Használják-e a hosszú távú memóriát a vizuális-térbeli változás-észlelési paradigmában?

További információért:ali.ma@wecistanche.com

Absztrakt

A tesztekbenmunkamemóriaverbális vagy térbeli anyagokkal, ugyanezt megismételvememóriapróbák közötti készletek jobb memóriateljesítményhez vezetnek. Ezt a jól bevált "Hebb-ismétlési effektust" a korábbi kutatások során nem sikerült kimutatni a vizuális anyagoknál. A Hebb-effektus hiánya kétféleképpen magyarázható: vagy egy személy nem szerzi meg a hosszú távú memória reprezentációját az ismétlődő eseményekről.memóriahalmazokat, vagy olyanokat szereznek behosszú távú memóriareprezentációkat, de nem használja őket amunkamemóriafeladat. Két kísérletben (N1=18 és N2=30) a változásészlelési feladatban használt egyes memóriakészletek hosszú távú memória ismereteinek manipulálásával kívántunk dönteni e két lehetőség között. A változás-észlelési teszt előtt a résztvevők három színtömböt tanultak meg a kritériumnak megfelelően. Az ezt követő változás-észlelési teszt egyaránt tartalmazott korábban tanult és új színtömböket. A változásészlelés teljesítménye jobb volt a korábban tanult tömbökhöz képest az új tömbökhöz képest, ami ezt mutatjahosszú távú memóriaváltozás észlelésére használják.

Kulcsszavak:Vizuális munkamemória. Hosszú távú memória. Változás-észlelési paradigma. Hebb ismétlési hatás

Repetitio est mater studiorum – az ismétlés a tanulás anyja. Ez az alapelv valószínűleg minden olyan entitásra vonatkozik, amely képes arra, amit „tanulásnak” nevezünk; állatok és emberek, sőt számítógépek is. A tanuláshoz általában szükség van bizonyos célinformációk megismétlésére, akár szándékosan, akár nem szándékosan. Az ismétlések során agyunk idegi kapcsolatai fokozatosan megváltoznak, hogy rögzítsék az ismétlődő információkat.

Click to Cistanche memóriaként használja

Mi a munkamemória szerepe a tanulásban? 6 évtized alatt több teoretikus feltételezte, hogy a rövid távú illmunkamemóriaA (WM) – az információk ideiglenes megőrzésének médiuma – az átjáró a hosszú távú memóriába (LTM), ahol az információkat tartósan tárolják. Atkinson és Shiffrin (1968) abból indult ki, hogy az információnak át kell jutnia a "rövid távú tárolón" az LTM-be. Baddeley et al. (1998) azt feltételezte, hogy a fonológiai hurok, Baddeley WM-modelljének egyik összetevője, egy eszköz az új szóalakok megtanulására. Cowan (2019) a közelmúltban hangsúlyozta, hogy az információk WM-ben való megőrzése nemcsak a meglévő LTM-reprezentációk aktiválását jelenti, hanem újak kialakítását is. Forsberg et al. (2020) azzal érvelt, hogy a WM korlátozott kapacitása szűk keresztmetszetet jelent az LTM-ben új ismeretek megszerzésében.

A WM ismétlésen keresztüli fokozatos ismeretszerzésben betöltött szerepének vizsgálatának fontos eszköze az úgynevezett Hebb-ismétlési effektus (Hebb, 1961). A Hebb ismétlési effektus arra a megfigyelésre utal, hogy az azonnali sorozatfelidézés – a WM gyakori tesztje – fokozatosan javul a memórialista esetében, amelyet egy kísérlet során többször is megismételnek (pl. Hebb, 1961; Hitch et al., 2005; Page et al., 2006). A Hebb-effektust eredetileg a verbális ingerekkel végzett azonnali sorozatfelidézés feladatában figyelték meg (Hebb, 1961), és kifejezetten a nyelvtanuláshoz való hozzájárulása miatt tárgyalják (Lafond et al., 2010; Szmalec et al., 2009). Más tanulmányok jelentős vizuális ingerekkel, például egyenes arcokkal (Horton és mtsai, 2008), valamint térbeli helyek sorozataival is kimutatták (pl. Couture és Tremblay, 2006; Gagnon és mtsai, 2004; Page et al., 2006; Turcotte et al., 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, mint a klasszikus Hebb-effektus, amely körülbelül 10 ismétlés után robusztus.

