Intraobjekt- und Extraobjekt-Gedächtnisbindung in der frühen Entwicklung Teil 3

Resultate und Diskussion

Drei {{0}}-Jährige wurden aufgrund von Computerfehlern ausgeschlossen, und ein weiterer 5--Jähriger wurde ausgeschlossen, weil er die Aufgabe nicht erledigte. Da Kinder und Erwachsene auf unterschiedliche Weise reagierten (über einen Touchscreen bzw. über eine Tastatur), konnten wir die Reaktionszeiten nicht analysieren, aber wir schlossen einzelne Versuche mit sehr schnellen (d. h. < 200 ms) Antworten aus allen Analysen aus, da diese wahrscheinlich unbeabsichtigt waren . Der Prozentsatz der ausgeschlossenen Studien betrug 1,3 % bei 5--Jährigen, 0,2 % bei 8--Jährigen und 0 % bei Erwachsenen.

Die Reaktionen und das Gedächtnis von Kindern hängen eng zusammen. Eine gute Reaktionsgeschwindigkeit kann einem Kind helfen, Informationen zu verarbeiten und besser zu lernen, während ein starkes Gedächtnis einem Kind helfen kann, sich besser an das Gelernte zu erinnern und es anzuwenden.

Ein Kind, das Dinge leicht beurteilen und schnell reagieren kann, wird beim Lernen erfolgreicher sein. Diese Kinder können große Informationsmengen effizient verarbeiten und bei Bedarf schnell reagieren. Kinder entwickeln eine selbstbewusste Haltung und erbringen bessere Leistungen, wenn von ihnen in allen Aspekten der Schule und des Lebens schnelles Handeln verlangt wird. Darüber hinaus erhalten sie durch ihre schnelle Reaktion auch eine bessere Hand-Auge-Koordination und mehr motorische Fähigkeiten, um den Anforderungen ihres gesunden Wachstums gerecht zu werden.

Andererseits ist auch ein starkes Gedächtnis sehr wichtig. Die Menge an Informationen, die sich Kinder merken müssen, ist überwältigend, einschließlich Aufgaben wie Unterricht und Hausaufgaben in der Schule. Wenn ein Kind kein gutes Gedächtnis hat, ist es wahrscheinlich, dass es Probleme mit Schulaufgaben und Hausaufgaben hat. Wenn Kinder vergessen, was sie tun sollen, oder vergessen, was der Lehrer im Unterricht gelehrt hat, werden sie beim Lernen auf blinde Flecken und Auslassungen stoßen.

Glücklicherweise können wir Kindern durch Übungen und Training helfen, ihre Reflexe und ihr Gedächtnis zu verbessern. Wir können Kinder beispielsweise mit herausfordernden Aktivitäten wie Memory-Kartenspielen, Malen, Musik usw. beschäftigen, um ihnen dabei zu helfen, ihr Gedächtnis und ihre Reaktionsgeschwindigkeit zu optimieren. Wir können Kinder auch dazu ermutigen, mehr Outdoor-Aktivitäten und Sport zu treiben, um ihre körperliche Fitness zu verbessern.

Im Erziehungsprozess müssen wir Kinder dazu ermutigen, ständig neue Dinge auszuprobieren und sich aktiv an verschiedenen Aktivitäten im Schul- und Familienleben zu beteiligen, damit sie mehr Möglichkeiten zum Üben erhalten. Wir müssen Kindern positive Ermutigung und Unterstützung geben, damit sie verschiedenen Herausforderungen im Leben souverän begegnen können, damit ihre Reaktionsgeschwindigkeit und ihr Gedächtnis schnell verbessert werden. Es ist ersichtlich, dass wir unser Gedächtnis verbessern müssen. Cistanche deserticola kann das Gedächtnis erheblich verbessern, da Cistanche deserticola ein traditionelles chinesisches Arzneimittel mit vielen einzigartigen Wirkungen ist, darunter die Verbesserung des Gedächtnisses. Die Wirksamkeit von Hackfleisch beruht auf den verschiedenen darin enthaltenen Wirkstoffen, darunter Säure, Polysaccharide, Flavonoide usw. Diese Inhaltsstoffe können die Gesundheit des Gehirns auf verschiedene Weise fördern.

Klicken Sie auf „Ergänzungen zur Verbesserung des Gedächtnisses kennen“.

