Este memoria pe termen lung utilizată într-o paradigmă vizuală-spațială de detectare a schimbărilor?

Pentru mai multe informatii:ali.ma@wecistanche.com

Abstract

În testele dememorie de lucrucu materiale verbale sau spațiale, repetând același lucrumemorieseturile peste încercări duce la îmbunătățirea performanței memoriei. Acest „efect de repetiție Hebb” bine stabilit nu a putut fi demonstrat pentru materialele vizuale în cercetările anterioare. Absența efectului Hebb poate fi explicată în două moduri: fie o persoană nu reușește să dobândească o reprezentare de memorie pe termen lung amemorieseturi, sau dobândesc astfelmemorie pe termen lungreprezentări, dar nu le folosesc în timpulmemorie de lucrusarcină. În două experimente (N1=18 și N2=30), ne-am propus să decidem între aceste două posibilități prin manipularea cunoștințelor de memorie pe termen lung a unora dintre seturile de memorie utilizate într-o sarcină de detectare a schimbărilor. Înainte de testul de detectare a schimbării, participanții au învățat trei matrice de culori pe care să le criterieze. Testul următor de detectare a schimbărilor a conținut atât matrice de culori învățate anterior, cât și noi. Performanța de detectare a modificărilor a fost mai bună pe cele învățate anterior în comparație cu noile matrice, arătând acest lucrumemorie pe termen lungeste utilizat în detectarea schimbărilor.

Cuvinte cheie:Memoria vizuală de lucru. Memorie pe termen lung. Paradigma de detectare a schimbării. Efect de repetiție Hebb

Repetitio est mater studiorum — repetarea este mama studiului. Acest principiu fundamental se aplică probabil tuturor entităților care sunt capabile să facă ceea ce numim „învățare”; animale și oameni și chiar computere. De obicei, învățarea necesită repetarea unor informații țintă, fie intenționat, fie neintenționat. În timpul repetărilor, conexiunile neuronale din creierul nostru se schimbă treptat pentru a capta informațiile repetate.

Click pentru a folosi Cistanche pentru memorie

Care este rolul memoriei de lucru pentru învățare? De-a lungul a 6 decenii, mai mulți teoreticieni au presupus că pe termen scurt saumemorie de lucru(WM)—un mediu pentru menținerea temporară a informațiilor—este poarta de intrare în memoria pe termen lung (LTM), unde informațiile sunt stocate permanent. Atkinson și Shiffrin (1968) au presupus că informațiile trebuie să treacă prin „magazinul pe termen scurt” în LTM. Baddeley și colab. (1998) au emis ipoteza că bucla fonologică, o componentă a modelului WM al lui Baddeley, este un dispozitiv pentru învățarea de noi forme de cuvinte. Recent, Cowan (2019) a subliniat că menținerea informațiilor în WM implică nu numai activarea reprezentărilor LTM existente, ci și formarea altora noi. Forsberg şi colab. (2020) au susținut că capacitatea limitată a WM formează un blocaj pentru dobândirea de noi cunoștințe în LTM.

Un instrument important pentru studierea rolului WM în dobândirea treptată a cunoștințelor prin repetiție este așa-numitul efect de repetiție Hebb (Hebb, 1961). Efectul de repetiție Hebb se referă la observația că rechemarea imediată în serie – un test comun al WM – se îmbunătățește treptat pentru o listă de memorie care se repetă de mai multe ori pe parcursul unui experiment (de exemplu, Hebb, 1961; Hitch și colab., 2005; Page și colab., 2006). Efectul Hebb a fost observat inițial într-o sarcină de reamintire imediată în serie cu stimuli verbali (Hebb, 1961) și este discutat în mod specific pentru contribuția sa la învățarea limbilor (Lafond și colab., 2010; Szmalec și colab., 2009). Alte studii l-au găsit și cu stimuli vizuali semnificativi, cum ar fi fețele verticale (Horton și colab., 2008) și cu secvențe de locații spațiale (de exemplu, Couture și Tremblay, 2006; Gagnon și colab., 2004; Page et al., 2006; Turcotte și colab., 2005).

In contrast, several attempts to demonstrate the Hebb effect with arrays of simple visual stimuli have largely failed. In particular, no improvement of change detection—a common test of visual working memory—has been found across dozens of repetitions of the same array (Fukuda & Vogel, 2019; Logie et al., 2009; Olson & Jiang, 2004). There is some evidence for learning with a change-detection paradigm (Shimi & Logie, 2019), but it appears to require many more repetitions (>60 în acel studiu) decât efectul clasic Hebb, care este robust după aproximativ 10 repetări.

