC、VR、RL），随后进行事后t检验。事后t检验的显著性阈值使用假发现率（FDR）进行了调整。

3. 结果
3.1 行为测量
在编码过程中，延迟匹配样本任务中大约65%的响应是正确的。不同条件之间的区分性能没有差异（F(2, 96) = 1.38, p = .256, η2 = .028；见表1）。

表1. 每种条件下行为表现的描述性统计。

在检索过程中，准确率约为85%，不同条件之间没有显著差异（F(2, 96) = .12, p = .884, η2 = .003；见表1）。此外，通过d′参数也没有观察到条件之间的记忆表现差异。三个记忆表现参数d′、d′熟悉度和d′回忆的ANOVA均不显著（Fd′(2, 96) = .47, p = .625, η2 = .010；Fd′熟悉度(2, 96) = 1.03, p = .361, η2 = .021；Fd′回忆(2, 96) = .09, p = .914, η2 = .002；见表1和图6）。

尽管标准C指标显示出保守的响应偏差（见表1），但它在各组之间是可比的（F(2, 96) = .53, p = .591）。因此，响应偏差不太可能在不同程度上影响各组。

仅在RL条件下，线性回归揭示了编码过程中的区分性能和检索过程中的准确性参数（准确性 = 0.559 + 0.454 × 区分性能）以及d′回忆参数（d′回忆 = 0.142 + 2.509 × 区分性能）的相关回归模型。这两个模型都具有统计学意义（R2准确性 = 0.203, 准确性(1, 31) = 9.15, 准确性 = .005；R2d′回忆 = 0.214, Fd′回忆(1, 31) = 9.72, pd′回忆 = .004）。在RL条件下，区分性能是检索过程中准确性的显著预测因子（t = 3.03, p = .005）和基于回忆的记忆表现（t = 3.12, p = .004）。所有其他模型的结果均不显著（所有Fs ≤ 3.33，所有ps ≥ .078，见补充材料表S1）。

3.2 ERP成分
由于统计分析范围广泛，本文仅报告主要发现。详细统计结果请参阅补充材料中的表S3–S7。

在三种条件下，P1和N1成分的ERP振幅均无显著差异（所有Fs ≤ 2.05，所有ps > .135，所有η ≤ .04，见补充材料表S2，图S2）。

ERP新旧效应的混合ANOVA显示，时间窗口、电极簇和呈现方式因素的主效应均显著（所有Fs ≥ 36.12，所有ps < .001，所有η ≥ .273，见补充材料表S3）。此外，时间窗口 × 电极簇、时间窗口 × 电极簇 × 条件、时间窗口 × 呈现方式、电极簇 × 呈现方式、电极簇 × 呈现方式 × 条件以及时间窗口 × 电极簇 × 呈现方式之间的交互作用也显著（所有Fs ≥ 2.84，所有ps ≤ .036，所有η2 ≥ .053，见补充材料表S3）。最重要的是，时间窗口 × 电极簇 × 呈现方式 × 条件之间的交互作用产生了显著结果（F(6, 288) = 2.45, p = .047, η2 = .048）。事后配对t检验比较了每种条件下每个时间窗口和电极簇对旧刺激和新刺激的ERP振幅，发现在早期时间窗口，典型的ERP新旧效应，即旧刺激相比新刺激在中额叶电极簇处有更正向的ERP偏移（t(32) = 3.38, p = .002，见图7）。在VR条件下，仅在左顶叶电极簇观察到ERP新旧效应（t(32) = 2.20, p = .035，见图7）。在早期时间窗口未观察到其他显著的ERP新旧效应（所有ts ≤ |–1.91|，所有ps ≥ .066，所有ds ≤ |–0.33|，见补充材料表S4）。在第二时间窗口，PC条件下的中额叶、顶叶和左顶叶电极簇均观察到ERP新旧效应（所有ts ≥ |3.11|，所有ps ≤ .004，所有ds ≥ |0.54|，见补充材料表S5，图7）。在VR条件下，配对t检验显示顶叶、左顶叶和右顶叶电极簇也观察到ERP新旧效应（所有ts ≥ |2.53|，所有ps ≤ .016，所有ds ≥ |0.44|，见补充材料表S5，图7）；而在RL条件下，仅在顶叶和左顶叶电极簇观察到ERP新旧效应（所有ts ≥ |4.06|，所有ps ≤ .001，所有ds ≥ |0.71|，见补充材料表S5，图7）。

下载：下载高分辨率图像（1015KB）
下载：下载全尺寸图像

图7. 所有分析时间窗口（350–580毫秒（深蓝色），580–920毫秒（浅蓝色）的平均振幅差异（ERP对旧刺激的响应 - ERP对新刺激的响应）的地形振幅分布，以及每个电极簇（中额叶、顶叶、左顶叶、右顶叶）的ERP线图，分别对应三种条件（PC、VR、RL）。形成簇的电极由连贯的实心或空心点表示。显示新旧效应的显著电极簇用黑色框标记。黑色框的虚线轮廓表示相应的电极簇在FDR校正后未达到显著性。（关于此图例中颜色的解释，请参阅本文的网络版本。）

