S'utilitza la memòria a llarg termini en un paradigma visuoespacial de detecció de canvis?

Per a més informació:ali.ma@wecistanche.com

Resum

En proves dememòria de treballamb materials verbals o espacials, repetint el mateixmemòriaconjunts entre proves condueix a un millor rendiment de la memòria. Aquest "efecte de repetició Hebb" ben establert no es va poder mostrar per a materials visuals en investigacions anteriors. L'absència de l'efecte Hebb es pot explicar de dues maneres: o una persona no aconsegueix una representació de memòria a llarg termini de la repetició.memòriaconjunts, o els adquireixenmemòria a llarg terminirepresentacions, però no les fan servir durant elmemòria de treballtasca. En dos experiments (N1=18 i N2=30), vam voler decidir entre aquestes dues possibilitats manipulant el coneixement de la memòria a llarg termini d'alguns dels conjunts de memòria utilitzats en una tasca de detecció de canvis. Abans de la prova de detecció de canvis, els participants van aprendre tres matrius de colors a criteri. La prova de detecció de canvis posterior contenia matrius de colors noves i apreses anteriorment. El rendiment de detecció de canvis va ser millor en comparació amb les matrius noves, cosa que ho demostramemòria a llarg terminis'utilitza en la detecció de canvis.

Paraules clau:Memòria visual de treball. Memòria a llarg termini. Paradigma de detecció de canvis. Efecte de repetició Hebb

Repetitio est mater studiorum: la repetició és la mare de l'estudi. Aquest principi fonamental probablement s'aplica a totes les entitats que són capaços de fer el que anomenem "aprenentatge"; animals i humans, i fins i tot ordinadors. Normalment, l'aprenentatge requereix la repetició d'alguna informació objectiu, ja sigui intencionadament o no. A través de les repeticions, les connexions neuronals del nostre cervell canvien gradualment per capturar la informació repetida.

Feu clic a Cistanche utilitza per a la memòria

Quin és el paper de la memòria de treball per a l'aprenentatge? Durant 6 dècades, diversos teòrics han assumit que a curt termini omemòria de treball(WM), un mitjà per mantenir temporalment la informació, és la porta d'entrada a la memòria a llarg termini (LTM), on la informació s'emmagatzema permanentment. Atkinson i Shiffrin (1968) van suposar que la informació havia de passar per la "botiga a curt termini" a LTM. Baddeley et al. (1998) van plantejar la hipòtesi que el bucle fonològic, un component del model de WM de Baddeley, és un dispositiu per aprendre noves formes de paraula. Recentment, Cowan (2019) ha subratllat que mantenir la informació en WM implica no només activar representacions LTM existents sinó també formar-ne de noves. Forsberg et al. (2020) van argumentar que la capacitat limitada de WM forma un coll d'ampolla per a l'adquisició de nous coneixements en LTM.

Una eina important per estudiar el paper de la WM en l'adquisició gradual de coneixement mitjançant la repetició és l'anomenat efecte de repetició Hebb (Hebb, 1961). L'efecte de repetició Hebb es refereix a l'observació que la memòria en sèrie immediata —una prova habitual de WM— millora gradualment per a una llista de memòria que es repeteix diverses vegades al llarg d'un experiment (per exemple, Hebb, 1961; Hitch et al., 2005; Page et al., 2006). L'efecte Hebb es va observar originalment en una tasca de recordació en sèrie immediata amb estímuls verbals (Hebb, 1961), i es discuteix específicament per la seva contribució a l'aprenentatge de llengües (Lafond et al., 2010; Szmalec et al., 2009). Altres estudis també ho van trobar amb estímuls visuals significatius com ara cares verticals (Horton et al., 2008) i amb seqüències de localitzacions espacials (per exemple, Couture i 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 en aquest estudi) que el clàssic efecte Hebb, que és robust després d'unes 10 repeticions.

