für mehr information:ali.ma@wecistanche.com

Bitte klicken Sie hier zu Teil 1

Klicken Sie hier, umCistanche tubulosa Vorteile und Nebenwirkungen für das Gedächtnis

Modelltest In dieser Studie betrug der mittlere Unterschied zwischen den semantisch verwandten und nicht verwandten Bedingungen unter einem strengen Serienerinnerungskriterium 0,107. Dieser Wert wurde verwendet, um λ im Modell zu schätzen. Wie in Abb. 2 zu sehen ist, reproduziert das Modell den Einfluss der semantischen Verwandtschaftsdimension auf die Gesamterinnerungsleistung. Gleichzeitig verbessert die semantische Verwandtschaft im Modell auch die Auftragsabrufleistung (M = 0,841 bzw. M = 0,729 unter den verwandten bzw. nicht verwandten Bedingungen). Dies wird in den empirischen Daten nicht beobachtet. Stattdessen bleibt die Order-Recall-Leistung bei menschlichen Probanden relativ unverändert (M = 0,782 bzw. M = 0,812 unter den verwandten bzw. nicht verwandten Bedingungen). Der semantische Effekt in den Simulationen (siehe Abb. 3) ist eine logische Konsequenz des Modells. Da die Auftragsrückrufleistung langfristig durch den Aktivierungsgrad bestimmt wirdGedächtnisführt eine erhöhte Aktivierung zu einer besseren Unterscheidungsfähigkeit zwischen den Artikeln und damit zu einer höheren Auftragsabrufleistung.

Datensatz #2: Kowialiewski, Lemaire und Portrat (2021)

Daten Es wurde kürzlich gezeigt (Kowialiewski et al., 2021), dass das Vorhandensein von semantischer Verwandtschaft in einer Liste, an die man sich erinnern wird, WM-Ressourcen freisetzt, wie zuvor anhand von Chunks beobachtet wurde (Portrat, Guida, Phénix, & Lemaire, 2016; Thälmann, Souza & Oberauer, 2019). In dieser Studie wurde die semantische Verwandtschaft manipuliert, indem Tripletts von semantisch verwandten Elementen entweder am Anfang (T1) oder am Ende (T2) einer Liste mit sechs Elementen, an die man sich erinnern wird, präsentiert wurden. Diese Bedingungen wurden mit Listen von nicht verwandten Elementen (NT) verglichen. Die semantisch verwandten Drillinge verbesserten proaktiv die Rückrufleistung für die nachfolgenden, nicht verwandten Elemente im Vergleich zu den gleichen Elementen, denen kein verwandtes Triplett vorausging. Das semantisch verwandte Triplett wirkte sich jedoch nicht rückwirkend auf die Rückrufleistung aus. Wie wir sehen werden, ist die T2-Bedingung ein kritischer Test des Modells.

Modelltest Der mittlere Unterschied zwischen den T1- und NT-Bedingungen über die Positionen 1, 2 und 3 betrug 0,122. Dieser Wert wurde verwendet, um λ im Modell zu schätzen. Ohne Änderung einer der

Abb. 2 Rückrufleistung über eine serielle Position für die empirischen Daten (linkes Feld) und das Modell (rechtes Feld) in der Studie Kowialiewski und Majerus (2020). Die experimentellen Bedingungen beinhalteten die Präsentation von semantisch verwandten (grüne Linie) oder nicht zusammenhängenden (mauve Linie) Elementen

Abb. 3 Auftragsrückrufleistung als Funktion der semantischen Bedingung für die empirischen Daten (linkes Feld) und das Modell (rechtes Feld) in der Studie Kowialiewski und Majerus (2020)

