睡眠修補已逝去的記憶？
文／中國醫藥大學附設醫院精神醫學部 林俊成臨床心理師
編輯／321大編與小編
圖／Hannah Chen
已經遺忘的記憶，是否能失而復得？
「混沌理論」（Chaos Theory）在1970年代由美國麻省理工學院的勞倫茲（Edward Lorenz）提出，他認為真實世界中「一個原因必然產生一個結果」的線性系統並非總是存在，舉目所見反倒多是非線性系統。這個理論簡單地說就是，就算在看似隨機的系統內，也潛藏著自行組織出來可偵測秩序，因此可以藉此理解表面無次序現象之中有次序的模式。像是小編的房間雖然看起來很亂，但其實亂得很有道理、亂得相當有組織性。雖然我把襪子跟鉛筆還有照相機擺在一起好像很荒唐，但是這一切都有原因的，把他們三個分開的話我就找不到襪子、不會照相、也忘記要用鉛筆了。（小編：好冠冕堂皇的藉口）
這樣看來，「學習」這件事就有可能不像行為學派所主張的那樣是一種「刺激－反應」的線性過程。事實上，學習的過程是複雜的：人的認知結構受到複雜的大腦神經網絡結構所影響。也就是說，我們的認知發展、性向、學習風格、甚至情緒都會改變學習成果，而改變後的認知結構又會回過頭來影響這些系統的表現。這整套非線性過程說明了「學習結果」在本質上就不可能被準確地預測，正在於無法預測在腦中資料重整記憶的過程；不然為什麼大家一樣抄筆記上課，我只考50分他卻考100分呢？
這就要從皮亞傑（Piaget）的理論說起了。他認為，學習是一種認知結構改變的歷程。在混沌理論來說，就是一種重新組織與堆疊的現象(訊息在腦中堆疊如同堆積木一般，改變積木堆疊的順序與架構)。在Piaget的理論中，所謂「真正的學習」其實是發生在認知結構失衡的狀態下（積木傾倒或歪斜，再重新填好架構）；也就是說，當認知結構開始邁向混沌時，才是它獲得新秩序的契機。從腦神經科學的角度來看，我們腦部是一個複雜的混沌系統，在任何狀態下訊息的登錄都可能對大腦的運作造成重大影響。因此，在面對複雜的訊息登錄過程中，使得我們的記憶至少產生了兩個變化：一個是透過解組重新產生新的記憶，另外一個是學習新的資訊有時候會干擾現有存在的知識。這就是所謂的「穩定性與可塑性的困境（stability and plasticity dilemma）」，也是我們會產生「遺忘」的可能原因。
研究夢的學者Hobson認為在我們清醒的大部分時間裡，像是血清素等神經傳導物質會發揮作用，以便抑制腦部的無秩序狀態；但在睡眠快速動眼時期（作夢時）出現的生理變化使得腦部產生一種混沌狀態，鮮明而複雜的夢境，就是腦部自行組織反應的外顯跡象。在這個狀態下，認知性元素以隨機、自發的方式在連結，製造出嶄新的資訊結構，也就是新的靈感與觀念（這樣看來，作夢時，正是一次大腦訊息重新整理的過程）。
不過，存在大腦中的記憶在受到干擾或解組後是否就真的消逝了？許多研究學者想了解睡眠是否可以修補已受損的記憶。芝加哥大學Fenn等人的研究團隊發現，睡眠可以修補受損的語文知覺學習記憶。他們讓受試者分成兩組，學習同一套人造的語音內容；雖然被剝奪睡眠的那一組，在學習表現上比起另外一組來的較差，但在經歷睡眠恢復後，其表現和睡眠組是相似的。因此他們認為睡眠除了鞏固記憶外，也可能可以修復（recover）或重建（restore）記憶（註一）。
另外，普林斯頓大學的Norman嘗試利用類神經網絡（complementary learning system model）（註二）的模式在電腦上模擬睡眠對學習所產生的效果；他們想知道先前已經存在的記憶再被新獲得的知識所干擾損毀後，是否能夠被很像快速動眼睡眠的模型所修復，而研究結果則發現快速動眼睡眠（作夢）的確能夠修復損壞的記憶（註三）。雖然許多科學家仍持續進行記憶和睡眠之間關係的電腦模擬應用，但是在或許未來的某一天，當我們開始遺忘了某些記憶時，我們能在睡眠中找到答案。
註一. Fenn, K. M., Nusbaum, H. C., & Margoliash, D. (2003). Consolidation during sleep of perceptual learning of spoken language. Nature, 425(6958), 614-616.
註二 人類可依經驗作為行為的修正，而電腦僅遵循指令運作，類神經網路即是藉由在電腦上模擬人類的神經連結來填補該二者的空隙。當被定義明確時，類神經網路概括化以及從資料中學習的能力，就如人類從經驗中學習的能力一般。
註三.Norman, K. A., Newman, E. L., & Perotte, A. J. (2005). Methods for reducing interference in the Complementary Learning Systems model: oscillating inhibition and autonomous memory rehearsal. Neural Networks, 18(9), 1212-1228.
