Koristi li se dugotrajna memorija u paradigmi za otkrivanje vizualno-prostornih promjena?

Za više informacija:ali.ma@wecistanche.com

Abstract

U testovima odradna memorijasa verbalnim ili prostornim materijalima, ponavljajući istomemorijasetovi kroz pokuse dovodi do poboljšanih performansi memorije. Ovaj dobro utvrđeni "Hebbov efekat ponavljanja" nije mogao biti prikazan za vizuelne materijale u prethodnim istraživanjima. Odsustvo Hebbovog efekta može se objasniti na dva načina: ili osoba ne uspijeva steći dugotrajnu reprezentaciju ponovljenihmemorijasetove, ili ih nabavedugotrajno pamćenjereprezentacije, ali ih ne koriste tokomradna memorijazadatak. U dva eksperimenta (N1=18 i N2=30), imali smo za cilj da se odlučimo između ove dvije mogućnosti manipuliranjem znanjem o dugotrajnoj memoriji nekih od memorijskih skupova korištenih u zadatku otkrivanja promjena. Prije testa otkrivanja promjena, učesnici su naučili tri niza boja prema kriteriju. Naredni test detekcije promjena sadržavao je i prethodno naučene i nove nizove boja. Performanse detekcije promjena bile su bolje na prethodno naučenim u usporedbi s novim nizovima, što pokazuje todugotrajno pamćenjekoristi se za otkrivanje promjena.

Ključne riječi:Vizuelna radna memorija. Dugotrajno pamćenje. Paradigma otkrivanja promjena. Hebbov efekat ponavljanja

Repetitio est mater studiorum—ponavljanje je majka učenja. Ovaj fundamentalni princip se vjerovatno primjenjuje na sve subjekte koji su u stanju da rade ono što mi zovemo "učenje"; životinje i ljudi, pa čak i kompjuteri. Obično učenje zahtijeva ponavljanje nekih ciljnih informacija, bilo namjerno ili nenamjerno. Tokom ponavljanja, neuronske veze u našem mozgu postepeno se mijenjaju kako bi uhvatile ponovljene informacije.

Click to Cistanche koristi za memoriju

Koja je uloga radne memorije za učenje? Tokom 6 decenija, nekoliko teoretičara je pretpostavljalo da kratkoročni iliradna memorija(WM)—medij za privremeno održavanje informacija—je prolaz u dugotrajnu memoriju (LTM), gdje se informacije trajno pohranjuju. Atkinson i Shiffrin (1968) pretpostavili su da informacije moraju proći kroz "kratkoročno skladište" u LTM. Baddeley et al. (1998) pretpostavili su da je fonološka petlja, komponenta Baddeleyjevog modela WM, uređaj za učenje novih oblika riječi. Nedavno je Cowan (2019) naglasio da održavanje informacija u WM uključuje ne samo aktiviranje postojećih LTM reprezentacija već i formiranje novih. Forsberg et al. (2020) su tvrdili da ograničeni kapacitet WM-a predstavlja usko grlo za stjecanje novih znanja u LTM-u.

Važan alat za proučavanje uloge WM u postepenom usvajanju znanja kroz ponavljanje je takozvani Hebbov efekat ponavljanja (Hebb, 1961). Hebbov efekat ponavljanja se odnosi na zapažanje da se trenutno serijsko prisjećanje – uobičajeni test WM-a – postepeno poboljšava za listu sjećanja koja se ponavlja nekoliko puta tokom eksperimenta (npr. Hebb, 1961; Hitch et al., 2005; Page et al., 2006). Hebbov efekat je prvobitno uočen u zadatku neposrednog serijskog prisjećanja s verbalnim stimulansima (Hebb, 1961), a posebno se raspravlja o njegovom doprinosu učenju jezika (Lafond et al., 2010; Szmalec et al., 2009). Druge studije su to otkrile i sa značajnim vizuelnim stimulansima kao što su uspravna lica (Horton et al., 2008) i sa sekvencama prostornih lokacija (npr. Couture & Tremblay, 2006; Gagnon et al., 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 u toj studiji) od klasičnog Hebbovog efekta, koji je robustan nakon oko 10 ponavljanja.

