Awareness, Control and Automaticity in Value-Modulated Attentional Capture

• Autores: Francisco Garre Frutos
• Directores de la Tesis: Juan Lupiáñez Castillo (dir. tes.), Miguel A. Vadillo (dir. tes.)
• Lectura: En la Universidad de Granada ( España ) en 2025
• Idioma: inglés
• ISBN: 9791370151362
• Número de páginas: 456
• Títulos paralelos:
  • Conciencia, control y automaticidad en la captura atencional modulada por el valor
• Programa de doctorado: Programa de Doctorado en Psicología por la Universidad de Granada
• Enlaces
  • Tesis en acceso abierto en: DIGIBUG
• Resumen
  • español

    Imagina que entras en tu cafetería favorita en plena hora punta. Ya sabes qué pedir y dónde mirar, pero aun así la vista se te va a un cartel llamativo que anuncia una bebida de edición limitada que no pensabas pedir. No te ayuda a cumplir tu objetivo—de hecho, te distrae—, y aun así cuesta ignorarla. Intuitivamente tiene sentido: las cosas que nos gustan tienden a captar la atención. En el laboratorio, esa idea ha recibido el nombre de captura atencional modulada por el valor (CAMV): estímulos previamente asociados a recompensa sesgan la atención de forma automática, incluso cuando atenderlos perjudica la obtención de esa recompensa. En paradigmas experimentales típìcos empleados para medir la CAMV, las personas se les instruye identificar un estímulo objetivo con rapidez y precisión para ganar puntos, ignorando otros estímulos que sirven de distractores irrelevantes, pero cuyo color indica cuántos puntos están en juego. Atender a este distractor no aporta nada: ya que enlentence y reduce la probabilidad de identificar correctamente el estímulo objetivo. Aun así, tras aprender las contingencias entre el color del distractor irrelevante y la magnitud de los puntos en juego, las respuestas se vuelven más lentas y la precisión baja precisamente cuando el distractor tiene el color que predice más puntos. Este patrón, en apariencia paradójico, ilustra cómo el valor aprendido compite con el control voluntario de la atención: la atención no prioriza solo lo relevante, sino también aquello que ha tenido relevancia motivacional, incluso cuando va en contra del de nuestros objetivos. Un supuesto bastente extendido en la literatura es que el aprendizaje puede moldear como priorizamos atencionalmente elementos de nuestro entorno de forma automática e implícita. En esta línea, señales de recompensa, u otros estímulos apetitivos seguirían ”capturando” nuestra atención aunque ya no sean pertinentes—o incluso cuando interfieren con la tarea. Esta tendencia se compara a menudo con el fenómeno conocido como sign-tracking en animales: acercarse o interactuar con una clave que predice recompensa aunque carezca de valor instrumental. En humanos, la CAMV se ha relacionado tanto con motivación adaptativa como con patrones desadaptativos en adicción y otras condiciones psicopatológicas, donde la captura atencional por claves asociadas a recompensa podría reflejar diferencias individuales en la propensión a atribuir saliencia de incentivo — o valor motivacional — a esos estímulos. En este sentido, la CAMV se ha propuesto como análogo conductual del sign-tracking, tendiendo un puente entre el aprendizaje asociativo y la atención humana. Ahora bien, pese a su atractivo teórico, un examen cuidadoso de la literatura matiza un poco lo expuesto en el párrafo anterior: la evidencia sobre el carácter verdaderamente implícito de la CAMV es menos concluyente de lo que suele asumirse. A menudo se describe como algo que emerge al margen de la conciencia y persiste a pesar de que nuevas contingencias deberían modificar lo previamente aprendido, como si de un hábito atencional inflexible se tratase. Sin embargo, si la CAMV puede describirse con ambas características sigue siendo una pregunta abierta. La evidencia de que la CAMV pueda aprenderse sin conciencia de que exista una asociación es mixta y metodológicamente heterogénea; la conciencia se evalúa habitualmente de manera retrospectiva y rara vez se especifican las condiciones límite en las que, por ejemplo, prestar atención selectiva a lo que está siendo asociado es necesario para que se produzca aprendizaje. Del mismo modo, las afirmaciones de inflexibilidad suelen basarse en procedimientos de extinción con escaso incentivo para actualizar las asociaciones, mientras que en otros contextos la CAMV revierte con rapidez cuando las nuevas contingencias se hacen explícitas. En suma, aunque la CAMV se ha usado como modelo de atención automática y “habitual”, las condiciones bajo las que esas propiedades realmente se sostienen siguen sin estar bien delimitadas. Dado lo anterior, la tesis aborda tres objetivos. Primero, evaluar la fiabilidad y la validez de la CAMV como medida de atención basada en ”valor aprendido”. Dado que las conclusiones