więcej informacji:ali.ma@wecistanche.com

pls kliknij tutaj, aby przejść do części 2!

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

Przyjęto: 12 lutego 2021 / Opublikowano online: 25 marca 2021

# Autorzy 2021

KliknijCistanche UK dla pamięci

Abstrakcyjny

Utrzymywanie informacji o zamówieniach seryjnych jest podstawowym elementem pracypamięć(WM). Wiele modeli teoretycznych zakłada istnienie określonych mechanizmów szeregowych porządków. Są one uważane za niezależne od systemu językowego wspierającego utrzymanie informacji o pozycji. Opiera się to na badaniach wykazujących, że czynniki psycholingwistyczne silnie wpływają na zdolność zachowania informacji o przedmiocie, pozostawiając stosunkowo niezmieniony porządek przypominania. Najnowsze konta językowe sugerują jednak, że system językowy może zapewnić mechanizmy wystarczające do obsługi zamówień seryjnych. Silna wersja tych kont postuluje, że seryjne utrzymanie zamówień wynika z wzorca aktywacji występującego w systemie językowym. W niniejszym badaniu przetestowaliśmy to założenie za pomocą podejścia do modelowania obliczeniowego, wdrażając architekturę opartą wyłącznie na aktywacji. Przetestowaliśmy tę architekturę w oparciu o kilka eksperymentów obejmujących manipulację pokrewieństwem semantycznym, zmienną psycholingwistyczną, która, jak wykazano, oddziałuje z przetwarzaniem kolejności szeregowej w złożony sposób. Pokazujemy, że ta architektura oparta na aktywacji ma trudności z wyjaśnieniem interakcji między wiedzą semantyczną a przetwarzaniem kolejności szeregowej. To badanie nie wspiera aktywowanych długoterminowopamięćjako ekskluzywny mechanizm wspierający obsługę zamówień seryjnych.

Słowa kluczowe: Pracapamięć. Zamówienie seryjne. Modelowanie obliczeniowe. Wiedza semantyczna

Wstęp

Zdolność do zachowania informacji o zamówieniach seryjnych jest podstawowym elementem pracy werbalnejpamięć(WM). Mechanizmy zaangażowane w utrzymanie kolejności seryjnej (tj. sekwencyjna kolejność pozycji do zapamiętania) zostały uznane za niezależne od mechanizmów zaangażowanych w utrzymanie informacji o pozycji (tj. treść językowa pozycji do zapamiętania). przedmiotów). Założenie to potwierdzają różne kierunki badań. Badania badające wpływ czynników psycholingwistycznych, takich jak leksykalność, na werbalną wydajność WM, zwykle obserwują wpływ na przypominanie pozycji, przy minimalnym wpływie na przypominanie kolejności seryjnej (Allen i Hulme, 2006; Hulme, 2003;

Wydział Psychologii, Uniwersytet w Zurychu, Binzmühlestrasse 14, 8050, Zurych, Szwajcaria

Uniwersytet w Liège, Liège, Belgia

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

Fundusz Badań Naukowych – FRS-FNRS, Bruksela, Belgia

Romowie, Mccalpine i Martin, 2008; Roodenrys, Hulme, Lethbridge, Hinton i Nimmo, 2002; Saint-Aubin i Ouellette, 2005; Walkera i Hulme, 1999). Ponadto na wykonanie seryjnego przywołania rozkazów silniej wpływają rytmiczne i artykulacyjne zadania zakłócające niż utrzymywanie informacji o elementach (Gorin, Kowialiewski i Majerus, 2016; Henson, Hartley, Burgess, Hitch i Flude, 2003). Badania neuropsychologiczne wykazały również istnienie podwójnych dysocjacji między porządkiem seryjnym a wydajnością przywoływania pozycji u kilku pacjentów z uszkodzeniem mózgu i populacji dotkniętych zaburzeniami neurorozwojowymi (Brock i Jarrold, 2005; Majerus, Attout, Artielle i Kaa, 2015; Martinez Perez , Poncelet, Łosoś i Majerus, 2015). Wreszcie, utrzymanie informacji o pozycjach i zamówieniach seryjnych jest wspierane przez różne substraty neuronalne, jak donoszą badania neurostymulacji i neuroobrazowania (Attout, Fias, Salmon i Majerus, 2014; Guidali, Pisoni, Bolognini i Papagno, 2019; Kalm i Norris , 2014; Majerus i wsp., 2010; Papagno i wsp., 2017).

