選擇配置動力學：顯著性、激活、注意與更新的分離

英文題名： Selection Allocation Dynamics: Separating Salience, Activation, Attention, Observation, and Update
系列： ADHD 動態配置與認知拓撲系列，第 3 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「選擇配置動力學」「配置算子」「注意債務」「配置競爭」「更新門控」「配置穩定性」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；本文新增內容只屬理論整合、形式化與可證偽研究綱領。

本文不以原作者個人經驗作為一般化證據，不應被用於自行診斷、治療、停藥、調藥或其他醫療決策。

本文延續本系列前兩篇，但仍保持一項基本限制：

\boxed{ \text{formal model} \neq \text{established medical mechanism}. }

摘要

「注意力」在日常語言中經常同時指涉至少數個不同過程：刺激是否顯著、神經或表徵是否被激活、有限處理資源是否被分配、內容是否進入可報告觀察、資訊是否被更新至工作記憶或長期記憶，以及是否進一步產生行動。若將這些過程壓縮為單一 attention variable，ADHD 中的分心、持續注意困難、工作記憶失誤、反應時間變異、超聚焦與情境依賴性便容易被誤寫成「注意力多或少」的單一問題。

本文提出「Selection Allocation Dynamics, SAD」的 ADHD-specific 中層版本。核心區分為：

\boxed{ \text{Salience} \neq \text{Activation} \neq \text{Allocation} \neq \text{Observation} \neq \text{Update} \neq \text{Action}. }

其中配置算子 $\Pi_t(e)$ 不表示事件是否存在、是否被喜歡、是否被理解，也不保證最後行動成功；它只表示事件 $e$ 在時間 $t$ 獲得相對處理資源、優先權或准入機會的程度。

本文將有限認知資源表示為：

\int_{\mathcal E_t} c(e,t)\Pi_t(e)\,d\mu(e) \leq R_t^{\max},

並提出候選配置分數：

s_t(e) = \alpha_t S_t(e) + \beta_t G_t(e) + \gamma_t N_t(e) + \delta_t H_t(e) + \zeta_t Q_t(e) - \lambda_t C_t(e) - \kappa_t K_t(e).

其中顯著性、目標相關性、新穎性、歷史、預期資訊價值、處理成本與切換成本共同影響配置，但不直接等同於配置。

2025 年成人 ADHD symptoms 的工作記憶研究發現，當特定資訊被明確賦予更高價值時，受試者仍能有效優先化該資訊，且優先化效果未隨 ADHD symptoms 顯著改變。這反對「ADHD 等於普遍失去注意分配能力」的過強版本。另一方面，2025 年兒童 ADHD 的單試次 fMRI 研究發現 salience 與 frontoparietal networks 的 neural representations 呈現較高 trial-to-trial variability 與較低 spatial stability；另一項 rest-to-task network 研究亦顯示 ADHD 兒童的 network reconfiguration 與 dynamic connectivity 隨 cognitive demand 改變。2026 年一般人口研究又顯示 working memory、sustained attention、response inhibition 與 delay discounting 可形成多路徑關係，而非單一認知缺陷。

因此本文提出：ADHD-related difficulties 可能不是「沒有配置能力」，而是在部分個體、部分任務與部分時間尺度上出現配置競爭、維持失穩、切換成本異常、更新門控失配或狀態—任務不匹配。

本文最後提出十項可證偽命題，要求未來研究分別測量 salience、allocation、activation、working-memory update、action gating 與 objective performance，而不是繼續以單一「注意力」分數替代整條認知因果鏈。

關鍵詞： ADHD、選擇配置、注意力、顯著性、激活、工作記憶、認知控制、狀態穩定性、反應時間變異、salience network、frontoparietal network

1. 「注意力」是一個過度壓縮的詞

在日常與部分理論敘述中，一個人若：

沒看見某刺激；
看見但沒記住；
記住但沒有執行；
被無關刺激吸引；
反覆切換；
長時間鎖在單一活動；
知道任務重要卻無法開始；

這些情況都可能被描述為：

注意力問題。

然而，它們並不必然屬於同一計算失效。

因此本文拒絕：

\text{Attention} = \text{single latent scalar}.

