Aktywność wielozadaniowa w wyższych mediach jest powiązana z mniejszą gęstością szarości w przednim kolistym cemencie (2014)

Cytat: Loh KK, Kanai R (2014) Wyższa aktywność wielozadaniowa w mediach jest związana z mniejszą gęstością istoty szarej w przedniej części kory zakrętu obręczy. PLoS JEDEN 9(9): e106698. doi:10.1371/journal.pone.0106698

Redaktor: Katsumi Watanabe z Uniwersytetu Tokijskiego w Japonii

Odebrane: Luty 25, 2014; Przyjęty: Sierpień 8, 2014; Opublikowano: 24 września 2014 r.

Prawa autorskie: © 2014 Loh, Kanai. To jest artykuł o otwartym dostępie rozpowszechniany na warunkach Licencja Creative Commons - uznanie autorstwa, który pozwala na nieograniczone użycie, dystrybucję i reprodukcję w dowolnym medium, pod warunkiem, że autor i źródło są uznawane.

Finansowanie: Finansowanie tego projektu pochodziło z grantu PRESTO od Japońskiej Agencji Nauki i Technologii. Fundatorzy nie odgrywali żadnej roli w projektowaniu badań, gromadzeniu i analizie danych, podejmowaniu decyzji o publikacji ani przygotowaniu manuskryptu.

Konkurencyjne zainteresowania: Autorzy zadeklarowali, że nie istnieją konkurencyjne interesy.

Wprowadzenie

Multitasking mediów, czyli jednoczesna konsumpcja wielu form mediów, jest coraz bardziej powszechna we współczesnym społeczeństwie [1] i był związany ze zmniejszonymi zdolnościami kontroli poznawczej [2] a także negatywne skutki psychospołeczne, takie jak depresja i lęk społeczny [3], negatywny dobrostan społeczny [4]i słabe wyniki w nauce [5]. Jednak w tym momencie niewiele wiadomo o procesach neuronalnych związanych z wielozadaniowością mediów. W niniejszym badaniu zbadano związki między wielozadaniowością mediów a zmiennością struktury mózgu. Badania wykazały, że struktura mózgu może ulec zmianie pod wpływem przedłużonej ekspozycji na nowe środowiska [6] a także szkolenia i doświadczenie [7], [8]. Ponadto regionalna zmienność istoty szarej i białej, oceniana za pomocą morfometrii opartej na wokselach (VBM), niezawodnie przewiduje indywidualne różnice w zakresie funkcji poznawczych (zob. [9] do recenzji). Na podstawie powyższych ustaleń postawiliśmy hipotezę, że zróżnicowane zaangażowanie w wielozadaniowość w mediach również odzwierciedlałoby różnice w regionalnych strukturach mózgu.

W obecnym dochodzeniu wskaźnik wielozadaniowości mediów (MMI, [2]) przyjmuje się jako miarę cechy media-wielozadaniowość. Wyniki MMI były konsekwentnie kojarzone z indywidualnymi wynikami w zadaniach kontroli poznawczej [2], [10],[11]. Jako takie służą jako wiarygodny korelat behawioralny ze zmiennością struktury mózgu. Oczekiwaliśmy, że wynik MMI danej osoby będzie odzwierciedlał różnice w strukturze mózgu, szczególnie w regionach kontroli poznawczej i wielozadaniowości. Wcześniejsze badania skupiały się na roli obszarów kory przedczołowej w kontroli poznawczej [12], [13], [14], [15]. Na podstawie badania uszkodzeń przeprowadzonego przez [16], różne regiony są zaangażowane w dysocjacyjne aspekty wielozadaniowości: przednie i tylne zakręty obręczy są zaangażowane w pamięć retrospektywną, a obszary przedczołowe są zaangażowane w pamięć prospektywną i planowanie. W związku z tym spodziewaliśmy się znaleźć powiązania między wielozadaniowością mediów a zmiennością strukturalną w tych regionach. Medialna wielozadaniowość jest ściśle powiązana z cechami osobowości (tj. neurotyzmem i ekstrawersją). [3]), które z kolei przewidują różnice strukturalne w mózgu [17]. W związku z tym związek między wielozadaniowością mediów a strukturą mózgu może być zakłócony przez te różnice cech. Aby zbadać tę możliwość, zbadano również związki między MMI a cechami osobowości Wielkiej Piątki.

