CN114417238A - 认知偏向矫正系统 - Google Patents

认知偏向矫正系统 Download PDF

Info

Publication number
CN114417238A
CN114417238A CN202210296539.0A CN202210296539A CN114417238A CN 114417238 A CN114417238 A CN 114417238A CN 202210296539 A CN202210296539 A CN 202210296539A CN 114417238 A CN114417238 A CN 114417238A
Authority
CN
China
Prior art keywords
user
target task
total
task
trial
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210296539.0A
Other languages
English (en)
Other versions
CN114417238B (zh
Inventor
李岱
柏德祥
刘响
李元辉
张天骄
张立群
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Wangli Medical Technology Co ltd
Original Assignee
Adai Technology Beijing Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Adai Technology Beijing Co ltd filed Critical Adai Technology Beijing Co ltd
Priority to CN202210296539.0A priority Critical patent/CN114417238B/zh
Publication of CN114417238A publication Critical patent/CN114417238A/zh
Application granted granted Critical
Publication of CN114417238B publication Critical patent/CN114417238B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Strategic Management (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Child & Adolescent Psychology (AREA)
  • General Engineering & Computer Science (AREA)
  • Social Psychology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Psychiatry (AREA)
  • Hospice & Palliative Care (AREA)
  • Developmental Disabilities (AREA)
  • Psychology (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Algebra (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请涉及一种认知偏向矫正系统。该系统包括存储单元、计算单元、显示单元和反应单元；计算单元，用于从存储单元中获取用户历史数据，根据用户历史数据确定目标任务的总试次数和难度值，根据总试次数和难度值生成试次序列，根据试次序列从存储单元获取对应的素材作为目标任务的任务素材，并将目标任务的任务素材发送至显示单元，使得显示单元向用户呈现目标任务的任务素材；以及用于接收反应单元收集的用户根据显示单元呈现的目标任务的任务素材进行操作的反应数据，根据反应数据、目标任务的总试次数和难度值更新存储于存储单元的用户历史数据。本申请实施例能够减少用户策略性回避的影响，同时可以在一定程度上增强用户的认知控制能力。