Ova studija

Postoje dva moguća objašnjenja za odsustvo Hebbovog učenja u zadatku otkrivanja promjena. Prvo, učesnici bi mogli propustiti da steknu LTM reprezentacije o tomeponovljeno pamćenjenizovi. Drugo, učesnici mogu kodirati više puta predstavljene nizove u LTM, ali ne mogu koristiti ove LTM reprezentacije u narednim pokušajima otkrivanja promjena koristeći iste nizove ponovo. Odnosno, iako učesnici stiču znanje pomoću kojeg bi mogli poboljšati svoje performanse na ponovljenim nizovima, oni to ne čine. Neki dokazi za potonju mogućnost dolaze iz dvije studije koje pokazuju da, iako se otkrivanje promjena nije poboljšalo na ponovljenim nizovima, sudionici su bili u stanju da prepoznaju ponovljene nizove znatno iznad šanse u testu na kraju eksperimenta (Fukuda & Vogel, 2019; Olson i Jiang, 2004).

U trenutnoj studiji, imali smo za cilj da testiramo da li se reprezentacije dugoročne memorije koriste u paradigmi otkrivanja vizuelnoprostornih promena. Kreirali smo LTM tragove tri ciljna niza u šest boja A, B i C u fazi učenja. Zatim smo uporedili performanse u naknadnom testu radne memorije između pokušaja koji koriste jedan od ovih ciljnih nizova, koji su očito pohranjeni u LTM nakon faze učenja, i pokušaja sa nasumično generiranim nizovima (D) bez reprezentacije u LTM. Eksperimentalno generiranje LTM tragova izvan postupka otkrivanja promjena omogućava razlikovanje dva moguća ishoda. Ako se koriste ovi prikazi, trebali bismo uočiti bolju tačnost detekcije promjena za naučene nizove u poređenju sa slučajnim nizovima. Ako se ovi prikazi ne koriste, tada se tačnost naučenih nizova ne bi trebala razlikovati od tačnosti slučajnih nizova.

Metoda

Učesnici

Dva različita uzorka su učestvovala u Eksperimentu 1 i Eksperimentu 2. Za Eksperiment 1, uzorak se sastojao od N=18 (Mage=22.6 godina, SDage=2.89) studenata sa Univerziteta u Cirihu. U eksperiment 2 upisano je N=30 (Mage=23 godina, SDage=4.89) studenata Univerziteta u Cirihu i Univerziteta Ulm, od kojih je jedna osoba isključena iz analize podataka nakon faza učenja zbog nedovoljnog učinka u fazi učenja (konačno N=29). Naš izbor veličina uzorka bio je zasnovan na N prethodnih studija o Hebbovom efektu. Odlučili smo da povećamo veličinu uzorka Eksperimenta 2 kako bismo povećali naše šanse da izmerimo mali efekat znanja koji smo možda propustili u Eksperimentu 1. Oba eksperimenta su reklamirana putem letaka i e-pošte. Učesnici su morali imati između 18 i 35 godina i tečno govoriti njemački jezik. Zainteresovane osobe su isključene iz učešća, ako su daltonisti, ili imaju slab (tj. neispravljen) vid.

Materijali i postupak

Zadaci oba eksperimenta osmišljeni su za proučavanje istog istraživačkog pitanja; međutim, učinjena su neka mala prilagođavanja zadacima nakon sprovedenog Eksperimenta 1. Oba eksperimenta su se sastojala iz dva dijela. Prva je bila faza učenja, u kojoj su učesnici dobili instrukcije da nauče tri različita niza boja (označene sa A, B i C, respektivno; u nastavku ovog rada oni će se zvati "ciljani nizovi"). Nakon toga, administriran je zadatak otkrivanja promjena u kojem su neka ispitivanja koristila ciljne nizove, a druga su koristila nove nasumične nizove kao memorijske skupove.

Eksperiment 1 Faza učenja Eksperimenta 1 započela je uzastopnim predstavljanjem tri niza boja koje treba naučiti u trajanju od 10 s. Svaki niz se sastojao od šest zakrpa u boji, koje su bile raspoređene na jednakoj udaljenosti na zamišljenom krugu, a da bi se olakšalo učenje, svaki niz je bio uparen sa slovom (A, B ili C, redom) u centru zamišljenog kruga. Za sve učesnike, boje za svaki niz su nasumično odabrane iz uzorka od 12 različitih boja (vidi tabelu 1 za RGB vrednosti).