Basisparametern sagt das Modell den beobachteten Rückrufvorteil gegenüber dem semantisch verwandten Triplett in der T1-Bedingung voraus (Abb. 4). Das Modell prognostiziert jedoch nicht die proaktiven Auswirkungen der semantischen Verwandtschaft auf die nachfolgenden nicht verwandten Elemente. Letzteres Ergebnis, so denken wir, ist nicht kritisch. Proaktive Effekte könnten durch die Modellierung von Erhaltungsmechanismen in einer feinkörnigen Weise (Portrat et al., 2016) oder durch die Einbeziehung eines Mechanismus mit begrenzten Ressourcen (Popov & Reder, 2020) entstehen, der den Rahmen der vorliegenden Studie sprengen würde. Das entscheidende Ergebnis dieser Simulationen ist zu zeigen, dass die semantisch verwandten Drillinge einen rückwirkenden schädlichen Einfluss auf die Rückrufleistung haben: Wenn das semantisch verwandte Triplett am Ende der Liste (T2) auftritt, ist die Rückrufleistung des dritten Elements schlechter als im neutralen Zustand. Dies ist eine direkte Folge der Modifikation des Aktivierungsmusters im Modell: Da die verwandten Elemente in den Positionen 4, 5 und 6 stärker aktiviert sind als andere Elemente, werden sie auch eher an frühere serielle Positionen zurückgerufen. In diesem Fall sind die Punkte 3 und 4 aufgrund ihres ähnlichen Aktivierungsgrades am wahrscheinlichsten, dass sie fälschlicherweise transponiert werden. Dieses Muster fehlt in den empirischen Daten. Stattdessen wird ein Fehlen rückwirkender Auswirkungen beobachtet.

Datensatz #3: Poirier et al. (2015)

Data Poirier et al. (2015) beobachteten, dass die Manipulation der semantischen Verwandtschaft die Art und Weise, wie Elemente transponiert werden, veränderte. In Experiment 1 präsentierten sie Gegenstände, von denen die ersten drei semantisch verwandt waren. Die Manipulation betraf den fünften Punkt, der auch im experimentellen Zustand verwandt war, wie in der Einleitung beschrieben. Kritisch ist, dass das fünfte Element in der experimentellen Bedingung häufiger in Position 3 als in der Kontrollbedingung übertragen wurde.

Modelltest Diese Daten enthalten keine nicht-semantische Bedingung, die die Abschätzung der Grundparameter des Modells verhindert. Wir haben daher die geschätzten Parameter aus dem zweiten Datensatz (siehe oben) wiederverwendet. Abbildung 5 zeigt die Ergebnisse. Das Vorhandensein semantischer Verwandtschaft in der Kontrollbedingung (d. h. die ersten drei Elemente sind semantisch verwandt) führt zu guten Mustern der Erinnerungsleistung. Sobald jedoch der fünfte Punkt semantisch mit dem Triplett verwandt ist, wird ein starker Leistungsabfall gegenüber den Positionen 4 und 5 beobachtet.

Dieser Leistungsabfall gegenüber den Positionen 4 und 5 im experimentellen Zustand wird durch das Muster der seriellen

Abb. 4 Abrufleistung über eine serielle Position für die empirischen Daten (linkes Feld) und das Modell (rechtes Feld) in der Studie Kowialiewski, Lemaire, and Portrat (2021). Die experimentellen Manipulationen beinhalteten das Vorhandensein von semantisch verwandten Drillingen von Wörtern am Anfang (T1) oder am Ende (T2) der Liste und verglichen dies mit einer semantisch nicht verwandten Bedingung (NT)

Abb. 5 Abrufleistung über eine serielle Position für die empirischen Daten (linkes Feld) und das Modell (rechtes Feld). Jede Zeile repräsentiert die beiden experimentellen Bedingungen, die ursprünglich von Poirier et al. (2015) manipuliert wurden.

Bestellfehler, dargestellt in Abb. 6. Kritisch ist, dass die überwiegende Mehrheit der seriellen Ordnungsfehler im experimentellen Zustand in Position 4 auftrat. Dies steht im Gegensatz zu den empirischen Daten, bei denen diese Transpositionen tendenziell über Position 3 zunehmen. Dieses Phänomen ist eine Kerneigenschaft des Modells: Serielle Ordnungsfehler werden durch das Muster der Aktivierung auf lange Sicht eingeschränkt.Gedächtnis. Das Erhöhen der Aktivierungsstufe eines Elements führt zu einer automatischen und obligatorischen Erhöhung der Transpositionsfehler in Richtung des direkt vorhergehenden Elements.

