další informace:ali.ma@wecistanche.com

pls klikněte sem pro část 2

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

Přijato: 12. února 2021 / Zveřejněno online: 25. března 2021

# Autor(i) 2021

KlikněteCistanche UK pro paměť

Abstraktní

Udržování informací o sériové objednávce je základní součástí prácePaměť(WM). Mnoho teoretických modelů předpokládá existenci specifických mechanismů sériového řazení. Ty jsou považovány za nezávislé na lingvistickém systému podporujícím údržbu informací o položce. To je založeno na studiích, které ukazují, že psycholingvistické faktory silně ovlivňují schopnost uchovávat informace o položce, zatímco pořadí vybavování zůstává relativně nedotčeno. Nedávné účty založené na jazyce však naznačují, že jazykový systém by mohl poskytnout mechanismy, které jsou dostatečné pro údržbu sériové objednávky. Silná verze těchto účtů postuluje údržbu sériového pořadí jako vynořující se ze vzoru aktivace vyskytujícího se v lingvistickém systému. V této studii jsme tento předpoklad testovali pomocí přístupu výpočetního modelování implementací architektury založené čistě na aktivaci. Testovali jsme tuto architekturu proti několika experimentům zahrnujícím manipulaci se sémantickou příbuzností, což je psycholingvistická proměnná, u které bylo prokázáno, že interaguje se sériovým zpracováním objednávek složitým způsobem. Ukazujeme, že tato architektura založená na aktivaci se snaží zohlednit interakce mezi sémantickými znalostmi a sériovým zpracováním objednávek. Tato studie nepodporuje aktivaci dlouhodoběPaměťjako exkluzivní mechanismus podporující údržbu sériové objednávky.

Klíčová slova: PrácePaměť. Sériová objednávka. Výpočtové modelování. Sémantické znalosti

Úvod

Schopnost udržovat sériové informace o objednávce je základní složkou verbální prácePaměť(WM). Mechanismy zapojené do udržování sériového pořadí (tj. sekvenční pořadí položek k zapamatování) byly považovány za nezávislé na těch, které se podílejí na udržování informací o položce (tj. jazykový obsah položek k zapamatování). položky). Tento předpoklad je podpořen různými směry výzkumu. Studie zkoumající dopad psycholingvistických faktorů, jako je lexikálnost, na verbální WM výkon, typicky pozorují účinky na vyvolání položky s minimálními účinky na vyvolání sériové objednávky (Allen & Hulme, 2006; Hulme, 2003;

Katedra psychologie, Univerzita v Curychu, Binzmühlestrasse 14, 8050, Curych, Švýcarsko

Univerzita v Lutychu, Lutych, Belgie

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

Fond pro vědecký výzkum – FRS-FNRS, Brusel, Belgie

Romština, Mcalpine, & Martin, 2008; Roodenrys, Hulme, Lethbridge, Hinton a Nimmo, 2002; Saint-Aubin & Ouellette, 2005; Walker & Hulme, 1999). Výkon sériového vyvolání objednávky je navíc silněji ovlivněn rytmickými a artikulačními rušivými úkoly než údržba informací o položce (Gorin, Kowialiewski, & Majerus, 2016; Henson, Hartley, Burgess, Hitch, & Flude, 2003). Neuropsychologické studie také uvedly existenci dvojitých disociací mezi sériovou objednávkou a výkonem při vyvolávání položek u několika pacientů s poraněním mozku a populací postižených neurovývojovými poruchami (Brock & Jarrold, 2005; Majerus, Attout, Artielle, & Kaa, 2015; Martinez Perez , Poncelet, Losos a Majerus, 2015). A konečně, udržování informací o položkách a sériových objednávkách je podporováno různými nervovými substráty, jak uvádí neurostimulační a neurozobrazovací studie (Attout, Fias, Salmon a Majerus, 2014; Guidali, Pisoni, Bolognini a Papagno, 2019; Kalm & Norris , 2014; Majerus a kol., 2010; Papagno a kol., 2017).

