由马里兰州巴尔的摩约翰·霍普金斯大学的Robert Moffit编辑,并由编辑委员会成员Jose A.Scheinkman于2020年9月21日接受(2020年4月8日收到供审查)。
在过去的一个世纪里,关于个体在认知要求高的任务中的表现的年龄模式是如何变化的,我们知之甚少。衡量这种生命周期绩效模式及其随时间的动态变化的主要困难与构建可靠的衡量标准有关,该衡量标准可以跨个人和随时间进行比较,并且不受技术变化或其他环境因素的影响。这项研究基于对职业国际象棋比赛数据的分析,为过去125年认知表现的生命周期模式的动态变化提供了证据。相对于基于国际象棋引擎建议的各自最优走法的客观基准,对超过24,000场游戏中的个人逐步走法性能进行评估。这利用了严格可比较的任务的优势,并与相同的性能基准进行比较,为同一个人在不同年龄的长时间内提供了精确和可比较的个人表现衡量标准。通过对相同个体的重复观察,可以将年龄模式从特殊变异中解脱出来,并分析年龄模式是如何随着时间和出生队列的变化而变化的。这些发现记录了生命周期中的驼峰形表现概况,以及与队列效应而不是时期效应相关的向年轻年龄的长期转变。这种转变可以通过更多的经验来合理化,这可能是与数字化相关的教育和培训设施变化的结果。
老龄化是许多国家劳动力市场面临的关键挑战。虽然资本深化和教育水平的提高总体上倾向于提高劳动生产率(1,2),但由于技术变革和数字化,工作环境迅速变化,认知要求高的任务变得更加普遍和重要(3⇓-5)。现有的证据表明,认知技能是在生命早期形成的(6,7),但令人惊讶的是,关于个体在认知要求高的任务中的表现在生命周期中如何变化,以及这些生命周期表现模式在过去一个世纪里是如何变化的,人们知之甚少。
测量认知表现的生命周期模式及其长期动态的主要困难与构建可靠的表现测量有关,该测量对于不同队列的个体在整个生命周期中具有可比性,并且随着时间的推移具有可比性。经济学中的经验性工作传统上集中在个人(8,9)、团队(10)或公司(11,12)层面上关于劳动生产率的工作相关信息。来自这篇文献的证据表明,生命周期的生产率曲线是驼峰状的,尽管关于老年人生产率下降的证据相当复杂,这可能取决于特定的背景(13⇓-15)。同样,基于汇总数据的研究通常发现驼峰状的生命周期生产力剖面(16⇓-18)。然而,与工作相关的生产力测量对于衡量认知要求高的任务的表现并不理想,而且在可比性、技术工作环境、劳动力市场制度和需求因素方面都受到限制,这些因素都表现出随时间和跨技能组的变化(1,19)。考虑到技能需求变化的调查发现,有证据表明,绩效潜力在35岁至44岁(20岁)左右达到峰值,但仅限于较短的观察期,这阻碍了对年龄-绩效曲线随时间和跨队列的动态分析。另一个问题与在存在自我选择和工作相关任务变化的情况下衡量生产力或绩效有关(21,22)。关于科学创造力的相关工作记录了由于技术变化,生命周期绩效随时间发生的重大变化(23,24),这排除了在这一背景下分析年龄-绩效概况的长期演变(25)。
认知心理学已有的工作从不同的维度测量了认知绩效。横断面研究的结果表明,在主要与信息处理中的速度、记忆、视觉化或推理有关的任务中(与流体智力有关)的表现随着年龄的增长而下降,而在依赖经验和积累的知识(与结晶智力有关)的任务中的表现直到50岁或50岁以上(26、27岁)时才会增加。对专家绩效的研究强调了实践的作用(28),最近的研究表明,智力和实践在决定绩效方面相互作用(29),从而共同影响终生绩效概况(30,31)。神经学证据
以前关于国际象棋背景下认知表现变化的工作要么是基于对不同年龄和力量的棋手进行的横截面行为实验,侧重于决策速度和工作记忆的测量(44),要么是基于使用评级信息作为业余棋手年龄和精神表现之间关系表现的代理的个人之间的差异(29,30,43,45)。相比之下,这里的分析使用了长时间和多个队列的个体内差异,并使用基于移动质量的可比较和客观的衡量标准来衡量认知表现。这使得我们可以在较长的时间范围内探索年龄-表现概况的动态变化。
