Brukes langtidsminne i et visuo-spatialt endringsdeteksjonsparadigme?

For mer informasjon:ali.ma@wecistanche.com

Abstrakt

I tester avArbeidsminnemed verbale eller romlige materialer, gjenta det sammehukommelsesett på tvers av forsøk fører til forbedret minneytelse. Denne veletablerte "Hebb repetisjonseffekten" kunne ikke vises for visuelle materialer i tidligere forskning. Fraværet av Hebb-effekten kan forklares på to måter: Enten klarer en person ikke å tilegne seg en langtidsminnerepresentasjon av det gjentattehukommelsesett, eller de anskaffer seg slikelangtidsminnerepresentasjoner, men unnlater å bruke dem underArbeidsminneoppgave. I to eksperimenter (N1=18 og N2=30), hadde vi som mål å velge mellom disse to mulighetene ved å manipulere kunnskapen om langtidsminne til noen av minnesettene som brukes i en endringsdeteksjonsoppgave. Før endringsdeteksjonstesten lærte deltakerne tre arrays av farger til kriterium. Den påfølgende endringsdeteksjonstesten inneholdt både tidligere lærte og nye fargematriser. Ytelse for endringsdeteksjon var bedre enn tidligere lært sammenlignet med nye arrays, noe som viser detlangtidsminnebrukes i endringsdeteksjon.

Nøkkelord:Visuelt arbeidsminne. Langtidsminne. Forandringsdeteksjonsparadigme. Hebb repetisjonseffekt

Repetitio est mater studiorum – repetisjon er studiens mor. Dette grunnleggende prinsippet gjelder sannsynligvis for alle enheter som er i stand til å gjøre det vi kaller «læring»; dyr og mennesker, og til og med datamaskiner. Vanligvis krever læring repetisjon av noe målinformasjon, enten med vilje eller utilsiktet. På tvers av repetisjoner endres nevrale forbindelser i hjernen vår gradvis for å fange opp den gjentatte informasjonen.

Klikk for å Cistanche bruker for minne

Hvilken rolle har arbeidsminnet for læring? Over 6 tiår har flere teoretikere antatt at kortsiktig ellerArbeidsminne(WM) – et medium for midlertidig vedlikehold av informasjon – er inngangsporten til langtidsminnet (LTM), hvor informasjonen lagres permanent. Atkinson og Shiffrin (1968) antok at informasjon må passere gjennom "korttidsbutikken" inn i LTM. Baddeley et al. (1998) antok at den fonologiske loopen, en komponent av Baddeleys modell av WM, er en enhet for å lære nye ordformer. Nylig har Cowan (2019) understreket at vedlikehold av informasjon i WM innebærer ikke bare å aktivere eksisterende LTM-representasjoner, men også å danne nye. Forsberg et al. (2020) hevdet at den begrensede kapasiteten til WM danner en flaskehals for å tilegne seg ny kunnskap i LTM.

Et viktig verktøy for å studere WMs rolle i den gradvise tilegnelsen av kunnskap gjennom repetisjon er den såkalte Hebb repetisjonseffekten (Hebb, 1961). Hebb-repetisjonseffekten refererer til observasjonen at umiddelbar seriell tilbakekalling – en vanlig test av WM – gradvis forbedres for en minneliste som gjentas flere ganger i løpet av et eksperiment (f.eks. Hebb, 1961; Hitch et al., 2005; Page et al., 2006). Hebb-effekten ble opprinnelig observert i en oppgave med umiddelbar seriell tilbakekalling med verbale stimuli (Hebb, 1961), og er spesielt omtalt for dens bidrag til språklæring (Lafond et al., 2010; Szmalec et al., 2009). Andre studier fant det også med meningsfulle visuelle stimuli som oppreiste ansikter (Horton et al., 2008), og med sekvenser av romlige steder (f.eks. Couture & Tremblay, 2006; Gagnon et al., 2004; Page et al., 2006; Turcotte et al., 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 i den studien) enn den klassiske Hebb-effekten, som er robust etter omtrent 10 repetisjoner.