Studiul actual

Există două explicații posibile pentru absența învățării Hebb în sarcina de detectare a schimbării. În primul rând, participanții ar putea să nu obțină reprezentări LTM desprememorie repetatămatrice. În al doilea rând, participanții pot codifica matricele prezentate în mod repetat în LTM, dar nu reușesc să folosească aceste reprezentări LTM în încercările ulterioare de detectare a modificărilor folosind din nou aceleași matrice. Adică, deși participanții dobândesc cunoștințe cu care își pot îmbunătăți performanța pe matrice repetate, nu o fac. Unele dovezi pentru această ultimă posibilitate provin din două studii care arată că, deși detectarea schimbărilor nu s-a îmbunătățit în cazul rețelelor repetate, participanții au fost capabili să recunoască rețelele repetate cu mult peste șansă într-un test de sfârșit de experiment (Fukuda & Vogel, 2019; Olson). & Jiang, 2004).

În studiul actual, ne-am propus să testăm dacă reprezentările memoriei pe termen lung sunt utilizate într-o paradigmă de detectare a schimbărilor vizuale spațiale. Am creat urme LTM a trei matrice țintă cu șase culori A, B și C într-o fază de învățare. Am comparat apoi performanța într-un test ulterior de memorie de lucru între încercări folosind una dintre aceste matrice țintă, care, în mod demonstrabil, au fost stocate în LTM după faza de învățare și încercări cu matrice generate aleator (D) fără reprezentare în LTM. Generarea experimentală de urme LTM în afara procedurii de detectare a schimbării permite o distincție a două rezultate posibile. Dacă sunt utilizate aceste reprezentări, ar trebui să observăm o mai bună acuratețe a detectării schimbărilor pentru matricele învățate în comparație cu matricele aleatoare. Dacă aceste reprezentări nu sunt utilizate, atunci acuratețea tablourilor învățate nu ar trebui să fie diferită de acuratețea tablourilor aleatoare.

Metodă

Participanții

Două probe diferite au participat la Experimentul 1 și, respectiv, la Experimentul 2. Pentru Experimentul 1, eșantionul a constat din N=18 (Mage=22,6 ani, SDage=2,89) studenți de la Universitatea din Zurich. Experimentul 2 a înscris N=30 (Mage=23 ani, SDage=4,89) studenți ai Universității din Zurich și ai Universității Ulm, dintre care o persoană a fost exclusă de la analiza datelor după faza de învățare din cauza performanței insuficiente în faza de învățare (N finală=29). Alegerea noastră a dimensiunilor eșantionului a fost informată de numărul de studii anterioare privind efectul Hebb. Am decis să creștem dimensiunea eșantionului din Experimentul 2 pentru a crește șansele noastre de a măsura un mic efect al cunoștințelor pe care l-am fi ratat în Experimentul 1. Ambele experimente au fost promovate prin fluturași și prin e-mail. Participanții trebuiau să aibă între 18 și 35 de ani și să cunoască fluent limba germană. Persoanele interesate au fost excluse de la participare, dacă erau daltonişti sau aveau o vedere slabă (adică, necorectată).

Materiale și procedură

Sarcinile ambelor experimente au fost concepute pentru a studia aceeași întrebare de cercetare; cu toate acestea, unele ajustări ușoare au fost făcute sarcinilor după ce a fost efectuat Experimentul 1. Ambele experimente au constat din două părți. Prima a fost o fază de învățare, în care participanții au fost instruiți să învețe trei matrice de culori distincte (etichetate A, B și, respectiv, C; pentru restul acestei lucrări, acestea vor fi numite „matrice țintă”). După aceea, a fost administrată o sarcină de detectare a schimbărilor în care unele încercări au folosit matricele țintă, iar alte încercări au folosit matrice aleatoare noi ca seturi de memorie.

Experimentul 1 Faza de învățare a Experimentului 1 a început cu prezentarea succesivă a celor trei matrice de culori de învățat timp de 10 s fiecare. Fiecare matrice a constat din șase pete de culoare, care au fost distribuite echidistant pe un cerc imaginar și, pentru a facilita învățarea, fiecare matrice a fost asociată cu o literă (A, B sau, respectiv, C) în centrul cercului imaginar. Pentru toți participanții, culorile pentru fiecare matrice au fost alese aleatoriu dintr-un eșantion de 12 culori distincte (a se vedea Tabelul 1 pentru valorile RGB).