El present estudi

Hi ha dues possibles explicacions per a l'absència d'aprenentatge Hebb en la tasca de detecció de canvis. En primer lloc, els participants podrien no adquirir representacions LTM sobre elmemòria repetidamatrius. En segon lloc, els participants podrien codificar les matrius presentades repetidament a LTM, però no poden utilitzar aquestes representacions LTM en proves posteriors de detecció de canvis utilitzant les mateixes matrius de nou. És a dir, encara que els participants adquireixen coneixements amb els quals podrien millorar el seu rendiment en matrius repetides, no ho fan. Algunes proves d'aquesta darrera possibilitat prové de dos estudis que mostren que, tot i que la detecció de canvis no va millorar en matrius repetides, els participants van poder reconèixer les matrius repetides molt per sobre de l'atzar en una prova de final de l'experiment (Fukuda i Vogel, 2019; Olson). & Jiang, 2004).

En l'estudi actual, teníem com a objectiu provar si les representacions de memòria a llarg termini s'utilitzen en un paradigma de detecció de canvis visuoespacials. Hem creat traces LTM de tres matrius d'objectius de sis colors A, B i C en una fase d'aprenentatge. A continuació, vam comparar el rendiment en una prova posterior de memòria de treball entre proves utilitzant una d'aquestes matrius objectiu, que demostrablement s'han emmagatzemat a LTM després de la fase d'aprenentatge, i assaigs amb matrius generades aleatòriament (D) sense representació en LTM. La generació experimental de traces LTM fora del procediment de detecció de canvis permet distingir dos possibles resultats. Si s'utilitzen aquestes representacions, hauríem d'observar una millor precisió de detecció de canvis per a matrius apreses en comparació amb matrius aleatòries. Si no s'utilitzen aquestes representacions, la precisió de les matrius apreses no hauria de ser diferent de la precisió de les matrius aleatòries.

Mètode

Participants

Dues mostres diferents van participar a l'experiment 1 i a l'experiment 2, respectivament. Per a l'experiment 1, la mostra estava formada per N=18 (Mage=22,6 anys, SDage=2,89) estudiants universitaris de la Universitat de Zuric. L'experiment 2 va inscriure N=30 (Mage=23 anys, SDage=4,89) estudiants universitaris de la Universitat de Zuric i de la Universitat d'Ulm, dels quals una persona va ser exclosa de l'anàlisi de dades després del fase d'aprenentatge a causa d'un rendiment insuficient a la fase d'aprenentatge (N final=29). La nostra elecció de mides de mostra va ser informada pel N d'estudis anteriors sobre l'efecte Hebb. Vam decidir augmentar la mida de la mostra de l'Experiment 2 per augmentar les nostres possibilitats de mesurar un petit efecte de coneixement que podríem haver perdut a l'Experiment 1. Tots dos experiments es van anunciar mitjançant fullets i correu electrònic. Els participants havien de tenir entre 18 i 35 anys i dominar l'alemany. Les persones interessades estaven excloses de la participació, si eren daltònics o tenien una visió deficient (és a dir, no corregida).

Materials i procediment

Les tasques d'ambdós experiments van ser dissenyades per estudiar la mateixa pregunta de recerca; tanmateix, es van fer alguns lleugers ajustaments a les tasques després de dur a terme l'Experiment 1. Tots dos experiments constaven de dues parts. La primera va ser una fase d'aprenentatge, en què els participants van rebre instruccions per aprendre tres matrius de colors diferents (etiquetades A, B i C, respectivament; per a la resta d'aquest article s'anomenaran "matrius objectiu"). Després d'això, es va administrar una tasca de detecció de canvis en la qual alguns assaigs utilitzaven les matrius objectiu i altres assaigs utilitzaven noves matrius aleatòries com a conjunts de memòria.

Experiment 1 La fase d'aprenentatge de l'Experiment 1 va començar amb la presentació successiva de les tres matrius de colors pendents d'aprendre durant 10 s cadascuna. Cada matriu constava de sis pegats de color, que es distribuïen de manera equidistant en un cercle imaginari, i per facilitar l'aprenentatge, cada matriu s'associava amb una lletra (A, B o C, respectivament) al centre del cercle imaginari. Per a tots els participants, els colors de cada matriu es van escollir aleatòriament a partir d'una mostra de 12 colors diferents (vegeu la taula 1 per als valors RGB).