Den nåværende studien

Det er to mulige forklaringer på fraværet av Hebb-læring i endringsdeteksjonsoppgaven. For det første kan deltakerne unnlate å skaffe seg LTM-representasjoner omgjentatt minnematriser. For det andre kan deltakerne kode de gjentatte presenterte arrayene i LTM, men mislykkes i å bruke disse LTM-representasjonene i påfølgende endringsdeteksjonsforsøk ved å bruke de samme arrayene igjen. Det vil si at selv om deltakerne tilegner seg kunnskap som de kan forbedre ytelsen med på gjentatte arrays, gjør de det ikke. Noe bevis for den sistnevnte muligheten kommer fra to studier som viser at selv om endringsdeteksjon ikke ble bedre på gjentatte arrays, var deltakerne i stand til å gjenkjenne de gjentatte arrayene godt over tilfeldighetene i en end-of-experiment test (Fukuda & Vogel, 2019; Olson & Jiang, 2004).

I den nåværende studien tok vi sikte på å teste om langtidsminnerepresentasjoner brukes i et visuospatialt endringsdeteksjonsparadigme. Vi laget LTM-spor av tre seksfargede målmatriser A, B og C i en læringsfase. Vi sammenlignet deretter ytelsen i en påfølgende arbeidsminnetest mellom forsøk med en av disse målmatrisene, som beviselig har blitt lagret i LTM etter læringsfasen, og forsøk med tilfeldig genererte matriser (D) uten representasjon i LTM. Den eksperimentelle genereringen av LTM-spor utenfor endringsdeteksjonsprosedyren gjør det mulig å skille mellom to mulige utfall. Hvis disse representasjonene brukes, bør vi observere bedre endringsdeteksjonsnøyaktighet for lærte matriser sammenlignet med tilfeldige matriser. Hvis disse representasjonene ikke brukes, bør ikke nøyaktigheten til de lærte matrisene være forskjellig fra nøyaktigheten til tilfeldige matriser.

Metode

Deltakere

To ulike prøver deltok i henholdsvis eksperiment 1 og eksperiment 2. For eksperiment 1 besto utvalget av N=18 (Mage=22.6 år, SDage=2.89) universitetsstudenter fra Universitetet i Zürich. Eksperiment 2 registrerte N=30 (Mage=23 år, SDage=4.89) universitetsstudenter ved University of Zurich og Ulm University, hvorav én person ble ekskludert fra dataanalyse etter at læringsfasen på grunn av utilstrekkelig ytelse i læringsfasen (endelig N=29). Vårt valg av prøvestørrelser ble informert av N fra tidligere studier på Hebb-effekten. Vi bestemte oss for å øke prøvestørrelsen på eksperiment 2 for å øke sjansen vår for å måle en liten effekt av kunnskap som vi kunne ha gått glipp av i eksperiment 1. Begge eksperimentene ble annonsert via flyers og e-post. Deltakerne måtte være mellom 18 og 35 år og beherske tysk. Interesserte personer ble ekskludert fra deltakelse hvis de var fargeblinde eller hadde dårlig (dvs. ikke korrigert) syn.

Materialer og fremgangsmåte

Oppgavene til begge eksperimentene var designet for å studere det samme forskningsspørsmålet; Det ble imidlertid gjort noen små justeringer i oppgavene etter at forsøk 1 ble utført. Begge forsøkene besto av to deler. Den første var en læringsfase, der deltakerne ble instruert til å lære tre forskjellige fargematriser (merket henholdsvis A, B og C; for resten av denne artikkelen vil de bli kalt "målmatriser"). Etter det ble en endringsdeteksjonsoppgave administrert der noen forsøk brukte målmatrisene, og andre forsøk brukte nye tilfeldige matriser som minnesett.

Eksperiment 1 Læringsfasen av eksperiment 1 startet med den suksessive presentasjonen av de tre fargematrisene som skal læres i 10 s hver. Hver matrise besto av seks fargelapper, som ble fordelt like langt på en imaginær sirkel, og for å lette læringen ble hver matrise paret med en bokstav (henholdsvis A, B eller C) i midten av den imaginære sirkelen. For alle deltakerne ble fargene for hver matrise tilfeldig valgt fra et utvalg av 12 forskjellige farger (se tabell 1 for RGB-verdier).