TOST分析显示，对于每个未产生显著结果的簇，ERP振幅对旧刺激和新刺激的响应可以认为是相等的，这由两次显著的单侧配对t检验表明（所有ts ≥ |–2.28|，所有ps ≤ .015，见补充材料表S6、S7）。此外，贝叶斯因子（BF10）为大多数比较提供了中等程度的零假设证据。在以下感兴趣的区域发现了例外，这些区域仅提供了零假设的轶事证据：在早期窗口，顶叶效应（PC、VR、RL）和中额叶/左顶叶效应（RL）；在晚期窗口，右顶叶（PC）和中额叶（RL）效应（见补充材料表S6、S7）。

3.3 频率域
3.3.1 低theta波段响应
对于LTBR，混合ANOVA显示被试内因素“呈现方式”的主效应显著（F(1, 96) = 4.55, p = .036, η2 = .045）。与新刺激相比，低theta波段的振幅对旧刺激的反应显著更正（见图8）。未观察到被试间因素“条件”的主效应（F(2, 96) = 1.33, p = .270, η2 = .027），也未观察到两个因素之间的交互作用（F(2, 96) = 0.02, p = .986, η2 = .000）。

下载：下载高分辨率图像（556KB）
下载：下载全尺寸图像

图8. 从470至1370毫秒分析的低theta波段响应（LTBR）。

注：(a) 分别显示所有条件（PC、VR、RL）和对象呈现方式（旧对象、新对象）的线图。(b) 每种条件下旧对象和新对象之间差异的地形振幅分布。(c) 分别显示旧对象和新对象的平均振幅的条形图。(d) 分别显示每种条件下旧对象和新对象的平均LTBR的地形振幅分布。

3.3.2 高theta波段响应
对于UTBR，被试内因素“呈现方式”的主效应结果不显著（F(1, 96) = 0.93, p = .338, η2 = .010），以及被试间因素“条件”和被试内因素“呈现方式”之间的交互作用也不显著（F(2, 96) = 0.36, p = .696, η2 = .008）。然而，被试间因素“条件”的主效应显著（F(2, 96) = 3.32, p = .041, η2 = .065）。通过独立样本的事后t检验发现，VR条件下的平均UTBR显著低于PC条件（t(64) = 2.57, p = .013, d = 0.63，见图9）。RL条件与PC条件（t(64) = 1.09, p = .281, d = 0.27）和VR条件（t(64) = ?1.49, p = .141, d = ?0.37）没有差异。

下载：下载高分辨率图像（632KB）
下载：下载全尺寸图像

图9. 从315至1215毫秒分析的高theta波段响应（UTBR）。

注：(a) 分别显示所有条件（PC、VR、RL）和对象呈现方式（旧对象、新对象）的线图。(b) 每种条件下旧对象和新对象之间差异的地形振幅分布。(c) 分别显示每种条件下旧对象和新对象的平均振幅的条形图。显著的平均组间差异用(*p < .05)标记，标准误差由误差条表示。(d) 分别显示每种条件下旧对象和新对象的平均UTBR的地形振幅分布。

3.3.3 Alpha波段响应
对于ABR，混合ANOVA显示被试内因素“呈现方式”的主效应显著（F(1, 96) = 13.90, p < .001, η2 = .126）。与新刺激相比，alpha波段响应的振幅对旧刺激的反应显著更正（见图10）。被试间因素“条件”的主效应没有显著结果（F(2, 96) = 1.93, p = .150, η2 = .039），以及两个因素之间的交互作用也没有显著结果（F(2, 96) = 1.36, p = .262, η2 = .027）。

下载：下载高分辨率图像（510KB）
下载：下载全尺寸图像

图10. 从500至1050毫秒分析的alpha波段响应（ABR）。

注：(a) 分别显示所有条件（PC、VR、RL）和对象呈现方式（旧对象、新对象）的线图。(b) 每种条件下旧对象和新对象之间差异的地形振幅分布。(c) 分别显示每种条件下旧对象和新对象的平均振幅的条形图。显著的平均组间差异用(*p < .05)标记，标准误差由误差条表示。(d) 分别显示每种条件下旧对象和新对象的平均UTBR的地形振幅分布。讨论
本研究的目的是调查在物理现实中编码对象后的识别记忆（RM）及其潜在的子过程，并将其与在传统实验室条件下编码后观察到的过程进行比较。为了弥合这两种模式之间的现实差距，实验设置还在虚拟现实（VR）中进行了重现。因此，参与者在传统实验室条件（PC）、VR环境或物理现实（RL）下执行了涉及可交互对象的延迟样本匹配任务。在随后的“记住/知道”RM任务中，通过传统的2D屏幕评估了RM的电生理相关性。尽管记忆表现在不同条件之间没有差异，但在神经层面上，记忆过程表现出不同的功能特征。由于在与基本感知处理（即P1和N1 ERP成分）以及注意力分配（即α波段反应）相关的电生理反应中没有观察到差异，因此条件间在检索时的神经反应差异很可能是由特定于模式的编码机制引起的。