Jiné studie zároveň naznačují, že vyvolání sériového pořadí může také interagovat s lingvistickými znalostmi. Ačkoli lexikální znalosti výrazně zvyšují vybavování informací o položce, také omezují chyby při migraci fonémů v rámci položek a mezi nimi (Jefferies, Frankish, & Lambon Ralph, 2006). Stejně tak neslova, i když jsou ve srovnání se slovy na úrovni položky hůře zapamatovatelná, mohou vykazovat relativní výhodu, pokud jde o vyvolání sériové objednávky (Fallon, Mak, Tehan, & Daly, 2005; Kowialiewski & Majerus, 2018; Saint-Aubin & Poirier , 1999). Nedávno Kalm a Norris (2014) ukázali, že sériové pořadí neslov lze dekódovat na základě nervových vzorců vyvolaných v dorzálních jazykových drahách podporujících kódování a udržování verbálních informací. Podobně Papagno et al. (2017) prokázali, že výkonnost sériového vyvolání objednávky klesá ve srovnání s výkonností vyvolání položky, když je zadní část dorzální jazykové dráhy stimulována pomocí přímé elektrické stimulace u neurochirurgických pacientů.

Na teoretické úrovni se tvrdilo, že dočasnou údržbu informací o sériových objednávkách lze provádět bez potřeby specifické položky a reprezentativní úrovně sériové objednávky (Acheson & MacDonald, 2009; Jones & Macken, 2018; Schwering & MacDonald, 2020 ). Silná verze takového účtu předpokládá, že informace o sériových objednávkách jsou udržovány výhradně prostřednictvím vzoru aktivací, ke kterým dochází v rámci jazykového systému (Acheson, MacDonald, & Postle, 2011; Martin & Saffran, 1997; Poirier, Saint-Aubin, Mair, Tehan & Tolan, 2015). Například podle Martin & Saffran (1997, s. 672):

"V zásadě by při udržování sériového pořadí mohly hrát roli i interaktivní aktivační procesy. Uzel slova reprezentující první slovo v sekvenci je aktivován jako první, a proto má více času na získání podpory od aktivovaných fonologických a sémantických reprezentací ve srovnání s uzly, které jsou primovány." později v sekvenci. Slovní uzly by tedy měly vykazovat gradient úrovní aktivace napříč sériovými pozicemi. [ … ] Efekty aktuálnosti v supraspanovém vzpomínání odrážejí zvýšenou fonologickou podporu, která je způsobena skutečností, že v době vyvolání jsou úrovně aktivace terminálové položky byly méně ovlivněny funkcí rozpadu, která je vlastní aktivačnímu modelu."

Cistanche může zlepšit paměť

Podobně Acheson a kol. (2011, s. 45–46) navrhli, že k chybám sériového objednávání může dojít přímo prostřednictvím relativní úrovně aktivace položky v jazykové síti:

"Tyto interaktivní aktivační rámce poskytují potenciální vysvětlení toho, jak by sémantická reprezentace mohla ovlivnit pořadí plánů promluvy na lexikální úrovni. Když někdo uslyší slovo nebo sekvenci slov, aktivace z tohoto vstupu se současně posune vpřed do fonologických reprezentací a odešle zpět do také sémantické reprezentace. Po počátečním zakódování je lexikální aktivace určena opakovanou interakcí se sémantickými a fonologickými reprezentacemi. K chybám sériového řazení dochází, když se v důsledku této interakce změní relativní aktivační úrovně lexikálních jednotek."

Na základě této myšlenky Poirier et al. (2015) vypracovali propracovanější popis takových modelů, nazvaný účet ANet. Podle tohoto účtu jsou položky v seznamu k zapamatování postupně zakódovány v lingvistickém dlouhodobémPaměťsystém s klesající silou po aktivačním gradientu1, jak je znázorněno na obr. 1. Informace o sériovém pořadí jsou udržovány prostřednictvím tohoto aktivačního gradientu. Sériové vyvolání se provádí výběrem nejsilněji aktivované položky při každém pokusu o vyvolání. Vzhledem k tomu, že mechanismus výběru je hlučný, dochází nakonec k chybám sériového pořadí. Důležitou predikcí z tohoto modelu je, že modifikace úrovně aktivace položky v rámci lingvistického systému by také měla ovlivnit vzorec chyb sériového řazení ve WM (Achesonetal., 2011).

