für weitere Informationen:ali.ma@wecistanche.com

Bitte klicken Sie hier zu Teil 2

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

Angenommen: 12. Februar 2021 / Online veröffentlicht: 25. März 2021

# Der/die Autor(en) 2021

KlickenCistanche UK für die Erinnerung

Abstrakt

Die Pflege von Zeitschriftenauftragsinformationen ist ein Kernbestandteil der ArbeitErinnerung(WM). Viele theoretische Modelle gehen von der Existenz spezifischer serieller Ordnungsmechanismen aus. Diese gelten als unabhängig von dem Sprachsystem, das die Pflege von Artikelinformationen unterstützt. Dies basiert auf Studien, die zeigen, dass psycholinguistische Faktoren die Fähigkeit, Iteminformationen beizubehalten, stark beeinflussen, während die Erinnerungsfunktion relativ unbeeinflusst bleibt. Jüngste sprachbasierte Berichte deuten jedoch darauf hin, dass das Sprachsystem Mechanismen bereitstellen könnte, die für die Aufrechterhaltung einer seriellen Ordnung ausreichend sind. Eine starke Version dieser Berichte postuliert, dass die Aufrechterhaltung der seriellen Ordnung aus dem Aktivierungsmuster hervorgeht, das im Sprachsystem auftritt. In der vorliegenden Studie haben wir diese Annahme über einen Computermodellierungsansatz getestet, indem wir eine rein aktivierungsbasierte Architektur implementiert haben. Wir haben diese Architektur anhand mehrerer Experimente getestet, die die Manipulation der semantischen Verwandtschaft beinhalten, einer psycholinguistischen Variable, von der gezeigt wurde, dass sie auf komplexe Weise mit der seriellen Auftragsverarbeitung interagiert. Wir zeigen, dass diese aktivierungsbasierte Architektur Schwierigkeiten hat, Wechselwirkungen zwischen semantischem Wissen und serieller Auftragsverarbeitung zu berücksichtigen. Diese Studie kann aktivierte Langzeittherapien nicht unterstützenErinnerungals exklusiver Mechanismus zur Unterstützung der Pflege von Serienaufträgen.

Stichwort: ArbeitenErinnerung. Serienbestellung. Computermodellierung. Semantisches Wissen

Einführung

Die Fähigkeit, Zeitschriftenbestellinformationen zu pflegen, ist eine Kernkomponente der mündlichen ArbeitErinnerung(WM). Mechanismen, die an der Aufrechterhaltung der seriellen Ordnung (dh der sequentiellen Reihenfolge der zu erinnernden Elemente) beteiligt sind, wurden als unabhängig von denen angesehen, die an der Aufrechterhaltung der Elementinformationen (dh dem sprachlichen Inhalt der zu erinnernden Elemente) beteiligt sind Artikel). Diese Annahme wird durch verschiedene Forschungsrichtungen gestützt. Studien, die den Einfluss psycholinguistischer Faktoren, wie z. B. Lexikalität, auf die verbale WM-Leistung untersuchen, beobachten typischerweise Auswirkungen auf die Erinnerung an Artikel, mit minimalen Auswirkungen auf die Erinnerung an Serienaufträge (Allen & Hulme, 2006; Hulme, 2003;

Institut für Psychologie, Universität Zürich, Binzmühlestrasse 14, 8050, Zürich, Schweiz