正如预期的那样，在PC条件下观察到了中额叶和顶叶的ERP新旧效应。值得注意的是，在VR和RL条件下，中额叶ERP新旧效应均未达到显著性，贝叶斯因子表明几乎没有或仅有中等程度的证据表明不存在这种效应。这些与熟悉度和回忆相关的ERP效应模式表明，RM的记忆子过程具有特定于模式的特征。关于振荡反应，在所有条件下都观察到了低θ波段反应（LTBR）中的新旧效应，这证实了它是成功识别对象的一个可靠的神经标志。此外，虽然PC条件下高θ波段反应（UTBR）的幅度显著高于VR条件，但与RL条件相比没有发现差异。因此，VR条件下的刺激比PC条件下的刺激被更有效地识别，这一效应并不完全依赖于注意力资源的分配，因为各条件下的α波段反应（ABR）是相似的。最重要的是，这些结果为编码过程中的现实性提供了特定于模式的记忆机制的证据。尽管传统实验室和虚拟实验室都不能精确地再现物理现实，但根据所关注的机制，这两种条件都可以有效地模拟现实生活中的认知处理。然而，VR代表了捕捉现实生活中的记忆机制的更准确方法，且无需在真实生活条件下进行高成本的研究。

总体而言，三种条件下的记忆表现没有差异，这表明传统实验室和虚拟实验室都是评估当前范式中逼真行为反应的合适方法。然而，由于先前的研究表明，在真实生活条件下学习比在2D条件下（Snow等人，2014年）以及与VR条件相比（Hoffman等人，2001年；参见Smith，2019年的综述）记忆表现更好，因此本应预期RL条件下的记忆表现会更高。有趣的是，尽管多项先前的研究表明在VR环境中学习比在2D环境中更有优势（例如，Allcoat & von Mühlenen，2018年；Krokos等人，2019年；Sch?ne等人，2019年；Sch?ne, Kisker, Sylvester等人，2023年；Zinchenko等人，2020年），但由于研究结果不一致（例如，Johnsdorf, Pham等人，2023年；Kisker, Gruber, & Sch?ne，2021b年；Makransky等人，2019年；Parong & Mayer，2018年），VR体验的记忆优势效应仍然是一个有争议的话题。一方面，VR环境中与任务无关的环境元素可能会通过增加分心和认知负荷而对记忆表现产生负面影响（Makransky等人，2019年；Zinchenko等人，2020年）；另一方面，参与者在VR环境中的积极参与可能在改善记忆表现方面起重要作用（Johnsdorf, Pham等人，2023年；Zinchenko等人，2020年）。在最近的一个沉浸式体验概念模型中（Lee，2025年），存在感和参与度是由虚拟环境中的感觉运动、任务和叙事参与度塑造的关键维度。这两者都受到系统交互性和内容的影响，但它们与记忆表现之间的联系仍然存在差异。虽然本研究没有考察主观存在感（见局限性），但编码任务具有高度互动性。先前的研究表明，与运动和任务相关的参与度可以提高记忆表现（Lappayanant & Shigemasu，2024年）。然而，这种效应可能并不普遍，因为其他研究发现表明参与度对特定类型的记忆（例如场景的空间记忆）有更具体的影响，而对与该场景相关的事实知识则没有影响（Plancher等人，2013年）。基于这些考虑，我们的设置通常满足了VR中记忆优势效应的前提条件，因为参与者在编码过程中积极与对象互动，而环境被设计为静态且干扰最小。因此，与2D体验相比，VR在记忆处理方面的优势应该会体现在更好的记忆表现上。

另一种解释可能是VR和RL条件下参与者在检索时的上下文变化。通常情况下，记忆表现在与编码上下文相匹配的情境中会得到增强（Godden & Baddeley，1975年）。尽管在检索时修改了刺激的纹理和背景以最小化这种效应，但2D屏幕及其对应的维度作为上下文因素可能对PC条件下的记忆表现产生了积极影响。换句话说，如果只有PC条件出现了上下文优势，那么所有条件下的相似记忆表现表明VR和RL条件下的编码过程足够复杂，能够生成能够抵抗上下文变化的记忆痕迹。支持这一观点的是，最近的一项行为研究（Johnsdorf等人，2025年）表明，一致的编码和检索上下文在沉浸式VR和VR介导的桌面条件下产生了相似的记忆表现。然而，在VR-桌面环境下检索沉浸式VR体验并没有因为上下文不匹配而降低记忆表现，这表明基于VR的编码可能充分缓解了潜在的不利上下文效应（Johnsdorf等人，2025年）。或者，条件间相似的记忆表现可能可以用大约85%的相对高响应准确率来解释，这表明存在一个上限效应。这种效应可能会降低检测个体间差异的能力（Uttl，2005年；参见Kisker, Gruber, & Sch?ne，2021b年）。与当前实验类似，Kisker, Gruber和Sch?ne（2021b）的研究也采用了类似的“记住/知道”范式，发现VR和2D条件下的记忆表现没有差异，且准确率值相似。他们认为，编码和检索之间的短时间间隔可能会减弱那些只有在较长时间内才会出现的记忆处理效应（Kisker, Gruber, & Sch?ne，2021b）。这确实可能是影响当前结果的一个因素，因为一些观察到VR和现实生活体验之间记忆优势效应的研究包括了编码和检索之间至少一个睡眠周期的较长时间间隔（Hoffman等人，2001年；Kisker, Gruber, & Sch?ne，2021a；Sch?ne等人，2019年）。有趣的是，在RL条件下的延迟样本匹配任务表现可以积极预测随后的记忆表现，尤其是在基于回忆的RM表现方面。这些结果表明，与在较为人工的条件下编码相比，物理现实中的编码质量是影响记忆处理的相关因素。

