競技運動專家的認知優勢及其形成機制

摘 "要""目前對于競技運動專家如何從長期訓練中獲得和遷移、提煉和更新專業知識與技能的機制尚未有清晰的闡釋。基于專家?新手范式的研究表明， 從表征學習的角度看競技運動專家的認知優勢主要體現在注意優勢和記憶優勢兩方面， 而競技運動專家知識與技能的自動性特點和抽象化表征是其認知優勢效應形成的兩個關鍵原因。從生成模型的角度探討競技運動專家知識系統的抽象化表征機制， 為能更好地理解競技運動專家的認知優勢效應， 助其突破認知局限性提供了新的理論依據。

關鍵詞""運動專家知識系統， 表征學習， 自動性， 抽象化， 生成模型

分類號""B849： G804

1""引言

運動員是一名信息加工者， 信息存在于環境中， 個體接收信息并把其存儲在記憶貯存系統里， 隨后這些信息被加工（葉浩生， 2021）。信息加工就是對符號的編碼， 當運動員運用已有的知識去解釋輸入信息時， 編碼就會發生（付全， 2005）。認知心理學家用知識表示信息在記憶中的存儲、整合與組織。知識就是經過組織的信息， 在記憶中的存儲形式和呈現方式被稱為知識的心理表征， 它是以抽象概念為形式存儲和組織信息的具有內在聯系的符號活動（梁寧建， 2014）。長期訓練累積的心理表征在競技比賽中顯得尤為重要， 以至于研究者認為區分專家?新手的重要因素是心理表征的質量、數量以及這些表征的使用效率（Du et al.， 2022）。鑒于競技運動專家表征的概念數量更多、種類更全， 包括形成更多圖式， 掌握更多產生式規則， 并進行有效組合， 既有包含專項技能的程序性知識優勢， 又有明顯的包含競賽規則的陳述性知識優勢。因此， 在不同情境下面對不同對手時， 競技運動專家都能較好地把握時機， 卓有成效地發揮出自身所掌握的技術、戰術水平， 取得預期的效果， 這種能力優勢與其后天習得的知識和經驗密切相關（程勇民， 2006）。

專家系統是指專家經過一定程度的訓練后在某一方面所擁有的專業知識與技能。競技運動專家善于使用諸多策略去改變與任務相關的信息呈現方式， 從而減少信息加工的需求（魏高峽， 李佑發， 2012）。國內外研究者對不同競賽項目， 比如棒球、乒乓球、羽毛球、網球、高爾夫球、足球、舞蹈、籃球、曲棍球、排球、擊劍和散打等進行研究發現， 競技運動專家比新手擁有更精細的知識結構， 能更有效地利用視覺信息（魏高峽， 李佑發， 2012; 周成林， 劉微娜， 2010; Ericsson et al.， 2018）。競技運動專家的優異表現多是基于自身在注意和搜索策略、心理表征上的差異， 以及加工過程中的自動化， 并且選擇的信息更具有抽象性（付全， 2005）。盡管有研究者對競技比賽過程中認知優勢特征和結構進行了探討， 然而目前對于競技運動專家如何從長期訓練中獲得和遷移、提煉和更新專業知識與技能的機制尚未有清晰的闡釋（陸穎之"等， 2023; 魏高峽， 李佑發， 2012; 周成林， 劉微娜， 2010）。基于專家?新手范式的研究表明， 從表征學習的角度看競技運動專家的認知優勢主要體現在注意優勢和記憶優勢兩方面（史鵬"等，"2023; 孫文芳"等， 2018; Williams amp; Ford， 2008）， 競技運動專家知識與技能的自動性特點和抽象化表征則是其認知優勢效應形成的兩個關鍵原因（孟繁瑩"等， 2022; 王瑩瑩"等， 2020; Du et al.， 2022; Ericsson et al.， 2018）。

從計算機科學的角度看， 專家系統是基于知識的系統的一個子類， 而知識表征和推理是專家系統研究的主要領域（Ericsson et al.， 2018）。知識表征包括概念、命題、腳本、圖式和產生式規則等形式。人類知識不僅具有概念形式， 而且有概念之間各種復雜的組合， 比如規則（梁寧建， 2014）。適應性思維控制（Adaptive Control of Thought， ACT）模型和在線自適應規則歸納的連接主義者學習（Connectionist Learning with Adaptive Rule Induction Online， CLARION）模型通過有效地擬合實驗數據， 探究行為背后的算法， 以利于更好地理解行為數據（杜建政， 李明， 2006）。然而要想從計算模型的角度更深入理解競技運動專家從長期訓練中獲得和遷移專業知識與技能的機制， 還需要借鑒相關領域的最新研究成果， 以建構一個更完備的競技運動專家知識系統。近年來， 隨著人工智能（artificial intelligence， AI）領域的研究熱點——深度學習技術在各個領域被廣泛應用， 尤其是在認知心理學和神經科學領域被用于幫助研究者理解人類的高級認知功能。與卷積網絡、循環網絡以及長短時記憶等面向分類任務的判別模型（discriminative model）不同， 生成模型可以通過觀測已有樣本來學習其分布并生成類似樣本（Dasgupta"amp; Gershman， 2021; Gershman， 2019; Jordan amp; Mitchell， 2015; Lake et al.， 2017; Lansdell amp; Kording， 2019; LeCun et al.， 2015; Yamins amp; DiCarlo， 2016）。這就如同運動員通過長期訓練掌握一項新的動作技能后， 再遷移到新的任務情境中解決類似問題。因此， 從生成模型的角度探討競技運動專家知識系統的抽象化表征機制， 為能更好地理解競技運動專家的認知優勢效應， 助其突破認知局限性提供了新的理論依據。

2""表征學習視角下競技運動專家的認知優勢

在競技比賽過程中， 運動員能否達到運動決策既快又準的關鍵取決于在即時情境中是否具備對已存儲的運動信息進行快速重組與提取的能力。而這種決策能力的差異是由運動員的認知結構合理性所決定的（周成林， 劉微娜， 2010）。從認知心理學的角度看， 大腦通過學習有效的、低維度的表征來簡化任務， 以便解決看似復雜的任務。人類表征學習中的兩項核心認知功能是注意和記憶， 兩者共同將心理表征限制在與目標實現相關的特征上。表征學習不僅利用選擇性注意來減少表征空間的大小， 還使用存儲在記憶中的相關信息來增強當前的觀測（Radulescu et al.， 2021）。鑒于此， 國內外研究者主要從注意與記憶兩方面試圖解釋競技運動專家的認知優勢效應。