Universität Lüttich, Lüttich, Belgien

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

Fonds für wissenschaftliche Forschung – FRS-FNRS, Brüssel, Belgien

Romani, Mcalpine & Martin, 2008; Roodenrys, Hulme, Lethbridge, Hinton & Nimmo, 2002; Saint-Aubin & Ouellette, 2005; Walker & Hulme, 1999). Darüber hinaus wird die Erinnerungsleistung bei Serienaufträgen stärker von rhythmischen und artikulatorischen Störaufgaben beeinflusst als die Pflege von Iteminformationen (Gorin, Kowialiewski, & Majerus, 2016; Henson, Hartley, Burgess, Hitch, & Flude, 2003). Neuropsychologische Studien haben auch die Existenz von doppelten Dissoziationen zwischen Reihenreihenfolge und Item-Recall-Leistung bei mehreren hirnverletzten Patienten und Populationen, die von neurologischen Entwicklungsstörungen betroffen sind, berichtet (Brock & Jarrold, 2005; Majerus, Attout, Artielle & Kaa, 2015; Martinez Perez , Poncelet, Lachs & Majerus, 2015). Schließlich wird die Pflege von Artikel- und Zeitschriftenbestellinformationen durch verschiedene neuronale Substrate unterstützt, wie in Neurostimulations- und Neuroimaging-Studien berichtet wurde (Attout, Fias, Salmon, & Majerus, 2014; Guidali, Pisoni, Bolognini, & Papagno, 2019; Kalm & Norris , 2014; Majerus et al., 2010; Papagno et al., 2017).

Gleichzeitig deuten andere Studien darauf hin, dass die Erinnerung an serielle Reihenfolgen auch mit sprachlichem Wissen interagieren kann. Obwohl lexikalisches Wissen den Abruf von Iteminformationen stark verbessert, schränkt es auch Phonemmigrationsfehler innerhalb und zwischen Items ein (Jefferies, Frankish & Lambon Ralph, 2006). Ebenso können Nichtwörter, selbst wenn sie im Vergleich zu Wörtern auf Elementebene schlechter erinnert werden, einen relativen Vorteil in Bezug auf die Erinnerung an Serienbestellungen aufweisen (Fallon, Mak, Tehan & Daly, 2005; Kowialiewski & Majerus, 2018; Saint-Aubin & Poirier , 1999). Kürzlich zeigten Kalm und Norris (2014), dass die serielle Reihenfolge von Nichtwörtern auf der Grundlage neuronaler Muster entschlüsselt werden kann, die in den dorsalen Sprachbahnen hervorgerufen werden, die die Kodierung und Aufrechterhaltung verbaler Informationen unterstützen. In ähnlicher Weise haben Papagno et al. (2017) zeigten, dass die Leistung des Abrufs von Serienaufträgen im Vergleich zur Leistung des Abrufs von Gegenständen abnimmt, wenn der hintere Teil der dorsalen Sprachbahn mit direkter elektrischer Stimulation bei neurochirurgischen Patienten stimuliert wird.

Auf theoretischer Ebene wurde behauptet, dass die temporäre Pflege von Zeitschriftenbestellinformationen durchgeführt werden könnte, ohne dass ein bestimmtes Exemplar und Zeitschriftenbestellungsrepräsentationsebenen erforderlich sind (Acheson & MacDonald, 2009; Jones & Macken, 2018; Schwering & MacDonald, 2020 ). Eine starke Version eines solchen Ansatzes geht davon aus, dass Informationen zur seriellen Ordnung ausschließlich über das Aktivierungsmuster innerhalb des Sprachsystems aufrechterhalten werden (Acheson, MacDonald & Postle, 2011; Martin & Saffran, 1997; Poirier, Saint-Aubin, Mair, Tehan , & Tolan, 2015). Beispielsweise laut Martin & Saffran (1997, S. 672):

„Grundsätzlich könnten auch interaktive Aktivierungsprozesse eine Rolle bei der Aufrechterhaltung der seriellen Ordnung spielen. Der Wortknoten, der das erste Wort in einer Folge darstellt, wird zuerst geprimt und hat daher im Vergleich zu geprimten Knoten mehr Zeit, um Unterstützung durch aktivierte phonologische und semantische Repräsentationen zu erhalten später in einer Sequenz. Daher sollten Wortknoten einen Gradienten von Aktivierungsniveaus über serielle Positionen aufweisen. [ … ] Rezenzeffekte beim Supraspan-Rückruf spiegeln die erhöhte phonologische Unterstützung wider, die darauf zurückzuführen ist, dass zum Zeitpunkt des Abrufs die Aktivierungsniveaus von Die Terminal-Items wurden weniger von der Zerfallsfunktion beeinflusst, die dem Aktivierungsmodell innewohnt.

