pentru mai multe informații:ali.ma@wecistanche.com

Vă rugăm să faceți clic aici pentru partea 2

Benjamin Kowialiewski1,2,3 și Benoît Lemaire2 și Steve Majerus2,4 și Sophie Portrat4

Acceptat: 12 februarie 2021 / Publicat online: 25 martie 2021

# Autorul(ii) 2021

ClicCistanche UK pentru memorie

Abstract

Menținerea informațiilor despre comenzile în serie este o componentă de bază a lucruluimemorie(WM). Multe modele teoretice presupun existența unor mecanisme specifice de ordine serială. Acestea sunt considerate independente de sistemul lingvistic care sprijină menținerea informațiilor despre articole. Acest lucru se bazează pe studii care arată că factorii psiholingvistici afectează puternic capacitatea de a menține informațiile despre itemi, lăsând ordinea reamintirii relativ neafectate. Conturile recente bazate pe limba sugerează, totuși, că sistemul lingvistic ar putea oferi mecanisme care sunt suficiente pentru menținerea comenzii în serie. O versiune puternică a acestor relatări postulează menținerea ordinii în serie ca reieșind din modelul de activare care are loc în sistemul lingvistic. În studiul de față, am testat această ipoteză printr-o abordare de modelare computațională prin implementarea unei arhitecturi bazate pur pe activare. Am testat această arhitectură împotriva mai multor experimente care implică manipularea relațiilor semantice, o variabilă psiholingvistică despre care s-a demonstrat că interacționează cu procesarea ordinii în serie într-o manieră complexă. Arătăm că această arhitectură bazată pe activare se luptă să țină cont de interacțiunile dintre cunoștințele semantice și procesarea comenzilor în serie. Acest studiu nu reușește să susțină activarea pe termen lungmemorieca mecanism exclusiv care sprijină menținerea comenzilor în serie.

Cuvinte cheie: Lucrumemorie. Comandă în serie. Modelare computațională. Cunoașterea semantică

Introducere

Abilitatea de a menține informațiile de ordine în serie este o componentă de bază a lucrului verbalmemorie(WM). Mecanismele implicate în menținerea ordinii în serie (adică, ordinea secvențială a articolelor de reținut) au fost considerate a fi independente de cele implicate în menținerea informațiilor despre articole (adică, conținutul lingvistic al elementelor de reținut). articole). Această ipoteză este susținută de diferite linii de cercetare. Studiile care examinează impactul factorilor psiholingvistici, cum ar fi lexicalitatea, asupra performanței MW verbale, observă de obicei efecte asupra reamintirii articolelor, cu efecte minime asupra reamintirii ordinelor în serie (Allen & Hulme, 2006; Hulme, 2003;

Departamentul de Psihologie, Universitatea din Zurich, Binzmühlestrasse 14, 8050, Zürich, Elveția

Universitatea din Liège, Liège, Belgia

Laboratoire de Psychologie et NeuroCognition (LPNC), Université Grenoble Alpes, Bâtiment Michel Dubois prev. BSHM, 1251 Avenue Centrale, 38400 Saint-Martin-d'Hères, Franța

Fondul pentru Cercetare Științifică – FRS-FNRS, Bruxelles, Belgia

Romani, Mcalpine, & Martin, 2008; Roodenrys, Hulme, Lethbridge, Hinton și Nimmo, 2002; Saint-Aubin & Ouellette, 2005; Walker & Hulme, 1999). În plus, performanța de reamintire a comenzilor în serie este mai puternic afectată de sarcinile de interferență ritmice și articulatorii decât menținerea informațiilor despre articol (Gorin, Kowialiewski și Majerus, 2016; Henson, Hartley, Burgess, Hitch și Flude, 2003). Studiile neuropsihologice au raportat, de asemenea, existența unor duble disocieri între ordinea în serie și performanța de reamintire a articolelor la mai mulți pacienți cu leziuni cerebrale și populații afectate de tulburări de neurodezvoltare (Brock & Jarrold, 2005; Majerus, Attout, Artielle, & Kaa, 2015; Martinez Perez; , Poncelet, Salmon și Majerus,2015). În cele din urmă, menținerea informațiilor despre articole și ordinea în serie este susținută de diferite substraturi neuronale, așa cum au raportat studiile de neurostimulare și neuroimagistică (Attout, Fias, Salmon și Majerus, 2014; Guidali, Pisoni, Bolognini și Papagno, 2019; Kalm & Norris). , 2014; Majerus et al., 2010; Papagno et al., 2017).

