Multitasking-Aktivität für höhere Medien ist mit geringerer Dichte der grauen Substanz im anterioren cingulären Kortex (2014) assoziiert

Zitat: Loh KK, Kanai R (2014) Multitasking-Aktivität mit höheren Medien ist mit einer geringeren Grauwertdichte im vorderen cingulierten Cortex verbunden. PLoS ONE 9 (9): e106698. doi: 10.1371 / journal.pone.0106698

Editor: Katsumi Watanabe, Universität Tokio, Japan

Empfangen: Februar 25, 2014; Akzeptiert: August 8, 2014; Veröffentlicht am: 24. September 2014

Copyright: © 2014 Loh, Kanai. Dies ist ein Open-Access-Artikel, der unter den Bedingungen der Creative Commons Attribution License, die uneingeschränkte Nutzung, Verbreitung und Reproduktion in jedem Medium erlaubt, vorausgesetzt, dass der ursprüngliche Autor und die Quelle gutgeschrieben werden.

Finanzierung: Die Finanzierung dieses Projekts erfolgte aus einem PRESTO-Zuschuss der Japan Science and Technology Agency. Die Geldgeber hatten keine Rolle beim Studiendesign, bei der Datenerfassung und -analyse, bei der Entscheidung zur Veröffentlichung oder bei der Vorbereitung des Manuskripts.

Konkurrierende Interessen: Die Autoren haben erklärt, dass keine konkurrierenden Interessen bestehen.

Einleitung

Medien-Multitaskingoder der gleichzeitige Konsum mehrerer Medienformen wird in der modernen Gesellschaft immer häufiger [1] und wurde mit verminderten kognitiven Kontrollfähigkeiten in Verbindung gebracht [2] sowie negative psychosoziale Auswirkungen wie Depressionen und soziale Angstzustände [3]negatives soziales Wohlbefinden [4]und schlechte schulische Leistungen [5]. Zu diesem Zeitpunkt ist jedoch wenig über die neuronalen Prozesse im Zusammenhang mit dem Multitasking von Medien bekannt. Die vorliegende Studie untersuchte Zusammenhänge zwischen Medien-Multitasking-Aktivität und Variabilität der Gehirnstruktur. Forschungen haben gezeigt, dass die Gehirnstruktur bei längerer Exposition gegenüber neuartigen Umgebungen verändert werden kann [6] sowie Training und Erfahrung [7], [8]. Die regionale Variabilität der grauen und weißen Substanz, die über die Voxel-basierte Morphometrie (VBM) ermittelt wird, sagt zuverlässig individuelle Unterschiede in einer Reihe von kognitiven Funktionen voraus (vgl [9] für eine Überprüfung). Basierend auf den oben genannten Erkenntnissen stellten wir die Hypothese auf, dass unterschiedliche Interaktionen beim Medien-Multitasking ebenfalls Unterschiede in den regionalen Gehirnstrukturen widerspiegeln.

In der aktuellen Untersuchung wurde der Media-Multitasking-Index (MMI, [2]) wird als Maß für das Multitasking von Merkmalen übernommen. MMI-Bewertungen wurden konsistent mit der individuellen Leistung bei kognitiven Steuerungsaufgaben in Verbindung gebracht [2], [10],[11]. Als solche dienen sie als verlässlicher Verhaltenskorrelat mit der Variabilität der Gehirnstruktur. Wir erwarteten, dass der MMI-Score einer Person die Unterschiede in der Gehirnstruktur widerspiegeln würde, insbesondere in den Bereichen kognitive Kontrolle und Multitasking. Bisherige Forschungen haben die Rolle der präfrontalen kortikalen Regionen bei der kognitiven Kontrolle zusammengeführt [12], [13], [14], [15]. Basierend auf einer Läsionsstudie von [16], unterschiedliche Regionen sind an dissoziierbaren Aspekten des Multitaskings beteiligt: ​​die vorderen und hinteren Cingulate sind am retrospektiven Gedächtnis beteiligt, und die präfrontalen Regionen sind an prospektivem Gedächtnis und Planung beteiligt. Daher haben wir erwartet, Zusammenhänge zwischen der Multitasking-Aktivität der Medien und der strukturellen Variabilität in diesen Regionen zu finden. Multitasking-Aktivitäten in Medien sind eng mit Persönlichkeitsmerkmalen (z. B. Neurotizismus und Extraversion) verknüpft [3]), die wiederum strukturelle Unterschiede im Gehirn vorhersagen [17]. Daher könnte der Zusammenhang zwischen Medien-Multitasking und Gehirnstruktur durch diese Merkmalsunterschiede beeinträchtigt werden. Um diese Möglichkeit zu untersuchen, werden auch die Beziehungen zwischen MMI und Big Five-Persönlichkeitsmerkmalen untersucht.

