Používá se dlouhodobá paměť ve vizuoprostorovém paradigmatu detekce změn?

Pro více informací:ali.ma@wecistanche.com

Abstraktní

V testech zpracovní paměťs verbálními nebo prostorovými materiály, opakovat totéžPaměťsady napříč zkouškami vede ke zlepšení výkonu paměti. Tento dobře zavedený "Hebbův efekt opakování" nemohl být prokázán pro vizuální materiály v předchozím výzkumu. Absenci Hebbova efektu lze vysvětlit dvěma způsoby: Buď se člověku nepodaří získat dlouhodobou paměťovou reprezentaci opakovanýchPaměťsady, nebo takové získávajídlouhodobá paměťreprezentace, ale nepoužijí je běhempracovní paměťúkol. Ve dvou experimentech (N1=18 a N{1}}) jsme se rozhodli rozhodnout mezi těmito dvěma možnostmi pomocí manipulace se znalostmi dlouhodobé paměti některých sad paměti používaných v úloze detekce změn. Před testem detekce změn se účastníci naučili tři pole barev podle kritéria. Následný test detekce změn obsahoval jak dříve naučená, tak nová pole barev. Výkon detekce změn byl lepší než dříve naučené ve srovnání s novými poli, což ukazujedlouhodobá paměťse používá při detekci změn.

klíčová slova:Vizuální pracovní paměť. Dlouhodobá paměť. Paradigma detekce změn. Hebbův efekt opakování

Repetitio est mater studiorum – opakování je matkou studia. Tento základní princip pravděpodobně platí pro všechny entity, které jsou schopny dělat to, čemu říkáme „učení“; zvířata a lidé a dokonce i počítače. Učení obvykle vyžaduje opakování některých cílových informací, ať už záměrně, nebo neúmyslně. V průběhu opakování se nervová spojení v našem mozku postupně mění, aby zachytila ​​opakované informace.

Klikněte pro použití Cistanche pro paměť

Jaká je role pracovní paměti pro učení? Během 6 desetiletí více teoretiků předpokládalo, že krátkodobé resppracovní paměť(WM) — médium pro dočasné uchovávání informací — je bránou do dlouhodobé paměti (LTM), kde jsou informace trvale uloženy. Atkinson a Shiffrin (1968) předpokládali, že informace musí projít „krátkodobým obchodem“ do LTM. Baddeley a kol. (1998) předpokládali, že fonologická smyčka, součást Baddeleyho modelu WM, je zařízením pro učení nových tvarů slov. Nedávno Cowan (2019) zdůraznil, že udržování informací ve WM zahrnuje nejen aktivaci stávajících reprezentací LTM, ale také vytváření nových. Forsberg a kol. (2020) tvrdili, že omezená kapacita WM tvoří úzké hrdlo pro získávání nových znalostí v LTM.

Důležitým nástrojem pro studium role WM při postupném získávání znalostí pomocí opakování je tzv. Hebbův opakovací efekt (Hebb, 1961). Hebbův opakovací efekt se týká pozorování, že okamžité sériové vyvolání – běžný test WM – se postupně zlepšuje u seznamu paměti, který se v průběhu experimentu několikrát opakuje (např. Hebb, 1961; Hitch et al., 2005; Page a kol., 2006). Hebbův efekt byl původně pozorován v úloze okamžitého sériového vybavování pomocí verbálních podnětů (Hebb, 1961) a je specificky diskutován pro jeho příspěvek k učení jazyků (Lafond et al., 2010; Szmalec et al., 2009). Jiné studie to zjistily také u smysluplných vizuálních podnětů, jako jsou vzpřímené tváře (Horton et al., 2008), a se sekvencemi prostorových umístění (např. Couture & Tremblay, 2006; Gagnon et al., 2004; Page et al., 2006; Turcotte a kol., 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 v této studii) než klasický Hebbův efekt, který je silný po asi 10 opakováních.