Després d'aquesta exposició inicial de les tres matrius, es va implementar la fase d'aprenentatge mitjançant un paradigma clàssic de detecció de canvis. Vam decidir que els participants aprenguessin les matrius d'aquesta manera perquè volíem que l'experiència d'aprenentatge s'assemblés a la tasca WM. Aquest procediment hauria de garantir un llindar baix per utilitzar les representacions LTM durant la prova WM posterior perquè optimitza el processament adequat per a la transferència (Morris et al., 1977).

El paradigma de detecció de canvis administrat durant la fase d'aprenentatge es presenta esquemàticament a la figura 1. Constava de tres blocs amb 24 proves cadascun. A tots els blocs, cada assaig va començar amb la presentació d'una creu de fixació durant 1,000 ms, que es va centrar a la pantalla. A continuació, es va presentar una de les tres matrius de destinació. Aquí, els temps de presentació van variar entre els tres blocs. En el primer bloc, les matrius objectiu es van presentar durant 3.500 ms, en el segon bloc durant 2.500 ms i en el tercer bloc durant 1.500 ms. Després de la presentació d'una matriu objectiu, es va presentar als participants una pantalla en blanc durant 1,000 ms. Posteriorment, es va presentar als participants una sonda de la matriu objectiu, que consistia en un pegat de color al primer bloc, pegats de tres colors al segon bloc o una matriu completa de sis pegats de color al tercer bloc. Els participants havien d'indicar si els pegats de color presentats ara coincideixen amb els de la matriu completa presentada anteriorment a la mateixa posició. El temps de resposta no va ser limitat. Hi va haver tres tipus de proves: proves sense canvi (el mateix pegat de color a la mateixa posició), proves de canvi d'intercanvi (el pegat de color presentat en una altra posició) i proves de canvi aleatori (colors que no es presentaven anteriorment a la matriu objectiu a qualsevol posició). Dins de cada bloc, hi va haver 12 assaigs sense canvis, sis assaigs de canvi d'intercanvi i sis assaigs de canvi aleatori; l'ordre del tipus d'assaig va ser aleatoritzat. Cada matriu es va presentar vuit vegades per bloc i el seu ordre va ser aleatoritzat. Després de cada assaig, es van proporcionar comentaris. Si la resposta era correcta, els participants rebien el missatge "Richtig!" (Correcte!), i va seguir el següent judici. Si una resposta era incorrecta, es presentava als participants el missatge "Leider nicht Richtig! So siehtdiekorrekte Anordnung us:" (Desafortunadament incorrecte! Així es veia la matriu correcta:) i després se'ls presentava de nou la matriu objectiu completa per proporcionar-ne una altra. oportunitat d'aprenentatge. Per garantir l'aprenentatge de les tres matrius objectiu, els participants havien de complir un criteri d'aprenentatge dins de cada bloc, que era un mínim de 19 proves contestades correctament (de 24). Si els participants no complien aquest criteri, havien de repetir el bloc en què no ho feien. A més, al començament de cada bloc, es van tornar a presentar les tres matrius objectiu durant 10 s cadascuna. D'aquesta manera, esperàvem induir una representació LTM raonablement forta de les matrius objectiu.

Una vegada que un participant complia tots els criteris de la fase d'aprenentatge, se li van presentar les instruccions de la tasca de memòria de treball posterior, és a dir, una altra tasca de detecció de canvis. Les instruccions van deixar clar el procediment d'aquesta tasca una vegada més i van indicar explícitament que no es proporcionaran més comentaris en el futur. En general, el paradigma de detecció de canvis s'assemblava molt a la fase d'aprenentatge. Cada assaig va començar amb la presentació d'una creu de fixació durant 1,000 ms en una pantalla en blanc. A continuació, es va presentar una matriu de sis colors, però a diferència de la fase d'aprenentatge, ara el temps de presentació era d'1,000 ms. Després d'un interval de retenció d'1,000-ms, durant el qual la pantalla estava en blanc, es va mostrar un pegat de color com a sonda en la posició d'un element de matriu seleccionat aleatòriament. De nou, els participants havien d'indicar si el pegat de color que es presenta ara coincideix amb el pegat de color de la matriu completa de sis colors a la mateixa posició. El temps de resposta no va ser limitat. Per a aquesta tasca de memòria de treball, es van administrar 10 blocs amb 18 proves cadascun. Abans d'això, els participants havien de completar 18 proves pràctiques.