A jelen tanulmány

A változás-észlelési feladatban a Hebb-tanulás hiányának két lehetséges magyarázata van. Először is előfordulhat, hogy a résztvevők nem szerezhetnek LTM-képviseletet aismételt memóriatömbök. Másodszor, a résztvevők kódolhatják az ismételten bemutatott tömböket LTM-ben, de nem tudják használni ezeket az LTM-reprezentációkat a későbbi változásészlelési próbákban ugyanazon tömbök használatával. Ez azt jelenti, hogy bár a résztvevők olyan ismeretekre tesznek szert, amelyekkel javíthatnák teljesítményüket ismételt tömbökön, nem. Ez utóbbi lehetőségre néhány bizonyíték két tanulmányból származik, amelyek azt mutatják, hogy bár a változások észlelése nem javult az ismételt tömbökön, a résztvevők a kísérlet végi teszt során jóval a véletlennél nagyobb mértékben tudták felismerni az ismételt tömböket (Fukuda és Vogel, 2019; Olson és Jiang, 2004).

Jelen tanulmányunkban arra törekedtünk, hogy megvizsgáljuk, hogy a hosszú távú memória reprezentációit alkalmazzák-e a vizuális térbeli változás észlelési paradigmában. Három hatszínű A, B és C céltömb LTM nyomait hoztuk létre egy tanulási fázisban. Ezután összehasonlítottuk a teljesítményt egy következő munkamemória-tesztben az egyik ilyen céltömböt használó kísérletek között, amelyeket kimutathatóan LTM-ben tároltak a tanulási fázis után, és a véletlenszerűen generált tömbökkel (D) végzett kísérletek között, amelyek nem voltak megjelenítve LTM-ben. Az LTM-nyomok kísérleti generálása a változás-észlelési eljáráson kívül lehetővé teszi két lehetséges kimenetel megkülönböztetését. Ha ezeket a reprezentációkat használjuk, a tanult tömböknél jobb változásészlelési pontosságot kell megfigyelnünk, mint a véletlenszerű tömböknél. Ha ezeket az ábrázolásokat nem használjuk, akkor a tanult tömbök pontossága nem térhet el a véletlen tömbök pontosságától.

Módszer

Résztvevők

Két különböző minta vett részt az 1. és a 2. kísérletben. Az 1. kísérletben a mintát N=18 (Mage=22.6 év, SDage=2.89) egyetemi hallgató alkotta a Zürichi Egyetemről. A 2. kísérletbe a Zürichi Egyetem és az Ulmi Egyetem N=30 (Mage=23 év, SDage=4.89) egyetemi hallgatót vontak be, akik közül egy személyt kizártak az adatelemzésből a tanulási szakasz a tanulási szakasz elégtelen teljesítménye miatt (végső N=29). A mintaméretek megválasztását a korábbi Hebb-effektusra vonatkozó tanulmányok N-e adta. Úgy döntöttünk, hogy növeljük a 2. kísérlet mintanagyságát, hogy növeljük esélyünket a tudás egy csekély hatásának mérésére, amelyet az 1. kísérlet során esetleg elmulasztottunk. Mindkét kísérletet szórólapokon és e-mailben hirdettük meg. A résztvevőknek 18 és 35 év közöttieknek kellett lenniük, és folyékonyan beszéltek németül. Kizártuk a részvételből azokat az érdeklődőket, akik színvakok, vagy rossz (vagyis nem korrigált) látásúak voltak.

Anyagok és eljárás

Mindkét kísérlet feladata ugyanazt a kutatási kérdést vizsgálta; azonban az 1. kísérlet elvégzése után néhány apró kiigazításra került sor a feladatokon. Mindkét kísérlet két részből állt. Az első egy tanulási fázis volt, amelyben a résztvevőket arra utasították, hogy tanuljanak meg három különböző színtömböt (A, B és C jelöléssel; a cikk hátralévő részében ezeket "céltömböknek" nevezzük). Ezt követően egy változás-észlelési feladatot adtunk, amelyben egyes kísérletek a céltömböket, míg mások új véletlenszerű tömböket használtak memóriakészletként.

1. kísérlet Az 1. kísérlet tanulási szakasza a három megtanulandó színtömb egymás utáni, egyenként 10 másodperces bemutatásával kezdődött. Mindegyik tömb hat színfoltból állt, amelyek egyenlő távolságra voltak elosztva egy képzeletbeli körön, és a tanulás megkönnyítése érdekében minden tömböt egy betűvel (A, B vagy C) párosítottak a képzeletbeli kör közepén. Minden résztvevő esetében az egyes tömbök színeit véletlenszerűen választották ki egy 12 különböző színből álló mintából (lásd az 1. táblázatot az RGB-értékekért).

