A magasabb média multi-tasking aktivitás kisebb, szürke-anyag sűrűséggel van társítva az anterior Cingulate Cortexben (2014)

Idézet: Loh KK, Kanai R (2014) A magasabb szintű média többfeladatos tevékenység a kis szürkeárnyalat sűrűségével társul az elülső cingulate kéregben. PLOS ONE 9 (9): e106698. doi: 10.1371 / journal.pone.0106698

Szerkesztő: Katsumi Watanabe, Tokiói Egyetem, Japán

kapott: Február 25, 2014; Elfogadott: Augusztus 8, 2014; Megjelent: 24. szeptember 2014.

Copyright: © 2014 Loh, Kanai. Ez egy nyílt hozzáférésű cikk, amelyet a Creative Commons Attribution licenc, amely lehetővé teszi a korlátlan felhasználást, terjesztést és reprodukciót bármilyen médiumban, feltéve, hogy az eredeti szerzőt és forrást jóváírják.

finanszírozás: A projekt finanszírozására a Japán Tudományos és Technológiai Ügynökség PRESTO támogatása került. A finanszírozóknak nem volt szerepe a tanulmánytervezésben, az adatgyűjtésben és elemzésben, a közzétételi döntésben és a kézirat elkészítésében.

Versenyképes érdekek: A szerzők kijelentették, hogy nincsenek versengő érdekek.

Bevezetés

Média multitasking, vagy a több média egyidejű fogyasztása egyre inkább elterjedt a modern társadalomban [1] és csökkent kognitív kontroll képességekkel társult [2] valamint a negatív pszichoszociális hatások, például a depresszió és a társadalmi szorongás [3], negatív társadalmi jólét [4], és a gyenge tudományos teljesítmény [5]. Ebben a helyzetben azonban kevés tudomásunk van a média többfeladattal járó idegi folyamatokról. Jelen tanulmány a média multitasking tevékenység és az agyszerkezet variabilitása közötti összefüggéseket vizsgálta. A kutatások kimutatták, hogy az agy felépítése megváltozhat az új környezet hosszú távú kitettségével [6] valamint képzés és tapasztalat [7], [8]. Ezenkívül a szürke és a fehér anyag regionális variabilitása, Voxel-alapú morfometria (VBM) segítségével kiértékelve, megbízhatóan megjósolja az egyes különbségeket a kognitív funkciók egy sorában (lásd: [9] áttekintésre). A fenti megállapítások alapján feltételeztük, hogy a média multitasking különféle elkötelezettségei szintén tükrözik a regionális agyszerkezetek közötti különbségeket.

A jelenlegi vizsgálatban a Media-Multitasking Index (MMI, [2]) a média-multitasking jellemző tulajdonságaként fogadják el. Az MMI-pontszámokat következetesen összekapcsolják a kognitív kontroll feladatok egyedi teljesítményével [2], [10],[11]. Mint ilyenek, megbízható viselkedési korrelációt képeznek az agyszerkezet változékonyságával. Arra számítottuk, hogy az egyén MMI-pontja tükrözi az agyszerkezeti különbségeket, különösen a kognitív kontroll és a multitasking-régiókban. A korábbi kutatások összehangolták a prefrontalis corticalis régiók szerepét a kognitív kontrollban [12], [13], [14], [15]. A. Által okozott lézióvizsgálat alapján [16], a különféle régiók részt vesznek a multitasking disszociálható aspektusaiban: az elülső és a hátsó cingulate a retrospektív memóriában vesz részt, az prefrontális régiók pedig a prospektív memóriában és a tervezésben szerepelnek. Mint ilyen, arra számítottuk, hogy találni fognak kapcsolatot a média multitasking tevékenység és a régiók strukturális variabilitása között. A multimédia feladatok a média szorosan kapcsolódnak a személyiségjegyekhez (azaz a neurotizmushoz és az extraverzióhoz) [3]), amelyek viszont előrejelzik az agy szerkezeti különbségeit [17]. Mint ilyen, a média multitasking és az agyszerkezet közötti összefüggést ezek a vonási különbségek befolyásolhatják. Ennek a lehetőségnek a vizsgálatához megvizsgálják az MMI és a Big Five személyiségjegyek közötti összefüggéseket is.