Cistanche kann das Gedächtnis verbessern

Ebenso Acheson et al. (2011, S. 45–46) schlugen vor, dass Fehler bei der Reihenbestellung direkt über das relative Aktivierungsniveau eines Artikels in einem Sprachnetzwerk auftreten könnten:

„Diese interaktiven Aktivierungsrahmen bieten eine mögliche Erklärung dafür, wie die semantische Repräsentation die Reihenfolge von Äußerungsplänen auf lexikalischer Ebene beeinflussen könnte. Wenn jemand ein Wort oder eine Wortfolge hört, wird die Aktivierung von diesem Input gleichzeitig zu phonologischen Repräsentationen weitergeleitet und zurückgemeldet semantische Repräsentationen. Nach der anfänglichen Kodierung wird die lexikalische Aktivierung durch wiederholte Interaktion mit semantischen und phonologischen Repräsentationen bestimmt. Serielle Ordnungsfehler treten auf, wenn sich die relativen Aktivierungsniveaus der lexikalischen Elemente aufgrund dieser Interaktion ändern."

Basierend auf dieser Idee haben Poirier et al. (2015) entwickelten eine ausführlichere Beschreibung solcher Modelle, die als ANet-Konto bezeichnet wird. Gemäß diesem Bericht werden Elemente in einer zu merkenden Liste im sprachlichen Langzeit sequenziell kodiertErinnerungSystem mit abnehmender Stärke nach einem Aktivierungsgradienten,1 wie in Abb. 1 dargestellt. Über diesen Aktivierungsgradienten werden serielle Ordnungsinformationen aufrechterhalten. Der Serienrückruf wird durchgeführt, indem bei jedem Rückrufversuch das am stärksten aktivierte Element ausgewählt wird. Da der Auswahlmechanismus laut ist, treten schließlich Serienbestellfehler auf. Eine wichtige Vorhersage aus diesem Modell ist, dass die Änderung des Aktivierungsniveaus eines Elements innerhalb des Sprachsystems auch das Muster der seriellen Ordnungsfehler in WM beeinflussen sollte (Achesonetal., 2011).

Jüngste Beweise scheinen diese theoretische Position zu stützen. Poirier et al. (2015) manipulierten die semantische Verwandtschaft, indem sie Tripletts von semantisch verwandten Elementen in der ersten Hälfte der zu merkenden Listen präsentierten. Die nachfolgenden Items der Listen waren in der Kontrollbedingung semantisch unzusammenhängend (zB Offizier – Abzeichen – Sirene – Musik – Tourist – Gelb). In der experimentellen Bedingung war das fünfte Item semantisch mit dem Tripel in der ersten Hälfte der Liste verwandt. Im Vergleich zur Kontrollbedingung beobachteten die Autoren eine Zunahme von Migrationsfehlern des fünften Items hin zu früheren seriellen Positionen, d. h. zu den semantisch verwandten Worttripeln ), sollte dieses Target unter der experimentellen Bedingung (Abb. 1c) im Vergleich zur Kontrollbedingung (Abb. 1b) ein höheres Aktivierungsniveau haben. Da der Abruf von Serienbestellinformationen durch Auswahl des am stärksten aktivierten Artikels durchgeführt wird, ergibt sich langfristig ein AktivierungsgradientErinnerungkönnte theoretisch mehr Migrationen des semantisch verwandten Ziels zu früheren seriellen Positionen vorhersagen. Als solches ist die Manipulation der semantischen Verwandtschaft ein kritischer und direkter Test von aktivierungsbasierten Modellen, da sie das relative Aktivierungsmuster innerhalb des Sprachsystems modifizieren soll. Diese relative Aktivierung sollte sich wiederum auf die Verarbeitung serieller Auftragsinformationen auswirken (Acheson et al., 2011), was die Daten von Poirier und Kollegen zu unterstützen scheinen. Dies war in der Tat eine Kernvorhersage ihres ANet-Kontos:

„In Experiment 1 manipulierten wir den Aktivierungsgrad eines Zielartikels, um die Vorhersage zu testen, dass dies Bestellfehler für diesen Artikel erhöhen würde, was es wahrscheinlich machte, dass der CQ-Mechanismus [Competitive Queuing] diesen Artikel aufgrund seiner erhöhten Aktivierung früher auswählen würde; dies Eine frühzeitige Auswahl würde bedeuten, dass die Aktivierung die Reihenfolge beeinflusst, in der Elemente abgerufen werden.“ (Poirier et al., 2015, S. 492).