După această expunere inițială a celor trei matrice, faza de învățare a fost implementată prin intermediul unei paradigme clasice de detectare a schimbării. Am decis ca participanții să învețe matricele în acest fel, deoarece am vrut ca experiența de învățare să semene cu sarcina WM. Această procedură ar trebui să asigure un prag scăzut pentru utilizarea reprezentărilor LTM în timpul testului WM ulterior, deoarece optimizează procesarea adecvată a transferului (Morris et al., 1977).

Paradigma de detectare a schimbării administrată în faza de învățare este prezentată schematic în Fig. 1. Ea a constat din trei blocuri cu câte 24 de încercări fiecare. În toate blocurile, fiecare încercare a început cu prezentarea unei cruci de fixare timp de 1,000 ms, care a fost centrată pe ecran. În continuare, a fost prezentat unul dintre cele trei matrice țintă. Aici, timpii de prezentare au variat între cele trei blocuri. În primul bloc, matricele țintă au fost prezentate pentru 3.500 ms, în al doilea bloc pentru 2.500 ms, iar în al treilea bloc pentru 1.500 ms. După prezentarea unei matrice țintă, participanților li s-a prezentat un ecran gol pentru încă 1,000 ms. Ulterior, participanților li sa prezentat o sondă a matricei țintă, constând dintr-un patch de culoare în primul bloc, patch-uri de trei culori în al doilea bloc sau o gamă completă de șase patch-uri de culoare în al treilea bloc. Participanții au trebuit să indice dacă patch-urile de culoare prezentate acum se potriveau cu cele ale matricei complete prezentate anterior în aceeași poziție. Timpul de răspuns nu a fost limitat. Au existat trei tipuri de încercări: încercări fără modificare (aceeași patch de culoare în aceeași poziție), încercări de schimbare cu schimbare (plastic de culoare prezentat în altă poziție) și încercări cu schimbare aleatorie (culori care nu au fost prezentate anterior în matricea țintă în orice poziție). În cadrul fiecărui bloc, au existat 12 studii fără modificare, șase încercări de schimbare de schimb și șase studii de modificare aleatorie - ordinea tipului de studiu a fost randomizat. Fiecare matrice a fost prezentată de opt ori pe bloc, iar ordinea lor a fost randomizată. După fiecare încercare, a fost oferit feedback. Dacă răspunsul a fost corect, participanților li s-a prezentat mesajul „Richtig!” (Corect!), și a urmat următorul proces. Dacă un răspuns a fost incorect, participanților li s-a prezentat mesajul „Leider nicht Richtig! So siehtdiekorrekte Anordnung us:” (Din păcate, incorect! Așa arăta matricea corectă:) și apoi a fost prezentat din nou cu matricea țintă completă pentru a oferi un alt răspuns. oportunitate de învățare. Pentru a asigura învățarea celor trei matrice țintă, participanții au trebuit să îndeplinească un criteriu de învățare în cadrul fiecărui bloc, care a fost un minim de 19 încercări cu răspuns corect (din 24). Dacă participanții nu îndeplineau acest criteriu, ei trebuiau să repete blocul în care nu reușeau să facă acest lucru. În plus, la începutul fiecărui bloc, cele trei matrice țintă au fost din nou prezentate timp de 10 s fiecare. În acest fel, am sperat să inducem o reprezentare LTM rezonabil de puternică a matricelor țintă.

Odată ce un participant a îndeplinit toate criteriile fazei de învățare, i s-au prezentat instrucțiunile sarcinii ulterioare de memorie de lucru - și anume, o altă sarcină de detectare a schimbărilor. Instrucțiunile au făcut din nou clară procedura acestei sarcini și au declarat în mod explicit că nu va mai fi furnizat feedback în continuare. În general, paradigma de detectare a schimbării semăna puternic cu faza de învățare. Fiecare încercare a început cu prezentarea unei cruci de fixare timp de 1,000 ms pe un ecran gol. Apoi, a fost prezentată o matrice în șase culori, dar spre deosebire de faza de învățare, acum timpul de prezentare a fost de 1,000 ms. După un interval de reținere de 1,000-ms, în care ecranul era gol, un patch de culoare a fost afișat ca sondă în poziția unui element de matrice selectat aleatoriu. Din nou, participanții au trebuit să indice dacă patch-ul de culoare prezentat acum se potrivea cu patch-ul de culoare al matricei complete de șase culori în aceeași poziție. Timpul de răspuns nu a fost limitat. Pentru această sarcină de memorie de lucru, au fost administrate 10 blocuri cu 18 încercări fiecare. Înainte de aceasta, participanții au trebuit să finalizeze 18 probe de practică.

