Да ли се дугорочна меморија користи у парадигми за откривање визуелно-просторних промена?

За више информација:ali.ma@wecistanche.com

Апстрактан

У тестовима заради меморијаса вербалним или просторним материјалима, понављајући истомеморијасетови у испитивањима доводи до побољшаних перформанси меморије. Овај добро успостављени „Хебов ефекат понављања“ није могао бити приказан за визуелне материјале у претходним истраживањима. Одсуство Хебовог ефекта може се објаснити на два начина: или особа не успева да стекне дугорочну репрезентацију поновљене меморије.меморијаскупова, или они набављају такведугорочно памћењерепрезентације, али не успевају да их користе токомради меморијазадатак. У два експеримента (Н1=18 и Н2=30), желели смо да се одлучимо између ове две могућности манипулисањем знањем о дуготрајној меморији неких скупова меморије који се користе у задатку откривања промена. Пре теста детекције промена, учесници су научили три низа боја према критеријуму. Следећи тест детекције промена је садржао и претходно научене и нове низове боја. Перформансе детекције промена биле су боље на претходно наученим у поређењу са новим низовима, што показује тодугорочно памћењесе користи у откривању промена.

Кључне речи:Визуелна радна меморија. Дугорочно памћење. Парадигма откривања промена. Хебов ефекат понављања

Репетитио ест матер студиорум—понављање је мајка учења. Овај фундаментални принцип се вероватно примењује на све субјекте који су у стању да раде оно што ми зовемо „учење“; животиње и људи, па чак и компјутери. Обично учење захтева понављање неких циљних информација, било намерно или ненамерно. Током понављања, неуронске везе у нашем мозгу постепено се мењају да би ухватиле поновљене информације.

Цлицк то Цистанцхе користи за меморију

Која је улога радне меморије за учење? Током 6 деценија, неколико теоретичара је претпостављало да краткорочни илиради меморија(ВМ)—медиј за привремено одржавање информација—је капија у дуготрајну меморију (ЛТМ), где се информације трајно чувају. Аткинсон и Схиффрин (1968) су претпоставили да информације морају да прођу кроз „краткорочно складиште“ у ЛТМ. Бадделеи и др. (1998) су поставили хипотезу да је фонолошка петља, компонента Бадделијевог модела ВМ, уређај за учење нових облика речи. Недавно је Цован (2019) нагласио да одржавање информација у ВМ укључује не само активирање постојећих ЛТМ репрезентација већ и формирање нових. Форсберг и др. (2020) су тврдили да ограничени капацитет ВМ-а представља уско грло за стицање нових знања у ЛТМ.

Важан алат за проучавање улоге ВМ у постепеном стицању знања кроз понављање је такозвани Хебов ефекат понављања (Хебб, 1961). Хебов ефекат понављања се односи на запажање да се тренутно серијско присећање – уобичајени тест ВМ – постепено побољшава за листу меморије која се понавља неколико пута током експеримента (нпр. Хебб, 1961; Хитцх ет ал., 2005; Паге ет ал., 2006). Хебов ефекат је првобитно примећен у задатку непосредног серијског присећања са вербалним стимулансима (Хебб, 1961), а посебно се разматра због његовог доприноса учењу језика (Лафонд ет ал., 2010; Сзмалец ет ал., 2009). Друге студије су то откриле и са значајним визуелним стимулансима као што су усправна лица (Хортон ет ал., 2008) и са секвенцама просторних локација (нпр. Цоутуре & Тремблаи, 2006; Гагнон ет ал., 2004; Паге ет ал., 2006; Турцотте ет ал., 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 у тој студији) од класичног Хеббовог ефекта, који је робустан након око 10 понављања.

Ова студија

Постоје два могућа објашњења за одсуство Хебовог учења у задатку откривања промена. Прво, учесници би могли пропустити да стекну ЛТМ репрезентације опоновљено памћењенизови. Друго, учесници могу да кодирају више пута представљене низове у ЛТМ, али не успеју да користе ове ЛТМ репрезентације у наредним покушајима откривања промена користећи исте низове поново. То јест, иако учесници стичу знања помоћу којих би могли да побољшају своје перформансе на поновљеним низовима, они то не чине. Неки докази за ову последњу могућност потичу из две студије које показују да, иако се откривање промена није побољшало на поновљеним низовима, учесници су били у стању да препознају поновљене низове знатно изнад шансе у тесту на крају експеримента (Фукуда & Вогел, 2019; Олсон и Јианг, 2004).