2.1""競技運動專家的注意優勢

注意力是一種由個體的感官和認知共同導致的現象。由于長期高強度的專項訓練， 競技運動專家對自身專長領域的信息有著更好的注意能力（Williams amp; Ford， 2008）。首先， 選擇性注意是對外界大量信息進行篩選， 以確保有限的認知資源能用于有效完成當前主要任務的認知系統， 包括對相關信息的選擇和無關信息的抑制兩方面。選擇性注意在感知覺加工、記憶存取、視覺表征和思維決策等活動中均起到重要作用。其次， 工作記憶在執行任務過程中是用于信息暫時存儲與加工的資源有限系統， 是對選擇性注意具有約束作用的一種認知結構（周成林， 劉微娜， 2010）。工作記憶促使個體對其表征的信息或信息有關的特征投入更多的注意， 在視覺搜索過程中發揮著重要作用。足球運動員進攻戰術預判決策的視覺搜索特征就受到空間工作記憶容量的影響（史鵬"等， 2023）。然而工作記憶容量有限， 個體想要更好地利用其有限的資源， 優先選擇相關信息就顯得尤其重要。這就使得注意力的作用尤為突顯， 僅允許存儲與任務最相關的信息（Myers et al.， 2017）。

此外， 不同運動類型專家的視覺搜索特征可能存在差異， 不同項目類型顯著影響運動專家的注視次數（孫文芳"等， 2018）。比如乒乓球、網球、羽毛球等快速反應類項目， 由于具有高度的時間限制， 運動專家的注視次數少。這可能是因為運動專家經過在該領域多年的經驗積累， 能利用一些知覺認知優勢（比如模式識別、情境概率）有效引導視覺搜索， 具體表現為能關注關鍵信息部位， 視覺搜索效率高等。值得注意的是， 付全（2005）對不同水平擊劍運動員研究后發現， 一般水平運動員注意的信息多且具體， 反映了其注意選擇的局部與系列的特點; 高水平運動員搜集信息時， 更多關注的是整體性特點。由此可知， 注意和搜索策略上的差異可以在某種程度上解釋運動員決策水平上的差異。

2.2""競技運動專家的記憶優勢

記憶是個體獲得知識與技能的關鍵（趙冰潔"等， 2022）。經過長期訓練， 專長相關的知識信息會在運動專家的長時記憶中存儲為一個相互作用的知識結構， 稱為圖式（漆昌柱"等， 2021）。圖式隨著新的經驗與記憶不斷演變， 影響新信息的編碼、存儲和隨后的檢索方式（Gilboa amp; Marlatte， 2017）。作為專項運動造成的經驗模式， 圖式的存在使長時記憶表征與現實環境中的信息得以快速連接。專長場景作為一條記憶線索， 匹配并重新激活運動專家的記憶痕跡， 成功提取與專長相關的記憶（張怡， 周成林， 2012）。網球運動專家對自身專長相關信息的注意優勢源于大腦中記憶痕跡被激活， 促使對專長相關信息的注意資源分配（漆昌柱"等， 2021）。因此， 長期的專項技能訓練和理論知識學習以及豐富的比賽經驗使運動員對專項技能的知覺分化水平得到提高， 存儲在長時記憶中的內容更豐富， 運動員的知覺敏感性提高， 在知覺加工中能快速對記憶中的經驗信息做出歸類分析和判斷。而對長時記憶的編碼與提取亦被認為是運動專家自上而下選擇性注意的重要機制之一。

國際象棋大師的核心認知特征在于其豐富的專項組塊知識和經驗， 結合項目的結構化知識或特定經驗或許是更重要的認知因素（苗浩飛， 遲立忠， 2023）。在長時記憶中存儲的具體信息和抽象信息被認為是專家記憶優勢發生的基礎。通過將輸入信息與長時記憶的內容進行匹配， 長時記憶能保證輸入信息的快速提取（Bilali?， 2017）。與具體信息相比， 抽象信息更重要， 專家長時記憶中存儲了更抽象和概括化的知識（趙冰潔"等， 2022）。專家比新手熟練的原因主要在于長時記憶中存儲了大量組塊， 新信息在長時記憶中與已有組塊編碼整合后形成更大的組塊， 專家能熟練利用外部線索將組塊提取到工作記憶中備用以應對當前任務（陳玉田"等， 2022）。球類運動專家較其他項目（比如跑步、游泳）的運動員似乎更具有認知優勢（魏高峽， 李佑發， 2012）。基于組塊理論， 研究者發現足球運動員對于球場上雙方站位所構成的空間拓撲模式的識別可以很好地區分球員水平， 據此提出競技體育的模式識別概念， 這與國際象棋大師讀取棋盤位置能力相似。模式識別強調競技體育團體項目背后更高維度的模式信息， 對這種信息的理解和識別被認為是優秀運動員的核心認知特征之一（苗浩飛， 遲立忠， 2023）。運動員需要在動態多變的場景中快速、準確地搜集和把握事關決策的有效信息， 通過調整認知適應變化的外界刺激， 結合自身的程序性知識和豐富的臨場經驗做出最佳戰術決策（史鵬"等， 2023）。因此， 圍棋大師對棋盤的識記， 球員對站位模式的識別， 這些不僅體現了專家的整體知覺優勢， 而且源于其背后長期積累的組塊或模式知識。

綜上， 基于專家?新手范式的研究表明， 從表征學習的角度看競技運動專家的認知優勢主要體現在注意優勢和記憶優勢兩方面。在競技體育領域， 不僅技戰術知識的儲備數量是成為專家的必要條件， 是否具備符合該項目特點的有組織的知識亦是成為專家的決定性因素。運動專家所具備的有序化的知識結構或圖式， 使其能根據場景變化調整自身的注意和搜索策略， 快速檢索到有價值的信息， 從而做出高效合理的運動決策。這也是由于運動專家通常具有較高的運動等級和較長的訓練年限， 參加重要比賽的次數較多， 因此具備更復雜的概念網絡或圖式， 包括專業知識和組塊數量、比賽情境和外界環境變化， 被認為是運動決策過程中模式識別的關鍵因素， 能促使其將刺激信息與記憶中已有的圖式結構進行比較和匹配， 從而有效識別刺激信息（史鵬"等， 2023）。這一匹配過程涉及基于外部注意的視覺搜索以及內部注意對記憶中已有運動圖式的檢索兩個部分。在新任務中解決同類問題后， 運動專家通常會更新記憶中的已有圖式來更好匹配相關任務。而競技運動專家知識與技能的自動性特點和抽象化表征是其認知優勢效應形成的兩個關鍵原因（孟繁瑩"等， 2022; 王瑩瑩"等， 2020; Du et al.， 2022; Ericsson et al.， 2018）。

3""競技運動專家知識與技能的自動性特點和刻意練習

知識學習表現為以思維過程為主的形式， 而技能學習主要表現在其操作控制是一個必不可少的執行過程（呂慧青， 王進， 2014）。對以技巧性動作為基礎的知覺技能、認知技能與動作技能的記憶是通過反復的技能學習獲得的， 屬于程序性記憶， 技能學習使個體對程序性記憶的提取更自動化（梁寧建， 2014）。要想成為專家， 需要經歷一個從依靠陳述性知識向依靠程序性知識的轉換過程。而規則把程序性知識與對事物的操作聯系在一起， 并在長時記憶系統中以產生式規則進行存儲。練習則是縮短這一過程的有效途徑（付全， 2005）。