Uzyskaliśmy wyniki MMI, miary cech osobowości Wielkiej Piątki i skany rezonansu magnetycznego (MRI) u 75 zdrowych dorosłych, którzy byli stosunkowo dobrze zaznajomieni z komputerami i technologiami medialnymi. Aby zbadać związek między wielozadaniowością w mediach a zmiennością struktury mózgu, najpierw skorelowaliśmy indywidualne wyniki MMI z regionalną gęstością istoty szarej na poziomie całego mózgu za pomocą zoptymalizowanego VBM [18]. Zbadaliśmy również korelacje między cechami Wielkiej Piątki a wynikami MMI. Aby rzucić światło na funkcjonalne znaczenie uzyskanych przez nas różnic strukturalnych, przeanalizowaliśmy aktywność mózgu w stanie spoczynku, aby wyjaśnić powiązania między wynikami MMI a funkcjonalną łącznością w mózgu.

Metody

Uczestnicy

75 zdrowych osób dorosłych (średnia wieku = 24.6, SD = 5.0, 38 mężczyzn) rekrutowanych z puli uczestników psychologii University College London (UCL) wzięło udział w bieżącym badaniu po wyrażeniu świadomej pisemnej zgody. Badanie zostało zatwierdzone przez lokalną komisję etyczną UCL (kod aplikacji etycznej: 2213/002). Dokonaliśmy przeglądu uczestników, w tym studentów i pracowników uniwersytetów, którzy byli dobrze zaznajomieni z komputerami i technologiami medialnymi. Za udział otrzymali zwrot pieniędzy w gotówce. Spośród 75 uczestników, którzy wzięli udział w badaniu VBM, dane fMRI zebrano od podzbioru 40 uczestników. Płeć, wiek, poziom wykształcenia i wyniki MMI nie różniły się istotnie między dwiema próbami (Tabela 1).

Download:  

• PPT

  Slajd z PowerPointa

• PNG

  większy obraz (37KB)

• TIFF

  oryginalny obraz (190KB)

Tabela 1. Porównanie cech demograficznych i wyników MMI uczestników biorących udział w analizach VBM i analizach łączności funkcjonalnej.

doi: 10.1371 / journal.pone.0106698.t001

Zmodyfikowany kwestionariusz dotyczący wielozadaniowości w mediach

Zmodyfikowana wersja Kwestionariusza Wielozadaniowości Mediów [2] została udzielona wszystkim uczestnikom. MMI dostarczył stabilnej miary aktywności wielozadaniowej danej osoby w mediach cech. Kwestionariusz składał się z dwóch głównych sekcji: W pierwszej wymieniono 12 popularnych rodzajów mediów, a uczestnicy podali łączną liczbę godzin tygodniowo, jakie spędzili na korzystaniu z każdego medium. W zmodyfikowanej wersji zastosowanej w niniejszym badaniu zachowano 10 typów mediów [2]: Media drukowane, telewizja, wideo komputerowe, muzyka, połączenia głosowe przy użyciu telefonu komórkowego lub komórkowego, wiadomości błyskawiczne, wiadomości SMS, poczta elektroniczna, przeglądanie stron internetowych i inne aplikacje komputerowe. Pozycja „gry wideo lub komputerowe” została zmodyfikowana w celu uwzględnienia gier na telefony komórkowe. Pozycja „dźwięk niezwiązany z muzyką” została zastąpiona przez „korzystanie z serwisów społecznościowych”. Zmiany miały na celu lepsze odzwierciedlenie aktualnych trendów w konsumpcji mediów. Druga część składała się z matrycy, w której uczestnicy wskazywali, ile jednocześnie korzystali ze wszystkich innych rodzajów mediów, tak jak korzystali z głównego medium. Ilość jednoczesnego używania została wskazana w skali od 1 do 4 (1 = „Nigdy”, 2 = „Trochę czasu”, 3 = „Czasami” i 4 = „Przez większość czasu”). Odpowiedzi uczestników zostały najpierw zakodowane w następujący sposób: „Nigdy” = 0, „Trochę czasu” = 0.33, „Czasami” = 0.67 i „Przez większość czasu” = 1. Suma zapisanych odpowiedzi dla każda pożywka podstawowa dawała średnią liczbę pożywek jednocześnie używanych podczas używania pożywki podstawowej. MMI obliczono na podstawie następującego wzoru: Gdzie m_i to średnia liczba nośników jednocześnie używanych podczas korzystania z nośnika podstawowego, i; H_i to liczba godzin tygodniowo spędzonych na korzystaniu z podstawowego medium, i; i H_całkowity to łączna liczba godzin tygodniowo spędzonych na korzystaniu ze wszystkich form medialnych.