至少在中層理論上，更合理的是建立分解：

\boxed{ S \rightarrow A \rightarrow \Pi \rightarrow O \rightarrow U \rightarrow M \rightarrow G }

其中各符號暫定為：

$S$ ：salience；
$A$ ：activation；
$\Pi$ ：allocation；
$O$ ：observation／effective processing；
$U$ ：update；
$M$ ：memory state；
$G$ ：action gating。

這不是唯一可能的認知架構，只是本文要檢驗的候選分層。

2. 第一個核心分離：Salience 不等於 Allocation

事件可以非常顯著，卻未必獲得深度處理。

令：

S_t(e)

表示事件 $e$ 在時間 $t$ 的顯著性。

令：

\Pi_t(e)

表示對該事件的配置強度。

則：

S_t(e) \uparrow

可能提高：

P \left( \Pi_t(e)\uparrow \right),

但不推出：

S_t(e) = \Pi_t(e).

例如高聲音、閃動、意外通知、內部突發念頭都可能提升顯著性。

但主體仍可能：

抑制；
延後處理；
重新導向；
忽略；
只作快速分類。

所以：

\boxed{ \text{salient} \neq \text{deeply processed}. }

3. 第二個核心分離：Activation 不等於 Allocation

一個概念可以被激活，卻未必獲得足夠處理資源。

令：

A_t(e)

表示事件／表徵的激活強度。

則可能有：

A_t(e)>0

但：

\Pi_t(e)\approx0.

反過來也可能由目標控制主動提高配置，使原本低顯著、低激活的任務持續被處理：

S_t(e)\approx0, \qquad \Pi_t(e)>0.

因此：

\boxed{ \text{activated} \neq \text{selected}. }

這個分離對 ADHD 尤其重要，因為若大量外部與內部事件同時產生激活，外部觀察可能看見「分心」，但其底層可能是：

\text{activation competition}

而不是：

\text{absence of activation}.

此為待驗證命題。

4. 第三個核心分離：Allocation 不等於 Observation

本文把：

O_t(e)

定義為事件 $e$ 是否被充分處理到可形成有效表徵、可報告內容或可供後續操作的程度。

即使：

\Pi_t(e)

很高，也可能因：

表徵噪音；
感知品質差；
處理時間不足；
競爭事件；
工作記憶負荷；
疲勞；

而出現：

O_t(e) \downarrow.

因此：

\boxed{ \Pi \text{ 改變的是處理機會結構，而不是結果保證。} }

形式上：

P \left( O_t(e)=1 \mid \Pi_t(e) \right)

可以隨 $\Pi_t(e)$ 上升，但不必等於 $1$ 。

5. 第四個核心分離：Observation 不等於 Update

一個內容已被看見與理解，不表示它一定更新進工作記憶或長期狀態。

令：

U_t(e)

表示事件對內部狀態的更新強度。

可以出現：

O_t(e)=1, \qquad U_t(e)\approx0.

例如：

聽懂一句話後立刻忘記；
看見待辦但沒有形成未來提醒；
理解規則卻沒有寫入可執行程序；
意識到錯誤卻未更新原先策略。

因此：

\boxed{ \text{noticed} \neq \text{updated}. }

這使「我明明知道」與「我之後仍沒有做」可以在理論上分離，而不必直接歸因於缺乏意願。

6. 第五個核心分離：Update 不等於 Action

即使內部狀態已更新，也不保證行動。

令：

G_t(a)

表示行動 $a$ 的門控狀態。

則：

U_t(e)>0

仍可能搭配：

G_t(a)=0.

原因可能包括：

即時成本；
延遲獎勵；
任務厭惡；
衝突目標；
不確定性；
缺乏程序；
外部限制；
行動啟動門檻。

因此：

\boxed{ \text{knowledge} \neq \text{action}. }

這項分離讓 ADHD-related executive difficulties 可以被研究為「多段門控鏈條」問題，而不是把所有行動失敗都叫 attention deficit。

7. 有限資源公理

設某時刻的候選事件集合：

\mathcal E_t = \left\{ e_1,e_2,\ldots,e_n \right\}.

可用處理資源上界為：

R_t^{\max}.