MMI pontszámokat, Big Five személyiségjellemzőket és mágneses rezonancia képalkotást (MRI) kaptunk 75 egészséges felnőtteknél, akik viszonylag jól ismerik a számítógépet és a média technológiákat. A média multitasking tevékenység és az agyszerkezet változékonyságának kapcsolatának vizsgálatához először az egyes MMI pontszámokat korreláltuk az agyi szintű regionális szürkeanyag-sűrűséggel az optimalizált VBM segítségével [18]. Megvizsgáltuk az összefüggéseket a nagy öt tulajdonságok és az MMI pontszámok között is. A megszerzett szerkezeti különbségek funkcionális jelentőségének megvilágításához elemeztük a nyugalmi állapotú agyi aktivitást, hogy meghatározzuk az MMI pontszámok és az agy funkcionális összekapcsoltsága közötti összefüggéseket.

Mód

A résztvevők

A University University London (UCL) pszichológiai résztvevőinek felvételével felvett, egészséges 75 felnőttek (átlagéletkor = 24.6, SD = 5.0, 38 férfiak), tájékozott írásbeli hozzájárulás megadása után vett részt a jelenlegi tanulmányban. A tanulmányt a helyi UCL etikai bizottság hagyta jóvá (etikai kérelem kódja: 2213 / 002). A résztvevőket átvizsgáltuk egyetemi hallgatók és személyzet között, akik jól ismerik a számítógépeket és a média technológiákat. A részvételüket készpénzben térítették meg nekik. Azok a 75 résztvevők között, akik részt vettek a VBM vizsgálatban, fMRI adatokat gyűjtöttek az 40 résztvevők egy részhalmazából. A nem, az életkor, az iskolai végzettség és az MMI-pontszámok nem különböztek szignifikánsan a két minta között (Táblázat 1).

Letöltés:  

• PPT

  PowerPoint dia

• PNG

  nagyobb kép (37KB)

• TIFF

  eredeti kép (190KB)

1 táblázat. A demográfiai jellemzők és a VBM elemzésben és a funkcionális összekapcsolhatóság elemzésében résztvevők MMI-pontszámának összehasonlítása.

doi: 10.1371 / journal.pone.0106698.t001

Módosított média multitasking kérdőív

A többfunkciós média kérdőív módosított változata [2] minden résztvevőnek beadták. Az MMI stabil mérést adott az egyén jellegzetes média-többfeladatos tevékenységéről. A kérdőív két fő részből állt: Az első szakasz felsorolta az 12 általános médiumtípusait, és a résztvevők beszámoltak arról, hogy az egyes adathordozókkal hetente hány órát töltöttek. A jelen tanulmányban használt módosított változatban az 10 adathordozó típusokat megtartottuk [2]: Nyomtatott média, televízió, számítógépes videó, zene, hanghívások mobil vagy telefonon, azonnali üzenetküldés, rövid üzenetküldő szolgáltatás (SMS), e-mail, internetes szörfözés és egyéb számítógépes alkalmazások. A „video- vagy számítógépes játékok” tételt úgy módosították, hogy a mobiltelefonokon is szerepeljen. A „nem zenei hang” elem helyébe a „közösségi hálózati oldalak használata” kifejezés lép. A változtatások célja a médiafogyasztás jelenlegi tendenciáinak jobb tükrözése. A második rész egy mátrixból állt, amelyben a résztvevők megmutatták, hogy mennyi időnként használják az összes többi tápközeget, mint egy primer tápközeget. Az egyidejű használat mennyiségét 1 – 4 skálán jeleztük (1 = “Soha”, 2 = „Az idő egy kis része”, 3 = „Az idő egy része” és 4 = „Az idő nagy része”). A résztvevők válaszai először a következők voltak: Az egyes primer tápközegekben a kódolt válaszok összegzése az elsődleges táptalaj egyidejűleg alkalmazott közegének átlagos számát eredményezi. Az MMI kiszámítása a következő képlet alapján történt: Hol m_i az elsődleges táptalaj használata során egyidejűleg alkalmazott közegek száma, i; h_i az elsődleges közeg felhasználásával hetente töltött órák száma, i; és h_teljes az összes médialap felhasználásával hetente eltöltött órák száma.

