注意力熵與配置相變：從分心到超聚焦
英文題名： Attention Entropy and Allocation Phase Transitions: From Distractibility to Hyperfocus系列： ADHD 動態配置與認知拓撲系列，第 4 篇版本： v0.1日期： 2026-08-16作者： Neo.K（許筌崴）協作： GPT-5.6 Sol文件性質： 理論建模／認知科學命題／研究綱領文獻檢索截點： 2026-08-16
0. 醫學、數學與證據邊界聲明
本文不是臨床研究、診斷工具、治療指南、藥理研究或醫療建議。
本文提出的「注意力熵」「配置相變」「配置鎖定」「脫離障礙」「狀態駐留時間」等概念均屬待驗證理論命題，不代表已被醫學界確認的 ADHD 病理機制。
原作者並非醫學、精神醫學、神經科學或臨床心理專業研究者。本文不提供新的臨床、人體、神經影像、藥理或心理實驗數據；所有實證性背景均來自公開同行評審研究。
本文中的 entropy 是對候選事件之資源配置分布所定義的 Shannon entropy 型數學量：
H Π = − ∑ i p i log p i . \mathcal H_{\Pi}
=
-\sum_i p_i\log p_i. H Π = − i ∑ p i log p i . 本文不主張：
H Π = EEG entropy , \mathcal H_{\Pi}
=
\text{EEG entropy}, H Π = EEG entropy , 不主張：
H Π = thermodynamic entropy , \mathcal H_{\Pi}
=
\text{thermodynamic entropy}, H Π = thermodynamic entropy , 也不主張人腦正在直接計算 Shannon entropy。
本文中的「相變」只表示候選動態系統在控制參數改變時可能發生非線性狀態轉換，例如由分散配置轉為穩定聚焦或配置鎖定。它不是對真實神經系統存在熱力學相變的宣稱。
本文不以原作者個人經驗作為一般化證據，不應用於自行診斷、治療、停藥、調藥或其他醫療決策。
核心限制：
mathematical analogy ≠ established biological identity . \boxed{
\text{mathematical analogy}
\neq
\text{established biological identity}.
} mathematical analogy = established biological identity . 摘要
ADHD 常被描述為注意力不足，但與之並存的一項長期現象是：部分 ADHD 個體報告可以在某些高興趣、高刺激或高投入活動中出現長時間、難以中止的高度集中狀態，通常被稱為 hyperfocus。這形成表面矛盾：
distractibility 與 hyperfocus \text{distractibility}
\quad\text{與}\quad
\text{hyperfocus} distractibility 與 hyperfocus 如何可能同時存在？
近年研究使 hyperfocus 從主要依靠軼事描述逐步走向可量化構念。2024 年 Scientific Reports 對 12 題 Dispositional Adult Hyperfocus Questionnaire（AHQ-D）進行驗證，在 347 名成人中得到良好內部一致性與單因子結構，且 hyperfocus 分數與 ADHD traits 呈中度正相關。然而該研究並未以平衡臨床 ADHD cohort 為主要設計，且文獻中亦有臨床配對研究未發現 ADHD 與控制組在 hyperfocus occurrence、frequency、duration 或 pervasiveness 上存在差異，因此 hyperfocus 不能被視為 ADHD 專屬現象。2026 年 Journal of Affective Disorders Reports 的成人 ADHD 研究進一步發現 cognitive-affective switching、emotion reactivity 與 dispositional hyperfocus 之間存在關聯，提示 hyperfocus 可能涉及 disengagement、情緒調節與「hot」executive function，而不只是「注意量很多」。
另一方面，2026 年 Current Psychology 對 627 名 emerging adults 的研究發現 spontaneous mind wandering 與 ADHD 的 inattention、hyperactivity／impulsivity 都有關，deliberate mind wandering 也與部分 ADHD 維度相關。2026 年 Journal of Neuroscience 的成人 ADHD EEG 研究則顯示 wakefulness 中的 sleep-like slow waves 可解釋部分 sustained-attention performance 差異，支持注意失誤可能具有狀態性與時間性，而不是固定平均能力不足。
基於上述背景，本文提出「Attention Entropy and Phase Transition Hypothesis, AEPTH」。本文把有限認知資源對候選事件的配置正規化為：
p i ( t ) = Π t ( e i ) ∑ j Π t ( e j ) , p_i(t)
=
\frac{
\Pi_t(e_i)
}{
\sum_j\Pi_t(e_j)
}, p i ( t ) = ∑ j Π t ( e j ) Π t ( e i ) , 並定義配置熵：
H Π ( t ) = − ∑ i p i ( t ) log p i ( t ) . \mathcal H_{\Pi}(t)
=
-\sum_i p_i(t)\log p_i(t). H Π ( t ) = − i ∑ p i ( t ) log p i ( t ) . 高配置熵代表資源較分散，低配置熵代表資源集中。然而高熵不等於 distractibility，低熵也不等於 hyperfocus。本文另外引入 dominance、dwell time、switching rate 與 disengagement barrier，提出 hyperfocus 的候選狀態至少需要：
high concentration + long dwell + high disengagement cost , \text{high concentration}
+
\text{long dwell}
+
\text{high disengagement cost}, high concentration + long dwell + high disengagement cost , 而非單純：
H Π ↓ . \mathcal H_{\Pi}\downarrow. H Π ↓ . 本文進一步提出：分心與 hyperfocus 可以是同一配置系統在不同控制參數下形成的不同動態 regime，而不是兩個互相排斥的能力。這個模型可由多任務、experience sampling、眼動、反應時間、EEG／fMRI 與狀態轉移資料直接檢驗，也可被 out-of-sample prediction 否決。
關鍵詞： ADHD、hyperfocus、注意力熵、配置動力學、mind wandering、attention lapses、state transition、dwell time、disengagement、executive function
1. 表面矛盾：為什麼「容易分心」可以和「極度集中」並存？
若採單一標量模型：
A = attention capacity , A
=
\text{attention capacity}, A = attention capacity , 則容易得到：
A ↓ ⇒ distractibility , A\downarrow
\Rightarrow
\text{distractibility}, A ↓⇒ distractibility , 而：
A ↑ ⇒ deep focus . A\uparrow
\Rightarrow
\text{deep focus}. A ↑⇒ deep focus . 在這種模型中：
distractibility + hyperfocus \text{distractibility}
+
\text{hyperfocus} distractibility + hyperfocus 看起來接近矛盾。
但第 3 篇已將注意展開為：
S t → A t → Π t → O t → U t → G t . S_t
\rightarrow
A_t
\rightarrow
\Pi_t
\rightarrow
O_t
\rightarrow
U_t
\rightarrow
G_t. S t → A t → Π t → O t → U t → G t . 一旦配置：
Π t \Pi_t Π t 本身是時間變量，問題就不再是「注意力有多少」，而是：
資源在候選事件之間如何分布、維持、轉移與脫離？
因此：
distractibility ⇎ low total cognitive capacity . \boxed{
\text{distractibility}
\not\Leftrightarrow
\text{low total cognitive capacity}.