Description

认知偏向矫正系统
技术领域
本申请涉及计算机与认知心理学交叉领域，特别是涉及一种认知偏向矫正系统。
背景技术
根据中国疾病预防控制中心精神卫生中心数据显示，中国各类精神病患者人数越来越多，包括焦虑障碍，心境障碍和酒精药物使用障碍等。世界卫生组织和世界银行的疾病负担显示，精神问题已成为全球疾病负担的一个突出问题。
认知理论认为个体在信息加工时，会受到人格特征和情绪状态的影响，当个体倾向于把更多的注意资源分配给负性刺激，忽略积极信息时，表现出自我主动的负性思维情绪障碍。认知偏向矫正通过自动将注意力引导到更积极的刺激上，减少对负性刺激的注意力，可以有效地对焦虑、创伤后应激障碍和抑郁情绪的患者进行干预。
传统的认知偏向矫正任务采用固定的规则，通过诱导用户认知、注意力偏向于既定目标事件，协调用户过于关注或者逃避关注某类事件的倾向，从而达到认知偏向矫正的目的。然而，发明人注意到，由于规则固定，因而在一定程度上用户可以识别并采用与规则一致的策略进行回避，这样会降低认知偏向矫正任务的效果。
另一方面，基于现有文献理论，用户的认知控制能力的提高，也可以加强用户的认知偏向矫正的效果。根据已有研究，关于认知偏向矫正方法的起效存在两种理论解释，一种为减少了用户对特定信息的逃避或者易于被特定信息捕获注意力且难以摆脱，一种为认知偏向矫正方法可以增加用户的认知控制能力；然而，由于用户可能采取策略性回避，即识别出了偏向矫正范式的规则并加以利用，此种情况下会导致认知偏向矫正方法失效或者效果不明显。
发明内容
本申请针对上述不足或缺点，提供了一种认知偏向矫正系统，本申请实施例能够减少用户策略性回避的影响，同时可以在一定程度上增强用户的认知控制能力。
本申请根据第一方面提供了一种认知偏向矫正系统，在一个实施例中，该系统包括存储单元、计算单元、显示单元和反应单元；
存储单元，用于存储认知偏向矫正的素材和用户历史数据；
计算单元，用于从存储单元中获取用户历史数据，根据用户历史数据确定目标任务的总试次数和难度值，目标任务是指当前待呈现给用户的认知偏向矫正任务，根据目标任务的总试次数和难度值生成目标任务的试次序列，试次序列包含一致试次和矛盾试次，试次序列的试次数量等于总试次数，试次序列中一致试次的数量和矛盾试次的数量的比例值等于难度值，根据试次序列从存储单元获取对应的素材作为目标任务的任务素材，并将目标任务的任务素材发送至显示单元，使得显示单元向用户呈现目标任务的任务素材；以及用于接收反应单元收集的用户根据显示单元呈现的目标任务的任务素材进行操作的反应数据，根据反应数据、目标任务的总试次数和难度值更新存储于存储单元的用户历史数据。
在一个实施例中，计算单元在从存储单元中获取用户历史数据，根据用户历史数据确定目标任务的总试次数和难度值时，具体用于：
确定用户已完成的认知偏向矫正任务的数量；
根据数量判断目标任务为适应阶段中的任务或是优化阶段中的任务；
当目标任务为适应阶段中的任务时，获取目标任务的预设的总试次数和难度值；
当目标任务为优化阶段中的任务时，从存储单元中获取用户历史数据，根据用户历史数据确定目标任务的总试次数和难度值。
在一个实施例中，用户历史数据包括用户完成上一任务后的总表现情况和总使用频率、平均试次数和平均难度值，上一任务是指用户上一次完成的认知偏向矫正任务；计算单元在根据用户历史数据确定目标任务的总试次数和难度值时，具体用于：
确定目标任务的使用频率，根据目标任务的使用频率和总使用频率计算截止于目标任务的总使用频率；
根据总表现情况和截止于目标任务的总使用频率、平均试次数和平均难度值确定目标任务的总试次数和难度值。
在一个实施例中，计算单元在根据目标任务的使用频率和总使用频率计算截止于目标任务的总使用频率时，具体用于：
基于以下公式计算截止于目标任务的总使用频率；
Figure 735409DEST_PATH_IMAGE001
其中，
Figure 918129DEST_PATH_IMAGE002
表示总使用频率，
Figure 963445DEST_PATH_IMAGE003
表示截止于目标任务的总使用频率，
Figure 889813DEST_PATH_IMAGE004
表示目标任务的使用频率；
Figure 704185DEST_PATH_IMAGE005
表示前
Figure 792227DEST_PATH_IMAGE006
次的累加值在下一次求和时占的比重。
在一个实施例中，计算单元在根据总表现情况和截止于目标任务的总使用频率、平均试次数和平均难度值确定目标任务的总试次数和难度值时，具体用于：
基于以下公式确定目标任务的总试次数：
Figure 324839DEST_PATH_IMAGE007
基于以下公式确定目标任务的总难度值：
Figure 789319DEST_PATH_IMAGE008
其中，
Figure 723777DEST_PATH_IMAGE009
表示目标任务的总试次数；
Figure 982720DEST_PATH_IMAGE010
表示目标任务的难度值；
Figure 2628DEST_PATH_IMAGE011
表示总表现情况；
Figure 5219DEST_PATH_IMAGE012
表示截止于目标任务的总使用频率；
Figure 794184DEST_PATH_IMAGE013
表示平均试次 数；
Figure 489607DEST_PATH_IMAGE014
表示平均难度值；
Figure 996812DEST_PATH_IMAGE015
和
Figure 271935DEST_PATH_IMAGE016
分别表示累加值的放大系数；
Figure 180986DEST_PATH_IMAGE017
表示参考累加 值；
Figure 781731DEST_PATH_IMAGE018
表示控制奖励值和困难值的趋势；
Figure 776232DEST_PATH_IMAGE019
表示归一化函数；
Figure 120626DEST_PATH_IMAGE020
和
Figure 884182DEST_PATH_IMAGE021
均大于等 于0。
在一个实施例中，计算单元在根据反应数据、目标任务的总试次数和难度值更新存储于存储单元的用户历史数据时，具体用于：
将存储于存储单元的用户历史数据中的总使用频率更新为截止于目标任务的总使用频率；
根据反应数据更新存储于存储单元的用户历史数据中的总表现情况；
根据目标任务的总试次数和难度值更新存储于存储单元的用户历史数据中的平均试次数和平均难度值。
在一个实施例中，计算单元在根据反应数据更新存储于存储单元的用户历史数据中的总表现情况时，具体用于：
根据反应数据确定用户对目标任务的表现情况；
根据用户对目标任务的表现情况和总表现情况计算用户完成目标任务后的总表现情况；
将存储于存储单元的用户历史数据中的总表现情况更新为用户完成目标任务后的总表现情况。
在一个实施例中，计算单元在根据反应数据确定用户对目标任务的表现情况时，具体用于：