Současná studie

Existují dvě možná vysvětlení absence Hebbova učení v úloze detekce změn. Za prvé, účastníci by mohli selhat při získávání prohlášení LTM oopakovaná paměťpole. Za druhé, účastníci mohou zakódovat opakovaně prezentovaná pole v LTM, ale nepodaří se jim tyto reprezentace LTM použít v následných pokusech detekce změn s použitím stejných polí. To znamená, že ačkoli účastníci získají znalosti, se kterými by mohli zlepšit svůj výkon na opakovaných polích, nedělají to. Některé důkazy pro druhou možnost pocházejí ze dvou studií, které ukazují, že i když se detekce změn nezlepšila na opakovaných polích, účastníci byli schopni rozpoznat opakovaná pole výrazně nad šancí v testu na konci experimentu (Fukuda & Vogel, 2019; Olson & Jiang, 2004).

V této studii jsme se zaměřili na testování, zda se reprezentace dlouhodobé paměti používají v paradigmatu detekce visuoprostorových změn. Vytvořili jsme LTM stopy tří šestibarevných cílových polí A, B a C ve fázi učení. Poté jsme porovnali výkon v následném testu pracovní paměti mezi pokusy s použitím jednoho z těchto cílových polí, které byly prokazatelně uloženy v LTM po fázi učení, a pokusy s náhodně generovanými poli (D) bez reprezentace v LTM. Experimentální generování stop LTM mimo proceduru detekce změn umožňuje rozlišení dvou možných výsledků. Pokud jsou tyto reprezentace použity, měli bychom pozorovat lepší přesnost detekce změn pro naučená pole ve srovnání s náhodnými poli. Pokud se tyto reprezentace nepoužívají, pak by se přesnost naučených polí neměla lišit od přesnosti náhodných polí.

Metoda

Účastníci

Experimentu 1 a Experimentu 2 se zúčastnily dva různé vzorky. V experimentu 1 vzorek tvořilo N=18 (mág=22,6 let, SDage=2,89) univerzitních studentů z univerzity v Curychu. Do experimentu 2 se zapojilo N=30 (mág=23 let, SDage=4,89) univerzitních studentů Curyšské univerzity a Ulmské univerzity, z nichž jedna osoba byla vyloučena z analýzy dat po fáze učení kvůli nedostatečnému výkonu ve fázi učení (finální N=29). Náš výběr velikostí vzorků byl založen na N z předchozích studií o Hebbově efektu. Rozhodli jsme se zvětšit velikost vzorku Experimentu 2, abychom zvýšili naši šanci změřit malý účinek znalostí, který jsme mohli přehlédnout v Experimentu 1. Oba experimenty byly inzerovány prostřednictvím letáků a e-mailů. Účastníci museli být ve věku od 18 do 35 let a mluvit plynně německy. Zájemci byli vyloučeni z účasti, pokud byli barvoslepí nebo měli špatný (tj. neupravený) zrak.

Materiály a postup

Úkoly obou experimentů byly navrženy tak, aby studovaly stejnou výzkumnou otázku; po provedení experimentu 1 však byly provedeny některé drobné úpravy úkolů. Oba experimenty se skládaly ze dvou částí. První byla fáze učení, ve které byli účastníci instruováni, aby se naučili tři různá barevná pole (označená A, B a C, v tomto pořadí; pro zbytek tohoto dokumentu se budou nazývat „cílová pole“). Poté byla zadána úloha detekce změn, ve které některé pokusy používaly cílová pole a jiné pokusy používaly nová náhodná pole jako paměťové sady.

Experiment 1 Fáze učení experimentu 1 začala postupnou prezentací tří barevných polí, která se mají naučit, po dobu 10 sekund. Každé pole se skládalo ze šesti barevných políček, které byly rozmístěny ve stejné vzdálenosti na pomyslném kruhu, a pro usnadnění učení bylo každé pole spárováno s písmenem (A, B, respektive C) ve středu pomyslného kruhu. U všech účastníků byly barvy pro každé pole náhodně vybrány ze vzorku 12 různých barev (hodnoty RGB viz Tabulka 1).