若有效候選量：

\mu(\mathcal E_t) > R_t^{\max},

則主體無法對所有候選事件進行等深度處理。

因此：

\boxed{ \text{finite resources} \Rightarrow \text{allocation problem}. }

但不推出：

\boxed{ \text{all individuals solve allocation in the same way}. }

這個限制非常重要。

本文不是把 ADHD 描述為「有配置、一般人沒有配置」。

所有有限認知主體都需要配置。

研究問題是：

配置函數、穩定性、競爭、切換與更新機制是否存在可重現的群體與個體差異？

8. 成本加權配置

不同事件的處理成本不同。

令：

c(e,t)>0.

則：

\int_{\mathcal E_t} c(e,t)\Pi_t(e)\,d\mu(e) \leq R_t^{\max}.

離散形式：

\sum_{i=1}^{n} c_i(t)\Pi_i(t) \leq R_t^{\max}.

所以即使：

\Pi_i=\Pi_j,

只要：

c_i\neq c_j,

兩者對總資源的消耗就不同。

這意味著「維持同樣程度的注意」對不同任務並不一定具有相同成本。

9. 可用資源本身也是狀態變量

本文不把：

R_t^{\max}

當成固定人格常數。

候選模型為：

R_t^{\max} = f \left( F_t, A_t^{\text{arousal}}, S_t^{\text{sleep}}, L_t^{\text{load}}, P_t^{\text{phys}}, E_t \right).

其中：

$F_t$ ：疲勞；
$A_t^{\text{arousal}}$ ：喚醒；
$S_t^{\text{sleep}}$ ：睡眠狀態；
$L_t^{\text{load}}$ ：同時負荷；
$P_t^{\text{phys}}$ ：生理狀態；
$E_t$ ：環境擾動。

因此：

R_{t_1}^{\max} \neq R_{t_2}^{\max}

並不表示個體的長期能力發生根本改變。

10. 配置分數模型

本文沿用候選配置分數：

s_t(e) = \alpha_t S_t(e) + \beta_t G_t(e) + \gamma_t N_t(e) + \delta_t H_t(e) + \zeta_t Q_t(e) - \lambda_t C_t(e) - \kappa_t K_t(e).

其中：

$S_t(e)$ ：顯著性；
$G_t(e)$ ：目標相關性；
$N_t(e)$ ：新穎性／驚奇；
$H_t(e)$ ：歷史、習慣與重複暴露；
$Q_t(e)$ ：預期資訊價值；
$C_t(e)$ ：處理成本；
$K_t(e)$ ：切換成本。

再令：

\Pi_t(e_i) = R_t^{\max} \frac{ \exp \left( s_t(e_i)/\tau_t \right) }{ \sum_j \exp \left( s_t(e_j)/\tau_t \right) }.

此 softmax 只是候選形式。

本文不主張人腦實際使用 softmax。

11. 重要修正：ADHD 不應被寫成「無法配置」

2025 年 Atkinson 等人的兩項線上實驗研究具有 ADHD symptoms 的成人是否能依據 working-memory item value 進行優先化。

當其中一個項目被明確賦予更高價值時，參與者會提高對高價值項目的記憶準確率，並犧牲較低價值項目；這種 prioritization effect 並未隨 ADHD symptom scores 顯著改變。

因此以下強命題受到挑戰：

\boxed{ \text{ADHD} \Rightarrow \text{general inability to allocate attention by value}. }

本文改採較弱命題：

\boxed{ \text{allocation capacity may remain intact while allocation stability, maintenance, competition, or context coupling differs}. }

同時必須注意：

該研究主要涉及 ADHD symptoms，而非全體正式臨床 ADHD 成人；
任務是特定的 working-memory prioritization paradigm；
結果不能外推至所有 attention allocation processes。

12. 「能配置」不等於「能長期維持配置」

假設目標事件為：

e^{*}.

個體在時間 $t_0$ 能正確提高：

\Pi_{t_0}(e^{*}).

這只能證明：

\text{initial allocation succeeds}.

它不保證：

\Pi_t(e^{*})

在：

t_0<t<t_1

期間維持穩定。

因此必須定義配置維持：

M_{\Pi} \left( e^{*};t_0,t_1 \right) = \frac{1}{t_1-t_0} \int_{t_0}^{t_1} \Pi_t(e^{*})\,dt.