У тренутној студији, имали смо за циљ да тестирамо да ли се репрезентације дугорочне меморије користе у парадигми откривања визуелнопросторних промена. Направили смо ЛТМ трагове три циљна низа са шест боја А, Б и Ц у фази учења. Затим смо упоредили перформансе у следећем тесту радне меморије између покушаја који су користили један од ових циљних низова, који су очигледно сачувани у ЛТМ након фазе учења, и испитивања са насумично генерисаним низовима (Д) без репрезентације у ЛТМ. Експериментално генерисање ЛТМ трагова ван процедуре откривања промена омогућава разликовање два могућа исхода. Ако се користе ови прикази, требало би да приметимо бољу тачност детекције промена за научене низове у поређењу са случајним низовима. Ако се ови прикази не користе, онда тачност научених низова не би требало да се разликује од тачности случајних низова.

Метод

Учесници

Два различита узорка су учествовала у експерименту 1 и експерименту 2. За експеримент 1, узорак се састојао од Н=18 (Маге=22.6 година, СДаге=2.89) студената са Универзитета у Цириху. Експеримент 2 је укључио Н=30 (Маге=23 година, СДаге=4.89) студената Универзитета у Цириху и Универзитета Улм, од којих је једна особа искључена из анализе података након фаза учења због недовољног учинка у фази учења (коначно Н=29). Наш избор величина узорка је био заснован на Н претходних студија о Хебб ефекту. Одлучили смо да повећамо величину узорка Експеримента 2 да бисмо повећали наше шансе да измеримо мали ефекат знања који смо можда пропустили у Експерименту 1. Оба експеримента су рекламирана путем летака и е-поште. Учесници су морали да имају између 18 и 35 година и да течно говоре немачки. Заинтересоване особе су искључене из учешћа, ако су далтонисти, или имају слаб (тј. неисправљен) вид.

Материјали и поступак

Задаци оба експеримента су осмишљени да проучавају исто истраживачко питање; међутим, извршена су нека мала прилагођавања задатака након спроведеног Експеримента 1. Оба експеримента су се састојала из два дела. Прва је била фаза учења, у којој су учесници добили упутства да науче три различита низа боја (означене са А, Б и Ц, респективно; у остатку овог рада они ће се звати "циљани низови"). Након тога, администриран је задатак откривања промена у којем су нека испитивања користила циљне низове, а друга су користила нове насумичне низове као меморијске скупове.

Експеримент 1 Фаза учења Експеримента 1 почела је узастопним представљањем три низа боја које треба научити у трајању од 10 с. Сваки низ се састојао од шест закрпа у боји, које су биле распоређене на једнакој удаљености на замишљеном кругу, а да би се олакшало учење, сваки низ је био упарен са словом (А, Б или Ц, респективно) у центру замишљеног круга. За све учеснике, боје за сваки низ су насумично изабране из узорка од 12 различитих боја (погледајте табелу 1 за РГБ вредности).

Након овог почетног излагања три низа, фаза учења је спроведена помоћу класичне парадигме детекције промена. Одлучили смо да учесници науче низове на овај начин јер смо желели да искуство учења личи на ВМ задатак. Ова процедура би требало да обезбеди низак праг за коришћење ЛТМ репрезентација током следећег ВМ теста јер оптимизује обраду прикладну за пренос (Моррис ет ал., 1977).