Nakon ovog početnog izlaganja trima nizovima, faza učenja je implementirana pomoću klasične paradigme detekcije promjena. Odlučili smo da učesnici nauče nizove na ovaj način jer smo željeli da iskustvo učenja liči na WM zadatak. Ova procedura bi trebala osigurati nizak prag za korištenje LTM reprezentacija tokom naknadnog WM testa jer optimizira obradu prikladnu za prijenos (Morris et al., 1977).

Paradigma detekcije promena koja se primenjuje tokom faze učenja šematski je predstavljena na slici 1. Sastojala se od tri bloka sa po 24 pokušaja. U svim blokovima, svaki ogled je započeo predstavljanjem fiksacionog križa u trajanju od 1,000 ms, koji je bio centriran na ekranu. Zatim je predstavljen jedan od tri ciljna niza. Ovdje je vrijeme prezentacije variralo između tri bloka. U prvom bloku ciljni nizovi su prikazani na 3.500 ms, u drugom bloku na 2.500 ms, au trećem bloku na 1.500 ms. Nakon prezentacije ciljnog niza, učesnicima je prikazan prazan ekran još 1,000 ms. Nakon toga, učesnicima je predstavljena sonda ciljnog niza, koja se sastojala od jedne zakrpe u boji u prvom bloku, trobojnih zakrpa u drugom bloku ili kompletnog niza od šest zakrpa u boji u trećem bloku. Učesnici su morali da navedu da li se sada predstavljene zakrpe u boji poklapaju sa onima iz kompletnog niza prethodno predstavljenih na istoj poziciji. Vrijeme odgovora nije bilo ograničeno. Postojale su tri vrste pokusa: pokušaji bez promjene (ista zakrpa u boji na istoj poziciji), pokušaji zamjene (prikazani dio boje na drugoj poziciji) i pokušaji nasumične promjene (boje koje ranije nisu bile predstavljene u ciljnom nizu u bilo kojoj poziciji). Unutar svakog bloka bilo je 12 pokušaja bez promjene, šest pokušaja zamjene i šest pokušaja nasumične promjene - redoslijed tipa ispitivanja bio je nasumičan. Svaki niz je predstavljen osam puta po bloku, a njihov redoslijed je bio nasumičan. Nakon svakog ispitivanja davane su povratne informacije. Ako je odgovor bio tačan, učesnicima je predstavljena poruka "Richtig!" (Tačno!), a uslijedilo je sljedeće suđenje. Ako je odgovor bio netačan, učesnicima je predstavljena poruka "Leider nicht Richtig! So siehtdiekorrekte Anordnung us:" (Nažalost netačno! Ovako je izgledao ispravan niz:) i zatim im je ponovo predstavljen kompletan ciljni niz kako bi se pružio drugi mogućnost učenja. Da bi se osiguralo učenje tri ciljna niza, učesnici su morali da ispune kriterijum učenja unutar svakog bloka, koji je bio najmanje 19 tačnih odgovora (od 24). Ako učesnici nisu ispunili ovaj kriterij, morali su ponoviti blok u kojem to nisu ispunili. Pored toga, na početku svakog bloka, tri ciljna niza su ponovo predstavljena po 10 s. Na ovaj način, nadali smo se da ćemo inducirati razumno jaku LTM reprezentaciju ciljnih nizova.

Kada je učesnik ispunio sve kriterijume faze učenja, predočena su mu uputstva za sledeći zadatak radne memorije – naime, drugi zadatak otkrivanja promena. Uputstva su još jednom razjasnila proceduru ovog zadatka i eksplicitno naveli da ubuduće više neće biti povratne informacije. Općenito, paradigma otkrivanja promjena jako je ličila na fazu učenja. Svako ispitivanje je započinjalo predstavljanjem fiksacionog križa u trajanju od 1,000 ms na praznom ekranu. Zatim je predstavljen niz od šest boja, ali za razliku od faze učenja, sada je vrijeme prezentacije bilo 1,000 ms. Nakon intervala zadržavanja od 1,000-ms, tokom kojeg je ekran bio prazan, jedna zakrpa u boji je prikazana kao sonda na poziciji nasumično odabrane stavke niza. Opet, učesnici su morali da naznače da li se sada predstavljena zakrpa u boji poklapa sa zakrpom u boji kompletnog niza od šest boja na istoj poziciji. Vrijeme odgovora nije bilo ograničeno. Za ovaj zadatak radne memorije administrirano je 10 blokova sa po 18 pokušaja. Prije toga, učesnici su morali završiti 18 vježbi.