Po této úvodní expozici třem polím byla fáze učení implementována pomocí klasického paradigmatu detekce změn. Rozhodli jsme se, že účastníci se budou učit pole tímto způsobem, protože jsme chtěli, aby se učení podobalo úkolu WM. Tento postup by měl zajistit nízký práh pro použití reprezentací LTM během následného testu WM, protože optimalizuje zpracování vhodné pro přenos (Morris et al., 1977).

Paradigma detekce změn aplikované během fáze učení je schematicky znázorněno na obr. 1. Sestávalo ze tří bloků, každý po 24 pokusech. Ve všech blocích každý pokus začínal prezentací fixačního kříže na 1,000 ms, který byl vycentrován na obrazovce. Dále bylo představeno jedno ze tří cílových polí. Zde se časy prezentace mezi třemi bloky lišily. V prvním bloku byla cílová pole prezentována na 3 500 ms, ve druhém bloku na 2 500 ms a ve třetím bloku na 1 500 ms. Po prezentaci cílového pole se účastníkům na další 1,000 ms zobrazila prázdná obrazovka. Následně byla účastníkům předložena sonda cílového pole, skládající se z jednoho barevného pole v prvním bloku, tříbarevných polí ve druhém bloku nebo kompletního pole šesti barevných polí ve třetím bloku. Účastníci museli uvést, zda se nyní prezentované barevné skvrny shodují s těmi z kompletního pole dříve prezentovaného na stejné pozici. Doba odezvy nebyla omezena. Existovaly tři typy zkoušek: zkoušky beze změny (stejná barevná náplast na stejné pozici), zkoušky se záměnou (prezentovaná barevná náplast na jiné pozici) a zkoušky s náhodnou změnou (barvy, které dříve nebyly uvedeny v cílovém poli v jakákoli pozice). V rámci každého bloku bylo 12 studií beze změny, šest studií s výměnou a šest studií s náhodnými změnami – pořadí typu studie bylo randomizováno. Každé pole bylo prezentováno osmkrát na blok a jejich pořadí bylo náhodné. Po každém pokusu byla poskytnuta zpětná vazba. Pokud byla odpověď správná, bylo účastníkům předloženo sdělení "Richtig!" (Správně!) a následoval další soud. Pokud byla odpověď nesprávná, byla účastníkům předložena zpráva „Leider nicht Richtig! So siehtdiekorrekte Anordnung us:“ (Bohužel nesprávně! Takto vypadalo správné pole:) a poté jim bylo znovu předloženo kompletní cílové pole, aby bylo možné poskytnout další příležitost k učení. Aby bylo zajištěno učení se tří cílových polí, museli účastníci v každém bloku splnit kritérium učení, což bylo minimálně 19 správně zodpovězených pokusů (z 24). Pokud účastníci toto kritérium nesplnili, museli opakovat blok, ve kterém tak nesplnili. Kromě toho byla na začátku každého bloku opět prezentována tři cílová pole po dobu 10 sekund. Tímto způsobem jsme doufali, že vyvoláme přiměřeně silnou LTM reprezentaci cílových polí.

Jakmile účastník splnil všechna kritéria fáze učení, byly mu předloženy pokyny k následnému úkolu pracovní paměti – konkrétně k dalšímu úkolu zjišťování změn. Pokyny znovu objasnily postup tohoto úkolu a výslovně uváděly, že do budoucna již nebude poskytnuta žádná zpětná vazba. Obecně se paradigma detekce změn silně podobalo fázi učení. Každý pokus začal prezentací fixačního kříže po dobu 1,000 ms na prázdné obrazovce. Dále bylo prezentováno šestibarevné pole, ale na rozdíl od fáze učení byla nyní doba prezentace 1,000 ms. Po 1,000- ms retenčním intervalu, během kterého byla obrazovka prázdná, se na pozici náhodně vybrané položky pole zobrazila jedna barevná skvrna jako sonda. Účastníci opět museli uvést, zda nyní prezentovaná barevná skvrna odpovídá barevnému poli kompletního šestibarevného pole ve stejné poloze. Doba odezvy nebyla omezena. Pro tento úkol s pracovní pamětí bylo administrováno 10 bloků, každý s 18 pokusy. Předtím museli účastníci absolvovat 18 cvičných zkoušek.