Парадигма детекције промена која се примењује током фазе учења је шематски представљена на слици 1. Састојала се од три блока са по 24 покушаја. У свим блоковима, сваки оглед је почео представљањем фиксационог крста у трајању од 1,000 мс, који је био центриран на екрану. Затим је представљен један од три циљна низа. Овде је време презентације варирало између три блока. У првом блоку циљни низови су представљени на 3.500 мс, у другом блоку на 2.500 мс, ау трећем блоку на 1.500 мс. Након представљања циљног низа, учесницима је приказан празан екран још 1,000 мс. Након тога, учесницима је представљена сонда циљног низа, која се састоји од једне закрпе у боји у првом блоку, тробојних закрпа у другом блоку или комплетног низа од шест закрпа у боји у трећем блоку. Учесници су морали да наведу да ли се сада представљене закрпе у боји поклапају са онима из комплетног низа претходно представљених на истој позицији. Време одговора није било ограничено. Постојале су три врсте покушаја: покушаји без промене (иста закрпа у боји на истој позицији), покушаји замене (представљена закрпа боје на другој позицији) и покушаји са насумичном променом (боје које раније нису биле представљене у циљном низу у било који положај). Унутар сваког блока било је 12 покушаја без промене, шест покушаја замене и шест покушаја са насумичном променом — редослед типа испитивања је био насумичан. Сваки низ је представљен осам пута по блоку, а њихов редослед је био насумичан. Након сваког испитивања даване су повратне информације. Ако је одговор био тачан, учесницима је представљена порука "Рицхтиг!" (Тачно!), а уследило је следеће суђење. Ако је одговор био нетачан, учесницима је представљена порука "Леидер ницхт Рицхтиг! Со сиехтдиекорректе Анорднунг ус:" (Нажалост нетачно! Овако је изгледао исправан низ:) и затим им је поново представљен комплетан циљни низ како би се обезбедио други могућност учења. Да би се осигурало учење три циљна низа, учесници су морали да испуне критеријум учења унутар сваког блока, који је био најмање 19 тачних одговора (од 24). Уколико учесници нису испунили овај критеријум, морали су да понове блок у којем то нису испунили. Поред тога, на почетку сваког блока, три циљна низа су поново представљена по 10 с. На овај начин, надали смо се да ћемо изазвати разумно јаку ЛТМ репрезентацију циљних низова.

Када је учесник испунио све критеријуме фазе учења, презентована су му упутства за следећи задатак радне меморије – наиме, други задатак откривања промена. Упутства су још једном разјаснила процедуру овог задатка и експлицитно навели да убудуће више неће давати повратне информације. Генерално, парадигма откривања промена је јако личила на фазу учења. Свако испитивање је почело представљањем фиксационог крста у трајању од 1,000 мс на празном екрану. Затим је представљен низ од шест боја, али за разлику од фазе учења, сада је време презентације било 1,000 мс. После интервала задржавања од 1,000-мс, током којег је екран био празан, једна закрпа у боји је приказана као сонда на позицији насумично изабране ставке низа. Опет, учесници су морали да назначе да ли се сада представљена закрпа у боји поклапа са закрпом у боји комплетног низа од шест боја на истој позицији. Време одговора није било ограничено. За овај задатак радне меморије администрирано је 10 блокова са по 18 покушаја. Пре тога, учесници су морали да заврше 18 вежби.

Од укупно 180 тестних испитивања, 90 испитивања представљало је један од циљних низова А, Б или Ц (свако по 30 испитивања, сада представљених без њихових ознака), а осталих 90 испитивања је било резервисано за представљање нових низова (Д), генерисани насумично са ограничењем да не смеју бити идентични једном од циљних низова. Пре задатка, учесницима није речено да се претходно научени низови могу поново представити. У 18 покушаја по блоку, било је приближно 40 процената без промена и 60 процената покушаја са променама.1 Опет, редослед типова испитивања и редослед низова су насумично распоређени унутар сваког блока.

Експеримент 2 је почео са сличном фазом учења као Експеримент 1. Међутим, да бисмо побољшали ЛТМ учење, додали смо још један блок учења и учинили критеријум учења за сваки блок строжијим (најмање 20 од 24 испитивања тачним). За шематски преглед услова учења погледајте слику 2. Фаза учења се сада састојала од четири блока са по 24 покушаја. Прва три блока била су иста као у експерименту 1, осим што су времена презентације за циљне низове у свим блоковима насумично распоређена у опсегу између 1,000 и 5,000 мс. Четврти блок је додао ново искуство учења: Учесницима су сада представљене само ознаке А, Б или Ц, након чега је следила комплетна сонда низа. Морали су да назначе да ли ова сонда одговара низу који су научили да повежу са претходно представљеним писмом. Овај услов учења треба да обезбеди да су учесници изградили ЛТМ репрезентације циљних низова које би могли да пронађу на основу произвољног трага за проналажење.