Inwentaryzacja Wielkiej Piątki

Inwentarz Wielkiej Piątki (BFI; [19]) dostarczyli krótkiej i wiarygodnej 44-itemowej miary czynników osobowości Wielkiej Piątki: ekstrawersji (8 pozycji), ugodowości (9 pozycji), sumienności (9 pozycji), neurotyzmu (8 pozycji) i otwartości na doświadczenie (10 pozycji). Przyjęliśmy BFI, aby zbadać powiązania między MMI a cechami osobowości Wielkiej Piątki w naszej próbie.

Akwizycja danych MRI

Skaner 1.5 T Siemens Avanto (Siemens Medical, Erlangen, Niemcy) został użyty do uzyskania obrazów strukturalnych ważonych T1 o wysokiej rozdzielczości dla każdego uczestnika (MPRAGE; 1 mm³ woksele sześcienne; 160 plasterków; TR = 2730 ms; TE = 3.57 ms). Dane funkcjonalnego rezonansu magnetycznego uzyskano przy użyciu sekwencji EPI (Echo-Planar Imaging Gradient-Echo) zależnych od rosnących T2*, wrażliwych na kontrast BOLD. Każda akwizycja składała się z 32 ukośnych warstw, rozdzielczość 3.0 x 3.0 mm, grubość 2.0 mm z odstępem między warstwami 1.0 mm. Plasterki EPI były ustawione pod kątem indywidualnie dla każdego pacjenta, aby zmniejszyć artefakty podatności z jamy nosowej i zmaksymalizować pokrycie obszarów oczodołowo-czołowych i tylnej kory ciemieniowej, jednocześnie poświęcając pokrycie nad biegunem skroniowym. W związku z tym ostateczna orientacja mieściła się w zakresie od 8° do 16°. Odstęp czasu między dwiema kolejnymi akwizycjami tego samego wycinka wynosił 2528 ms przy kącie odwrócenia 90 stopni i czasie echa 44 ms. Pole widzenia wynosiło 192×192 mm. Cyfrowa rozdzielczość w płaszczyźnie wynosiła 64 × 64 piksele przy wymiarach piksela 3.0 × 3.0 mm. Wszystkie dane uzyskano za pomocą 32-kanałowej cewki do badania głowy. Podczas funkcjonalnego skanu MRI uczestnicy zostali poinstruowani, aby po prostu nie ruszać się, mieć otwarte oczy i nie myśleć o niczym konkretnym. Jeden przebieg składał się ze 180 akwizycji objętości, a początkowe 6 objętości odrzucono z analizy, aby uniknąć zamieszania związanego z niestabilnym namagnesowaniem. Przebieg fMRI w stanie spoczynku trwał około 7.5 minuty.

Analiza morfometryczna oparta na wokseli (VBM)

Morfometria oparta na wokselach (VBM; [20]) to powszechnie stosowana technika analizy neuroobrazowania, która umożliwia analizę statystyczną wokseli wstępnie przetworzonych obrazów MRI. Skany strukturalne T1-zależne o wysokiej rozdzielczości analizowano za pomocą VBM za pomocą statystycznego mapowania parametrycznego (SPM8, Wellcome Department of Cognitive Neurology). Obrazy zostały najpierw podzielone na segmenty pod kątem istoty szarej i białej. Następnie przeprowadzono Diffeomorphic Anatomical Registration Through Exponentiated Lie Algebra (DARTEL) w celu wspólnej rejestracji obrazów istoty szarej. Aby upewnić się, że regionalna objętość istoty szarej została utrzymana po rejestracji, zarejestrowane obrazy zostały zmodulowane przez jakobianowy wyznacznik pól przepływu obliczony przez DARTEL. Zarejestrowane obrazy istoty szarej wygładzono za pomocą jądra Gaussa (pełna szerokość w połowie maksimum = 10 mm), a następnie przekształcono i znormalizowano do przestrzeni stereotaktycznej Montreal Neurological Institute (MNI) do dalszej analizy regresji wielokrotnej.