Nachdem wir einzelne Versuche ausgeschlossen hatten, schlossen wir alle Daten von Teilnehmern aus, die sowohl in der Lern- als auch in der Lerntestphase keine guten Leistungen erbrachten, da es schwierig wäre, Rückschlüsse auf Interferenzen oder Gedächtnisbindungen bei Teilnehmern zu ziehen, die die Aufgabe nicht verstanden oder nicht zahlten Aufmerksamkeit. Konkret führten wir für jeden Teilnehmer zwei einseitige Binomialtests durch. Der erste Test kombinierte alle Versuche aus den Blöcken 2–4 der Lernphase von Satz A mit Einzelversuchen aus den Blöcken 2–4 der Lernphase von Satz B. Wir haben den ersten Block dieser Phasen ausgeschlossen, weil wir davon ausgingen, dass die Genauigkeit nahezu zufällig ist, als die Eventualitäten zum ersten Mal vorgestellt wurden, und wir haben überlappende Versuche aus Satz B ausgeschlossen, weil wir zu dem Schluss kamen, dass die Genauigkeit in diesen Versuchen aufgrund proaktiver Eingriffe geringer sein könnte.

Der zweite statistische Test kombinierte alle Versuche aus dem ersten Lerntest von Satz A mit eindeutigen Versuchen aus dem Lerntest von Satz B. Der Grund für den Ausschluss überlappender Versuche für Satz B war wiederum die Möglichkeit einer proaktiven Interferenz. Wir haben 12 Fünfjährige, fünf 8--Jährige und null Erwachsene ausgeschlossen, deren Genauigkeit bei beiden Binomialtests nicht über dem Zufallswert lag.1 Die endgültige Stichprobe umfasste 32 Fünfjährige (Mage {{9} }.08 Jahre, SDAlter=.20, Sprache=4.74-5.51; 13 Frauen, 19 Männer), 30 Achtjährige (Magier=8. 54 Jahre, Alter=0,28, Sprache=8 0,05–8,99; 15 Frauen, 15 Männer) und 30 Erwachsene (15 Frauen, 15 Männer).

Um zu prüfen, ob diese endgültigen Stichprobengrößen angemessen waren, führten wir eine Poweranalyse basierend auf der Gesamtgenauigkeit in der Bindungstestphase für 5--Jährige und 8--Jährige durch. Die Trennschärfe, einen Unterschied zwischen Fünf- und Achtjährigen zu erkennen, betrug in diesem Experiment 1,00, was darauf hindeutet, dass diese Stichprobengrößen mehr als ausreichend waren, um einen Alterseffekt in der Gedächtnisbindungsgenauigkeit zu erkennen.

Die Daten für dieses Experiment sind in Abbildung 2 und Tabelle 1 dargestellt. Um die Daten zu analysieren, führten wir eine Reihe hierarchischer bayesianischer linearer Regressionen durch, um die mittlere Genauigkeit in verschiedenen Aufgabenphasen vorherzusagen. Diese Analysen werden vollständig in den Abschnitten „Hierarchische Bayesianische Regressionsmodelle“ und „Regressionsmodellergebnisse“ der ergänzenden Online-Materialien dargestellt.

Insgesamt deuten die Ergebnisse auf starke überlappungsspezifische Interferenzeffekte in allen Gruppen hin. Obwohl wir kaum Hinweise auf eine proaktive Beeinträchtigung beim Lernen oder Testen von Set B-Kontingenten fanden, fanden wir starke Hinweise auf eine rückwirkende Beeinflussung im zweiten Lerntest für Set A (d. h. im Lerntest 2A, der auf das Lernen und Testen von Set B folgte). ), da die Genauigkeit bei Überlappungen im Vergleich zu eindeutigen Eventualitäten wesentlich geringer war. Interessanterweise war auch die Genauigkeit im Lerntest 2A insgesamt tendenziell geringer. Dafür kann es mehrere Gründe geben: Erinnerungen könnten im Laufe der Zeit nachgelassen haben, die Teilnehmer könnten zu diesem späteren Zeitpunkt des Experiments erschöpft gewesen sein oder es könnten Störungen durch andere Eventualitäten aufgetreten sein, die nicht spezifisch für Reizüberschneidungen waren.

Wir fanden auch starke Hinweise auf Interferenzen, die speziell auf Reizüberlappungen in der Bindungstestphase zurückzuführen sind, da die Genauigkeit bei Überlappungen im Vergleich zu eindeutigen Kontingenzen wesentlich geringer war. Wir fanden auch Hinweise auf eine insgesamt geringere Genauigkeit für 5--Jährige als für die älteren Altersgruppen in der Bindungstestphase. Die Ergebnisse starker Interferenzen und Entwicklungsunterschiede waren etwas überraschend, da die Form- und Farbmerkmale innerhalb von Objekten präsentiert wurden und wir erwarteten, dass die Bindung zwischen Objekten in allen Altersgruppen relativ stark ist.