} distractibility ⇔ low total cognitive capacity . 以及：
hyperfocus ⇎ high global cognitive capacity . \boxed{
\text{hyperfocus}
\not\Leftrightarrow
\text{high global cognitive capacity}.
} hyperfocus ⇔ high global cognitive capacity . 兩者都可能是配置動力學的局部狀態。
2. Hyperfocus 的研究地位：已可量化，但尚非 ADHD 專屬核心症狀
Hyperfocus 在日常 ADHD 敘述中非常常見，但研究歷史相對較短。
2024 年 Hupfeld 等人驗證 AHQ-D，將 hyperfocus 操作化為一種高度、強烈的任務集中狀態，可能伴隨：
時間感降低；
對外界注意下降；
忽略個人需求；
難以停止；
難以切換；
高度沉浸；
卡在局部細節。
其 347 名成人樣本中，AHQ-D 具有：
α = 0.93 \alpha=0.93 α = 0.93 的 Cronbach internal consistency，並與 CAARS ADHD trait scores 呈：
r = 0.53 r=0.53 r = 0.53 的相關。
但這只能支持：
HF tendency ↔ ADHD traits \text{HF tendency}
\leftrightarrow
\text{ADHD traits} HF tendency ↔ ADHD traits 存在關聯。
不能推出：
HF = ADHD-specific symptom . \text{HF}
=
\text{ADHD-specific symptom}. HF = ADHD-specific symptom . 該研究本身也指出，既有一項臨床配對研究未發現 ADHD 與控制組在 hyperfocus occurrence、frequency、duration 或 pervasiveness 上有差異。
因此本文採取：
hyperfocus is an associated construct, not an assumed defining property of ADHD . \boxed{
\text{hyperfocus is an associated construct,
not an assumed defining property of ADHD}.
} hyperfocus is an associated construct, not an assumed defining property of ADHD . 3. Hyperfocus 不等於 Flow
2024 AHQ-D validation 顯示：
Corr ( H F , F l o w ) = 0.12. \operatorname{Corr}
\left(
HF,
Flow
\right)
=
0.12. Corr ( H F , F l o w ) = 0.12. 這是一個弱正相關。
因此 hyperfocus 與 flow 不宜直接互換。
本文暫時區分：
Flow = high engagement with relatively adaptive task coupling , \text{Flow}
=
\text{high engagement with relatively adaptive task coupling}, Flow = high engagement with relatively adaptive task coupling , 而：
Hyperfocus candidate = high concentration with impaired disengagement or competing-demand suppression . \text{Hyperfocus candidate}
=
\text{high concentration with impaired disengagement or competing-demand suppression}. Hyperfocus candidate = high concentration with impaired disengagement or competing-demand suppression . 這個分離不是正式臨床定義，而是理論操作化。
如果未來研究顯示兩者在行為、生理與自我報告上幾乎完全重疊，則此分離應被弱化。
4. Hyperfocus 也不等於 Perseverance
同一 2024 研究中：
Corr ( H F , G r i t ) = − 0.29. \operatorname{Corr}
\left(
HF,
Grit
\right)
=
-0.29. Corr ( H F , G r i t ) = − 0.29. 因此 hyperfocus 並不等於長期目標堅持。
一個人可以長時間卡在某活動：
t dwell ↑ t_{\text{dwell}}\uparrow t dwell ↑ 但：
long-term goal alignment \text{long-term goal alignment} long-term goal alignment 並不一定提高。
所以：
long dwell ≠ strategic persistence . \boxed{
\text{long dwell}
\neq
\text{strategic persistence}.
} long dwell = strategic persistence . 5. Hyperfocus 與情緒機制
2026 年 Samson 等人比較：
N ADHD = 48 N_{\text{ADHD}}=48 N ADHD = 48 與：
N control = 48 N_{\text{control}}=48 N control = 48 名成人。
ADHD 組由 cognitive task 切換至 affective stimuli 的速度較慢；在 ADHD 組內，emotion reactivity 與 cognitive-affective switching、dispositional hyperfocus 之間存在關聯，且 emotion reactivity 在部分 switching–hyperfocus 關係中呈完全中介。
這提示：
HF ≠ pure attentional concentration alone . \boxed{
\text{HF}
\neq
\text{pure attentional concentration alone}.
} HF = pure attentional concentration alone . 至少某些 hyperfocus experience 可能涉及：
attention + affect + disengagement + regulation . \text{attention}
+
\text{affect}
+
\text{disengagement}
+
\text{regulation}. attention + affect + disengagement + regulation . 本文因此不會把 hyperfocus 只建模成：
H Π ↓ . \mathcal H_{\Pi}\downarrow. H Π ↓ . 6. Mind wandering：另一種配置轉移
2026 年 Arabacı 與 Parris 在 627 名 18–29 歲 emerging adults 中研究 daily-life mind wandering。
研究發現 spontaneous mind wandering 與：
inattention；
hyperactivity；
impulsivity；
均有關。
deliberate mind wandering 也與 inattention 與 hyperactivity／impulsivity 的部分量表構念相關。
重要的是：
mind wandering \text{mind wandering} mind wandering 本身具有：
spontaneous \text{spontaneous} spontaneous 與：
deliberate \text{deliberate} deliberate 兩種不同成分。
因此本文不把：
mind wandering = distractibility . \text{mind wandering}
=
\text{distractibility}. mind wandering = distractibility . 更合理的形式是：
task allocation → internally generated allocation \text{task allocation}
\rightarrow
\text{internally generated allocation} task allocation → internally generated allocation 的一類狀態轉移。
7. 分心不等於高熵
設配置分布：
p t = ( p 1 ( t ) , p 2 ( t ) , … , p n ( t ) ) . \mathbf p_t
=
\left(
p_1(t),p_2(t),\ldots,p_n(t)
\right). p t = ( p 1 ( t ) , p 2 ( t ) , … , p n ( t ) ) . 高熵：
H Π ( t ) ↑ \mathcal H_{\Pi}(t)\uparrow H Π ( t ) ↑ 表示配置較平均分散。
但這不一定是分心。
例如 brainstorming 任務中：
H Π ↑ \mathcal H_{\Pi}\uparrow H Π ↑ 可能是理想狀態。
相反地，若資源高度集中在錯誤 distractor：
p distractor → 1 , p_{\text{distractor}}\rightarrow1, p distractor → 1 , 則：
H Π ↓ , \mathcal H_{\Pi}\downarrow, H Π ↓ , 但主體仍然是「對目標任務而言分心」。
所以：
distractibility ≠ high entropy . \boxed{
\text{distractibility}
\neq
\text{high entropy}.