Analizę regresji wielokrotnej przeprowadzono na znormalizowanych obrazach istoty szarej z wynikami MMI jako głównym regresorem. Wiek, płeć i całkowita objętość mózgu zostały uwzględnione jako współzmienne nieistotne dla wszystkich regresji. Aby wykryć woksele, w których regionalna gęstość istoty szarej była skorelowana z wynikami MMI, przyjęliśmy rygorystyczny próg p <05 z błędem rodzinnym, poprawionym całym mózgiem.

Analiza łączności funkcjonalnej

Aby przeprowadzić analizę łączności funkcjonalnej, wykorzystaliśmy zestaw narzędzi łączności funkcjonalnej Conn w wersji 13 (http://www.nitrc.org/projects/conn; [21]) w połączeniu z procedurami wstępnego przetwarzania SPM8. Etapy przetwarzania wstępnego, wymienione w kolejności, obejmowały korektę synchronizacji plasterków, ponowne wyrównanie danych szeregów czasowych do pierwszego tomu (tj. typów, takich jak istota szara, istota biała i płyn mózgowo-rdzeniowy (CSF) oraz normalizacja do standardowego szablonu MNI i wygładzanie przestrzenne filtrem Gaussa (FWHM = 8 mm). Dane szeregów czasowych zostały następnie przefiltrowane pasmowoprzepustowo do 0.01 Hz – 0.1 Hz.

Do analizy łączności funkcjonalnej opartej na nasionach wykorzystaliśmy pojedynczy znaczący klaster znaleziony w analizie VBM jako początkowy region zainteresowania (ROI). Średnie szeregi czasowe wyodrębnione z ROI zastosowano jako regresor w modelu regresji wielokrotnej na poziomie analizy indywidualnej. Aby zminimalizować wpływ czynników zakłócających, uwzględniono regresory dla sześciu parametrów korekcji ruchu z przetwarzania wstępnego. Ponadto średnie sygnały BOLD dla istoty szarej, istoty białej i płynu mózgowo-rdzeniowego zostały wyodrębnione z masek utworzonych z procedury segmentacji, a także zostały uwzględnione jako regresory, aby zminimalizować wariancje związane z tymi globalnymi sygnałami. Obliczono korelacje czasowe między sygnałem ROI a resztą mózgu, a korelacje z początkowym ROI przekształcono w wyniki Z przy użyciu transformacji Fishera do analiz istotności drugiego poziomu.

Za pomocą obrazu statystycznego przekształconego w Z najpierw określiliśmy obszary mózgu wykazujące funkcjonalną łączność z początkowym ROI przy użyciu progu wokselowego p_{Poprawione przez FWE}<0.05. Następnie zastosowaliśmy mniej rygorystyczny próg p<0.001 (nieskorygowane) jako maska ​​do przechwytywania regionów połączonych z ACC do analizy drugiego poziomu, w której staraliśmy się znaleźć obszary mózgu skorelowane z wynikami MMI. Uwzględniliśmy wiek, płeć i całkowitą objętość wewnątrzczaszkową jako współzmienne i przyjęliśmy próg p <0.05 z błędem rodzinnym skorygowanym dla objętości określonej przez maskę początkową. Uzasadnieniem początkowego maskowania było upewnienie się, że nasza analiza była ograniczona do obszarów mózgu wykazujących skorelowaną aktywność z regionem nasion. Nawet gdybyśmy znaleźli korelację z indywidualnymi różnicami poza tymi regionami, takie odkrycia prawdopodobnie odzwierciedlałyby fałszywe korelacje. Przyjęliśmy mniej rygorystyczny próg maskowania, aby zwiększyć moc naszych analiz drugiego poziomu.

Przetworzone dane obrazowe, jak również zestawy danych zawierające zmienne zarówno dla analiz VBM, jak i regresji połączeń funkcjonalnych, są udostępniane publicznie pod adresem: http://dx.doi.org/10.6084/m9.figshare.10​30286.