A három tömb első bemutatása után a tanulási fázist egy klasszikus változás-észlelési paradigma segítségével valósították meg. Úgy döntöttünk, hogy a résztvevők így tanulják meg a tömböket, mert azt akartuk, hogy a tanulási élmény hasonlítson a WM-feladathoz. Ennek az eljárásnak alacsony küszöbértéket kell biztosítania az LTM-reprezentációk használatához a következő WM-teszt során, mert optimalizálja az átvitelnek megfelelő feldolgozást (Morris et al., 1977).

A tanulási szakaszban alkalmazott változás-észlelési paradigmát sematikusan az 1. ábra mutatja be. Három blokkból állt, egyenként 24 próbával. Az összes blokkon minden próba egy 1,000 ms-os rögzítési kereszt bemutatásával kezdődött, amely a képernyő közepén volt. Ezután bemutattuk a három céltömb egyikét. Itt a bemutatási időpontok a három blokk között változtak. Az első blokkban 3500 ms-ig, a második blokkban 2500 ms-ig, a harmadik blokkban 1500 ms-ig mutatták be a céltömböket. A céltömb bemutatása után a résztvevők egy üres képernyőt kaptak további 1,000 ms-ig. Ezt követően a résztvevők bemutatták a céltömb szondáját, amely az első blokkban egy színfoltból, a második blokkban három színfoltból, vagy a harmadik blokkban hat színfoltból álló teljes tömbből állt. A résztvevőknek jelezniük kellett, hogy a most bemutatott színfolt(ok) megfelelnek-e a korábban ugyanabban a pozícióban bemutatott teljes tömbnek. A válaszidő nem volt korlátozva. Háromféle kísérlet volt: változás nélküli próbák (ugyanaz a színfolt ugyanazon a pozícióban), csere-változtatási kísérlet (színfolt egy másik pozícióban mutatta be) és véletlenszerű változtatási kísérlet (a céltömbben korábban nem szereplő színek bármilyen pozícióban). Mindegyik blokkon belül 12 változás nélküli próba, hat cserecsere-próba és hat véletlenszerű változási próba volt – a próbatípus sorrendjét véletlenszerűen választották. Mindegyik tömböt blokkonként nyolcszor mutatták be, és sorrendjüket véletlenszerűvé tették. Minden próba után visszajelzést adtak. Ha a válasz helyes volt, a résztvevők a „Richtig!” üzenetet kapták. (Helyes!), és következett a következő tárgyalás. Ha a válasz helytelen volt, a résztvevők a "Leider nicht Richtig! So siehtdiekorrekte Anordnung us:" üzenetet kapták (sajnos hibás! Így nézett ki a helyes tömb:), majd ismét bemutatták a teljes céltömböt, hogy egy másikat kapjanak. tanulási lehetőség. A három céltömb elsajátításának biztosításához a résztvevőknek minden blokkon belül meg kellett felelniük egy tanulási kritériumnak, ami legalább 19 helyesen megválaszolt próba volt (24-ből). Ha a résztvevők nem teljesítették ezt a kritériumot, meg kellett ismételniük azt a blokkot, amelyben nem teljesítették. Ezenkívül minden blokk elején ismét bemutatásra került a három céltömb 10 másodpercig. Ily módon azt reméltük, hogy a céltömbök ésszerűen erős LTM reprezentációját indukáljuk.

Miután egy résztvevő teljesítette a tanulási szakasz minden kritériumát, megkapta a következő munkamemória-feladat utasításait – nevezetesen egy másik változás-észlelési feladatot. Az utasítások ismét egyértelművé tették ennek a feladatnak a menetét, és kifejezetten kimondták, hogy a továbbiakban nem adunk visszajelzést. Általában a változás-észlelési paradigma erősen hasonlított a tanulási fázisra. Minden próba egy fixációs kereszt bemutatásával kezdődött 1,000 ms-ig egy üres képernyőn. Ezután egy hatszínű tömb került bemutatásra, de a tanulási fázissal ellentétben most 1,000 ms volt a prezentáció ideje. Egy 1,000- ms-os megőrzési időintervallum után, amely alatt a képernyő üres volt, egy színfolt szondaként jelent meg egy véletlenszerűen kiválasztott tömbelem pozíciójában. A résztvevőknek ismét jelezniük kellett, hogy a most bemutatott színfolt megegyezik-e a teljes hatszínű tömb színfoltjával ugyanabban a helyzetben. A válaszidő nem volt korlátozva. Ehhez a munkamemória-feladathoz 10 blokkot adtunk be, egyenként 18 próbával. Ezt megelőzően a résztvevőknek 18 gyakorlati próbát kellett teljesíteniük.