在比较基于VR和PC的编码时，一个反复出现的模式是尽管行为记忆表现相似，但潜在的记忆过程却不同。具体来说，行为结果源于多种认知过程的相互作用，这些过程的多种组合仍然可以导致成功的检索（Kisker, Gruber, & Sch?ne，2021c；Kisker, Soethe等人，2025年）。同样，尽管在不同条件间没有观察到记忆表现的差异，但检索期间的相位锁定ERP和非相位锁定振荡脑活动都表明了特定于模式的记忆处理，其中VR提供了对物理现实的更准确模拟。

仅从PC条件的角度来看，如果考虑到RM的双过程理论，中额叶和顶叶ERP新旧效应的出现表明，在当前范式中，传统实验室中的RM涉及基于熟悉度和回忆的识别组合（参见Curran，2000年；Luck，2012年；参见Mecklinger，2000年；Rugg等人，1996年；Rugg & Curran，2007年）。如果从严格的二分法出发，仅在VR和RL条件下观察到显著的顶叶ERP新旧效应，可以解释为在虚拟和现实生活条件下仅表现出基于回忆的识别。根据这种解释，电生理结果补充了先前关于VR环境中主要基于回忆的识别的行为证据（Kisker, Gruber, & Sch?ne，2021a）。然而，如果缺乏显著的中额叶新旧效应，并且有少量到中等的证据表明没有这种效应，那么这将质疑双过程理论，并支持VR和RL条件下单一过程的观点。单一过程理论认为，识别判断基于记忆强度的连续体，将回忆定义为较强的记忆成分，熟悉度定义为较弱的记忆成分（参见Donaldson，1996年）。根据这一假设，回忆在没有熟悉度的情况下发生似乎极不可能。重要的是，最近的一项元分析（Kwon等人，2023年）重新审视了熟悉度与中额叶新旧效应以及回忆与顶叶新旧效应之间的关联。这项元分析表明，这些关联并非严格二元的或完全特定于过程的。相反，每个相关因素与两种检索过程之一有更强的关联，这支持了双过程理论而非单一过程理论（Kwon等人，2023年）。缺乏显著性以及VR和RL条件下少量到中等的反对证据可能表明熟悉度相关过程被减弱或掩盖了。

鉴于没有ERP效应单独反映子过程，观察到的结果可能源于与编码刺激的感知元素及其与检索线索对齐程度的特定于模式的记忆机制。在这种情况下，与熟悉度相关的ERP效应可能更多地受到上下文转移效应的影响，而不是与回忆相关的ERP效应。如前所述，PC条件在维度上与检索线索有更大的感知重叠。因此，在2D中编码的刺激的识别过程中，中额叶ERP新旧效应可能更为明显。因此，从传统实验室研究中得出的关于其功能特性或幅度的发现可能不适用于涉及更复杂多感官刺激的RM。与当前结果一致，Kisker, Soethe等人（2025年）报告称，在源记忆范式中，基于VR的记忆痕迹的熟悉度减弱，导致更依赖于基于回忆的VR编码记忆的检索。这与在桌面上编码和检索的刺激包含感知2D线索的观点一致，这可能有助于熟悉度的形成。相反，无论是在虚拟还是真实的3D环境中编码的记忆痕迹与2D检索线索之间的不匹配可能会引发更强的回忆，尽管仍然涉及基于熟悉度的过程。后续研究（Kisker等人，2026年）通过在VR中检索VR和PC编码的对象来测试这一观点。两种编码条件都没有产生与熟悉度相关的显著ERP效应，表明熟悉度相关效应的减弱超出了单纯的上下文转移效应，并支持特定于模式的记忆机制的观点。换句话说，虽然熟悉度和回忆都对检索有贡献，但真实的3D环境可能会使回忆的贡献占主导地位（Kisker, Soethe等人，2025年）。