Zdá se, že nedávné důkazy tento teoretický postoj podporují. Poirier et al. (2015) manipulovali se sémantickou příbuzností tím, že v první polovině seznamů k zapamatování prezentovali trojice sémanticky příbuzných položek. Následující položky seznamů v kontrolním stavu významově nesouvisely (např. důstojník – odznak – siréna – hudba – turista – žlutá). V experimentálních podmínkách pátá položka sémanticky souvisela s trojitou desetinou první poloviny seznamu. Ve srovnání s kontrolní podmínkou autoři pozorovali nárůst chyb migrace páté položky směrem k dřívějším sériovým pozicím, tedy směrem k sémanticky souvisejícím tripletům slov. Autoři předpokládali, že vzhledem k tomu, že tyto sémanticky příbuzné triplety byly předaktivovány, sémanticky související cíl (tj. průnik aktivace v rámci semantické sítě ), tento cíl by měl mít vyšší úroveň aktivace v experimentálních podmínkách (obr. 1c) ve srovnání s kontrolními podmínkami (obr. 1b). Vzhledem k tomu, že vyvolání informací o sériové objednávce se provádí výběrem nejvíce aktivované položky, gradient aktivace v dlouhodobém horizontuPaměťmohl teoreticky předvídat více migrací sémanticky souvisejícího cíle směrem k dřívějším sériovým pozicím. Manipulace se sémantickou příbuzností jako taková je kritickým a přímým testem aktivačních modelů, protože se předpokládá, že modifikuje relativní vzorec aktivace, ke kterému dochází v lingvistickém systému. Tato relativní aktivace by měla zase ovlivnit zpracování informací o sériových objednávkách (Acheson et al., 2011), které data Poiriera a kolegů zřejmě podporují. Toto byla skutečně základní předpověď z jejich účtu Anet:

„V experimentu 1 jsme manipulovali s úrovní aktivace cílové položky, abychom otestovali předpověď, že by to zvýšilo chyby objednávky u této položky, takže je pravděpodobné, že mechanismus CQ [Competitive Queuing] vybere tuto položku dříve kvůli její zvýšené aktivaci. včasný výběr by znamenal, že aktivace ovlivnila pořadí, ve kterém byly položky stahovány." (Poirier et al., 2015, s. 492).

Obr. 1 Ilustrace aktivačního gradientu (a) ve sémanticky nesouvisejícím stavu, (b) ve stavu, ve kterém položky A, B a C sémanticky souvisí, a (c) ve stavu, ve kterém položky A, B, C a E jsou sémanticky příbuzné. Sémanticky související položky jsou označeny hvězdičkou. Jak je vidět, přítomnost sémantické příbuznosti zvyšuje úroveň aktivace položky pro související položky

Vzhledem k tomu, že tento teoretický výklad je v nápadném kontrastu s většinou výpočtových modelů WM, které kladou odlišné úrovně zpracování položek a sériových objednávek, bylo cílem této studie otestovat výpočetní věrohodnost čistě aktivačního lingvistického účtu pro reprezentaci sériových objednávek. informace v kontextu WM. Většina výpočetních modelů WM skutečně explicitně předpokládá existenci sériových objednávkových mechanismů, které se liší od mechanismů zapojených do informací o položkách. To je například případ architektur TBRS* a SOB-CS (Oberauer & Lewandowsky, 2011; Oberauer, Lewandowsky, Farrell, Jarrold, & Greaves, 2012), ale také výpočtové modely Burgess a Hitch (1999, 2006) a Brown, Hulme a Preece (2000). Tyto typy architektur se domnívají, že informace o sériovém pořadí jsou udržovány prostřednictvím vytváření asociací pozice položky, přičemž pozice jsou reprezentovány specifickými reprezentačními mechanismy. Tyto modely, i když se výrazně liší v povaze reprezentace sériové pozice, spolehlivě reprodukují důležité jevy sériového pořadí, včetně efektů primace a aktuálnosti a vzorců chyb transpozice.