Да бисмо тестирали ЛТМ након фазе учења, додали смо задатак дискретног преузимања, у којем су учесницима представљени знакови слова циљних низова и шест празних кругова на позицијама закрпа у боји. Шест празних кругова је обележено један за другим, а учесници су морали да изаберу тачну боју из сета од 12 различитих боја, представљених поред празног низа. Означени круг је тада попуњен изабраном бојом ако је избор био тачан. Ако је избор био нетачан, учесници су били обавештени и попуњена је стварно тачна боја. На овај начин, учесницима су још једном представљени комплетни циљни низови и могли су даље да прилагоде своје ЛТМ репрезентације.

Следећа ВМ фаза је била скоро идентична Експерименту 1. Времена презентације низова смо смањили на 250 мс. Поред тога, однос типова сонди је промењен због грешке у програмирању са односа од 40:60 између сонди без промене и промене на приближно 70 процената сонди без промене и приближно 30 процената сонди за промену (раздвојених на замену промене и случајне промене).

Након ВМ теста, учесницима је поново представљен задатак дискретног проналажења и понављање новог четвртог блока фазе учења, са словима као знаковима за циљне низове, како би тестирали своје ЛТМ репрезентације циљних низова један. последњи пут. Ово нам је омогућило да упоредимо доступност циљних низова у ЛТМ-у и пре и после ВМ задатка.

Општи поступак за оба експеримента био је сличан. Обе тестне сесије су трајале отприлике 1,5–2 сата, а учесници су били надокнађени или са 15–22 ЦХФ или са делимичним кредитом за курс. Пре учешћа, сви учесници су дали информисани пристанак. Експерименте су надгледали обучени истраживачи асистенти. Задаци су програмирани и представљени путем ПсицхоПи 2 (Пеирце ет ал., 2019). Сви задаци и стандардизована упутства представљени су на екранима рачунара са Фулл ХД резолуцијом (1.920 × 1.080 пиксела). Сви стимуланси су представљени на сивој боји позадине, а учесници су користили означене тастере (- и<) on="" standard="" keyboards="" for="" responding="" to="" the="">

За оба експеримента, и фаза учења и ВМ тест, обезбеђују дихотомну зависну променљиву која указује на тачност. Због тога смо анализирали податке за ВМ тестове са моделима логистичке регресије, у којима је број тачних одговора био предвиђен према типу приказаних низова (тј. научени циљни низови наспрам ненаучених насумичних низова). Поред фиксног ефекта овог предиктора, пун модел је укључивао главни ефекат блока, термин интеракције типа низа са блоком, случајни ефекат субјекта (тј. случајни пресрет), као и термин за ефекат блокова и типова низова угнежђених унутар субјеката (тј. насумични нагиби). Након што смо специфицирали потпуни модел, упоредили смо га са штедљивијим моделима да бисмо проценили доказе за сваки појединачни ефекат помоћу Бајесових фактора за поређење модела (Буркнер, 2017). Приори за моделе логистичке регресије мешовитих ефеката били су Цауцхи приори са скалом од 1/√2, добијени прилагођавањем препорука Гелмана ет ал. (2008) (за више детаља о избору скале за моделе логистичке регресије, погледајте Оберауер, 2019). Модели су процењени са 100,000 узорака, генерисаних кроз три независна Марковљева ланца, са по 2,000 узорка за загревање (тј. 98,000 узорака после загревања укупно).