Efekt

Analiza VBM ujawniła negatywny związek między wynikami MMI a gęstością istoty szarej w przedniej części kory zakrętu obręczy (Rysunek 1; ACC; t(70) = 5.16, P_{Poprawione przez FWE} <05, rozmiar klastra = 158 wokseli × 1.5³ = 533 mm³; szczytowa współrzędna MNI: x = 12, y = 41, z = 3). Żadne inne regiony mózgu nie wykazały istotnych korelacji z wynikami MMI. Zatem wyższa wielozadaniowość mediów była związana z mniejszymi objętościami istoty szarej w ACC. Jednak analizy korelacji między wynikami MMI i BFI ujawniły bardzo istotny związek między ekstrawersją a wynikami MMI (Tabela 2; r = 0.347, p = 0.002). W związku z tym podejrzewaliśmy, że obserwowane powiązanie istoty szarej MMI-ACC może być zakłócone przez indywidualne różnice w wynikach ekstrawersji. W związku z tym powtórzyliśmy wcześniejszą analizę VBM, dodatkowo kontrolując wyniki BFI jako dodatkowe współzmienne. Przeprowadziliśmy regresję wielokrotną (z gęstością istoty szarej jako zmienną zależną), w tym MMI i wszystkie wyniki cech Wielkiej Piątki jako predyktory wraz ze zmiennymi demograficznymi. Zaobserwowano istotną ujemną zależność między MMI a objętością istoty szarej w identycznym regionie ACC (t(65) = 5.08, P_{Poprawione przez FWE}<05, rozmiar klastra = 74 woksele × 1.5³ = 250 mm³; szczytowa współrzędna MNI: x = 12, y = 40, z = 3). Sugeruje to, że istnieje unikalny związek między MMI a gęstością istoty szarej w ACC, niezależnie od różnic w cechach osobowości Wielkiej Piątki.

Download:  

• PPT

  Slajd z PowerPointa

• PNG

  większy obraz (475KB)

• TIFF

  oryginalny obraz (768KB)

Rycina 1. Analiza regresji VBM wykazała, że ​​wyniki MMI były istotnie związane z gęstością istoty szarej w ACC (t(70) = 5.16, P_{Poprawione przez FWE} <0.05, rozmiar klastra = 158 wokseli x 1.5³ = 533 mm³; szczytowa współrzędna MNI: x = 12, y = 41, z = 3).

Skorygowana gęstość istoty szarej w szczytowym wokselu (oś Y) była ujemnie skorelowana (r = -0.54, p<0.001) z wynikami MMI (oś X).

doi: 10.1371 / journal.pone.0106698.g001

Download:  

• PPT

  Slajd z PowerPointa

• PNG

  większy obraz (20KB)

• TIFF

  oryginalny obraz (126KB)

Tabela 2. Korelacje między wynikami indeksu wielozadaniowości mediów a wynikami Inwentarza Wielkiej Piątki.

doi: 10.1371 / journal.pone.0106698.t002

Aby rzucić światło na funkcjonalne znaczenie naszych wyników VBM, staraliśmy się wskazać, za pomocą analiz połączeń funkcjonalnych, regiony mózgu, które wykazywały znaczącą łączność z uzyskanym przez nas regionem zainteresowania ACC (ROI). Analiza ta ujawniła, że ​​aktywność w uzyskanym obszarze ROI ACC była skorelowana z wieloma regionami mózgu, które zazwyczaj charakteryzowano jako sieć trybu domyślnego, w tym obustronne połączenia skroniowo-ciemieniowe (TPJ; prawa półkula, x = 48, y = -64, z = 36, p_{Poprawione przez FWE}<0.05; lewa półkula, x = −44, y = −70, z = 36) i przedklinek (x = 4, y = −68, z = 30, p_{Poprawione przez FWE}<0.05) wśród innych regionów (Tabela 3). Wyniki te sugerują, że zwrot z inwestycji ACC, który znaleźliśmy w analizie VBM, prawdopodobnie mieści się w DMN. Następnie zbadaliśmy dalej, czy wyniki MMI były powiązane z łącznością między naszymi regionami ACC ROI i DMN. Analizy regresji przeprowadzono na z-transformowanych korelacjach między regionami ACC i DMN z MMI jako głównym predyktorem i wiekiem, płcią i całkowitą objętością mózgu jako współzmiennymi. Nie pojawiły się żadne znaczące skojarzenia p_{Poprawione przez FWE}<0.05. Jednak przy mniej rygorystycznym progu p_{nieskorygowane}<0.001, wyższe wyniki MMI były związane ze słabszą łącznością między ROI ACC a przedklinkiem (Rysunek 2; przedklinek; t(40) = 5.22, p_{nieskorygowane}<0.001, rozmiar klastra = 159 mm³; Szczytowa współrzędna MNI: x = 10, y = −50, z = 18). Podkreślamy, że nasze wyniki łączności zostały uzyskane przy mniej rygorystycznym progu i dostarczyły nam ograniczonych dowodów na wyciągnięcie wniosków na temat MMI i funkcjonalnych powiązań łączności. Jako taki, ten zestaw ustaleń służył wyłącznie funkcjonalnej interpretacji naszych wyników VBM.