Aus diesen Ergebnissen geht jedoch nicht klar hervor, welche Assoziationen entstanden sind oder wie sich diese Bindungsstrukturen zwischen den Altersgruppen unterschieden haben könnten: Möglicherweise haben die Teilnehmer einfache Bindungsstrukturen zwischen den einzelnen Form- oder Farbmerkmalen und dem Charakter, zwischen den Formen und Farben zusammen, gebildet innerhalb von Objekten und möglicherweise zwischen beiden Merkmalen und den Zeichen, die durch eine komplexe Bindungsstruktur berücksichtigt würden. Es ist schwierig abzuschätzen, inwieweit diese Bindungsstrukturen mit standardmäßigen statistischen Modellen wie der Regression gebildet wurden. Stattdessen benötigen wir ein Modell, das sowohl korrekte Antworten als auch verschiedene Arten von Fehlerantworten auf der Grundlage der zugrunde liegenden Darstellung (dh der Bindungsstruktur) vorhersagt. Um die Bildung unterschiedlicher Bindungsstrukturen und Entwicklungsunterschiede in diesen Prozessen formal abzuschätzen, haben wir ein generatives Rechenmodell erstellt.

Beschreibung des Computermodells – Um die Bindungsprozesse, von denen wir annahmen, dass sie der Leistung in diesem Experiment zugrunde liegen, formal zu charakterisieren, haben wir ein neues Computermodell entwickelt (eine vollständige Beschreibung des Modells finden Sie im Abschnitt „Generatives Computermodell“ der ergänzenden Online-Materialien). Das Modell geht davon aus, dass die Antworten der Teilnehmer durch die Stärke der während des Experiments erlernten Assoziationen gestützt wurden.

Im Modell speichern die Matrizen MFF, MFC und MFFC Assoziationen zwischen den Form- und Farbmerkmalen (d. h. Feature-Feature-Bindungen oder FF), zwischen jedem einzelnen Objektmerkmal (Form oder Farbe) und einem Zeichen (d. h. Feature-Character). Bindungen (FC) und zwischen einer Verbindung beider Merkmale innerhalb des Objekts und einem Zeichen (z. B. Merkmal-Merkmal-Zeichen-Bindung (FFC)). Diese Matrizen werden versuchsweise aktualisiert, um Bindungsprozesse zu simulieren, und durch Gedächtnishinweise überprüft, um den Abruf zu simulieren.

Jede Bindungsstruktur ist bidirektional: Wenn beispielsweise eine Form einem Zeichen zugeordnet ist, ist das Zeichen auch der Form zugeordnet (siehe Abbildung 3). Assoziationen zwischen verschiedenen Elementen werden in den drei Matrizen auf Versuchsebene erhöht, skaliert durch Lernratenparameter, die für jeden Bindungstyp spezifisch sind: FF, FC und FFC. Die unterschiedlichen Bindungsstrukturen wirken sich auf unterschiedliche Weise auf die Leistung des Modells aus. FF-Assoziationen wirken sich nicht auf die Leistung in den Testphasen „Lernen“ oder „Lernen“ aus, tragen aber im Bindungstest zu korrekten Antworten für eindeutige Kontingenzen und zu den Antwortoptionen „Richtig“ und „Überlappend“ für überlappende Kontingenzen bei.

In Experiment 1 wurde die objektinterne FF-Bindung durch die Darstellung von Formen und Farben innerhalb desselben Objekts gefördert, wohingegen in Experiment 2 die Merkmale räumlich getrennt waren, um die Bindung außerhalb des Objekts zu fördern (Abbildung 3, oberes Feld). FC-Verbände tragen zu genauen Antworten in den Lern- und Lerntestphasen bei, können aber auch zu ungenauen Antworten für überlappende Eventualitäten nach Einführung von Set B beitragen; Diese Assoziationen können auch im Bindungstest verwendet werden, um die Wahrscheinlichkeit der Auswahl von Antwortoptionen zu erhöhen, die mit dem gegebenen Zeichen verknüpft wurden. Schließlich tragen komplexe FFC-Zuordnungen nur zur korrekten Reaktion sowohl für überlappende als auch für eindeutige Eventualitäten in allen Phasen der Aufgabe bei.