Etter denne innledende presentasjonen av de tre matrisene, ble læringsfasen implementert ved hjelp av et klassisk endringsdeteksjonsparadigme. Vi bestemte oss for å la deltakerne lære matrisene på denne måten fordi vi ønsket at læringsopplevelsen skulle ligne WM-oppgaven. Denne prosedyren bør sikre en lav terskel for å bruke LTM-representasjonene under den påfølgende WM-testen fordi den optimerer overføringspassende behandling (Morris et al., 1977).

Forandringsdeteksjonsparadigmet administrert under læringsfasen er skjematisk presentert i fig. 1. Det besto av tre blokker med 24 forsøk hver. På tvers av alle blokkene startet hver prøveperiode med presentasjonen av et fikseringskryss i 1,000 ms, som var sentrert på skjermen. Deretter ble en av de tre målmatrisene presentert. Her varierte presentasjonstidene mellom de tre blokkene. I den første blokken ble målmatrisene presentert for 3500 ms, i den andre blokken for 2500 ms, og i den tredje blokken for 1500 ms. Etter presentasjonen av en målarray ble deltakerne presentert for en tom skjerm i ytterligere 1,000 ms. Deretter ble deltakerne presentert for en probe av målarrayen, bestående av en fargelapp i den første blokken, trefargelapper i den andre blokken, eller en komplett rekke med seks fargelapper i den tredje blokken. Deltakerne måtte indikere om den/de nå presenterte fargelappen(e) stemte overens med de for den komplette matrisen som tidligere ble presentert i samme posisjon. Responstiden var ikke begrenset. Det var tre typer forsøk: forsøk uten endring (samme fargelapp i samme posisjon), prøvebyttebytte (presentert fargelapp i en annen posisjon), og tilfeldig endringsforsøk (farger som ikke tidligere er presentert i målmatrisen i hvilken som helst stilling). Innenfor hver blokk var det 12 uendringsforsøk, seks bytteforsøk og seks tilfeldige endringsforsøk - rekkefølgen av prøvetypen ble randomisert. Hver matrise ble presentert åtte ganger per blokk, og rekkefølgen deres ble randomisert. Etter hvert forsøk ble det gitt tilbakemelding. Hvis et svar var riktig, ble deltakerne presentert med meldingen "Richtig!" (Riktig!), og neste rettssak fulgte. Hvis et svar var feil, ble deltakerne presentert med meldingen "Leider nicht Richtig! Så siehtdiekorrekte Anordnung us:" (Dessverre feil! Slik så den riktige arrayen ut:) og ble så igjen presentert med den komplette målarrayen for å gi en annen læringsmulighet. For å sikre læring av de tre målmatrisene, måtte deltakerne oppfylle et læringskriterium innenfor hver blokk, som var minimum 19 korrekt besvarte forsøk (av 24). Hvis deltakerne ikke klarte å oppfylle dette kriteriet, måtte de gjenta blokken der de ikke klarte å gjøre det. I tillegg, i begynnelsen av hver blokk, ble de tre målmatrisene igjen presentert i 10 s hver. På denne måten håpet vi å indusere en rimelig sterk LTM-representasjon av målmatrisene.

Når en deltaker oppfylte alle kriterier for læringsfasen, ble de presentert for instruksjonene for den påfølgende arbeidsminneoppgaven - nemlig en annen endringsdeteksjonsoppgave. Instruksjonene gjorde prosedyren for denne oppgaven tydelig nok en gang og sa eksplisitt at det ikke ville bli gitt flere tilbakemeldinger fremover. Generelt lignet endringsdeteksjonsparadigmet sterkt på læringsfasen. Hver utprøving startet med presentasjon av et fikseringskryss for 1,000 ms på en tom skjerm. Deretter ble det presentert en seksfarget matrise, men i motsetning til læringsfasen var presentasjonstiden nå 1,000 ms. Etter et oppbevaringsintervall på 1,000-ms, hvor skjermen var tom, ble en fargelapp vist som en sonde i posisjonen til et tilfeldig valgt matriseelement. Igjen måtte deltakerne indikere om den nå presenterte fargelappen samsvarte med fargeflekken til den komplette seks-farge-arrayen i samme posisjon. Responstiden var ikke begrenset. For denne arbeidsminneoppgaven ble det administrert 10 blokker med 18 forsøk hver. Før det måtte deltakerne gjennomføre 18 øvelsesforsøk.