Abb. 1 Darstellung des Aktivierungsgradienten (a) in einem semantisch nicht verwandten Zustand, (b) in einem Zustand, in dem die Items A, B und C semantisch verwandt sind, und (c) in einem Zustand, in dem die Items A, B, C und E sind semantisch verwandt. Semantisch verwandte Items sind mit einem Sternchen gekennzeichnet. Wie ersichtlich ist, erhöht das Vorhandensein von semantischer Verwandtschaft das Aktivierungsniveau des Elements für die verwandten Elemente

Angesichts der Tatsache, dass diese theoretische Darstellung in krassem Gegensatz zu den meisten Computermodellen des WM steht, die unterschiedliche Verarbeitungsebenen von Artikeln und Serienaufträgen postulieren, war das Ziel der vorliegenden Studie, die rechnerische Plausibilität eines rein aktivierungsbasierten sprachlichen Kontos zur Darstellung von Serienaufträgen zu testen Informationen im WM-Kontext. Die meisten Rechenmodelle des WM gehen in der Tat explizit von der Existenz serieller Ordnungsmechanismen aus, die sich von denen unterscheiden, die an Artikelinformationen beteiligt sind. Dies gilt beispielsweise für die Architekturen TBRS* und SOB-CS (Oberauer & Lewandowsky, 2011; Oberauer, Lewandowsky, Farrell, Jarrold, & Greaves, 2012), aber auch für die Rechenmodelle von Burgess und Hitch (1999, 2006) und Brown, Hulme und Preece (2000). Diese Arten von Architekturen berücksichtigen, dass Zeitschriftenbestellinformationen über die Erstellung von Artikel-Positions-Assoziationen aufrechterhalten werden, wobei die Positionen durch spezifische Repräsentationsmechanismen dargestellt werden. Obwohl sich diese Modelle stark in der Art der seriellen Positionsdarstellungen unterscheiden, reproduzieren sie zuverlässig wichtige Phänomene der seriellen Ordnung, einschließlich Primacy- und Recency-Effekte und Transpositionsfehlermuster.

Dies ist ein kritischer psycholinguistischer Faktor, um die Plausibilität einer rein aktivierungsbasierten Architektur zu testen. Um einen Überblick über die Computerarchitektur zu erhalten, nahmen wir zunächst an, dass serielle Ordnungsinformationen langfristig über einen Primacy-Aktivierungsgradienten aufrechterhalten werdenErinnerung(Martin & Saffran, 1997; Page & Norris, 1998; Poirier et al., 2015). Wir haben diese Architektur dann angepasst, indem wir laterale exzitatorische Verbindungen hinzugefügt haben, um semantische Effekte zu modellieren.

Cistanche kann das Gedächtnis verbessern

Computermodellierung

Die Architektur

Die von uns verwendete Architektur ist ein konnektionistisches Modell, das aus einer einzigen Schicht besteht. Bei der Codierung wird ein Element aktiv. Diese Aktivierung soll direkt in der Wissensbasis des Langzeitgedächtnisses erfolgen. Semantisch verwandte Items sind über direkte bidirektionale Erregungsverbindungen verbunden, deren Plausibilität zur Modellierung semantischer Effekte im WM bereits in drei unabhängigen Modellen demonstriert wurde (Haarmann & Usher, 2001; Kowialiewski & Majerus, 2020; Kowialiewski, Portrat, & Lemaire , 2021). Über einen Aktivierungsgradienten werden die Items sukzessive mit abnehmender Stärke aktiviert. Jedes codierte Element verteilt die Aktivierung automatisch auf die anderen semantisch verwandten Elemente. Der Rückruf erfolgt durch sukzessives Abrufen jedes Elements gemäß seinem Aktivierungswert. Der Einfachheit halber haben wir die letzte Implementierung des Primacy-Modells verwendet, die von Norris, Kalm und Hall (2020) zur Verfügung gestellt wurde. Unsere Julia-Implementierung der von uns vorgeschlagenen Architektur ist im Open Science Framework (OSF) frei verfügbar: https://osf.io/9e4hu/.