} distractibility = high entropy . 分心必須相對於目標定義。
8. 目標相對配置
令目標事件集合：
G t ⊆ E t . \mathcal G_t
\subseteq
\mathcal E_t. G t ⊆ E t . 定義目標配置率：
R G ( t ) = ∑ e i ∈ G t p i ( t ) . R_G(t)
=
\sum_{e_i\in\mathcal G_t}
p_i(t). R G ( t ) = e i ∈ G t ∑ p i ( t ) . 定義非目標配置率：
R ¬ G ( t ) = 1 − R G ( t ) . R_{\neg G}(t)
=
1-R_G(t). R ¬ G ( t ) = 1 − R G ( t ) . 則 task-relative distractibility 可候選表示為：
D task ( t ) = R ¬ G ( t ) . D_{\text{task}}(t)
=
R_{\neg G}(t). D task ( t ) = R ¬ G ( t ) . 因此：
H Π \mathcal H_{\Pi} H Π 與：
D task D_{\text{task}} D task 是不同量。
可能存在：
H Π ↓ , D task ↑ , \mathcal H_{\Pi}\downarrow,
\qquad
D_{\text{task}}\uparrow, H Π ↓ , D task ↑ , 表示資源高度集中在非目標事件。
9. 配置熵
正規化：
p i ( t ) = Π t ( e i ) ∑ j = 1 n Π t ( e j ) . p_i(t)
=
\frac{
\Pi_t(e_i)
}{
\sum_{j=1}^{n}\Pi_t(e_j)
}. p i ( t ) = ∑ j = 1 n Π t ( e j ) Π t ( e i ) . 定義 Shannon allocation entropy：
H Π ( t ) = − ∑ i = 1 n p i ( t ) log p i ( t ) . \mathcal H_{\Pi}(t)
=
-\sum_{i=1}^{n}
p_i(t)\log p_i(t). H Π ( t ) = − i = 1 ∑ n p i ( t ) log p i ( t ) . 最大值：
H max = log n . \mathcal H_{\max}
=
\log n. H m a x = log n . 定義正規化配置熵：
H ^ Π ( t ) = H Π ( t ) log n . \widehat{\mathcal H}_{\Pi}(t)
=
\frac{
\mathcal H_{\Pi}(t)
}{
\log n
}. H Π ( t ) = log n H Π ( t ) . 因此：
0 ≤ H ^ Π ≤ 1. 0
\leq
\widehat{\mathcal H}_{\Pi}
\leq
1. 0 ≤ H Π ≤ 1. 其中：
H ^ Π → 0 \widehat{\mathcal H}_{\Pi}\rightarrow0 H Π → 0 表示高度集中；
H ^ Π → 1 \widehat{\mathcal H}_{\Pi}\rightarrow1 H Π → 1 表示高度分散。
10. 集中度
定義：
C Π ( t ) = 1 − H ^ Π ( t ) . C_{\Pi}(t)
=
1-
\widehat{\mathcal H}_{\Pi}(t). C Π ( t ) = 1 − H Π ( t ) . 所以：
C Π → 1 C_{\Pi}\rightarrow1 C Π → 1 代表高集中。
但：
C Π ↑ C_{\Pi}\uparrow C Π ↑ 仍然不等於 hyperfocus。
因為一次短暫高集中：
Δ t ≪ 1 \Delta t\ll1 Δ t ≪ 1 不是 hyperfocus。
因此必須加入時間維度。
11. Dominance
定義最強配置：
L t = max i p i ( t ) . L_t
=
\max_i p_i(t). L t = i max p i ( t ) . 若：
L t ≈ 1 , L_t\approx1, L t ≈ 1 , 某一候選事件近乎壟斷當下配置。
但：
L t L_t L t 只描述瞬時 dominance。
Hyperfocus 還需要：
duration . \text{duration}. duration . 12. Dwell Time
令：
e ∗ = arg max i p i ( t ) . e^{*}
=
\arg\max_i p_i(t). e ∗ = arg i max p i ( t ) . 若 e ∗ e^{*} e ∗
T dwell ( e ∗ ) = t exit − t entry . T_{\text{dwell}}(e^{*})
=
t_{\text{exit}}-t_{\text{entry}}. T dwell ( e ∗ ) = t exit − t entry . 因此：
L t ↑ L_t\uparrow L t ↑ 與：
T dwell ↑ T_{\text{dwell}}\uparrow T dwell ↑ 是兩個不同特徵。
高效短期專注可能是：
L t ↑ , T dwell moderate . L_t\uparrow,
\qquad
T_{\text{dwell}}\text{ moderate}. L t ↑ , T dwell moderate . 長時間鎖定則可能：
L t ↑ , T dwell ↑ . L_t\uparrow,
\qquad
T_{\text{dwell}}\uparrow. L t ↑ , T dwell ↑ . 13. Switching Rate
定義當前 dominant state：
z t = arg max i p i ( t ) . z_t
=
\arg\max_i p_i(t). z t = arg i max p i ( t ) . 在窗口：
[ t 0 , t 1 ] [t_0,t_1] [ t 0 , t 1 ] 內，定義 switching rate：
ν switch = N switch t 1 − t 0 . \nu_{\text{switch}}
=
\frac{
N_{\text{switch}}
}{
t_1-t_0
}. ν switch = t 1 − t 0 N switch . 高：
ν switch \nu_{\text{switch}} ν switch 可能代表高狀態切換。
但它仍不必然是病理。
探索型任務本身可能需要高切換率。
14. Disengagement Barrier
Hyperfocus 最重要的特徵之一可能不是「進入得多深」，而是：
要離開有多難？
定義 dominant event：
e ∗ . e^{*}. e ∗ . 令：
B exit ( e ∗ → e j ) B_{\text{exit}}
\left(
e^{*}\rightarrow e_j
\right) B exit ( e ∗ → e j ) 表示將配置從 e ∗ e^{*} e ∗ e j e_j e j
可以把平均脫離障礙寫成：
B ‾ exit = E j [ B exit ( e ∗ → e j ) ] . \overline B_{\text{exit}}
=
\mathbb E_j
\left[
B_{\text{exit}}
\left(
e^{*}\rightarrow e_j
\right)
\right]. B exit = E j [ B exit ( e ∗ → e j ) ] . 因此：
deep focus ≠ high disengagement barrier . \boxed{
\text{deep focus}
\neq
\text{high disengagement barrier}.