Das Modell stärkt nicht nur diese Art von Assoziationen, sondern kann auch „vergessen“, indem es zuvor gebildete Assoziationen schwächt, die im Widerspruch zum aktuellen Lernen stehen. Wenn beispielsweise in der Lernphase für Set B überlappende Kontingenzen gelernt werden, wurde jedes Objektmerkmal zuvor durch FC-Bindung mit dem anderen Zeichen verknüpft, und das Modell kann diese konkurrierenden Assoziationen schwächen, um eine höhere Genauigkeit zu ermöglichen und somit proaktive Interferenzen zu reduzieren Gleichzeitig erhöht sich die rückwirkende Beeinträchtigung später, wenn Set A im Lerntest A2 erneut aufgegriffen wird.

Die Wirkung des Vergessens ähnelt also einem Hemmungsprozess, wie in der Einleitung besprochen, obwohl wir außer neuem Lernen keinen Mechanismus einbezogen haben, durch den das Vergessen rückgängig gemacht werden könnte, wohingegen Hemmung oft als vorübergehendes Phänomen angesehen wird (Geiselman & Bagheri, 1985). Infolgedessen könnte der Vergessensmechanismus im Modell als Verlernprozess betrachtet werden. Das Ausmaß dieses Vergessensprozesses, der alle Bindungsstrukturen betrifft, wurde durch einen zusätzlichen Parameter gesteuert, .

Diese Lern- und Vergessensprozesse werden im Modell mathematisch definiert. Obwohl die vollständigen Modellgleichungen in den Online-Zusatzmaterialien bereitgestellt werden, stellen wir jetzt vereinfachte Gleichungen zur Verfügung, um die Komponenten des Modells zusammenzufassen. Jede Matrix wird bei jedem Versuch aktualisiert:

Dabei ist M eine der drei assoziativen Matrizen und die entsprechende Lernrate (denken Sie daran, dass für FC-, FF- und FFC-Bindung unterschiedliche Lernraten geschätzt werden: FC, FF FFC). Die Vektordarstellungen zweier Elemente (z. B. einer Form und einer Farbe) werden als f1 und f2 bezeichnet. Diese Elemente werden durch ein äußeres Produkt verknüpft, das mit dem Symbol ⊗ bezeichnet wird. Das Vergessen im Modell wird durch den Parameter gesteuert, der für alle Bindungsarten (FC, FF und FFC) gleich ist. Das Vergessen erfolgt durch Heruntergewichten der Assoziation zwischen jedem Element und den anderen Elementen, die zuvor damit assoziiert waren, aber im aktuellen Versuch nicht dargestellt werden, bezeichnet als fx.

Wenn beispielsweise in Set A ein blauer Kreis und ein gelber Stern präsentiert würden und in der Lernphase für Set B ein blauer Stern präsentiert wird, würde die Assoziation mit dem blauen Stern durch neues Lernen gestärkt, während die Assoziation mit dem blauen Kreis durch geschwächt würde vergessen. Beachten Sie, dass das Lernen im vollständigen Modell bidirektional erfolgt (z. B. wenn Blau mit einem Stern verknüpft ist, ist der Stern mit Blau verknüpft; die vollständigen Modellgleichungen finden Sie in den ergänzenden Online-Materialien).

Schließlich ist r ein einzelner Skalarwert, der ein Neuheitssignal auf Versuchsebene darstellt, das sich von Versuch zu Versuch ändert und verfolgt, wie stark die Elemente f1 und f2 bereits in der Vergangenheit assoziiert waren: r=e −f1·(M ·f2)+f2·(M·f1)).

In dieser Gleichung wird f2 als Hinweis verwendet, um über ein Skalarprodukt ein Array zuvor verknüpfter Elemente aus M abzurufen, und dann „liest“ ein zweites Skalarprodukt aus, wie stark insbesondere f1 abgerufen wurde. Dieser skalare Stärkewert wird dann zu einem entsprechenden Stärkewert für die Assoziation in der entgegengesetzten Richtung addiert (dh wie stark f2 von f1 abgerufen wurde). Auf diesen Gesamtfestigkeitswert wird die Exponentialfunktion angewendet. Wenn für diese Assoziationen zuvor kein Lernen stattgefunden hat, sind die Stärken Null, was zu r=1 und vollständigem Lernen führt.