Öt nagy készlet

A nagy öt leltár (BFI; [19]) egy rövid és megbízható 44-elem mérést adott az öt nagy személyiségtényezőjére: extraverzió (8 tételek), kellemesség (9 tételek), lelkiismeret (9 tételek), neurotizmus (8 tételek) és nyitottság a tapasztalatokra (10 tételek). A BFI-t a mintánkban az MMI és a nagy öt személyiségjegyek közötti összefüggések vizsgálatára fogadtuk el.

MRI adatgyűjtés

1.5 T Siemens Avanto szkennert (Siemens Medical, Erlangen, Németország) használtunk nagy felbontású T1-súlyozott szerkezeti képek készítéséhez minden résztvevő számára (MPRAGE; 1 mm³ köbös voxelek; 160 szeletek; TR = 2730 ms; TE = 3.57 ms). A funkcionális MRI-adatokat növekvő T2 * súlyozott gradiens-visszhang-visszhang-síkbeli képalkotó (EPI) szekvenciákkal szereztük meg, amelyek érzékenyek a BOLD kontrasztra. Mindegyik beszerzés 32 ferde szeletekből, 3.0 × 3.0 mm felbontásból, 2.0 mm vastagságból és 1.0 mm szeletrésből állt. Az EPI-szeleteket mindegyik alanyra külön-külön szögeztük, hogy csökkentsük az orrüreg érzékenységi műtermékeit, és hogy maximalizáljuk az orbitofrontalis régiók és a hátsó parietális kéreg lefedettségét, miközben a lefedettséget feláldozzuk az időbeli pólus felett. Mint ilyen, a végső tájolás 8 ° és 16 ° között változott. Ugyanazon szelet két egymást követő beszerzése közötti időtartam 2528 ms volt, 90 fokos átfordulási szög és 44 ms visszhang ideje. A látómező 192 × 192 mm volt. A digitális sík felbontás 64 × 64 pixel volt, pixelmérettel 3.0 × 3.0 mm. Az összes adatot 32-csatornás fejtekerccsel gyűjtöttük. A funkcionális MR vizsgálat során a résztvevőket arra utasították, hogy egyszerűen maradjanak mozdulatlanul, tartsák nyitva a szemüket, és ne gondolkodjanak konkrétan. Az egyik futtatás 180 volumenszerzésből állt, és a kezdeti 6 volumeneket eltávolítottuk az elemzésből, hogy elkerüljük a folyamatos mágnesezést. A nyugalmi fMRI-futtatás körülbelül 7.5 percet vett igénybe.

Voxel-alapú morfometria (VBM) elemzése

Voxel-alapú morfometria (VBM; [20]) egy általánosan használt neuroimaging elemzési technika, amely lehetővé teszi az előre feldolgozott MRI képek voxel-szempontból statisztikai elemzését. A nagy felbontású T1-súlyozott szerkezeti vizsgálatokat VBM-mel elemeztük statisztikai paraméteres leképezésen (SPM8, Wellcome Department of Kognitív Neurológia). A képeket először szétválasztottuk szürke és fehér anyag szempontjából. Ezt követően diffomorf anatómiai regisztrációt hajtottunk végre az exponenciált Lie Algebra (DARTEL) segítségével a szürke anyag képeinek társregisztrációja céljából. Annak biztosítása érdekében, hogy a regionális szürkeanyag-mennyiség a regisztráció után megmaradjon, a regisztrált képeket a DARTEL által kiszámított áramlási mezők Jacobi-meghatározója modulálta. A regisztrált szürkeanyag-képeket Gauss-kerneltel (teljes szélesség maximális felében = 10 mm) simítottuk, majd átalakítottuk és normalizáltuk a Montreal Neurológiai Intézet (MNI) sztereotaktikai teret a további többszörös regressziós elemzés céljából.

A normalizált szürkeanyag-képeken többszörös regressziós analízist végeztünk, fő regresszorként az MMI pontszámokat használva. Az életkor, a nem és az agy teljes volumenét beleszámítottuk olyan kovariánsokba, amelyek nem számítanak az összes regressziónak. Azoknak a voxeleknek a kimutatására, amelyekben a regionális szürkeanyag-sűrűség korrelált az MMI pontszámaival, szigorú küszöbértéket alkalmaztunk p <.05 családtagok hibájával az egész agy kijavítva.