což je kritický psycholingvistický faktor pro testování věrohodnosti čistě aktivační architektury. Abychom získali přehled o výpočetní architektuře, nejprve jsme předpokládali, že informace o sériovém pořadí jsou dlouhodobě udržovány prostřednictvím gradientu aktivace Primacy.Paměť(Martin & Saffran, 1997; Page & Norris, 1998; Poirier et al., 2015). Tuto architekturu jsme pak přizpůsobili přidáním laterálních excitačních spojení k modelovým sémantickým efektům.

Cistanche může zlepšit paměť

Výpočtové modelování

Architektura

Architektura, kterou jsme použili, je konekcionistický model složený z jedné vrstvy. Po zakódování se položka stane aktivní. K této aktivaci má dojít přímo v databázi znalostí dlouhodobé paměti. Sémanticky související položky jsou propojeny prostřednictvím přímých obousměrných excitačních spojení, jejichž věrohodnost modelovat sémantické efekty ve WM již byla prokázána ve třech nezávislých modelech (Haarmann & Usher, 2001; Kowialiewski & Majerus, 2020; Kowialiewski, Portrat a Lemaire , 2021). Položky jsou postupně aktivovány s klesající silou pomocí aktivačního gradientu. Každá zakódovaná položka automaticky rozšíří aktivaci na další sémanticky související položky. Vyvolání se provádí postupným načítáním každé položky podle její aktivační hodnoty. Pro jednoduchost jsme použili poslední implementaci modelu Primacy, kterou zpřístupnili Norris, Kalm a Hall (2020). Naše implementace architektury Julia, kterou navrhujeme, je volně dostupná na Open Science Framework (OSF): https://osf.io/9e4hu/.

Kódování V původním modelu Primacy se kódování řídí aktivačním gradientem, který označujeme V. Ten je definován špičkovou hodnotou a hodnotou kroku . Hodnota je volný parametr a představuje počáteční hodnotu, se kterou je spojena první položka. Hodnota představuje míru snížení hodnoty v každé fázi kódování. Tento parametr je pevně nastaven na 1. Například při hodnotě 20 je gradient aktivace [20, 19, 18, 17, 16, 15] pro seznam šesti položek. Všimněte si, že zkoušení není nikdy explicitně modelováno v modelu Primacy. To zahrnuje poslední implementaci Norrisem a kolegy. Aktivace v rámci modelu je jednoduše odvozena od toho, co by se dalo očekávat, kdyby teoreticky nastala zkouška.

Šíření aktivace Během kódování se aktivace šíří směrem k sémanticky souvisejícím uzlům. To je modelováno zahrnutím obousměrných budicích spojení. Síla těchto spojení je volný parametr, λ. V každé fázi kódování jsou položky aktivovány pomocí aktivačního gradientu V. Aktivace se pak šíří obousměrně v rámci sítě:

kde Ai představuje konečnou aktivační hodnotu spojenou s položkou i aAj je aktivace pocházející z každé sémanticky související položky j, škálovaná podle váhy spojení λ. Dolní index t představuje časové razítko.

Je důležité poznamenat, že nemáme v úmyslu explicitně reprezentovat sémantické znalosti. To, co hodláme reprezentovat prostřednictvím tohoto rozšiřujícího se aktivačního principu, je skutečnost, že sémanticky související položky se vzájemně reaktivují. Tato reaktivace má zase upravit relativní aktivaci položky, a tedy i vzorec chyb sériového pořadí (Acheson et al., 2011). Jinými slovy, úprava relativní úrovně aktivace položek v sémantické síti také změní vnitřní reprezentaci modelu jejich sériového pořadí.

Odvolání Poté, co byly všechny položky zakódovány, model musí položky získat. To se provádí pomocí konkurenčního mechanismu řazení do fronty.2 Vyvolání je dvoukrokový proces.