} deep focus = high disengagement barrier . 這一變量可能比「集中度」更接近 hyperfocus 的功能困難。
15. Hyperfocus 的候選操作定義
本文不定義臨床 hyperfocus。
只提出研究用 candidate state：
H F t = I [ C Π ( t ) ≥ c ∗ ] ⋅ I [ T dwell ≥ T ∗ ] ⋅ I [ B ‾ exit ≥ B ∗ ] . HF_t
=
\mathbb I
\left[
C_{\Pi}(t)\geq c^{*}
\right]
\cdot
\mathbb I
\left[
T_{\text{dwell}}\geq T^{*}
\right]
\cdot
\mathbb I
\left[
\overline B_{\text{exit}}\geq B^{*}
\right]. H F t = I [ C Π ( t ) ≥ c ∗ ] ⋅ I [ T dwell ≥ T ∗ ] ⋅ I [ B exit ≥ B ∗ ] . 亦即：
H F = high concentration + long dwell + high disengagement cost . \boxed{
HF
=
\text{high concentration}
+
\text{long dwell}
+
\text{high disengagement cost}.
} H F = high concentration + long dwell + high disengagement cost . 若需要加入 functional displacement，可再定義：
F disp = ∑ e j ∈ G competing w j [ 1 − p j ] . F_{\text{disp}}
=
\sum_{e_j\in\mathcal G_{\text{competing}}}
w_j
\left[
1-p_j
\right]. F disp = e j ∈ G competing ∑ w j [ 1 − p j ] . 因此 hyperfocus 的負面功能面可能與：
F disp ↑ F_{\text{disp}}\uparrow F disp ↑ 有關。
16. Hyperfocus 不一定是低熵病理狀態
假設一名研究者進入高度專注狀態：
H ^ Π ↓ . \widehat{\mathcal H}_{\Pi}\downarrow. H Π ↓ . 如果：
e ∗ ∈ G t , e^{*}
\in
\mathcal G_t, e ∗ ∈ G t , 而：
B ‾ exit \overline B_{\text{exit}} B exit 仍適中，則這可能是高效專注。
相反地，如果：
e ∗ ∉ G t e^{*}
\notin
\mathcal G_t e ∗ ∈ / G t 或：
B ‾ exit ≫ 0 , \overline B_{\text{exit}}\gg0, B exit ≫ 0 , 並造成 competing obligations 被排除，才可能接近 maladaptive lock-in。
所以：
low entropy ≠ pathology . \boxed{
\text{low entropy}
\neq
\text{pathology}.
} low entropy = pathology . 17. 三個最小動態 regime
本文提出三個簡化 regime。
17.1 Dispersed regime
H ^ Π ↑ , \widehat{\mathcal H}_{\Pi}\uparrow, H Π ↑ , ν switch ↑ . \nu_{\text{switch}}\uparrow. ν switch ↑ . 多候選同時競爭，dominance 不穩定。
17.2 Adaptive focused regime
H ^ Π ↓ , \widehat{\mathcal H}_{\Pi}\downarrow, H Π ↓ , L t ↑ , L_t\uparrow, L t ↑ , 但：
B ‾ exit \overline B_{\text{exit}} B exit 維持可控。
主體可以深度處理，同時保留必要切換能力。
17.3 Locked regime
H ^ Π ↓ , \widehat{\mathcal H}_{\Pi}\downarrow, H Π ↓ , L t ↑ , L_t\uparrow, L t ↑ , T dwell ↑ , T_{\text{dwell}}\uparrow, T dwell ↑ , B ‾ exit ↑ . \overline B_{\text{exit}}\uparrow. B exit ↑ . 這是 hyperfocus-like lock-in 的候選狀態。
這三類只是分析工具，不是臨床 subtype。
18. 為什麼要使用「相變」語言？
若配置分數：
s t ( e ) s_t(e) s t ( e ) 由第 3 篇定義為：
s t ( e ) = α t S t ( e ) + β t G t ( e ) + γ t N t ( e ) + δ t H t ( e ) + ζ t Q t ( e ) − λ t C t ( e ) − κ t K t ( e ) , s_t(e)
=
\alpha_tS_t(e)
+
\beta_tG_t(e)
+
\gamma_tN_t(e)
+
\delta_tH_t(e)
+
\zeta_tQ_t(e)
-
\lambda_tC_t(e)
-
\kappa_tK_t(e), s t ( e ) = α t S t ( e ) + β t G t ( e ) + γ t N t ( e ) + δ t H t ( e ) + ζ t Q t ( e ) − λ t C t ( e ) − κ t K t ( e ) , 則：
Π t ( e i ) = R t max e s t ( e i ) / τ t ∑ j e s t ( e j ) / τ t . \Pi_t(e_i)
=
R_t^{\max}
\frac{
e^{s_t(e_i)/\tau_t}
}{
\sum_j e^{s_t(e_j)/\tau_t}
}. Π t ( e i ) = R t m a x ∑ j e s t ( e j ) / τ t e s t ( e i ) / τ t . 當：
τ t \tau_t τ t 逐步降低時，配置可能由平坦分布迅速集中。
因此：
τ t \tau_t τ t 可作為候選 concentration-control parameter。
當某 dominant event 的分數超越競爭項時：
s t ( e ∗ ) − s t ( e j ) > Δ ∗ , s_t(e^{*})-s_t(e_j)
>
\Delta^{*}, s t ( e ∗ ) − s t ( e j ) > Δ ∗ , 系統可能產生快速集中。
本文把這種非線性 regime shift 稱為「配置相變」。
19. 這不是熱力學相變
本文明確不寫：
brain = thermodynamic phase transition system \text{brain}
=
\text{thermodynamic phase transition system} brain = thermodynamic phase transition system 作為既定事實。
「相變」只表示：
continuous parameter change → discontinuous-like behavioral regime change . \text{continuous parameter change}
\rightarrow
\text{discontinuous-like behavioral regime change}. continuous parameter change → discontinuous-like behavioral regime change . 若未來資料顯示配置狀態只平滑改變、沒有 metastability、hysteresis 或 threshold-like transitions，則「phase transition」語言應改為：
state transition . \text{state transition}. state transition . 20. Hysteresis 候選
若 hyperfocus-like lock-in 存在，可能出現：
進入該狀態的條件與離開該狀態的條件不同。
令：
θ enter \theta_{\text{enter}} θ enter 為進入鎖定的門檻，
θ exit \theta_{\text{exit}} θ exit 為離開門檻。
若：
θ enter ≠ θ exit , \theta_{\text{enter}}
\neq
\theta_{\text{exit}}, θ enter = θ exit , 則存在 hysteresis-like behavior。
例如：
interest \text{interest} interest 下降到原本進入門檻以下，主體仍可能持續停留。
這是非常強的可證偽預測。
21. Reward 與鎖定
第 2 篇提出 reward valuation：
R t ( e ) R_t(e) R t ( e ) 可被 neuromodulation 調節。
若：
R t ( e ∗ ) ↑ , R_t(e^{*})\uparrow, R t ( e ∗ ) ↑ , 則：
s t ( e ∗ ) ↑ . s_t(e^{*})\uparrow. s t ( e ∗ ) ↑ . 如果同時：
K t ( e ∗ → e j ) ↑ , K_t
\left(
e^{*}\rightarrow e_j
\right)
\uparrow, K t ( e ∗ → e j ) ↑ , 則：
entry probability ↑ \text{entry probability}
\uparrow entry probability ↑ 以及：
exit probability ↓ . \text{exit probability}
\downarrow. exit probability ↓ . 這形成：
reward-driven entry + switch-cost-driven persistence . \boxed{
\text{reward-driven entry}
+
\text{switch-cost-driven persistence}.