Wir erhielten MMI-Scores, Big Five-Persönlichkeitsmerkmale und Magnetresonanztomographie (MRI) bei gesunden Erwachsenen von 75, die mit Computern und Medientechnologien relativ gut vertraut waren. Um die Beziehung zwischen Medien-Multitasking-Aktivität und Hirnstrukturvariabilität zu untersuchen, wurden zunächst einzelne MMI-Werte mit der regionalen Dichte der grauen Substanz auf Gesamtgehirnebene über optimierte VBM korreliert [18]. Wir haben auch die Korrelationen zwischen den Big-Five-Merkmalen und den MMI-Werten untersucht. Um die funktionale Bedeutung unserer erhaltenen strukturellen Unterschiede zu beleuchten, analysierten wir die Gehirnaktivität im Ruhezustand, um Zusammenhänge zwischen MMI-Werten und funktionaler Konnektivität im Gehirn aufzuklären.

Methoden

Teilnehmer

Gesunde 75-Erwachsene (Durchschnittsalter = 24.6, SD = 5.0, 38-Männchen), die aus dem Psychologie-Teilnehmerpool des University College London (UCL) rekrutiert wurden, nahmen an der aktuellen Studie nach schriftlicher Einwilligung teil. Die Studie wurde von der örtlichen UCL-Ethikkommission genehmigt (Ethics Application Code: 2213 / 002). Wir untersuchten die Teilnehmer nach Universitätsstudenten und Mitarbeitern, die mit Computern und Medientechnologien bestens vertraut waren. Sie wurden für ihre Teilnahme in bar erstattet. Unter den 75-Teilnehmern, die an der VBM-Studie teilnahmen, wurden fMRI-Daten von einer Teilmenge von 40-Teilnehmern erhoben. Geschlecht, Alter, Bildungsniveau und MMI-Scores unterschieden sich nicht signifikant zwischen den beiden Stichproben (Tabelle 1).

Herunterladen:  

• PPT

  Powerpoint-Folie

• PNG

  größeres Bild (37KB)

• TIFF

  Original Bild (190KB)

Tabelle 1. Vergleiche zwischen demographischen Merkmalen und MMI-Bewertungen von Teilnehmern an VBM-Analysen und funktionalen Konnektivitätsanalysen.

doi: 10.1371 / journal.pone.0106698.t001

Fragebogen zum modifizierten Medienmultitasking

Eine modifizierte Version des Media Multitasking-Fragebogens [2] wurde allen Teilnehmern verabreicht. Das MMI lieferte ein stabiles Maß für die Multi-Tasking-Aktivität eines Individuums mit Merkmalen. Der Fragebogen bestand aus zwei Hauptabschnitten: Im ersten Abschnitt wurden die üblichen 12-Medientypen aufgeführt, und die Teilnehmer gaben die Gesamtzahl der Stunden pro Woche an, die sie für jedes Medium verwendet haben. In der in der vorliegenden Studie verwendeten modifizierten Version wurden 10-Medientypen beibehalten [2]: Printmedien, Fernsehen, computerbasiertes Video, Musik, Sprachanrufe über Mobiltelefon oder Telefon, Instant Messaging, SMS (Short Messaging Service), E-Mail, Surfen im Internet und andere computergestützte Anwendungen. Der Punkt „Video- oder Computerspiele“ wurde geändert, um Spiele auf Mobiltelefonen aufzunehmen. Der Punkt "Nicht-Musik-Audio" wurde durch "Verwendung sozialer Netzwerkseiten" ersetzt. Die Änderungen wurden vorgenommen, um den aktuellen Trends im Medienkonsum besser Rechnung zu tragen. Der zweite Abschnitt bestand aus einer Matrix mit Teilnehmern, die angibt, wie viel sie alle anderen Medientypen gleichzeitig verwendet haben, während sie ein Primärmedium verwenden. Die Menge der gleichzeitigen Verwendung wurde auf einer Skala von 1 bis 4 angegeben (1 = "Nie", 2 = "Ein wenig Zeit", 3 = "Einige Zeit" und 4 = "Meistens"). Die Antworten der Teilnehmer wurden zunächst wie folgt umcodiert: "Nie" = 0, "Ein wenig Zeit" = 0.33, "Einige Zeit" = 0.67 und "Meistens" = 1. Die Summation der umcodierten Antworten für jedes Primärmedium ergab die mittlere Anzahl von Medien, die gleichzeitig verwendet wurden, wenn ein Primärmedium verwendet wurde. Die MMI wurde anhand der folgenden Formel berechnet: Wo m_i ist die mittlere Anzahl von Medien, die gleichzeitig verwendet werden, während das primäre Medium verwendet wird, i; h_i ist die Anzahl der Stunden pro Woche, die mit dem primären Medium verbracht wurde, i; und h_gesamt ist die Gesamtzahl der Stunden pro Woche, die mit allen Medienformularen verbracht wurde.