Az összesen 180 tesztvizsgálatból 90 az A, B vagy C céltömbök egyikét mutatta be (mindegyik 30 vizsgálat, most címkék nélkül), a többi 90 kísérlet pedig új tömbök bemutatására volt fenntartva (D), véletlenszerűen generálódnak azzal a megkötéssel, hogy nem lehetnek azonosak a céltömbök egyikével. A feladat előtt nem közölték a résztvevőkkel, hogy a korábban tanult tömbök újra bemutathatók. A blokkonkénti 18 kísérlet során hozzávetőleg 40 százalékban nem volt változás, és 60 százalékban változás történt.1 A próbatípusok sorrendjét és a tömbök sorrendjét ismét véletlenszerűen választották az egyes blokkon belül.

A 2. kísérlet hasonló tanulási fázissal indult, mint az 1. kísérlet. Az LTM-tanulás javítása érdekében azonban hozzáadtunk még egy tanulási blokkot, és minden blokkra szigorúbb tanulási kritériumokat tettünk (24 próba közül legalább 20 helyes). A tanulási feltételek sematikus áttekintését lásd a 2. ábrán. A tanulási szakasz most négy blokkból állt, egyenként 24 próbával. Az első három blokk ugyanaz volt, mint az 1. kísérletben, azzal a különbséggel, hogy a céltömbök bemutatási idejét az összes blokkban véletlenszerűen 1,000 és 5,000 ms közötti tartományba osztottuk. A negyedik blokk új tanulási tapasztalattal gazdagodott: a résztvevők most már csak az A, B vagy C címkéket mutatták be, majd egy teljes tömbszondát. Jelezniük kellett, hogy ez a szonda megfelel-e annak a tömbnek, amelyet megtanultak társítani a korábban bemutatott betűvel. Ennek a tanulási feltételnek biztosítania kell, hogy a résztvevők a céltömbök LTM-reprezentációit hozták létre, amelyeket egy tetszőleges visszakeresési jelzés alapján le tudtak kérni.

Az LTM teszteléséhez a tanulási fázis után egy diszkrét visszakeresési feladatot adtunk hozzá, amelyben a résztvevők a céltömbök betűjeleit és hat üres kört kaptak a színfoltok helyén. A hat üres kört egymás után jelölték, és a résztvevőknek az üres tömb mellett bemutatott 12 különböző színből kellett kiválasztani a megfelelő színt. A megjelölt kört ezután kitöltöttük a kiválasztott színnel, ha a választás helyes volt. Ha a választás helytelen volt, a résztvevők értesítést kaptak, és a ténylegesen helyes színt kitöltötték. Így a résztvevők ismét bemutatták a teljes céltömböket, és tovább tudták módosítani az LTM-reprezentációikat.

A következő WM fázis majdnem teljesen megegyezett az 1. kísérlettel. A tömbök bemutatási idejét 250 ms-ra csökkentettük. Ezen kívül a szondatípusok aránya programozási hiba miatt megváltozott, a változatlan és cserélődő szondák közötti 40:60 arányról körülbelül 70 százalékos változatlan szondákra és körülbelül 30 százalékos változásszondákra (cserére leválasztva). változások és véletlenszerű változások).

A WM teszt után a résztvevők ismét a diszkrét visszakeresési feladatot, valamint a tanulási fázis új negyedik blokkjának megismétlését kapták, betűkkel a céltömbök jelzéseiként, hogy teszteljék a céltömbök LTM-reprezentációit. utoljára. Ez lehetővé tette számunkra, hogy összehasonlítsuk a céltömbök elérhetőségét LTM-ben a WM-feladat előtt és után is.

Az általános eljárás mindkét kísérletben hasonló volt. Mindkét teszt körülbelül 1,5–2 óráig tartott, és a résztvevőket 15–22 CHF vagy részleges tanfolyami kredittel kompenzálták. A részvétel előtt minden résztvevő tájékoztatáson alapuló beleegyezését adta. A kísérleteket képzett kutatói asszisztensek felügyelték. A feladatokat a PsychoPy 2-n keresztül programozták és mutatták be (Peirce et al., 2019). Minden feladat és szabványos utasítás a számítógép képernyőjén jelent meg Full HD felbontásban (1920 × 1080 pixel). Az összes ingert szürke háttérszínen mutatták be, és a résztvevők megjelölt gombokat (- és<) on="" standard="" keyboards="" for="" responding="" to="" the="">