Z celkových 180 testovacích pokusů 90 pokusů představovalo jedno z cílových polí A, B nebo C (každý 30 pokusů, nyní prezentováno bez jejich štítků), a dalších 90 pokusů bylo vyhrazeno pro prezentaci nových polí (D), generované náhodně s omezením, že nesmí být totožné s jedním z cílových polí. Před úkolem nebylo účastníkům řečeno, že dříve naučená pole mohou být znovu prezentována. V rámci 18 pokusů na blok bylo přibližně 40 procent beze změny a 60 procent pokusů se změnou.1 Opět bylo pořadí typu pokusu a pořadí polí náhodně rozděleno v každém bloku.

Experiment 2 začal podobnou fází učení jako Experiment 1. Abychom však zlepšili učení LTM, přidali jsme jeden blok učení navíc a zpřísnili jsme kritérium učení pro každý blok (nejméně 20 z 24 pokusů bylo správných). Schematický přehled podmínek učení viz obr. 2. Fáze učení se nyní skládala ze čtyř bloků po 24 pokusech. První tři bloky byly stejné jako v Experimentu 1, kromě toho, že časy prezentace pro cílová pole ve všech blocích byly náhodně rozděleny v rozsahu mezi 1,000 a 5,000 ms. Čtvrtý blok přidal novou vzdělávací zkušenost: Účastníci byli nyní prezentováni pouze se štítky A, B nebo C, po nichž následovala kompletní sonda pole. Museli uvést, zda tato sonda odpovídá poli, které se naučili spojovat s dříve předloženým písmenem. Tato podmínka učení by měla zajistit, aby si účastníci vytvořili LTM reprezentace cílových polí, která mohli načíst na základě libovolného podnětu pro vyhledávání.

Abychom otestovali LTM po fázi učení, přidali jsme úkol diskrétního vyhledávání, ve kterém byly účastníkům předloženy písmena cílových polí a šest prázdných kruhů na pozicích barevných polí. Šest prázdných kruhů bylo označeno jeden po druhém a účastníci museli vybrat správnou barvu ze sady 12 různých barev, které byly uvedeny vedle prázdného pole. Označený kruh byl poté vyplněn vybranou barvou, pokud byla volba správná. Pokud byla volba nesprávná, byli účastníci upozorněni a byla vyplněna skutečně správná barva. Tímto způsobem byla účastníkům znovu předložena kompletní cílová pole a mohli si dále upravit jejich LTM reprezentace.

Následující WM fáze byla téměř totožná s Experimentem 1. Snížili jsme prezentační časy polí na 250 ms. Kromě toho byl z důvodu chyby v programování změněn poměr typů sond z poměru 40:60 mezi sondami beze změny a sondy se změnami na přibližně 70 procent sond beze změny a přibližně 30 procent sond pro změnu (oddělené na swap změny a náhodné změny).

Po testu WM byl účastníkům znovu předložen úkol diskrétního vyhledávání a opakování nového čtvrtého bloku fáze učení s písmeny jako vodítkem pro cílová pole, aby si otestovali své LTM reprezentace cílových polí. naposledy. To nám umožnilo porovnat dostupnost cílových polí v LTM před a po úloze WM.

Obecný postup pro oba experimenty byl podobný. Obě testovací sezení trvala přibližně 1,5–2 hodiny a účastníci byli kompenzováni buď 15–22 CHF nebo částečným zápočtem kurzu. Před účastí všichni účastníci poskytli informovaný souhlas. Na experimenty dohlíželi vyškolení výzkumní asistenti. Úkoly byly naprogramovány a prezentovány pomocí PsychoPy 2 (Peirce et al., 2019). Všechny úkoly a standardizované pokyny byly prezentovány na obrazovkách počítačů s rozlišením Full HD (1 920 × 1 080 pixelů). Všechny podněty byly prezentovány na šedé barvě pozadí a účastníci používali označené klávesy (- a<) on="" standard="" keyboards="" for="" responding="" to="" the="">