Big Five Inventar

Der Big Five-Bestand (BFI; [19]) lieferte einen kurzen und zuverlässigen 44-Messwert für die Big Five-Persönlichkeitsfaktoren: Extraversion (8-Artikel), Verträglichkeit (9-Artikel), Gewissenhaftigkeit (9-Artikel), Neurotik (8-Artikel) und Offenheit (10-Artikel). Wir haben das BFI verabschiedet, um Zusammenhänge zwischen MMI und Big Five-Persönlichkeitsmerkmalen in unserer Stichprobe zu untersuchen.

MRI-Datenerfassung

Mit einem 1.5 T Siemens Avanto-Scanner (Siemens Medical, Erlangen) wurden für jeden Teilnehmer hochauflösende T1-gewichtete Strukturbilder aufgenommen (MPRAGE; 1 mm)³ kubische Voxel; 160-Scheiben; TR = 2730 ms; TE = 3.57 ms). Funktionelle MRI-Daten wurden mit aufsteigenden T2 * -gewichteten Gradientenecho-Echo-Planar-Imaging-Sequenzen (EPI-Sequenzen) gewonnen, die auf BOLD-Kontrast empfindlich sind. Jede Aufnahme bestand aus 32-Schrägschnitten, 3.0 × 3.0 mm Auflösung, 2.0 mm Dicke mit 1.0 mm Scheibenspalt. Die EPI-Schnitte wurden für jedes Subjekt einzeln angewinkelt, um Anfälligkeitsartefakte aus der Nasenhöhle zu reduzieren und die Abdeckung für die Orbitofrontalregion und den hinteren Parietalkortex zu maximieren, während die Abdeckung über dem Schläfenpol geopfert wird. Somit lag die endgültige Orientierung zwischen 8 ° und 16 °. Das Zeitintervall zwischen zwei aufeinanderfolgenden Erfassungen derselben Schicht betrug 2528 ms mit einem Flipwinkel von 90 Grad und einer 44 ms Echozeit. Das Sichtfeld betrug 192 × 192 mm. Die digitale In-Plane-Auflösung betrug 64 × 64-Pixel mit einer Pixelgröße von 3.0 × 3.0 mm. Alle Daten wurden mit einer 32-Kanal-Kopfspule erfasst. Während des funktionellen MRI-Scans wurden die Teilnehmer angewiesen, einfach still zu bleiben, die Augen offen zu halten und nicht an etwas Besonderes zu denken. Ein Durchlauf bestand aus 180-Volumenerfassungen, und die anfänglichen 6-Volumina wurden aus der Analyse verworfen, um eine Verwirrung der instationären Magnetisierung zu vermeiden. Die fMRI-Ausführung im Ruhezustand dauerte ungefähr 7.5 Minuten.

Voxel-basierte Morphometrie (VBM) -Analyse

Voxel-basierte Morphometrie (VBM; [20]) ist eine häufig verwendete Neuroimaging-Analysetechnik, die statistische Voxel-Analysen von vorverarbeiteten MRI-Bildern ermöglicht. Die hochauflösenden T1-gewichteten strukturellen Scans wurden mit VBM mittels Statistical Parametric Mapping (SPM8, Wellcome Department of Cognitive Neurology) analysiert. Die Bilder wurden zunächst nach grauer und weißer Substanz segmentiert. Anschließend wurde eine diffeomorphe anatomische Registrierung durch exponentierte Lie-Algebra (DARTEL) durchgeführt, um die Bilder der grauen Substanz zu registrieren. Um sicherzustellen, dass das regionale Volumen der grauen Substanz nach der Registrierung erhalten bleibt, wurden die registrierten Bilder durch die Jacobsche Determinante der von DARTEL berechneten Strömungsfelder moduliert. Die registrierten Bilder der grauen Substanz wurden mit einem Gaußschen Kern (volle Breite bei halbem Maximum = 10 mm) geglättet und anschließend für eine weitere multiple Regressionsanalyse in den stereotaktischen Raum des Montreal Neurological Institute (MNI) normalisiert.