În același timp, alte studii sugerează că reamintirea ordinelor în serie poate interacționa și cu cunoștințele lingvistice. Deși cunoștințele lexicale îmbunătățesc puternic reamintirea informațiilor despre item, ea limitează, de asemenea, erorile de migrare a fonemelor în interiorul și între elemente (Jefferies, Frankish și Lambon Ralph, 2006). De asemenea, noncuvintele, chiar dacă sunt amintite mai slab în comparație cu cuvintele la nivel de articol, pot prezenta un avantaj relativ în ceea ce privește rechemarea comenzii în serie (Fallon, Mak, Tehan și Daly, 2005; Kowialiewski și Majerus, 2018; Saint-Aubin și Poirier). , 1999). Recent, Kalm și Norris (2014) au arătat că ordinea în serie a non-cuvintelor ar putea fi decodificată pe baza modelelor neuronale generate în căile limbajului dorsal care sprijină codificarea și menținerea informațiilor verbale. În mod similar, Papagno și colab. (2017) au arătat că performanța de reamintire a comenzii în serie scade, în comparație cu performanța de reamintire a articolului, atunci când partea posterioară a căii limbajului dorsal este stimulată folosind stimularea electrică directă la pacienții neurochirurgical.

La nivel teoretic, s-a susținut că întreținerea temporară a informațiilor despre comenzile în serie ar putea fi efectuată fără a fi nevoie de un articol specific și de niveluri de reprezentare a comenzii în serie (Acheson & MacDonald, 2009; Jones & Macken, 2018; Schwering & MacDonald, 2020; ). O versiune puternică a unui astfel de cont consideră că informațiile de ordine în serie sunt menținute exclusiv prin modelul de activări care au loc în cadrul sistemului lingvistic (Acheson, MacDonald și Postle, 2011; Martin și Saffran, 1997; Poirier, Saint-Aubin, Mair, Tehan). , & Tolan, 2015). De exemplu, conform lui Martin & Saffran (1997, p. 672):

„În principiu, procesele de activare interactivă ar putea juca, de asemenea, un rol în menținerea ordinii în serie. Nodul cuvânt care reprezintă primul cuvânt dintr-o secvență este amorsat primul și, prin urmare, are mai mult timp pentru a câștiga sprijin din reprezentările fonologice și semantice activate în comparație cu nodurile care sunt amorsate. mai târziu într-o secvență. Astfel, nodurile de cuvinte ar trebui să arate un gradient al nivelurilor de activare în pozițiile seriale.[ … ] Efectele de recentă în amintirea supraspan reflectă suportul fonologic crescut, care se datorează faptului că, la momentul reamintirii, nivelurile de activare ale elementele terminale au fost mai puțin afectate de funcția de dezintegrare inerentă modelului de activare.”

Cistanche poate îmbunătăți memoria

De asemenea, Acheson et al. (2011, pp. 45–46) au sugerat că erorile de comandă în serie ar putea apărea direct prin nivelul relativ de activare al unui articol într-o rețea lingvistică:

„Aceste cadre de activare interactivă oferă o explicație potențială a modului în care reprezentarea semantică ar putea influența ordinea planurilor de enunț la nivel lexical. Când cineva aude un cuvânt sau o secvență de cuvinte, activarea din acea intrare alimentează simultan reprezentările fonologice și se transmite înapoi la de asemenea, reprezentările semantice. După codificarea inițială, activarea lexicală este determinată de interacțiunea repetată cu reprezentările semantice și fonologice. Erorile de ordonare în serie apar atunci când nivelurile relative de activare ale elementelor lexicale se modifică din cauza acestei interacțiuni."