teóricas dependen de que la tarea capture el constructo que pretende medir de forma consistente y válida, es clave comprobar si la CAMV puede replicarse en condiciones realistas y si los índices típicos de CAMV pueden considerarse medidas fiables y teóricamente significativas de lo que se pretende medir. Esto conecta con una cuestión más amplia en psicología experimental: hasta qué punto paradigmas experimentales clásicos pueden funcionar como herramientas fiables para medir diferencias individuales, y no solo como demostraciones puntuales de la existencia de efectos dependientes de estos paradigmas. Segundo, aclarar hasta qué punto la CAMV puede considerarse un aprendizaje implícito, examinando cómo el conocimiento de las contingencias de recompensa y las demandas de atención selectiva sobre la característica predictiva contribuyen a su adquisición. En tercer lugar, reexaminar la supuesta inflexibilidad de la CAMV, evaluando cómo cambian los sesgos atencionales inducidos por la recompensa cuando las asociaciones se eliminan o se invierten e identificando las condiciones bajo las cuales la CAMV persiste—o no—ante procesos de reevaluación. En conjunto, se trata de determinar hasta qué punto la CAMV puede considerarse un fenómeno automático e inflexible o, por el contrario, debe entenderse como un fenómeno más flexible y dependiente de procesos cognitivos de orden superior. En relación con el primer objetivo, en el Estudio 1 replicamos los típicos efectos de CAMV en una muestra online amplia (N = 184) y analizamos su consistencia interna mediante un análisis multiverso de fiabilidad, sistematizando paramétricamente decisiones de preprocesamiento igualmente plausibles a priori, dando lugar a 288 posibles formas de análisis. La consistencia interna observada alcanzó niveles aceptables en algunas combinaciones de preprocesado, pero la fiabilidad osciló enormemente en algunas de ellas. Específicamente, algunas opciones de preprocesado habituales en la literatura de diferencias individuales demostraron consistencias internas especialmente bajas. Aunque con ciertos preprocesamientos la CAMV puede ser suficientemente fiable para captar diferencias individuales en signtracking atencional (como se observó en los Estudios 5 y 6), tanto la expresión como el aprendizaje del efecto pueden incorporar procesos no plenamente alineados con el constructo de interés. En concreto, el Estudio 5 encontramos que la forma de demostrar que atender a una característica predictiva de recompensa perjudica el rendimiento puede influir en la magnitud de la CAMV: la forma en la que se penalicen los errores (omitir recompensa vs. castigar errores) modula tanto cómo se expresa la CAMV y cómo se extingue, mostrando que cuando las respuestas incorrectas en la tarea se castigan (el distractor de alta recompensa también señala un mayor riesgo de castigo), la CAMV aumenta en magnitud y persiste más durante la extinción. Consistente con la idea de que la incertidumbre/variabilidad del resultado influye en cómo se desarrolla la CAMV, en el Estudio 6, mediante modelización computacional con dos bases de datos abiertas, hallamos que el aprendizaje refleja no solo valor sino también la influencia de la incertidumbre o variabilidad en la recompensa. Ambos resultados advierten que si se pretende usar la CAMV como medida individual, conviene considerar procesos alternativos que contribuyen al efecto. Con respecto al segundo objetivo, los resultados de los Estudios 2 y 3 sugieren que tanto la conciencia como la atención selectiva a la característica predictiva son necesarias para la adquisición de la CAMV. En el Estudio 2, manipulamos la conciencia de las contingencias sobre la asociación distractor-recompemnsa mediante un procedimiento de aprendizaje incidental y observamos que solo los participantes instruidos sobre la contingencia, o que a pesar de no fueran instrudios reportaron correctamente la contingencia, mostraron evidencia de aprendizaje. Este resultado fue respaldado por un meta-análisis que comparó aprendizaje instruido frente a incidental sobre estudios publicados con un paradigma similar, mostrando que instruir a los participantes sobre las instrucciones es tal vez el moderador más fuerte en la magnitud de CAMV. Además, en el Estudio 3, manipulamos la atención selectiva sobre la característica del distractor predictive de recompensa pidiendo a los participantes que realizaran una tarea secundaria que les exigía atender o bien a la característica predictive o bien a una característica completamente irrelevante para la recompensa. Los resultados fueron claro: solo quienes atendieron a la característica predictiva mostraron CAMV. De forma interesante, en el Estudio 3 tanto la conciencia de la contingencia como la manipulación de la atención selectiva contribuyeron independientemente a la magnitud de la CAMV, lo que sugiere que ambos factores desempeñan un papel crucial en la adquisición de sesgos atencionales basados en el valor. Por último, en relación con el tercer objetivo, los resultados de los Estudios 1, 4 y 5 muestran que la CAMV no es inflexible de manera uniforme; su flexibilidad depende de cómo se reevaluen las contingencias.