Eine multiple Regressionsanalyse wurde an den normalisierten Bildern der grauen Substanz mit MMI-Werten als Hauptregressor durchgeführt. Alter, Geschlecht und Gesamtvolumen des Gehirns wurden als Kovariaten ohne Interesse für alle Regressionen berücksichtigt. Um Voxel zu ermitteln, bei denen die Dichte der regionalen grauen Substanz mit den MMI-Werten korreliert wurde, haben wir eine strikte Schwelle von angenommen p <05 mit familiärem Fehler ganzes Gehirn korrigiert.

Funktionelle Konnektivitätsanalyse

Um die Analyse der funktionalen Konnektivität durchzuführen, haben wir die Version 13 (http://www.nitrc.org/projects/conn; [21]) kombiniert mit Vorverarbeitungsprozeduren von SPM8. Die in der Reihenfolge aufgelisteten Vorverarbeitungsschritte umfassten eine Korrektur des Schichttimings, eine Neuausrichtung der Zeitreihendaten auf das erste Volumen (dh eine Bewegungskorrektur), eine Co-Registrierung von funktionellen MRI-Zeitreihen auf die entsprechende strukturelle MRI, eine Segmentierung von Bildern in ein separates Gewebe Typen wie graue Substanz, weiße Substanz und Zerebrospinalflüssigkeit (Liquor), Normalisierung auf die Standard-MNI-Vorlage und räumliche Glättung mit einem Gauß-Filter (FWHM = 8 mm). Die Zeitreihendaten wurden dann auf 0.01 Hz – 0.1 Hz bandpassgefiltert.

Für die Seed-basierte funktionale Konnektivitätsanalyse haben wir einen einzelnen signifikanten Cluster in der VBM-Analyse als Seed-Region-of-Interest (ROI) verwendet. Die aus dem ROI extrahierte mittlere Zeitreihe wurde als Regressor in einem multiplen Regressionsmodell bei einer Analyse auf Einzelebene verwendet. Um den Einfluss von Störfaktoren zu minimieren, wurden Regressoren für die sechs Bewegungskorrekturparameter aus der Vorverarbeitung einbezogen. Zusätzlich wurden die mittleren BOLD-Signale für die graue Substanz, die weiße Substanz und das CSF aus den aus dem Segmentierungsverfahren erstellten Masken extrahiert und als Regressoren eingeschlossen, um die mit diesen globalen Signalen verbundenen Varianzen zu minimieren. Zeitliche Korrelationen zwischen dem ROI-Signal und dem Rest des Gehirns wurden berechnet und die Korrelationen mit dem Samen-ROI wurden unter Verwendung der Fisher-Transformation für Z-Level-Signifikanzanalysen in Z-Werte umgewandelt.

Mit dem Z-transformierten statistischen Bild haben wir zunächst Gehirnregionen ermittelt, die eine funktionelle Konnektivität mit dem ROI des Saatguts zeigen, und zwar unter Verwendung einer voxelartigen Schwelle von p_{FWE korrigiert}<0.05. Anschließend haben wir einen weniger strengen Schwellenwert von verwendet p<0.001 (nicht korrigiert) als Maske zur Erfassung von ACC-verbundenen Regionen für eine Analyse der zweiten Ebene, bei der wir Gehirnregionen mit korrelierten MMI-Werten finden wollten. Wir haben Alter, Geschlecht und das gesamte intrakranielle Volumen als Kovariaten berücksichtigt und einen Schwellenwert von festgelegt p <0.05 mit einem familienbezogenen Fehler, der für das durch die Ausgangsmaske definierte Volumen korrigiert wurde. Der Grund für die anfängliche Maskierung bestand darin, sicherzustellen, dass unsere Analyse auf Gehirnregionen beschränkt war, die mit der Samenregion korrelierte Aktivität zeigten. Selbst wenn wir einen Zusammenhang mit individuellen Unterschieden außerhalb dieser Regionen feststellen würden, würden diese Befunde wahrscheinlich falsche Korrelationen widerspiegeln. Wir haben eine weniger strenge Schwelle für die Maskierung festgelegt, um die Leistungsfähigkeit unserer Analysen der zweiten Ebene zu erhöhen.