Av de totalt 180 testforsøkene presenterte 90 forsøk en av målmatrisene A, B eller C (30 forsøk hver, nå presentert uten etiketter), og de andre 90 forsøkene var reservert for presentasjon av nye matriser (D), generert tilfeldig med den begrensningen at de ikke må være identiske med en av målmatrisene. Før oppgaven ble ikke deltakerne fortalt at de tidligere lærte matrisene kunne presenteres på nytt. På tvers av de 18 forsøkene per blokk var det omtrent 40 prosent ingen endring og 60 prosent endringsforsøk.1 Igjen ble prøvetyperekkefølgen og rekkefølgen av matriser randomisert innenfor hver blokk.

Eksperiment 2 startet med en lignende læringsfase som eksperiment 1. For å forbedre LTM-læringen la vi imidlertid til en blokk med læring og gjorde læringskriteriet for hver blokk strengere (minst 20 av 24 forsøk riktige). For en skjematisk oversikt over læringsforholdene, se fig. 2. Læringsfasen besto nå av fire blokker med 24 forsøk hver. De tre første blokkene var de samme som i eksperiment 1, bortsett fra at presentasjonstidene for målmatrisene på tvers av alle blokkene ble randomisert innenfor et område mellom 1,000 og 5,000 ms. Den fjerde blokken la til en ny læringsopplevelse: Deltakerne ble nå kun presentert med etikettene A, B eller C, etterfulgt av en komplett array-sonde. De måtte indikere om denne sonden samsvarte med matrisen de hadde lært å assosiere med det tidligere presenterte brevet. Denne læringsbetingelsen skulle sikre at deltakerne hadde bygget LTM-representasjoner av målmatrisene som de kunne hente på grunnlag av en vilkårlig gjenfinningskikk.

For å teste LTM etter læringsfasen la vi til en diskret gjenfinningsoppgave, der deltakerne ble presentert for bokstavhenvisninger til målmatrisene og seks tomme sirkler i posisjonene til fargeflekkene. De seks tomme sirklene ble merket etter hverandre, og deltakerne måtte velge riktig farge av et sett med 12 forskjellige farger, presentert ved siden av den tomme matrisen. Den merkede sirkelen ble deretter fylt med den valgte fargen hvis valget var riktig. Hvis et valg var feil, ble deltakerne varslet, og den faktisk riktige fargen ble fylt ut. På denne måten ble deltakerne nok en gang presentert for de komplette målmatrisene og kunne justere LTM-representasjonene av dem ytterligere.

Den følgende WM-fasen var nesten identisk med eksperiment 1. Vi reduserte presentasjonstidene til arrayene til 250 ms. I tillegg til det ble forholdet mellom probetypene endret på grunn av en programmeringsfeil fra et forhold på 40:60 mellom prober uten endring og endring til omtrent 70 prosent prober uten endring og omtrent 30 prosent endringsprober (delt i bytte endringer og tilfeldige endringer).

Etter WM-testen ble deltakerne igjen presentert for den diskrete gjenfinningsoppgaven, og en repetisjon av den nye fjerde blokken i læringsfasen, med bokstaver som signaler for målmatrisene, for å teste deres LTM-representasjoner av målmatrisene en. sist. Dette tillot oss å sammenligne tilgjengeligheten til målmatrisene i LTM både før og etter WM-oppgaven.

Den generelle prosedyren for begge eksperimentene var lik. Begge testøktene varte i omtrent 1,5–2 timer, og deltakerne ble kompensert med enten 15–22 CHF eller delvis kurspoeng. Før deltakelse ga alle deltakerne informert samtykke. Eksperimentene ble overvåket av trente forskningsassistenter. Oppgavene ble programmert inn og presentert via PsychoPy 2 (Peirce et al., 2019). Alle oppgaver og standardiserte instruksjoner ble presentert på dataskjermer med Full HD-oppløsning (1 920 × 1 080 piksler). Alle stimuli ble presentert på en grå bakgrunnsfarge, og deltakerne brukte merkede taster (- og<) on="" standard="" keyboards="" for="" responding="" to="" the="">