Od ukupno 180 testnih ispitivanja, 90 ispitivanja je predstavilo jedan od ciljnih nizova A, B ili C (svaka po 30 ispitivanja, sada predstavljena bez svojih oznaka), a ostalih 90 pokusa je bilo rezervisano za predstavljanje novih nizova (D), generirani nasumično s ograničenjem da ne smiju biti identični jednom od ciljnih nizova. Prije zadatka, učesnicima nije rečeno da se prethodno naučeni nizovi mogu ponovo predstaviti. U 18 pokušaja po bloku, bilo je otprilike 40 posto bez promjena i 60 posto pokušaja sa promjenama.1 Ponovo, redoslijed tipa ispitivanja i redoslijed nizova su nasumično raspoređeni unutar svakog bloka.

Eksperiment 2 je počeo sa sličnom fazom učenja kao Eksperiment 1. Međutim, da bismo poboljšali LTM učenje, dodali smo još jedan blok učenja i pooštrili kriterijum učenja za svaki blok (najmanje 20 od 24 pokušaja tačnim). Za šematski pregled uslova učenja, pogledajte sliku 2. Faza učenja se sada sastojala od četiri bloka sa po 24 pokušaja. Prva tri bloka bila su ista kao u Eksperimentu 1, osim što su vremena prezentacije za ciljne nizove u svim blokovima nasumično raspoređena u rasponu između 1,000 i 5,000 ms. Četvrti blok je dodao novo iskustvo učenja: Učesnicima su sada predstavljene samo oznake A, B ili C, nakon čega je slijedila kompletna sonda niza. Morali su da naznače da li ova sonda odgovara nizu koji su naučili da povezuju sa prethodno predstavljenim pismom. Ovaj uslov učenja treba da osigura da su učesnici izgradili LTM reprezentacije ciljnih nizova koje bi mogli da dohvate na osnovu proizvoljnog traga za pronalaženje.

Da bismo testirali LTM nakon faze učenja, dodali smo zadatak diskretnog preuzimanja, u kojem su učesnicima predstavljeni znakovi slova ciljnih nizova i šest praznih krugova na pozicijama zakrpa u boji. Šest praznih krugova je označeno jedan za drugim, a učesnici su morali da izaberu ispravnu boju iz seta od 12 različitih boja, prikazanih pored praznog niza. Označeni krug je tada popunjen odabranom bojom ako je izbor bio ispravan. Ako je izbor bio netačan, učesnici su bili obaviješteni i popunjena je stvarno ispravna boja. Na ovaj način, učesnicima su još jednom predstavljeni kompletni ciljni nizovi i mogli su dalje prilagoditi svoje LTM reprezentacije.

Sljedeća WM faza bila je skoro identična Eksperimentu 1. Smanjili smo vrijeme prezentacije nizova na 250 ms. Pored toga, omjer tipova sondi je promijenjen zbog greške u programiranju sa omjera od 40:60 između sondi bez promjene i promjene na otprilike 70 posto sondi bez promjene i otprilike 30 posto sondi za promjenu (odvojeno na zamjenske sonde). promjene i slučajne promjene).

Nakon WM testa, sudionicima je ponovo predstavljen zadatak diskretnog pronalaženja, te ponavljanje novog četvrtog bloka faze učenja, sa slovima kao znakovima za ciljne nizove, kako bi testirali svoje LTM reprezentacije ciljnih nizova jedan. zadnji put. Ovo nam je omogućilo da uporedimo pristupačnost ciljnih nizova u LTM-u i pre i posle WM zadatka.

Opći postupak za oba eksperimenta bio je sličan. Oba testa su trajala otprilike 1,5-2 sata, a učesnici su bili nadoknađeni sa 15-22 CHF ili djelomičnim kreditom za kurs. Prije učešća, svi učesnici su dali informirani pristanak. Eksperimente su nadgledali obučeni istraživači asistenti. Zadaci su programirani i predstavljeni putem PsychoPy 2 (Peirce et al., 2019). Svi zadaci i standardizovana uputstva predstavljeni su na ekranima računara sa Full HD rezolucijom (1.920 × 1.080 piksela). Svi stimulansi su predstavljeni na sivoj boji pozadine, a učesnici su koristili označene tastere (- i<) on="" standard="" keyboards="" for="" responding="" to="" the="">