Пошто у оба експеримента пропорција истих и покушаја промене није била уравнотежена, учесници су могли да развију пристрасност одговора, што би искривило меру тачне пропорције као индекса квалитета меморије. Стога смо такође проценили перформансе помоћу два модела мерења који одвајају квалитет меморије од пристрасности. Подела о којој се много дискутује између теорија визуелног ВМ-а је између оних које претпостављају континуирано променљиву снагу или прецизност меморијских репрезентација (Ма ет ал., 2014; Оберауер & Лин, 2017) и оних које претпостављају бинарна разлика између ставки које се памте и других које нису (Адам ет ал., 2017; Зханг & Луцк, 2008). Да бисмо испунили обе перспективе, применили смо модел мерења детекције сигнала за мерење квалитета меморије на континуираној скали дискриминабилности и модел високог прага за мерење броја запамћених ставки. Конкретно, израчунали смо д' (дискриминабилност) и ц (критеријум одговора) из теорије детекције сигнала (на основу Мацмиллан, 1993; Станислав & Тодоров, 1999), где смо исправили екстремне стопе погодака и екстремне стопе лажних аларма (тј. 0 или 1; видети Хаутус, 1995). Поред тога, израчунали смо Пмем (вероватноћу да је учесник имао тестирани предмет у меморији) и г (вероватноћа погађања за одговор „промене“) из модела високог прага (Модел 4 из Цован ет ал., 2013). Сви индекси су израчунати за научене и случајне перформансе низа. У оквиру сваког експеримента, предвиђали смо одговарајуће индексе помоћу модела линеарне регресије са типом низа као предиктором и случајним ефектом субјекта (тј. случајним пресретком). Пошто су индекси израчунати из агрегирања података у свим испитивањима, нисмо могли укључити блок као предиктор у ове анализе.

Резултати

Експеримент 1

Фаза учења У табели 2 приказујемо тачност за различите блокове фазе учења. Седам особа је морало једном да понови један од блокова учења. Ниједна особа није морала да понови последњи блок учења, што указује на добро учење. Ово се такође показује смањењем пропорције грешака од блока до блока.

Задатак радне меморије Затим представљамо тачност у блоковима задатка радне меморије (види слику 3). Учинак на циљним низовима био је бољи него на насумичном низу у већини блокова. Штавише, нисмо приметили стабилан пораст перформанси међу блоковима посебно на циљним низовима због њихових поновљених презентација кроз блокове, као што би се очекивало ако би учесници наставили да уче ове низове током задатка откривања промена.

За научене низове, учесници су направили 9,5 процената грешака у просеку у свим блоковима, док су направили 13,7 процената грешака у просеку за насумичне низове. Ово је једнако стандардизованој величини ефекта од д=−,50 са широким ЦИ од 95 процената [−1,05, 0,05]. Бајесови фактори који одговарају моделским поређењима за моделе логистичке регресије са и без специфичних ефеката представљени су у табели 3. Само главни ефекат типа низа је подржан овом анализом, што значи да су учесници у целини показали боље перформансе на наученим низовима (одговарајуће процене параметара може се наћи у табели 4).

Експеримент 2

Фаза учења У табели 5 дајемо дескриптивну статистику учинка у фази учења. Двадесет два учесника су морала да понове бар једну од фаза учења, јер нису достигли прилагођени критеријум од најмање 20 тачних испитивања. Број понављања за стање са једном сондом кретао се од 1 до 6, док се број понављања за стање са три сонде кретао од 1 до 4. Међутим, приметили смо јасан тренд побољшања у блоковима учења, што указује на успешно учење . Ниједан учесник није морао да понавља последња два блока учења.

Непосредно након фазе учења, учесници су морали да репродукују претходно научене низове тако што су ручно бирали боје за сваку позицију низа. За укупно 18 закрпа у боји које треба попунити (шест по циљном низу), учесници су имали просечну тачност од 67 процената (СД=47 процената). Ово показује да су учесници били у могућности да пренесу своје знање о циљним низовима у други начин проналажења (од откривања промене до опозива). Овај задатак дискретног проналажења поновљен је након ВМ теста. У поређењу са првим задатком преузимања непосредно након фазе учења, учинак учесника је побољшан. За овај последњи задатак дискретног преузимања, 93 процента закрпа у боји је у просеку правилно репродуковано (СД=44.3 процента). Бајесов т-тест за упарене узорке у погледу броја тачних избора открио је слабе доказе за боље перформансе у другом задатку дискретног преузимања у поређењу са првим (БФ=3.59). Овај резултат показује да ЛТМ трагови циљних низова нису опали током ВМ теста.

Коначно, памћење учесника о низовима је последњи пут процењено на самом крају експеримента понављањем последњег блока фазе учења, где су им представљени само знакови слова у парадигми детекције промена. Они су тачно одговорили на 93 процента од 24 испитивања, што указује на веома прецизно и доступно знање о циљним низовима.