For begge eksperimentene gir både læringsfasen og WM-testen en dikotom avhengig variabel som indikerer nøyaktighet. Derfor analyserte vi dataene for WM-testene med logistiske regresjonsmodeller, der antall korrekte svar ble forutsagt av typen presenterte matriser (dvs. lærte målmatriser vs. ikke-lærte tilfeldige matriser). I tillegg til den faste effekten av denne prediktoren, inkluderte den fullstendige modellen en hovedeffekt av blokken, et interaksjonsledd av en arraytype med blokk, en tilfeldig effekt av emnet (dvs. tilfeldig avskjæring), samt en term for effekten av blokker og matrisetyper nestet innenfor emner (dvs. tilfeldige skråninger). Etter å ha spesifisert hele modellen, sammenlignet vi den med mer sparsommelige modeller for å evaluere bevisene for hver enkelt effekt ved hjelp av Bayes-faktorer for modellsammenligninger (Bürkner, 2017). Prioritetene for logistiske regresjonsmodeller med blandede effekter var Cauchy-priorer med en skala på 1/√2, oppnådd ved å justere anbefalingene til Gelman et al. (2008) (for flere detaljer om valg av skala for logistiske regresjonsmodeller, se Oberauer, 2019). Modellene ble estimert med 100,000 prøver, generert gjennom tre uavhengige Markov-kjeder, med 2,000 oppvarmingsprøver hver (dvs. 98,000 etteroppvarmingsprøver totalt).

Fordi i begge eksperimentene var andelen av samme og endringsforsøk ikke balansert, kunne deltakerne ha utviklet responsskjevheter, noe som ville forvrenge det proporsjonsriktige målet som en indeks for minnekvalitet. Derfor evaluerte vi også ytelse ved to målemodeller som skiller minnekvalitet fra skjevhet. Et mye diskutert skille mellom teorier om visuell WM er mellom de som antar en kontinuerlig varierende styrke eller presisjon av minnerepresentasjoner (Ma et al., 2014; Oberauer & Lin, 2017), og de som antar en binært skille mellom elementer som huskes og andre som ikke er det (Adam et al., 2017; Zhang & Luck, 2008). For å yte begge perspektivene rettferdighet, brukte vi en målemodell for signaldeteksjon for å måle minnekvalitet på en kontinuerlig skala av diskriminerbarhet, og en høyterskelmodell for å måle antall huskede gjenstander. Spesifikt beregnet vi d' (diskriminerbarhet) og c (responskriterium) fra signaldeteksjonsteori (basert på Macmillan, 1993; Stanislaw & Todorov, 1999), der vi korrigerte for ekstreme trefffrekvenser og ekstreme falske alarmfrekvenser (dvs. 0 eller 1; se Hautus, 1995). I tillegg beregnet vi Pmem (sannsynligheten for at en deltaker hadde det testede elementet i minnet) og g (gjette sannsynlighet for en «endring»-respons) fra en høyterskelmodell (Model 4 fra Cowan et al., 2013). Alle indekser ble beregnet for både lært og tilfeldig array-ytelse. Innenfor hvert eksperiment spådde vi de respektive indeksene ved hjelp av lineære regresjonsmodeller med matrisetype som prediktor og en tilfeldig effekt av motivet (dvs. tilfeldig avskjæring). Siden indeksene ble beregnet fra data som var samlet over alle forsøk, kunne vi ikke inkludere blokk som en prediktor i disse analysene.

Resultater

Eksperiment 1

Læringsfase I tabell 2 rapporterer vi nøyaktigheten for de ulike blokkene i læringsfasen. Sju personer måtte gjenta en av læringsblokkene én gang. Ingen personer måtte gjenta den siste læringsblokken, noe som indikerer god læring. Dette vises også av den synkende andelen feil fra blokk til blokk.

Arbeidsminneoppgave Deretter presenterer vi nøyaktighet på tvers av blokkene til arbeidsminneoppgaven (se fig. 3). Ytelsen på målmatriser var bedre enn på tilfeldige matriser på tvers av de fleste blokker. Videre observerte vi ikke en jevn økning av ytelsen på tvers av blokker spesifikt på målmatrisene på grunn av deres gjentatte presentasjoner på tvers av blokker, som forventet hvis deltakerne fortsatte å lære disse matrisene under endringsdeteksjonsoppgaven.