} reward-driven entry + switch-cost-driven persistence . 這只是 hyperfocus 的候選機制之一。
22. Interest-based attention 不是完整模型
ADHD 常被口語描述成「interest-based nervous system」。
本文不採取這種強結論。
因為：
interest \text{interest} interest 只能對應候選模型中的一部分：
R , N , G , Q . R,
N,
G,
Q. R , N , G , Q . Hyperfocus 還可能受到：
emotion reactivity；
negative reinforcement；
avoidance；
habit；
switching cost；
task structure；
social context；
影響。
2026 cognitive-affective flexibility 研究正好提示 affective processes 可能參與 hyperfocus。
因此：
interest ≠ complete hyperfocus mechanism . \boxed{
\text{interest}
\neq
\text{complete hyperfocus mechanism}.
} interest = complete hyperfocus mechanism . 23. Hyperfocus 可能具有多種路徑
本文提出至少四個候選路徑。
23.1 Reward lock
R ( e ∗ ) ↑ → L t ↑ . R(e^{*})\uparrow
\rightarrow
L_t\uparrow. R ( e ∗ ) ↑→ L t ↑ . 23.2 Novelty lock
N ( e ∗ ) ↑ → L t ↑ . N(e^{*})\uparrow
\rightarrow
L_t\uparrow. N ( e ∗ ) ↑→ L t ↑ . 23.3 Avoidance lock
某活動降低負面情緒：
E negative ↓ E_{\text{negative}}\downarrow E negative ↓ 而其他任務：
E negative ↑ , E_{\text{negative}}\uparrow, E negative ↑ , 因此停留於 e ∗ e^{*} e ∗
23.4 Completion lock
接近完成時：
Q ( e ∗ ) , G ( e ∗ ) ↑ , Q(e^{*}),
G(e^{*})
\uparrow, Q ( e ∗ ) , G ( e ∗ ) ↑ , 形成「再一下就完成」的持續鎖定。
這些路徑不必共享同一神經機制。
24. Mind wandering 與高熵的關係
Mind wandering 可以表示：
p internal ↑ p_{\text{internal}}
\uparrow p internal ↑ 相對於：
p task ↓ . p_{\text{task}}
\downarrow. p task ↓ . 但 spontaneous mind wandering 甚至可能高度集中在單一內在 thought stream。
此時：
H ^ Π \widehat{\mathcal H}_{\Pi} H Π 未必高。
所以：
mind wandering ≠ high entropy . \boxed{
\text{mind wandering}
\neq
\text{high entropy}.
} mind wandering = high entropy . 更精確的是：
task decoupling = R G ( t ) ↓ . \text{task decoupling}
=
R_G(t)\downarrow. task decoupling = R G ( t ) ↓ . 25. Attention Lapse 與局部狀態
2026 年 Pinggal 等人在成人 ADHD 與 neurotypical adults 中進行 sustained-attention task 與 EEG。
研究發現 ADHD 組在清醒狀態下有較高密度的 sleep-like slow waves，且 slow-wave density 可顯著解釋部分 ADHD-related attentional-performance difference。
這提供一個非常不同於「配置競爭」的可能路徑：
local arousal failure → attention lapse . \text{local arousal failure}
\rightarrow
\text{attention lapse}. local arousal failure → attention lapse . 因此：
same behavioral lapse ← multiple mechanisms . \boxed{
\text{same behavioral lapse}
\leftarrow
\text{multiple mechanisms}.
} same behavioral lapse ← multiple mechanisms . AEPTH 必須允許 arousal-collapse state，而不能把所有 lapse 都解釋為高配置熵。
26. 高熵、低熵與低資源是不同軸
如果：
R t max ↓ , R_t^{\max}\downarrow, R t m a x ↓ , 而分布比例：
p i p_i p i 不變，則：
H Π \mathcal H_{\Pi} H Π 可以完全不變。
所以：
resource quantity ≠ resource distribution . \boxed{
\text{resource quantity}
\neq
\text{resource distribution}.
} resource quantity = resource distribution . 因此需要二維甚至更高維狀態：
( R t max , H ^ Π , L t , ν switch , B exit ) . \left(
R_t^{\max},
\widehat{\mathcal H}_{\Pi},
L_t,
\nu_{\text{switch}},
B_{\text{exit}}
\right). ( R t m a x , H Π , L t , ν switch , B exit ) . 27. 配置狀態空間
本文定義：
X t = ( R t max , H ^ Π , L t , T dwell , ν switch , B ‾ exit , R G ) . \mathbf X_t
=
\left(
R_t^{\max},
\widehat{\mathcal H}_{\Pi},
L_t,
T_{\text{dwell}},
\nu_{\text{switch}},
\overline B_{\text{exit}},
R_G
\right). X t = ( R t m a x , H Π , L t , T dwell , ν switch , B exit , R G ) . 行為表型：
Y t = F ( X t , T t , E t ) . Y_t
=
F
\left(
\mathbf X_t,
T_t,
E_t
\right). Y t = F ( X t , T t , E t ) . 因此：
distractibility \text{distractibility} distractibility 與：
hyperfocus \text{hyperfocus} hyperfocus 只是：
X t \mathbf X_t X t 空間中的不同區域。
28. 從分心到超聚焦不是單一直線
錯誤模型：
distracted ⟶ normal ⟶ hyperfocused . \text{distracted}
\longrightarrow
\text{normal}
\longrightarrow
\text{hyperfocused}. distracted ⟶ normal ⟶ hyperfocused . 本文提出：
state space ≠ one-dimensional line . \boxed{
\text{state space}
\neq
\text{one-dimensional line}.