另一种解释可能是VR和RL条件下参与者在检索时的上下文变化。通常情况下，记忆表现在与编码上下文相匹配的情境中会得到增强（Godden & Baddeley，1975年）。尽管在检索时修改了刺激的纹理和背景以最小化这种效应，但2D屏幕及其对应的维度作为上下文因素可能对PC条件下的记忆表现产生了积极影响。换句话说，如果只有PC条件出现了上下文优势，那么所有条件下的相似记忆表现表明VR和RL条件下的编码过程足够复杂，能够生成能够抵抗上下文变化的记忆痕迹。支持这一观点的是，最近的一项行为研究（Johnsdorf等人，2025年）表明，一致的编码和检索上下文在沉浸式VR和VR介导的桌面条件下产生了相似的记忆表现。然而，在VR-桌面环境下检索沉浸式VR体验并没有像预期的那样由于上下文不匹配而降低记忆表现，这表明基于VR的编码可能充分缓解了潜在的不利上下文效应（Johnsdorf等人，2025年）。或者，条件间相似的记忆表现可能可以用大约85%的相对高响应准确率来解释，这表明存在一个上限效应。这种效应可能会降低检测表现高分个体之间差异的能力（Uttl，2005年；参见Kisker, Gruber, & Sch?ne，2021b）。与当前实验类似，Kisker, Gruber和Sch?ne（2021b）的研究也采用了类似的“记住/知道”范式，发现VR和2D条件下的记忆表现没有差异，且准确率值相似。他们认为，编码和检索之间的短时间间隔可能会减弱那些只有在较长时间内才会出现的记忆处理效应（Kisker, Gruber, & Sch?ne，2021b）。这确实可能是影响当前结果的一个因素，因为一些观察到VR和现实生活体验之间记忆优势效应的研究包括了编码和检索之间至少一个睡眠周期的较长时间间隔（Hoffman等人，2001年；Kisker, Gruber, & Sch?ne，2021a；Sch?ne等人，2019年）。有趣的是，在RL条件下的延迟样本匹配任务表现可以积极预测随后的记忆表现，尤其是在基于回忆的RM表现方面。这些结果表明，与在较为人工的条件下编码相比，物理现实中的编码质量是影响记忆处理的相关因素。

在比较基于VR和PC的编码时，一个反复出现的模式是尽管行为记忆表现相似，但潜在的记忆过程却不同。具体来说，行为结果源于多种认知过程的相互作用，这些过程的多种组合仍然可以导致成功的检索（Kisker, Gruber, & Sch?ne，2021c；Kisker, Soethe等人，2025年）。同样，尽管在不同条件间没有观察到记忆表现的差异，但检索期间的相位锁定ERP和非相位锁定振荡脑活动都表明了特定于模式的记忆处理，其中VR提供了对物理现实的更准确模拟。

仅从PC条件的角度来看，如果考虑到RM的双过程理论，中额叶和顶叶ERP新旧效应的出现表明，在当前范式中，传统实验室中的RM涉及基于熟悉度和回忆的识别组合（参见Curran，2000年；Luck，2012年；参见Mecklinger，2000年；Rugg等人，1996年；Rugg & Curran，2007年）。如果从严格的二分法出发，仅在VR和RL条件下观察到显著的顶叶ERP新旧效应，可以解释为在虚拟和现实生活条件下仅表现出基于回忆的识别。基于这种解释，电生理结果补充了先前关于VR环境中主要基于回忆的识别的行为证据（Kisker, Gruber, & Sch?ne，2021a）。然而，如果缺乏显著的中额叶新旧效应，并且有少量到中等的证据表明没有这种效应，那么这将质疑双过程理论，并支持VR和RL条件下单一过程的观点。单一过程理论认为，识别判断基于记忆强度的连续体，将回忆定义为较强的记忆成分，熟悉度定义为较弱的记忆成分（参见Donaldson，1996年）。根据这一假设，回忆在没有熟悉度的情况下发生似乎极不可能。重要的是，最近的一项元分析（Kwon等人，2023年）重新审视了熟悉度与中额叶新旧效应以及回忆与顶叶新旧效应之间的关联。这项元分析表明，这些关联并非严格二元的或完全特定于过程的。相反，每个相关因素与两种检索过程之一有更强的关联，这支持了双过程理论而非单一过程理论（Kwon等人，2023年）。缺乏显著性以及VR和RL条件下少量到中等的反对证据可能表明熟悉度相关过程被减弱或掩盖了，而不是它们真正不存在。