Din totalul de 180 de teste de testare, 90 de studii au prezentat unul dintre matricele țintă A, B sau C (30 de studii fiecare, prezentate acum fără etichetele lor), iar celelalte 90 de studii au fost rezervate pentru prezentarea de noi matrice (D), generate la întâmplare cu constrângerea că nu trebuie să fie identice cu unul dintre tablourile țintă. Înainte de sarcină, participanților nu li sa spus că matricele învățate anterior ar putea fi prezentate din nou. În cele 18 încercări per bloc, au existat aproximativ 40% încercări fără modificări și 60% încercări cu modificări.1 Din nou, ordinea tipului de încercare și ordinea matricelor au fost randomizate în fiecare bloc.

Experimentul 2 a început cu o fază de învățare similară cu Experimentul 1. Cu toate acestea, pentru a îmbunătăți învățarea LTM, am adăugat încă un bloc de învățare și am făcut criteriul de învățare pentru fiecare bloc mai strict (cel puțin 20 din 24 de încercări corecte). Pentru o prezentare schematică a condițiilor de învățare, vezi Fig. 2. Faza de învățare a constat acum din patru blocuri cu câte 24 de încercări fiecare. Primele trei blocuri au fost aceleași ca în Experimentul 1, cu excepția faptului că timpii de prezentare pentru matricele țintă din toate blocurile au fost randomizați într-un interval cuprins între 1,000 și 5,000 ms. Al patrulea bloc a adăugat o nouă experiență de învățare: participanților li s-au prezentat acum doar etichetele A, B sau C, urmate de o sondă cu matrice completă. Au trebuit să indice dacă această sondă se potrivea cu matricea pe care au învățat să o asocieze cu scrisoarea prezentată anterior. Această condiție de învățare ar trebui să se asigure că participanții au construit reprezentări LTM ale matricelor țintă pe care le-ar putea prelua pe baza unui indiciu de regăsire arbitrar.

Pentru a testa LTM după faza de învățare, am adăugat o sarcină de recuperare discretă, în care participanților li s-au prezentat indicii cu litere ale matricelor țintă și șase cercuri goale în pozițiile patch-urilor de culoare. Cele șase cercuri goale au fost marcate unul după altul, iar participanții au trebuit să aleagă culoarea corectă dintr-un set de 12 culori distincte, prezentate lângă matricea goală. Cercul marcat a fost apoi umplut cu culoarea aleasă dacă alegerea a fost corectă. Dacă o alegere a fost incorectă, participanții au fost notificați și culoarea corectă a fost completată. În acest fel, participanților li s-a prezentat din nou matricele țintă complete și au putut să își ajusteze în continuare reprezentările LTM ale acestora.

Următoarea fază WM a fost aproape identică cu Experimentul 1. Am redus timpii de prezentare a matricelor la 250 ms. În plus, raportul dintre tipurile de sonde a fost modificat din cauza unei erori de programare de la un raport de 40:60 între sondele fără schimbare și sonde de schimbare la aproximativ 70% sonde fără schimbare și aproximativ 30% sonde de schimbare (separate în schimb). modificări și modificări aleatorii).

După testul WM, participanților li s-a prezentat din nou sarcina de recuperare discretă și o repetare a noului al patrulea bloc al fazei de învățare, cu litere ca indicii pentru matricele țintă, pentru a-și testa reprezentările LTM ale matricelor țintă. ultima data. Acest lucru ne-a permis să comparăm accesibilitatea matricelor țintă în LTM atât înainte, cât și după sarcina WM.