For de lærte matrisene gjorde deltakerne 9,5 prosent feil i gjennomsnitt på tvers av alle blokkene, mens de gjorde 13,7 prosent feil i gjennomsnitt for de tilfeldige matrisene. Dette tilsvarer en standardisert effektstørrelse på d=−.50 med en bred 95 prosent CI [−1.05, .05]. Bayes-faktorene som tilsvarer modellsammenlikningene for logistiske regresjonsmodeller med og uten spesifikke effekter er presentert i tabell 3. Bare hovedeffekten av arraytype ble støttet av denne analysen, noe som betyr at deltakerne totalt sett viste bedre ytelse på lærte arrays (tilsvarende parameterestimater finnes i tabell 4).

Eksperiment 2

Læringsfase I tabell 5 rapporterer vi beskrivende statistikk over prestasjoner i læringsfasen. Tjueto deltakere måtte gjenta minst én av læringsfasene, da de ikke nådde det justerte kriteriet på minst 20 forsøk korrekt. Antall repetisjoner for en-probe-tilstanden varierte fra 1 til 6, mens antall repetisjoner for tre-probe-tilstanden varierte fra 1 til 4. Vi observerte imidlertid en klar trend med forbedring på tvers av læringsblokkene, noe som indikerer vellykket læring . Ingen deltakere måtte gjenta de to siste læringsblokkene.

Umiddelbart etter læringsfasen måtte deltakerne reprodusere de tidligere lærte matrisene ved manuelt å plukke ut farger for hver posisjon i en matrise. For totalt 18 som skal fylles ut fargelapper (seks per målarray), hadde deltakerne en gjennomsnittlig korrekt på 67 prosent (SD=47 prosent ). Dette viser at deltakerne var i stand til å overføre kunnskapen sin om målarrayene til en annen modus for gjenfinning (fra endringsdeteksjon til gjenkalling). Denne diskrete gjenfinningsoppgaven ble gjentatt etter WM-testen. Sammenlignet med den første gjenfinningsoppgaven rett etter læringsfasen, ble deltakernes ytelse forbedret. For denne siste diskrete gjenfinningsoppgaven ble 93 prosent av fargeflekkene gjengitt korrekt i gjennomsnitt (SD=44,3 prosent ). En Bayesiansk t-test for parede prøver angående antall riktige valg avslørte svake bevis for bedre ytelse i den andre diskrete gjenfinningsoppgaven sammenlignet med den første (BF=3.59). Dette resultatet viser at LTM-spor av målarrayene ikke avtok gjennom hele WM-testen.

Til slutt ble deltakernes hukommelse om arrayene vurdert en siste gang helt på slutten av eksperimentet ved å gjenta den siste blokken i læringsfasen, hvor de kun ble presentert for bokstavsignaler i et endringsdeteksjonsparadigme. De svarte riktig på 93 prosent av 24 forsøk, noe som indikerer svært nøyaktig og tilgjengelig kunnskap om målmatrisene.

Arbeidsminneoppgave I fig. 4 presenterer vi ytelse på tvers av blokkene til endringsdeteksjonsoppgaven. Den kombinerte gjennomsnittlige ytelsen til de tre matrisene var bedre enn for de tilfeldige matrisene i de fleste blokkene. I gjennomsnitt gjorde deltakerne 17,5 prosent feil for de lærte matrisene, mens de gjorde 23,4 prosent feil i gjennomsnitt for de tilfeldige matrisene. Dette tilsvarer en standardisert effektstørrelse på d=-.55 med en 95 prosent CI [-.98, -.11]. Sammenlignet med effektstørrelsen til eksperiment 1, er den standardiserte gjennomsnittlige forskjellen i eksperiment 2 litt større. I tillegg var det en tendens til at fordelen med målmatriser økte på tvers av blokker, som lignet en Hebb-effekt.

Vennligst finn Bayes-faktorene for modellsammenlikningene for de logistiske regresjonsmodellene i Tabell 6. Vi fant avgjørende bevis for hovedeffekten av matrisetype. Det var moderat bevis mot hovedeffekten av blokken, og mot interaksjonen mellom begge prediktorene. Den endelige modellen inkluderte dermed hovedeffekten av array-type og den tilfeldige avskjæringen (dvs. den tilfeldige effekten av emnet), og de tilsvarende parameterestimatene finnes i tabell 7.