以及配置波動：

V_{\Pi} \left( e^{*} \right) = \operatorname{Var}_t \left[ \Pi_t(e^{*}) \right].

因此：

\boxed{ \text{selection} \neq \text{maintenance}. }

13. Trial-to-trial neural stability 的前沿證據

2025 年 Gao 等人使用 cued stop-signal task 與 single-trial fMRI 分析，發現 ADHD 兒童在 salience 與 frontoparietal networks 的 trial-evoked neural responses 中具有較高 temporal variability 與較低 spatial stability。

特別重要的是：

群體差異不只表現在平均 neural activation，而表現在同類試次之間是否穩定地重建相似的控制表徵。

這可以形式化為：

\mathbb E \left[ A_t \right] \approx \text{similar}

但：

\operatorname{Var} \left[ A_t \right] \neq \text{similar}.

因此本文提出：

\boxed{ \text{mean activation} \neq \text{representational stability}. }

這與 SAD 的「配置維持」概念形成一個可測試的神經層接口。

14. 網路重配置與 cognitive demand

Michael 等人於 2025 年發表的兒童研究比較 resting state、較簡單 go/no-go task 與較複雜 go/no-go task。

研究顯示 ADHD 與 typically developing children 在：

whole-network modularity；
frontoparietal within-module degree；
cingulo-opercular／salience；
default-mode；
somatomotor dynamic connectivity；

等指標上的 reconfiguration 隨 task demand 出現不同模式。

因此：

\boxed{ \text{brain state at rest} \neq \text{brain state under demand}. }

以及：

\boxed{ \text{group difference} = f \left( \text{cognitive context} \right) }

是值得保留的研究語言。

這與第 1 篇的：

\text{Phenotype} = F \left( \text{Configuration}, \text{Task}, \text{Environment} \right)

一致，但仍不能視為 ADCC 已被驗證。

15. 多路徑而不是單一路徑缺陷

2026 年 Ikegami 等人以一般大學生樣本建立 structural equation model，同時測量：

working memory；
sustained attention；
response inhibition；
delay discounting；
decision-making；
ADHD traits。

研究結果支持 executive 與 motivational variables 共同形成多路徑關聯，而不是一個單一 deficit variable 直接決定所有決策結果。

本文將其轉成方法論命題：

\boxed{ \text{ADHD-related outcome} \neq f(x) }

更可能需要：

\boxed{ \text{ADHD-related outcome} = F \left( x_1,x_2,\ldots,x_n \right). }

但該研究樣本量有限，且研究 ADHD traits 而非正式臨床診斷，因此只能作為多路徑建模的支持背景。

16. Salience 過高也可能造成干擾

2026 年 medication-naïve Chinese children 的 resting-state fMRI 研究發現，較高的 sensorimotor–salience network connectivity 與較差的 Stroop performance 有探索性關聯。

研究作者明確避免因果宣稱，但提出較高 salience-related coupling 可能與 task-irrelevant stimuli 干擾 sensorimotor integration 的解釋相容。

因此本文保留一個候選失效模式：

S_t(e_{\text{irrelevant}}) \uparrow

可能造成：

\Pi_t(e_{\text{irrelevant}}) \uparrow

並透過有限資源約束：

\Pi_t(e_{\text{target}}) \downarrow.

這不是「注意力太少」。

它可能是：

\boxed{ \text{competitive misallocation}. }

但目前不能把該 fMRI 關聯直接當作此機制的因果證明。

17. 配置競爭

若：

e^{*}

為目標事件，而：

e_1,\ldots,e_m

為競爭事件，則定義競爭壓力：

\mathcal C_t = \frac{ \sum_{j=1}^{m} \Pi_t(e_j) }{ \Pi_t(e^{*})+\varepsilon }.

當：

\mathcal C_t \uparrow,

目標事件可能因資源排擠而失去後續處理機會。

但：

\mathcal C_t

不等於症狀嚴重度。

它只是候選動態指標。

18. 配置鎖定

另一個方向則是過度集中。

若：

\Pi_t(e^{*}) \rightarrow R_t^{\max},

其他事件獲得：

\Pi_t(e_j) \rightarrow0.