Za oba eksperimenta, i faza učenja i WM test, pružaju dihotomnu zavisnu varijablu koja ukazuje na točnost. Stoga smo analizirali podatke za WM testove sa modelima logističke regresije, u kojima je broj tačnih odgovora bio predviđen prema tipu predstavljenih nizova (tj. naučeni ciljni nizovi naspram nenaučenih slučajnih nizova). Pored fiksnog efekta ovog prediktora, puni model je uključivao glavni efekat bloka, termin interakcije tipa niza sa blokom, slučajni efekat subjekta (tj. slučajni presretanje), kao i termin za efekat blokova i tipova nizova ugniježđenih unutar subjekata (tj. slučajni nagibi). Nakon što smo specificirali potpuni model, uporedili smo ga sa štedljivijim modelima kako bismo procijenili dokaze za svaki pojedinačni efekat pomoću Bayesovih faktora za poređenje modela (Bürkner, 2017). Priori za modele logističke regresije mješovitih efekata bili su Cauchy priori sa skalom od 1/√2, dobijeni prilagođavanjem preporuka Gelmana et al. (2008) (za više detalja o izboru skale za modele logističke regresije, pogledajte Oberauer, 2019). Modeli su procijenjeni sa 100,000 uzoraka, generiranih kroz tri nezavisna Markovljeva lanca, sa po 2,000 uzorka za zagrijavanje (tj. 98,000 uzoraka nakon zagrijavanja ukupno).

Budući da u oba eksperimenta omjer istih i pokušaja promjene nije bio uravnotežen, učesnici su mogli razviti pristrasnost odgovora, što bi iskrivilo mjeru ispravne proporcije kao indeksa kvaliteta memorije. Stoga smo također ocijenili performanse pomoću dva mjerna modela koji odvajaju kvalitet memorije od pristranosti. Podjela o kojoj se mnogo raspravlja između teorija vizualnog WM-a je između onih koje pretpostavljaju kontinuirano promjenljivu snagu ili preciznost memorijskih reprezentacija (Ma et al., 2014; Oberauer & Lin, 2017) i onih koje pretpostavljaju binarna razlika između stavki koje se pamte i drugih koje nisu (Adam et al., 2017; Zhang & Luck, 2008). Da bismo ispunili obje perspektive, primijenili smo model mjerenja detekcije signala za mjerenje kvaliteta memorije na kontinuiranoj skali diskriminabilnosti i model visokog praga za mjerenje broja zapamćenih stavki. Konkretno, izračunali smo d' (diskriminabilnost) i c (kriterijum odgovora) iz teorije detekcije signala (bazirane na Macmillan, 1993; Stanislaw & Todorov, 1999), gdje smo ispravili ekstremne stope pogodaka i ekstremne stope lažnih alarma (tj. 0 ili 1; vidi Hautus, 1995.). Osim toga, izračunali smo Pmem (vjerovatnoća da je učesnik imao testirani predmet u memoriji) i g (vjerovatnoća pogađanja za odgovor "promjene") iz modela visokog praga (Model 4 od Cowan et al., 2013). Svi indeksi su izračunati za naučene i slučajne performanse niza. U okviru svakog eksperimenta, predviđali smo odgovarajuće indekse pomoću modela linearne regresije sa tipom niza kao prediktorom i slučajnim efektom subjekta (tj. slučajnim presretkom). Kako su indeksi izračunati iz agregiranja podataka u svim ispitivanjima, nismo mogli uključiti blok kao prediktor u ove analize.

Rezultati

Eksperiment 1

Faza učenja U tabeli 2 izvještavamo o tačnosti za različite blokove faze učenja. Sedam osoba je moralo jednom ponoviti jedan od blokova učenja. Nijedna osoba nije morala ponavljati posljednji blok učenja, što ukazuje na dobro učenje. To je također prikazano smanjenjem udjela grešaka od bloka do bloka.

Zadatak radne memorije Zatim prikazujemo tačnost u blokovima zadatka radne memorije (vidi sliku 3). Performanse na ciljnim nizovima su bile bolje nego na nasumičnom nizu u većini blokova. Nadalje, nismo primijetili stabilan porast performansi među blokovima posebno na ciljnim nizovima zbog njihovih ponovljenih prezentacija kroz blokove, kao što bi se očekivalo ako bi učesnici nastavili da uče ove nizove tokom zadatka otkrivanja promjena.