估计结果揭示了关于过去125年认知表现的生命周期分布及其动力学的几个洞察力。图1A显示了通过绘制年龄分布的非参数估计的结果,使用不受额外控制变量限制的局部线性回归,并使用世界冠军及其对手的汇集样本的数据,显示了表现的生命周期模式。图1A显示了通过绘制年龄分布的非参数估计的结果,而不以额外的控制变量为条件的局部线性回归,以及使用世界冠军及其对手的汇集样本的数据。性能在整个生命周期中呈现出驼峰状的模式。个人表现在20岁出头之前急剧增加,然后达到一个平台期,在35岁左右达到峰值,在较高年龄时持续下降。新出现的生命周期表现模式与先前文献中的几个发现相对应,这些发现基于个体之间的差异或使用与工作相关的衡量标准来估计年龄分布。
为了排除生命周期性能模式的估计是由第三个因素驱动的,我们估计了更丰富的多元回归模型的规格,该模型控制了棋子的颜色、游戏中每个玩家的走动次数(以解决疲劳)、游戏特定于玩家的平均复杂性,以及出生队列、日历周期和玩家假人。这些估计在驼峰形的年龄模式方面得出了类似的结果,表现在年轻时提高,在老年时下降。图1B说明了立方年龄规格的估计年龄分布(估计值载于SI附录,表S1)。与前人的研究结果相平行的是,用年龄立方规范和一组广泛的控制变量得到的性能峰值在35岁左右,随后的下降在多变量回归中要小得多。对于具有年龄仓的规格而不是年龄的二次型规格,也获得了类似的结果(SI附录,图1)。S1和表S1)。
这些结果没有说明棋手在过去125年里的表现变化。图2A中描绘的无条件估计显示,出生较晚的队列的平均表现要高得多。与19世纪70年代左右出生的球员相比,70年代后出生的球员的表现提高了大约8个百分点(从44%的最佳走法增加到大约52%的最佳走法)。对于较新出生的队列,年轻的生命周期表现特征比年龄较大的队列增长得更快。在图2B中可以看到按历年划分的性能模式的类似加速。绩效在20世纪期间稳步增长,但数据也显示,在20世纪90年代,绩效增长的幅度更大。这恰逢一个阶段,在这个阶段,新的信息技术和家用电脑上强大而负担得起的国际象棋引擎的可用性使得国际象棋特定的知识被广泛使用,并极大地改变了棋手的准备可能性。这些新技术的可用可能通过提供他们在职业生涯早期获得更多练习的可能性,改善了最近队列中球员的表现,但也可能通过为较老队列的球员提供更好的训练设施,使他们同样受益。对于世界冠军和对手来说,结果在质量和数量上都非常相似,他们的人内差异要大得多,这表明关于年龄分布以及跨时间和队列的差异的研究结果并不是由特定的亚样本推动的(SI附录,图4)。S2-S4)。
为了弄清这些动态是否以及如何影响年龄-表现曲线,图3绘制了不同出生队列和日历时期的年龄曲线。图3A中的出生队列的结果模式证实了这一发现,即较晚出生的队列的表现有所提高。然而,尽管较早出生的队列在所有年龄组中的增长相当一致,但较晚出生的队列在较年轻的年龄组中表现的增长更为明显。在整个年龄段内,性能的提高并不相等
抽样的结果是,抽样是基于世界冠军一生中参加的所有比赛,世界冠军组应该比对手组表现出更少的选择。然而,关于年龄-表现模式及其在队列之间的转移,而不是随着时间的推移,两组的结果都是确凿的(SI附录,图3)。S2、S8和S9)。为了更详细地调查选择对使用基线样本获得的结果的影响,我们将重点放在世界冠军的对手身上,对他们来说,生命周期中的性能信息更加稀疏,并收集了这些对手在基础样本中进行的所有比赛的整个生命周期的数据。这允许使用来自替代样本的数据复制结果,并探索正面选择在GAM中的作用。
.