鉴于没有ERP效应单独反映子过程，观察到的结果可能源于与编码刺激的感知元素及其与检索线索对齐程度的特定于模式的记忆机制。在这种情况下，与熟悉度相关的ERP效应可能更多地受到上下文转移效应的影响，而不是与回忆相关的ERP效应。如前所述，PC条件在维度上与检索线索有更大的感知重叠。因此，在2D中编码的刺激的识别过程中，中额叶ERP新旧效应可能更为明显。因此，从传统实验室研究中得出的关于其功能特性或幅度的发现可能不适用于涉及更复杂多感官刺激的RM。与当前结果一致，Kisker, Soethe等人（2025年）报告称，在源记忆范式中，基于VR的记忆痕迹的熟悉度减弱，导致更依赖于基于回忆的VR编码记忆的检索。这与在桌面上编码和检索的刺激包含感知2D线索的观点一致，这可能有助于熟悉度的形成。相反，无论是在虚拟还是真实的3D环境中编码的记忆痕迹与2D检索线索之间的不匹配可能会引发更强的回忆，尽管仍然涉及基于熟悉度的过程。后续研究（Kisker等人，2026年）通过在VR中检索VR和PC编码的对象来测试这一观点。两种编码条件都没有产生与熟悉度相关的显著ERP效应，表明熟悉度相关效应的减弱超出了单纯的上下文转移效应，并支持特定于模式的记忆机制的观点。换句话说，虽然熟悉度和回忆都对检索有贡献，但真实的3D环境可能会使它们的贡献倾向于回忆（Kisker, Soethe等人，2025年）。

另一种观点将中额叶ERP新旧效应与启动效应联系起来，而不是基于熟悉度的识别（Voss等人，2010年；Voss & Paller，2007年；参见Voss等人，2012年）。这引发了我们的结果是否反映了仅在相同模式下编码和检索的刺激发生的启动效应的问题。启动效应指的是在先前接触相同刺激后，对刺激的处理能力得到增强，最重要的是，这种增强对行为反应有显著影响（Tulving & Schacter, 1990）。在识别任务中，编码过程中形成的刺激表征包括感知特征和概念特征，这些特征可能作为识别的线索（Miyoshi et al., 2014）。概念启动并不能完全解释我们的发现，因为抽象刺激缺乏具体的概念或语义意义。相比之下，感知启动可能部分解释了结果，因为在PC条件下，编码和检索之间的感知重叠更大。这种重叠可能通过 aligning stimulus features 来提高流畅性，而且感知启动通常可以增强基于熟悉度的判断，而不影响与回忆相关的判断（Park & Donaldson, 2016; Woollams et al., 2008）。尽管这些考虑与ERP结果一致，但它们受到相似的行为熟悉度估计和跨组观察到的保守反应偏差的挑战，这与定义启动效应的显著行为效应相矛盾。此外，如果感知启动仅影响PC条件，那么这些效应应该对视角变化具有鲁棒性，因为在编码过程中刺激是随机旋转的，但对维度变化不敏感。实际上，启动效应对维度变化的减弱程度比对视角变化的减弱程度更大（Vuilleumier et al., 2002）。然而，重要的是，纯粹的感知流畅性影响的是早期的ERP成分，而不是中额叶ERP效应。因此，改变视角可能会减弱后期成分的启动效应，特别是对于概念表征较弱的刺激（Wang et al., 2015）。最后但同样重要的是，最近的一项研究（Kisker et al., 2026）观察到，在VR检索过程中，对PC和VR编码的刺激的中额叶ERP效应都减弱了。如果减弱主要是由于感知启动，那么只有PC编码的物品应该表现出较低的熟悉度。因此，观察到的结果不太可能与启动效应有关，而是与熟悉度有关；然而，需要进一步的研究来区分中额叶ERP旧/新效应所反映的记忆过程（例如，Voss et al., 2010; Voss & Paller, 2007; 参见Voss et al., 2012）。

与熟悉度相关的ERP反应不同，与回忆相关的顶叶ERP旧/新效应在不同模态间具有更强的泛化能力。虽然双过程模型通常将回忆定义为全有或全无的阈值过程，但最近的证据表明，顶叶ERP效应也可能反映记忆强度或信心，或者与这些因素混淆（Brezis et al., 2017; Sun et al., 2024）。此外，最近的研究将顶叶旧/新效应与识别决策联系起来，表明与刺激锁定的分析相比，响应锁定的分析可能更精确地分离出与回忆相关的效应（Sun et al., 2024）。重要的是，我们的研究设计不足以参与相应的讨论。我们的分析方法、结果和解释与Kwon et al.（2023）的最新元分析一致，该分析支持顶叶ERP效应与回忆之间存在强烈但非排他的联系。总体而言，我们关于ERP旧/新效应的结果表明，RM根据特定模态的编码过程表现出不同的功能特征。最重要的是，ERP结果揭示了PC和RL条件下RM的功能差异，这提醒我们在将传统实验室的结果推广到现实世界时需要谨慎，因为它们存在局限性。特别是，由于RL条件下的顶叶ERP旧/新效应与PC条件下的效应相当，因此在传统实验室中获得的中额叶旧/新效应的幅度超出了现实世界中的观察结果。相比之下，VR提供了更接近于研究现实生活认知处理的近似方法（Kisker, Johnsdorf, et al., 2025a; Kisker, Johnsdorf, Sagehorn, Hofmann, et al., 2024; Sch?ne, Kisker, Lange, et al., 2023）。尽管VR条件下的顶叶ERP旧/新效应比RL条件下的左侧化程度低，表明神经特征并不完全相同，但对ERP发现的解释对于两种条件都是一致的，得出了相同的总体结论。因此，VR有潜力更有效地捕捉到ERP相关指标中反映的更真实的认知处理，相比传统实验室。