Задатак радне меморије На слици 4, представљамо перформансе у блоковима задатка откривања промена. Комбиновани средњи учинак три низа био је бољи него за случајне низове у већини блокова. Учесници су у просеку правили 17,5 одсто грешака за научене низове, док су у просеку направили 23,4 одсто грешака за насумичне низове. Ово је једнако стандардизованој величини ефекта од д=−,55 са ЦИ од 95 процената [−,98, −,11]. У поређењу са величином ефекта Експеримента 1, стандардизована средња разлика у Експерименту 2 је нешто већа. Поред тога, постојала је тенденција повећања предности циљних низова између блокова, што је личило на Хебов ефекат.

Нађите Бајесове факторе за поређења модела за моделе логистичке регресије у табели 6. Пронашли смо одлучујуће доказе за главни ефекат типа низа. Било је умерених доказа против главног ефекта блока и против интеракције између оба предиктора. Коначни модел је тако укључио главни ефекат типа низа и случајног пресека (тј. случајног ефекта субјекта), а одговарајуће процене параметара могу се наћи у табели 7.

Одвајање квалитета меморије од пристрасности одговора

У табели 8 представљамо горе поменуте индексе модела мерења детекције промена за сваки експеримент, одвојене по типу низа. Поред дескриптивне статистике, извештавамо о одговарајућим величинама ефеката за сваки индекс по експерименту и Бајесове факторе који одражавају доказе за главни ефекат типа низа

У експерименту 1, индекс дискриминабилности учесника д' био је већи на наученим низовима него на случајним низовима; у експерименту 2, није било доказа који би подржали ту разлику. Критеријуми одговора (ц) у оба експеримента су били упоредиви и указују на малу пристрасност према извештавању о промени у испитивањима. Пошто су критеријуми одговора за оба експеримента били велики и исте величине, различити односи истих и промењених покушаја у два експеримента су имали мали утицај на понашање учесника. Пронашли смо доказе у оба експеримента да су критеријуми одговора смањени за научене низове, што значи да је тенденција да се укаже на промену била знатно мања за низове са ЛТМ репрезентацијама.

Када се окренемо моделу мерења високог прага, вероватноћа да се тестирани предмет има у меморији, Пмем, била је већа за научене низове него за ненаучене низове у оба експеримента. Слично, вероватноћа погађања (г) да се погоди „промена“ је смањена за научене низове у односу на низове који нису научени. Ово је посебно био случај за Експеримент 2, док су докази у Експерименту 1 били двосмислени. Узети заједно, оба модела мерења су конвергирала на закључку да се научени низови разликују од ненаучених низова и по квалитету меморије и по пристрасности. Када је пристрасност узета у обзир, д' индекс више није показивао кредибилан ефекат учења у експерименту 2. У експерименту 1, и д' и Пмем су показали кредибилан ефекат учења. Имајте на уму да уочене разлике у свим индексима мерног модела између експеримената нису биле значајне, као што су показали Бајесови т-тестови за неупарене узорке (одговарајући БФ су се кретали од .32 до 2.8)

Дискусија

Са два експеримента, истражили смо да ли су информације о визуелним низовима ускладиштеним у дуготрајној меморији биле корисне за накнадни учинак у задатку откривања промена помоћу ових низова. Индуковали смо дугорочне меморије пре парадигме откривања промена и обезбедили да се она робусно научи. Поред тога, меморисани низови су се даље понављали током задатка радне меморије, омогућавајући даље учење. Ако је знање о циљним низовима стечено у фази учења коришћено у тесту радне меморије, перформансе научених низова би требало да буду боље него на случајним низовима. Поред тога, ако би људи наставили да уче о циљним низовима кроз њихово понављање у тесту радне меморије, онда би се њихов учинак откривања промена стално побољшавао током понављања низа.

