Зв’язування внутрішньооб’єктної та екстраоб’єктної пам’яті на ранньому етапі розвитку. Частина 3

Результати і обговорення

Трьох {{0}}-річних дітей було виключено через комп’ютерні збої, а ще 5--річну дитину було виключено через те, що він не виконав завдання. Оскільки діти та дорослі відповідали різними способами (відповідно за допомогою сенсорного екрана та клавіатури), ми не змогли проаналізувати час відповіді, але ми виключили окремі випробування з дуже швидкими (тобто < 200 мс) відповідями з усіх аналізів, оскільки вони, ймовірно, були ненавмисними. . Відсоток виключених випробувань становив 1,3% у 5--річних, 0,2% у 8--річних і 0% у дорослих.

Дитяча реакція і пам'ять тісно пов'язані. Хороша швидкість реакції може допомогти дитині опрацьовувати інформацію та краще вчитися, тоді як міцна пам’ять може допомогти дитині краще запам’ятовувати та застосовувати те, що вона навчилася.

Дитина, яка легко оцінює речі і швидко реагує, буде успішнішою в навчанні. Ці діти можуть ефективно обробляти великі обсяги інформації та швидко реагувати, коли це необхідно. Діти розвивають впевнене ставлення та кращі результати, коли їх просять швидко реагувати на всі аспекти школи та життя. Крім того, їх швидка реакція також дасть їм кращу координацію рук і очей і більше моторних навичок для задоволення потреб їх здорового росту.

З іншого боку, міцна пам'ять також дуже важлива. Обсяг інформації, яку діти повинні запам’ятати, надзвичайно великий, включаючи такі завдання, як уроки та домашні завдання в школі. Якщо у дитини погана пам’ять, вона, ймовірно, матиме проблеми зі шкільними та домашніми завданнями. Якщо діти забудуть, що вони повинні робити, або забудуть, чого вчив вчитель на уроці, вони зіткнуться з сліпими плямами та упущеннями у своєму навчанні.

На щастя, ми можемо допомогти дітям покращити їхні рефлекси та пам’ять за допомогою вправ і тренувань. Наприклад, ми можемо залучати дітей до таких складних занять, як ігри з картками пам’яті, малювання, музика тощо, щоб допомогти їм оптимізувати пам’ять і швидкість реакції. Ми також можемо заохочувати дітей більше займатися активним відпочинком на свіжому повітрі та займатися спортом, щоб покращити свою фізичну форму.

У процесі виховання ми маємо заохочувати дітей постійно пробувати щось нове та брати активну участь у різноманітних заходах у школі та сімейному житті, щоб вони мали більше можливостей для практики. Нам потрібно дати дітям позитивне заохочення та підтримку, щоб вони могли впевнено протистояти різноманітним життєвим викликам, щоб швидко покращити швидкість реакції та пам’ять. Видно, що нам потрібно покращувати пам'ять. Cistanche deserticola може значно покращити пам'ять, оскільки Cistanche deserticola є традиційним китайським лікарським матеріалом з багатьма унікальними ефектами, одним із яких є покращення пам'яті. Ефективність м’ясного фаршу пов’язана з різними активними інгредієнтами, які він містить, включаючи кислоти, полісахариди, флавоноїди тощо. Ці інгредієнти можуть сприяти здоров’ю мозку різними способами.

Клацніть знати добавки для покращення пам'яті

Після виключення окремих випробувань ми виключили всі дані від учасників, які не показали належних результатів як на етапах тестування «Навчання», так і на етапі тесту «Навчання», тому що було б важко зробити висновок про перешкоди чи зв’язування пам’яті в учасників, які не розуміли завдання або не платили уваги. Зокрема, для кожного учасника ми виконали два однобічні біноміальні тести. Перший тест об’єднав усі випробування з Блоків 2–4 фази навчання набору A з унікальними випробуваннями з блоків 2–4 фази навчання набору B. Ми виключили перший блок цих фаз, оскільки ми передбачали, що точність буде майже випадковою, коли непередбачені випадки були представлені вперше, і ми виключили випробування, що перекриваються, із набору B, оскільки ми вважали, що точність у цих випробуваннях може бути нижчою через проактивне втручання.