Dels 180 assaigs de prova globals, 90 assajos van presentar una de les matrius objectiu A, B o C (30 assaigs cadascun, ara presentats sense les seves etiquetes), i els altres 90 assaigs es van reservar per a la presentació de nous matrius (D). generades a l'atzar amb la restricció que no han de ser idèntiques a una de les matrius de destinació. Abans de la tasca, als participants no se'ls va dir que les matrius apreses anteriorment es podrien presentar de nou. En els 18 assaigs per bloc, hi va haver aproximadament un 40 per cent d'assaigs sense canvis i un 60 per cent d'assaigs de canvi.1 De nou, l'ordre del tipus d'assaig i l'ordre de les matrius es van aleatoriar dins de cada bloc.

L'experiment 2 va començar amb una fase d'aprenentatge similar a l'experiment 1. Tanmateix, per millorar l'aprenentatge de LTM, vam afegir un bloc més d'aprenentatge i vam fer que el criteri d'aprenentatge de cada bloc fos més estricte (almenys 20 de 24 proves correctes). Per obtenir una visió esquemàtica de les condicions d'aprenentatge, vegeu la figura 2. La fase d'aprenentatge constava ara de quatre blocs amb 24 proves cadascun. Els tres primers blocs eren els mateixos que a l'experiment 1, excepte que els temps de presentació de les matrius objectiu a tots els blocs es van aleatoriar en un interval d'entre 1,000 i 5,000 ms. El quart bloc va afegir una nova experiència d'aprenentatge: ara els participants només es van presentar amb les etiquetes A, B o C, seguides d'una sonda de matriu completa. Van haver d'indicar si aquesta sonda coincidia amb la matriu que havien après a associar amb la carta presentada anteriorment. Aquesta condició d'aprenentatge hauria d'assegurar que els participants haguessin construït representacions LTM de les matrius de destinació que podrien recuperar sobre la base d'una indicació de recuperació arbitrària.

Per provar LTM després de la fase d'aprenentatge, vam afegir una tasca de recuperació discreta, en la qual es van presentar als participants senyals de lletres de les matrius objectiu i sis cercles buits a les posicions dels pegats de color. Els sis cercles buits es van marcar un darrere l'altre i els participants van haver de triar el color correcte entre un conjunt de 12 colors diferents, presentats al costat de la matriu buida. El cercle marcat es va omplir amb el color escollit si l'elecció era correcta. Si una elecció era incorrecta, els participants eren notificats i s'omplia el color realment correcte. D'aquesta manera, els participants van tornar a presentar les matrius d'objectius completes i van poder ajustar encara més les seves representacions LTM.

La següent fase WM era gairebé idèntica a l'experiment 1. Hem reduït els temps de presentació de les matrius a 250 ms. A més d'això, la proporció dels tipus de sondes es va canviar a causa d'un error de programació d'una proporció de 40:60 entre sondes sense canvi i canvi a aproximadament un 70 per cent de sondes sense canvi i aproximadament un 30 per cent de sondes de canvi (separades en intercanvi). canvis i canvis aleatoris).

Després de la prova WM, es va tornar a presentar als participants la tasca de recuperació discreta i una repetició del nou quart bloc de la fase d'aprenentatge, amb lletres com a indicis per a les matrius objectiu, per tal de provar les seves representacions LTM de les matrius objectiu. Última vegada. Això ens va permetre comparar l'accessibilitat de les matrius de destinació a LTM tant abans com després de la tasca WM.

El procediment general per a tots dos experiments va ser similar. Les dues sessions de prova van durar aproximadament entre 1,5 i 2 hores, i els participants van ser compensats amb 15-22 CHF o crèdits parcials del curs. Abans de la participació, tots els participants van donar el seu consentiment informat. Els experiments van ser supervisats per assistents de recerca entrenats. Les tasques es van programar i es van presentar mitjançant PsychoPy 2 (Peirce et al., 2019). Totes les tasques i instruccions estandarditzades es van presentar en pantalles d'ordinador amb una resolució Full HD (1.920 × 1.080 píxels). Tots els estímuls es van presentar amb un color de fons gris i els participants van utilitzar tecles marcades (- i<) on="" standard="" keyboards="" for="" responding="" to="" the="">