支持ERP发现的是，与刺激启动关联较少的记忆过程对RM、特定模态的认知功能以及不同条件下的注意力需求有若干额外的启示。最值得注意的是，已经建立的theta旧/新效应——它对旧刺激的同步性比对新刺激更强——在所有条件下都得到了复制。这种效应被认为是成功识别的标志，在不同的编码条件下显示出一致的结果。值得注意的是，UTBR在PC条件下的同步性比对VR条件更强，表明成功识别复杂的3D虚拟刺激所需的认知努力比识别简化的2D刺激要少。Theta振荡不仅与海马活动功能相关，后者对记忆检索至关重要（参见Nyhus & Curran, 2010），还与高级认知控制过程相关（Cavanagh & Frank, 2014）。因此，VR条件下的较低UTBR可能反映了较低的认知控制需求，从而在VR编码后的识别过程中所需的努力较少。这一观点进一步得到了跨条件相似记忆表现的支持，特别是考虑到2D条件下的情境优势（参见Godden & Baddeley, 1975）。然而，这种调节的具体机制仍然是未来研究的主题。虚拟刺激材料的三维性被认为是减少心理处理努力的一个相关因素（Dan & Reiner, 2017）。相应地，这项研究的配套论文提供了证据，表明在编码过程中PC条件下的认知负荷比3D条件更高，而后者条件之间没有差异（Kisker, Johnsdorf, et al., 2025b）。然而，如果这种效应发生在编码阶段，它不能单独解释检索过程中VR条件下的较低UTBR。假设刺激材料的三维性单独影响了编码过程中形成的记忆痕迹和随后的检索过程，那么这种效应在RL条件下也应该类似地出现。尽管RL条件下的UTBR在统计上与其他两种条件没有差异，但电生理反应可以在PC和VR条件之间进行描述性分类。因此，后者两种条件都代表了向现实生活设置的近似，而现实生活位于这两种条件之间。因此，这些结果不仅揭示了在检索先前编码的真实生活和2D对象时在心理努力方面的轻微描述性差异，还揭示了真实生活和虚拟对象之间的差异，表明需要考虑超出刺激材料三维性的其他VR特定因素。这些因素可能包括虚拟实验室的技术要求，例如在编码过程中佩戴VR-HMD。虽然将复杂任务与新技术结合使用会增加认知负荷（Dunleavy et al., 2009; Wu et al., 2013），但佩戴VR-HMD的新颖性也可以改善注意力和动机过程（参见Huang et al., 2021）。重要的是，由于包含增加对VR环境熟悉度的教程可以减轻新颖性效应（Miguel-Alonso, Rodriguez-Garcia, Checa and Bustillo, 2023, Miguel-Alonso, Checa, Guillen-Sanz and Bustillo, 2024），在延迟匹配样本任务之前进行的学习会减少这些技术干扰。然而，VR-HMD可能仍然对认知处理产生了超出刺激特征的差异。

然而，检索过程中的注意力资源分配在所有条件下是相似的，因此不能解释上述差异。正如假设的那样，TBR效应伴随着所有条件下对旧刺激的ABR与新刺激的更大不同步，这与注意力分配有关（参见Klimesch, 1996; Klimesch et al., 1997; Sauseng et al., 2005; 参见Klimesch, 1999）。有趣的是，考虑到UTBR中的观察差异，注意力资源的相似参与表明，VR条件下的检索认知负荷降低并不完全依赖于注意力机制（也参见Kisker et al., 2025b, Kisker et al., 2025a）。因此，不同模态下的编码很可能没有影响随后的检索过程中的总体注意力过程。值得注意的是，在另一项研究中，对虚拟环境中编码的复杂场景进行编码后并未出现theta旧/新效应（Kisker, Gruber, & Sch?ne, 2021b）。因此，在解释真实环境中RM的神经相关性时，应考虑编码模态的特定特征。总之，记忆表现没有在行为层面上显示出差异，但RM的神经相关性表明，根据编码过程中的不同现实程度，RM表现出特定的识别过程。尽管虚拟和真实3D对象的编码在检索过程中产生了相似的神经反应，但只有在PC条件下观察到的神经相关性完全符合双过程框架中的典型模式。此外，识别虚拟对象似乎比识别2D对象所需的认知努力更少，这反映了传统实验室和虚拟实验室之间的主要差异，而现实生活似乎介于这两种方法之间。总体而言，这些发现表明，根据感兴趣的机制，VR是近似真实生活过程的优选方法。在某些情况下，传统实验室可能足以获得等效的结果。然而，重要的是要注意，这两种方法都不能全面代表现实生活。