Skille minnekvalitet fra responsbias

I tabell 8 presenterer vi de ovennevnte endringsdeteksjonsmålingsmodellindeksene for hvert eksperiment, atskilt etter matrisetype. I tillegg til den beskrivende statistikken rapporterer vi de tilsvarende effektstørrelsene for hver indeks per eksperiment, og Bayes-faktorene som gjenspeiler bevisene for hovedeffekten av arraytype

I eksperiment 1 var deltakernes diskrimineringsindeks d' større på innlærte arrays enn på tilfeldige arrays; i eksperiment 2 var det ingen bevis for å støtte den forskjellen. Responskriteriene (c) i begge forsøkene var sammenlignbare, og indikerer en liten skjevhet mot å rapportere en endring i forsøkene. Ettersom responskriteriene for begge eksperimentene var store av samme størrelsesorden, hadde de forskjellige forholdene mellom samme og endringsforsøk i de to eksperimentene liten effekt på deltakernes oppførsel. Vi fant bevis i begge eksperimentene på at responskriteriene ble redusert for innlærte arrays, noe som betyr at tendensen til å indikere en endring var betydelig mindre for arrays med LTM-representasjoner.

Når det gjelder målemodellen med høy terskel, var sannsynligheten for å ha det testede elementet i minnet, Pmem, høyere for innlærte enn for ikke-lærte matriser i begge eksperimentene. På samme måte ble gjettesannsynligheten (g) for å gjette "endring" redusert for innlærte matriser i forhold til ikke-lærte matriser. Dette var spesielt tilfellet for eksperiment 2, mens bevisene i eksperiment 1 var tvetydige. Til sammen konvergerte begge målemodellene konklusjonen om at innlærte arrayer skilte seg fra ikke-lærte arrays både i minnekvalitet og skjevhet. Når det ble gjort rede for skjevhet, viste ikke d'-indeksen lenger en troverdig effekt av læring i eksperiment 2. I eksperiment 1 viste både d' og Pmem en troverdig effekt av læring. Vær oppmerksom på at de observerte forskjellene i alle målemodellindekser mellom eksperimenter ikke var betydelige, som indikert av Bayesianske t-tester for uparrede prøver (de tilsvarende BF-ene varierte fra 0,32 til 2,8)

Diskusjon

Med to eksperimenter undersøkte vi om informasjon om visuelle matriser lagret i langtidsminnet var nyttig for påfølgende ytelse i en endringsdeteksjonsoppgave ved bruk av disse matrisene. Vi induserte langtidsminnerepresentasjoner før et endringsdeteksjonsparadigme og sikret at det ble robust lært. I tillegg ble de lagrede arrayene gjentatt ytterligere i løpet av arbeidsminneoppgaven, noe som muliggjorde videre læring. Hvis kunnskap om målmatrisene tilegnet i læringsfasen ble brukt i arbeidsminnetesten, skulle ytelsen på de lærte matrisene være bedre enn på tilfeldige matriser. I tillegg, hvis folk fortsatte å lære om målmatrisene gjennom repetisjonen i arbeidsminnetesten, ville ytelsen deres for endringsdeteksjon stadig forbedres i løpet av gjentakelser av matrise.

Til sammen viste funnene fra begge eksperimentene klare bevis for antakelsen om at allerede eksisterende LTM-representasjoner av visuospatiale stimuli (dvs. fargematriser) er gunstige for arbeidsminneytelse under et endringsdeteksjonsparadigme. I begge eksperimentene identifiserte vi hovedeffekten av matrisetype. Ytelse for endringsdeteksjon var bedre enn tidligere lært sammenlignet med nye arrays, noe som viser at langtidsminne brukes i endringsdeteksjon. Det var ingen bevis for videre læring under arbeidsminnefasen i begge forsøkene.