Man könnte argumentieren, dass diese Ergebnisse lediglich die Eigenschaft des Modells nur für den spezifischen Satz von Parametern widerspiegeln, die wir mit dem simulierten Abkühlalgorithmus gefunden haben. Stattdessen könnte es einige Konfigurationen von Parametern geben, die die von Poirier et al. (2015) beobachteten Ergebnisse reproduzieren könnten. Wir haben diese Möglichkeit untersucht, indem wir das Modell anhand einer großen Stichprobe von Parametern getestet haben. Wie in Anhang A berichtet, kann das Modell die erhöhten Transpositionsfehler über Position 3 und das Fehlen erhöhter Transpositionsfehler über Position 4 immer nicht vorhersagen.

Diskussion

Diese Studie verwendete einen computergestützten Modellierungsansatz, um die Hypothese zu untersuchen, dass die Aufrechterhaltung der seriellen Ordnung aus Aktivierungsmustern in langfristigenGedächtnis. Das Modell erfasste erfolgreich die Gesamtauswirkungen des semantischen Verwandtschaftseffekts auf die WM-Leistung. Es gelang jedoch nicht, den spezifischen Einfluss der semantischen Verwandtschaft auf die Verarbeitung von Serienauftragsinformationen vorherzusagen. Das Modell konnte das Fehlen semantischer Verwandtschaftseffekte auf die Auftragsabrufleistung nicht vorhersagen und prognostizierte stattdessen eine bessere Auftragsrückrufleistung für semantisch verwandte Elemente. Während menschliche Teilnehmer dazu neigen, sich fälschlicherweise an ein Element an der Position seiner semantischen Nachbarn zu erinnern, erzeugte das Rechenmodell Transpositionsfehler, die Migrationen zu nicht verwandten Elementen beinhalteten. Das Problem liegt in der fehlenden Trennung der Architektur zwischen seriellen Bestellinformationen und der langfristigen AktivierungGedächtnis. Die Simulation von Datensatz #1 zeigte, dass

Abb. 6 Transpositionsrate von Punkt 5 über eine serielle Position für die empirischen Daten (linkes Feld) und das Modell (rechtes Feld)

Der erhöhte Aktivierungsgrad von Items führte zu besserenGedächtnisfür Bestellinformationen, im Gegensatz zu dem, was normalerweise in der Literatur zu finden ist (Ishiguro & Saito, 2020). Dies geschah im Modell, weil die höhere Aktivierungsstufe Elemente vor dem schädlichen Effekt von Zerfall schützt, der beim Abrufen auftritt, Zerfall nach einer exponentiellen Zerfallsfunktion, wie sie in vielen Computerarchitekturen implementiert ist (Burgess & Hitch, 2006; Oberauer & Lewandowsky, 2011; Page & Norris, 1998). Darüber hinaus deuten Simulationen von Dataset #2 und Dataset #3 darauf hin, dass, wenn serielle Bestellfehler zumindest minimal durch den relativen Aktivierungsgrad eines Elements auf lange Sicht eingeschränkt werden.Gedächtnis, dann hätte eine rückwirkende Auswirkung semantisch verwandter Posten auf die Rückrufleistung beobachtet werden müssen. Stattdessen nähern sich empirische Beweise aus der WM-Literatur dem Fehlen eines rückwirkenden Einflusses psycholinguistischer Faktoren auf die Serienerinnerungsleistung an (Cowan et al., 1992; Miller & Roodenrys, 2012; Portrat et al., 2016; Thalmann et al., 2019), ein Ergebnis, das unsere aktivierungsbasierte Architektur nicht reproduzieren kann. Daher scheint eine rein aktivierungsbasierte Architektur problematisch zu sein, um das Problem der seriellen Ordnung in WM zu lösen, im Gegensatz zu dem, was bisher angenommen wurde (Acheson et al., 2011; Martin & Saffran, 1997; Poirier et al., 2015).