Verarbeitete Imaging-Daten sowie Datensätze, die die Variablen für VBM- und funktionelle Konnektivitätsregressionsanalysen enthalten, werden öffentlich zugänglich gemacht unter: http://dx.doi.org/10.6084/m9.figshare.10​30286.

Die Ergebnisse

Die VBM-Analyse ergab einen negativen Zusammenhang zwischen MMI-Werten und der Dichte der grauen Substanz in der anterioren cingulären Kortikalis (Figure 1; ACC; t (70) = 5.16, P_{FWE korrigiert} <05, Clustergröße = 158 Voxel × 1.5³ = 533 mm³; Peak-MNI-Koordinate: x = 12, y = 41, z = 3). Keine anderen Gehirnregionen zeigten signifikante Korrelationen mit den MMI-Werten. Daher wurde höheres Medien-Multitasking mit kleineren Volumina der grauen Substanz in der ACC assoziiert. Korrelationsanalysen zwischen MMI- und BFI-Werten zeigten jedoch einen sehr signifikanten Zusammenhang zwischen Extraversion und MMI-Werten (Tabelle 2; r = 0.347, p = 0.002). Wir vermuteten daher, dass die beobachtete MMI-ACC-Grausubstanz-Assoziation durch individuelle Unterschiede in den Extraversionswerten beeinträchtigt werden könnte. In Anbetracht dessen haben wir die frühere VBM-Analyse wiederholt, um die BFI-Werte als zusätzliche Kovariaten zu steuern. Wir führten eine multiple Regression (mit der Dichte der grauen Substanz als abhängige Variable) durch, einschließlich MMI und aller Big-Five-Merkmalsbewertungen als Prädiktoren zusammen mit den demographischen Kovariaten. Es wurde eine signifikante negative Beziehung zwischen MMI und dem Volumen der grauen Substanz in der identischen ACC-Region (t (65) = 5.08, P beobachtet_{FWE korrigiert}<05, Clustergröße = 74 Voxel × 1.5³ = 250 mm³; Peak-MNI-Koordinate: x = 12, y = 40, z = 3). Dies deutete darauf hin, dass es eine eindeutige Verbindung zwischen MMI und Dichte der grauen Substanz im ACC gibt, unabhängig von Variationen in den Big Five-Persönlichkeitsmerkmalen.

Herunterladen:  

• PPT

  Powerpoint-Folie

• PNG

  größeres Bild (475KB)

• TIFF

  Original Bild (768KB)

Abbildung 1. VBM-Regressionsanalysen ergaben, dass MMI-Scores signifikant mit der Dichte der grauen Substanz in der ACC (t (70) = 5.16, P assoziiert waren_{FWE korrigiert} <0.05, Clustergröße = 158 Voxel x 1.5³ = 533 mm³; Peak-MNI-Koordinate: x = 12, y = 41, z = 3).

Die angepasste Dichte der grauen Substanz im Peak-Voxel (Y-Achse) war negativ korreliert (r = -0.54, p<0.001) mit MMI-Scores (X-Achse).

doi: 10.1371 / journal.pone.0106698.g001

Herunterladen:  

• PPT

  Powerpoint-Folie

• PNG

  größeres Bild (20KB)

• TIFF

  Original Bild (126KB)

Tabelle 2. Korrelationen zwischen Indexwerten des Medien-Multitasking-Index und Big Five-Inventarwerten.