Procedura generală pentru ambele experimente a fost similară. Ambele sesiuni de testare au durat aproximativ 1,5–2 ore, iar participanții au fost compensați fie cu 15–22 CHF, fie cu credit parțial de curs. Înainte de participare, toți participanții au furnizat consimțământul informat. Experimentele au fost supravegheate de asistenți de cercetare instruiți. Sarcinile au fost programate și prezentate prin PsychoPy 2 (Peirce et al., 2019). Toate sarcinile și instrucțiunile standardizate au fost prezentate pe ecrane de computer cu o rezoluție Full HD (1.920 × 1.080 pixeli). Toți stimulii au fost prezentați pe o culoare de fundal gri, iar participanții au folosit tastele marcate (- și<) on="" standard="" keyboards="" for="" responding="" to="" the="">

Pentru ambele experimente, atât faza de învățare, cât și testul WM, furnizează o variabilă dependentă dihotomică care indică acuratețea. Prin urmare, am analizat datele pentru testele WM cu modele de regresie logistică, în care numărul de răspunsuri corecte a fost prezis de tipul de matrice prezentate (adică, matrice țintă învățate vs. matrice aleatoare neînvățate). Pe lângă efectul fix al acestui predictor, modelul complet a inclus un efect principal al blocului, un termen de interacțiune de tip matrice cu bloc, un efect aleatoriu al subiectului (adică, interceptarea aleatorie), precum și un termen pentru efectul blocurilor și al tipurilor de matrice imbricate în cadrul subiecților (adică, pante aleatorii). După ce am specificat modelul complet, l-am comparat cu modele mai parcimonioase pentru a evalua dovezile pentru fiecare efect individual prin intermediul factorilor Bayes pentru compararea modelelor (Bürkner, 2017). Priori pentru modelele de regresie logistică cu efecte mixte au fost priori Cauchy cu o scară de 1/√2, obținute prin ajustarea recomandărilor lui Gelman și colab. (2008) (pentru mai multe detalii despre alegerea scalei pentru modelele de regresie logistică, a se vedea Oberauer, 2019). Modelele au fost estimate cu 100,000 eșantioane, generate prin trei lanțuri Markov independente, cu câte 2,000 mostre de încălzire fiecare (adică, 98,000 mostre post-încălzire in total).

Deoarece în ambele experimente proporția dintre aceleași încercări și cele de schimbare nu a fost echilibrată, participanții ar fi putut dezvolta părtiniri de răspuns, care ar distorsiona măsura proporțională corectă ca indice al calității memoriei. Prin urmare, am evaluat și performanța prin două modele de măsurare care separă calitatea memoriei de părtinire. O diferență mult discutată între teoriile MW vizuale este între cele care presupun o putere sau o precizie care variază continuu a reprezentărilor de memorie (Ma et al., 2014; Oberauer & Lin, 2017) și cele care presupun o distincție binară între elementele care sunt amintite și altele care nu sunt (Adam și colab., 2017; Zhang & Luck, 2008). Pentru a face dreptate ambelor perspective, am aplicat un model de măsurare cu detecția semnalului pentru a măsura calitatea memoriei pe o scară continuă de discriminare și un model cu prag înalt pentru a măsura numărul de elemente reținute. În mod specific, am calculat d' (discriminabilitate) și c (criteriul de răspuns) din teoria de detecție a semnalului (bazat pe Macmillan, 1993; Stanislaw & Todorov, 1999), unde am corectat pentru ratele extreme de lovituri și ratele extreme de alarmă falsă (adică, 0 sau 1; vezi Hautus, 1995). În plus, am calculat Pmem (probabilitatea ca un participant să aibă elementul testat în memorie) și g (probabilitatea de ghicire pentru un răspuns de „schimbare”) dintr-un model cu prag înalt (Modelul 4 de la Cowan și colab., 2013). Toți indicii au fost calculați atât pentru performanța matricei învățate, cât și pentru cele aleatorii. În cadrul fiecărui experiment, am prezis indicii respectivi prin intermediul modelelor de regresie liniară cu tipul de matrice ca predictor și un efect aleatoriu al subiectului (adică, interceptarea aleatoare). Deoarece indicii au fost calculați din agregarea datelor pe parcursul tuturor încercărilor, nu am putut include blocul ca predictor în aceste analize.

Rezultate

Experimentul 1

Faza de învățare În Tabelul 2, raportăm acuratețea pentru diferitele blocuri ale fazei de învățare. Șapte persoane au trebuit să repete unul dintre blocurile de învățare o dată. Nicio persoană nu a trebuit să repete ultimul bloc de învățare, ceea ce indică o bună învățare. Acest lucru este arătat și de proporția în scădere a erorilor de la bloc la bloc.