Generell ist die Pflege von Serienauftragsinformationen über einen Primatgradienten langfristigGedächtnisist aus mehreren Gründen problematisch. Erstens ist nicht klar, wie das Modell einfache Aufgaben wie Proben / Auffrischen ausführen würde (Barrouillet, Bernardin, & Camos, 2004). Dies liegt daran, dass die Artikelauswahl durch Auswahl der am häufigsten aktivierten Informationen erfolgt. Das Modell würde ständig auf dem am meisten aktivierten Element kleben, das in den meisten Situationen das erste ist. Stattdessen können die Teilnehmer mehrere Elemente und kumulativ proben (Tan & Ward, 2008). Das ursprüngliche Primatmodell geht davon aus, dass die Probe innerhalb einer phonologischen Schleife durchgeführt wird (Page & Norris, 1998), aber das löst das Problem der seriellen Ordnung in erster Linie nicht. Zweitens, und wie von Norris (2017) erwähnt, wäre ein rein aktivierungsbasiertes Modell niemals in der Lage, einen Artikel zweimal abzurufen (z. B. Rückruf von "9-2-5-4-9-7"). Diese Aufgabe erfordert temporäre Darstellungen, die langfristig außerhalb liegen.Gedächtnis. Beachten Sie, dass diese Studie das Primacy-Modell selbst nicht als allgemeinen Mechanismus ausschließt, durch den serielle Bestellinformationen außerhalb langfristigerGedächtnis, wie vom ursprünglichen Page und Norris (1998) Modell postuliert. Die vorliegende Studie schließt einfach einen Primatengradienten der Aktivierung im Langzeitgedächtnis als exklusiven Mechanismus zur Aufrechterhaltung serieller Bestellinformationen aus.

Wie wird die Serienbestellung dargestellt?

Viele theoretische Modelle von WM postulieren die Unabhängigkeit zwischen der Art der Darstellungscodes, die an der Pflege von Serienauftragsinformationen beteiligt sind, und denen, die an Artikelinformationen beteiligt sind. Diese relative Unabhängigkeit wird explizit durch Positionsmodelle von WM zusammengefasst (Burgess & Hitch, 2006; Oberauer et al., 2012; Oberauer & Lewandowsky, 2011). Kritisch ist, dass diese Modelle auch mögliche Wechselwirkungen zwischen Artikel- und Serienbestellcodes berücksichtigen sollten, aber diese Wechselwirkungen sind noch nicht gut verstanden. Jefferies et al. (2006) zeigten eine Tendenz für Phoneme, zwischen Nichtwörtern auf der Ebene der Silbenstruktur zu migrieren (z. B. die Erinnerung an "dug-fal" anstelle von "dag-full"). In ähnlicher Weise könnte das von Poirier et al. (2015) beobachtete Muster von Transpositionsfehlern durch die Annahme erklärt werden, dass WM auch semantische Merkmale kodiert. Weil semantisch verwandte Elemente überlappende semantische Merkmale aufweisen und/oder auch ähnlicher sind (Dell, Schwartz, Martin, Saffran, & Gagnon, 1997; Ishiguro & Saito, 2020), könnten Transpositionsfehler zwischen semantisch verwandten Elementen aus weiter entfernten Positionen theoretisch zum Zeitpunkt des Abrufs auftreten. Alternativ können die Teilnehmer, sobald sie das Vorhandensein eines semantisch verwandten Tripletts feststellen, die Informationen aufteilen und eine einzige semantische Darstellung beibehalten (z. B. "Natur" anstelle von "Blattbaum-Zweig"). Beim Rückruf kann aufgrund der Dekompression des semantischen Brockens die willkürliche Reihenfolge der Elemente selbst verloren gehen (Kowialiewski & Majerus, 2020), was zum fehlerhaften Rückruf eines verwandten Wortes führt3.