3.1""競技運動專家知識與技能的自動性特點

運動專家在比賽中投入的認知資源較少， 通過將自己有限的認知資源合理分配， 從而在不斷變化的比賽情境中快速捕捉到對手的關鍵信息， 表現出能量節省化（漆昌柱"等， 2021）。考慮到運動員能用于完成任意給定任務的認知資源是有限的（或稱為有限理性）， 這使得一項技能的特定部分自動化對于學習復雜技能來說至關重要， 這種變化允許運動員將認知資源集中于學習或提高技能的其他方面上。因而認為， 形成競技運動專家認知優勢效應的關鍵原因之一可能是其專業知識與技能的自動性特點（孟繁瑩"等， 2022）。例如， 一名足球新手剛開始練習運球時， 更專注于球和雙腳的移動， 隨后通過不斷的練習， 運球能力逐步變得自動化， 不再依賴認知資源， 可以把注意力轉移到對手和隊友的移動上。研究者把通過練習提高表現速度， 使習得的行為自動化， 減少執行任務所需的認知負荷這些效應統稱為自動性（Du et al.， 2022）。自動性的概念本身難以被定義， 特征卻有很多， 包括無目的、無意識、不受控制、毫不費力和快速的， 看似自動化的行為并不總是具備前述的全部特征， 它的一個普遍特征是不靈活性。

在競技比賽中， 由于快速變化的外界環境， 大多數運動員對動作的感知與加工均發生在無意識的條件下。因此， 無意識加工能力對運動員在比賽中獲得主動權起到關鍵作用。孟繁瑩等人（2022）的研究表明， 乒乓球運動員在對于與專項運動相關信息進行無意識加工的過程中具有優勢。特別是對專項運動信息的高知覺敏感性以及知覺與動作的共同表征可能是導致乒乓球運動員無意識加工優勢的兩個重要原因。知覺與動作的共同表征符合技能學習中的自動性現象， 它以犧牲靈活性為代價來提高表現的速度。加快動作選擇和減少認知需求， 對于提高運動員的技能水平來說至關重要。然而所有的技能都不可能是完全自動的， 需要一定程度的靈活性（Du et al.， 2022）。另外， 豐富的經驗對于運動員達到最高水平的表現來說也是必要的。經驗可能是專項領域內無意識信息加工的必要前提。這種受經驗調節的無意識反應的啟動效應表明， 個體對熟悉信息具有較高的知覺敏感性。當個體加工熟悉的信息時， 受經驗的影響， 可以將刺激的屬性和空間位置以組塊的形式與長時記憶中的表征進行比較， 從而做出迅速、有效的決策。

3.2""刻意練習在復雜技能形成中的作用

所有復雜任務都可以看作是動作技能和認知技能的組合， 兩者之間的區別在于前者是自動的和非命題的， 后者是緩慢的和刻意的。相較于簡單任務（比如跑步、游泳）， 個體完成復雜任務（比如國際象棋、球類項目）時往往需要更多的認知參與， 通過刻意練習能將認知技能整合到動作技能中去（Krakauer2019）。運動專家通常會花費更短的時間來選擇一個合適的技術動作。技術嫻熟并不僅僅是精確執行動作， 運動專家也能在執行動作時做出正確選擇（Du et al.， 2022）。

在競技運動領域， 新手?專家的練習量與運動表現之間的相關性r通常超過0.50 （Helsen et al.， 1998; Ward et al.， 2007）。盡管簡單練習和刻意練習兩種不同的練習方式均可以促使運動表現得到進一步提升， 通過刻意練習提升運動表現的幅度更大， 尤其是運動員通過重構形成復雜技能應對復雜的任務情境（Du et al.， 2022）。元分析報告指出， 刻意練習與運動表現之間存在中等水平的相關性（r = 0.42） （Macnamara et al.， 2014， 2016）。在刻意練習中， 要實現更實質性的表現提升， 可能還需要徹底重組任務執行的方式， 從而引入新的計算。對特定部分進行逆自動化加工， 將其還原為刻意模式， 以便了解重構的計算集， 從而選擇更合適的響應。重構的響應可以再次自動化， 并通過練習加以改進。這種變化可能需要通過從自動模式切換到有意識動作選擇模式來撤銷自動化， 然后再修正和重新自動化動作技能的相關部分。因此， 新手對掌握的簡單技能進行反復練習從而提高運動表現， 隨后使用改進的版本（更復雜的圖式）取代已自動化的部分， 再經過反復建構、打破和重組臨時的自動化部分， 迭代形成復雜技能， 這一過程對運動員技能水平最大化來說至關重要（Du et al.， 2022）。練習通過將最初基于刻意決策的自主反應轉化為可快速檢索的自動反應， 從而收集足夠的經驗來建立需要預先計算的存儲。換言之， 練習將刻意決策轉換為控制策略存儲在一個類似于前述高階模版集的查找表中， 以便后續無需重新計算就能夠快速進行檢索（Haith amp; Krakauer， 2018）。

在體育運動中， 諸如預測和決策這些重要能力的變化往往會導致知覺?認知專長的發展。對先行線索的利用、模式識別、視覺搜索行為、情境概率或期望以及戰略決策， 這些知覺?認知適應體現了人體系統的靈活性與可塑性（Williams amp; Ford， 2008）。研究者使用刻意練習理論說明在體育運動中達到最高水平所需的投入程度和活動類型， 并通過長時工作記憶理論來解釋人體知覺?認知系統的可塑性以及適應性（Ericsson et al.， 1993; Ericsson amp; Kintsch， 1995）。由Ericsson和Kintsch （1995）提出的長時工作記憶理論解釋了刻意練習所產生的知覺?認知適應。該理論認為， 與傳統的工作記憶概念相似， 專家可以快速獲取長時記憶中存儲的編碼信息以及當需要時選擇性訪問這些信息的技能。而經過長期訓練后， 專家以一種能成功預測未來檢索需求的方式對信息進行索引。與新手相比， 專家通過重構、重組和完善自己的知識表征， 迅速適應情境變化的需求。這也部分解釋了運動員是如何從長期訓練中提煉和更新專業知識與技能的。