根据反应数据确定用户对目标任务的执行状况，执行状况包括用户在一致试次下的平均反应时和错误率，以及在矛盾试次下的平均反应时和错误率；
根据认知的四阶段模型对执行状况进行用户认知过程分解，得到第一分解结果和第二分解结果，第一分解结果是指用户对试次序列中的每个一致试次的反应，第二分解结果是指用户对试次序列中的每个矛盾试次的反应，反应为正确反应或错误反应，以及相应的反应时间。
根据预设的分布假设分别对第一分解结果和第二分解结果进行极大似然估计，得到用户在一致试次下的阶段转移概率和分布假设参数，以及用户在矛盾试次下的阶段转移概率和分布假设参数；
将执行状况、用户在一致试次下的阶段转移概率和分布假设参数，以及用户在矛盾试次下的阶段转移概率和分布假设参数输入表现评估模型中，将表现评估模型输出的表现评分作为用户对目标任务的表现情况。
在一个实施例中，计算单元在根据用户对目标任务的表现情况和总表现情况计算用户完成目标任务后的总表现情况时，具体用于：
基于以下公式计算用户完成目标任务后的总表现情况；
Figure 921409DEST_PATH_IMAGE022
其中，
Figure 137626DEST_PATH_IMAGE023
表示用户完成目标任务后的总表现情况，
Figure 285711DEST_PATH_IMAGE024
表示总表现情况，
Figure 638195DEST_PATH_IMAGE025
表示用户对目标任务的表现情况；
Figure 846322DEST_PATH_IMAGE026
表示前
Figure 549836DEST_PATH_IMAGE027
次的累加值在下一次求和时占 的比重。
在一个实施例中，计算单元在根据目标任务的总试次数和难度值更新存储于存储单元的用户历史数据中的平均试次数和平均难度值时，具体用于：
根据目标任务的总试次数更新存储于存储单元的用户历史数据中的平均试次数；
根据目标任务的难度值存储于存储单元的用户历史数据中的平均难度值。
在一个实施例中，计算单元在根据目标任务的总试次数更新存储于存储单元的用户历史数据中的平均试次数时，具体用于：
基于以下公式更新存储于存储单元的用户历史数据中的平均试次数：
Figure 236032DEST_PATH_IMAGE028
其中，公式右侧的
Figure 974181DEST_PATH_IMAGE029
表示平均试次数；
Figure 353210DEST_PATH_IMAGE030
表示目标任务的总试次 数；
Figure 544020DEST_PATH_IMAGE031
表示将右侧计算得到的结果赋值给左侧，取代左侧原本的数值；
根据目标任务的难度值存储于存储单元的用户历史数据中的平均难度值，包括：
基于以下公式更新存储于存储单元的用户历史数据中的平均难度值：
Figure 33907DEST_PATH_IMAGE032
其中，公式右侧的
Figure 360983DEST_PATH_IMAGE033
表示平均难度值；
Figure 910913DEST_PATH_IMAGE034
表示目标任务的难度值；
Figure 589019DEST_PATH_IMAGE035
表示将右侧计算得到的结果赋值给左侧，取代左侧原本的数值。
在一个实施例中，显示单元是用于以用户能够识别的方式呈现接收到的任务素材的设备；
反应单元是用于收集用户根据显示单元呈现的任务素材所做出的操作反应的设备；操作反应包括按键反应、触屏滑动和语音应答中的至少一项。
本申请实施例在认知偏向矫正任务的固定规则中增加矛盾试次，即冲突的或额外难度的试次，能够减少用户策略性回避的影响，同时可以在一定程度上增强用户的认知控制能力。并且，通过用户在以往认知偏向矫正任务中的历史表现来控制认知偏向矫正任务的难度，从而最大化认知偏向矫正任务对用户产生的效应，提高干预效果。其中，具体通过用户的历史表现来确定用户在当前需要完成的认知偏向矫正任务中所需完成的总试次数以及难度值（难度值即认知偏向矫正任务中的一致试次与矛盾试次的比例），而通过用户的历史表现可以将难度值控制在更合理范围内，可以保证认知偏向矫正任务依旧可以起到减缓用户对特定信息的过度关注或者过度逃离，从而解决现有范式存在的部分问题，提高干预效果，而不会因为难度值过高而无法实现改善用户认知控制能力以及减少用户对回避性策略的使用的目标，也不会因为难度值太低而导致出现无法改善用户的认知偏向或者反而增强了用户认知偏向等情况。
附图说明
图1为一个实施例中一种认知偏向矫正系统的结构示意图；
图2为一个实施例中计算单元确定目标任务的总试次数和难度值的流程示意图；
图3为又一个实施例中计算单元确定目标任务的总试次数和难度值的流程示意图；
图4为一个实施例中计算单元更新存储单元中的总表现情况的流程示意图；
图5为一个实施例中计算单元确定用户对目标任务的表现情况的流程示意图；
图6为一个实施例中认知的四阶段模型的示意图；
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。
为了矫正用户的认知偏向（或称为注意力偏向），可以通过让用户完成认知偏向矫正任务的方式来矫正用户的认知偏向。传统的认知偏向矫正任务采用既有规则或称为固定规则，通过诱导用户认知、注意力偏向于既定目标事件，协调用户过于关注或者逃避关注某类事件的倾向，从而达到认知偏向矫正的目的。然而，由于规则固定，因而在一定程度上用户可以识别并采用与规则一致的策略进行回避，这样会降低认知偏向矫正任务的效果。另一方面，基于现有文献理论，用户的认知控制能力的提高，也可以加强用户的认知偏向矫正的效果。根据已有研究，关于认知偏向矫正方法的起效存在两种理论解释，一种为减少了用户对特定信息的逃避或者易于被特定信息捕获注意力且难以摆脱，一种为认知偏向矫正方法可以增加用户的认知控制能力；然而，由于用户可能采取策略性回避，即识别出了偏向矫正范式的规则并加以利用，此种情况下会导致认知偏向矫正方法失效或者效果不明显。
为此，本申请提供了一种认知偏向矫正系统。在一个实施例中，该系统（指认知偏向矫正系统）包括存储单元、计算单元、显示单元和反应单元，如图1所示，计算单元分别连接了存储单元、显示单元和反应单元，其中，计算单元用于从存储单元获取认知偏向矫正任务的任务素材，并发送给显示单元，显示单元用于向用户呈现认知偏向矫正任务的任务素材，用户可以基于显示单元呈现的任务素材，通过反应单元进行相关操作，反应单元会采集用户进行相关操作时产生的反应数据，并将反应数据回传给计算单元，从而计算单元可以基于用户的反应数据评估用户在认知偏向矫正任务中的表现。
本实施例基于奖励困难理论对认知偏向矫正任务进行优化。在认知偏向矫正任务中，存在两个基本的属性，即奖励值与困难值；奖励值表示用户单位任务获得的积分奖励和单位任务总次数的倒数，困难值表示单位任务总次数和任务中的一致试次与矛盾试次的比例值（为了方便描述，将此比例值称为难度值），以目标任务为例，目标任务的奖励值表示用户在目标任务中获得的积分奖励和目标任务的总试次数的倒数，目标任务困难值表示目标任务的总试次数、以及目标任务中的一致试次数与矛盾试次数的比例值。研究发现，为认知偏向矫正任务所设置的奖励值与困难值的不同比例和任务的排列顺序会影响用户的使用体验，进一步影响最后的认知偏向矫正结果，也就是用户的干预效果。