doi: 10.1371 / journal.pone.0106698.t002

Um die funktionale Bedeutung unserer VBM-Ergebnisse zu beleuchten, haben wir versucht, durch funktionelle Konnektivitätsanalysen Gehirnregionen zu identifizieren, die eine signifikante Konnektivität mit unserer erhaltenen ACC-Region von Interesse (ROI) aufwiesen. Diese Analyse ergab, dass die Aktivität im erhaltenen ACC-ROI mit mehreren Hirnregionen korreliert war, die typischerweise als Default Mode Network charakterisiert sind, einschließlich der bilateralen temporo-parietalen Verbindungen (TPJ; rechte Hemisphäre, x = 48, y = -64, z = 36). p_{FWE korrigiert}<0.05; linke Hemisphäre, x = –44, y = –70, z = 36) und Precuneus (x = 4, y = –68, z = 30, p_{FWE korrigiert}<0.05) unter anderen Regionen (Tabelle 3). Diese Ergebnisse deuten darauf hin, dass der mit der VBM-Analyse ermittelte ACC-ROI wahrscheinlich innerhalb des DMN liegt. Als Nächstes untersuchten wir weiter, ob MMI-Werte mit der Konnektivität zwischen unseren ACC-ROI- und DMN-Regionen in Verbindung standen. Regressionsanalysen wurden auf z-transformierten Korrelationen zwischen ACC- und DMN-Regionen mit MMI als Hauptprädiktor und Alter, Geschlecht und gesamtem Gehirnvolumen als Kovariaten durchgeführt. Es entstanden keine bedeutenden Zusammenhänge p_{FWE korrigiert}<0.05. Bei einer weniger strengen Schwelle von p_{unkorrigierte}<0.001, höhere MMI-Werte waren mit einer schwächeren Konnektivität zwischen dem ACC-ROI und dem Precuneus verbunden (Figure 2; precuneus; t (40) = 5.22, p_{unkorrigierte}<0.001, Clustergröße = 159 mm³; Peak-MNI-Koordinate: x = 10, y = -50, z = 18). Wir betonen, dass unsere Konnektivitätsergebnisse an einer weniger strengen Schwelle erzielt wurden und uns begrenzte Nachweise für MMI und funktionale Konnektivitätszusammenhänge lieferten. Insofern dienten diese Erkenntnisse ausschließlich der funktionalen Interpretation unserer VBM-Ergebnisse.

Herunterladen:  

• PPT

  Powerpoint-Folie

• PNG

  größeres Bild (795KB)

• TIFF

  Original Bild (1.17MB)

Abbildung 2. Regressionsanalysen ergaben, dass die Konnektivität zwischen dem ACC ROI und dem Precuneus (Schnittpunkt der blauen Linien) negativ mit den MMI-Werten (Precuneus; t (40) = 5.22, P verbunden war_{FWE-unkorrigiert}<0.001, Clustergröße = 159 mm³; Peak-MNI-Koordinate: x = 10, y = -50, z = 18).

Es gab eine negative Beziehung (r = -0.68, p<0.001) zwischen angepassten Z-transformierten ACC-Precuneus-Korrelationen (Y-Achse) und MMI-Scores (X-Achse).

doi: 10.1371 / journal.pone.0106698.g002

Herunterladen:  

• PPT

  Powerpoint-Folie

• PNG

  größeres Bild (34KB)

• TIFF

  Original Bild (177KB)

Tabelle 3. Gehirnregionen, die eine funktionale Verbindung mit ACC ROI aufweisen.

doi: 10.1371 / journal.pone.0106698.t003

Diskussion

Wie angenommen, ergab die vorliegende Studie einen signifikanten Zusammenhang zwischen Medienmultitasking und Hirnstrukturvariationen: Personen, die über größere Mengen an Medienmultitasking berichteten, hatten eine geringere Dichte der grauen Substanz im ACC. Diese Assoziation war an einer strengen Schwelle signifikant (p_{FWE korrigiert}<0.05) und war unabhängig von den Unterschieden bei den Big Five-Persönlichkeitsmerkmalen. Wir diskutieren mögliche Interpretationen unserer strukturellen Korrelate vor dem Hintergrund neuester Erkenntnisse über ACC-Funktionen und MMI-Verhaltenskorrelate.

Das ACC dient als entscheidender Knotenpunkt für Informationsverarbeitungspfade im Gehirn und ist an sensomotorischen, nozizeptiven, kognitiven und emotionalen / motivationalen Prozessen beteiligt [22], [23]. Wir meinen, dass unsere gewonnene ACC-Region höchstwahrscheinlich mit höheren kognitiven Prozessen verbunden ist, da das Multitasking von Medien konsistent mit der kognitiven Steuerungsleistung in Verbindung gebracht wurde [2], [10], [11], [24]. Darüber hinaus zeigte der ACC ROI eine signifikante funktionelle Konnektivität mit den DMN-Gehirnregionen, die typischerweise auch mit höheren kognitiven Operationen verbunden waren [25], [26].