Funkcionális kapcsolat elemzése

A funkcionális kapcsolódási elemzés elvégzéséhez a Conn funkcionális kapcsolódási eszközkészlet 13 verzióját (http://www.nitrc.org/projects/conn; [21]) az SPM8 előfeldolgozási eljárásaival kombinálva. A sorrendben felsorolt ​​előfeldolgozási lépések tartalmazzák a szeletek időzítésének korrekcióját, az idősorok adatainak az első kötethez igazítását (azaz a mozgáskorrekciót), a funkcionális MRI idősorok társregisztrációját a megfelelő szerkezeti MRI-hez, a képek szétválasztását külön szövetekbe olyan fajták, mint a szürke anyag, a fehér anyag és a cerebrospinális folyadék (CSF), valamint a normál MNI-sablonnal történő normalizálás és a térbeli simítás Gauss-szűrővel (FWHM = 8 mm). Az idősorozatokat ezután sávszélességgel szűrtük 0.01 Hz – 0.1 Hz értékre.

A vetőmag-alapú funkcionális összekapcsolhatóság elemzéséhez egyetlen jelentős klasztert használtunk a VBM elemzésben, mint érdeklődésre számot tartó régió (ROI). A ROI-ból kinyert átlag idősorokat egy regresszorral többszörös regressziós modellben használtuk egyéni szintű elemzés során. A zavaró tényezők befolyásának minimalizálása érdekében beépítettük az előfeldolgozás hat mozgáskorrekciós paraméterének regresszorait. Ezenkívül a szürke anyag, a fehér anyag és a CSF átlagos BOLD jeleit kinyertük a szegmentálási eljárás során létrehozott maszkokból, és ezeket regresszorként is beépítettük az ezen globális jelekhez kapcsolódó eltérések minimalizálása céljából. Kiszámítottuk a ROI jel és az agy többi része közötti időbeli korrelációt, és a mag ROI-val való korrelációkat Z pontszámokká konvertáltuk a Fisher transzformációval a második szintű szignifikancia elemzéshez.

A Z-transzformált statisztikai képpel először a voxel-alapú küszöbérték alkalmazásával meghatároztuk agyi régiókat, amelyek funkcionális kapcsolatot mutatnak a mag ROI-val. p_{FWE korrigált}<0.05. Ezt követően kevésbé szigorú küszöbértéket alkalmaztunk p<0.001 (nem javított) maszkként az ACC-hez kapcsolódó régiók rögzítésére egy második szintű elemzés céljából, amelynek során az MMI-pontszámokkal korrelált agyi régiókat kerestük. Kovariátorként felvettük az életkort, a nemet és az összes koponyaűri térfogatot, és elfogadtuk a küszöbértéket p <0.05 családonkénti hibával, a kezdeti maszk által meghatározott térfogatra korrigálva. A kezdeti maszkolás indoklása annak biztosítása volt, hogy elemzésünket azokra agyi régiókra korlátozzuk, amelyek korreláltak a mag régióval. Még ha e régión kívüli egyéni különbségekkel is korrelációt találnánk, ezek a megállapítások valószínűleg hamis összefüggéseket tükröznek. A maszkoláshoz kevésbé szigorú küszöböt fogadtunk el, hogy növeljük a második szintű elemzéseink teljesítményét.

A feldolgozott képalkotási adatokat, valamint a VBM és a funkcionális összeköttetések regressziós elemzésének változóit tartalmazó adatkészleteket nyilvánosan elérhetővé teszik a következő címen: http://dx.doi.org/10.6084/m9.figshare.10​30286.