本实施例用R表示用户在一个认知偏向矫正任务中获得的奖励值；D表示用户完成一个认知偏向矫正任务需要的时间或者完成的困难程度。
（1）在任务过程中，t时刻任务的奖励值对用户产生正效应ur，困难值产生负效应ud，在t时刻任务对用户产生总的正效用是：
Figure 617018DEST_PATH_IMAGE036
其中，r表示第j个任务的奖励值，
Figure 64180DEST_PATH_IMAGE037
表示用户对奖励值的适应快慢程度，f表示参 考奖励值。
在t时刻任务对用户产生总的负效应是：
Figure 519432DEST_PATH_IMAGE038
其中，d表示第j个任务的困难值，
Figure 684834DEST_PATH_IMAGE039
表示用户对困难值的适应快慢程度，g表示参 考困难值。
奖励值与困难值的差值就是此任务对用户产生的效应值
Figure 516524DEST_PATH_IMAGE040
由于认知偏向矫正对用户的影响是不断递减的，结合遗忘曲线，即：
Figure 83771DEST_PATH_IMAGE041
可以得到认知偏向矫正任务对用户的最后效应是：
Figure DEST_PATH_IMAGE042
其中，最后效应是奖励、遗忘效应和困难值综合下来的用户收益，γ表示用户对任务产生的效应的遗忘程度，π表示多组注意偏向矫正任务组成的序列。
可以看到，当认知偏向矫正任务的奖励值不断增加的时候，t时刻认知偏向矫正任务对用户的正效应都是逐渐增加的，因为相邻的模块奖励值差值为正。根据认知偏向矫正任务的奖励和困难比值可以得到认知偏向矫正任务的最优结构：
(i)当认知偏向矫正任务以奖励值为主导因素或困难值保持不变时，认知偏向矫正任务的最优结构为U形，即奖励值和困难值先下降后上升，其中奖励值远大于困难值。
(ii)当认知偏向矫正任务以困难值为主导因素或奖励值保持不变时，认知偏向矫正任务的最优结构为倒U形，即奖励值和困难值先上升后下降，其中困难值远大于奖励值。
为了能够最大化认知偏向矫正任务对用户产生的效应，即使最后效应值最大化，本实施例根据用户的历史表现情况和对认知偏向矫正任务的使用频率来调整每个需要用户完成的认知偏向矫正任务的任务内容，比如任务的总试次数、难度值。
需要用户完成的认知偏向矫正任务的类型（也可称为形态）可以是一种或多种，在一个示例中，认知偏向矫正任务的任务类型有三种，即视觉探测任务、修改版stroop（斯特鲁普）任务和视觉搜索任务，每次向用户呈现的认知偏向矫正任务是上述三种类型中的一种。
需要说明的是，上述需要用户完成的认知偏向矫正任务中包含的任务是对已有的任务进行自适应优化后得到的，自适应优化指在任务中新增与固定规则（也可称为既有规则）冲突的规则（以下称为冲突规则）或有额外难度的规则（以下称为额外难度规则）。还需要说明的是，与已有的任务的另一个区别是，本实施例的认知偏向矫正任务中同时包含了一致试次和矛盾试次，在认知偏向矫正任务中增加矛盾试次，是考虑到用户有可能发现任务规则且进一步利用规则，策略性回避不良事件，从而导致认知偏向矫正失效或者效果不理想，通过增加矛盾试次可以减少因用户策略性回避而产生的影响；同时，矛盾试次的存在可以增强用户的认知控制能力，在规则变化情况下，克服惯性操作。
以下对上述三种任务进行详细说明。
1、视觉探测任务，即同时呈现不良事件和正性/中性事件，随后用一个提示探针取代展示的事件，用户需要尽快根据探针指示做出正确的反应；探针取代的事件为需要用户注意力转向的事件，如用户易受不良事件吸引且难以摆脱注意力，则提示探针总是取代正性/中性事件；若需要矫正用户逃避不良事件的状态，则提示探针总是取代不良事件的位置。此任务中，固定规则为用探针取代需要用户增加关注度的事件，进行自适应优化后，视觉探测任务中增加了额外难度规则，即用探针取代需要用户减少关注度的事件。
2、修改版stroop任务，每次单独呈现不良事件或正性/中性事件，用户需要根据指定规则尽快进行反应，忽略事件内容；如根据事件呈现的方式进行不同的滑动操作，且同一类事件滑动操作一致，或者不良事件和正性/中性事件呈现不同颜色，用户需要尽快忽略事件内容，而给出呈现的颜色。此任务中，固定规则为用户需要在不良事件出现时采取一种操作（该操作可命名为A），正性/中性事件出现时采取另外一种操作（该操作可命名为B），进行自适应优化后，修改版stroop任务中增加了冲突规则，即部分不良事件需要采用正性/中性事件的操作B，而正性/中性事件则需要采用原不良事件应该执行的操作A。
3、视觉搜索任务，目标事件和多个干扰事件组成刺激阵列，固定规则是用户需要快速从干扰事件中快速检索出目标事件；其中，如果目标事件为不良事件，则干扰事件为正性/中性事件，如果目标事件为正性/中性事件，则干扰事件为不良事件；目标事件选择需根据需要矫正的用户认知偏向确定，即用户易受不良事件捕获注意力且难以摆脱，则目标事件为正性/中性事件；若用户为因逃避不良事件而产生不良心理状态，则目标事件为不良事件。进行自适应优化后，视觉搜索任务中增加了冲突规则，即从目标事件中找出干扰事件。
以下对该系统进行详细说明。
存储单元，用于存储认知偏向矫正的素材和用户历史数据。其中，认知偏向矫正的素材可以由图片、文字、短视频等可以在显示单元上进行显示的内容组成。根据素材传达的信息，可将素材分为不良事件素材、正性事件素材和中性事件素材。其中，不良事件素材，包含消极、悲观、厌恶、威胁等信息；正性事件素材，包含积极、乐观、高兴、愉悦等信息；中性事件素材，为不包含正性事件素材和不良事件素材信息的素材。可以理解的，存储单元中可以包含多个用户的用户历史数据。每个用户的用户历史数据包括用户完成上一任务（指用户上一次完成的认知偏向矫正任务）后的总表现情况和总使用频率、平均试次数和平均难度值。
显示单元，用于接收计算单元发送的任务素材，并将任务素材呈现给用户。显示单元是用于以用户能够识别的方式呈现接收到的任务素材的设备，示例性地，显示单元可以包括但不限于是显示器、VR（Virtual Reality，虚拟现实）设备等。
反应单元，用于收集用户根据显示单元呈现的任务素材进行操作的反应数据，并将收集的反应数据发送给计算单元。反应单元是用于收集用户根据显示单元呈现的任务素材所做出的操作反应的设备，示例性地，反应单元可以包括但不限于是手柄、键盘、触摸板、触摸屏等设备，操作反应包括但不限于按键反应、触屏滑动和语音应答。