4""競技運動專家知識與技能的抽象化表征及其作用機制

許多動作技能都是通過內隱學習獲得的， 內隱學習是一種自動產生抽象知識的無意識過程。通過內隱學習獲得的是抽象規則、具體知識和熟悉性的結合體。與新手往往只能表征問題的表面特征不同， 專家通過內隱學習可以把握復雜情境中專業知識與技能的抽象本質和內在規則（梁寧建， 2014）。不同技能的學習可以通過遷移獲得， 這種遷移是把過往經歷作為信息源來實現的。通過類似任務的學習獲得更抽象、概括化的知識， 這也是由于前一項任務中形成的經驗為后續學習提供了條件所致（呂慧青， 王進， 2014）。于志華等人（2011）通過研究類比學習（一種內隱學習的方法）和外顯學習對網球技能學習的影響后發現， 類比知識通過隱喻將分散、數量較多的外顯知識組合成概括的、數量較少的組塊， 提高了工作記憶的信息容量和加工效率。外顯知識使類比知識逐漸具體化， 類比知識使外顯知識更形象化， 讓練習者更易理解和記憶動作要領， 以利于動作知識的掌握。

4.1""競技運動專家知識與技能的抽象化表征

行為的靈活性取決于個體建構和利用任務相關的抽象知識的能力（Vaidya amp; Badre， 2022）。人類往往通過高級抽象和推理來學習新任務（Tsetsos et al.， 2023）。因而認為， 形成競技運動專家認知優勢效應的另一關鍵原因可能是其善于對專業知識與技能進行抽象化表征（王瑩瑩"等， 2020）。抽象知識是指心理學家和語言學家所說的約束（constraints）， 機器學習和人工智能研究者所說的歸納偏置（inductive bias）或統計學家所說的先驗（priors）， 它為學習提供了某種形式的必要約束（Tenenbaum et al.， 2011）。按層級組織和抽象性被認為是圖式所具有的兩項基本特征。如圖1所示， 從底部（白色圓圈）對單個、具體事件的感知表征逐層向上延伸到頂部（黑色圓圈）的抽象、與情境無關的知識。知識的層級結構認為具體事件通常與其他事件具有共同點， 然后這些共同的特征由更高階的節點表示。相反， 這些高階節點與其他高階節點具有共同的特征。并且， 從底部的情境細節的表征、情節記憶和具體名稱， 到頂部的與情境無關的知識、語義記憶和全局概念的轉變， 在本質上應該是連續的（Craik， 2020）。專家知識的結構化程度更高， 更易于激活， 能更迅速地提取， 特別是具備豐富知識和經驗的專家腦中的圖式比新手腦中包含的信息更抽象（梁寧建， 2014）。相反， 受限于專業知識與經驗， 新手的長時記憶系統中缺少與場景相匹配的抽象化圖式。

智力運動專家可能形成專門針對于領域內相關信息的“記憶層級塔”， 它按照信息的抽象性、概括性逐級增加（趙冰潔"等， 2022）。競技運動專家則通過發展復雜的關于運動的陳述性知識和程序性知識， 可以更有效加工信息， 其優異表現可能是由于運動的專業知識與技能使信息加工變量的結構和序列變得更有規律（程勇民， 2006; 魏高峽， 李佑發， 2012）。在競技體育領域， 經過長期專項訓練的運動員， 除能獲取在感知層面上以具體的動作形式存在的大量動作經驗， 即普遍所認為的肌肉記憶外， 還能從大量練習和比賽中對該動作技能的特征進行抽象化（圖1中自下而上的虛線箭頭）。隨后以語義表征的形式用于加工/執行相似的動作實例， 這類概念經驗被認為是動作經驗的抽象化（Gerson et al.， 2017）。雙動作系統模型對上述兩種經驗的作用方式做出了解釋：運動員對外部視覺信息和肌肉本體感覺信息進行知覺加工后， 將結果輸入概念經驗系統， 隨后利用存儲的抽象化規則對動作意圖和目的進行解釋; 動作經驗系統直接受到概念經驗系統的調節， 對觀測到的動作進行感知層面的規劃和模擬（王瑩瑩"等， 2020）。

模糊痕跡理論（fuzzy-trace theory）同樣認為， 記憶表征存在一個由詳實、精確表征到簡要、模糊痕跡的連續體。個體傾向使用該連續體上更接近于模糊一端的模糊痕跡表征信息， 在思考和解決問題時更偏向于直覺加工方式， 符合“認知惰性”的觀點（劉揚， 孫彥， 2014）。依據模糊痕跡理論的觀點， 運動員在承受巨大的時間壓力情況下， 通常只考慮將當前任務情境與模糊痕跡表征信息（抽象知識）進行快速匹配（圖1中自上而下的實線箭頭）， 無需回憶具體的背景細節是否與當前任務情境匹配。運動專家可以提取運動信息和特征之間的時間關系， 并將這種刺激表征與存儲于記憶中的內部語義概念或模板匹配; 而新手無法獲得重要的關系信息， 當需要做出判斷時， 語義概念或模板較少， 因此限制其使用更專門化的表面特征（Williams amp; Ford， 2008）。由此可知， 運動員在達到動作技能自動化階段后， 需要在訓練或比賽中注重對概念經驗的運用， 盡量對比賽對手的動作意圖和戰術策略進行解析， 調整已生成的身體動作反應。

4.2 "抽象化表征在動作技能習得和遷移中的作用機制

Garner和Dux （2023）將知識定義為由經驗積累的技能， 并將利用這種經驗提高當前表現的過程稱為泛化。知識泛化需要信息共享來支持學習遷移， 利用共享信息在分類任務之間泛化知識。知識泛化理論關注的是可跨刺激類別轉移的抽象單元或認知單元， 它假設將相同或相關的元素從已知的任務情境轉移到新的任務情境中， 核心概念是抽象任務規則。對過往經驗的重新激活與重組可以為抽象任務規則的建構提供一種機制（Vaidya amp; Badre， 2022）。當任務剛開始時， 將面臨的新問題與過往經歷的相似情況比較， 推斷應采取的正確行動。若擁有更豐富的經驗， 那么可以快速建構抽象任務規則。而轉移效應特定于維持一種抽象形式的產生式規則， 這允許它在具體細節不同卻需要共同認知操作的任務之間進行重復使用（Bhandari amp; Badre， 2018; Sabah et al.， 2021）。學習遷移依賴于執行更高水平的抽象概念。通過練習刪除表征中的冗余信息， 降低從任務輸入到行為輸出的變異性。低維表征降低了行為的靈活性， 卻比高維表征更廣泛地解釋了輸入數據， 所以高水平的抽象概念（低維表征）對于新條件下的學習尤其重要。

此外， 通過路徑規劃可以將部分解決方案存儲在記憶中（會占用空間）， 避免冗余計算以便于節省時間（Dasgupta amp; Gershman， 2021）。Huys等人（2015）在對被試在規劃任務中的行為分析后發現， 他們通常不會選擇最優路徑， 而是依賴于幾種特定的啟發式方法， 表現出對之前選擇的子路徑（部分策略）的偏好。也就是說， 當被試在解決最優兩步路徑問題后， 解決三步路徑問題時更傾向于重復使用同一個最優的兩步路徑解決方案。這種部分重用的優點是將規劃問題簡化為單次決策， 并且仍可以獲得一個次優的解決方案。換言之， 個體將決策樹分割成子路徑， 隨后從記憶中檢索常用的子路徑以實現目標。