Per als dos experiments, tant la fase d'aprenentatge com la prova WM, proporcionen una variable dependent dicotòmica que indica la precisió. Per tant, es van analitzar les dades de les proves de WM amb models de regressió logística, en què el nombre de respostes correctes es va predir pel tipus de matrius presentades (és a dir, matrius d'objectiu apreses versus matrius aleatòries no apreses). A més de l'efecte fix d'aquest predictor, el model complet incloïa un efecte principal del bloc, un terme d'interacció d'un tipus de matriu amb bloc, un efecte aleatori del subjecte (és a dir, intercepció aleatòria), així com un terme per a l'efecte dels tipus de blocs i matrius imbricats dins dels subjectes (és a dir, pendents aleatòries). Després d'especificar el model complet, el vam comparar amb models més parsimoniosos per avaluar l'evidència de cada efecte mitjançant els factors de Bayes per a les comparacions de models (Bürkner, 2017). Els priors per als models de regressió logística d'efectes mixts eren priors de Cauchy amb una escala d'1/√2, obtinguts ajustant les recomanacions de Gelman et al. (2008) (per a més detalls sobre l'elecció de l'escala per als models de regressió logística, vegeu Oberauer, 2019). Els models es van estimar amb 100,000 mostres, generades a través de tres cadenes de Markov independents, amb 2,000 mostres d'escalfament cadascuna (és a dir, 98,000 mostres posteriors a l'escalfament). en total).

Com que en ambdós experiments la proporció d'assaigs iguals i de canvi no estava equilibrada, els participants podrien haver desenvolupat biaixos de resposta, que distorsionarien la mesura de proporció correcta com a índex de qualitat de la memòria. Per tant, també hem avaluat el rendiment de dos models de mesura que separen la qualitat de la memòria del biaix. Una divisió molt discutida entre les teories de la MW visual és entre aquelles que assumeixen una força o precisió variable contínua de les representacions de memòria (Ma et al., 2014; Oberauer i Lin, 2017) i les que assumeixen un distinció binària entre elements que es recorden i altres que no ho són (Adam et al., 2017; Zhang i Luck, 2008). Per fer justícia ambdues perspectives, vam aplicar un model de mesura de detecció de senyal per mesurar la qualitat de la memòria en una escala contínua de discriminabilitat i un model de llindar elevat per mesurar el nombre d'elements recordats. Concretament, vam calcular d' (discriminabilitat) i c (criteri de resposta) a partir de la teoria de detecció del senyal (basada en Macmillan, 1993; Stanislaw i Todorov, 1999), on vam corregir les taxes d'èxit extremes i les taxes de falses alarmes extremes (és a dir, 0 o 1; vegeu Hautus, 1995). A més, vam calcular Pmem (la probabilitat que un participant tingués l'element provat a la memòria) i g (probabilitat d'endevinar per a una resposta de "canvi") a partir d'un model de llindar alt (Model 4 de Cowan et al., 2013). Tots els índexs es van calcular tant per al rendiment après com per a la matriu aleatòria. Dins de cada experiment, vam predir els índexs respectius mitjançant models de regressió lineal amb tipus de matriu com a predictor i un efecte aleatori del subjecte (és a dir, interceptació aleatòria). Com que els índexs es van calcular a partir de l'agregació de dades de tots els assaigs, no vam poder incloure el bloc com a predictor en aquestes anàlisis.

Resultats

Experiment 1

Fase d'aprenentatge A la taula 2, informem de la precisió dels diferents blocs de la fase d'aprenentatge. Set persones van haver de repetir un dels blocs d'aprenentatge una vegada. Cap persona va haver de repetir l'últim bloc d'aprenentatge, indicant un bon aprenentatge. Això també es mostra amb la proporció decreixent d'errors de bloc a bloc.

Tasca de memòria de treball A continuació, presentem la precisió a través dels blocs de la tasca de memòria de treball (vegeu la figura 3). El rendiment a les matrius objectiu va ser millor que a les matrius aleatòries a la majoria de blocs. A més, no vam observar un augment constant del rendiment entre blocs específicament a les matrius objectiu a causa de les seves presentacions repetides entre blocs, com s'esperaria si els participants continuïn aprenent aquestes matrius durant la tasca de detecció de canvis.