Eredmények

A VBM elemzés negatív kapcsolatot mutatott ki az MMI pontszámok és a szürke anyag sűrűsége között az elülső cingulate cortexben (ábra 1; ACC; t (70) = 5.16, P_{FWE korrigált} <, 05, Klaszter mérete = 158 voxel × 1.5³ = 533 mm³; csúcs MNI koordináta: x = 12, y = 41, z = 3). Egyik más agyi régió sem mutatott szignifikáns korrelációt az MMI pontszámaival. Így a magasabb adathordozó-multitasking az ACC kisebb szürkeanyag-mennyiségével társult. Az MMI és a BFI pontszámok közötti korrelációs elemzések azonban rendkívül szignifikáns összefüggést mutattak az extraversion és az MMI pontszámok között (Táblázat 2; r = 0.347, p = 0.002). Mint ilyen, azt gyanítottuk, hogy a megfigyelt MMI-ACC szürkeanyag-asszociációt az extraversionálási pontszámok egyedi különbségei befolyásolhatják. Erre való tekintettel megismételtük a korábbi VBM-analízist, tovább kontrollálva a BFI pontszámokat további kovariánsként. Többszörös regressziót hajtottunk végre (szürkeanyag-sűrűség függő változóként), beleértve az MMI-t és az összes nagy öt tulajdonsági pontszámot prediktorként, valamint a demográfiai kovariátorokat. Szignifikáns negatív összefüggést figyeltünk meg az MMI és a szürkeanyag mennyisége között az azonos ACC régióban (t (65) = 5.08, P_{FWE korrigált}<, 05, Klaszter mérete = 74 voxel × 1.5³ = 250 mm³; csúcs MNI koordináta: x = 12, y = 40, z = 3). Ez azt sugallta, hogy az MMI és a szürkeanyag sűrűsége között egyedi összefüggés van az ACC-ben, függetlenül a nagy öt személyiségi tulajdonságaitól.

Letöltés:  

• PPT

  PowerPoint dia

• PNG

  nagyobb kép (475KB)

• TIFF

  eredeti kép (768KB)

1 ábra. A VBM regressziós elemzései azt mutatták, hogy az MMI-pontszámok szignifikánsan összefüggésben vannak a szürkeanyag-sűrűséggel az ACC-ben (t (70) = 5.16, P_{FWE korrigált} <0.05, fürtméret = 158 voxel x 1.5³ = 533 mm³; csúcs MNI koordináta: x = 12, y = 41, z = 3).

A voxel csúcsán (Y-tengely) beállított szürkeanyag-sűrűség negatív korrelációt mutatott (r = −0.54, p<0.001) MMI-pontszámokkal (X-tengely).

doi: 10.1371 / journal.pone.0106698.g001

Letöltés:  

• PPT

  PowerPoint dia

• PNG

  nagyobb kép (20KB)

• TIFF

  eredeti kép (126KB)

2 táblázat. Összefüggések a Media multitasking index pontszáma és a Big Five Inventory pontszámai között.

doi: 10.1371 / journal.pone.0106698.t002

A VBM eredmények funkcionális jelentőségének megvilágítása érdekében arra törekedtünk, hogy funkcionális összeköttetési elemzések segítségével pontosan meghatározzuk azokat agyi régiókat, amelyek jelentős kapcsolatot mutatnak a kapott ACC érdekes régiókkal (ROI). Ez az elemzés feltárta, hogy a kapott ACC ROI-ban az aktivitás korrelált több agyrégióval, amelyeket általában az alapértelmezett üzemmód hálózattal jellemeztek, beleértve a kétoldalú temporo-parietális csomópontokat (TPJ; jobb félteke, x = 48, y = −64, z = 36, p_{FWE korrigált}<0.05; bal agyfélteke, x = −44, y = −70, z = 36) és precuneus (x = 4, y = −68, z = 30, p_{FWE korrigált}<0.05) más régiók között (Táblázat 3). Ezek az eredmények azt sugallják, hogy az ACC ROI, amelyet a VBM elemzéssel találtunk, valószínűleg a DMN alá tartozik. Ezután tovább vizsgáltuk, hogy az MMI pontszámok kapcsolódnak-e az ACC ROI és a DMN régiók közötti kapcsolathoz. A regressziós analízist az ACC és a DMN régiók közötti z-transzformált korrelációk alapján végeztük, ahol az MMI volt a fő prediktor, valamint az életkor, nem és az agy teljes térfogata, mint kovariánsok. Jelentős társulások nem merültek fel p_{FWE korrigált}<0.05. Egy kevésbé szigorú küszöbértéknél azonban p_{kijavítatlan}<0.001, a magasabb MMI pontszámok az ACC ROI és az precuneus közötti gyengébb kapcsolathoz kapcsolódtak (ábra 2; precuneus; t (40) = 5.22, p_{kijavítatlan}<0.001, fürtméret = 159 mm³; MNI csúcskoordináta: x = 10, y = −50, z = 18). Hangsúlyozzuk, hogy kapcsolódási eredményeinket kevésbé szigorú küszöbön szereztük meg, és korlátozott bizonyítékot szolgáltattak számunkra arra, hogy következtetéseket vonjunk le az MMI-ről és a funkcionális összeköttetések társulásáról. Mint ilyen, ez a megállapításkészlet kizárólag a VBM-eredményeink funkcionális értelmezéséhez szolgált.