Pro oba experimenty, jak fáze učení, tak WM test, poskytují dichotomickou závislou proměnnou indikující přesnost. Proto jsme data pro WM testy analyzovali pomocí logistických regresních modelů, ve kterých byl počet správných odpovědí predikován typem prezentovaných polí (tj. naučená cílová pole vs. nenaučená náhodná pole). Kromě pevného efektu tohoto prediktoru úplný model zahrnoval hlavní efekt bloku, interakční člen typu pole s blokem, náhodný efekt subjektu (tj. náhodné zachycení) a také termín pro účinek bloků a typů polí vnořených do objektů (tj. náhodné sklony). Po specifikaci úplného modelu jsme jej porovnali s šetrnějšími modely, abychom vyhodnotili důkazy pro každý jednotlivý efekt pomocí Bayesových faktorů pro srovnání modelů (Bürkner, 2017). Priority pro modely logistické regrese se smíšenými efekty byly Cauchyho priory se stupnicí 1/√2, získané úpravou doporučení Gelmana et al. (2008) (další podrobnosti o volbě měřítka pro modely logistické regrese viz Oberauer, 2019). Modely byly odhadnuty pomocí 100,000 vzorků, vygenerovaných prostřednictvím tří nezávislých Markovových řetězců, každý se 2,{11}} zahřívacími vzorky (tj. 98,000 vzorků po zahřátí celkem).

Protože v obou experimentech nebyl poměr stejných pokusů a pokusů se změnou vyvážený, u účastníků se mohlo vyvinout zkreslení odezvy, které by zkreslilo míru správné proporce jako index kvality paměti. Proto jsme také hodnotili výkon pomocí dvou modelů měření, které oddělují kvalitu paměti od zkreslení. Hodně diskutovaný předěl mezi teoriemi vizuálního WM je mezi těmi, které předpokládají neustále se měnící sílu nebo přesnost paměťových reprezentací (Ma et al., 2014; Oberauer & Lin, 2017), a těmi, které předpokládají binární rozlišení mezi položkami, které jsou zapamatovány, a jinými, které nejsou (Adam et al., 2017; Zhang & Luck, 2008). Aby byly obě perspektivy spravedlivé, použili jsme model měření detekce signálu k měření kvality paměti na kontinuální škále rozlišitelnosti a vysokoprahový model k měření počtu zapamatovaných položek. Konkrétně jsme vypočítali d' (diskriminabilita) ac (kritérium odezvy) z teorie detekce signálu (na základě Macmillana, 1993; Stanislaw & Todorov, 1999), kde jsme provedli korekci na extrémní četnost zásahů a extrémní četnost falešných poplachů (tj. 0 nebo 1; viz Hautus, 1995). Kromě toho jsme z vysokoprahového modelu vypočítali Pmem (pravděpodobnost, že účastník měl testovanou položku v paměti) a g (hádání pravděpodobnosti odpovědi „změny“) (Model 4 od Cowan et al., 2013). Všechny indexy byly vypočítány pro výkon naučeného i náhodného pole. V rámci každého experimentu jsme předpovídali příslušné indexy pomocí lineárních regresních modelů s typem pole jako prediktorem a náhodným efektem subjektu (tj. náhodný průsečík). Protože indexy byly vypočítány z dat agregovaných ze všech pokusů, nemohli jsme do těchto analýz zahrnout blok jako prediktor.

Výsledek

Experiment 1

Fáze učení V tabulce 2 uvádíme přesnost pro různé bloky fáze učení. Sedm osob muselo jednou zopakovat jeden z výukových bloků. Nikdo nemusel opakovat poslední výukový blok, což ukazuje na dobré učení. To se také projevuje klesajícím podílem chyb z bloku na blok.