5""生成模型視角下競技運動專家知識系統的抽象化表征機制探討

與內隱學習有關的計算模型中， 組塊模型過于簡單， 而ACT模型雖然更全面反映了內隱學習和外顯學習兩個方面， 包含表征陳述性知識的語義網絡和程序性知識的產生式系統兩部分， 但是ACT中程序性學習僅限于通過模仿形成產生式， 基本上都是自上而下的學習， 這與人類同樣具有的自下而上的學習方式不符。為此， 有研究者提出進一步整合內隱學習和外顯學習的CLARION計算認知模型， 它假設由自下而上的程序性知識控制的自動反應可以通過規則提取?精煉算法在自上而下的規則下進行表征。具體而言， 如果某一行為成功滿足某項標準， 那么抽取一項規則置于頂層。該規則在與外界環境互動過程中， 不斷被應用效果修正。如果成功， 該規則將泛化為一般規則; 否則， 將專門化為特定規則被排除（杜建政， 李明， 2006）。然而要想更深入理解競技運動專家從長期訓練中獲得和遷移專業知識與技能的機制， 還需要借鑒相關領域的最新研究成果。除產生式規則外， 決策樹、貝葉斯網絡等均可以被認為是知識表征的形式。這里著重討論兩類生成模型——貝葉斯認知模型和深度生成模型。

5.1""貝葉斯認知模型與概念學習

人工智能與人類智能之間有著本質區別。例如， 雖然國際象棋系統深藍能擊敗加里·卡斯帕羅夫3目半到2目半， 但它是通過每秒評估兩億個位置來達到這一表現的。卡斯帕羅夫達到類似的表現可能只需要每秒評估少數幾個位置（Mattar amp; Lengyel， 2022）。這是由于人能從有限的數據中學會豐富的概念。概念是大腦對同一類事物的屬性或特征抽象、概括的反映（梁寧建， 2014）。存儲在長時記憶中的概念是人類知識和認知的基礎（張恩濤"等， 2013）。人類概念學習所表征的是一項經典的歸納問題。在只有少量樣本的情況下， 人可以對樣本進行分類和識別， 并具有快速理解新概念以及將其泛化的能力（Radulescu et al.， 2019）。知識可以采用抽象概念、領域知識、環境的關系映射或任務規則的層級結構形式。專家積累大量專業知識， 并合理地加以結構化。結構化的知識有助于將行為泛化到新環境中去。在計算層面上和貝葉斯框架中， 結構學習可以被概念化為對于特定任務的先驗知識的獲取與使用（Lansdell amp; Kording， 2019）。通過近似貝葉斯推理習得的結構化知識， 可以作為學習過程中選擇性注意的來源， 驅動自上而下的注意; 而驅動自下而上的注意所捕獲的特征（比如外部顯著的特征或記憶中重要的特征）， 若與任務規則相關， 就會加速表征學習（Radulescu et al.， 2019）。

在不同領域和任務中， 考慮到不同的抽象水平， 個體通常使用不同形式的表征來捕獲相應的知識（Tenenbaum et al.， 2011）。圖1中所示的樹狀結構并不是一種普遍表征形式。Kemp和Tenenbaum （2008， 2009）對定義于圖和語法表征基礎上的分層貝葉斯模型（Hierarchical Bayesian Models， HBM）是如何發現控制領域內具有相似結構形式的問題進行深入研究后發現， 樹、環、鏈、網格等不同形式的結構都可以表示為圖， 并且每種形式的抽象規則都可以表示為生成這種形式的圖的簡單語法規則。上述結果不僅豐富了知識的層級結構形式， 也符合抽象任務表征的功能作用假說， 認為不同抽象程度的任務知識對應于不同的控制過程， 比如較高抽象程度的任務圖式對應于圖式控制（Vaidya amp; Badre， 2022）， 尤其是復雜的圖結構形式對于樣本間的復雜關系具有更強的表征能力。HBM也能用于學習抽象的因果知識和其他簡單形式的直覺理論， 可以認為HBM已解決了對簡單形式的抽象知識的學習。另外， Lake等人（2015）基于單次概念學習建構的貝葉斯程序學習（Bayesian Program Learning， BPL）算法在手寫體字符單次分類（one-shot classification）任務上取得了人類水平的表現。在BPL中加入元學習， 從現有字符中抽象得到組件， 再根據不同組件的因果關系創造出新字符， 形成豐富的概念。BPL學習的先驗偏向于簡單的表征， 適用于跨任務和跨領域。這與人類偏好通過靈活建構簡單的任務表征進行規劃， 以便更好地利用有限認知資源的觀點一致（Ho et al.， 2022）。

5.2""深度生成模型與概念表征假說

符號系統模型基于產生式規則的知識表征方法相對簡單， 表現能力亦有限; 而神經網絡模型的行為與人類大腦不同， 它學習緩慢且泛化能力差（Garner amp; Dux， 2023）。然而生成模型并不只局限于貝葉斯框架， BPL模型被證明能真實模仿人類行為和表現后不久， 深度學習研究者使用神經網絡解決了同樣的問題（Lansdell amp; Kording， 2019）。首先， 在圖像生成領域， 編碼是對真實圖像壓縮訓練的過程， 解碼是接收代碼后重構圖像的過程。大腦在感官環境中使用冗余信號， 而變分自編碼器（Variational Auto-Encoder， VAE）使用靈活的編碼器（識別模型）將外界信息壓縮為有共同特征的隱變量， 解碼器（生成模型）學習如何從低維隱藏空間生成樣本（Dasgupta amp; Gershman， 2021）。VAE編碼得到的結構化隱變量所特有的層級排序為選擇性存儲有關圖像的全局信息提供了機會， 由此產生高質量的概念壓縮框架。這種對信息進行分層的方法， 優點是允許執行高質量的有損壓縮， 選擇性存儲隱變量中更高級別的子集（Lake et al.， 2017）。另外， 生成式對抗網絡（Generative Adversarial Networks， GAN）是由一組對抗性的神經網絡（生成器和判別器）構成， 通過生成器生成的新樣本與原型比較來提高前者的質量（Gershman， 2019）。GAN類似于強化學習理論中的行動者?評論家（actor-critic）架構， 包含分離的策略結構（行動者）與值函數（評論家）， 這類似于運動員?教練員二分法（Yarrow et al.， 2009）。也就是說， 運動員如同生成器， 通過訓練和比賽積累的專項運動經驗以及專業知識與技能， 將接受經驗豐富的教練員或專家的評價（如同判別器）， 通過及時糾正動作誤差來提高動作的完成質量。最后， 一種基于多種注意力機制的神經網絡架構——轉換器（Transformer）的出現， 有望通過捕獲多種輸入模式， 將視覺特征語義化， 并進一步結合類似于人的記憶系統來優化模型的表現（杜鵬飛"等， 2021; McClelland， 2022）。近期備受矚目的對話AI模型ChatGPT就是基于Transformer架構開發的一種預訓練生成模型。