5. 对应用研究的启示
由于VR为研究现实生活认知过程提供了合适的近似方法，因此它可以应用于依赖高保真度记忆表征的领域。例如，VR已经用于目击者记忆研究（Kruse & Schweinberger, 2023），允许适当近似真实生活反应，同时确保安全并解决真实生活见证的伦理限制（也参见Parsons, 2019; Slater et al., 2020）。同样，VR应用可能支持记忆障碍的训练和评估，例如在患有痴呆症（Appel et al., 2021; Papaioannou et al., 2022）或抑郁症（Dehn et al., 2018）的患者中。总之，VR并不是所有实验室方法的无条件替代品，但在研究现实世界情景记忆的神经机制时，它提供了最合适的近似方法，特别是在生态有效性、安全性或伦理考虑严重限制现实生活实施的情况下。

6. 局限性
编码过程是在传统实验室、虚拟实验室和真实生活实验室条件下进行的，而检索过程仅涉及传统的2D模态。重要的是，这种方法确保了所有条件下检索时的感觉输入相似，这使得观察到的差异可以归因于受特定模态编码机制影响的记忆处理。然而，包括在虚拟和真实生活实验室条件下比较互补的检索机制将提供对不同记忆过程的更全面了解。因此，未来的研究需要通过考虑更多的检索条件来全面捕捉不同现实程度对记忆处理的影响。重要的是，当前研究强调了包括真实生活研究的重要性，以准确捕捉超出传统或虚拟实验室研究评估的类似认知反应。

如讨论中所述，参与者的编码任务旨在提供高水平的互动。虽然互动本身可能不会普遍提高记忆，但它被认为是建立存在感的基础（Lee, 2025）。然而，存在感与记忆表现之间的实证联系是异质的：一些发现表明存在感与记忆之间存在正相关，例如对于情感或引人入胜的内容（Cadet et al., 2022; Makowski et al., 2017）。这些发现与观察到存在感对记忆没有影响（Cadet & Chainay, 2020; Johnsdorf et al., 2025）甚至负面影响记忆（Bailey et al., 2011; Smith & Mulligan, 2021）的发现形成鲜明对比。似乎存在感的感觉与我们研究中的现实程度相关。然而，由于我们没有评估主观存在感，对其影响的任何讨论仍然是推测性的。未来的研究应包括相关的测量。此外，尽管在RL条件下使用了真实的3D对象，但实验室设置并没有完全模拟现实生活情境。这种人工设置的优点在于它与传统的实验室环境高度相似，为比较大体上等效的认知过程提供了一种方法。尽管这是一个重要的初步步骤，但未来的研究仍需要将这种相对人工的实验室结果扩展到现实生活中的更复杂环境中。7. 结论：通过比较在传统实验室环境中对简化二维物体的识别记忆（RM）与在现实生活环境中对应的三维物理物体的识别记忆，我们发现了一些关于记忆表现和神经相关性的不同之处。虽然在二维、虚拟现实（VR）和现实生活三种模式下编码所产生的记忆表现结果相当，但潜在的记忆过程表现出特定于模式的功能特征，这通过ERP旧/新效应和θ波段反应得到了体现。重要的是，VR和RL条件下的研究结果得出了相同的总体结论，建议利用VR的优势来高效设计接近现实生活环境的研究。相比之下，传统实验室的结果并不能完全代表现实生活中的认知过程，尤其是在ERP效应方面存在局限性。尽管VR似乎是研究更逼真记忆过程的首选方法，但本研究提供了证据表明，在虚拟实验室和传统实验室中，只能捕捉到接近现实生活对应过程的认知过程。因此，将先前的研究发现应用于现实生活需要考虑特定于模式的因素，并确定在简化实验室条件下捕捉逼真认知过程的其他决定因素。

**作者贡献声明：**
Marike Johnsdorf：撰写——审阅与编辑、撰写——初稿、可视化、软件、方法论、调查、形式分析、概念化。
Joanna Kisker：撰写——审阅与编辑、软件、方法论、调查、形式分析、概念化。
Merle Sagehorn：撰写——审阅与编辑、调查、概念化。
Thomas Hofmann：撰写——审阅与编辑、资源管理、项目协调、方法论、资金获取、概念化。
Thomas Gruber：撰写——审阅与编辑、监督、资源管理、项目协调、方法论、资金获取、概念化。
**参与同意：**
所有参与者均签署了知情书面同意书，同意参与本研究。
**出版同意：**
所有参与者均签署了知情书面同意书，同意匿名数据的发表。
**伦理：**
本研究遵循赫尔辛基宣言进行，并获得了当地伦理委员会的批准（参考编号：Ethik 5/2023）。
**关于写作过程中生成式AI和AI辅助技术的声明：**
在准备本作品时，作者使用了DeepL Translator和Grammarly来提高手稿的可读性和语言质量。使用这些工具/服务后，作者对内容进行了必要的审阅和编辑，并对发表文章的内容负全责。
**资金支持：**
本研究得到了下萨克森州政府（MWK Niedersachsen）和大众基金会（VolkswagenStiftung）的资助，资助编号为11-76251-14-1/21。