Codierung Im ursprünglichen Primacy-Modell folgt die Codierung einem Aktivierungsgradienten, den wir mit V bezeichnen. Dieser wird durch einen Spitzenwert , und einen Stufenwert , definiert. Der Wert ist ein freier Parameter und stellt den Startwert dar, dem das erste Item zugeordnet ist. Der Wert stellt den Betrag der Erschöpfung des Werts in jeder Codierungsstufe dar. Dieser Parameter ist fest auf 1 eingestellt. Bei einem Wert von 20 beträgt der Aktivierungsgradient beispielsweise [20, 19, 18, 17, 16, 15] für eine Liste mit sechs Elementen. Beachten Sie, dass die Wiederholung im Primacy-Modell nie explizit modelliert wird. Dies schließt die letzte Implementierung von Norris und Kollegen ein. Die Aktivierung innerhalb des Modells wird einfach von dem abgeleitet, was zu erwarten wäre, wenn theoretisch eine Wiederholung stattfindet.

Spreizende Aktivierung Während der Codierung breitet sich die Aktivierung zu semantisch verwandten Knoten aus. Dies wird modelliert, indem bidirektionale erregende Verbindungen eingeschlossen werden. Die Stärke dieser Verbindungen ist ein freier Parameter, λ. In jeder Codierungsstufe werden Items mit dem Aktivierungsgradienten V aktiviert. Die Aktivierung breitet sich dann bidirektional innerhalb des Netzwerks aus:

wobei Ai den endgültigen Aktivierungswert darstellt, der dem Element i zugeordnet ist, und Aj die Aktivierung ist, die von jedem semantisch verwandten Element j stammt, skaliert durch das Verbindungsgewicht λ. Der Index t repräsentiert den Zeitstempel.

Es ist wichtig zu beachten, dass wir nicht beabsichtigen, semantisches Wissen explizit darzustellen. Was wir mit diesem sich ausbreitenden Aktivierungsprinzip darstellen wollen, ist die Tatsache, dass sich semantisch verwandte Elemente gegenseitig reaktivieren. Diese Reaktivierung wiederum soll die artikelbezogene Aktivierung und damit das Muster von Serienbestellungsfehlern verändern (Acheson et al., 2011). Mit anderen Worten, die Änderung des relativen Aktivierungsgrads der Elemente im semantischen Netzwerk ändert auch die interne Darstellung ihrer seriellen Reihenfolge im Modell.

Abrufen Nachdem alle Elemente codiert wurden, muss das Modell die Elemente abrufen. Dies erfolgt mithilfe eines konkurrierenden Warteschlangenmechanismus.2 Der Rückruf ist ein zweistufiger Prozess.

2 Poirier und Kollegen schlugen in Anlehnung an Hurlstone und Hitch (2015) vor, dass der konkurrierende Warteschlangenmechanismus mithilfe eines Akkumulatormodells modelliert wird. Wir haben einen solchen kompetitiven Warteschlangenmechanismus implementiert, der auf Akkumulatorprinzipien basiert (verfügbar auf OSF). Dies brachte keinerlei Verbesserung des Modells, mit der Ausnahme, dass das Akkumulatormodell die weitere Möglichkeit bietet, Vorhersagen über Erinnerungslatenzen zu treffen, was über den Zweck dieser Studie hinausgeht. Daher sind wir einfach bei der letzten verfügbaren Implementierung des Primacy-Modells geblieben.

Zunächst wird ein Artikel als potenzieller Kandidat ausgewählt. Dieser Prozess ist rauschbehaftet:

Dies wird modelliert, indem temporäres nullzentriertes zufälliges Gaußsches Rauschen zu der Aktivierung jedes Elements hinzugefügt wird, mit einer Standardabweichung von σ, einem freien Parameter. Das am meisten aktivierte Element wird dann ausgewählt. Reaktionsunterdrückung (Duncan & Lewandowsky, 2005) findet bereits in diesem Stadium statt, indem das erinnerte Element auf einen sehr niedrigen Wert (dh -999) gesetzt wird. Dadurch wird verhindert, dass das Modell einen Gegenstand zweimal abruft. Zweitens wird der Aktivierungswert des ausgewählten Elements mit einem Auslassungsschwellenwert verglichen. Dieser Schwellenwert wird aus einer zufälligen Gaußschen Verteilung N(θ, σ′) gezogen, wobei θ und σ′ zwei freie Parameter sind. Wenn der Aktivierungswert des ausgewählten Elements (ohne das im ersten Schritt hinzugefügte Rauschen) über der Abrufschwelle liegt, wird das Element korrekt abgerufen. Andernfalls wird eine Auslassung erzeugt. Es muss darauf hingewiesen werden, dass diese Implementierung davon ausgeht, dass die Antwortunterdrückung immer während des ersten Schritts des Abrufs angewendet wird, unabhängig davon, ob während des zweiten Schritts eine Auslassung erzeugt wurde. Diese Wahl der Implementierung von Norris et al. (2020) ist wahrscheinlich nicht plausibel. Aber aus der Erfahrung, die wir durch viele Durchläufe des Modells gewonnen haben, ist dies die einzige Möglichkeit, wie das Primacy-Modell Auslassungsfehler bei der Modellierung realistischer serieller Positionskurven erzeugen kann. Beachten Sie, dass es möglich ist, realistische serielle Positionskurven zu erzeugen, während dieses Implementierungsproblem vermieden wird, ohne die Kernannahmen des Modells zu beeinflussen. Wir haben es jedoch der Einfachheit halber vorgezogen, bei der ursprünglichen Implementierung zu bleiben. Zum Zeitpunkt jedes aufeinanderfolgenden Rückrufversuchs sind alle Gegenstände verfallen:

wobei D ein freier Parameter ist, der von 0 bis 1 reicht. Aufgrund dieses Abklingparameters sind Elemente, an die später in den Listen erinnert wird, stärker dem Rauschen ausgesetzt, da die Aktivierungswerte gegen eine Asymptote konvergieren. Alle Parameter des Modells sind in der Tabelle aufgelistet

1. Methode

Datensätze Die Gültigkeit dieses Modells wurde an drei verschiedenen Datensätzen getestet: zwei Datensätze (Kowialiewski et al., 2021; Kowialiewski & Majerus, 2020), die semantische und neutrale Bedingungen enthalten (d. h. die neutrale Bedingung ist eine semantisch nicht verwandte Bedingung). ) und die Daten von Poirier et al. (2015), die wir bereits in der Einleitung beschrieben haben. Das Modell basiert auf mehreren Parametern, die teilweise von der Aufgabe abhängen. Die Parameter wurden daher für jeden Datensatz unabhängig geschätzt. Zunächst wurden die Parameter, die nicht von der semantischen Verwandtschaft abhängen, auf der Grundlage der Neutralität geschätzt

Bedingung, um ein Basismodell zu erhalten, das in der Lage wäre, die Standard-Serienrückrufleistung zu reproduzieren. Zweitens wurde die semantische Bedingung verwendet, um den λ-Parameter zu schätzen, der den Grad der semantischen Verwandtschaft zwischen Elementen steuert.

Gesamtbewertungsverfahren Serienpositionskurven werden unter Verwendung eines strengen Serienerinnerungskriteriums gezeichnet, bei dem ein Item nur dann als richtig bewertet wird, wenn es an der richtigen Serienposition abgerufen wird. Beispielsweise würden bei der Zielsequenz „Item1 – Item2 – Item3 – Item4 – Item5 – Item6“ und der Recall-Ausgabe „Item1 – Item2 – blank – Item3 – Item4 – Item6“ nur die Items 1, 2 und 6 als bewertet Korrekt. Um die experimentellen Daten anzupassen, haben wir auch ein Item-Recall-Kriterium verwendet, bei dem ein Item unabhängig von seiner seriellen Position als richtig bewertet wird, wenn es korrekt erinnert wird. Im oben genannten Beispiel würden die Punkte 1, 2, 3, 4 und 6 als richtig bewertet. Um den Gesamteinfluss der semantischen Verwandtschaft auf die Auftragserinnerungsleistung zu bewerten, haben wir für jede experimentelle Bedingung einen Auftragserinnerungswert berechnet. Dies wurde durchgeführt, indem die Anzahl der Male, in denen Items an der richtigen Position abgerufen wurden (dh striktes Kriterium für das Wiederaufrufen von Items), durch die Anzahl von Malen dividiert wurde, die Items abgerufen wurden, unabhängig von ihrer seriellen Position (dh Kriterium für das Abrufen von Items).