Za naučene nizove, učesnici su napravili 9,5 posto grešaka u prosjeku u svim blokovima, dok su napravili 13,7 posto grešaka u prosjeku za nasumične nizove. Ovo je jednako standardizovanoj veličini efekta od d=−.50 sa širokim 95 posto CI [−1.05, .05]. Bayesovi faktori koji odgovaraju modelskim poređenjima za modele logističke regresije sa i bez specifičnih efekata prikazani su u tabeli 3. Samo glavni efekat tipa niza je podržan ovom analizom, što znači da su učesnici u celini pokazali bolje performanse na naučenim nizovima (odgovarajuće procene parametara može se naći u tabeli 4).

Eksperiment 2

Faza učenja U tabeli 5 dajemo deskriptivnu statistiku učinka u fazi učenja. Dvadeset i dva učesnika morala su da ponove barem jednu od faza učenja, jer nisu dostigli prilagođeni kriterijum od najmanje 20 tačnih ispitivanja. Broj ponavljanja za stanje sa jednom sondom kretao se od 1 do 6, dok se broj ponavljanja za stanje sa tri sonde kretao od 1 do 4. Međutim, uočili smo jasan trend poboljšanja u blokovima učenja, što ukazuje na uspješno učenje . Nijedan učesnik nije morao ponavljati zadnja dva bloka učenja.

Odmah nakon faze učenja, učesnici su morali da reprodukuju prethodno naučene nizove ručnim odabirom boja za svaku poziciju niza. Za ukupno 18 zakrpa u boji koje treba popuniti (šest po ciljnom nizu), učesnici su imali prosječnu tačnost od 67 posto (SD=47 posto). Ovo pokazuje da su učesnici bili u mogućnosti da prenesu svoje znanje o ciljnim nizovima u drugi način pronalaženja (od otkrivanja promene do opoziva). Ovaj zadatak diskretnog pronalaženja ponovljen je nakon WM testa. U poređenju sa prvim zadatkom preuzimanja neposredno nakon faze učenja, učinak učesnika je poboljšan. Za ovaj posljednji zadatak diskretnog pronalaženja, 93 posto zakrpa u boji je u prosjeku ispravno reprodukovano (SD=44.3 procenta). Bayesian t-test za uparene uzorke u pogledu broja tačnih izbora otkrio je slabe dokaze za bolje performanse u drugom zadatku diskretnog preuzimanja u poređenju sa prvim (BF=3.59). Ovaj rezultat pokazuje da LTM tragovi ciljnih nizova nisu opadali tokom WM testa.

Konačno, pamćenje učesnika o nizovima procijenjeno je posljednji put na samom kraju eksperimenta ponavljanjem posljednjeg bloka faze učenja, gdje su im predstavljeni samo znakovi slova u paradigmi otkrivanja promjena. Oni su tačno odgovorili na 93 posto od 24 ispitivanja, što ukazuje na visoko precizno i ​​dostupno znanje o ciljnim nizovima.

Zadatak radne memorije Na slici 4, predstavljamo performanse u blokovima zadatka otkrivanja promjena. Kombinovane srednje performanse tri niza bile su bolje nego za slučajne nizove u većini blokova. Učesnici su u prosjeku napravili 17,5 posto grešaka za naučene nizove, dok su napravili 23,4 posto grešaka u prosjeku za nasumične nizove. Ovo je jednako standardizovanoj veličini efekta od d=-.55 sa 95 posto CI [-.98, -.11]. U poređenju sa veličinom efekta Eksperimenta 1, standardizovana srednja razlika u Eksperimentu 2 je nešto veća. Pored toga, postojala je tendencija povećanja prednosti ciljnih nizova između blokova, što je nalik Hebb efektu.

Nađite Bayesove faktore za poređenja modela za modele logističke regresije u tabeli 6. Pronašli smo odlučujuće dokaze za glavni efekat tipa niza. Bilo je umjerenih dokaza protiv glavnog efekta bloka, i protiv interakcije između oba prediktora. Konačni model je tako uključio glavni efekat tipa niza i slučajnog presjeka (tj. slučajnog efekta subjekta), a odgovarajuće procjene parametara mogu se naći u tabeli 7.