Wenn jedoch die Assoziationen stärker werden, werden die Stärkewerte größer und r nähert sich Null. Das Ergebnis dieses Mechanismus ist, dass das Lernen für bereits gut erlernte Assoziationen reduziert wird, was notwendig ist, um zu verhindern, dass die Assoziationsstärken grenzenlos wachsen, da das Lernen über mehrere Versuche hinweg erfolgt.

Um die Entscheidungsfindung zu simulieren, berechnet das Modell bei jedem Versuch die Stärke der Assoziation zwischen den bereitgestellten Gedächtnishinweisen und möglichen Zielen. Stärken werden durch die Untersuchung assoziativer Matrizen mit Hinweisen bestimmt: s=(M · fcue) · Ziel. Diese Gleichung ruft ein Array von Elementen ab, die mit dem Hinweis (cue) verknüpft wurden, und liest einen oder mehrere einzelne Stärkewerte für ein bestimmtes Ziel (target) aus. Diese Stärkeschätzungen bilden die Grundlage für die Berechnung der Wahrscheinlichkeit jeder möglichen Reaktion und berücksichtigen gleichzeitig die Konkurrenz durch andere mögliche Reaktionen, die zu Störungen führen könnten.

Diese kompetitive Abrufregel ist als Softmax-Funktion implementiert: Pcℎoice=e s cℎoice ∑e s. Wenn die Stärken, die alle möglichen Entscheidungen unterstützen, gleich sind, wird das Modell die Leistung auf Zufallsebene vorhersagen, aber in dem Maße, in dem eine bestimmte Wahl durch größere Stärkewerte als andere Entscheidungen unterstützt wird, ist es wahrscheinlicher, dass das Modell die entsprechende Wahl trifft.

Wir passen das Modell mit vier freien Parametern an die beobachteten Daten an: FC, FF, FFC und . Wichtig ist, dass das Modell nicht dazu geeignet war, Statistiken wie den Anteil richtiger Antworten in einer bestimmten Phase zusammenzufassen, sondern die Wahl der Teilnehmer für jeden Versuch in jeder Phase des Experiments berücksichtigte. Wir haben hierarchische Bayes'sche Techniken angewendet, um das Modell anzupassen und es uns zu ermöglichen, Altersunterschiede mit posterioren Parameterverteilungen zu bewerten. Weitere Einzelheiten zum Modell und seiner Anpassung an die Daten finden Sie in den ergänzenden Online-Materialien.

Ergebnisse des Computermodells – Um die Modellanpassung zu beurteilen, haben wir eine Aufgabenleistung auf Versuchsebene unter Berücksichtigung der am besten passenden Parameterschätzungen jedes Teilnehmers generiert (siehe Abbildung 2 zum Vergleich der beobachteten und vom Modell vorhergesagten Leistung). Obwohl die proaktive Interferenz im ersten Block des Satz-B-Lernens in allen Altersgruppen überschätzt wurde, passte das Modell in allen experimentellen Phasen gut zu den meisten Leistungsmustern, was darauf hindeutet, dass es zumindest einige der Prozesse, die der Aufgabenerfüllung zugrunde liegen, und deren Unterschiede erfassen konnte zwischen den Altersgruppen.

Die hintere Verteilung der Hyperparameter für jede Altersgruppe ist in Abbildung 4A dargestellt. Wir bewerten Altersunterschiede für jeden Parameter, indem wir η berechnen, ein Maß für die Verteilungsüberlappung, das oben im Abschnitt „Analysen“ beschrieben wird. Es gab keine wesentlichen Hinweise auf Altersunterschiede bei der FC-Bindung, geschätzt mit dem Parameter FC, oder beim Vergessen, geschätzt mit (ηs > 0,17). Im Gegensatz dazu fanden wir sehr starke Hinweise auf eine schwächere FF-Bindung, geschätzt mit dem Parameter FF, bei 5--Jährigen im Vergleich zu 8--Jährigen (η=.005) und Erwachsenen (η=.001). Es gab kaum Hinweise auf einen Unterschied zwischen den beiden älteren Altersgruppen (η= .642). Diese neuen Erkenntnisse deuten auf starke entwicklungsbedingte Veränderungen der Intraobjektbindung im Alter zwischen 5 und 8 Jahren hin, obwohl diese Fähigkeit im Alter von 8 Jahren möglicherweise erwachsenenähnlich ist.