  • English

    Imagine walking into your favourite café on a busy morning. You already know what you want and where to look for it, yet your eyes are immediately drawn to a bright sign advertising a limited-edition drink you never planned to order. It’s not that the sign helps you achieve your goal—in fact, it distracts you from it—but it is still difficult to ignore. Intuitively, that feels natural: things we like capture our attention. Under controlled conditions, this intuition takes the form of value-modulated attentional capture (VMAC): stimuli previously associated with reward come to bias attention automatically, even when attending to them is detrimental to obtaining the reward. In typical experimental paradigms used to measure VMAC, participants must identify a target quickly and accurately to earn points while ignoring a salient, task-irrelevant distractor whose colour signals how many points can be won. Critically, attending to this distractor provides no benefit—it slows responses and reduces the likelihood of obtaining the reward. Yet after learning the contingencies, participants still show a reliable bias: responses are slower and accuracy decreases precisely when the distractor carries the colour that predicts higher rewards. This seemingly paradoxical behaviour reveals something fundamental about how learned value competes with goal-directed control: our attentional system prioritises not only what is relevant, but what has been motivationally significant in the past—even when that influence works against current aims. A central claim in contemporary research on attention is that learning can shape attentional priority automatically and implicitly. In this vein, cues that have signalled valuable outcomes can continue to capture attention even when doing so is no longer relevant—or even interferes with current goals. This tendency is often compared to sign-tracking in animal learning: the tendency to interact with a cue that predicts reward, even when that cue has no instrumental value. In humans, VMAC has been linked to a range of behaviours, from adaptive motivation to maladaptive patterns observed in addiction and other psychopathologies, where attentional capture by reward-related cues may reflect individual differences in the predisposition to attribute “incentive value” to reward-predictive stimuli. In this sense, VMAC has been proposed as a behavioural analogue of sign-tracking, providing a bridge between associative learning theory and human attention research. Yet despite its intuitive and theoretical appeal, and despite several demonstrations of apparent automaticity, inflexibility, and implicitness, a closer look shows that the evidence for the implicit nature of VMAC is less clear than often assumed. The phenomenon is frequently described as emerging independently of conscious awareness and persisting in a way that is difficult to modify, as if reflecting an inflexible attentional habit. However, both assumptions remain open to question. Empirical support for learning without awareness is mixed, with methodological differences that make direct comparisons difficult; awareness is typically assessed retrospectively, and the boundary conditions under which selective attention during acquisition is necessary are rarely specified. Likewise, claims of inflexibility often rest on extinction procedures where motivation to update learned associations is minimal, whereas in other contexts VMAC can reverse rapidly when new contingencies are made explicit. Thus, although VMAC is often taken as a model of automatic, habit-like attention, the conditions under which these features truly hold remain uncertain. Building on these questions, the thesis addresses three main aims. First, to assess the reliability and validity of VMAC as a measure of value-based attention. Because theoretical interpretations depend on how consistently and meaningfully the task captures the underlying construct, it was necessary to determine whether the effect replicates under realistic conditions and whether its indices can be considered a realiable and interpretable measure of attentional bias derived by learned associations. This also speaks to a broader issue in experimental psychology: to what extent classic experimentales paradigms can be treated as reliable tools for measuring individual differences, rather than as one-off demonstrations of potentially task-dependent