概念的形成與其結構存在密切聯系。關于概念表征的因素構成及其相互關系存在“特征表說”和“原型說”兩種假說（梁寧建， 2014）。一方面， 特征表說主張從同一類別具有共同重要特征來說明概念以及整合這些特征的規則。動作技能學習中技能習得部分是通過認知形式的表征轉換實現的。依據表征轉換說， 當初始表征轉換為新的問題表征時， 知識轉換才能被成功激活。習得的表象會影響記憶中的原型圖像表征， 良好的原型圖像表征則有利于激活非語言的視覺空間信息加工網絡， 完成視覺信息的重組， 促進問題表征方式的有效轉換（呂慧青， 王進， 2014）。另一方面， 原型說中的概念內涵是按照它與事物原型的整體相似程度進行心理表征的。主要表現為原型問題在記憶中形成相關事件表征的原型啟發中， 對于關鍵信息的獲取必不可少。新近有研究者在分類任務中對自編碼器神經網絡模型進行對抗性訓練（Al-Tahan amp; Mohsenzadeh， 2021）， 這如同將VAE與GAN兩種算法進行整合。鑒于上述AI研究的結論， 在運動專家認知構建過程中， 是否可以在一定程度上整合特征表說和原型說？從特征表說的角度看， 運動員通過長期訓練和比賽， 將類似任務情境中的信息進行概念壓縮， 提取語義特征建構核心運動圖式（類似于VAE編碼得到的結構化隱變量）并存儲在長時記憶中， 隨后在新任務中基于核心運動圖式生成具體運動程序; 從原型說的角度看， 若未能達到預期目標， 運動員再依據反饋的執行誤差， 將執行的運動程序與記憶中最佳動作實例表征進行比較（類似于GAN的對抗學習算法）， 改進運動程序。因此， 未來的研究可以利用計算模型更好地區分形成運動專家認知優勢的可能機制， 這將有助于通過練習實現新手向運動專家的轉變。

6""小結與展望

6.1""小結

表征學習視角下競技運動專家的認知優勢主要體現在注意優勢和記憶優勢兩方面， 競技運動專家知識與技能的自動性特點和抽象化表征則是認知優勢效應形成的兩個關鍵原因。雖然競技運動專家的知識優勢同時表現在程序性知識和陳述性知識兩方面， 但技能學習更多表現為對程序性記憶的提取更自動化。自動性特點和刻意練習部分解釋了運動員是如何從長期訓練中提煉和更新專業知識與技能的， 抽象化表征則有助于運動員專業知識與技能的獲得和遷移。而且抽象化表征不僅體現在專家長時記憶系統中存儲的圖式， 亦表現為專家更多注意到的是刺激信息的整體特征， 具有整體知覺優勢， 比如圍棋大師對棋盤的識記， 足球運動員對站位模式的識別等。隨后從生成模型的角度探討競技運動專家知識與技能的抽象化表征機制， 特別是借鑒貝葉斯認知模型和深度生成模型的最新研究成果， 深入探討競技運動專家從長期訓練中獲得和遷移專業知識與技能的機制， 以建構一個更完備的競技運動專家知識系統。基于貝葉斯認知模型的研究表明， 專家的運動圖式中包含的信息比新手的更抽象， 推測這是由于抽象的任務表征有助于專業知識與技能的獲得和遷移。專家記憶中存儲的核心運動圖式在不同任務規則下經過刻意練習進行復雜重構， 以便更匹配該任務特點， 這或將有助于運動員形成與任務規則密切相關的高水平專項技能。

6.2""展望

近年來， 隨著神經科學技術的廣泛應用， 比如腦電、近紅外、功能磁共振成像等， 對于競技運動專家認知優勢的研究已經積累了大量的認知神經證據（陸穎之"等， 2023; 趙祁偉"等， 2020）， 并且， 研究者在動作技能習得的具身認知觀方面也做出了不少積極探索（王瑩瑩"等， 2020）。

（1）在認知神經證據方面， 研究者試圖從大腦結構和功能角度分析運動員動作加工優勢的大腦激活特征及其與行為表現之間的關系， 進而揭示競技運動專家優勢效應的認知神經機制（任占兵"等， 2019; Bilali?， 2017）。這里主要討論關于競技運動專家知識與技能的自動性特點和抽象化表征的認知神經證據。孟繁瑩等人（2022）從行為和電生理兩方面證明， 與普通大學生相比， 乒乓球運動員表現出顯著的無意識反應啟動效應， 該效應可能受到位于視覺背側通路與腹側通路多個關鍵腦區的共同作用。此外， 語言信息一直被認為在抽象概念表征中發揮著核心作用（王曉莎， 畢彥超， 2019）。而語言和動作的皮質系統可能存在相互連接（Pulvermu?ller， 2005）。王瑩瑩等人（2020）證明了競技運動領域中言語加工和動作加工之間的聯系。概念經驗會以語義形式參與動作加工過程， 接受過長期乒乓球訓練的運動員加工專項動作過程中會同時激活感知運動系統和語義系統， 這種動作語義和言語語義的機制可能存在重疊。相較于新手， 技能水平越高的運動員的動作加工過程越與概念經驗系統的參與相關， 認為這是因其習慣使用策略性的語義表征來調控感知動作層面的動作模擬過程所致。因此， 未來的研究可以考慮結合神經科學技術進一步探討運動經驗對專項動作或一般動作相關的言語加工能力的影響。

（2）對抽象概念的研究基本上是圍繞語言和具身認知兩種認知思路探討抽象概念的語義表征的（王曉莎， 畢彥超， 2019）。概念表征的具身性假設認為， 概念是通過身體對外界的感知覺經驗形成的， 概念加工會引發身體感知覺運動狀態的變化。依據具身理論的觀點， 概念是通過身體的感覺運動活動獲得的， 不同的感覺運動活動在大腦記憶中留下不同的感覺運動印跡或經驗， 外部知覺、內部狀態和動作共同構成概念表征。抽象概念和具體概念一樣， 都建立在感覺運動信息的基礎上（張恩濤"等， 2013）。與特定身體經驗相關的具體概念依靠的是感知經驗表征， 而與身體經驗無關的抽象概念則是依靠抽象的符號表征。抽象符號與語言相關， 既可以獨立于身體經驗存在， 也可以參與表征具體概念。在簡單的具體概念基礎上能構造出抽象、復雜的概念體系（殷融， 葉浩生， 2014）。例如， 乒乓球運動員加工專項動作的優勢， 除源于動作經驗的參與外， 亦受到概念經驗的調節作用。運動員技能水平越高， 在加工專項動作時越依賴于概念經驗， 而非動作經驗（王瑩瑩"等， 2020）。考慮到不同項目的運動員因其特有的身體結構和感覺運動系統的生理優勢， 從而造就了其獨特的運動方式和身體經驗， 最終導致認知上的優勢。

總之， 現有研究分別從認知神經證據和具身認知理論兩方面初步探討了競技運動專家知識與技能的自動性特點和抽象化表征。未來運動心理學家應更多借助于神經科學的技術手段和認知心理學的理論基礎， 更深入與全面地理解競技運動專家認知優勢的形成機制。

參考文獻

陳玉田， 陳睿， 李鵬. （2022）. 工作記憶中“組塊”概念的演化及理論模型. 心理科學進展， 30（12）， 2708?2717.