Es gab auch starke Hinweise auf niedrigere Werte des komplexen Bindungsparameters FFC bei 5--Jährigen im Vergleich zu 8--Jährigen (η=.010) und Erwachsenen (η).=.002). Obwohl die geschätzten Parameterwerte bei Erwachsenen tendenziell höher waren als bei Achtjährigen, war dieser Unterschied nicht sehr robust (η=.429). Dieser letztgenannte Befund war etwas überraschend, da frühere Arbeiten mit einer Erinnerungsaufgabe darauf hindeuteten, dass sich die komplexe Bindung nach dem 7. Lebensjahr länger entwickelt (Yim et al., 2013). Vielleicht ist die entstehende Fähigkeit, komplexe Bindungen zu bilden, bei Erkennungsaufgaben besser erkennbar als bei schwierigeren Erinnerungsaufgaben; Wir kommen in der allgemeinen Diskussion auf dieses Thema zurück.

Um zu untersuchen, ob alle Mechanismen des Modells zur Anpassung an die Daten erforderlich waren, führten wir eine Modellvergleichsstudie durch, bei der jeder Parameter aus dem Modell eliminiert (d. h. auf Null gesetzt) ​​wurde, während die anderen an die Daten angepasst wurden, und wir fanden heraus, dass die Das vollständige Modell mit allen vier Parametern passt am besten zu den Daten, selbst wenn die Komplexität des Modells berücksichtigt wird (siehe den Abschnitt „Modellvergleichsstudie“ der ergänzenden Online-Materialien und siehe Abbildung S5 im gleichen Abschnitt, um zu erfahren, wie diese verschiedenen Modelle unterschiedliche Leistungsmuster vorhersagen).

Insgesamt fanden wir in diesem Experiment auf der Grundlage hierarchischer Regressionsmodelle starke Hinweise auf Gedächtnisstörungen in allen Altersgruppen sowie entwicklungsbedingte Leistungsunterschiede im Bindungstest. Vielleicht noch wichtiger ist, dass wir mit einem neuartigen Rechenmodell Hinweise auf erhebliche Entwicklungsunterschiede bei der Bindung zwischen Objekten und komplexen Bindungen nach dem 5. Lebensjahr, jedoch nicht nach dem 8. Lebensjahr fanden. Aus diesen Ergebnissen geht jedoch nicht klar hervor, wie sich die Präsentation von Merkmalen innerhalb desselben Objekts auf die Speicherbindung und -interferenz auswirkt. Frühere Arbeiten bei Erwachsenen legen nahe, dass die Bindung an Extraobjekte die Aufmerksamkeit stärker beansprucht und mit einer weniger genauen assoziativen Gedächtnisleistung verbunden ist als die Bindung innerhalb von Objekten (Asch et al., 1960; Ecker et al., 2007, 2013; van Geldorp et al., 2015). . Wir stellten daher die Hypothese auf, dass die räumliche Trennung von Objektmerkmalen die Bindung stören würde, insbesondere bei kleinen Kindern, was die Interferenzeffekte verstärken könnte. Wir haben diese Möglichkeiten in Experiment 2 untersucht.

Experiment 2: Die Entwicklung einer Extraobjekt-Bindungsmethode

Teilnehmer: 45 5--Jährige (Magier=5,16 Jahre, SDage=,23, Sprache=4,80 −5,74; 17 Frauen, 28 Männer) , 43 Achtjährige (Magier=8,49 Jahre, SDage=,38, Sprache=7,74 – 8,99; 23 Frauen, 20 Männer) und 34 Erwachsene (19 Frauen, 15 Männer) nahmen an Experiment 2 teil. Eine Leistungsanalyse finden Sie im Abschnitt „Ergebnisse und Diskussion“ weiter unten. Die Zuordnung zu diesem Experiment oder Experiment 1 erfolgte randomisiert.

Reize und Vorgehensweise – In diesem Experiment wurden die Form- und Farbmerkmale nicht gemeinsam innerhalb desselben Objekts präsentiert, sondern waren räumlich getrennt (siehe Abbildung 5). Bei jedem Versuch wurden eine transparente Form und ein Farbklecks in vertikaler Ausrichtung positioniert, und die relative räumliche Position (oben oder unten) dieser Merkmale wurde für jede Farb-Form-Paarung in jedem Block jeder Phase ausgeglichen. Das Verfahren war identisch mit dem von Experiment 1, außer dass die Reize bei Anweisungen und Leistungsfeedback als „Paare aus Formen und Farben“ anstelle von Objekten bezeichnet wurden.

For more information:1950477648nn@gmail.com