In der kognitiven Verarbeitung wird allgemein davon ausgegangen, dass das ACC an der Fehler- oder Konflikterkennung beteiligt ist [27], [28]. ACC-Aktivierungen werden normalerweise bei Tasks beobachtet, bei denen gleichzeitig inkompatible Antworten aktiviert wurden, z. B. der Stroop-Task [29], [30], selektive Aufmerksamkeit [31] und Flankenaufgabe [32], [33]. ACC ist vor allem in Dual-Task-Paradigmen involviert [34], [35] wenn eine Person konkurrierenden Reizen und Reaktionen ausgesetzt ist, die mit zwei oder mehr Aufgaben verbunden sind. Analog dazu werden beim Multitasking von Medien Individuen mit unterschiedlichen Aufgabenanforderungen konfrontiert, die mit den verschiedenen Medientypen zusammenhängen, die sie gleichzeitig verwenden. Als solcher könnte unser erzielter ROI in kognitive Steuerungsfunktionen mit zwei Aufgaben involviert sein. Ein kritischer Vorbehalt besteht darin, dass die oben genannten Funktionen normalerweise dem dorsalen ACC zugeordnet werden, im Gegensatz zum rostralen Bereich, in dem sich unser ROI befindet [23], [32], [35], [36]. Die Forscher haben jedoch festgestellt, dass diese Abgrenzung nicht absolut ist [23], [34], [37]. Insbesondere zur Unterstützung unserer heutigen Interpretation Dreher und Kollegen [34] berichteten, dass das rostrale ACC im Zusammenhang mit Dual-Tasking eindeutig an der Konflikterkennung beteiligt ist.

Unsere Hauptergebnisse zeigten, dass Multitasker mit schwereren Medien kleinere ACC-Volumes hatten. Um mögliche Verhaltensweisen reduzierter ACC-Volumina in schweren Multitaskern aufzuklären, untersuchten wir Verhaltensstudien, die MMI und kognitive Kontrolle verknüpfen. Eine wegweisende Studie von Ophir et al. [2] Zunächst wurde der Zusammenhang zwischen erhöhter Medien-Multitasking-Aktivität und schlechterer kognitiver Kontrolle aufgezeigt. Sie beschäftigten die Teilnehmer mit einer Reihe kognitiver Steuerungsaufgaben wie der Stroop-Task, der Taskumschaltung, der Distraktorfilterung und den N-Back-Aufgaben. Angesichts der Distraktoren waren schwere Multitasker (relativ zu leichteren Multitaskern) langsamer beim Erkennen von Änderungen in den visuellen Mustern, anfälliger für falsche Erinnerungen der Distraktoren während einer Speicheraufgabe und waren beim Taskwechsel langsamer. Die Autoren wiesen darauf hin, dass schwere Multitasker ihre Aufmerksamkeit weniger auf aufgabenrelevante Informationen beschränken könnten. Lui und Wong [24] lieferten weitere Beweise dafür, dass schwerere Multitasker bei der Hemmung aufgabenrelevanter Stimuli schlechter waren und folglich bei multisensorischen Integrationsaufgaben besser abschneiden konnten. Eine nachfolgende Studie [11] zeigten, dass schwere Multitasker eine schlechtere Leistung bei der Operation Span Task (OSPAN) zeigten, was einem Doppelaufgabe-Paradigma sehr ähnlich war, da die Teilnehmer gleichzeitig mathematische Probleme lösen und die vorgestellten Buchstaben auswendig lernen mussten. Schwere Multitasker berichteten auch über mehr Aufmerksamkeitsstörungen im Alltag [38]. Eine aktuelle Studie von Alzahabi und Becker [10] berichteten gegenteilige Ergebnisse: Schwere Multitasker waren bei Dual-Task-Leistung nicht schlechter und beim Task-Switching besser. Sie konnten die Ergebnisse von Ophir et al. Trotz identischer Aufgaben nicht replizieren. Die Autoren stellten fest, dass ihre Stichprobe in erster Linie weiblich war und dies zu abweichenden Ergebnissen geführt haben könnte. Sie hoben die Bedeutung von Längsschnittstudien hervor, um robuste Beziehungen zwischen MMI und kognitiver Kontrolle aufzuzeigen.

Zusammenfassend lässt die bestehende MMI-Literatur im Allgemeinen vermuten, dass Personen, die sich mit schwererem Medien-Multitasking beschäftigen, schlechtere kognitive Kontrollfähigkeiten aufweisen. Unsere vorliegenden Ergebnisse erweitern diese Literatur, indem sie eine stärkere Medienmultitasking-Aktivität mit kleineren Volumina im ACC verknüpfen: eine Hirnregion, die auf der Grundlage konvergierender neuroimagierender Beweise in die kognitive Kontrolle involviert ist. Wir betonen jedoch, dass mehr Arbeit erforderlich ist, um die Beziehung zwischen der ACC-Struktur und den kognitiven Kontrollfähigkeiten herzustellen. Studien an Patienten mit ACC-Läsionen haben sehr unterschiedliche Perspektiven hinsichtlich der Notwendigkeit von ACC in Bezug auf die damit verbundenen kognitiven Funktionen ergeben [39], [40], [41].