effects. Second, to clarify the extent to which VMAC can be considered an implicit form of learning by examining how awareness of the reward contingencies and selective attention to the predictive feature contribute to its acquisition. While VMAC is often described as automatic, little is known about whether participants must attend to, or be aware of, the relevant feature to learn its association with value. Third, to re-examine the purported inflexibility of VMAC by assessing how reward-induced attentional biases change when associations are removed or reversed, and by identifying the conditions under which VMAC does—or does not—persist in the face of revaluation. Taken together, the aim is to determine to what extent VMAC can be regarded as an automatic and inflexible phenomenon, or whether it should instead be understood as a more flexible phenomenon that depends on higher-order cognitive processes. Regarding the first objective, in Study 1 we replicated the classical VMAC effect in a large online sample (N = 184) and assessed its internal consistency using a multiverse reliability analysis, parameterizing a set of a priori plausible preprocessing (and scoring) decisions to yield 288 analytic pipelines. Internal consistency reached acceptable levels for some preprocessing combinations, but reliability varied widely across pipelines; notably, several preprocessing choices commonly used in the individual-differences literature produced especially low internal consistency. Although with certain preprocessing choices VMAC can be sufficiently reliable to capture individual differences in attentional sign-tracking (as observed in Studies 5 and 6), both the expression and the acquisition of the effect may recruit processes not fully aligned with the target construct. Specifically, Study 5 showed that how one demonstrates that attending to a reward-predictive feature harms performance can influence the magnitude of VMAC: how error were punished (omitting reward vs. losing reward) modulates both the expression of VMAC and its extinction. When incorrect responses are punished (so that the high-reward distractor also signals a higher risk of punishment), VMAC increases in magnitude and persists longer during an extinction stage. Consistent with the idea that outcome uncertainty/variability shapes the development of VMAC, Study 6, using computational modeling on two open datasets, found that learning reflects not only value but also the influence of uncertainty. Together, these results caution that, if VMAC is to be used as an individual-differences measure, one should consider alternative processes that contribute to the observed effect. With respect to the second objective, results from Studies 2 and 3 suggest that both awareness and selective attention to the predictive feature are necessary for the acquisition of VMAC. In Study 2, we manipulated awareness of the distractor-reward contingencies through an incidental learning procedure and found that only participants who became aware of the contingencies showed a VMAC effect. This result was further supported by a meta-analysis comparing instructed versus incidental learning across studies, showing that instructing participants about the contingencies was one of the strongest moderators of the magnitude VMAC across studies. Furthermore, in Study 3, we manipulated selective attention to the reward-predictive feature by prompting participants to perform a secondary task that required them to attend either to the reward-predictive feature or to a reward-irrelevant feature. The pattern was clear: only participants who attended to the predictive feature showed a VMAC effect. Intriguingly, in Study 3 both contingency awareness and the selective-attention manipulation independently contributed to VMAC magnitude, suggesting that both factors play crucial roles in the acquisition of value-based attentional biases. Finally, for the third objective, findings from Studies 1, 4, and 5 indicate that VMAC is not uniformly inflexible; rather, flexibility depends on how revaluation is implemented. In Study 1, VMAC persisted when reward was removed during an extinction phase of equal length to a learning stage, consistent with the persistence often reported in the literature. In Study 5, we used a different revaluation procedure in which a high-reward distractor no longer signalled more reward than a low-reward distractor. Under these conditions, we again observed persistence of VMAC, even when contingencies should have reduced attention to the previously high-reward distractor. We also manipulated whether incorrect responses were punished or whether reward was simply omitted after errors. Persistence was stronger under punishment, which we interpret as reflecting increased outcome variability (consistent with Study 6).