Pe baza acestei idei, Poirier et al. (2015) au dezvoltat o descriere mai elaborată a unor astfel de modele, denumită contul ANet. Conform acestui cont, elementele dintr-o listă de reținut sunt codificate secvenţial pe termen lung lingvisticmemoriesistem cu putere descrescătoare după un gradient de activare1, așa cum este afișat în Fig. 1. Informațiile de ordine în serie sunt menținute prin acest gradient de activare. Rechemarea în serie este efectuată prin selectarea celui mai puternic element activat la fiecare încercare de rechemare. Datorită faptului că mecanismul de selecție este zgomotos, în cele din urmă apar erori de ordine în serie. O predicție importantă din acest model este că modificarea nivelului de activare al unui articol în cadrul sistemului lingvistic ar trebui să afecteze, de asemenea, modelul de erori de comanda în serie în WM (Achesonetal., 2011).

Dovezile recente par să susțină această poziție teoretică. Poirier și colab. (2015) au manipulat relația semantică prin prezentarea de tripleți de elemente legate semantic în prima jumătate a listelor de reținut. Elementele ulterioare ale listelor nu au fost legate semantic în condiția de control (ex. ofițer – insignă – sirenă – muzică – turist – galben). În condiția experimentală, al cincilea item a fost legat semantic de tripla nuanță din primul rând al listei. În comparație cu condiția de control, autorii au observat o creștere a erorilor de migrare a celui de-al cincilea item către pozițiile seriale anterioare, adică către tripletele de cuvinte legate semantic. ), această țintă ar trebui să aibă un nivel de activare mai mare în condiția experimentală (Fig. 1c) în comparație cu condiția de control (Fig. 1b). Deoarece retragerea informațiilor despre comanda în serie se realizează prin selectarea celui mai activat articol, un gradient de activare pe termen lungmemoriear putea prezice teoretic mai multe migrații ale țintei legate semantic către poziții seriale anterioare. Ca atare, manipularea relațiilor semantice este un test critic și direct al modelelor bazate pe activare, deoarece se presupune că modifică modelul relativ de activare care are loc în cadrul sistemului lingvistic. Această activare relativă ar trebui, la rândul său, să afecteze procesarea informațiilor despre comenzile în serie (Acheson și colab., 2011), pe care datele lui Poirier și colegii par să o susțină. Aceasta a fost într-adevăr o predicție de bază din contul lor ANet:

„În Experimentul 1, am manipulat nivelul de activare al unui articol țintă pentru a testa predicția că aceasta ar crește erorile de comandă pentru acel articol, făcând probabil ca mecanismul CQ [Competitive Queuing] să selecteze acest articol mai devreme din cauza activării sale intense; selecția timpurie ar însemna că activarea a afectat ordinea în care elementele au fost rechemate.” (Poirier et al., 2015, p. 492).

Fig. 1 Ilustrarea gradientului de activare (a) într-o condiție fără legătură semantic, (b) într-o stare în care elementele A, B și C sunt legate semantic și (c) într-o stare în care elementele A, B, C și E sunt legate semantic. Elementele legate semantic sunt marcate cu un asterisc. După cum se poate observa, prezența relațiilor semantice crește nivelul de activare a articolului pentru articolele aferente

Având în vedere că această explicație teoretică este în contrast izbitor cu majoritatea modelelor de calcul ale WM care poziționează niveluri distincte de procesare a articolelor și a ordinelor în serie, scopul prezentului studiu a fost de a testa plauzibilitatea computațională a unui cont lingvistic bazat exclusiv pe activare pentru reprezentarea ordinii în serie. informații într-un context WM. Majoritatea modelelor de calcul ale WM presupun într-adevăr în mod explicit existența unor mecanisme de ordine în serie care sunt distincte de cele implicate în informațiile despre articole. Acesta este cazul, de exemplu, în ceea ce privește arhitecturile TBRS* și SOB-CS (Oberauer & Lewandowsky, 2011; Oberauer, Lewandowsky, Farrell, Jarrold, & Greaves, 2012), dar și modelele computaționale ale lui Burgess și Hitch (1999, 2006) și Brown, Hulme și Preece (2000). Aceste tipuri de arhitecturi consideră că informațiile de ordine serială sunt menținute prin crearea de asociații articol-poziție, pozițiile fiind reprezentate prin mecanisme de reprezentare specifice. Aceste modele, deși diferă puternic în ceea ce privește natura reprezentărilor de poziție în serie, reproduc în mod fiabil fenomene importante de ordine în serie, inclusiv efectele de primație și recentitate și modele de eroare de transpunere.