Sarcina de memorie de lucru În continuare, prezentăm precizia în blocurile sarcinii de memorie de lucru (vezi Fig. 3). Performanța pe matricele țintă a fost mai bună decât pe matricele aleatorii în majoritatea blocurilor. În plus, nu am observat o creștere constantă a performanței între blocuri, în special pe matricele țintă, datorită prezentărilor repetate pe blocuri, așa cum ar fi de așteptat dacă participanții ar continua să învețe aceste matrice în timpul sarcinii de detectare a schimbărilor.

Pentru matricele învățate, participanții au făcut erori în medie de 9,5 la sută în toate blocurile, în timp ce au făcut erori în medie de 13,7 la sută pentru matricele aleatorii. Aceasta este egală cu o mărime a efectului standardizată de d=−.50 cu un IC larg de 95 la sută [−1.05, .05]. Factorii Bayes corespunzători comparațiilor modelelor pentru modelele de regresie logistică cu și fără efecte specifice sunt prezentați în Tabelul 3. Numai efectul principal al tipului de matrice a fost susținut de această analiză, ceea ce înseamnă că participanții au arătat performanțe mai bune la matricele învățate (estimările parametrilor corespunzătoare). pot fi găsite în tabelul 4).

Experimentul 2

Faza de învățare În Tabelul 5, raportăm statisticile descriptive ale performanței în faza de învățare. Douăzeci și doi de participanți au trebuit să repete cel puțin una dintre fazele de învățare, deoarece nu au atins corect criteriul ajustat de cel puțin 20 de încercări. Numărul de repetări pentru condiția cu o singură sondă a variat de la 1 la 6, în timp ce numărul de repetări pentru condiția cu trei sonde a variat de la 1 la 4. Cu toate acestea, am observat o tendință clară de îmbunătățire în blocurile de învățare, indicând o învățare reușită. . Niciun participant nu a trebuit să repete ultimele două blocuri de învățare.

Imediat după faza de învățare, participanții au trebuit să reproducă matricele învățate anterior prin alegerea manuală a culorilor pentru fiecare poziție a unei matrice. Pentru totalul de 18 patch-uri color care urmează să fie completate (șase per matrice țintă), participanții au avut o medie corectă de 67 la sută (SD=47 la sută). Acest lucru arată că participanții au putut să-și transfere cunoștințele despre matricele țintă într-un alt mod de recuperare (de la detectarea modificărilor la rechemare). Această sarcină de recuperare discretă a fost repetată după testul WM. În comparație cu prima sarcină de recuperare imediat următoare fazei de învățare, performanța participanților s-a îmbunătățit. Pentru această ultimă sarcină de recuperare discretă, 93% dintre patch-urile de culoare au fost reproduse corect în medie (SD=44,3% ). Un test t bayesian pentru eșantioane pereche în ceea ce privește numărul de alegeri corecte a evidențiat dovezi slabe pentru o performanță mai bună în a doua sarcină de recuperare discretă în comparație cu prima (BF=3.59). Acest rezultat arată că urmele LTM ale matricelor țintă nu au scăzut pe parcursul testului WM.

În cele din urmă, memoria participanților despre matrice a fost evaluată pentru ultima dată la sfârșitul experimentului prin repetarea ultimului bloc al fazei de învățare, unde li s-au prezentat doar indicii cu litere într-o paradigmă de detectare a schimbării. Ei au răspuns corect la 93% din 24 de încercări, indicând cunoștințe extrem de precise și accesibile despre matricele țintă.

Sarcina de memorie de lucru În Fig. 4, prezentăm performanța în blocurile sarcinii de detectare a schimbărilor. Performanța medie combinată a celor trei matrice a fost mai bună decât a tablourilor aleatoare din majoritatea blocurilor. În medie, participanții au făcut erori de 17,5% pentru matricele învățate, în timp ce au făcut erori în medie de 23,4% pentru matricele aleatorii. Aceasta este egală cu o dimensiune a efectului standardizată de d=−.55 cu un IC de 95 la sută [−.98, −.11]. În comparație cu mărimea efectului din Experimentul 1, diferența medie standardizată din Experimentul 2 este puțin mai mare. În plus, a existat o tendință ca avantajul matricelor țintă să crească între blocuri, asemănând cu efectul Hebb.

Vă rugăm să găsiți factorii Bayes pentru comparațiile modelelor pentru modelele de regresie logistică în Tabelul 6. Am găsit dovezi decisive pentru efectul principal al tipului de matrice. Au existat dovezi moderate împotriva efectului principal al blocului și împotriva interacțiunii dintre ambii predictori. Modelul final a inclus astfel efectul principal al tipului de matrice și al interceptării aleatoare (adică, efectul aleatoriu al subiectului), iar estimările parametrilor corespunzătoare pot fi găsite în Tabelul 7.