Per a les matrius apreses, els participants van cometre errors del 9,5 per cent de mitjana en tots els blocs, mentre que van cometre errors del 13,7 per cent de mitjana per a les matrius aleatòries. Això equival a una mida d'efecte estandarditzada de d=-.50 amb un IC ampli del 95 per cent [-1.05, .05]. Els factors de Bayes corresponents a les comparacions de models per als models de regressió logística amb i sense efectes específics es presenten a la taula 3. Aquesta anàlisi només va recolzar l'efecte principal del tipus de matriu, el que significa que els participants en general van mostrar un millor rendiment en les matrius apreses (estimacions dels paràmetres corresponents). es pot trobar a la taula 4).

Experiment 2

Fase d'aprenentatge A la taula 5, informem de les estadístiques descriptives del rendiment en la fase d'aprenentatge. Vint-i-dos participants van haver de repetir almenys una de les fases d'aprenentatge, ja que no van assolir el criteri ajustat d'almenys 20 assaigs correctes. El nombre de repeticions per a la condició d'una sonda oscil·lava entre 1 i 6, mentre que el nombre de repeticions per a la condició de tres sondes oscil·lava entre 1 i 4. No obstant això, vam observar una tendència clara de millora entre els blocs d'aprenentatge, que indica un aprenentatge exitós. . Cap participant va haver de repetir els dos últims blocs d'aprenentatge.

Immediatament després de la fase d'aprenentatge, els participants havien de reproduir les matrius apreses prèviament escollint manualment els colors per a cada posició d'una matriu. Per a un total de 18 pegats de color que s'han d'omplir (sis per matriu objectiu), els participants tenien un correcte mitjà del 67 per cent (SD=47 per cent). Això demostra que els participants van poder transferir el seu coneixement sobre les matrius objectiu a un altre mode de recuperació (des de la detecció de canvis fins a la recuperació). Aquesta tasca de recuperació discreta es va repetir després de la prova WM. En comparació amb la primera tasca de recuperació immediatament després de la fase d'aprenentatge, el rendiment dels participants va millorar. Per a aquesta darrera tasca de recuperació discreta, el 93 per cent dels pegats de color es van reproduir correctament de mitjana (SD=44,3 per cent). Una prova t bayesiana per a mostres aparellades pel que fa al nombre d'opcions correctes va revelar proves febles d'un millor rendiment en la segona tasca de recuperació discreta en comparació amb la primera (BF=3.59). Aquest resultat mostra que les traces LTM de les matrius objectiu no van disminuir durant la prova WM.

Finalment, la memòria dels participants sobre les matrius es va avaluar una darrera vegada al final de l'experiment repetint l'últim bloc de la fase d'aprenentatge, on només se'ls presentava indicis de lletres en un paradigma de detecció de canvis. Van respondre correctament el 93 per cent de 24 assaigs, cosa que indica un coneixement molt precís i accessible de les matrius objectiu.

Tasca de memòria de treball A la figura 4, presentem el rendiment a través dels blocs de la tasca de detecció de canvis. El rendiment mitjà combinat de les tres matrius va ser millor que el de les matrius aleatòries a la majoria dels blocs. De mitjana, els participants van cometre errors del 17,5 per cent per a les matrius apreses, mentre que van cometre errors del 23,4 per cent de mitjana per a les matrius aleatòries. Això equival a una mida d'efecte estandarditzada de d=-.55 amb un IC del 95 per cent [−.98, -.11]. En comparació amb la mida de l'efecte de l'experiment 1, la diferència mitjana estandarditzada de l'experiment 2 és lleugerament més gran. A més, hi va haver una tendència a augmentar l'avantatge de les matrius de destinació entre blocs, semblant-se a un efecte Hebb.

Trobeu els factors de Bayes per a les comparacions de models per als models de regressió logística a la taula 6. Hem trobat proves decisives de l'efecte principal del tipus de matriu. Hi va haver evidència moderada contra l'efecte principal del bloc i contra la interacció entre ambdós predictors. Així, el model final incloïa l'efecte principal del tipus de matriu i la intercepció aleatòria (és a dir, l'efecte aleatori del subjecte), i les estimacions dels paràmetres corresponents es poden trobar a la taula 7.