care este un factor psiholingvistic critic pentru a testa plauzibilitatea unei arhitecturi bazate pur pe activare. Pentru a prezenta arhitectura de calcul, am presupus mai întâi că informațiile de ordine în serie sunt menținute printr-un gradient de activare Primacy pe termen lung.memorie(Martin & Saffran, 1997; Page & Norris, 1998; Poirier et al., 2015). Am adaptat apoi această arhitectură prin adăugarea de conexiuni excitatorii laterale pentru a modela efectele semantice.

Cistanche poate îmbunătăți memoria

Modelare computațională

Arhitectură

Arhitectura pe care am folosit-o este un model conexionist compus dintr-un singur strat. Când este codificat, un element devine activ. Această activare ar trebui să aibă loc direct în baza de cunoștințe a memoriei pe termen lung. Elementele legate semantic sunt conectate prin conexiuni excitatorii bidirecționale directe, a căror plauzibilitate de a modela efecte semantice în WM a fost deja demonstrată în trei modele independente (Haarmann & Usher, 2001; Kowialiewski & Majerus, 2020; Kowialiewski, Portrat și Lemaire). , 2021). Elementele sunt activate succesiv cu puterea descrescătoare folosind un gradient de activare. Fiecare element codificat răspândește automat activarea către celelalte articole legate semantic. Rechemarea se realizează prin preluarea succesivă a fiecărui element în funcție de valoarea de activare. Pentru simplitate, am folosit ultima implementare a modelului Primacy, care a fost pusă la dispoziție de Norris, Kalm și Hall (2020). Implementarea noastră Julia a arhitecturii pe care o propunem este disponibilă gratuit pe Open Science Framework (OSF): https://osf.io/9e4hu/.

Codificare În modelul original Primacy, codificarea urmează un gradient de activare, pe care îl notăm V. Aceasta este definită de o valoare de vârf, , și o valoare de pas, . Valoarea este un parametru liber și reprezintă valoarea de pornire cu care este asociat primul articol. Valoarea reprezintă cantitatea de epuizare din valoare la fiecare etapă de codificare. Acest parametru este fixat la 1. De exemplu, având o valoare de 20, gradientul de activare este [20, 19, 18, 17, 16, 15] pentru o listă de șase articole. Rețineți că repetiția nu este niciodată modelată în mod explicit în modelul Primacy. Aceasta include ultima implementare de către Norris și colegii. Activarea în cadrul modelului este pur și simplu derivată din ceea ce ar fi de așteptat dacă teoretic are loc repetiția.

Activarea răspândirii În timpul codificării, activarea se extinde către nodurile legate semantic. Aceasta este modelată prin includerea conexiunilor excitatorii bidirecționale. Puterea acestor conexiuni este un parametru liber, λ. La fiecare etapă de codificare, elementele sunt activate folosind gradientul de activare V. Activarea se răspândește apoi bidirecțional în rețea:

unde Ai reprezintă valoarea finală de activare asociată articolului i, iar Aj este activarea provenită de la fiecare element înrudit semantic, j, scalat de greutatea conexiunii, λ. Indicele t reprezintă marcajul de timp.

Este important de menționat că nu intenționăm să reprezentăm în mod explicit cunoștințele semantice. Ceea ce intenționăm să reprezentăm prin acest principiu de activare a răspândirii este faptul că elementele legate semantic se reactivează reciproc. La rândul său, această reactivare ar trebui să modifice activarea relativă a articolului și, prin urmare, modelul erorilor de ordine în serie (Acheson și colab., 2011). Cu alte cuvinte, modificarea nivelului relativ de activare al elementelor în rețeaua semantică modifică și reprezentarea internă a modelului a ordinii lor seriale.