} state space = one-dimensional line . 例如：
高熵＋高切換；
低熵＋錯誤目標鎖定；
低資源＋低熵；
高資源＋高熵；
高集中＋低脫離障礙；
高集中＋高脫離障礙；
都可能產生不同主觀與行為表型。
29. Task Compatibility
令任務要求配置：
X T ∗ . \mathbf X_T^{*}. X T ∗ . 個體實際狀態：
X t . \mathbf X_t. X t . 定義 task mismatch：
M T ( t ) = d ( X t , X T ∗ ) . M_T(t)
=
d
\left(
\mathbf X_t,
\mathbf X_T^{*}
\right). M T ( t ) = d ( X t , X T ∗ ) . 則 performance 候選表示為：
P t = P max − λ M T ( t ) . P_t
=
P_{\max}
-
\lambda
M_T(t). P t = P m a x − λ M T ( t ) . 因此同一低熵狀態：
在深度寫作可能匹配；
在客服多任務可能不匹配；
在危機監控可能需要更高 breadth。
所以：
focus quality = state-task fit , \boxed{
\text{focus quality}
=
\text{state-task fit},
} focus quality = state-task fit , 而不是單純「越專心越好」。
30. ADHD 的候選核心可能是狀態調節，而不是固定狀態
本文不主張 ADHD 個體平均配置熵必然較高或較低。
更值得測試的是：
Var t [ H ^ Π ( t ) ] . \operatorname{Var}_t
\left[
\widehat{\mathcal H}_{\Pi}(t)
\right]. Var t [ H Π ( t ) ] . 以及：
P ( undesired transition ) . P
\left(
\text{undesired transition}
\right). P ( undesired transition ) . 因此最強候選不是：
E [ H ^ Π ] ≠ control , \mathbb E
\left[
\widehat{\mathcal H}_{\Pi}
\right]
\neq
\text{control}, E [ H Π ] = control , 而可能是：
state regulation ≠ control . \boxed{
\text{state regulation}
\neq
\text{control}.
} state regulation = control . 這與前幾篇的 dynamic configuration view 一致。
31. Hyperfocus 的益處與代價必須同時測
2024 AHQ-D validation 發現 hyperfocus scores 與：
Internet addiction \text{Internet addiction} Internet addiction 具有中度正相關：
r = 0.44 , r=0.44, r = 0.44 , 而與 creative achievement 只有弱正相關：
r ≈ 0.17. r\approx0.17. r ≈ 0.17. 這不能建立因果。
但它提醒研究者：
HF consequences ≠ uniformly positive . \boxed{
\text{HF consequences}
\neq
\text{uniformly positive}.
} HF consequences = uniformly positive . 也不等於：
uniformly negative . \boxed{
\text{uniformly negative}.
} uniformly negative . 因此未來研究必須同步測：
output；
accuracy；
opportunity cost；
health／sleep displacement；
social interruption；
task switching；
subjective satisfaction。
32. 功能性 Hyperfocus 指標
定義 productive output：
O prod . O_{\text{prod}}. O prod . 定義 displacement cost：
C disp . C_{\text{disp}}. C disp . 候選 net value：
V H F = O prod − C disp . V_{HF}
=
O_{\text{prod}}
-
C_{\text{disp}}. V H F = O prod − C disp . 因此：
V H F > 0 V_{HF}>0 V H F > 0 可視為當次 hyperfocus episode 功能上淨正向，
而：
V H F < 0 V_{HF}<0 V H F < 0 為淨負向。
這不是臨床判定，只是研究用 outcome function。
33. AEPTH 的九項核心命題
AE-H1：分心與 hyperfocus 非互斥命題
distractibility ⊥̸ hyperfocus . \text{distractibility}
\not\perp
\text{hyperfocus}. distractibility ⊥ hyperfocus . 兩者可以是同一動態系統的不同狀態。
AE-H2：低熵不足命題
H ^ Π ↓ \widehat{\mathcal H}_{\Pi}\downarrow H Π ↓ 本身不足以定義 hyperfocus。
Hyperfocus-like state 還需要 dwell 與 disengagement 指標。
AE-H3：目標相對命題
Distractibility 取決於：
R G ( t ) , R_G(t), R G ( t ) , 而不是單獨由 entropy 決定。
AE-H4：狀態調節命題
ADHD-related difference 更可能存在於：
Var t [ X t ] \operatorname{Var}_t
\left[
\mathbf X_t
\right] Var t [ X t ] 與 transition probability，而非單一平均狀態。
AE-H5：多機制命題
相同行為 lapse 可由：
high competition；
mind wandering；
arousal collapse；
update failure；
等不同機制造成。
AE-H6：脫離障礙命題
Hyperfocus 的功能困難與：
B ‾ exit \overline B_{\text{exit}} B exit 的關係可能比單純 concentration 更強。
AE-H7：Hysteresis 命題
若 hyperfocus-like lock-in 真為非線性狀態，則：
θ enter ≠ θ exit \theta_{\text{enter}}
\neq
\theta_{\text{exit}} θ enter = θ exit 可能可被觀察。
AE-H8：情境匹配命題
P = F ( X , X T ∗ ) . P
=
F
\left(
\mathbf X,
\mathbf X_T^{*}
\right). P = F ( X , X T ∗ ) . 相同配置狀態在不同任務中可由優勢轉成障礙。
AE-H9：非專屬命題
Hyperfocus 不應被預設為 ADHD-exclusive phenomenon。
如果 controls、ASD 或其他群體在相同條件下出現相似 state dynamics，模型必須允許 transdiagnostic interpretation。
34. 實驗設計一：動態配置追蹤
受試者：
clinically diagnosed ADHD adults；
matched controls。
執行三類任務：
low-interest sustained task；
high-interest task；
self-selected high-engagement task。
每隔短時間收集：
gaze；
response time；
task probes；
subjective absorption；
perceived time；
interruption responsiveness。
估計：
X t . \mathbf X_t. X t . 主要比較：
mean \operatorname{mean} mean 與：
transitiondynamics . \operatorname{transition dynamics}. transitiondynamics . 35. 實驗設計二：強制脫離測試
當受試者進入高 engagement state 時，提供有明確價值的新任務提示。
測量：
T switch T_{\text{switch}} T switch 與：
P switch success . P_{\text{switch success}}. P switch success . 候選 disengagement barrier：