Mindkét kísérletben, mind a tanulási fázisban, mind a WM-tesztben egy dichotóm függő változót adnak, amely a pontosságot jelzi. Ezért a WM tesztek adatait logisztikus regressziós modellekkel elemeztük, amelyekben a helyes válaszok számát a bemutatott tömbök típusa alapján (vagyis tanult céltömbök vs. nem tanult véletlen tömbök) jósoltuk meg. Ennek a prediktornak a rögzített hatásán kívül a teljes modell tartalmazta a blokk fő hatását, egy tömb típusú interakciós tagot a blokkkal, az alany véletlenszerű hatását (azaz véletlen elfogást), valamint egy kifejezést az alanyokon belül egymásba ágyazott blokkok és tömbtípusok hatása (azaz véletlenszerű meredekségek). A teljes modell megadása után összehasonlítottuk a szerényebb modellekkel, hogy minden egyes hatás bizonyítékát értékeljük Bayes-tényezők segítségével a modellek összehasonlításához (Bürkner, 2017). A vegyes hatású logisztikus regressziós modellek priorjai Cauchy priorok voltak 1/√2 skálával, amelyet Gelman és munkatársai ajánlásainak kiigazításával kaptunk. (2008) (a logisztikus regressziós modellek skálaválasztásával kapcsolatos további részletekért lásd Oberauer, 2019). A modelleket 100,000 mintával becsülték meg, amelyeket három független Markov-láncon keresztül generáltak, egyenként 2,000 bemelegítési mintával (azaz 98,{14}} bemelegítés utáni mintával összesen).

Mivel mindkét kísérletben nem volt kiegyensúlyozva az azonos és a változási kísérletek aránya, a résztvevők válaszeltolódásokat alakíthattak ki, amelyek torzítanák az arány-helyes mérőszámot, mint a memóriaminőség indexét. Ezért a teljesítményt két mérési modellel is értékeltük, amelyek elválasztják a memória minőségét a torzítástól. A vizuális WM elméletei között sokat vitatott szakadék a memóriareprezentációk folyamatosan változó erősségét vagy pontosságát feltételező elméletek között van (Ma et al., 2014; Oberauer és Lin, 2017), és azok között, amelyek egy bináris különbségtétel az emlékezett és a nem emlékező elemek között (Adam et al., 2017; Zhang és Luck, 2008). Ahhoz, hogy mindkét perspektíva igazságos legyen, egy jel-észlelés mérési modellt alkalmaztunk a memória minőségének mérésére a megkülönböztethetőség folyamatos skáláján, és egy magas küszöbű modellt az emlékezett elemek számának mérésére. Konkrétan a d'-t (diszkriminabilitás) és c-t (válaszkritérium) a jelészlelési elméletből számoltuk ki (Macmillan, 1993; Stanislaw és Todorov, 1999 alapján), ahol korrigáltuk az extrém találati arányokat és a szélsőséges téves riasztási arányokat (pl. 0 vagy 1; lásd Hautus, 1995). Ezenkívül kiszámítottuk a Pmem-et (annak valószínűségét, hogy a résztvevő memóriájában volt a tesztelt elem) és g-t (a „változás” válasz valószínűségének kitalálása) egy magas küszöbű modellből (4. modell Cowan et al., 2013). Minden indexet kiszámítottunk mind a tanult, mind a véletlenszerű tömb teljesítményére. Az egyes kísérleteken belül lineáris regressziós modellekkel jósoltuk meg a megfelelő indexeket, prediktorként tömbtípussal és az alany véletlenszerű hatásával (azaz véletlen metszésponttal). Mivel az indexeket az összes vizsgálat adatainak összesítéséből számítottuk ki, nem tudtuk bevonni a blokkot prediktorként ezekbe az elemzésekbe.

Eredmények

1. kísérlet

Tanulási szakasz A 2. táblázatban közöljük a tanulási szakasz különböző blokkjainak pontosságát. Hét személynek egyszer meg kellett ismételnie az egyik tanulási blokkot. Senkinek sem kellett megismételnie az utolsó tanulási blokkot, ami jó tanulást jelez. Ezt mutatja az is, hogy blokkonként csökken a hibák aránya.

Munkamemória feladat Ezután bemutatjuk a munkamemória feladat blokkjai közötti pontosságot (lásd 3. ábra). A céltömbök teljesítménye jobb volt, mint a véletlenszerű tömbökön a legtöbb blokkban. Ezen túlmenően nem figyeltünk meg folyamatos teljesítménynövekedést a blokkok között, kifejezetten a céltömbökön a blokkon keresztüli ismétlődő bemutatása miatt, ahogy az várható lenne, ha a résztvevők tovább tanulnák ezeket a tömböket a változás-észlelési feladat során.