2 Poirier a kolegové navrhli, aby byl konkurenční mechanismus řazení do front modelován pomocí akumulátorového modelu podle Hurlstonea a Hitche (2015). Implementovali jsme takový konkurenční mechanismus řazení do front na principu akumulátoru (dostupný na OSF). To neposkytlo žádné vylepšení modelu, s výjimkou, že akumulátorový model poskytuje další příležitost k předpovědím latencí připomenutí, což přesahuje účel této studie. Proto jsme jednoduše zůstali u poslední dostupné implementace modelu Primacy.

Nejprve je položka vybrána jako potenciální kandidát. Tento proces podléhá hluku:

To je modelováno přidáním dočasného náhodného Gaussova šumu s nulovým středem k aktivaci každé položky se standardní odchylkou σ, volným parametrem. Poté se vybere nejvíce aktivovaná položka. V této fázi již dochází k potlačení odezvy (Duncan & Lewandowsky, 2005), a to nastavením vyvolávané položky na velmi nízkou hodnotu (tj. -999). Tím se zabrání tomu, aby model vyvolal položku dvakrát. Za druhé, aktivační hodnota vybrané položky se porovná s prahovou hodnotou pro vynechání. Tento práh je odvozen z náhodného Gaussova rozdělení N(θ, σ′), kde θ a σ′ jsou dva volné parametry. Pokud je aktivační hodnota vybrané položky (bez šumu přidaného během prvního kroku) nad prahovou hodnotou pro načtení, položka je správně vyvolána. V opačném případě dojde k vynechání. Je třeba zdůraznit, že tato implementace předpokládá, že potlačení odezvy se vždy použije během prvního kroku vyhledávání, bez ohledu na to, zda došlo k vynechání během druhého kroku. Tato volba implementace Norrisem a kol. (2020) pravděpodobně nebude věrohodný. Ale ze zkušeností, které jsme získali mnohanásobným spuštěním modelu, je to jediný způsob, jak model Primacy může při modelování realistických křivek sériové polohy vytvářet chyby vynechání. Všimněte si, že je možné vytvářet realistické sériové křivky polohy a přitom se vyhnout tomuto implementačnímu problému, aniž by to ovlivnilo základní předpoklady modelu. Pro jednoduchost jsme však raději zůstali u původní implementace. V době každého následného pokusu o odvolání se všechny položky rozpadají:

kde D je volný parametr v rozsahu od 0 do 1. Kvůli tomuto parametru decay jsou položky vyvolané později v seznamech více vystaveny šumu, protože aktivační hodnoty konvergují k asymptotě. Všechny parametry modelu jsou uvedeny v tabulce

1. Metoda

Soubory dat Platnost tohoto modelu byla testována na třech různých souborech dat: dva soubory dat (Kowialiewski et al., 2021; Kowialiewski & Majerus, 2020), které zahrnují sémantické a neutrální podmínky (tj. neutrální podmínka je sémanticky nesouvisející podmínka ), a data z Poirier et al. (2015), kterou jsme již popsali v Úvodu. Model je založen na několika parametrech, které částečně závisí na úloze. Parametry byly proto odhadnuty nezávisle pro každou sadu dat. Nejprve byly na základě neutrálu odhadnuty parametry, které nezávisí na sémantické příbuznosti

stavu, aby bylo možné získat základní model, který by byl schopen reprodukovat standardní výkon sériového stahování. Za druhé, sémantická podmínka byla použita k odhadu parametru λ, který řídí úroveň sémantické příbuznosti mezi položkami.