B ^ exit = f ( T switch , error , return tendency ) . \widehat B_{\text{exit}}
=
f
\left(
T_{\text{switch}},
\text{error},
\text{return tendency}
\right). B exit = f ( T switch , error , return tendency ) . 如果 ADHD 與 controls 的 concentration 相似，但：
B ^ exit \widehat B_{\text{exit}} B exit 存在差異，將支持 hyperfocus-as-disengagement model。
36. 實驗設計三：Experience Sampling
真實生活中隨機詢問：
目前做什麼；
想做什麼；
是否能切換；
是否感到時間消失；
是否忽略身體需求；
是否有 competing obligation；
是否自願繼續；
是否感到 stuck。
建立：
H F episode HF_{\text{episode}} H F episode 而不是只測：
H F trait . HF_{\text{trait}}. H F trait . 這可以區分：
dispositional tendency \text{dispositional tendency} dispositional tendency 與：
actual state dynamics . \text{actual state dynamics}. actual state dynamics . 37. 實驗設計四：Mind Wandering 與 Hyperfocus 共模
同一受試者同時測：
M W spontaneous , MW_{\text{spontaneous}}, M W spontaneous , M W deliberate , MW_{\text{deliberate}}, M W deliberate , H F , HF, H F , ν switch , \nu_{\text{switch}}, ν switch , T dwell . T_{\text{dwell}}. T dwell . 如果 mind wandering 與 hyperfocus 只是同一維度兩端，應呈現強烈負相關。
但 2024 AHQ-D validation 中 hyperfocus 與 mind wandering 為：
r = 0.39 , r=0.39, r = 0.39 , 即正相關。
因此更可能：
high wandering tendency + high lock-in tendency \boxed{
\text{high wandering tendency}
+
\text{high lock-in tendency}
} high wandering tendency + high lock-in tendency 可以在同一人共存。
這正是 dynamic-state model 的重要預測。
38. 實驗設計五：Arousal 路徑分離
結合 EEG 與 state probes。
測量：
wake slow waves；
reaction-time variability；
mind wandering；
configuration entropy；
target allocation。
比較模型：
M 1 : lapse ← H Π M_1:
\text{lapse}
\leftarrow
\mathcal H_{\Pi} M 1 : lapse ← H Π 與：
M 2 : lapse ← arousal slow waves M_2:
\text{lapse}
\leftarrow
\text{arousal slow waves} M 2 : lapse ← arousal slow waves 與：
M 3 : lapse ← ( H Π , arousal ) . M_3:
\text{lapse}
\leftarrow
\left(
\mathcal H_{\Pi},
\text{arousal}
\right). M 3 : lapse ← ( H Π , arousal ) . 如果 M 3 M_3 M 3
39. 模型失敗條件
AEPTH 應被削弱或淘汰，如果：
attention allocation distribution 無法可靠估計；
entropy 對任何 ADHD-related outcome 都沒有增量解釋力；
dwell time 與 disengagement barrier 無法與一般 engagement 分離；
hyperfocus 在 repeated-measures 中沒有穩定可辨識 state structure；
transition models 不優於平均值模型；
task compatibility 無法解釋 performance reversal；
hyperfocus 與 distractibility 在 longitudinal data 中呈嚴格互斥；
out-of-sample prediction 不優於簡單 symptom-score model。
形式上，如果：
P AEPTH,out ≤ P simple,out , P_{\text{AEPTH,out}}
\leq
P_{\text{simple,out}}, P AEPTH,out ≤ P simple,out , 則應優先使用簡單模型。
40. 與「注意力過載」的關係
前文曾提出：
attention overload . \text{attention overload}. attention overload . 本篇把它拆成至少三種不同狀態：
40.1 Distribution overload
H ^ Π ↑ . \widehat{\mathcal H}_{\Pi}\uparrow. H Π ↑ . 40.2 Competition overload
R ¬ G ↑ . R_{\neg G}\uparrow. R ¬ G ↑ . 40.3 Capacity overload
R t max < R task . R_t^{\max}
<
R_{\text{task}}. R t m a x < R task . 這三者不能互換。
所以：
overload ≠ one mechanism . \boxed{
\text{overload}
\neq
\text{one mechanism}.
} overload = one mechanism . 41. 與「網狀思維」的關係
高配置熵不直接等於網狀思維。
網狀思維的候選核心是：
multiple relational paths activated and coordinated . \text{multiple relational paths activated and coordinated}. multiple relational paths activated and coordinated . 高熵只說：
resource distribution is broad . \text{resource distribution is broad}. resource distribution is broad . 因此可能：
H Π ↑ \mathcal H_{\Pi}\uparrow H Π ↑ 但沒有任何高品質跨域整合。
反之也可能同時維持多條強關係路徑，卻在較低維有效子空間中形成有序結構。
所以第 5 篇必須另外建模 topology，而不能把 entropy 偷換成 networked cognition。
42. 與前 3 篇整合
第 1 篇：
ADHD → dynamic configuration . \text{ADHD}
\rightarrow
\text{dynamic configuration}. ADHD → dynamic configuration . 第 2 篇：
N t → neuromodulatory reparameterization . \mathbf N_t
\rightarrow
\text{neuromodulatory reparameterization}. N t → neuromodulatory reparameterization . 第 3 篇：
S t ≠ A t ≠ Π t ≠ O t ≠ U t ≠ G t . S_t
\neq
A_t
\neq
\Pi_t
\neq
O_t
\neq
U_t
\neq
G_t. S t = A t = Π t = O t = U t = G t . 本篇現在對：
Π t \Pi_t Π t 增加狀態空間：
X t = ( R t max , H ^ Π , L t , T dwell , ν switch , B ‾ exit , R G ) . \boxed{
\mathbf X_t
=
\left(
R_t^{\max},
\widehat{\mathcal H}_{\Pi},
L_t,
T_{\text{dwell}},
\nu_{\text{switch}},
\overline B_{\text{exit}},
R_G
\right).