程勇民. （2006）. 運動水平、知識表征及其年齡對羽毛球競賽情景中直覺性運動決策的影響. 體育科學， 26（1）， 86?"95.

杜建政， 李明. （2006）. CLARION模型：內隱與外顯技能學習的整合. 心理科學進展， 24（6）， 844?850.

杜鵬飛， 李小勇， 高雅麗. （2021）. 多模態視覺語言表征學習研究綜述. 軟件學報， 32（2）， 327?348.

付全. （2005）. 信息量與認知風格對擊劍運動員決策速度和準確性的影響. 體育科學， 25（8）， 33?38.

梁寧建. （2014）. 當代認知心理學 （修訂版）. 上海： 上海教育出版社.

劉揚， 孫彥. （2014）. 行為決策中框架效應研究新思路——從風險決策到跨期決策， 從言語框架到圖形框架. 心理科學進展， 22（8）， 1205?1217.

陸穎之， 王小春， 周成林. （2023）. 認知神經科學視角下冬奧心理科技攻關服務新體系的構建與應用. 上海體育學院學報， 47（11）， 57?67.

呂慧青， 王進. （2014）. 運動技能學習效率的頓悟解釋模型探索. 體育科學， 34（4）， 30?40.

孟繁瑩， 耿家先， 李安民. （2022）. 運動經驗對乒乓球運動員無意識加工的影響：來自ERP和行為實驗的證據. 中國體育科技， 58（6）， 32?40.

苗浩飛， 遲立忠. （2023）. 動作視頻游戲專業玩家的認知神經特征. 心理科學進展， 31（1）， 127?144.

漆昌柱， 賀夢陽， 王浩宇. （2021）. 運動專長的記憶痕跡：基于注意競爭優勢的腦機制研究. 武漢體育學院學報， 55（2）， 68?75.

任占兵， 胡琳琳， 張遠超， 徐敏， 李論雄， 夏豐光， 黃瑞旺. （2019）. 運動技能專家腦可塑性研究進展：來自核磁共振成像的證據. 中國體育科技， 55（2）， 3?18.

史鵬， 王國動， 魏征， 孫金月， 章冬楊， 張鐸耀. （2023）. 足球運動員進攻戰術預判決策的視覺搜索特征：空間工作記憶容量的影響. 中國體育科技， 59（5）， 27?34.

孫文芳， 王馨悅， 王長生， 趙明， 王斌. （2018）. 專家運動員的視覺搜索特征：基于眼動研究的Meta分析. 天津體育學院學報， 33（4）， 321?328.

王曉莎， 畢彥超. （2019）. 抽象概念語義表征的認知神經基礎研究. 生理學報， 71（1）， 117?126.

王瑩瑩， 陸穎之， 楊甜甜， 顧楠， 周成林. （2020）. 概念經驗對乒乓球運動員動作加工的影響——一項ERP研究. 上海體育學院學報， 44（7）， 69?76.

魏高峽， 李佑發. （2012）. 21世紀中國運動心理學的新方向：運動認知神經科學研究. 體育科學， 32（1）， 54?63.

葉浩生. （2021）. 身體的意義：從現象學的視角看體育運動的認識論價值. 體育科學， 41（1）， 83?88.

殷融， 葉浩生. （2014）. 多元表征假設：概念表征機制的新觀點. 心理科學， 37（2）， 483?489.

于志華， 章建成， 黃銀華， 李巖峰. （2011）. 類比學習與外顯學習的不同組合方式對不同性質網球技能學習的影響——從閉鎖性和開放性技能的視角. 體育科學， 31（5）， 65?74.

張恩濤， 方杰， 林文毅， 羅俊龍. （2013）. 抽象概念表征的具身認知觀. 心理科學進展， 21（3）， 429?436.

張怡， 周成林. （2012）. 網球運動員擊球線路預判能力及ERP特征研究. 體育科學， 32（12）， 24?34.

趙冰潔， 張琪涵， 陳怡馨， 章鵬， 白學軍. （2022）. 智力運動專家領域內知覺與記憶的加工特點及其機制. 心理科學進展， 30（9）， 1993?2003.

趙祁偉， 陸穎之， 周成林. （2020）. 新興技術融合發展下競技運動心理學研究進展、實踐與展望. 上海體育學院學報， 44（11）， 18?27.

周成林， 劉微娜. （2010）. 競技比賽過程中認知優勢現象的詮釋與思考. 體育科學， 30（10）， 13?22.

Al-Tahan， H.， amp; Mohsenzadeh， Y. （2021）. Reconstructing feedback representations in the ventral visual pathway with a generative adversarial autoencoder. PLoS Computational"Biology， 17（3）， e1008775.

Bhandari， A.， amp; Badre， D. （2018）. Learning and transfer of working memory gating policies. Cognition， 172， 89?100.

Bilali?， M. （2017）. The neuroscience of expertise. Cambridge， United Kingdom： Cambridge University Press.

Craik， F. I. M. （2020）. Remembering： An activity of mind and brain. Annual Review of"Psychology， 71， 1?24.

Dasgupta， I.， amp; Gershman， S. J. （2021）. Memory as a computational resource. Trends in Cognitive Sciences， 25（3）， 240?251.

Du， Y.， Krakauer， J. W.， amp; Haith， A. M. （2022）. The relationships between habits and motor skills in humans. Trends in Cognitive Sciences， 26（5）， 371?387.

Ericsson， K. A.， Hoffman， R. R.， Kozbelt， A.， amp; Williams， A. M. （2018）. The Cambridge handbook of expertise and expert performance. Cambridge， United Kingdom： Cambridge"University Press.

Ericsson， K. A.， amp; Kintsch， W. （1995）. Long-term working memory. Psychological Review， 102， 211?245.

Ericsson， K. A.， Krampe， R. T.， amp; Tesch-R?mer， C. （1993）. The role of deliberate practice in the acquisition of expert performance. Psychological Review， 100（3）， 363?406.

Garner， K. G.， amp; Dux， P. E. （2023）. Knowledge generalization"and the costs of multitasking. Nature Reviews Neuroscience，"24（2）， 98?112.