计算单元，用于从存储单元获取认知偏向矫正任务的任务素材，然后发送给显示单元，以及接收反应单元发送的反应数据。计算单元从存储单元获取任务素材的过程具体是：根据用户历史数据确定目标任务（指当前待呈现给用户的认知偏向矫正任务，或称为当前需要用户完成的认知偏向矫正任务）的总试次数和难度值，根据目标任务的总试次数和难度值生成目标任务的试次序列，根据试次序列从存储单元获取对应的素材作为目标任务的任务素材。计算单元接收到反应单元发送的反应数据后，会根据反应数据、上述的总试次数和难度值更新存储于存储单元的用户历史数据。
需要说明的是，在需要用户完成的认知偏向矫正任务的任务类型不止一种的场景中，计算单元从存储单元获取的用户历史数据具体是指与当前用户所做的认知偏向矫正任务的任务类型对应的历史数据。比如，存储单元中存储有用户A以往完成视觉搜索任务的历史数据，以及以往完成修改版stroop任务的历史数据，假如当前需要让用户A完成的目标任务是视觉搜索任务，那么计算单元会从存储单元获取用户A的与视觉搜索任务相关的历史数据来计算目标任务的总试次数和难度值。
上述的认知偏向矫正任务的试次序列记录了认知偏向矫正任务所包含的试次，以及各试次的排列顺序（指向用户呈现的顺序）。试次序列中同时包含了一致试次和矛盾试次，并且，试次序列的试次数量等于上述总试次数，试次序列中一致试次的数量和矛盾试次的数量的比例值等于上述难度值。其中，一致试次是指按照期望用户注意改善的方向设计的试次，比如用户容易被不良事件吸引且难以摆脱注意力，则期望改善方向为减少不良事件的吸引力和增加用户摆脱不良事件的能力，因此在一致试次中，会设计用户关注正性或中性事件（不良事件和正性/中性事件同时呈现），或者暗示远离不良事件，靠近正性/中性事件（此时为单独呈现不良事件或正性/中性事件，比如通过推离暗示远离不良事件，拉近暗示接受正性/中性事件）。而矛盾试次是指与一致试次不一致的试次，矛盾试次会设计用户关注不良事件（不良事件和正性/中性事件同时呈现），或靠近不良事件、远离正性/中性事件（单独呈现不良事件或正性/中性事件）。一致试次会让用户按照固定规则进行相关操作，矛盾试次会让用户会按照冲突规则或额外难度规则进行相关操作。
本申请实施例在认知偏向矫正任务的固定规则中增加矛盾试次，即冲突的或额外难度的试次，能够减少用户策略性回避的影响，同时可以在一定程度上增强用户的认知控制能力。并且，通过用户在以往认知偏向矫正任务中的历史表现来控制认知偏向矫正任务的难度，从而最大化认知偏向矫正任务对用户产生的效应，提高干预效果。其中，具体通过用户的历史表现来确定用户在当前需要完成的认知偏向矫正任务中所需完成的总试次数以及难度值（难度值即认知偏向矫正任务中的一致试次与矛盾试次的比例），而通过用户的历史表现可以将难度值控制在更合理范围内，可以保证认知偏向矫正任务依旧可以起到减缓用户对特定信息的过度关注或者过度逃离，从而解决现有范式存在的部分问题，提高干预效果，而不会因为难度值过高而无法实现改善用户认知控制能力以及减少用户对回避性策略的使用的目标，也不会因为难度值太低而导致出现无法改善用户的认知偏向或者反而增强了用户认知偏向等情况。
在一个实施例中，计算单元在根据目标任务的总试次数和难度值生成目标任务的试次序列时，具体操作如下：
已知目标任务的总试次数N和难度值D，则可计算得到目标任务中的一致试次数为⌊N/(1+D)*D⌋，矛盾试次数为N-⌊N/(1+D)*D⌋。根据组成一致试次的不同类型事件数和矛盾试次的不同类型事件数，将一致试次数和矛盾试次数均匀分配给每一个事件，如果无法整除，则随机选择和余数相同的数目的事件，每一个多增加一个试次。
目标任务的试次序列应该满足以下条件：
（1）一致试次中，每类事件出现的次数应该一样，无法满足的条件下，任意两类事件出现的次数之差最多为1
（2）矛盾试次中，每类事件出现的次数应该一样，如果无法满足，则任意两类事件出现的次数之差最多为1。
以条件(1)为例，假如正性/中性事件共有6种不同类型，负性事件共有5种不同类型，一致试次有100个事件，那么这100个事件共有11种类型，其中，有10种类型事件在一致试次中出现了9次，1种事件出现了10次。而试次序列中的试次的排列顺序可以是随机确定的。
在一个实施例中，计算单元在从存储单元中获取用户历史数据，根据用户历史数据确定目标任务的总试次数和难度值时，具体用于：确定用户已完成的认知偏向矫正任务的数量；根据数量判断目标任务为适应阶段中的任务或是优化阶段中的任务；当目标任务为适应阶段中的任务时，获取目标任务的预设的总试次数和难度值；当目标任务为优化阶段中的任务时，从存储单元中获取用户历史数据，根据用户历史数据确定目标任务的总试次数和难度值。
本实施例中，在向用户呈现认知偏向矫正任务时，可以先向用户呈现若干组认知偏向矫正任务，以使用户适应任务规则，这样可以让用户在后续的任务中做出更真实的反应，进一步提高干预效果。因此，认知偏向矫正可以分为适应阶段和优化阶段。最开始向用户呈现的用于使用户适应任务规则的认知偏向矫正任务可以称为适应阶段任务，之后向用户呈现的认知偏向矫正任务可以称为优化阶段任务。其中，适应阶段任务和优化阶段任务的数量可以根据实际采用的认知偏向矫正任务，适当增加或者减少。比如，可以设置3-5组适应阶段任务，设置5-8组优化阶段任务。
其中，对于适应阶段任务，可以固定奖励值与困难值，在此情况下，当目标任务是适应阶段任务时，由于奖励值和困难值是固定的，因而可以直接获取目标任务的预设的总试次数和难度值，可以理解，由于奖励值和困难值是固定的，因而适应阶段任务中的试次序列也是固定的。对于优化阶段任务，不固定奖励值与困难值，在此情况下，需要根据用户历史数据来确定出总试次数和难度值。
在一个实施例中，计算单元在根据用户历史数据确定目标任务的总试次数和难度值时，具体用于执行如图2所示的步骤，即：
S110：确定目标任务的使用频率，根据目标任务的使用频率和总使用频率计算截止于目标任务的总使用频率。
其中，计算单元基于以下公式计算截止于目标任务的总使用频率；
Figure 709925DEST_PATH_IMAGE043
其中，
Figure 628202DEST_PATH_IMAGE044
表示总使用频率，
Figure 998004DEST_PATH_IMAGE045
表示截止于目标任务的总使用频率，
Figure 154179DEST_PATH_IMAGE046
表示目标任务的使用频率；
Figure 216812DEST_PATH_IMAGE047
表示前
Figure 91228DEST_PATH_IMAGE048
次的累加值在下一次求和时占的比重。
S120：根据总表现情况和截止于目标任务的总使用频率、平均试次数和平均难度值确定目标任务的总试次数和难度值。
其中，计算单元基于以下公式确定目标任务的总试次数：
Figure 530299DEST_PATH_IMAGE049
计算单元基于以下公式确定目标任务的总难度值：
Figure 806560DEST_PATH_IMAGE050
其中，
Figure 40095DEST_PATH_IMAGE051
表示目标任务的总试次数；
Figure 401806DEST_PATH_IMAGE052