} X t = ( R t m a x , H Π , L t , T dwell , ν switch , B exit , R G ) . 因此系列主幹成為：
N t → Z t → Π t → X t → O t → U t → G t → P t → Y t . \boxed{
\mathbf N_t
\rightarrow
\mathbf Z_t
\rightarrow
\Pi_t
\rightarrow
\mathbf X_t
\rightarrow
O_t
\rightarrow
U_t
\rightarrow
G_t
\rightarrow
P_t
\rightarrow
Y_t.
} N t → Z t → Π t → X t → O t → U t → G t → P t → Y t . 43. 本文不主張的內容
本文不主張：
hyperfocus 是 ADHD 正式核心症狀；
hyperfocus 為 ADHD 專屬；
所有 ADHD 都會 hyperfocus；
所有 distractibility 都是高 entropy；
所有 hyperfocus 都是低 entropy；
低 entropy 是病理；
高 entropy 是病理；
mind wandering 等於高 entropy；
wake slow waves 等於配置熵；
flow 等於 hyperfocus；
hyperfocus 是超能力；
hyperfocus 一定有害；
hyperfocus 一定有利；
真實腦神經活動存在本文所稱的物理相變；
Shannon entropy 是 ADHD biomarker；
本模型可以用於個人診斷。
44. 結論
「容易分心」與「能長時間高度專注」只有在單一注意力標量模型下才顯得矛盾。
一旦把注意改寫為動態配置：
Π t , \Pi_t, Π t , 並加入：
H ^ Π , \widehat{\mathcal H}_{\Pi}, H Π , L t , L_t, L t , T dwell , T_{\text{dwell}}, T dwell , ν switch , \nu_{\text{switch}}, ν switch , B ‾ exit , \overline B_{\text{exit}}, B exit , 矛盾便可以轉寫成狀態問題。
分心可能是：
R G ↓ , R_G\downarrow, R G ↓ , 而 hyperfocus-like state 可能是：
C Π ↑ , C_{\Pi}\uparrow, C Π ↑ , T dwell ↑ , T_{\text{dwell}}\uparrow, T dwell ↑ , B ‾ exit ↑ . \overline B_{\text{exit}}\uparrow. B exit ↑ . 因此兩者完全可以出現在同一個動態系統不同時間：
X t 1 ≠ X t 2 . \boxed{
\mathbf X_{t_1}
\neq
\mathbf X_{t_2}.
} X t 1 = X t 2 . 本文最重要的命題不是：
ADHD = high attention entropy , \text{ADHD}
=
\text{high attention entropy}, ADHD = high attention entropy , 也不是：
ADHD = hyperfocus . \text{ADHD}
=
\text{hyperfocus}. ADHD = hyperfocus . 而是：
ADHD-related attention difficulties may involve regulation of transitions among multiple allocation states, rather than one permanently deficient attention state . \boxed{
\text{ADHD-related attention difficulties may involve
regulation of transitions among multiple allocation states,
rather than one permanently deficient attention state}.
} ADHD-related attention difficulties may involve regulation of transitions among multiple allocation states, rather than one permanently deficient attention state . 真正需要實驗回答的是：
Are distractibility and hyperfocus better predicted by state-transition dynamics than by a single average attention score? \boxed{
\text{Are distractibility and hyperfocus better predicted by
state-transition dynamics than by a single average attention score?}
} Are distractibility and hyperfocus better predicted by state-transition dynamics than by a single average attention score? 如果答案是否定，AEPTH 應被放棄。
如果答案肯定，則分心、mind wandering、穩定聚焦與 hyperfocus 可以被放入同一個動態配置空間，而不必再被描述成互相矛盾的注意能力。
參考文獻
Hupfeld, K. E., Osborne, J. B., Tran, Q. T., Hyatt, H. W., Abagis, T. R., et al. Validation of the dispositional adult hyperfocus questionnaire (AHQ-D). Scientific Reports . 2024;14:19460. DOI: 10.1038/s41598-024-70028-y.
Pimenta, M. G., Gruhnert, R. K., Fuermaier, A. B. M., & Groen, Y. The role of executive functions in mediating the relationship between adult ADHD symptoms and hyperfocus in university students. Research in Developmental Disabilities . 2024;144:104639. DOI: 10.1016/j.ridd.2023.104639.
Samson, J. L., et al. Cognitive-affective flexibility in adult ADHD: Links to emotion reactivity and hyperfocus. Journal of Affective Disorders Reports . 2026;24:101047. DOI: 10.1016/j.jadr.2026.101047.
Arabacı, G., & Parris, B. A. Daily life mind wandering and its relation to symptoms of ADHD in a community sample of emerging adults. Current Psychology . 2026;45:442. DOI: 10.1007/s12144-025-08962-x.
Pinggal, E., Jackson, J., Kusztor, A., Chapman, D., Windt, J., et al. Sleep-Like Slow Waves during Wakefulness Mediate Attention and Vigilance Difficulties in Adult Attention-Deficit/Hyperactivity Disorder. Journal of Neuroscience . 2026;46(15):e1694252025. DOI: 10.1523/JNEUROSCI.1694-25.2025.
Gao, Z., et al. Reduced temporal and spatial stability of neural activity patterns predict cognitive control deficits in children with ADHD. Nature Communications . 2025;16. DOI: 10.1038/s41467-025-57685-x.
Nugiel, T., et al. Methylphenidate stabilizes dynamic brain network organization during tasks probing attention and reward processing in stimulant-naïve children with ADHD. Translational Psychiatry . 2025. DOI: 10.1038/s41398-025-03694-9.
文獻使用聲明
本文僅使用上述研究建立截至 2026-08-16 的外部實證邊界。
本文提出的 allocation entropy H Π \mathcal H_{\Pi} H Π H ^ Π \widehat{\mathcal H}_{\Pi} H Π L t L_t L t T dwell T_{\text{dwell}} T dwell ν switch \nu_{\text{switch}} ν switch B ‾ exit \overline B_{\text{exit}} B exit D task D_{\text{task}} D task X t \mathbf X_t X t
不同研究包含一般成人、clinical ADHD adults、community emerging adults 與 ADHD children，並使用 self-report、cognitive-affective switching、EEG、fMRI 與 behavioral tasks 等不同方法。本文不把它們視為單一大型實驗的直接累加證據。
狀態： v0.1，理論稿新增原始臨床／人體數據： 無醫學用途： 無下一篇： 《網狀認知拓撲：ADHD 多路徑激活假說》