Separând calitatea memoriei de părtinirea răspunsului

În Tabelul 8, prezentăm indicii modelului de măsurare a detecției schimbării menționați mai sus pentru fiecare experiment, separați după tipul de matrice. În plus față de statisticile descriptive, raportăm mărimile efectului corespunzătoare pentru fiecare indice per experiment și factorii Bayes care reflectă dovezile pentru efectul principal al tipului de matrice

În Experimentul 1, indicele de discriminare d' al participanţilor a fost mai mare pe tablourile învăţate decât pe tablourile aleatoare; în Experimentul 2, nu au existat dovezi care să susțină această diferență. Criteriile de răspuns (c) în ambele experimente au fost comparabile și indică o mică părtinire față de raportarea unei modificări în studii. Deoarece criteriile de răspuns pentru ambele experimente au fost mari de aceeași amploare, rapoartele diferite dintre aceleași teste de schimbare în cele două experimente au avut un efect redus asupra comportamentului participanților. Am găsit dovezi în ambele experimente că criteriile de răspuns au fost scăzute pentru matricele învățate, ceea ce înseamnă că tendința de a indica o schimbare a fost considerabil mai mică pentru matricele cu reprezentări LTM.

Revenind la modelul de măsurare cu prag înalt, probabilitatea de a avea elementul testat în memorie, Pmem, a fost mai mare pentru matricele învățate decât pentru matricele neînvățate în ambele experimente. De asemenea, probabilitatea de ghicire (g) de a ghici „schimbarea” a fost scăzută pentru matricele învățate în comparație cu matricele neînvățate. Acesta a fost mai ales cazul pentru Experimentul 2, în timp ce dovezile din Experimentul 1 au fost ambigue. Luate împreună, ambele modele de măsurare au convergit spre concluzia că matricele învățate diferă de matricele neînvățate atât în ​​ceea ce privește calitatea memoriei, cât și părtinirea. Când a fost luată în considerare părtinirea, indicele d' nu mai arăta un efect credibil al învățării în Experimentul 2. În Experimentul 1, atât d', cât și Pmem au arătat un efect credibil al învățării. Vă rugăm să rețineți că diferențele observate în toți indicii modelului de măsurare între experimente nu au fost substanțiale, așa cum indică testele t bayesiene pentru probele nepereche (BF-urile corespunzătoare au variat de la 0,32 la 2,8)

Discuţie

Cu două experimente, am investigat dacă informațiile despre matricele vizuale stocate în memoria pe termen lung au fost utile pentru performanța ulterioară într-o sarcină de detectare a schimbărilor folosind aceste matrice. Am indus reprezentări ale memoriei pe termen lung înainte de o paradigmă de detectare a schimbării și ne-am asigurat că aceasta a fost învățată în mod robust. În plus, matricele memorate au fost repetate în continuare pe parcursul sarcinii de memorie de lucru, permițând învățare ulterioară. Dacă în testul memoriei de lucru au fost folosite cunoștințele despre matricele țintă dobândite în faza de învățare, performanța pe matricele învățate ar trebui să fie mai bună decât pe matricele aleatoare. În plus, dacă oamenii ar continua să învețe despre matricele țintă prin repetarea lor în testul de memorie de lucru, atunci performanța lor de detectare a modificărilor s-ar îmbunătăți constant pe parcursul repetărilor matricei.

Luate împreună, constatările ambelor experimente au arătat dovezi clare pentru ipoteza că reprezentările LTM deja existente ale stimulilor vizuali spațiali (adică, matrice de culori) sunt benefice pentru performanța memoriei de lucru în timpul unei paradigme de detectare a schimbării. În ambele experimente, am identificat efectul principal al tipului de matrice. Performanța de detectare a modificărilor a fost mai bună față de cele învățate anterior, comparativ cu noile matrice, arătând că memoria pe termen lung este utilizată în detectarea modificărilor. Nu au existat dovezi pentru învățare ulterioară în timpul fazei de memorie de lucru în ambele experimente.

