# 跟踪 dual n-back 进度：实用的会话日志

Canonical: https://romeoapps.app/zh-Hans/dual-n-back/dual-n-back-progress-log/
Author: Roméo Gambino · Published: 2026-09-08 · Updated: 2026-09-08 · App: Dual N-Back (https://romeoapps.app/zh-Hans/dual-n-back/)

使用简单的 dual n-back 会话日志来公平地比较级别、准确性和错误。包括一个虚构的工作示例和每周回顾方法。

## 判断分数之前记录条件

有用的 dual n-back 日志记录您的练习内容，而不仅仅是您的最佳百分比。写下日期、任务模式、N 级别、会话时长、评分规则和结果。添加有关中断或设备更改的简短说明。保持格式足够小，以便在会议结束后填写。本指南提出了一种个人组织方法，而不是经过验证的认知评估或所需的培训计划。


## 每个可比较的块使用一行

如果级别在会话期间发生变化，请在该信息可用时将块分开。否则，将结果标记为混合级别会话，而不是将其分配给达到的最高 N。您可以将日志保存在笔记本或电子表格中。仅记录您的应用实际显示的信息；将不可用的值留空，而不是发明它们。


## 示例：创纪录并不总是趋势

该表包含发明结果，而不是用户数据。两个会话都是双 2-back 块，有 100 个计分决策，其中 20 个是比赛，使用相同的计时和计分惯例。第二次会话有更多正确的检测，但也有更多的误报。因此，它对匹配的响应更加灵敏，但总体准确性却没有提高。仅一个百分比就可以隐藏响应模式的变化。

虚构示例：两个可比较的双 2-back 块

| 测量 | 会议A | 会议B |
| --- | --- | --- |
| 得分决定 | 100 | 100 |
| 实际比赛 | 20 | 20 |
| 点击数 | 16 | 18 |
| 未命中 | 4 | 2 |
| 误报 | 4 | 8 |
| 正确拒绝 | 76 | 72 |
| 整体准确度 | 92% | 90% |


## 将误报与误报分开

未命中意味着没有检测到真正的匹配；误报意味着您在没有匹配的情况下发出了匹配信号。在示例中，会话 A 检测到 20 个匹配项中的 16 个：80%。会话 B 检测到 20 个中的 18 个：90%。但误报从 80 次不匹配中的 4 次 (5%) 上升到 80 次不匹配中的 8 次 (10%)。 A 的总体准确度为 92%，B 的总体准确度为 90%。无论是按按钮的次数还是较高的命中率都不足以概括整体性能。

[Dual N-Back评分：公式、示例与计算器](https://romeoapps.app/zh-Hans/dual-n-back/dual-n-back-scoring/)

## 保持混合水平和平均值诚实

不要将 N=3 时的个人最佳成绩与 N=2 时的平均成绩进行比较，就好像只是您的技能发生了变化。为每个模式和级别保留单独的摘要。如果您合并块，请保留评分决策的数量：平均两个百分比可以使每个块具有相同的权重，即使一个块更长。从一次审查到下一次审查都使用相同的计算，并记下任何更改。

[Single 与 dual n-back：有何变化以及从哪里开始](https://romeoapps.app/zh-Hans/dual-n-back/single-vs-dual-n-back/)

## 每周简短回顾

选择一个固定的时间重读类似的课程。问三个问题：我是否完成了计划的练习，出现了哪些错误，以及我是否更改了设置？如果计算中位数，请将可比分数排序并取中间值，或取两个中间值的平均值作为偶数。保留所有会议，包括令人失望的会议。个人日志可以揭示需要调查的模式，但一些观察结果无法确定其原因。


## 当结果停止上升时该怎么办

首先检查比赛是否真的使用相同的级别、速度和得分。然后阅读错误注释。如果未命中占主导地位，请重新审视比较规则，或者如果再次出现误报，请检查您是否正在回答熟悉的信号而不是精确的 N-back 匹配。尽可能一次调整一项设置。平台期是对最近结果的描述，而不是诊断或需要特定训练剂量的证据。


## 日志可以显示什么和不能显示什么

日志记录了在您记录的条件下任务的执行情况。它并不表现出智商的提高或学习、工作或日常记忆力的改善。对 n-back 训练的研究区分了练习任务的收益与转移到不同任务的收益。使用应用程序的会话结果作为起点、定义的评分指南以及更广泛主张的限制的证据指南。

[Dual N-Back有效吗？研究证据与局限](https://romeoapps.app/zh-Hans/dual-n-back/does-dual-n-back-work/)

## 延伸阅读

- scikit-learn documentation — classification metrics and confusion matrices (mathematical definitions) — https://scikit-learn.org/stable/modules/model_evaluation.html#classification-metrics
- Holmes, Woolgar, Hampshire & Gathercole (2019), Are Working Memory Training Effects Paradigm-Specific? — https://doi.org/10.3389/fpsyg.2019.01103