Другий статистичний тест поєднав усі випробування з першого тесту на навчання набору A з унікальними випробуваннями з тесту на навчання набору B. Причиною виключення випробувань, що перекриваються для набору B, знову була можливість проактивного втручання. Ми виключили 12 п’ятирічних дітей, п’ятьох 8--річних дітей і нуль дорослих, чия точність не перевищувала ймовірність обох біноміальних тестів.1 Остаточна вибірка включала 32 п’ятирічних дітей (Маг {{9} }.08 років, SDвік=.20, мова=4.74-5.51; 13 жінок, 19 чоловіків), 30 восьмирічних (маг=8. 54 роки, SDage=.28, мова=8.05–8.99; 15 жінок, 15 чоловіків) і 30 дорослих (15 жінок, 15 чоловіків).

Щоб перевірити, чи відповідні розміри остаточної вибірки, ми провели аналіз потужності на основі загальної точності на етапі перевірки зв’язування для 5--річних і 8--річних дітей. Потужність виявлення різниці між п’ятирічними та восьмирічними дітьми становила 1.00 у цьому експерименті, що вказує на те, що ці розміри вибірки були більш ніж достатніми для виявлення ефекту віку в точності зв’язування пам’яті.

Дані для цього експерименту представлені на малюнку 2 і в таблиці 1. Щоб проаналізувати дані, ми провели серію ієрархічних лінійних регресій Байєса, що передбачають середню точність на різних етапах завдання. Повністю ці аналізи представлено в розділах «Ієрархічні моделі байєсової регресії» та «Результати моделі регресії» додаткових онлайн-матеріалів.

Загалом, результати свідчать про сильні ефекти перекриття в усіх групах. Зокрема, хоча ми виявили мало доказів проактивного втручання під час навчання або тестування на непередбачених ситуаціях набору B, ми виявили вагомі докази ретроактивного втручання в другому тесті на навчання для набору A (тобто в тесті на навчання 2A, після вивчення та тестування набору B ), оскільки точність була значно нижчою для Перекриття порівняно з унікальними непередбаченими випадками. Цікаво, що точність також мала тенденцію бути нижчою в тесті навчання 2A в цілому. Існує кілька причин, чому це могло бути так: спогади могли згаснути з часом, учасники могли бути втомленими на цьому пізньому етапі експерименту, або могли бути певні перешкоди від інших непередбачених обставин, які не були специфічними для накладення стимулів.

Ми також знайшли переконливі докази перешкод, які конкретно можна віднести до накладання стимулів у фазі тесту на зв’язування, оскільки точність була значно нижчою для Перекриття порівняно з унікальними випадками. Ми також знайшли докази нижчої загальної точності для 5--річних дітей, ніж для старших вікових груп на етапі обов’язкового тесту. Результати сильного втручання та відмінностей у розвитку були дещо дивними, враховуючи, що особливості форми та кольору були представлені всередині об’єктів, і ми очікували, що внутрішньооб’єктне зв’язування буде відносно сильним у всіх вікових групах.

Однак з цих результатів незрозуміло, які асоціації були сформовані або як ці зв’язувальні структури могли відрізнятися між віковими групами: учасники могли сформувати прості зв’язувальні структури між окремою формою чи колірними особливостями та характером, між формами та кольорами разом в межах об’єктів і потенційно між ознаками та символами, які розглядатимуться за допомогою складної зв’язувальної структури. Важко оцінити, якою мірою ці зв’язувальні структури були сформовані за допомогою стандартних статистичних моделей, таких як регресія. Замість цього нам потрібна модель, яка передбачає як правильні відповіді, так і різні типи відповідей на помилки на основі представлення, що лежить в основі (тобто структури зв’язування). Щоб формально оцінити формування різних зв’язувальних структур і відмінності в розвитку цих процесів, ми створили генеративну обчислювальну модель.

Опис обчислювальної моделі. Щоб формально охарактеризувати процеси зв’язування, які, як ми припустили, лежать в основі продуктивності в цьому експерименті, ми розробили нову обчислювальну модель (повний опис моделі див. у розділі Генеративна обчислювальна модель у додаткових онлайнових матеріалах). Модель припускає, що відповіді учасників були підкріплені силою асоціацій, отриманих під час експерименту.