Es besteht auch die Möglichkeit, dass unsere gewonnene ACC-Region an emotionalen / motivationalen Prozessen beteiligt ist, da sie sich im rostralen ACC befindet, das typischerweise mit Motivation und Emotionsverarbeitung verbunden ist [23]. Reduzierte ACC-Volumina wurden häufig bei Erkrankungen mit abweichenden emotionalen Motivationsprozessen wie Zwangsstörungen eingesetzt [42]posttraumatische Belastungsstörung [43], Depression [44] und Drogen- und Nicht-Drogenabhängigkeiten [45], [46]. Aus dieser Perspektive ist es plausibel, dass schwerere Medien-Multitasker mit reduzierten ACC-Volumina möglicherweise weniger in der emotionalen und motivationalen Regulierung stecken. Tatsächlich korrelieren höhere MMI-Werte mit erhöhter Neurotik, Sensibilisierung und Impulsivität [3], [11] und negative sozioemotionale Ergebnisse [4]. Interessanterweise war das Muster der Gehirnstrukturunterschiede, das in der vorliegenden Studie erhalten wurde, den neuronalen Korrelaten der Internetsucht (IA) ähnlich. Bei Personen mit IA, die einfach als pathologische Überbeanspruchung des Internets oder von Computern definiert werden, wurde im ACC eine Verringerung der Grau- und Weißstoffdichte festgestellt [46], [47], [48]. Es besteht die Möglichkeit, dass sich die beiden Konstrukte, Medien-Multitasking und IA, überschneiden: Das MMI gibt an, wie viele Personen gleichzeitig mehrere Geräte verwendeten, und dies könnte mit IA zusammenhängen, was eine übermäßige Verwendung von Computern und Internet impliziert.

Eine wichtige Einschränkung der vorliegenden Arbeit besteht darin, dass unsere Ergebnisse aus einer Querschnittsstudie zur Beziehung zwischen dem Multitasking-Verhalten von Medien und der Gehirnstruktur gewonnen werden. Daher kann die Richtung der Kausalität zwischen ihnen nicht bestimmt werden. Obwohl es vorstellbar ist, dass Personen mit kleineren ACC aufgrund von schwächeren kognitiven Fähigkeiten oder der sozioemotionalen Regulation anfälliger für Multitasking sind, ist es ebenso plausibel, dass höhere Expositionsniveaus in Multitasking-Situationen zu strukturellen Veränderungen im ACC führen. Eine Längsschnittstudie ist erforderlich, um die Richtung der Verursachung eindeutig zu bestimmen. Unsere aktuellen Erkenntnisse eröffnen einen Weg für eine solche Forschung, indem sie eine empirische Verbindung zwischen Medien-Multitasking-Aktivität und strukturellen Unterschieden im ACC herstellen. Ein weiterer Nachteil ist, dass die vorliegenden Ergebnisse nicht über unsere untersuchte Bevölkerung hinausgehen, die relativ gut ausgebildet ist und der Technologie gut ausgesetzt ist. In der Tat könnten die Medienkonsumgewohnheiten stark von demografischen Faktoren beeinflusst werden [1]. Zukünftige Studien sollten daher die Rolle von demografischen Faktoren wie Bildung und sozioökonomischem Status bei der Mäßigung der Beziehung zwischen Medien-Multitasking, kognitiver Leistungsfähigkeit und Gehirnstrukturen untersuchen.

Abschließend hatten Personen, die sich mit mehr Multitasking-Aktivitäten für Medien befassten, im ACC weniger Volumen an grauer Substanz. Dies könnte möglicherweise auch die schlechtere kognitive Kontrollleistung und die negativen sozioemotionalen Ergebnisse erklären, die mit einem verstärkten Medienmultitasking verbunden sind. Während der Querschnitt unserer Studie nicht erlaubt, die Richtung der Kausalität zu bestimmen, haben unsere Ergebnisse neuartige Assoziationen zwischen Multitasking-Verhalten einzelner Medien und ACC-Strukturunterschieden sichtbar gemacht.

Autorenbeiträge

Konzeption und Gestaltung der Experimente: KL RK. Durchführung der Versuche: KL RK. Analysierte die Daten: KL RK. Beigetragene Reagenzien / Materialien / Analysewerkzeuge: KL RK. Schrieb das Papier: KL RK.