Separant la qualitat de la memòria del biaix de resposta

A la taula 8, presentem els índexs de model de mesura de detecció de canvis esmentats anteriorment per a cada experiment, separats per tipus de matriu. A més de les estadístiques descriptives, informem de les mides d'efecte corresponents per a cada índex per experiment i els factors de Bayes que reflecteixen l'evidència de l'efecte principal del tipus de matriu.

A l'experiment 1, l'índex de discriminabilitat d' dels participants era més gran en matrius apreses que en matrius aleatòries; a l'Experiment 2, no hi havia cap evidència que recolzés aquesta diferència. Els criteris de resposta (c) en ambdós experiments eren comparables i indiquen un petit biaix per informar d'un canvi en els assaigs. Com que els criteris de resposta d'ambdós experiments eren grans de la mateixa magnitud, les diferents proporcions dels mateixos per als assaigs de canvi en els dos experiments van tenir poc efecte en el comportament dels participants. Vam trobar proves en ambdós experiments que els criteris de resposta es van reduir per a les matrius apreses, el que significa que la tendència a indicar un canvi era considerablement més petita per a les matrius amb representacions LTM.

Pel que fa al model de mesura de llindar alt, la probabilitat de tenir l'element provat a la memòria, Pmem, era més gran per a matrius apreses que per a matrius no apreses en ambdós experiments. De la mateixa manera, la probabilitat d'endevinar (g) per endevinar el "canvi" es va reduir per a les matrius apreses en relació amb les matrius no apreses. Aquest va ser especialment el cas de l'Experiment 2, mentre que l'evidència de l'Experiment 1 era ambigua. En conjunt, ambdós models de mesura van convergir en la conclusió que les matrius apreses diferien de les matrius no apreses tant en qualitat de memòria com en biaix. Quan es va tenir en compte el biaix, l'índex d' ja no mostrava un efecte creïble de l'aprenentatge a l'Experiment 2. A l'Experiment 1, tant d' com Pmem van mostrar un efecte creïble de l'aprenentatge. Tingueu en compte que les diferències observades en tots els índexs de models de mesura entre experiments no eren substancials, tal com indiquen les proves t bayesianes per a mostres no aparellades (els BF corresponents van oscil·lar entre 0,32 i 2,8).

Discussió

Amb dos experiments, vam investigar si la informació sobre matrius visuals emmagatzemades a la memòria a llarg termini era útil per al rendiment posterior en una tasca de detecció de canvis utilitzant aquestes matrius. Vam induir representacions de memòria a llarg termini abans d'un paradigma de detecció de canvis i vam assegurar-nos que s'aprengués de manera robusta. A més, les matrius memoritzades es van repetir més al llarg de la tasca de memòria de treball, permetent un aprenentatge posterior. Si a la prova de memòria de treball es va utilitzar el coneixement de les matrius objectiu adquirits en la fase d'aprenentatge, el rendiment de les matrius apreses hauria de ser millor que en les matrius aleatòries. A més, si la gent continués aprenent sobre les matrius objectiu mitjançant la seva repetició a la prova de memòria de treball, el seu rendiment de detecció de canvis milloraria constantment al llarg de les repeticions de la matriu.

En conjunt, les troballes d'ambdós experiments van mostrar evidències clares de la suposició que les representacions LTM ja existents d'estímuls visuoespacials (és a dir, matrius de colors) són beneficioses per al rendiment de la memòria de treball durant un paradigma de detecció de canvis. En ambdós experiments, vam identificar l'efecte principal del tipus de matriu. El rendiment de la detecció de canvis va ser millor en comparació amb les matrius noves, la qual cosa demostra que la memòria a llarg termini s'utilitza en la detecció de canvis. No hi va haver evidència d'aprenentatge posterior durant la fase de memòria de treball en ambdós experiments.