Letöltés:  

• PPT

  PowerPoint dia

• PNG

  nagyobb kép (795KB)

• TIFF

  eredeti kép (1.17MB)

2 ábra. A regressziós elemzések azt mutatták, hogy az ACC ROI és a Precuneus (a kék vonalak metszéspontja) közötti kapcsolat negatívan kapcsolódik az MMI pontszámokhoz (Precuneus; t (40) = 5.22, P_{FWE-korrigálatlan}<0.001, fürtméret = 159 mm³; MNI csúcskoordináta: x = 10, y = −50, z = 18).

Volt negatív kapcsolat (r = −0.68, p<0.001) a módosított Z-transzformált ACC-Precuneus korrelációk (Y-tengely) és az MMI-pontszámok (X-tengely) között.

doi: 10.1371 / journal.pone.0106698.g002

Letöltés:  

• PPT

  PowerPoint dia

• PNG

  nagyobb kép (34KB)

• TIFF

  eredeti kép (177KB)

3 táblázat. Agyi régiók, amelyek funkcionális kapcsolatot mutatnak az ACC ROI-val.

doi: 10.1371 / journal.pone.0106698.t003

Megbeszélés

A hipotézis szerint a jelen tanulmány szignifikáns összefüggést tárt fel a média multitasking és az agyszerkezet eltérései között: Azoknak a személyeknek, akik a média multitasking nagyobb mennyiségéről számoltak be, alacsonyabb a szürkeanyag-sűrűség az ACC-ben. Ez az asszociáció szigorú küszöbértéknél szignifikáns volt (p_{FWE korrigált}<0.05), és független volt a nagy öt személyiségi vonásaitól. Megvitatjuk a szerkezeti korrelációk lehetséges értelmezését az ACC funkciókra és az MMI viselkedési korrelációkra vonatkozó legfrissebb bizonyítékok fényében.

Az ACC az agy információfeldolgozási útvonalainak kritikus kapcsolatát képezi, és részt vett az sensorimotor, nociceptív, magasabb kognitív és érzelmi / motivációs folyamatokban. [22], [23]. Ezek közül azt feltételezzük, hogy a kapott ACC régió valószínűleg a magasabb kognitív folyamatokhoz kapcsolódik, mivel a média multitasking folyamatosan kapcsolódik a kognitív kontroll teljesítményéhez [2], [10], [11], [24]. Ezenkívül az ACC ROI jelentős funkcionális kapcsolatot mutatott a DMN agyrégiókkal, amelyek szintén jellemzően voltak összekapcsolva magasabb kognitív műveletekkel [25], [26].

A kognitív feldolgozás szempontjából általában úgy gondolják, hogy az ACC részt vesz a hibák vagy konfliktusok felderítésében [27], [28]. Az ACC aktiválást általában olyan feladatoknál figyelik meg, amelyek egyidejűleg inkompatibilis válaszokat aktiválnak, azaz a Stroop feladatot [29], [30], szelektív figyelem [31] és a kísérő feladat [32], [33]. Nevezetesen, az ACC részt vett a kettős feladatú paradigmákban [34], [35] ahol az egyénnek versengő ingerekkel és válaszokkal kell szembenéznie, amelyek két vagy több feladathoz kapcsolódnak. Ehhez hasonlóan a média multitaskingban az egyének különálló feladatkövetelményekkel szembesülnek, amelyek az egyidejűleg használt többféle médiatípushoz kapcsolódnak. Mint ilyen, a kapott ROI-t bevonhatjuk a kettős feladattal kapcsolatos kognitív kontroll funkciókba. Az egyik kritikus figyelmeztetés az, hogy a fent említett funkciókat általában a hátsó ACC-hez rendelik, ellentétben a rostral régióval, ahol ROI található [23], [32], [35], [36]. A kutatók azonban megjegyezték, hogy ez a meghatározás nem abszolút [23], [34], [37]. Különösen a jelenlegi értelmezésünk alátámasztására, Dreher és munkatársai [34] számolt be arról, hogy a rostral ACC egyedülállóan részt vesz a konfliktusok felderítésében a kettős feladatok ellátása során.