Hvorfor viste de fleste tidligere studier ingen bevis for læring i endringsdeteksjonsoppgaver? Eksperimentene våre utelukker én forklaring, som er at folk lærer de gjentatte matrisene, men ikke bruker kunnskapen sin til beslutninger om endringsdeteksjon. Dette etterlater alternativet at folk ikke lærer de gjentatte matrisene, eller i det minste ikke lærer dem tilstrekkelig godt. Det er grunner til å tro at noe kumulativ læring av gjentatte matriser forekommer. Den ene er at Shimi og Logie (2019) fant en gradvis forbedring av endringsdeteksjon over 60 eller flere repetisjoner av samme array. Ytterligere bevis kommer fra studiene til Olson og Jiang (2004) og Fukuda og Vogel (2019). Selv om begge studiene ikke fant noen klare bevis på at ytelsen på gjentatte arrays under en endringsdeteksjonsoppgave var overlegen sammenlignet med tilfeldige arrays, var deltakerne i begge studiene i stand til å identifisere de gjentatte arrayene under en oppfølgingsgjenkjenningstest ved sjansen ovenfor. nivå. Dette betyr at i det minste noe læring for den gjentatte informasjonen må ha skjedd under eksperimentene, men tilsynelatende ikke nok til å gjøre den kunnskapen nyttig for endringsdeteksjon.

Dette kan skyldes at deltakerne i de siste gjenkjennelsestestene til de tidligere studiene måtte skille gjentatte arrays fra tilfeldig komponerte nye arrays, som de skilte seg fra i flere elementer, mens endringsprobene til endringsdeteksjonsoppgaven skilte seg fra de presenterte arrayene. i bare ett element. Folk kan ha tilegnet seg delvis kunnskap om den gjentatte matrisen - for eksempel kunnskap om par eller trillinger av farger - som er tilstrekkelig til å skille dem fra helt nye matriser, men som sjelden hjelper til med å oppdage en enkelt endring. En annen mulighet er at kunnskapen som er tilegnet om gjentatte arrays er svak slik at den er treg å hente. I endringsdeteksjonstesten kan det være et kappløp mellom henting av den nettopp presenterte matrisen fra WM og henting av et matchende spor fra LTM. Hvis henting fra LTM er mye tregere enn henting fra WM, ville den sjelden vinne løpet. Derimot, i den endelige gjenkjennelsestesten, er bare LTM tilgjengelig, og derfor vil folk sannsynligvis ta seg tid til å hente og bruke den. Uansett, LTM-representasjonene som bygges gradvis fra å oppleve gjentatte arrays under endringsdeteksjon akkumuleres veldig sakte – mye langsommere enn i typiske Hebb-repetisjonseksperimenter – og gir derfor ikke ytelsen til endringsdeteksjon med mindre antall repetisjoner overstiger ca. 50. I motsetning til dette. , kunnskap ervervet i en egen læringsfase, som i våre eksperimenter, er sterk nok til å være nyttig i endringsdeteksjon fra starten.

Den dårlige læringsraten står i kontrast til den ganske raske læringen som observeres i Hebb-repetisjonsparadigmet med andre typer materialer (verbale gjenstander, romlige steder, ansikter) og andre testprosedyrer (dvs. seriell tilbakekalling eller rekonstruksjon). Derfor er det ikke nok å opprettholde et sett med elementer i WM for å fremme rask læring. Noe annet om informasjonen som skal læres, eller prosedyren for å teste WM, må påvirke læringshastigheten. En mulighet reist av Logie et al. (2009) er at i endringsdeteksjon forstyrrer endringsprobene langtidsminnerepresentasjonen av gjentatte arrays, og bremser derved læringen. En annen mulighet antydes av en fortsatt upublisert serie med eksperimenter av Souza og Oberauer (2021): Robust Hebbs læring av visuelle arrayer ble observert bare hvis alle array-elementer ble testet på hver prøve. Det kan være at LTM først og fremst bygges når vi henter informasjon fra WM eller LTM (Sutterer & Awh, 2016), og derfor går læring under endringsdeteksjon sakte, fordi hver prøve bare involverer en enkelt test.

Konklusjon

Når sterk og omfattende kunnskap om visuelle arrays er tilgjengelig i LTM, brukes den i en endringsdeteksjonsoppgave. Fraværet av en typisk Hebb-repetisjonseffekt med visuelle arrays (Fukuda & Vogel, 2019; Logie et al., 2009; Olson & Jiang, 2004) forklares best av at folk ikke klarer å lære de komplette arrayene sterkt nok over et begrenset antall repetisjoner .