Download:  

• PPT

  Slajd z PowerPointa

• PNG

  większy obraz (795KB)

• TIFF

  oryginalny obraz (1.17MB)

Rycina 2. Analizy regresji wykazały, że łączność między ROI ACC a Precuneus (przecięcie niebieskich linii) była ujemnie związana z wynikami MMI (Precuneus; t(40) = 5.22, P_{Nieskorygowane FWE}<0.001, rozmiar klastra = 159 mm³; Szczytowa współrzędna MNI: x = 10, y = −50, z = 18).

Wystąpiła negatywna zależność (r = -0.68, p<0.001) między skorygowanymi korelacjami ACC-Precuneus po transformacji Z (oś Y) a wynikami MMI (oś X).

doi: 10.1371 / journal.pone.0106698.g002

Download:  

• PPT

  Slajd z PowerPointa

• PNG

  większy obraz (34KB)

• TIFF

  oryginalny obraz (177KB)

Tabela 3. Regiony mózgu wykazujące funkcjonalną łączność z ROI ACC.

doi: 10.1371 / journal.pone.0106698.t003

Dyskusja

Zgodnie z hipotezą, niniejsze badanie ujawniło istotny związek między wielozadaniowością w mediach a zmianami struktury mózgu: osoby, które zgłosiły większą ilość wielozadaniowości w mediach, miały mniejszą gęstość istoty szarej w ACC. To powiązanie było istotne przy rygorystycznym progu (p_{Poprawione przez FWE}<0.05) i był niezależny od różnic w cechach osobowości Wielkiej Piątki. Omawiamy możliwe interpretacje naszych korelatów strukturalnych w świetle ostatnich dowodów dotyczących funkcji ACC i korelatów behawioralnych MMI.

ACC służy jako kluczowy węzeł ścieżek przetwarzania informacji w mózgu i jest zaangażowany w procesy czuciowo-ruchowe, nocyceptywne, wyższe procesy poznawcze i emocjonalne / motywacyjne [22], [23]. Spośród nich zakładamy, że nasz uzyskany region ACC jest najprawdopodobniej powiązany z wyższymi procesami poznawczymi, ponieważ wielozadaniowość mediów była konsekwentnie związana z wydajnością kontroli poznawczej [2], [10], [11], [24]. Co więcej, ROI ACC wykazywał znaczącą łączność funkcjonalną z obszarami mózgu DMN, które były również zazwyczaj powiązane z wyższymi operacjami poznawczymi [25], [26].