表示目标任务的难度值；
Figure 113410DEST_PATH_IMAGE053
表示总表现情况；
Figure 244177DEST_PATH_IMAGE054
表示截止于目标任务的总使用频率；
Figure 648614DEST_PATH_IMAGE055
表示平均试 次数；
Figure 497621DEST_PATH_IMAGE056
表示平均难度值；
Figure 12916DEST_PATH_IMAGE057
和
Figure 263769DEST_PATH_IMAGE058
分别表示累加值的放大系数，
Figure 839107DEST_PATH_IMAGE059
和
Figure 175410DEST_PATH_IMAGE060
不一 定相同，可根据实际需要在两个公式中分别指定；
Figure 506115DEST_PATH_IMAGE061
表示参考累加值；
Figure 611474DEST_PATH_IMAGE062
表示控制奖 励值和困难值的趋势；
Figure 92134DEST_PATH_IMAGE063
表示归一化函数；
Figure 650154DEST_PATH_IMAGE064
和
Figure 772831DEST_PATH_IMAGE065
均大于等于0。
在一个实施例中，计算单元在根据反应数据、目标任务的总试次数和难度值更新存储于存储单元的用户历史数据时，具体用于执行如图3所示的步骤，即：
S210：将存储于存储单元的用户历史数据中的总使用频率更新为截止于目标任务的总使用频率。
S220：根据反应数据更新存储于存储单元的用户历史数据中的总表现情况。
S230：根据目标任务的总试次数和难度值更新存储于存储单元的用户历史数据中的平均试次数和平均难度值。
其中，计算单元在根据目标任务的总试次数和难度值更新存储于存储单元的用户历史数据中的平均试次数和平均难度值时，具体用于执行以下两项操作，即：
（1）根据目标任务的总试次数更新存储于存储单元的用户历史数据中的平均试次数。示例性地，可以基于以下公式更新存储于存储单元的用户历史数据中的平均试次数：
Figure 732697DEST_PATH_IMAGE066
其中，公式右侧的
Figure 649837DEST_PATH_IMAGE067
表示平均试次数；
Figure 960733DEST_PATH_IMAGE068
表示目标任务的总试次 数；
Figure 621521DEST_PATH_IMAGE069
表示将右侧计算得到的结果赋值给左侧，取代左侧原本的数值。
（2）根据目标任务的难度值存储于存储单元的用户历史数据中的平均难度值。示例性地，可以基于以下公式更新存储于存储单元的用户历史数据中的平均难度值：
Figure 435893DEST_PATH_IMAGE070
其中，公式右侧的
Figure 523935DEST_PATH_IMAGE071
表示平均难度值；
Figure 56548DEST_PATH_IMAGE072
表示目标任务的难度值；
Figure 521027DEST_PATH_IMAGE073
表示将右侧计算得到的结果赋值给左侧，取代左侧原本的数值。
在一个实施例中，计算单元在执行步骤S220，即根据反应数据更新存储于存储单元的用户历史数据中的总表现情况时，具体用于执行如图4所示的步骤，即：
S310：根据反应数据确定用户对目标任务的表现情况。
其中，计算单元在执行步骤S310时，具体用于执行如图5所示的步骤，即：
S311：根据反应数据确定用户对目标任务的执行状况。
其中，执行状况包括用户在一致试次下的平均反应时和错误率，以及在矛盾试次下的平均反应时和错误率；
S312：根据认知的四阶段模型对执行状况进行用户认知过程分解，得到第一分解结果和第二分解结果。
其中，第一分解结果是指用户对试次序列中的每个一致试次的反应，第二分解结果是指用户对试次序列中的每个矛盾试次的反应，上述的用户对试次的反应为正确反应或错误反应，以及反应时间。
请参见图6，其中，AC表示选择联系激活路径的概率，D表示正确响应检测成功的概率，OB表示克服选择偏向的概率，G表示随机响应正性/中性事件的概率；则1-AC表示联系未激活路径的概率，1-D 表示正确响应未检测成功的概率，1-OB表示选择偏向克服失败的概率，1-G表示随机响应负性事件的概率。
其中，阶段之间转移分布假设符合指数分布，亦可采用其它分布假设。以刺激事件到联系激活与否阶段为例，以指数分布为假设，则有
Figure 189906DEST_PATH_IMAGE074
以及
Figure 714428DEST_PATH_IMAGE075
进而可以确定：
Figure 734337DEST_PATH_IMAGE076
S313：根据预设的分布假设分别对第一分解结果和第二分解结果进行极大似然估计，得到用户在一致试次下的阶段转移概率和分布假设参数，以及用户在矛盾试次下的阶段转移概率和分布假设参数。
预设的分布假设可以是指指数分布或是其它分布假设。
S314：将执行状况、用户在一致试次下的阶段转移概率和分布假设参数，以及用户在矛盾试次下的阶段转移概率和分布假设参数输入表现评估模型中，将表现评估模型输出的表现评分作为用户对目标任务的表现情况。
其中，表现评估模型可以使用诸如xgboost（eXtreme Gradient Boosting，极端梯度提升）、lightgbm（(Light Gradient Boosting Machine)）、逻辑回归（logisticregression）、多层感知机模型或深度学习模型等来实现。可以采集多个用户的用户历史数据来作为训练数据，并采用有监督学习来对表现评估模型进行训练。
S320：根据用户对目标任务的表现情况和总表现情况计算用户完成目标任务后的总表现情况。
S330：将存储于存储单元的用户历史数据中的总表现情况更新为用户完成目标任务后的总表现情况。
其中，可以基于以下公式计算用户完成目标任务后的总表现情况：
Figure 736928DEST_PATH_IMAGE077
其中，
Figure 525892DEST_PATH_IMAGE078
表示用户完成目标任务后的总表现情况，
Figure 955737DEST_PATH_IMAGE079
表示总表现情况，
Figure 197362DEST_PATH_IMAGE080
表示用户对目标任务的表现情况；
Figure 3644DEST_PATH_IMAGE081
表示前
Figure 912694DEST_PATH_IMAGE082
次的累加值在下一次求和时占 的比重。
本领域普通技术人员可以理解实现上述方法实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）、直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (12)