У моделі матриці MFF, MFC і MFFC зберігають асоціації між функціями форми та кольору (тобто прив’язками ознаки до ознак, або FF), між кожною окремою ознакою об’єкта (формою або кольором) і символом (тобто ознака-символ). прив’язки, або FC), і між об’єднанням обох ознак разом у межах об’єкта та символу (тобто прив’язка функція-функція-символ, або FFC), відповідно. Ці матриці оновлюються на пробному рівні для імітації процесів зв’язування та перевіряються сигналами пам’яті для імітації пошуку.

Кожна зв’язувальна структура є двонаправленою: наприклад, оскільки фігура асоціюється з символом, символ також асоціюється з фігурою (див. рис. 3). Зв’язки між різними елементами збільшуються в трьох матрицях на пробному рівні, масштабуються параметрами швидкості навчання, специфічними для кожного типу зв’язування: FF, FC і FFC. Різні зв'язувальні структури по-різному впливають на продуктивність моделі. Зв’язки FF не впливають на продуктивність на етапах тесту «Навчання» або «Навчання», але в тесті «Зв’язка» сприяють правильним відповідям для унікальних непередбачених ситуацій, а також варіантам відповіді «Правильна» та «Перекриваюча» для непередбачених ситуацій, що перекриваються.

В Експерименті 1 внутрішньооб’єктне зв’язування FF заохочувалося представленням форм і кольорів в межах одного об’єкта, тоді як в Експерименті 2 функції були просторово розділені для стимулювання екстраоб’єктного зв’язування (Малюнок 3, верхня панель). Асоціації FC сприяють точним відповідям на етапах тестування «Навчання» та «Навчання», але також можуть сприяти неточним відповідям для непередбачених ситуацій, що перекриваються, після введення набору B; ці асоціації також можна використовувати в тесті зв’язування, щоб збільшити ймовірність вибору варіантів відповіді, які були пов’язані з даним символом. Нарешті, складні асоціації FFC сприяють лише правильній відповіді як для накладання, так і для унікальних непередбачених ситуацій на всіх етапах завдання.

На додаток до посилення цих типів асоціацій, модель може «забути», послабивши раніше сформовані асоціації, які суперечать поточному навчанню. Наприклад, під час вивчення непередбачених ситуацій, що перекриваються, на етапі навчання для набору B кожна функція об’єкта була попередньо пов’язана з іншим символом за допомогою зв’язування FC, і модель може послабити ці конкуруючі зв’язки, щоб сприяти більшій точності, а отже, зменшувати проактивне втручання, тоді як в той же час збільшуючи ретроактивні перешкоди пізніше, коли набір A буде переглянуто в тесті навчання A2.

Таким чином, ефект забування схожий на процес гальмування, як обговорювалося у Вступі, хоча ми не включили механізм, за допомогою якого забування можна було б скасувати, окрім нового навчання, тоді як гальмування часто вважають тимчасовим явищем (Geiselman & Bagheri, 1985). У результаті механізм забування в моделі можна вважати процесом розучування. Ступінь цього процесу забування, що впливає на всі зв’язувальні структури, контролювався одним додатковим параметром, .

Ці процеси навчання та забування визначені математично в моделі. Хоча повні рівняння моделі надані в додаткових онлайн-матеріалах, тепер ми надаємо спрощені рівняння для узагальнення компонентів моделі. Кожна матриця оновлюється під час кожного випробування:

де M — одна з трьох асоціативних матриць і відповідна швидкість навчання (нагадаємо, що різні швидкості навчання оцінюються для зв’язування FC, FF і FFC: FC, FF FFC). Векторні представлення двох елементів (наприклад, форми та кольору) позначаються як f1 та f2. Ці елементи пов’язані за допомогою зовнішнього добутку, позначеного символом ⊗. Забування в моделі контролюється параметром, який є однаковим для всіх типів прив’язки (FC, FF і FFC). Забування відбувається шляхом зменшення зв’язку між кожним елементом та іншими елементами, які раніше були пов’язані з ним, але не представлені в поточному дослідженні, позначеному fx.