A tanult tömbök esetében a résztvevők átlagosan 9,5 százalékos hibát követtek el az összes blokkban, míg a véletlenszerű tömböknél átlagosan 13,7 százalékos hibát. Ez megegyezik a d=−.50 szabványos hatásmérettel, széles 95 százalékos CI-vel [-1,05, 0,05]. A specifikus hatásokkal rendelkező és anélküli logisztikus regressziós modellek modell-összehasonlításainak megfelelő Bayes-tényezőket a 3. táblázat mutatja be. Ez az elemzés csak a tömbtípus fő hatását támasztotta alá, ami azt jelenti, hogy a résztvevők összességében jobb teljesítményt mutattak a tanult tömbökön (megfelelő paraméterbecslések). a 4. táblázatban találhatók).

2. kísérlet

Tanulási szakasz Az 5. táblázatban a tanulási szakasz teljesítményének leíró statisztikai adatait közöljük. Huszonkét résztvevőnek meg kellett ismételnie legalább az egyik tanulási fázist, mivel nem érték el a korrigált, legalább 20 próba helyes kritériumát. Az ismétlések száma az egypróbás feltételnél 1 és 6 között volt, míg a hárompróbás feltételnél az ismétlések száma 1 és 4 között volt. Ugyanakkor egyértelmű javulási tendenciát figyeltünk meg a tanulási blokkok között, ami a sikeres tanulást jelzi. . Egy résztvevőnek sem kellett megismételnie az utolsó két tanulási blokkot.

Közvetlenül a tanulási fázist követően a résztvevőknek reprodukálniuk kellett a korábban megtanult tömböket úgy, hogy manuálisan választották ki a színeket a tömb minden pozíciójához. Összesen 18 kitöltött színfolt esetében (céltömbönként hat) a résztvevők átlagos helyessége 67 százalék volt (SD=47 százalék). Ez azt mutatja, hogy a résztvevők át tudták vinni tudásukat a céltömbökről egy másik visszakeresési módba (a változás észlelésétől a visszahívásig). Ezt a diszkrét visszakeresési feladatot a WM teszt után megismételtük. A közvetlenül a tanulási fázist követő első visszakeresési feladathoz képest a résztvevők teljesítménye javult. Ennél az utolsó diszkrét visszakeresési feladatnál a színfoltok 93 százaléka átlagosan megfelelően volt visszaadva (SD=44,3 százalék). A Bayes-féle t-teszt páros mintákon a helyes választások számát illetően gyenge bizonyítékokat tárt fel a második diszkrét visszakeresési feladatban az elsőhöz képest jobb teljesítményre (BF=3.59). Ez az eredmény azt mutatja, hogy a céltömbök LTM-nyomai nem csökkentek a WM-teszt során.

Végül a résztvevők memóriáját a tömbökkel kapcsolatban a kísérlet legvégén utoljára értékelték a tanulási fázis utolsó blokkjának megismétlésével, ahol csak betűjeleket mutattak be a változás-észlelési paradigmában. A 24 vizsgálat 93 százalékára válaszoltak helyesen, ami a céltömbök rendkívül pontos és hozzáférhető ismeretét jelzi.

Munkamemória feladat A 4. ábrán bemutatjuk a változás-észlelési feladat blokkjai közötti teljesítményt. A három tömb együttes átlagos teljesítménye a blokkok többségében jobb volt, mint a véletlenszerű tömböké. A résztvevők átlagosan 17,5 százalékos hibát követtek el a tanult tömböknél, míg a véletlenszerű tömböknél átlagosan 23,4 százalékos hibát. Ez megegyezik a d=−.55 szabványos hatásmérettel, 95 százalékos CI-vel [−.98, −.11]. Az 1. kísérlet hatásméretéhez képest a standardizált átlagos különbség a 2. kísérletben valamivel nagyobb. Ezen túlmenően a céltömbök előnye a blokkok között növekedett, ami Hebb-effektushoz hasonlított.

A logisztikus regressziós modellek modell-összehasonlítására szolgáló Bayes-tényezőket a 6. táblázatban találja. Döntő bizonyítékokat találtunk a tömbtípus fő hatására. Mérsékelt bizonyíték volt a blokk fő hatása és a két prediktor közötti kölcsönhatás ellen. A végső modell tehát tartalmazta a tömbtípus és a véletlen metszés fő hatását (azaz az alany véletlenszerű hatását), a megfelelő paraméterbecslések pedig a 7. táblázatban találhatók.