Rechemare După ce toate elementele au fost codificate, modelul trebuie să recupereze elementele. Aceasta se realizează utilizând un mecanism de așteptare competitivă.2 Rechemarea este un proces în două etape.

2 Poirier și colegii au sugerat mecanismul de așteptare competitivă ca fiind modelat folosind un model de acumulator, urmând Hurlstone și Hitch (2015). Am implementat un astfel de mecanism competitiv de așteptare bazat pe principiile acumulatorului (disponibil pe OSF). Acest lucru nu a oferit nicio îmbunătățire a modelului, cu excepția faptului că modelul acumulator oferă o oportunitate suplimentară de a face predicții asupra latențelor de reamintire, ceea ce depășește scopul acestui studiu. Prin urmare, pur și simplu am rămas cu ultima implementare disponibilă a modelului Primacy.

În primul rând, un articol este selectat ca potențial candidat. Acest proces este supus zgomotului:

Acest lucru este modelat prin adăugarea de zgomot gaussian aleator temporar centrat pe zero la activarea fiecărui element, cu o abatere standard de σ, un parametru liber. Este apoi selectat elementul cel mai activat. Suprimarea răspunsului (Duncan & Lewandowsky, 2005) are loc deja în această etapă, prin setarea elementului rechemat la o valoare foarte mică (adică, -999). Acest lucru împiedică modelul să recheme un articol de două ori. În al doilea rând, valoarea de activare a articolului selectat este comparată cu un prag de omisiune. Acest prag este extras dintr-o distribuție gaussiană aleatorie N(θ, σ′), unde θ și σ′ sunt doi parametri liberi. Dacă valoarea de activare a articolului selectat (fără zgomotul adăugat în timpul primului pas) este peste pragul de recuperare, articolul este rechemat corect. În caz contrar, se produce o omisiune. Trebuie subliniat că această implementare presupune suprimarea răspunsului ca fiind aplicată întotdeauna în timpul primului pas de recuperare, indiferent dacă a fost produsă o omisiune în timpul celui de-al doilea pas. Această alegere de implementare de către Norris et al. (2020) este puțin probabil să fie plauzibil. Dar din experiența pe care am dobândit-o prin rularea modelului de mai multe ori, acesta este singurul mod în care modelul Primacy poate produce erori de omisiune în timp ce modelează curbe realiste de poziție în serie. Rețineți că este posibil să se producă curbe realiste de poziție în serie evitând în același timp această problemă de implementare fără a afecta ipotezele de bază ale modelului. Cu toate acestea, am preferat să rămânem cu implementarea originală pentru simplitate. În momentul fiecărei încercări succesive de rechemare, toate elementele s-au deteriorat:

unde D este un parametru liber, variind de la 0 la 1. Datorită acestui parametru de dezintegrare, elementele amintite mai târziu în liste sunt mai supuse zgomotului, deoarece valorile de activare converg către o asimptotă. Toți parametrii modelului sunt listați în tabel

1. Metoda

Seturi de date Validitatea acestui model a fost testată pe trei seturi diferite de date: două seturi de date (Kowialiewski et al., 2021; Kowialiewski & Majerus, 2020) care includ condiții semantice și neutre (adică, condiția neutră fiind o condiție fără legătură semantic). ), iar datele de la Poirier et al. (2015), pe care am descris-o deja în Introducere. Modelul se bazează pe mai mulți parametri care depind parțial de sarcină. Prin urmare, parametrii au fost estimați independent pentru fiecare set de date. În primul rând, parametrii care nu depind de relația semantică au fost estimați pe baza neutrului

condiție, pentru a obține un model de bază care ar putea reproduce performanța standard de rechemare în serie. În al doilea rând, condiția semantică a fost utilizată pentru a estima parametrul λ, care controlează nivelul de relație semantică dintre elemente.