Наприклад, якщо в наборі A було представлено синє коло та жовту зірку, коли блакитна зірка представлена ​​на етапі навчання для набору B, асоціація з синьою зіркою буде посилена завдяки новому навчанню, тоді як асоціація із синім колом буде послаблена через забуваючи. Зауважте, що в повній моделі навчання відбувається двонаправлено (наприклад, оскільки синій асоціюється із зіркою, зірка асоціюється з синім; дивіться додаткові онлайнові матеріали для рівнянь повної моделі).

Нарешті, r є одиничним скалярним значенням, що представляє сигнал новизни пробного рівня, який змінюється від спроби до спроби, відстежуючи, наскільки сильно елементи f1 і f2 вже були пов’язані в минулому: r=e −f1·(M ·f2)+f2·(M·f1)).

У цьому рівнянні f2 використовується як підказка для отримання масиву раніше пов’язаних елементів з M за допомогою скалярного добутку, а потім другий скалярний добуток «зчитує», наскільки сильно було отримано f1. Це скалярне значення сили потім додається до відповідного значення сили для асоціації в протилежному напрямку (тобто, наскільки сильно f2 було отримано f1). Експоненціальна функція застосовується до цього загального значення міцності. Якщо для цих асоціацій раніше не відбулося навчання, сильні сторони будуть нульовими, що призведе до r=1 і повного навчання.

Однак, коли асоціації стають сильнішими, значення сили стають більшими, і r наближається до нуля. Результатом цього механізму є те, що навчання зменшується для асоціацій, які вже добре засвоєні, що необхідно для того, щоб сила асоціацій не зростала безмежно, оскільки навчання відбувається через багаторазові спроби.

Для імітації прийняття рішень модель обчислює силу зв’язку між наданими сигналами пам’яті та можливими цілями для кожного випробування. Сильні сторони визначаються шляхом дослідження асоціативних матриць з підказками: s=(M · fcue ) · target. Це рівняння отримує масив елементів, які були пов’язані з підказкою (підказкою), і зчитує окреме значення (значення) сили для конкретної цілі (цілі). Ці оцінки потужності забезпечують основу для розрахунку ймовірності кожної можливої ​​реакції, враховуючи при цьому конкуренцію з боку інших можливих реакцій, які можуть призвести до перешкод.

Це правило конкурентного пошуку реалізовано як функція softmax: Pcℎoice=e s cℎoice ∑e s. Якщо сильні сторони, що підтримують усі можливі варіанти, однакові, модель прогнозує ефективність на рівні шансів, але в тій мірі, в якій певний вибір підтримується більшими значеннями сили, ніж інші варіанти, модель з більшою ймовірністю зробить відповідний вибір.

Ми підганяємо модель до спостережуваних даних за допомогою чотирьох вільних параметрів: FC, FF, FFC та . Важливо, що модель не була придатною для узагальнення статистичних даних, таких як частка правильних відповідей на певній фазі, але враховувала вибір учасників для кожного випробування на кожній фазі експерименту. Ми застосували ієрархічні методи Байєса, щоб відповідати моделі, що дозволило нам оцінити вікові відмінності за допомогою апостеріорного розподілу параметрів. Перегляньте додаткові онлайн-матеріали, щоб отримати додаткові відомості про модель і те, як вона підійшла до даних.

Результати обчислювальної моделі. Щоб оцінити відповідність моделі, ми згенерували продуктивність завдання пробного рівня, враховуючи найкращі оцінки параметрів кожного учасника (дивіться Малюнок 2, щоб порівняти спостережувану та прогнозовану моделлю продуктивність). Незважаючи на переоцінку проактивного втручання в першому блоці навчання набору B у всіх вікових групах, модель добре відповідає більшості шаблонів продуктивності на всіх експериментальних фазах, припускаючи, що вона здатна охопити принаймні деякі процеси, що лежать в основі виконання завдань, і те, як вони відрізняються між віковими групами.