Odvajanje kvaliteta memorije od pristranosti odgovora

U tabeli 8 predstavljamo gore pomenute indekse modela merenja detekcije promena za svaki eksperiment, odvojene po tipu niza. Pored deskriptivne statistike, izvještavamo o odgovarajućim veličinama efekata za svaki indeks po eksperimentu i Bayesove faktore koji odražavaju dokaze o glavnom efektu tipa niza

U eksperimentu 1, indeks diskriminabilnosti učesnika d' bio je veći na naučenim nizovima nego na slučajnim nizovima; u eksperimentu 2, nije bilo dokaza koji bi podržali tu razliku. Kriterijumi odgovora (c) u oba eksperimenta bili su uporedivi i ukazuju na malu pristrasnost prema izvještavanju o promjeni u ispitivanjima. Kako su kriterijumi odgovora za oba eksperimenta bili veliki i iste veličine, različiti omjeri istih i promjenjivih ispitivanja u dva eksperimenta imali su mali utjecaj na ponašanje sudionika. Pronašli smo dokaz u oba eksperimenta da su kriterijumi odgovora smanjeni za naučene nizove, što znači da je tendencija da se ukaže na promjenu bila znatno manja za nizove sa LTM reprezentacijama.

Ako se okrenemo modelu mjerenja visokog praga, vjerovatnoća da će se testirani predmet imati u memoriji, Pmem, bila je veća za naučene nizove nego za nenaučene nizove u oba eksperimenta. Slično, vjerovatnoća pogađanja (g) da se pogodi "promjena" je smanjena za naučene nizove u odnosu na nizove koji nisu naučeni. Ovo je posebno bio slučaj za Eksperiment 2, dok su dokazi u Eksperimentu 1 bili dvosmisleni. Uzeti zajedno, oba modela mjerenja konvergirali su na zaključku da se naučeni nizovi razlikuju od nenaučenih nizova i po kvalitetu memorije i po pristranosti. Kada je pristrasnost uzeta u obzir, d' indeks više nije pokazivao kredibilan efekat učenja u Eksperimentu 2. U eksperimentu 1, i d' i Pmem su pokazali kredibilan efekat učenja. Imajte na umu da uočene razlike u svim indeksima mjernog modela između eksperimenata nisu bile značajne, kao što su pokazali Bayesovi t-testovi za nesparene uzorke (odgovarajući BF-ovi bili su u rasponu od .32 do 2.8)

Diskusija

Sa dva eksperimenta, istražili smo da li su informacije o vizuelnim nizovima pohranjenim u dugotrajnoj memoriji bile korisne za naknadno izvođenje zadatka otkrivanja promjena pomoću ovih nizova. Inducirali smo dugoročne memorijske reprezentacije prije paradigme otkrivanja promjena i osigurali da se ona robusno nauči. Pored toga, memorisani nizovi su se dalje ponavljali tokom zadatka radne memorije, omogućavajući dalje učenje. Ako je znanje o ciljnim nizovima stečeno u fazi učenja korišteno u testu radne memorije, performanse naučenih nizova trebale bi biti bolje nego na nasumičnom nizu. Osim toga, ako bi ljudi nastavili da uče o ciljnim nizovima kroz njihovo ponavljanje u testu radne memorije, onda bi se njihov učinak otkrivanja promjena stalno poboljšavao tokom ponavljanja niza.

Uzeti zajedno, nalazi oba eksperimenta pokazali su jasne dokaze za pretpostavku da su već postojeće LTM reprezentacije vizuoprostornih stimulusa (tj. nizova boja) korisne za performanse radne memorije tokom paradigme detekcije promjena. U oba eksperimenta identifikovali smo glavni efekat tipa niza. Performanse detekcije promjena bile su bolje na prethodno naučenim u usporedbi s novim nizovima, što pokazuje da se dugoročna memorija koristi u otkrivanju promjena. Nije bilo dokaza za dalje učenje tokom faze radne memorije u oba eksperimenta.