1.一种认知偏向矫正系统，其特征在于，所述系统包括存储单元、计算单元、显示单元和反应单元；
所述存储单元，用于存储认知偏向矫正的素材和用户历史数据；
所述计算单元，用于从所述存储单元中获取所述用户历史数据，根据所述用户历史数据确定目标任务的总试次数和难度值，根据所述目标任务的总试次数和难度值生成所述目标任务的试次序列，所述试次序列包含一致试次和矛盾试次，所述试次序列的试次数量等于所述总试次数，所述试次序列中一致试次的数量和矛盾试次的数量的比例值等于所述难度值，根据所述试次序列从所述存储单元获取对应的素材作为所述目标任务的任务素材，并将所述目标任务的任务素材发送至所述显示单元，使得所述显示单元向用户呈现所述目标任务的任务素材；以及用于接收所述反应单元收集的用户根据所述显示单元呈现的所述目标任务的任务素材进行操作的反应数据，根据所述反应数据、所述目标任务的总试次数和难度值更新存储于所述存储单元的用户历史数据。
2.如权利要求1所述的系统，其特征在于，所述计算单元在从所述存储单元中获取所述用户历史数据，根据所述用户历史数据确定目标任务的总试次数和难度值时，具体用于：
确定用户已完成的认知偏向矫正任务的数量；
根据所述数量判断所述目标任务为适应阶段中的任务或是优化阶段中的任务；
当所述目标任务为适应阶段中的任务时，获取所述目标任务的预设的总试次数和难度值；
当所述目标任务为优化阶段中的任务时，从所述存储单元中获取所述用户历史数据，根据所述用户历史数据确定所述目标任务的总试次数和难度值。
3.如权利要求1所述的系统，其特征在于，所述用户历史数据包括用户完成上一任务后的总表现情况和总使用频率、平均试次数和平均难度值，所述上一任务是指用户上一次完成的认知偏向矫正任务；所述计算单元在根据所述用户历史数据确定所述目标任务的总试次数和难度值时，具体用于：
确定所述目标任务的使用频率，根据所述目标任务的使用频率和所述总使用频率计算截止于所述目标任务的总使用频率；
根据所述总表现情况和截止于所述目标任务的总使用频率、所述平均试次数和平均难度值确定所述目标任务的总试次数和难度值。
4.如权利要求3所述的系统，其特征在于，所述计算单元在根据所述目标任务的使用频率和所述总使用频率计算截止于所述目标任务的总使用频率时，具体用于：
基于以下公式计算截止于所述目标任务的总使用频率；
Figure 409262DEST_PATH_IMAGE001
其中，
Figure 590845DEST_PATH_IMAGE002
表示所述总使用频率，
Figure 46097DEST_PATH_IMAGE003
表示截止于所述目标任务的总使用频率，
Figure 523083DEST_PATH_IMAGE004
表示所述目标任务的使用频率；
Figure 89194DEST_PATH_IMAGE005
表示前
Figure 125283DEST_PATH_IMAGE006
次的累加值在下一次求和时占的比重。
5.如权利要求4所述的系统，其特征在于，所述计算单元在根据所述总表现情况和截止于所述目标任务的总使用频率、所述平均试次数和平均难度值确定所述目标任务的总试次数和难度值时，具体用于：
基于以下公式确定所述目标任务的总试次数：
Figure 17016DEST_PATH_IMAGE007
基于以下公式确定所述目标任务的总难度值：
Figure 138555DEST_PATH_IMAGE008
其中，
Figure 305094DEST_PATH_IMAGE009
表示所述目标任务的总试次数；
Figure 195690DEST_PATH_IMAGE010
表示所述目标任务的难度值；
Figure 789482DEST_PATH_IMAGE011
表示所述总表现情况；
Figure 398318DEST_PATH_IMAGE012
表示截止于所述目标任务的总使用频率；
Figure 40652DEST_PATH_IMAGE013
表示所述平均试次数；
Figure 51334DEST_PATH_IMAGE014
表示所述平均难度值；
Figure 19290DEST_PATH_IMAGE015
和
Figure 115422DEST_PATH_IMAGE016
分别表示累加值的放大系数；
Figure 905654DEST_PATH_IMAGE017
表示参考累加值；
Figure 770842DEST_PATH_IMAGE018
表示控制奖励值和困难值的趋势；
Figure 909699DEST_PATH_IMAGE019
表示归一化函数；
Figure 24286DEST_PATH_IMAGE020
和
Figure 274002DEST_PATH_IMAGE021
均大于等于0。
6.如权利要求3所述的系统，其特征在于，所述计算单元在根据所述反应数据、所述目标任务的总试次数和难度值更新存储于所述存储单元的用户历史数据时，具体用于：
将存储于所述存储单元的用户历史数据中的总使用频率更新为所述截止于所述目标任务的总使用频率；
根据所述反应数据更新存储于所述存储单元的用户历史数据中的总表现情况；
根据所述目标任务的总试次数和难度值更新存储于所述存储单元的用户历史数据中的平均试次数和平均难度值。
7.如权利要求6所述的系统，其特征在于，所述计算单元在根据所述反应数据更新存储于所述存储单元的用户历史数据中的总表现情况时，具体用于：
根据所述反应数据确定用户对所述目标任务的表现情况；
根据用户对所述目标任务的表现情况和所述总表现情况计算用户完成所述目标任务后的总表现情况；
将存储于所述存储单元的用户历史数据中的总表现情况更新为所述用户完成所述目标任务后的总表现情况。
8.如权利要求7所述的系统，其特征在于，所述计算单元在根据所述反应数据确定用户对所述目标任务的表现情况，具体用于：
根据所述反应数据确定用户对所述目标任务的执行状况，所述执行状况包括用户在一致试次下的平均反应时和错误率，以及在矛盾试次下的平均反应时和错误率；
根据认知的四阶段模型对所述执行状况进行用户认知过程分解，得到第一分解结果和第二分解结果，所述第一分解结果是指用户对所述试次序列中的每个一致试次的反应，所述第二分解结果是指用户对所述试次序列中的每个矛盾试次的反应，所述反应为正确反应或错误反应，以及反应时间；
根据预设的分布假设分别对所述第一分解结果和所述第二分解结果进行极大似然估计，得到用户在一致试次下的阶段转移概率和分布假设参数，以及用户在矛盾试次下的阶段转移概率和分布假设参数；
将所述执行状况、所述用户在一致试次下的阶段转移概率和分布假设参数，以及所述用户在矛盾试次下的阶段转移概率和分布假设参数输入表现评估模型中，将所述表现评估模型输出的表现评分作为用户对所述目标任务的表现情况。
9.如权利要求7所述的系统，其特征在于，所述计算单元在根据用户对所述目标任务的表现情况和所述总表现情况计算用户完成所述目标任务后的总表现情况时，具体用于：
基于以下公式计算用户完成所述目标任务后的总表现情况；
Figure 56013DEST_PATH_IMAGE022
其中，
Figure 365771DEST_PATH_IMAGE023
表示用户完成所述目标任务后的总表现情况，
Figure 905337DEST_PATH_IMAGE024
表示所述总表现情况，
Figure 4749DEST_PATH_IMAGE025
表示用户对所述目标任务的表现情况；
Figure 578950DEST_PATH_IMAGE026
表示前
Figure 59610DEST_PATH_IMAGE027
次的累加值在下一次求和时占的比重。
10.如权利要求6所述的系统，其特征在于，所述计算单元在根据所述目标任务的总试次数和难度值更新存储于所述存储单元的用户历史数据中的平均试次数和平均难度值时，具体用于：
根据所述目标任务的总试次数更新存储于所述存储单元的用户历史数据中的平均试次数；
根据所述目标任务的难度值存储于所述存储单元的用户历史数据中的平均难度值。
11.如权利要求10所述的系统，其特征在于，所述计算单元在根据所述目标任务的总试次数更新存储于所述存储单元的用户历史数据中的平均试次数时，具体用于：
基于以下公式更新存储于所述存储单元的用户历史数据中的平均试次数：
Figure 414368DEST_PATH_IMAGE028
其中，公式右侧的
Figure 740307DEST_PATH_IMAGE029
表示所述平均试次数；
Figure 700173DEST_PATH_IMAGE030
表示所述目标任务的总试次数；
Figure 148471DEST_PATH_IMAGE031
表示将右侧计算得到的结果赋值给左侧，取代左侧原本的数值；
所述根据所述目标任务的难度值存储于所述存储单元的用户历史数据中的平均难度值，包括：
基于以下公式更新存储于所述存储单元的用户历史数据中的平均难度值：
Figure 662629DEST_PATH_IMAGE032
其中，公式右侧的
Figure 57839DEST_PATH_IMAGE033
表示所述平均难度值；
Figure 668949DEST_PATH_IMAGE034
表示所述目标任务的难度值；
Figure 225832DEST_PATH_IMAGE035
表示将右侧计算得到的结果赋值给左侧，取代左侧原本的数值。
12.如权利要求1所述的系统，其特征在于，所述显示单元是用于以用户能够识别的方式呈现接收到的任务素材的设备；
所述反应单元是用于收集用户根据显示单元呈现的任务素材所做出的操作反应的设备；所述操作反应包括按键反应、触屏滑动和语音应答中的至少一项。
CN202210296539.0A 2022-03-24 2022-03-24 认知偏向矫正系统 Active CN114417238B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210296539.0A CN114417238B (zh) 2022-03-24 2022-03-24 认知偏向矫正系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210296539.0A CN114417238B (zh) 2022-03-24 2022-03-24 认知偏向矫正系统