Апостеріорний розподіл гіперпараметрів для кожної вікової групи показано на малюнку 4A. Ми оцінюємо різницю у віці для кожного параметра, обчислюючи η, міру перекриття розподілу, описану вище в розділі «Аналіз». Не було суттєвих доказів будь-яких вікових відмінностей у зв’язуванні FC, оціненому за допомогою параметра FC, або забутті, оціненому за допомогою (ηs > 0,17). Навпаки, ми виявили дуже вагомі докази слабшого зв’язування FF, оцінюваного за параметром FF, у 5--річних дітей порівняно з 8--річними (η=0,005) і дорослими (η=0,001). Було мало доказів різниці між двома старшими віковими групами (η= 0,642). Ці нові відкриття свідчать про сильні зміни внутрішньооб’єктного зв’язування у віці від 5 до 8 років, хоча ця здатність може бути схожою на дорослу до 8 років.

Були також переконливі докази нижчих значень параметра комплексного зв’язування, FFC, у 5--річних дітей порівняно з 8--річними (η=0,010) і дорослими (η=0,002). Хоча розрахункові значення параметрів, як правило, були вищими у дорослих порівняно з восьмирічними, ця різниця була не дуже значною (η=0,429). Останній висновок був дещо несподіваним, оскільки попередня робота з використанням завдання пригадування припустила тривалий розвиток комплексного зв’язування після 7 років (Yim та ін., 2013). Можливо, здатність формувати складні прив’язки краще помітна в задачах розпізнавання, ніж у складніших задачах пригадування; ми повертаємося до цього питання в Загальній дискусії.

Щоб перевірити, чи всі механізми моделі необхідні для підгонки даних, ми провели порівняльне дослідження моделі, у якому кожен параметр було вилучено з моделі (тобто встановлено на нуль), а інші підігнано до даних, і ми виявили, що повна модель, включно з усіма чотирма параметрами, найкраще відповідає даним, навіть якщо врахувати складність моделі (див. розділ «Порівняльне дослідження моделі» в додаткових онлайнових матеріалах і див. рисунок S5 у цьому ж розділі, щоб дізнатися, як ці різні моделі передбачають різні моделі продуктивності).

Загалом, у цьому експерименті ми виявили переконливі докази впливу на пам’ять у всіх вікових групах на основі ієрархічних регресійних моделей, а також відмінності в розвитку в тесті зв’язування. Можливо, що більш важливо, за допомогою нової обчислювальної моделі ми знайшли докази суттєвих відмінностей у розвитку внутрішньооб’єктного зв’язування та комплексного зв’язування після 5 років, але не після 8 років. Однак із цих результатів незрозуміло, як на прив’язку пам’яті та перешкоди вплинуло представлення функцій в межах одного об’єкта. Попередня робота з дорослими припускає, що прив’язування екстраоб’єктів є більш вимогливим до уваги та пов’язане з менш точною продуктивністю асоціативної пам’яті порівняно з внутрішньооб’єктним прив’язуванням (Asch та ін., 1960; Екер та ін., 2007, 2013; van Geldorp та ін., 2015). . Отже, ми припустили, що просторове розділення характеристик об’єкта порушить зв’язування, особливо для маленьких дітей, що може посилити ефект перешкод. Ми досліджували ці можливості в експерименті 2.

Експеримент 2: Розробка методу екстраоб’єктного зв’язування

Учасники — сорок п’ять 5- років (Маг=5.16 років, SDвік =.23, мова=4.80 −5.74; 17 жінок, 28 чоловіків) , 43 восьмирічних (Маг.=8.49 років, SDвік =.38, мова=7.74 – 8.99; 23 жінки, 20 чоловіків) і 34 дорослих (19 жінки, 15 чоловіків) брали участь в експерименті 2. Дивіться розділ «Результати та обговорення» нижче, щоб отримати аналіз потужності. Призначення цього експерименту або експерименту 1 було рандомізовано.

Стимули та процедура. У цьому експерименті елементи форми та кольору не були представлені разом в одному об’єкті, а були просторово розділені (див. Малюнок 5). Під час кожного випробування прозору форму та кольорову пляму розташовували вертикально, а відносне просторове положення (верх або низ) цих елементів було врівноважено для кожної пари колір-форма в кожному блоці кожної фази. Процедура була ідентичною експерименту 1, за винятком того, що стимули називалися «парами форм і кольорів» замість об’єктів під час інструкцій і відгуків про виконання.

For more information:1950477648nn@gmail.com