Zašto većina prethodnih studija nije pokazala nikakve dokaze o učenju u zadacima otkrivanja promjena? Naši eksperimenti isključuju jedno objašnjenje, a to je da ljudi uče nizove koji se ponavljaju, ali ne koriste svoje znanje za donošenje odluka o otkrivanju promjena. Ovo ostavlja alternativu da ljudi ne uče nizove koji se ponavljaju, ili ih barem ne uče dovoljno dobro. Postoje razlozi za vjerovanje da se neko kumulativno učenje ponovljenih nizova ipak događa. Jedna je da su Shimi i Logie (2019) otkrili postepeno poboljšanje otkrivanja promjena u 60 ili više ponavljanja istog niza. Dodatni dokazi dolaze iz studija Olsona i Jianga (2004) i Fukude i Vogela (2019). Iako obje studije nisu pronašle jasne dokaze da su performanse na ponovljenim nizovima tokom zadatka otkrivanja promjena bile superiornije u poređenju sa nasumičnim nizovima, učesnici obje studije su bili u mogućnosti da identifikuju ponovljene nizove tokom naknadnog testa prepoznavanja na gore navedenoj šansi. nivo. To znači da se barem nešto učenja za ponovljene informacije moralo dogoditi tokom eksperimenata, ali očito nedovoljno da to znanje učini korisnim za otkrivanje promjena.

To bi moglo biti zato što su, u konačnim testovima prepoznavanja tih ranijih studija, sudionici morali razlikovati ponovljene nizove od nasumično sastavljenih novih nizova, od kojih su se razlikovali u nekoliko stavki, dok su se sonde promjene zadatka otkrivanja promjena razlikovale od predstavljenih nizova. u samo jednom artiklu. Ljudi su možda stekli djelomično znanje o ponovljenom nizu – na primjer, znanje o parovima ili trojkama boja – što je dovoljno da ih odvoji od potpuno novih nizova, ali rijetko pomaže u otkrivanju jedne promjene. Druga mogućnost je da je stečeno znanje o ponovljenim nizovima slabo tako da se sporo vraća. U testu otkrivanja promjena, može doći do utrke između preuzimanja upravo predstavljenog niza iz WM-a i dohvaćanja odgovarajućeg traga iz LTM-a. Ako je preuzimanje iz LTM-a mnogo sporije od preuzimanja iz WM-a, rijetko bi pobijedilo u utrci. Nasuprot tome, u konačnom testu prepoznavanja dostupan je samo LTM, pa će ljudi vjerovatno odvojiti vrijeme da ga pronađu i koriste. U svakom slučaju, LTM reprezentacije koje se izgrađuju postepeno iz doživljaja ponovljenih nizova tokom otkrivanja promjena akumuliraju se vrlo sporo – mnogo sporije nego u tipičnim Hebbovim eksperimentima ponavljanja – i stoga ne doprinose performansama detekcije promjena osim ako broj ponavljanja ne prelazi oko 50. Nasuprot tome , znanje stečeno u odvojenoj fazi učenja, kao u našim eksperimentima, dovoljno je snažno da bude korisno u otkrivanju promjena od samog početka.

Loša stopa učenja je u suprotnosti sa prilično brzim učenjem uočenim u Hebb paradigmi ponavljanja s drugim vrstama materijala (verbalni predmeti, prostorne lokacije, lica) i drugim postupcima testiranja (tj. serijski prisjećanje ili rekonstrukcija). Stoga održavanje skupa stavki u WM-u nije dovoljno za podsticanje brzog učenja. Nešto drugo u vezi sa informacijama koje treba naučiti, ili procedurom testiranja WM-a, mora uticati na brzinu učenja. Jedna mogućnost koju su postavili Logie et al. (2009) je da u detekciji promjena, sonde promjene ometaju dugoročnu memoriju predstavljanja ponovljenih nizova, čime se usporava učenje. Još jedna mogućnost sugerira još uvijek neobjavljena serija eksperimenata Souze i Oberauera (2021): Robust Hebbovo učenje o vizualnim nizovima opaženo je samo ako su sve stavke niza testirane na svakom ispitivanju. Moguće je da je LTM prvenstveno izgrađen kada preuzimamo informacije iz WM-a ili LTM-a (Sutterer & Awh, 2016), pa je stoga učenje tokom otkrivanja promjena sporo, jer svako ispitivanje uključuje samo jedan test.

Zaključak

Kada je u LTM dostupno snažno i sveobuhvatno znanje o vizualnim nizovima, ono se koristi u zadatku otkrivanja promjena. Odsustvo tipičnog efekta Hebbovog ponavljanja kod vizuelnih nizova (Fukuda i Vogel, 2019; Logie i dr., 2009; Olson i Jiang, 2004) najbolje se objašnjava time što ljudi ne uspevaju da nauče kompletne nizove dovoljno snažno tokom ograničenog broja ponavljanja. .