Procedura generală de notare Curbele de poziție în serie sunt reprezentate grafic folosind un criteriu strict de rechemare în serie, în care un articol este calificat drept corect numai dacă este rechemat la poziția serială corectă. De exemplu, având în vedere secvența țintă „Item1 – Item2 – Item3 – Item4 – Item5 – Item6” și rezultatul de retragere „Item1 – Item2 – blank – Item3 – Item4 – Item6”, numai articolele 1, 2 și 6 vor fi punctate ca corect. Pentru a se potrivi cu datele experimentale, am folosit, de asemenea, un criteriu de reamintire a articolului, în care un articol este calificat drept corect dacă este reamintit corect, independent de poziția sa în serie. În exemplul menționat mai sus, itemii 1, 2, 3, 4 și 6 vor fi calificați ca fiind corecti. Pentru a evalua impactul general al relației semantice asupra performanței comandă-rechemare, am calculat un scor de comandă-rechemare pentru fiecare condiție experimentală. Acest lucru a fost realizat prin împărțirea numărului de timp în care articolele au fost rechemate în poziția corectă (adică, criteriul strict de rechemare în serie) la numărul de ori în care articolele au fost rechemate, indiferent de poziția lor în serie (adică, criteriul de rechemare a articolului).

Rata de transpunere Modelul erorilor de transpunere în Poirier et al. (2015) studiul a fost reprezentat grafic folosind ratele de transpunere. Am calculat numărul de erori de transpunere care au apărut pentru elementul 5 (care este legat din punct de vedere semantic sau nu cu articolele 1, 2 și 3) și pentru fiecare poziție către care elementul 5 ar putea migra. Apoi am împărțit aceste numere de erori de transpunere la numărul total de ori în care articolul 5 a fost rechemat. Aceasta a fost calculată separat pentru fiecare condiție experimentală.

Estimarea parametrilor Estimarea parametrilor de bază ai modelului a fost efectuată utilizând un algoritm de recoacere simulat

(French & Kus, 2008; Kirkpatrick, Gelatt, & Vecchi, 1983) pentru a găsi cea mai mică eroare pătratică medie (RMSE) între scorurile de reamintire a poziției în serie experimentale și simulate, atât pe stricte și criteriile de reamintire a articolelor. Prin urmare, RMSE a fost calculat întotdeauna pe 12 puncte de date: șase puncte de date pentru criteriul strict de rechemare în serie și șase puncte de date pentru criteriul de reamintire a articolului. Limitele inferioare și superioare ale fiecărui parametru liber sunt raportate în Tabelul 1. Estimarea parametrului semantic λ a fost mult mai simplă și a necesitat doar o căutare în grilă în [0,0.1] cu un pas de 0,0001. Foarte important, λ a fost întotdeauna estimat, păstrând parametrii de bază ai modelului constant. Valoarea lui λ care a produs cea mai mică diferență medie între condiția neutră și condiția experimentală pentru datele empirice a fost apoi utilizată. Ideea a fost de a selecta valoarea lui λ care produce o diferență între scorurile neutre și experimentale similare cu cea umană. Acest lucru a fost operaționalizat prin minimizarea decalajului dintre diferența de medie umană și diferența de medie a modelului. Prezentăm acum cele trei seturi de date, precum și simulările acestor experimente corespunzătoare. Un rezumat al diferitelor condiții experimentale cu exemple de liste de studiu este oferit în Tabelul 2.

Evaluarea modelului

Setul de date #1: Kowialiewski și Majerus (2020)

Date Acest set de date a fost utilizat pentru a evalua capacitatea modelului de a reproduce impactul general al relației semantice asupra performanței de rechemare în serie și a performanței de rechemare a comenzii. Este bine stabilit că relația semantică îmbunătățește puternic performanța de reamintire la nivel de articol (a se vedea Kowialiewski & Majerus, 2020, pentru o meta-analiză). Relația semantică are, de asemenea, un mic impact dăunător asupra capacității de a reaminti informații despre ordinea în serie, chiar dacă efectul este subtil (vezi și

Ishiguro & Saito, 2020). În consecință, ne așteptăm ca arhitectura să aibă un impact redus sau deloc asupra performanței de retragere a comenzii. Am folosit datele raportate în Kowialiewski și Majerus (2020), unde au manipulat relația semantică pe liste de șase articole în condiții de interferență sau în sarcini de rechemare în serie imediată. Au fost raportate doar rezultatele din această din urmă condiție.