這可定義為配置鎖定：

L_t = \max_i \frac{ \Pi_t(e_i) }{ R_t^{\max} }.

當：

L_t\rightarrow1,

系統進入高度集中狀態。

這可能在某些任務提高效率，也可能使：

時間感降低；
外部提示被忽略；
任務切換困難；
次要需求長時間未處理。

因此：

\boxed{ \text{high focus} \neq \text{globally optimal allocation}. }

本系列第 4 篇將把這一問題與 hyperfocus、配置熵及相變獨立處理。

19. 切換成本

若目前焦點為：

e_a

而欲切換至：

e_b,

定義：

K_t \left( e_a\rightarrow e_b \right).

高切換成本可以造成：

\Pi_t(e_b)

即使具有高目標價值仍遲遲無法上升。

因此：

G_t(e_b)\gg0

與：

\Pi_t(e_b)\ll1

可以同時成立。

這提供「知道重要，但開始不了」的候選形式化。

20. 更新門控

定義工作狀態：

M_t.

觀察輸入：

O_t(e).

更新：

M_{t+1} = U \left( M_t, O_t(e), g_t^{U} \right),

其中：

g_t^{U}\in[0,1]

表示更新門控。

因此可以有：

O_t(e)=1

但：

g_t^{U}\approx0

使得：

M_{t+1} \approx M_t.

這說明：

\boxed{ \text{effective perception} \neq \text{state revision}. }

未來實驗必須區分：

encoding failure；
maintenance failure；
retrieval failure；
update failure。

不能全部命名為「不專心」。

21. 注意債務

若某些必要事件持續未獲資源：

\Pi_t(e_{\text{necessary}}) \approx0

但其未處理後果會累積，可以定義：

D_{t+1}^{\text{attn}} = \rho D_t^{\text{attn}} + \sum_{e\in\mathcal N_t} w_e \left[ 1-\widetilde{\Pi}_t(e) \right],

其中：

$\mathcal N_t$ ：必要事件集合；
$w_e$ ：事件後果權重；
$\widetilde{\Pi}_t(e)$ ：正規化配置；
$\rho$ ：債務保留係數。

注意債務可能表現為：

未回覆訊息堆積；
行政工作堆積；
未完成小任務增加；
後續切換成本提高；
壓力提高；
反過來再降低可用資源。

因此可能形成閉環：

\boxed{ \text{misallocation} \rightarrow \text{attention debt} \rightarrow \text{load} \rightarrow R_t^{\max}\downarrow \rightarrow \text{further misallocation}. }

此為理論命題，不是已證實 ADHD-specific mechanism。

22. 歷史與習慣回饋

配置不是每一秒重新從零計算。

令：

H_t(e)

為歷史／習慣權重。

則：

H_{t+1}(e) = \eta H_t(e) + \phi \left( \Pi_t(e), R_t(e), A_t(e) \right).

因此過去反覆獲得資源的事件可能更容易再次被選中。

這形成：

\text{allocation history} \rightarrow \text{future allocation bias}.

因此 ADHD-related behavior 若存在長期路徑依賴，就不能只測單次任務。

23. 探索—利用平衡

將候選事件分成：

\mathcal E_t^{\text{known}}

與：

\mathcal E_t^{\text{novel}}.

配置需要處理：

\text{exploit} \leftrightarrow \text{explore}.

若新穎性權重：

\gamma_t

較高，可能提高探索。

若歷史／目標鎖定：

\delta_t,\beta_t

較高，可能提高利用。

因此同一配置在：

需要創新搜尋；
需要程序穩定；
需要長期重複；

三種任務中的價值可能完全不同。

24. 狀態轉移模型

令配置狀態集合：

\mathcal Z = \left\{ z_1,z_2,\ldots,z_k \right\}.

建立轉移矩陣：

T_{ab} = P \left( z_{t+1}=z_b \mid z_t=z_a \right).

ADHD-related differences 可以存在於：

\mathbb E[z]

也可以存在於：

T.