Úloha pracovní paměti Dále uvádíme přesnost napříč bloky úlohy pracovní paměti (viz obr. 3). Výkon na cílových polích byl ve většině bloků lepší než na náhodných polích. Kromě toho jsme nepozorovali stálý nárůst výkonu napříč bloky konkrétně na cílových polích kvůli jejich opakovaným prezentacím napříč bloky, jak by se očekávalo, kdyby se účastníci i nadále učili tato pole během úlohy detekce změn.

U naučených polí udělali účastníci v průměru 9,5 procenta chyb ve všech blocích, zatímco u náhodných polí udělali v průměru 13,7 procenta chyb. To se rovná standardizované velikosti účinku d=−,50 s širokým 95procentním CI [−1,05, 0,05]. Bayesovy faktory odpovídající srovnání modelů pro modely logistické regrese se specifickými efekty a bez nich jsou uvedeny v tabulce 3. Tato analýza podpořila pouze hlavní efekt typu pole, což znamená, že účastníci celkově vykazovali lepší výkon na naučených polích (odpovídající odhady parametrů najdete v tabulce 4).

Experiment 2

Fáze učení V tabulce 5 uvádíme popisnou statistiku výkonu ve fázi učení. 22 účastníků muselo zopakovat alespoň jednu z fází učení, protože nedosáhli nastaveného kritéria alespoň 20 pokusů správně. Počet opakování pro podmínku s jednou sondou se pohyboval od 1 do 6, zatímco počet opakování pro podmínku se třemi sondami se pohyboval od 1 do 4. Pozorovali jsme však jasný trend zlepšování napříč učebními bloky, což naznačuje úspěšné učení . Žádný účastník nemusel opakovat poslední dva výukové bloky.

Bezprostředně po fázi učení museli účastníci reprodukovat dříve naučená pole ručním výběrem barev pro každou pozici pole. Z celkového počtu 18 vyplněných barevných polí (šest na cílové pole) měli účastníci průměrnou korekci 67 procent (SD=47 procent). To ukazuje, že účastníci byli schopni přenést své znalosti o cílových polích do jiného způsobu vyhledávání (od detekce změny po vyvolání). Tento úkol diskrétního vyhledávání byl opakován po testu WM. Ve srovnání s prvním úkolem vyhledávání bezprostředně po fázi učení se výkon účastníků zlepšil. U této poslední úlohy diskrétního vyhledávání bylo v průměru 93 procent barevných polí reprodukováno správně (SD=44,3 procenta). Bayesovský t-test pro párové vzorky týkající se počtu správných voleb odhalil slabé důkazy pro lepší výkon ve druhém samostatném vyhledávacím úkolu ve srovnání s prvním (BF=3,59). Tento výsledek ukazuje, že stopy LTM cílových polí během testu WM neklesly.

Nakonec byla paměť účastníků o polích naposledy posouzena na samém konci experimentu opakováním posledního bloku fáze učení, kde jim byly prezentovány pouze písmena v paradigmatu detekce změn. Odpověděli správně na 93 procent z 24 pokusů, což ukazuje na vysoce přesné a dostupné znalosti o cílových polích.

Úloha pracovní paměti Na obr. 4 představujeme výkon napříč bloky úlohy detekce změn. Kombinovaný průměrný výkon tří polí byl ve většině bloků lepší než u náhodných polí. V průměru udělali účastníci 17,5 procenta chyb u naučených polí, zatímco u náhodných polí udělali v průměru 23,4 procenta chyb. To se rovná standardizované velikosti účinku d=−,55 s 95procentním CI [−,98, −,11]. Ve srovnání s velikostí účinku experimentu 1 je standardizovaný průměrný rozdíl v experimentu 2 o něco větší. Kromě toho existovala tendence ke zvýšení výhodnosti cílových polí napříč bloky, což se podobalo Hebbovu efektu.

Bayesovy faktory pro srovnání modelů pro modely logistické regrese naleznete v tabulce 6. Našli jsme rozhodující důkaz pro hlavní účinek typu pole. Byly zde mírné důkazy proti hlavnímu účinku bloku a proti interakci mezi oběma prediktory. Finální model tak zahrnoval hlavní efekt typu pole a náhodného zachycení (tj. náhodný efekt subjektu) a odpovídající odhady parametrů lze nalézt v tabulce 7.

