容量分配是动态的，难度更高的子任务会挤占其他任务的份额
别名: Kahneman capacity model · attentional resource allocation · 资源分配理论
概念解释
与其把注意想成一个固定位置的过滤器，不如把它想成一份可以按需调配的资源：总量有限，但怎么分给当前正在做的几件事，是随时可以重新调整的。这就是容量分配模型（capacity allocation model），由 Kahneman 系统提出：某个任务越难、越需要主动努力，分给它的资源份额就越大，其余任务能拿到的份额相应缩水。
这条和早期/晚期选择理论回答的不是同一个问题——那两个理论争的是"过滤发生在哪一步"，这个模型关心的是"总资源在多任务之间怎么被分配、分配的比例由什么决定"，是瓶颈理论之外的另一条主线。
机制
模型把可用的注意资源当作一个总量随唤醒水平波动、但在任意时刻都有限的池子：唤醒水平适中偏高时总量较大，唤醒过低或过高时总量收缩，这与前面提到的倒 U 型唤醒—表现关系是同一套底层逻辑。
分配的规则不是平均分，而是由一套分配策略（allocation policy）决定，这个策略会综合考虑几个因素：当前任务的难度（越难需要的资源越多）、任务的重要性或个人意愿投入的程度、长期习惯形成的固定分配倾向。难度是其中最直接的驱动因素——同一个任务，随着难度提升，需要占用的资源单调增加，一旦某个任务把资源占用推得很高，留给其他并行任务的份额就被自动压缩，表现为那些任务绩效下降，即便它们本身的难度没有变化。
这个模型能解释一个早期/晚期选择理论都难以处理的现象：双任务的干扰程度不是固定的，而是随其中一个任务的难度变化而连续变化——难度越高，对另一个任务的挤占越明显，这正是"资源可以动态调配"而非"通道固定开关"的直接证据。
怎么研究
常见做法是操纵单一任务难度、观察对并行任务的挤占效应：让被试同时执行两个任务，逐步提高其中一个任务的难度（增加计算量、缩短反应窗口、提高辨别难度），测量另一个任务的绩效随之下降的幅度。
常见自变量：主任务难度的分级、次任务本身的性质是否需要主动努力。 常见因变量：次任务绩效随主任务难度上升而下降的斜率、生理唤醒指标（如瞳孔直径、心率变异性）与任务难度的相关性。
这套范式常用来量化任务难度与资源占用之间的定量关系，比单纯的"有没有干扰"更进一步，能回答"干扰程度随难度如何变化"这种更精细的问题，是评估高负荷任务对次要任务影响的常用工具。
方法论注意点：这个模型对"努力"和"资源"的操作化定义（常用瞳孔直径作为唤醒/努力的生理指标）本身依赖一套假设——瞳孔扩张确实反映认知努力投入，而不是别的生理过程，这层假设在解释具体数据时需要谨慎。
边界
- 分配策略本身是可以被主观意愿覆盖的，同样难度的任务，如果被试主观上更想做好，投入的资源会更多，这意味着单靠客观难度不能完全预测资源分配结果。
- 总量本身受唤醒水平调节，不是恒定值，疲劳、压力、情绪状态都会先改变可用总量，再影响分配结果，因此同一个人在不同状态下，同样的任务组合可能表现出不同的干扰程度。
- 模型没有说明为什么某些任务对之间干扰特别小（比如一个视觉任务配一个语音任务），这类现象后来被归因于任务占用的资源类型不同，而不只是数量分配的问题——这属于另一套理论框架处理的范畴，不在这个模型的解释范围内。
- 这条讲的是总量池内部的动态分配，不涉及资源本身是不是单一同质的池子这个更深的问题。