例如兩組平均配置相同，但一組：

P \left( z_{\text{focused}} \rightarrow z_{\text{distracted}} \right)

較高。

因此：

\boxed{ \text{same mean state} \neq \text{same dynamics}. }

25. 視覺處理的時間結構

2025 年 Pelland-Goulet 等人在成人 ADHD 與 matched controls 中以 temporal sampling 研究 visual word processing，發現視覺處理效率的時間特徵可出現群體差異。

本文不把該研究視為 ADHD attention allocation 的直接證明。

它的重要性是提示：

\boxed{ \text{processing efficiency itself can have temporal structure}. }

因此配置模型不應只採：

\Pi(e)

而應保留：

\Pi_t(e).

時間索引不是裝飾，而是核心。

26. 六層認知鏈

本文目前提出最小六層：

\boxed{ S_t \rightarrow A_t \rightarrow \Pi_t \rightarrow O_t \rightarrow U_t \rightarrow G_t. }

但箭頭不是單向唯一因果。

實際上存在回饋：

G_{t-1} \rightarrow S_t,

M_t \rightarrow \Pi_t,

U_t \rightarrow G_t,

R_t \rightarrow H_{t+1},

以及：

E_t \rightarrow S_t, A_t, \Pi_t.

所以更完整表示為：

\boxed{ \mathcal S_{t+1} = \mathcal F \left( \mathcal S_t, E_t, T_t, R_t \right). }

27. 與第 2 篇神經調節層的接口

第 2 篇提出：

\mathbf N_t \rightarrow \mathbf Z_t \rightarrow \mathbf C_t.

本文進一步展開：

\mathbf C_t = \left( S_t, A_t, \Pi_t, O_t, U_t, M_t, G_t \right).

所以系列主幹更新為：

\boxed{ \mathbf N_t \rightarrow \mathbf Z_t \rightarrow (S_t,A_t,\Pi_t,O_t,U_t,M_t,G_t) \rightarrow P_t \rightarrow Y_t. }

其中：

$\mathbf N_t$ ：神經調節；
$\mathbf Z_t$ ：arousal／reward／salience-gain／stability；
$\Pi_t$ ：有限資源配置；
$P_t$ ：客觀任務表現；
$Y_t$ ：臨床或日常可見表型。

28. 十項可證偽命題

SAD-H1：分離命題

S \neq A \neq \Pi \neq O \neq U \neq G.

若實驗資料顯示這些變量無法被可靠區分，分層模型應被簡化。

SAD-H2：配置非缺失命題

部分 ADHD 個體仍能在明確價值提示下進行有效配置。

若大型臨床樣本反覆顯示所有 ADHD individuals 在多種 value-based prioritization tasks 中均一致失敗，則此命題被削弱。

SAD-H3：維持失穩命題

部分 ADHD-related impairment 更接近：

V_{\Pi}\uparrow

而不是：

\mathbb E[\Pi]\downarrow.

SAD-H4：競爭排擠命題

當非目標刺激的 salience／activation 增加時，目標配置下降幅度在部分 ADHD profiles 中可能更大。

SAD-H5：更新門控命題

部分「知道但沒有留下」的錯誤來自：

O=1, \qquad U\approx0.

若 encoding、maintenance、update、retrieval 無法在行為與神經層可靠區分，則此命題需修改。

SAD-H6：行動門控命題

部分「知道但沒有做」的情況來自：

U>0, \qquad G=0.

而不是注意輸入不足。

SAD-H7：任務交互命題

\frac{ \partial P }{ \partial \Pi }

受：

T

調節。

因此同一配置策略不會對所有任務同樣有效。

SAD-H8：動態優先命題

狀態轉移矩陣：

T_{ab}

可能對 ADHD-related performance 提供超越平均值的預測力。

SAD-H9：注意債務命題

未配置之必要事件可累積為後續負荷，形成回饋閉環。

若 longitudinal data 不支持未處理任務與後續配置惡化之關係，則此命題應被削弱。

SAD-H10：中層增量價值命題

若：

S,A,\Pi,O,U,G

的分層模型不能在 out-of-sample prediction 中超越簡單 symptom-score／single-attention models，則 SAD 沒有必要保留其複雜度。

29. 實驗研究綱領

29.1 Salience—Allocation Dissociation Task

操弄：

S(e)

但保持：

G(e)

固定。

測量：

eye movement；
pupil；
response probability；
memory encoding；
task interference。

目的：

S\uparrow \Rightarrow? \Pi\uparrow.