A memória minőségének elkülönítése a válaszeltolódástól

A 8. táblázatban minden kísérlethez bemutatjuk a fent említett változásészlelés mérési modell indexeit, tömbtípusonként elválasztva. A leíró statisztikákon kívül minden indexhez kísérletenként megadjuk a megfelelő hatásméreteket, valamint a Bayes-tényezőket, amelyek tükrözik a tömbtípus fő hatásának bizonyítékát.

Az 1. kísérletben a résztvevők megkülönböztethetőségi indexe d' nagyobb volt a tanult tömbökön, mint a véletlen tömbökön; a 2. kísérletben nem volt bizonyíték a különbség alátámasztására. A válaszkritériumok (c) mindkét kísérletben összehasonlíthatóak voltak, és kis torzítást jeleznek a kísérletekben bekövetkezett változás bejelentése felé. Mivel a válaszkritériumok mindkét kísérletben nagyok és azonos nagyságrendűek voltak, a két kísérletben az azonos és a változás közötti kísérletek eltérő aránya csekély hatással volt a résztvevők viselkedésére. Mindkét kísérletben bizonyítékot találtunk arra, hogy a válaszkritériumok csökkentek a tanult tömbök esetében, ami azt jelenti, hogy a változás jelzésére való hajlam lényegesen kisebb volt az LTM reprezentációkkal rendelkező tömbök esetében.

Áttérve a magas küszöbű mérési modellre, annak valószínűsége, hogy a tesztelt elem a memóriában, a Pmem, mindkét kísérletben magasabb volt a tanult, mint a nem tanult tömbök esetében. Hasonlóképpen, a „változás” kitalálásának valószínűsége (g) csökkent a tanult tömbök esetében a nem tanult tömbökhöz képest. Ez különösen a 2. kísérlet esetében volt így, míg az 1. kísérlet bizonyítékai kétértelműek voltak. Összességében mindkét mérési modell arra a következtetésre jutott, hogy a tanult tömbök mind memóriaminőségben, mind torzításban különböznek a nem tanult tömböktől. Ha a torzítást figyelembe vettük, a d' index már nem mutatott hiteles tanulási hatást a 2. kísérletben. Az 1. kísérletben mind a d', mind a Pmem a tanulás hiteles hatását mutatta. Kérjük, vegye figyelembe, hogy az összes mérési modell indexében megfigyelt különbségek a kísérletek között nem voltak jelentősek, amint azt a párosítatlan minták Bayes-féle t-tesztjei mutatják (a megfelelő BF-ek 0,32 és 2,8 között változtak).

Vita

Két kísérlettel megvizsgáltuk, hogy a hosszú távú memóriában tárolt vizuális tömbökre vonatkozó információk hasznosak-e a későbbiekben a változás-észlelési feladatok elvégzéséhez ezeknek a tömböknek a használatával. Hosszú távú memória-reprezentációkat indukáltunk a változás-észlelési paradigma előtt, és biztosítottuk, hogy azt robusztusan megtanulják. Ezenkívül a memorizált tömböket tovább ismételtük a munkamemória-feladat során, lehetővé téve a további tanulást. Ha a tanulási fázisban megszerzett céltömbök ismereteit felhasználtuk a munkamemória tesztben, a tanult tömbök teljesítményének jobbnak kell lennie, mint a véletlen tömbökön. Ezen túlmenően, ha az emberek a munkamemória-tesztben végzett ismétlések révén továbbra is tanulnának a céltömbökről, akkor a változásészlelési teljesítményük folyamatosan javulna a tömbismétlések során.

Összességében mindkét kísérlet eredményei egyértelmű bizonyítékot mutattak arra a feltételezésre, hogy a térbeli ingerek már meglévő LTM-reprezentációi (azaz színtömbök) előnyösek a munkamemória teljesítményére a változás-észlelési paradigma során. Mindkét kísérletben azonosítottuk a tömbtípus fő hatását. A változásészlelés teljesítménye jobb volt a korábban tanult tömbökhöz képest az új tömbökhöz képest, ami azt mutatja, hogy a változásészlelésben hosszú távú memóriát használnak. A munkamemória fázisában mindkét kísérletben nem volt bizonyíték a további tanulásra.

