# 追蹤 dual n-back 進度：實用的會話日誌

Canonical: https://romeoapps.app/zh-Hant/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-Hant/dual-n-back/)

使用簡單的 dual n-back 會話日誌來公平地比較等級、準確性和錯誤。包括一個虛構的工作範例和每週回顧方法。

## 判斷分數之前記錄條件

有用的 dual n-back 日誌記錄您的練習內容，而不僅僅是您的最佳百分比。寫下日期、任務模式、N 等級、會話時長、評分規則和結果。新增有關中斷或裝置變更的簡短說明。保持格式足夠小，以便在會議結束後填寫。本指南提出了一種個人組織方法，而不是經過驗證的認知評估或所需的培訓計劃。


## 每個可比較的區塊使用一行

如果等級在會話期間發生變化，請在該資訊可用時將區塊分開。否則，將結果標記為混合等級會話，而不是將其分配給達到的最高 N。您可以將日誌儲存在筆記本或電子表格中。僅記錄您的應用程式實際顯示的資訊；將不可用的值留空，而不是發明它們。


## 例：創紀錄並不總是趨勢

此表包含發明結果，而不是使用者資料。兩個會話都是雙 2-back 塊，有 100 個計分決策，其中 20 個是比賽，使用相同的計時和計分慣例。第二次會話有更多正確的偵測，但也有更多的誤報。因此，它對匹配的響應更加靈敏，但整體準確性卻沒有提高。僅一個百分比就可以隱藏響應模式的變化。

虛構範例：兩個可比較的雙 2-back 區塊

| 測量 | 會議A | 會議B |
| --- | --- | --- |
| 得分決定 | 100 | 100 |
| 實際比賽 | 20 | 20 |
| 點選數 | 16 | 18 |
| 未命中 | 4 | 2 |
| 誤報 | 4 | 8 |
| 正確拒絕 | 76 | 72 |
| 整體準確度 | 92% | 90% |


## 將誤報與誤報分開

未命中意味著沒有檢測到真正的匹配；誤報意味著您在沒有匹配的情況下發出了匹配訊號。在範例中，會話 A 偵測到 20 個匹配項中的 16 個：80%。會話 B 偵測到 20 個中的 18 個：90%。但誤報從 80 次不匹配中的 4 次 (5%) 上升到 80 次不匹配中的 8 次 (10%)。 A 的整體準確度為 92%，B 的整體準確度為 90%。無論是按按鈕的次數還是較高的命中率都不足以概括整體表現。

[Dual N-Back評分：公式、範例與計算機](https://romeoapps.app/zh-Hant/dual-n-back/dual-n-back-scoring/)

## 保持混合水平和平均值誠實

不要將 N=3 時的個人最佳成績與 N=2 時的平均成績進行比較，就好像只是您的技能改變了。為每個模式和等級保留單獨的摘要。如果您合併區塊，請保留評分決策的數量：平均兩個百分比可以使每個區塊具有相同的權重，即使一個區塊更長。從一次審查到下一次審查都使用相同的計算，並記下任何變更。

[Single 與 dual n-back：有何變化以及從哪裡開始](https://romeoapps.app/zh-Hant/dual-n-back/single-vs-dual-n-back/)

## 每週簡短回顧

選擇一個固定的時間重讀類似的課程。問三個問題：我是否完成了計畫的練習，出現了哪些錯誤，以及我是否更改了設定？如果計算中位數，請將可比較分數排序並取中間值，或取兩個中間值的平均值作為偶數。保留所有會議，包括令人失望的會議。個人日誌可以揭示需要調查的模式，但有些觀察結果無法確定原因。


## 當結果停止上升時該怎麼辦

首先檢查比賽是否真的使用相同的等級、速度和得分。然後閱讀錯誤註釋。如果未命中佔主導地位，請重新審視比較規則，或者如果再次出現誤報，請檢查您是否正在回答熟悉的訊號而不是精確的 N-back 匹配。盡可能一次調整一項設定。平臺期是對最近結果的描述，而不是診斷或需要特定訓練劑量的證據。


## 日誌可以顯示什麼和不能顯示什麼

日誌記錄了在您記錄的條件下任務的執行情況。它並不表現出智商的提升或學習、工作或日常記憶力的改善。對 n-back 訓練的研究區分了練習任務的效益與轉移到不同任務的效益。使用應用程式的會話結果作為起點、定義的評分指南以及更廣泛主張的限制的證據指南。

[Dual N-Back有效嗎？研究證據與限制](https://romeoapps.app/zh-Hant/dual-n-back/does-dual-n-back-work/)

## 延伸閱讀

- 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