Per què la majoria dels estudis anteriors no van mostrar evidència d'aprenentatge en tasques de detecció de canvis? Els nostres experiments descarten una explicació, que és que la gent aprengui les matrius repetides, però no utilitzi el seu coneixement per prendre decisions de detecció de canvis. Això deixa l'alternativa que la gent no aprengui les matrius repetides, o almenys no les aprenguin prou bé. Hi ha raons per creure que es produeix algun aprenentatge acumulat de matrius repetides. Un és que Shimi i Logie (2019) van trobar una millora gradual de la detecció de canvis en 60 o més repeticions de la mateixa matriu. L'evidència addicional prové dels estudis d'Olson i Jiang (2004) i Fukuda i Vogel (2019). Tot i que ambdós estudis no van trobar cap evidència clara que el rendiment en matrius repetides durant una tasca de detecció de canvis fos superior en comparació amb matrius aleatòries, els participants d'ambdós estudis van poder identificar les matrius repetides durant una prova de reconeixement de seguiment amb l'oportunitat anterior. nivell. Això vol dir que almenys una mica d'aprenentatge per a la informació repetida s'ha d'haver produït durant els experiments, però aparentment no és suficient per fer que aquest coneixement sigui útil per a la detecció de canvis.

Això podria ser perquè, a les proves de reconeixement finals d'aquells estudis anteriors, els participants havien de discriminar matrius repetides de matrius noves compostes aleatòriament, de les quals es diferenciaven en diversos ítems, mentre que les sondes de canvi de la tasca de detecció de canvis diferien de les matrius presentades. en un sol element. La gent podria haver adquirit un coneixement parcial de la matriu repetida, per exemple, coneixement sobre parells o triplets de colors, que és suficient per discriminar-los de matrius completament noves, però rarament ajuda a detectar un sol canvi. Una altra possibilitat és que el coneixement adquirit sobre les matrius repetides sigui feble, de manera que la recuperació sigui lent. A la prova de detecció de canvis, pot haver-hi una carrera entre la recuperació de la matriu que s'acaba de presentar de WM i la recuperació d'una traça coincident de LTM. Si la recuperació de LTM és molt més lenta que la recuperació de WM, rarament guanyaria la cursa. En canvi, a la prova de reconeixement final, només està disponible LTM i, per tant, és probable que la gent es prengui el seu temps per recuperar-lo i utilitzar-lo. De qualsevol manera, les representacions LTM que es construeixen gradualment a partir d'experimentar matrius repetides durant la detecció de canvis s'acumulen molt lentament —molt més lenta que en els experiments típics de repetició de Hebb— i, per tant, no beneficien el rendiment de la detecció de canvis tret que el nombre de repeticions superi les 50. En canvi. , el coneixement adquirit en una fase d'aprenentatge separada, com en els nostres experiments, és prou fort com per ser útil en la detecció de canvis des del principi.

La baixa taxa d'aprenentatge contrasta amb l'aprenentatge bastant ràpid observat en el paradigma de repetició de Hebb amb altres tipus de materials (ítems verbals, ubicacions espacials, cares) i altres procediments de prova (és a dir, recordació en sèrie o reconstrucció). Per tant, mantenir un conjunt d'ítems a WM no és suficient per afavorir l'aprenentatge ràpid. Una altra cosa sobre la informació que s'ha d'aprendre, o el procediment de prova de WM, ha d'influir en la taxa d'aprenentatge. Una possibilitat plantejada per Logie et al. (2009) és que en la detecció de canvis, les sondes de canvi interfereixen amb la representació de memòria a llarg termini de matrius repetides, de manera que alenteix l'aprenentatge. Una altra possibilitat la suggereix una sèrie d'experiments encara no publicades de Souza i Oberauer (2021): l'aprenentatge robust de les matrius visuals de Hebb només es va observar si es van provar tots els elements de la matriu en cada assaig. Podria ser que LTM es construeixi principalment quan recuperem informació de WM o LTM (Sutterer i Awh, 2016) i, per tant, l'aprenentatge durant la detecció de canvis és lent, perquè cada assaig només implica una única prova.

Conclusió

Quan el LTM disposa d'un coneixement sòlid i complet sobre les matrius visuals, s'utilitza en una tasca de detecció de canvis. L'absència d'un efecte de repetició Hebb típic amb matrius visuals (Fukuda i Vogel, 2019; Logie et al., 2009; Olson i Jiang, 2004) s'explica millor per les persones que no aprèn les matrius completes amb prou força durant un nombre limitat de repeticions. .