Fő megállapításunk azt jelezte, hogy a nehezebb multimédiás multitaskerek alacsonyabb ACC volumenűek voltak. Annak érdekében, hogy meghatározzuk a csökkentett ACC-mennyiségek lehetséges viselkedési következményeit a nehéz multitaskerekben, az MMI és a kognitív kontroll összekapcsolásával kapcsolatos viselkedési tanulmányokat vizsgáltuk. Ophir és mtsai. [2] először feltárták a megnövekedett média multitasking tevékenység és a rosszabb kognitív kontroll közötti kapcsolatot. A kognitív kontroll feladatok sokaságába bevonta a résztvevőket, mint például a Stroop-feladat, a feladatváltás, a zavaró-szűrés és az n-back feladatok. A distraktorokkal szemben a nehéz multitasker (a könnyebb multitaskerhez képest) lassabban észlelte a látási minták változásait, érzékenyebben reagált a distractors téves visszaemlékezésére egy memória feladat során, és lassabb volt a feladatváltásban. A szerzők szerint a nehéz multitaskerek kevésbé voltak képesek önkéntesen korlátozni figyelmüket csak a feladatra vonatkozó információkkal. Lui és Wong [24] további bizonyítékokat szolgáltatott arról, hogy a nehezebb multitaskerek jobban gátolják a feladat szempontjából irreleváns ingereket, és következésképpen képesek voltak jobban teljesíteni a multiszenzoros integrációs feladatokat. Egy későbbi tanulmány [11] megmutatta, hogy a nehéz multitaskerek rosszabb teljesítménnyel bírnak a Operation Span Task (OSPAN) műveletnél, amely nagyban hasonlított a kettős feladatú paradigmára, mivel a résztvevőknek egyidejűleg kellett megoldaniuk a matematikai problémákat és megjegyezniük a bemutatott leveleket. A nehéz multitaskerek több figyelmet szenteltek a mindennapi életben [38]. Alzahabi és Becker egy közelmúltbeli tanulmánya azonban [10] Ellentétes eredményekről számoltak be: a nehezebb multitaskerek nem voltak rosszabbak a kettős feladat végrehajtásában, és jobbak voltak a feladatváltásban. Ugyancsak nem voltak képesek megismételni Ophir és mtsai eredményeit, annak ellenére, hogy azonos feladatokat végeztek. A szerzők megjegyezték, hogy mintáik elsősorban nők voltak, és ez valószínűleg eltérő eredményeket eredményezhetett volna. Hangsúlyozták a longitudinális vizsgálatok fontosságát az MMI és a kognitív kontroll közötti erőteljes összefüggések feltárása érdekében.

Összefoglalva: a meglévő MMI irodalom általában azt sugallja, hogy a nehezebb média-multitaskingban részt vevő egyének gyengébb kognitív kontroll képességeket mutatnak. Jelenlegi eredményeink kiterjesztik ezt az irodalmat azáltal, hogy a nehezebb média-multitasking tevékenységet kisebb mennyiségű ACC-vel összekapcsolják: egy olyan agyrégióval, amely részt vesz a kognitív kontrollban, összekapcsolódó neuroimaging bizonyítékok alapján. Hangsúlyozzuk azonban, hogy további munkára van szükség az ACC felépítése és a kognitív kontroll képességek közötti kapcsolat megteremtéséhez. ACC-sérüléssel rendelkező betegek vizsgálata nagyon vegyes perspektívákat adott az ACC szükségességéről a kapcsolódó kognitív funkciókban [39], [40], [41].