29.2 Value-Based Allocation Task

重製並擴展 value prioritization paradigm：

正式 clinical ADHD；
adult-diagnosed ADHD；
controls；
不同 reward magnitude；
feedback／no-feedback；
low／high distraction。

檢驗：

\text{initial prioritization}

與：

\text{maintenance stability}

是否分離。

29.3 Allocation Maintenance Task

目標在長時間窗內維持高配置。

測量：

M_{\Pi}

與：

V_{\Pi}.

如果 ADHD 與 controls 的初始配置相似，但 $V_{\Pi}$ 顯著不同，將直接支持 selection-maintenance separation。

29.4 Update-Gating Task

在確認受試者已正確看見／理解資訊後，測：

working-memory update；
delayed recall；
prospective memory；
action execution。

建立：

O \rightarrow U \rightarrow G

的分離測試。

29.5 Trial-wise Neuroimaging

不只估計：

\mathbb E[\text{BOLD}],

也估計：

\operatorname{Var}[\text{BOLD}],

\text{representational similarity},

\text{state dwell time},

\text{transition probability}.

這是 dynamic configuration view 最直接的神經檢驗方式之一。

30. 重要反例：不是所有 ADHD cognition 都應顯示配置缺陷

Atkinson 等人的 2025 結果本身就構成一個重要反例：

ADHD symptoms 不必然破壞 value-based prioritization。

因此任何合理 SAD 理論都必須允許：

\boxed{ \Pi_{\text{function}} = \text{intact} }

在某些個體／任務成立。

所以 SAD 不是：

\text{ADHD} = \text{allocation disorder}.

本文較精確的立場是：

\boxed{ \text{ADHD-related phenotype may involve conditional dysregulation of allocation dynamics in a subset of contexts and individuals}. }

31. 為什麼這不是重新命名 executive function？

SAD 與 executive function literature 有大量重疊。

本文不否認此點。

如果 SAD 只是將：

inhibition；
working memory；
task switching；
sustained attention；

重新命名，則沒有新理論價值。

SAD 必須額外提供：

事件層配置函數；
salience／activation／allocation 分離；
processing opportunity 概念；
state-transition dynamics；
competition and debt；
可映射至 trial-wise measurements 的中層算子。

若這些新增結構沒有實證增量：

\boxed{ \text{SAD should be discarded as redundant}. }

32. 為什麼這不是「注意力過載」的文學比喻？

「注意力過載」只有在可測量時才有研究價值。

本文將其拆成：

\mu(\mathcal E_t)\uparrow,

\mathcal C_t\uparrow,

V_{\Pi}\uparrow,

R_t^{\max}\downarrow,

或其組合。

因此：

\boxed{ \text{overload} = \text{candidate dynamical state}, }

而不是單純主觀形容詞。

33. 對 ADHD 語言的修正

本文不建議把臨床「inattention」名稱直接刪除。

它仍然描述重要表型。

但機制研究可以將：

\text{inattention}

重新展開為候選集合：

\left\{ \begin{array}{l} \text{low target salience}\\ \text{high distractor salience}\\ \text{activation competition}\\ \text{allocation instability}\\ \text{high switching rate}\\ \text{low update gate}\\ \text{poor maintenance}\\ \text{action-gating failure} \end{array} \right\}.

因此：

\boxed{ \text{one phenotype} \leftarrow \text{multiple possible mechanisms}. }

34. 本文不主張的內容

本文不主張：

ADHD 是單純注意配置疾病；
所有 ADHD 個體都有較高 salience sensitivity；
所有 ADHD 都有高 neural variability；
working-memory prioritization 在正式 ADHD 一定完全正常；
salience network 是 ADHD 的唯一核心；
frontoparietal instability 可以作單一 biomarker；
高配置熵必然是缺陷；
高集中配置必然是 hyperfocus；
「知道但做不到」都由 action gate 解釋；
SAD 已經優於現有 executive-function models；
數學形式化本身等於神經機制；
本文可被用於臨床個體診斷。

35. 與前兩篇的系列整合

第 1 篇建立：

\text{ADHD} \rightarrow \text{dynamic configuration conjecture}.

第 2 篇建立：

\mathbf N_t \rightarrow \text{neuromodulatory reparameterization}.