Publications (2)

Publication Number Publication Date
CN114417238A true CN114417238A (zh) 2022-04-29
CN114417238B CN114417238B (zh) 2022-06-10

Family

ID=81263214

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210296539.0A Active CN114417238B (zh) 2022-03-24 2022-03-24 认知偏向矫正系统

Country Status (1)

Country Link
CN (1) CN114417238B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440513A (zh) * 2013-09-17 2013-12-11 西安电子科技大学 基于稀疏非负张量分解的大脑特定视觉认知状态判定方法
CN107909117A (zh) * 2017-09-26 2018-04-13 电子科技大学 一种基于脑功能网络特征对早晚期轻度认知障碍的分类方法及装置
CN111613296A (zh) * 2020-05-07 2020-09-01 北京大学第六医院 一种评估在线认知行为疗法治疗效果的装置及使用方法
CN113643796A (zh) * 2021-10-12 2021-11-12 北京智精灵科技有限公司 一种用于认知矫正训练的人机交互方法及系统
WO2022039067A1 (ja) * 2020-08-20 2022-02-24 株式会社村田製作所 認知能力検出装置、および、認知能力検出方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440513A (zh) * 2013-09-17 2013-12-11 西安电子科技大学 基于稀疏非负张量分解的大脑特定视觉认知状态判定方法
CN107909117A (zh) * 2017-09-26 2018-04-13 电子科技大学 一种基于脑功能网络特征对早晚期轻度认知障碍的分类方法及装置
CN111613296A (zh) * 2020-05-07 2020-09-01 北京大学第六医院 一种评估在线认知行为疗法治疗效果的装置及使用方法
WO2022039067A1 (ja) * 2020-08-20 2022-02-24 株式会社村田製作所 認知能力検出装置、および、認知能力検出方法
CN113643796A (zh) * 2021-10-12 2021-11-12 北京智精灵科技有限公司 一种用于认知矫正训练的人机交互方法及系统

Also Published As

Publication number Publication date
CN114417238B (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
Urai et al. Choice history biases subsequent evidence accumulation
Mattar et al. Planning in the brain
Gonzalez et al. Instance‐based learning in dynamic decision making
Camerer et al. Behavioural game theory: thinking, learning and teaching
Thompson et al. Intuition, reason, and metacognition
Conroy et al. Quantitative conservation of vertebrates
Schooler et al. A Bayesian model for implicit effects in perceptual identification.
Payne et al. Giving up problem solving
Ben-Bassat et al. Knowledge requirements and management in expert decision support systems for (military) situation assessment
Ball et al. Proactive control processes in event-based prospective memory: Evidence from intraindividual variability and ex-Gaussian analyses.
US8762177B2 (en) Systems and methods for identifying patient preferences with respect to medical treatment attributes
Toet et al. Effects of personal characteristics on susceptibility to decision bias: a literature study
Salet et al. FMTP: A unifying computational framework of temporal preparation across time scales.
Battigalli et al. Ambiguity attitudes and self-confirming equilibrium in sequential games
Hagmayer et al. Repeated causal decision making.
US10409952B2 (en) Knowledge-based personal intelligent health consulting system
Ruh et al. Action selection in complex routinized sequential behaviors.
Sela et al. Evolutionary perspectives on personality and individual differences
Cruz et al. Pay-as-you-go multi-user feedback model for ontology matching
Cooper et al. Framing matters: Effects of framing on older adults’ exploratory decision-making.
Calder-Travis et al. Bayesian confidence in optimal decisions
Cincotta The age-structural theory of state behavior
Van Manen et al. In search of patIent characterIstIcs that may guIde empIrIcally based treatment selectIon for personalIty dIsorder patIents—a concept map approach
CN114417238B (zh) 认知偏向矫正系统
AU2024204375A1 (en) Methods and systems for generating behavioral insights using survey instruments and diabetes treatment information

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20220712

Address after: 610045 room 2003, floor 2, building 1, No. 3, Wuke East Third Road, Wuhou e-commerce industry functional zone management committee, Wuhou District, Chengdu, Sichuan Province

Patentee after: Sichuan Wangli Medical Technology Co.,Ltd.

Address before: Room 2305, 23rd floor, building 8, No. 25 (phase III), ganluyuan Nanli, Chaoyang District, Beijing 100020

Patentee before: ADAI TECHNOLOGY (BEIJING) Co.,Ltd.

TR01 Transfer of patent right
CB03 Change of inventor or designer information

Inventor after: Li Dai

Inventor after: Bai Dexiang

Inventor after: Li Yuanhui

Inventor after: Zhang Tianjiao

Inventor after: Zhang Liqun

Inventor before: Li Dai

Inventor before: Bai Dexiang

Inventor before: Liu Xiang

Inventor before: Li Yuanhui

Inventor before: Zhang Tianjiao

Inventor before: Zhang Liqun

CB03 Change of inventor or designer information