De ce majoritatea studiilor anterioare nu au arătat nicio dovadă de învățare în sarcinile de detectare a schimbării? Experimentele noastre exclud o explicație, și anume că oamenii învață matricele repetate, dar nu își folosesc cunoștințele pentru deciziile de detectare a schimbărilor. Aceasta lasă alternativa ca oamenii să nu învețe tablourile repetate sau cel puțin să nu le învețe suficient de bine. Există motive să credem că există o anumită învățare cumulativă a matricelor repetate. Unul este că Shimi și Logie (2019) au găsit o îmbunătățire treptată a detectării schimbărilor peste 60 sau mai multe repetări ale aceleiași matrice. Dovezi suplimentare provin din studiile lui Olson și Jiang (2004) și Fukuda și Vogel (2019). Deși ambele studii nu au găsit nicio dovadă clară că performanța pe matrice repetate în timpul unei sarcini de detectare a schimbării a fost superioară în comparație cu matricele aleatoare, participanții la ambele studii au putut identifica matricele repetate în timpul unui test de recunoaștere ulterioară la șansa de mai sus. nivel. Aceasta înseamnă că cel puțin o anumită învățare pentru informațiile repetate trebuie să fi avut loc în timpul experimentelor, dar aparent nu este suficient pentru a face aceste cunoștințe utile pentru detectarea schimbărilor.

Acest lucru s-ar putea datora faptului că, în testele finale de recunoaștere ale acelor studii anterioare, participanții au trebuit să discrimineze matrice repetate de matrice noi compuse aleatoriu, de care diferă în mai multe elemente, în timp ce probele de schimbare ale sarcinii de detectare a schimbării diferă de matricele prezentate. într-un singur articol. Oamenii ar fi putut dobândi cunoștințe parțiale despre matricea repetată - de exemplu, cunoștințe despre perechi sau tripleți de culori - care este suficientă pentru a le discrimina de matrice complet noi, dar rareori ajută la detectarea unei singure modificări. O altă posibilitate este că cunoștințele dobândite despre matricele repetate sunt slabe, astfel încât să fie lent de preluat. În testul de detectare a modificării, poate exista o întrecere între preluarea matricei tocmai prezentate din WM și preluarea unei urme de potrivire din LTM. Dacă recuperarea de la LTM este mult mai lentă decât recuperarea de la WM, rareori ar câștiga cursa. În schimb, în ​​testul final de recunoaștere, numai LTM este disponibil și, prin urmare, este posibil ca oamenii să își ia timpul pentru a-l recupera și utiliza. În orice caz, reprezentările LTM care sunt construite treptat din experiența unor matrice repetate în timpul detectării schimbărilor se acumulează foarte lent - mult mai lent decât în ​​experimentele tipice de repetiție Hebb - și, prin urmare, nu beneficiază de performanța detectării schimbării decât dacă numărul de repetări depășește aproximativ 50. , cunoștințele dobândite într-o fază separată de învățare, ca și în experimentele noastre, sunt suficient de puternice pentru a fi utile în detectarea schimbărilor de la început.

Rata slabă de învățare este în contrast cu învățarea destul de rapidă observată în paradigma repetiției Hebb cu alte tipuri de materiale (articole verbale, locații spațiale, fețe) și alte proceduri de testare (de exemplu, rechemare în serie sau reconstrucție). Prin urmare, menținerea unui set de elemente în WM nu este suficientă pentru a stimula învățarea rapidă. Altceva despre informațiile de învățat sau despre procedura de testare a WM trebuie să influențeze rata de învățare. O posibilitate ridicată de Logie et al. (2009) este că în detectarea schimbării, sondele de schimbare interferează cu reprezentarea memoriei pe termen lung a matricelor repetate, încetinind astfel învățarea. O altă posibilitate este sugerată de o serie încă nepublicată de experimente de Souza și Oberauer (2021): Învățarea robustă Hebb a matricelor vizuale a fost observată numai dacă toți elementele matricei au fost testate la fiecare probă. S-ar putea ca LTM să fie construit în primul rând atunci când preluăm informații din WM sau LTM (Sutterer & Awh, 2016) și, prin urmare, învățarea în timpul detectării schimbărilor este lentă, deoarece fiecare încercare implică doar un singur test.

Concluzie

Atunci când în LTM sunt disponibile cunoștințe puternice și cuprinzătoare despre matricele vizuale, acestea sunt utilizate într-o sarcină de detectare a schimbărilor. Absența unui efect tipic de repetiție Hebb cu matrice vizuale (Fukuda și Vogel, 2019; Logie și colab., 2009; Olson și Jiang, 2004) este cel mai bine explicată prin faptul că oamenii nu reușesc să învețe matricele complete suficient de puternic pe un număr limitat de repetări. .