Узети заједно, налази оба експеримента показали су јасне доказе за претпоставку да су већ постојеће ЛТМ репрезентације визуелнопросторних стимулуса (тј. низова боја) корисне за перформансе радне меморије током парадигме детекције промена. У оба експеримента идентификовали смо главни ефекат типа низа. Перформансе детекције промена биле су боље на претходно наученим у поређењу са новим низовима, што показује да се дугорочна меморија користи у откривању промена. Није било доказа за даље учење током фазе радне меморије у оба експеримента.

Зашто већина претходних студија није показала никакве доказе о учењу у задацима откривања промена? Наши експерименти искључују једно објашњење, а то је да људи уче низове који се понављају, али не користе своје знање за доношење одлука о откривању промена. Ово оставља алтернативу да људи не уче низове који се понављају, или их барем не уче довољно добро. Постоје разлози да се верује да се неко кумулативно учење поновљених низова ипак дешава. Један је да су Шими и Логи (2019) открили постепено побољшање детекције промена у 60 или више понављања истог низа. Додатни докази потичу из студија Олсона и Јианга (2004) и Фукуде и Вогела (2019). Иако обе студије нису пронашле јасне доказе да су перформансе на поновљеним низовима током задатка откривања промена биле супериорније у поређењу са насумичним низовима, учесници обе студије су били у могућности да идентификују поновљене низове током накнадног теста препознавања на горе наведеној шанси. ниво. То значи да се барем нешто учења за поновљене информације морало десити током експеримената, али очигледно недовољно да то знање учини корисним за откривање промена.

То би могло бити зато што су, у коначним тестовима препознавања тих ранијих студија, учесници морали да разликују поновљене низове од насумично састављених нових низова, од којих су се разликовали у неколико ставки, док су се сонде промене задатка откривања промена разликовале од представљених низова. у само једном предмету. Људи су можда стекли делимично знање о поновљеном низу – на пример, знање о паровима или тројкама боја – што је довољно да их разликује од потпуно нових низова, али ретко помаже у откривању једне промене. Друга могућност је да је знање стечено о поновљеним низовима слабо тако да се споро враћа. У тесту откривања промена, може доћи до трке између преузимања управо представљеног низа из ВМ-а и преузимања одговарајућег трага из ЛТМ-а. Ако је преузимање са ЛТМ-а много спорије од преузимања из ВМ-а, ретко би победило у трци. Насупрот томе, у коначном тесту препознавања, доступан је само ЛТМ, па ће људи вероватно одвојити време да га пронађу и користе. У сваком случају, ЛТМ репрезентације које се постепено граде од понављања низова током откривања промена акумулирају се веома споро – много спорије него у типичним Хеббовим експериментима понављања – и стога не доприносе перформансама детекције промена осим ако број понављања не прелази око 50. Насупрот томе , знање стечено у одвојеној фази учења, као у нашим експериментима, довољно је снажно да буде корисно у откривању промена од самог почетка.

Лоша стопа учења је у супротности са прилично брзим учењем уоченим у Хебб парадигми понављања са другим врстама материјала (вербални предмети, просторне локације, лица) и другим поступцима тестирања (тј. серијски призивање или реконструкција). Стога, одржавање скупа ставки у ВМ-у није довољно за подстицање брзог учења. Нешто друго у вези са информацијама које треба научити, или процедуром тестирања ВМ-а, мора утицати на брзину учења. Једна могућност коју су изнели Логие ет ал. (2009) је да у детекцији промена, сонде промене ометају дугорочну меморију представљања поновљених низова, чиме успоравају учење. Још једна могућност сугерише још необјављена серија експеримената Соузе и Оберауера (2021): Робуст Хеббово учење визуелних низова примећено је само ако су све ставке низа тестиране на сваком огледу. Могуће је да је ЛТМ првенствено изграђен када преузимамо информације из ВМ-а или ЛТМ-а (Суттерер & Авх, 2016), па је стога учење током откривања промена споро, јер свако испитивање укључује само један тест.

Закључак

Када је у ЛТМ доступно снажно и свеобухватно знање о визуелним низовима, оно се користи у задатку откривања промена. Одсуство типичног Хебовог ефекта понављања са визуелним низовима (Фукуда & Вогел, 2019; Логие ет ал., 2009; Олсон & Јианг, 2004) најбоље се објашњава тиме што људи не успевају да науче комплетне низове довољно снажно током ограниченог броја понављања. .