Umsetzungsrate Das Muster von Umsetzungsfehlern im Verfahren von Poirier et al. (2015) Studie wurde anhand der Umsetzungsraten aufgetragen. Wir haben die Anzahl der Transpositionsfehler berechnet, die für Item 5 aufgetreten sind (das semantisch mit den Items 1, 2 und 3 zusammenhängt oder nicht), und für jede Position, zu der Item 5 migrieren könnte. Wir haben dann diese Anzahl von Umsetzungsfehlern durch die Gesamtzahl der Wiederholungen von Punkt 5 geteilt. Dies wurde für jede experimentelle Bedingung separat berechnet.

Parameterschätzung Die Schätzung der Grundparameter des Modells wurde unter Verwendung eines simulierten Abkühlungsalgorithmus durchgeführt

(French & Kus, 2008; Kirkpatrick, Gelatt, & Vecchi, 1983), um den kleinsten mittleren quadratischen Fehler (RMSE) zwischen experimentellen und simulierten seriellen Positionsrückrufwerten zu finden, bei beiden streng und Item-Recall-Kriterien. Der RMSE wurde daher immer über 12 Datenpunkte berechnet: sechs Datenpunkte für das strikte Serial-Recall-Kriterium und sechs Datenpunkte für das Item-Recall-Kriterium. Die unteren und oberen Grenzen jedes freien Parameters sind in Tabelle 1 angegeben. Die Schätzung des semantischen Parameters λ war viel einfacher und erforderte nur eine Gittersuche in [0,0,1] mit einem Schritt von 0,0001. Wichtig ist, dass λ immer geschätzt wurde, während die Grundparameter des Modells konstant gehalten wurden. Dann wurde der Wert von λ verwendet, der die kleinste mittlere Differenz zwischen der neutralen Bedingung und der experimentellen Bedingung zu den empirischen Daten erzeugte. Die Idee war, den Wert von λ auszuwählen, der einen Unterschied zwischen neutralen und experimentellen Werten erzeugt, der dem menschlichen ähnlich ist. Dies wurde operationalisiert, indem die Lücke zwischen der mittleren Differenz des Menschen und der mittleren Differenz des Modells minimiert wurde. Wir präsentieren nun die drei Datensätze sowie die Simulationen dieser entsprechenden Experimente. Eine Zusammenfassung der verschiedenen experimentellen Bedingungen mit Studienlistenbeispielen ist in Tabelle 2 angegeben.

Modellbewertung

Datensatz Nr. 1: Kowialiewski und Majerus (2020)

Daten Dieser Datensatz wurde verwendet, um die Fähigkeit des Modells zu bewerten, die Gesamtauswirkung der semantischen Verwandtschaft auf die Serien-Rückrufleistung und die Bestell-Rückrufleistung zu reproduzieren. Es ist allgemein bekannt, dass semantische Verwandtschaft die Erinnerungsleistung auf Itemebene stark verbessert (siehe Kowialiewski & Majerus, 2020, für eine Metaanalyse). Semantische Verwandtschaft hat auch einen kleinen nachteiligen Einfluss auf die Fähigkeit, sich an serielle Bestellinformationen zu erinnern, auch wenn der Effekt subtil ist (siehe auch

Ishiguro & Saito, 2020). Dementsprechend erwarten wir, dass die Architektur nur geringe oder keine Auswirkungen auf die Auftragsrückrufleistung hat. Wir haben die in Kowialiewski und Majerus (2020) berichteten Daten verwendet, wo sie die semantische Verwandtschaft auf Sechs-Elemente-Listen unter störenden Bedingungen oder unter unmittelbaren Serienrückrufaufgaben manipulierten. Nur die Ergebnisse der letzteren Bedingung wurden berichtet.