Oddělení kvality paměti od zkreslení odezvy

V tabulce 8 uvádíme výše uvedené indexy modelu měření detekce změn pro každý experiment, oddělené podle typu pole. Kromě popisné statistiky uvádíme odpovídající velikosti účinku pro každý index na experiment a Bayesovy faktory odrážející důkazy o hlavním účinku typu pole.

V experimentu 1 byl index diskriminace účastníků d' větší na naučených polích než na náhodných polích; v experimentu 2 nebyl žádný důkaz, který by tento rozdíl podporoval. Kritéria odezvy (c) v obou experimentech byla srovnatelná a naznačují malou zaujatost vůči hlášení změny v pokusech. Vzhledem k tomu, že kritéria odezvy pro oba experimenty byla velká a stejné velikosti, různé poměry stejných pokusů ke změnám ve dvou experimentech měly malý vliv na chování účastníků. V obou experimentech jsme našli důkaz, že kritéria odezvy byla snížena pro naučená pole, což znamená, že tendence indikovat změnu byla podstatně menší než u polí s LTM reprezentacemi.

Pokud jde o model vysokoprahového měření, pravděpodobnost, že bude testovaná položka v paměti, Pmem, byla v obou experimentech vyšší pro naučená pole než pro nenaučená pole. Podobně byla pravděpodobnost uhodnutí (g) pro uhodnutí "změny" snížena pro naučená pole ve srovnání s nenaučenými poli. To byl zejména případ experimentu 2, zatímco důkazy v experimentu 1 byly nejednoznačné. Dohromady oba modely měření konvergovaly k závěru, že naučená pole se od nenaučených polí liší jak kvalitou paměti, tak zkreslením. Když bylo započítáno zkreslení, d' index již nevykazoval věrohodný účinek učení v Experimentu 2. V Experimentu 1 d' i Pmem vykazovaly věrohodný účinek učení. Upozorňujeme, že pozorované rozdíly ve všech indexech modelu měření mezi experimenty nebyly podstatné, jak naznačují Bayesovské t-testy pro nepárové vzorky (odpovídající BF se pohybovaly od 0,32 do 2,8)

Diskuse

Pomocí dvou experimentů jsme zkoumali, zda informace o vizuálních polích uložených v dlouhodobé paměti byly užitečné pro následný výkon v úloze detekce změn pomocí těchto polí. Vyvolali jsme reprezentace dlouhodobé paměti před paradigmatem detekce změn a zajistili jsme, že bylo robustně naučeno. Kromě toho byla zapamatovaná pole dále opakována v průběhu úlohy pracovní paměti, což umožnilo další učení. Pokud byly znalosti o cílových polích získané ve fázi učení použity v testu pracovní paměti, výkon na naučených polích by měl být lepší než na náhodných polích. Kromě toho, pokud by lidé pokračovali v učení o cílových polích prostřednictvím jejich opakování v testu pracovní paměti, jejich výkon detekce změn by se v průběhu opakování polí neustále zlepšoval.

Celkově vzato, zjištění obou experimentů ukázala jasný důkaz pro předpoklad, že již existující LTM reprezentace visuoprostorových stimulů (tj. barevná pole) jsou přínosné pro výkonnost pracovní paměti během paradigmatu detekce změn. V obou experimentech jsme identifikovali hlavní účinek typu pole. Výkon detekce změn byl ve srovnání s novými poli lepší než dříve naučené, což ukazuje, že při zjišťování změn se používá dlouhodobá paměť. V obou experimentech nebyly žádné důkazy pro další učení během fáze pracovní paměti.