Celková procedura bodování Křivky sériové pozice jsou vykreslovány pomocí přísného kritéria sériového vyvolání, ve kterém je položka hodnocena jako správná pouze tehdy, je-li vyvolána na správné sériové pozici. Například s ohledem na cílovou sekvenci „Položka 1 – Položka 2 – Položka 3 – Položka 4 – Položka 5 – Položka 6“ a zpětný výstup „Položka 1 – Položka2 – prázdná – Položka 3 – Položka 4 – Položka 6“ budou hodnoceny pouze položky 1, 2 a 6 opravit. Abychom odpovídali experimentálním datům, použili jsme také kritérium stažení položky, ve kterém je položka hodnocena jako správná, pokud je správně vyvolána, nezávisle na její sériové poloze. Ve výše uvedeném příkladu by položky 1, 2, 3, 4 a 6 byly hodnoceny jako správné. Abychom vyhodnotili celkový dopad sémantické příbuznosti na výkon vyvolání objednávky, vypočítali jsme skóre vyvolání objednávky pro každou experimentální podmínku. To bylo provedeno vydělením počtu případů, kdy byly položky staženy na správné pozici (tj. přísné kritérium sériového stažení) počtem případů, kdy byly položky staženy, bez ohledu na jejich sériovou pozici (tj. kritérium stažení položky).

Rychlost transpozice Vzor transpozičních chyb v Poirier et al. (2015) studie byla vynesena pomocí transpozičních rychlostí. Vypočítali jsme počet transpozičních chyb, které se vyskytly pro položku 5 (která sémanticky nesouvisí s položkami 1, 2 a 3) a pro každou pozici, na kterou by mohla položka 5 migrovat. Tyto počty transpozičních chyb jsme pak vydělili celkovým počtem případů, kdy byla položka 5 odvolána. To bylo vypočítáno samostatně pro každou experimentální podmínku.

Odhad parametrů Odhad základních parametrů modelu byl proveden pomocí algoritmu simulovaného žíhání

(French & Kus, 2008; Kirkpatrick, Gelatt, & Vecchi, 1983) k nalezení nejnižší střední kvadratické chyby (RMSE) mezi experimentálním a simulovaným skóre vyvolání sériové pozice, na obou přísných a kritéria pro stažení položky. RMSE byla proto vždy vypočítána z 12 datových bodů: šest datových bodů pro kritérium striktního sériového vybavování a šest datových bodů pro kritérium vyvola- ní položek. Dolní a horní hranice každého volného parametru jsou uvedeny v tabulce 1. Odhad sémantického parametru λ byl mnohem jednodušší a vyžadoval pouze vyhledávání v mřížce v [0,0,1] s krokem 0,0001. Důležité je, že λ bylo vždy odhadováno při zachování konstantních základních parametrů modelu. Poté byla použita hodnota λ, která vytvořila nejmenší průměrný rozdíl mezi neutrálními podmínkami a experimentálními podmínkami k empirickým datům. Cílem bylo vybrat hodnotu λ, která vytváří rozdíl mezi neutrálním a experimentálním skóre podobným lidskému. Toto bylo operacionalizováno minimalizací mezery mezi průměrným rozdílem u lidí a průměrným rozdílem modelu. Nyní prezentujeme tři datové sady a také simulace těchto odpovídajících experimentů. Souhrn různých experimentálních podmínek s příklady seznamu studií je uveden v tabulce 2.

Hodnocení modelu

Dataset #1: Kowialiewski a Majerus (2020)

Data Tato datová sada byla použita k posouzení schopnosti modelu reprodukovat celkový dopad sémantické příbuznosti na výkon sériového vyvolávání a vybavování objednávky. Je dobře známo, že sémantická příbuznost silně zvyšuje výkon při vybavování na úrovni položek (viz Kowialiewski & Majerus, 2020, metaanalýza). Sémantická příbuznost má také malý škodlivý dopad na schopnost vyvolat informace o sériové objednávce, i když je efekt jemný (viz také

Ishiguro & Saito, 2020). V souladu s tím očekáváme, že architektura bude mít malý nebo žádný dopad na výkon při vybavování objednávek. Použili jsme data uvedená v Kowialiewski a Majerus (2020), kde manipulovali se sémantickou příbuzností na seznamech šesti položek za rušivých podmínek nebo v rámci úloh okamžitého sériového vyvolání. Byly hlášeny pouze výsledky posledního stavu.