第 3 篇現在補上：

\boxed{ \text{Salience} \neq \text{Activation} \neq \text{Allocation} \neq \text{Observation} \neq \text{Update} \neq \text{Action}. }

因此系列主架構已形成：

\boxed{ \mathbf N_t \rightarrow \mathbf Z_t \rightarrow S_t \rightarrow A_t \rightarrow \Pi_t \rightarrow O_t \rightarrow U_t \rightarrow M_t \rightarrow G_t \rightarrow P_t \rightarrow Y_t. }

下一篇將不再增加更多一般層，而是集中處理：

\boxed{ \Pi_t \text{ 的分散、鎖定與相變}. }

36. 結論

本文將「注意力問題」重新表達成一個有限資源系統的多階段動態配置問題。

最重要的不是：

\text{How much attention?}

而是：

\boxed{ \text{What became salient?} }

\boxed{ \text{What was activated?} }

\boxed{ \text{What received resources?} }

\boxed{ \text{What was effectively processed?} }

\boxed{ \text{What updated the internal state?} }

\boxed{ \text{What finally passed the action gate?} }

這六個問題可以得到不同答案。

因此「注意到但忘了」「知道但沒做」「能選中但維持不了」「被無關刺激吸走」「長時間鎖定單一事件」不必再被迫使用同一個 scalar deficit 解釋。

本文最小命題為：

\boxed{ \Pi \text{ 改變後續處理的機會結構， 但不保證理解、記憶、更新或行動。} }

而 ADHD-specific 的可證偽問題則是：

\boxed{ \text{Do ADHD-related impairments arise more from conditional instability and competition in allocation dynamics than from a universal inability to allocate attention?} }

如果未來大型、多情境、跨年齡研究顯示答案是否定的，SAD 應被削弱或淘汰。

如果答案肯定，則「配置」可以成為連接神經調節、認知控制、工作記憶與日常功能表型的一個可操作中層語言。

參考文獻

Atkinson, A. L., Pinheiro Sanchez, B., Warburton, M., Allmark, H., & Allen, R. J. The Ability to Direct Attention in Working Memory Is Not Impaired in Adults With Symptoms of ADHD. Journal of Attention Disorders. 2025;29(9):684-705. DOI: 10.1177/10870547251330039.
Gao, Z., Duberg, K., 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.
Michael, C., Mitchell, M. E., Cascone, A. D., et al. Reconfiguration of Functional Brain Network Organization and Dynamics With Changing Cognitive Demands in Children With Attention-Deficit/Hyperactivity Disorder. Biological Psychiatry: Cognitive Neuroscience and Neuroimaging. 2025;10(8):846-855. DOI: 10.1016/j.bpsc.2024.11.006.
Ikegami, M., et al. Executive and motivational pathways to ADHD traits in the general population: a structural equation model of working memory, attention, delay discounting, and decision-making. BMC Psychology. 2026. DOI: 10.1186/s40359-026-04279-x.
Li, H. L., et al. Resting-state functional connectivity of the sensorimotor network in medication-naïve Chinese children with ADHD: cross-sectional associations with hyperactivity/impulsivity and executive function. Frontiers in Psychiatry. 2026;17:1843959. DOI: 10.3389/fpsyt.2026.1843959.
Pelland-Goulet, P., Arguin, M., Brisebois, H., & Gosselin, N. Visual processing oscillates differently through time for adults with ADHD. PLOS ONE. 2025;20(9):e0310605. DOI: 10.1371/journal.pone.0310605.
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 SAD、配置競爭 $\mathcal C_t$ 、配置鎖定 $L_t$ 、配置維持 $M_{\Pi}$ 、配置波動 $V_{\Pi}$ 、注意債務 $D_t^{\text{attn}}$ 、更新門控 $g_t^U$ 與六層分離鏈，均為本文的理論構件，不應被誤認為上述研究作者的原始結論。

不同研究包含正式 ADHD、ADHD symptoms、一般人口、兒童與成人樣本，使用 fMRI、working-memory tasks、resting-state connectivity、behavioral tasks 與 temporal sampling 等不同方法。本文不把它們視為單一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： 《注意力熵與配置相變：從分心到超聚焦》