Jeśli chodzi o przetwarzanie poznawcze, ogólnie uważa się, że ACC bierze udział w wykrywaniu błędów lub konfliktów [27], [28]. Aktywacje ACC są zwykle obserwowane w zadaniach, które jednocześnie aktywowały niezgodne odpowiedzi, tj. Zadanie Stroopa [29], [30], wybiórcza uwaga [31] i zadanie flankujące [32], [33]. Warto zauważyć, że ACC jest zamieszany w paradygmaty podwójnego zadania [34], [35] gdzie jednostka ma do czynienia z konkurencyjnymi bodźcami i reakcjami związanymi z dwoma lub więcej zadaniami. Analogicznie do tego, w wielozadaniowości medialnej jednostki stają w obliczu różnych wymagań związanych z zadaniami związanymi z wieloma rodzajami mediów, z których korzystają jednocześnie. W związku z tym nasz uzyskany zwrot z inwestycji może być powiązany z funkcjami kontroli poznawczej związanymi z podwójnym zadaniem. Jednym krytycznym zastrzeżeniem jest to, że wyżej wymienione funkcje są zwykle przypisywane grzbietowemu ACC, w przeciwieństwie do regionu dziobowego, w którym znajduje się nasz ROI [23], [32], [35], [36]. Jednak naukowcy zauważyli, że to rozgraniczenie nie jest absolutne [23], [34], [37]. W szczególności, na poparcie naszej obecnej interpretacji, Dreher i współpracownicy [34] poinformowali, że dziobowy ACC jest wyjątkowo zaangażowany w wykrywanie konfliktów w kontekście dwuzadaniowości.

Nasze główne odkrycie wykazało, że wielozadaniowcy korzystający z cięższych multimediów mieli mniejsze wolumeny ACC. Aby wyjaśnić możliwe implikacje behawioralne zmniejszonych objętości ACC u ciężkich wielozadaniowców, zbadaliśmy badania behawioralne łączące MMI i kontrolę poznawczą. Przełomowe badanie przeprowadzone przez Ophir i in. [2] po raz pierwszy ujawnił związek między zwiększoną aktywnością wielozadaniową w mediach a gorszą kontrolą poznawczą. Zaangażowali uczestników w szereg zadań kontroli poznawczej, takich jak zadanie Stroopa, przełączanie zadań, filtrowanie dystraktorów i zadania n-back. W obliczu dystraktorów osoby wykonujące wiele zadań wielozadaniowych (w porównaniu do osób wykonujących lżejszą pracę wielozadaniową) wolniej wykrywały zmiany we wzorcach wizualnych, były bardziej podatne na fałszywe wspomnienia dystraktorów podczas zadania pamięciowego i wolniej przełączały zadania. Autorzy zasugerowali, że wielozadaniowcy byli mniej zdolni do dobrowolnego ograniczania swojej uwagi tylko do informacji istotnych dla zadania. Lui i Wonga [24] dostarczyło dalszych dowodów na to, że ciężsi wielozadaniowcy gorzej radzili sobie z hamowaniem bodźców niezwiązanych z zadaniem, a co za tym idzie, byli w stanie lepiej wykonywać zadania integracji multisensorycznej. Kolejne badanie [11] wykazało, że osoby wykonujące wiele zadań wielozadaniowych radziły sobie gorzej w zadaniu Operation Span (OSPAN), które było bardzo podobne do paradygmatu dwuzadaniowego, ponieważ uczestnicy musieli jednocześnie rozwiązywać problemy matematyczne i zapamiętywać przedstawione litery. Ciężcy wielozadaniowcy zgłaszali również więcej problemów z koncentracją uwagi w życiu codziennym [38]. Jednak jedno ostatnie badanie przeprowadzone przez Alzahabi i Becker [10] zgłosili przeciwne wyniki: cięższe wielozadaniowcy nie byli gorsi w wykonywaniu dwóch zadań i byli lepsi w przełączaniu zadań. Nie byli również w stanie powtórzyć ustaleń Ophira i wsp., mimo zastosowania identycznych zadań. Autorzy zauważyli, że ich próba składała się głównie z kobiet, co mogło spowodować ich rozbieżne wyniki. Podkreślili znaczenie badań podłużnych w celu ujawnienia silnych związków między MMI a kontrolą poznawczą.

Podsumowując, istniejąca literatura MMI ogólnie sugeruje, że osoby, które angażują się w cięższą wielozadaniowość w mediach, wykazują gorsze zdolności kontroli poznawczej. Nasze obecne odkrycia rozszerzają tę literaturę, łącząc cięższą aktywność wielozadaniową w mediach z mniejszymi objętościami w ACC: regionie mózgu, który jest zaangażowany w kontrolę poznawczą w oparciu o zbieżne dowody neuroobrazowania. Podkreślamy jednak, że potrzeba więcej pracy, aby ustalić związek między strukturą ACC a zdolnościami kontroli poznawczej. Badania pacjentów z uszkodzeniami ACC przyniosły bardzo mieszane perspektywy co do konieczności ACC w związanych z nim funkcjach poznawczych [39], [40], [41].