Diese Studie unterstützt nicht die Idee, dass die serielle Bestellinfobewegung über die artikelrelative Aktivierung im linguistischen System aufrechterhalten wird. Gleichzeitig verwirft diese Studie nicht die Möglichkeit, dass die Aufrechterhaltung der seriellen Ordnung durch die statistischen Regelmäßigkeiten, die aus der Sprachexposition gelernt wurden, vollständig eingeschränkt werden könnte (Schwering & MacDonald, 2020). Nach dieser Darstellung besitzt das linguistische System seine Mechanismen zur Aufrechterhaltung der seriellen Ordnung. Dies wird zum Beispiel durch Studien gestützt, die zeigen, dass statistische Regelmäßigkeiten, die aus linguistischen Korpora abgeleitet werden, die serielle Rückrufleistung bei verbalen WM-Aufgaben vorhersagen können (Jones & Macken, 2015, 2018). Entscheidend ist, dass die Plausibilität eines rein sprachbasierten Mechanismus zur Aufrechterhaltung serieller Ordnung anhand eines rekurrenten neuronalen Netzes nachgewiesen wurde (Botvinick & Plaut, 2006), dessen entstehendes Verhalten durch die Anpassung der Verbindungsgewichte unter Verwendung einfacher Lernregeln geprägt wird. Auf konzeptioneller Ebene unterscheidet sich dies radikal von der von uns entwickelten aktivierungsbasierten Architektur, die auf der objektrelativen Aktivierung auf lange Sicht basiert.Gedächtnis.

Schlussfolgerung

Diese Studie untersuchte die Bandbreite plausibler Mechanismen, die an der vorübergehenden Speicherung von Serienauftragsinformationen beteiligt sind. Durch einen computergestützten Modellierungsansatz haben wir gezeigt, dass die Aufrechterhaltung von Serienauftragsinformationen über einen Primatgradienten der Aktivierung langfristigGedächtnisist unplausibel. Ob die serielle Ordnung über unabhängige serielle Ordnungsmechanismen oder direkt durch die bei der Sprachverarbeitung auftretenden statistischen Regelmäßigkeiten oder beides codiert wird, muss noch formal festgestellt werden.

Anlage A

In dieser Analyse haben wir eine Rastersuche an 16.807 Punkten des Parameterraums unseres Modells mit λ = 0 durchgeführt. Der untersuchte Parameterbereich ist in Tabelle A1 dargestellt. Wir haben die Kombination von Parametern (N = 13.103) ausgewählt, die sowohl bei den strengen Serienrückruf- als auch bei den Artikelrückrufkriterien erfolgreich einen Vorrangeffekt auf die Rückrufleistung reproduziert haben. Der Aktualitätseffekt wurde nicht berücksichtigt, um sicherzustellen, dass die Analyse einen breiten Bereich von Punkten im Parameterraum abdeckte.

Als nächstes führten wir eine neue Rastersuche nach dieser Kombination von Parametern durch, indem wir λ (4 Werte) auf jedem von ihnen modulierten, sowohl auf der Kontrolle als auch auf den experimentellen Bedingungen aus Experiment 1 von Poirier et al. (2015). Jeder Satz von Parametern wurde mit 10.000 Simulationen geschätzt. Wir berechneten dann die Anzahl der Transpositionsfehler (korrigiert um die Gesamtzahl der Male, in denen das Ziel abgerufen worden war) des fünften Items, das in den Positionen 3 und 4 in jeder dieser experimentellen Bedingungen auftrat. Damit ein Ergebnis gültig ist, argumentierten wir, dass es zumindest eine Zunahme von Transpositionsfehlern in der experimentellen Bedingung gegenüber Position 3 geben sollte, die einer potenziellen Zunahme der Transposition gegenüber Position 4 überlegen ist. Wir haben gezählt, wie oft diese Versionen des Modells diesem Kriterium entsprachen. Es gab keine.

Förderung von Open-Access-Fördermitteln der Universität Zürich. Open Access Dieser Artikel ist lizenziert unter einer Creative Commons Attribution 4.0 International License, die die Nutzung, Freigabe, Anpassung, Verbreitung und Vervielfältigung in jedem Medium oder Format erlaubt, solange Sie den ursprünglichen Autor (die ursprünglichen Autoren) und die Quelle angemessen erwähnen, einen Link zur Creative Commons-Lizenz angeben und angeben, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material von Drittanbietern in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in einer Kreditlinie zum Material nichts anderes angegeben ist. Wenn Material nicht in der Creative Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Verwendung nicht gesetzlich zulässig ist oder die zulässige Nutzung überschreitet, müssen Sie die Erlaubnis direkt vom Urheberrechtsinhaber einholen. Eine Kopie dieser Lizenz finden Sie unter http://creativecommons.org/licenses/by/4.0/.