A legtöbb korábbi tanulmány miért nem mutatott bizonyítékot a változásészlelési feladatok tanulására? Kísérleteink kizárnak egy magyarázatot, miszerint az emberek megtanulják az ismétlődő tömböket, de tudásukat nem használják fel változás-észlelési döntésekhez. Ez azt jelenti, hogy az emberek nem tanulják meg az ismétlődő tömböket, vagy legalábbis nem tanulják meg őket elég jól. Okunk van azt hinni, hogy az ismétlődő tömbök halmozott tanulása megtörténik. Az egyik az, hogy Shimi és Logie (2019) fokozatos javulást tapasztalt a változás észlelésében ugyanazon tömb 60 vagy több ismétlésénél. További bizonyítékok származnak Olson és Jiang (2004), valamint Fukuda és Vogel (2019) tanulmányaiból. Bár egyik tanulmány sem talált egyértelmű bizonyítékot arra vonatkozóan, hogy az ismételt tömbök teljesítménye jobb lenne a változás-észlelési feladat során a véletlenszerű tömbökhöz képest, mindkét vizsgálat résztvevői a fenti eséllyel tudták azonosítani az ismétlődő tömböket a követési felismerési teszt során. szint. Ez azt jelenti, hogy az ismétlődő információhoz legalább némi tanulásnak kellett történnie a kísérletek során, de láthatóan nem elég ahhoz, hogy ez a tudás hasznos legyen a változások észleléséhez.

Ennek az lehet az oka, hogy a korábbi tanulmányok végső felismerési tesztjeiben a résztvevőknek meg kellett különböztetniük az ismétlődő tömböket a véletlenszerűen összeállított új tömböktől, amelyektől több elemben különböztek, míg a változás-észlelési feladat változáspróbái eltértek a bemutatott tömböktől. csak egy tételben. Az emberek részleges ismereteket szerezhettek az ismétlődő tömbökről – például a színpárokról vagy hármasokról –, ami elegendő ahhoz, hogy megkülönböztesse őket a teljesen újszerű tömböktől, de ritkán segít egyetlen változás észlelésében. Egy másik lehetőség az, hogy az ismétlődő tömbökről megszerzett tudás gyenge, így lassan visszakereshető. A változás-észlelési tesztben versenyfutás lehet a most bemutatott tömb WM-ből való lekérése és a megfelelő nyomkövetés LTM-ből való lekérése között. Ha az LTM-ből való visszakeresés sokkal lassabb, mint a WM-ből, akkor ritkán nyerné meg a versenyt. Ezzel szemben a végső felismerési tesztben csak az LTM érhető el, ezért az emberek valószínűleg időt szakítanak a visszakeresésre és a használatára. Akárhogy is, azok az LTM-reprezentációk, amelyek a változásészlelés során ismétlődő tömbökből fokozatosan épülnek fel, nagyon lassan halmozódnak fel – sokkal lassabban, mint a tipikus Hebb-ismétlési kísérletekben –, és ezért nem tesznek jót a változás-észlelési teljesítménynek, hacsak az ismétlések száma nem haladja meg az 50-et. , a külön tanulási szakaszban megszerzett tudás, mint a mi kísérleteinkben is, elég erős ahhoz, hogy kezdettől fogva hasznos legyen a változások észlelésében.

A tanulás gyenge aránya ellentétben áll a Hebb-ismétlési paradigmában megfigyelt meglehetősen gyors tanulással más típusú anyagokkal (verbális tételek, térbeli elhelyezkedések, arcok) és más tesztelési eljárásokkal (pl. sorozatos felidézés vagy rekonstrukció). Ezért a WM-ben tárolt elemek nem elegendőek a gyors tanulás elősegítéséhez. Valami másnak a megtanulandó információval vagy a WM tesztelésének eljárásával kapcsolatban kell befolyásolnia a tanulás sebességét. Logie és munkatársai által felvetett egyik lehetőség. (2009) szerint a változásdetektálás során a változásszondák zavarják az ismétlődő tömbök hosszú távú memória-reprezentációját, ezáltal lassítják a tanulást. Egy másik lehetőséget javasol Souza és Oberauer (2021) még publikálatlan kísérletsorozata: Robust Hebb vizuális tömbök tanulását csak akkor figyelték meg, ha minden tömbelemet teszteltek minden kísérletben. Előfordulhat, hogy az LTM elsősorban akkor épül fel, amikor a WM-ből vagy az LTM-ből nyerünk információkat (Sutterer & Awh, 2016), és ezért a változás észlelése során a tanulás lassú, mivel minden próba csak egyetlen tesztet tartalmaz.

Következtetés

Ha erős és átfogó tudás áll rendelkezésre a vizuális tömbökről az LTM-ben, akkor azt változásészlelési feladatban használják. A vizuális tömbök tipikus Hebb-ismétlési effektusának hiánya (Fukuda és Vogel, 2019; Logie et al., 2009; Olson és Jiang, 2004) leginkább azzal magyarázható, hogy az emberek nem tanulják meg elég erősen a teljes tömböket korlátozott számú ismétlés alatt. .