Lehetséges az is, hogy a kapott ACC-régió részt vesz az érzelmi / motivációs folyamatokban, mivel az a rostral ACC-ben helyezkedik el, amely általában kapcsolódik a motivációhoz és az érzelmek feldolgozásához. [23]. A csökkentett ACC-mennyiséget gyakran befolyásolják olyan rendellenességek, amelyekben az aberráns érzelmi-motivációs folyamatok szerepelnek, mint például rögeszmés-kényszeres rendellenesség [42], A poszttraumás stressz zavar [43], depresszió [44] valamint kábítószer- és nem drogfüggőség [45], [46]. Ebből a szempontból valószínű, hogy a nehezebb média multitaskerek, alacsonyabb ACC volumen mellett kevésbé hajlamosak az érzelmi és motivációs szabályozásra. Valójában a magasabb MMI pontszámok korrelálnak a megnövekedett neurotikussal, szenzáció-kereső és impulzivitással [3], [11] és negatív társadalmi-érzelmi eredmények [4]. Érdekes módon a jelen tanulmányban kapott agyszerkezeti különbségek hasonlóak voltak az internetes függőség (IA) idegi korrelátumaihoz. Az IA-ban szenvedő betegek esetében, akiket egyszerűen az Internet vagy a számítógépek patológiás túlhasználataként határoztak meg, kimutatták, hogy csökkent a szürke és fehér anyag sűrűsége az ACC-ben [46], [47], [48]. Lehetséges, hogy a két konstrukció, a multimédia feladat és az IA átfedésben van: az MMI megmutatta, hogy mennyi ember használt egyszerre több eszközt, és ez összefügghet az IA-val, ami a számítógépek és az internet túlzott használatát vonja maga után.

A jelen munkának egy fontos korlátozása az, hogy eredményeinket keresztmetszeti tanulmányból nyerjük, amely a média multitasking magatartása és az agy szerkezete közötti kapcsolatot vizsgálja. Mint ilyen, a közöttük fennálló okozati összefüggés iránya nem határozható meg. Elképzelhető, hogy a kisebb ACC-vel rendelkezők jobban hajlamosak multitaskingra a gyengébb kognitív kontroll vagy társadalmi-érzelmi szabályozás miatt, ugyanakkor valószínű, hogy a multitasking helyzetek magasabb kitettsége strukturális változásokhoz vezet az ACC-ben. Hosszirányú vizsgálatra van szükség az ok-okozati irány egyértelmű meghatározásához. Jelenlegi eredményeink utat nyitnak az ilyen kutatásokhoz azáltal, hogy empirikus kapcsolatot teremtenek a multimédia feladatok ellátása a média és az ACC szerkezeti különbségei között. Egy másik figyelmeztetés az, hogy a jelenlegi eredmények nem terjednek ki a viszonylag magasan képzett és a technológiának kitett, vizsgált populáción. A médiafogyasztási szokásokat valóban nagymértékben befolyásolhatják a demográfiai tényezők [1]. Mint ilyen, a jövőbeli tanulmányoknak meg kell vizsgálniuk a demográfiai tényezők - például az oktatás és a társadalmi-gazdasági helyzet - szerepét a média multitasking, a kognitív teljesítmény és az agyszerkezetek közötti kapcsolat moderálásában.

Összegezve, azoknak az egyéneknek, akik több média multitasking tevékenységet folytattak, kisebb szürkeanyag-mennyisége volt az ACC-ben. Ez megmagyarázhatja a meggyengült kognitív kontroll teljesítményt és a megnövekedett média-multitasking által okozott negatív társadalmi-érzelmi eredményeket. Noha tanulmányunk keresztmetszeti jellege nem teszi lehetővé az okozati összefüggések irányának pontos meghatározását, eredményeink új összefüggéseket hoztak fel az egyes média multitasking magatartások és az ACC szerkezeti különbségei között.

Szerzői hozzájárulások

A kísérletek megtervezése és megtervezése: KL RK. Kísérleteket végzett: KL RK. Elemeztem az adatokat: KL RK. Hozzáadott reagensek / anyagok / elemző eszközök: KL RK. Írta a papírt: KL RK.