Gershman， S. J. （2019）. The generative adversarial brain. Frontiers in Artificial Intelligence， 2， 18.

Gerson， S. A.， Meyer， M.， Hunnius， S.， amp; Bekkering， H. （2017）. Unravelling the contributions of motor experience and conceptual knowledge in action perception： A training study. Scientific Reports， 7， 46761.

Gilboa， A.， amp; Marlatte， H. （2017）. Neurobiology of schemas and schema-mediated memory. Trends in Cognitive Sciences，"21（8）， 618?630.

Haith， A. M.， amp; Krakauer， J. W. （2018）. The multiple effects of practice： Skill， habit and reduced cognitive load. Current Opinion in Behavioral Sciences， 20， 196?201.

Helsen， W. F.， Starkes， J. L.， amp; Hodges， N. J. （1998）. Team sports and the theory of deliberate practice. Journal of Sport amp; Exercise Psychology， 20（1）， 12?34.

Ho， M. K.， Abel， D.， Correa， C. G.， Littman， M. L.， Cohen， J. D.， amp; Griffiths， T. L. （2022）. People construct simplified mental representations to plan. Nature， 606（7912）， 129?"136.

Huys， Q. J. M.， Lally， N.， Faulkner， P.， Eshel， N.， Seifritz， E.， Gershman， S. J.， … Roiser， J. P. （2015）. Interplay of approximate planning strategies. Proceedings of the National Academy of Sciences USA， 112（10）， 3098?3103.

Jordan， M. I.， amp; Mitchell， T. M. （2015）. Machine learning： Trends， perspectives， and prospects. Science， 349（6245）， 255?260.

Kemp， C.， amp; Tenenbaum， J. B. （2008）. The discovery of structural form. Proceedings of the National Academy of Sciences USA， 105（31）， 10687?10692.

Kemp， C.， amp; Tenenbaum， J. B. （2009）. Structured statistical models of inductive reasoning. Psychological Review， 116（1）， 20?58.

Krakauer， J. W. （2019）. The intelligent reflex. Philosophical Psychology， 32（5）， 823?831.

Lake， B. M.， Salakhutdinov， R.， amp; Tenenbaum， J. B. （2015）. Human-level concept learning through probabilistic program induction. Science， 350（6266）， 1332?1338.

Lake， B. M.， Ullman， T. D.， Tenenbaum， J. B.， amp; Gershman， S. J. （2017）. Building machines that learn and think like people. Behavioral amp; Brain Sciences， 40， e253.

Lansdell， B. J.， amp; Kording， K. P. （2019）. Towards learning-"to-learn. Current Opinion in Behavioral Sciences， 29， 45?"50.

LeCun， Y.， Bengio， Y.， amp; Hinton， G. （2015）. Deep learning. Nature， 521（7553）， 436?444.

Macnamara， B. N.， Hambrick， D. Z.， amp; Oswald， F. L. （2014）. Deliberate practice and performance in music， games， sports， education， and professions： A meta-analysis. Psychological Science， 25（8）， 1608?1618.

Macnamara， B. N.， Moreau， D.， amp; Hambrick， D. Z. （2016）. The relationship between deliberate practice and performance"in sports： A meta-analysis. Perspectives on Psychological Science， 11（3）， 333?350.

Mattar， M. G.， amp; Lengyel， M. （2022）. Planning in the brain. Neuron， 110（6）， 914?934.

McClelland， J. L. （2022）. Capturing advanced human cognitive abilities with deep neural networks. Trends in Cognitive Sciences， 26（12）， 1047?1050.

Myers， N. E.， Stokes， M. G.， amp; Nobre， A. C. （2017）. Prioritizing information during working memory： Beyond sustained internal attention. Trends in Cognitive Sciences， 21（6）， 449?461.

Pulvermu?ller， F. （2005）. Brain mechanisms linking language and action. Nature Reviews of Neuroscience， 6（7）， 576?"582.

Radulescu， A.， Niv， Y.， amp; Ballard， I. （2019）. Holistic reinforcement learning： The role of structure and attention. Trends in Cognitive Sciences， 23（4）， 278?292.

Radulescu， A.， Shin， Y. S.， amp; Niv， Y. （2021）. Human representation learning. Annual Review of"Neuroscience， 44， 253?273.

Sabah， K.， Meiran， N.， amp; Dreisbach， G. （2021）. Examining the trainability and transferability of working-memory gating policies. Journal of Cognitive Enhancement， 5， 330?342.

Tenenbaum， J. B.， Kemp， C.， Griffiths， T. L.， amp; Goodman， N. D. （2011）. How to grow a mind： Statistics， structure， and abstraction. Science， 331（6022）， 1279?1285.

Tsetsos， K. （2023）. Unlocking a new dimension in the speed?accuracy trade-off. Trends in Cognitive Sciences， 27（6）， 510?511.

Vaidya， A. R.， amp; Badre， D. （2022）. Abstract task representations for inference and control. Trends in Cognitive Sciences， 26（6）， 484?498.

Ward， P.， Hodges， N. J.， Starkes， J. L.， amp; Williams， M. A. （2007）. The road to excellence： Deliberate practice and the development of expertise. High Ability Studies， 18（2）， 119?153.

Williams， A. M.， amp; Ford， P. R. （2008）. Expertise and expert performance in sport. International Review of Sport amp; Exercise Psychology， 1（1）， 4?18.

Yamins， D. L. K.， amp; DiCarlo， J. J. （2016）. Using goal-driven deep learning models to understand sensory cortex. Nature Neuroscience， 19（3）， 356?365.

Yarrow， K.， Brown， P.， amp; Krakauer， J. W. （2009）. Inside the brain of an elite athlete： The neural processes that support high achievement in sports. Nature Reviews of Neuroscience， 10（8）， 585?596.

Cognitive superiority of athletic sports expert and its formation mechanisms：A perspective from automaticity and abstraction

CHU Xin-Yu1， WANG Ze-Jun2

（1"Shanghai University of Engineering Science， Department of Physical Education， Shanghai"201620，"China）"（2"Tongji University， International College of Football， Shanghai 200092， China）

Abstract： At present， the mechanism by which athletic sports expert acquires and transfer， refines and updates their professional knowledge and skills through long-term training has not been clearly elaborated. Based on the expert-novice paradigm， the cognitive superiority of athletic sports expert from the perspective of representation learning is mainly embodied in attention superiority and memory superiority， and the key reasons for the cognitive superiority are the automaticity and abstraction of the knowledge and skills of athletic sports expert. The abstraction of knowledge representation mechanism of athletic sports expert is discussed from the perspective of generative model， which provides a new theoretical basis for understanding the cognitive superiority of athletic sports expert and helping them break through the cognitive limitations.

Keywords："knowledge-based system of sports expert， representational learning， automaticity， abstraction， generative model