Istnieje również możliwość, że nasz uzyskany region ACC jest zaangażowany w procesy emocjonalne/motywacyjne, ponieważ znajduje się w rostralnym ACC, który jest zwykle powiązany z motywacją i przetwarzaniem emocji [23]. Zmniejszone objętości ACC były często związane z zaburzeniami obejmującymi nieprawidłowe przetwarzanie emocjonalno-motywacyjne, takie jak zaburzenie obsesyjno-kompulsyjne [42], zespołu stresu pourazowego [43], depresja [44] oraz uzależnienia od narkotyków i innych niż narkotyki [45], [46]. W oparciu o tę perspektywę można przypuszczać, że wielozadaniowcy korzystający z większej ilości mediów, z mniejszą liczbą ACC, mogą być mniej skłonni do regulacji emocjonalnej i motywacyjnej. Rzeczywiście, wyższe wyniki MMI korelują ze zwiększoną neurotycznością, poszukiwaniem doznań i impulsywnością [3], [11] i negatywne skutki społeczno-emocjonalne [4]. Co ciekawe, wzór różnic strukturalnych mózgu uzyskany w niniejszym badaniu był podobny do neuronalnych korelatów uzależnienia od Internetu (IA). Stwierdzono, że osoby z IA, zdefiniowane po prostu jako patologiczne nadużywanie Internetu lub komputerów, mają zmniejszoną gęstość istoty szarej i białej w ACC [46], [47], [48]. Może istnieć możliwość, że te dwie konstrukty, wielozadaniowość mediów i inteligencja, nakładają się na siebie: MMI dostarczył miary tego, ile osób korzystało z wielu urządzeń jednocześnie, co może być związane z inteligencją, która implikuje nadmierne korzystanie z komputerów i Internetu.

Ważnym ograniczeniem niniejszej pracy jest to, że nasze wyniki uzyskano z przekrojowego badania związku między zachowaniem wielozadaniowym w mediach a strukturą mózgu. W związku z tym nie można określić kierunku związku przyczynowego między nimi. Chociaż można sobie wyobrazić, że osoby z mniejszym ACC są bardziej podatne na wielozadaniowość ze względu na słabszą zdolność kontroli poznawczej lub regulacji społeczno-emocjonalnej, równie prawdopodobne jest, że wyższy poziom narażenia na sytuacje wielozadaniowe prowadzi do zmian strukturalnych w ACC. Konieczne jest badanie podłużne, aby jednoznacznie określić kierunek przyczynowości. Nasze obecne odkrycia otwierają drogę do takich badań, dostarczając empirycznego związku między wielozadaniowością w mediach a różnicami strukturalnymi w ACC. Innym zastrzeżeniem jest to, że obecne odkrycia mogą nie wykraczać poza naszą badaną populację, która jest stosunkowo dobrze wykształcona i dobrze wystawiona na technologię. Rzeczywiście, na wzorce konsumpcji mediów duży wpływ mogą mieć czynniki demograficzne [1]. W związku z tym przyszłe badania powinny zbadać rolę czynników demograficznych, takich jak wykształcenie i status społeczno-ekonomiczny, w moderowaniu związku między wielozadaniowością w mediach, wydajnością poznawczą i strukturami mózgu.

Podsumowując, osoby, które angażowały się w więcej czynności związanych z wielozadaniowością w mediach, miały mniejsze objętości istoty szarej w ACC. Może to również prawdopodobnie wyjaśniać gorszą wydajność kontroli poznawczej i negatywne skutki społeczno-emocjonalne związane ze zwiększoną wielozadaniowością w mediach. Chociaż przekrojowy charakter naszego badania nie pozwala nam określić kierunku przyczynowości, nasze wyniki ujawniły nowe powiązania między zachowaniami wielozadaniowymi poszczególnych mediów a różnicami w strukturze ACC.

Autorskie Wkłady

Wymyślił i zaprojektował eksperymenty: KL RK. Eksperymenty wykonali: KL RK. Przeanalizowałem dane: KL RK. Przekazane odczynniki/materiały/narzędzia analityczne: KL RK. Napisał artykuł: KL RK.