Proč většina předchozích studií neukázala žádný důkaz o učení v úkolech zjišťování změn? Naše experimenty vylučují jedno vysvětlení, a sice to, že se lidé učí opakovaná pole, ale nepoužívají své znalosti pro rozhodování o zjišťování změn. To ponechává alternativu, že se lidé neučí opakovaná pole, nebo se je alespoň nenaučí dostatečně dobře. Existují důvody domnívat se, že k určitému kumulativnímu učení opakovaných polí skutečně dochází. Jedním z nich je, že Shimi a Logie (2019) zjistili postupné zlepšování detekce změn po 60 nebo více opakováních stejného pole. Další důkazy pocházejí ze studií Olsona a Jianga (2004) a Fukudy a Vogela (2019). Ačkoli obě studie nenalezly žádný jasný důkaz, že výkon na opakovaných polích během úkolu detekce změn byl lepší ve srovnání s náhodnými poli, účastníci obou studií byli schopni identifikovat opakovaná pole během následného testu rozpoznávání při výše uvedené příležitosti. úroveň. To znamená, že během experimentů muselo proběhnout alespoň nějaké učení pro opakované informace, ale zjevně ne dost na to, aby tyto znalosti byly užitečné pro detekci změn.

Mohlo to být proto, že v závěrečných testech rozpoznávání těchto dřívějších studií museli účastníci rozlišovat opakovaná pole od náhodně složených nových polí, od kterých se lišila v několika položkách, zatímco sondy změn úlohy detekce změn se lišily od prezentovaných polí. pouze v jedné položce. Lidé mohli získat částečné znalosti o opakovaném poli – například znalosti o párech nebo trojicích barev – což je dostatečné k tomu, aby je odlišilo od zcela nových polí, ale jen zřídka pomůže detekovat jedinou změnu. Další možností je, že znalosti získané o opakovaných polích jsou slabé, takže se pomalu načítají. V testu detekce změn může nastat závod mezi načtením právě prezentovaného pole z WM a načtením shodného trasování z LTM. Pokud je získávání z LTM mnohem pomalejší než získávání z WM, málokdy by vyhrálo závod. Naproti tomu v závěrečném rozpoznávacím testu je k dispozici pouze LTM, a proto si lidé pravděpodobně dají čas, aby jej získali a použili. Ať tak či onak, reprezentace LTM, které jsou vytvářeny postupně z opakovaných polí během detekce změn, se hromadí velmi pomalu – mnohem pomaleji než v typických Hebbových opakovacích experimentech – a proto neprospívají výkonu detekce změn, pokud počet opakování nepřekročí asi 50. , znalosti získané v samostatné fázi učení, jako v našich experimentech, jsou dostatečně silné, aby byly užitečné při zjišťování změn od začátku.

Nízká míra učení je v kontrastu s poměrně rychlým učením pozorovaným v Hebbově opakovacím paradigmatu s jinými druhy materiálů (verbální položky, prostorová umístění, tváře) a jinými testovacími postupy (tj. sériové vyvolání nebo rekonstrukce). Proto udržování sady položek ve WM nestačí k podpoře rychlého učení. Něco jiného o informacích, které se mají naučit, nebo o postupu testování WM, musí ovlivnit rychlost učení. Jedna možnost, kterou nastolili Logie et al. (2009) je, že při detekci změn interferují sondy změn s dlouhodobou paměťovou reprezentací opakovaných polí, čímž zpomalují učení. Další možnost naznačuje dosud nepublikovaná série experimentů Souzy a Oberauera (2021): Učení se vizuálních polí Robust Hebb bylo pozorováno pouze tehdy, pokud byly všechny položky pole testovány v každém pokusu. Je možné, že LTM je primárně vytvořen, když získáváme informace z WM nebo LTM (Sutterer & Awh, 2016), a proto je učení během zjišťování změn pomalé, protože každá zkouška zahrnuje pouze jeden test.

Závěr

Když jsou v LTM k dispozici silné a komplexní znalosti o vizuálních polích, použijí se v úloze detekce změn. Absenci typického Hebbova opakovacího efektu u vizuálních polí (Fukuda & Vogel, 2019; Logie et al., 2009; Olson & Jiang, 2004) lze nejlépe vysvětlit tím, že se lidem nedaří naučit se kompletní pole dostatečně silně během omezeného počtu opakování. .