Jednocześnie inne badania sugerują, że przywoływanie kolejności seryjnej może również wchodzić w interakcje z wiedzą językową. Chociaż wiedza leksykalna silnie poprawia zapamiętywanie informacji o elementach, ogranicza również błędy migracji fonemów w obrębie elementów i między elementami (Jefferies, Frankish i Lambon Ralph, 2006). Podobnie niesłowa, nawet jeśli są słabiej zapamiętywane w porównaniu ze słowami na poziomie elementu, mogą wykazywać względną przewagę w odniesieniu do przywoływania kolejności seryjnej (Fallon, Mak, Tehan i Daly, 2005; Kowialiewski i Majerus, 2018; Saint-Aubin i Poirier , 1999). Ostatnio Kalm i Norris (2014) wykazali, że szeregowy porządek niesłów może być dekodowany na podstawie wzorców neuronowych wywoływanych w grzbietowych ścieżkach językowych wspierających kodowanie i utrzymywanie informacji werbalnych. Podobnie Papagno i in. (2017) wykazali, że wydajność seryjnego przypominania kolejności spada w porównaniu z wydajnością przypominania pozycji, gdy tylna część grzbietowej ścieżki językowej jest stymulowana za pomocą bezpośredniej stymulacji elektrycznej u pacjentów neurochirurgicznych.

Na poziomie teoretycznym twierdzono, że tymczasową obsługę informacji o zamówieniu seryjnym można przeprowadzić bez potrzeby stosowania określonych poziomów reprezentacji towaru i zamówienia seryjnego (Acheson & MacDonald, 2009; Jones & Macken, 2018; Schwering & MacDonald, 2020 ). Silna wersja takiego konta uważa, że ​​informacje o kolejności seryjnej są utrzymywane wyłącznie poprzez wzór aktywacji zachodzących w systemie językowym (Acheson, MacDonald i Postle, 2011; Martin i Saffran, 1997; Poirier, Saint-Aubin, Mair, Tehan i Tolan, 2015). Na przykład według Martina i Saffrana (1997, s. 672):

„Zasadniczo interaktywne procesy aktywacji mogą również odgrywać rolę w utrzymaniu porządku seryjnego. Węzeł słowa reprezentujący pierwsze słowo w sekwencji jest primingowany jako pierwszy i dlatego ma więcej czasu na uzyskanie wsparcia z aktywowanych reprezentacji fonologicznych i semantycznych w porównaniu z węzłami, które są primingowane. później w sekwencji. Zatem węzły słów powinny wykazywać gradient poziomów aktywacji w kolejnych pozycjach. [ … ] Efekty aktualności w przypominaniu supraspan odzwierciedlają zwiększone wsparcie fonologiczne, które wynika z faktu, że w momencie przypominania poziomy aktywacji elementy terminala zostały mniej dotknięte przez funkcję rozpadu właściwą dla modelu aktywacji.”

Cistanche może poprawić pamięć

Podobnie Acheson i in. (2011, s. 45–46) sugerowali, że błędy porządkowania seryjnego mogą wystąpić bezpośrednio poprzez względny poziom aktywacji elementu w sieci językowej:

„Te interaktywne struktury aktywacji dostarczają potencjalnego wyjaśnienia, w jaki sposób reprezentacja semantyczna może wpływać na kolejność planów wypowiedzi na poziomie leksykalnym. również reprezentacje semantyczne. Po wstępnym kodowaniu, aktywacja leksykalna jest określana przez powtarzaną interakcję z reprezentacjami semantycznymi i fonologicznymi. Szeregowe błędy porządkowania pojawiają się, gdy względne poziomy aktywacji elementów leksykalnych zmieniają się z powodu tej interakcji”.

Opierając się na tym pomyśle, Poirier i in. (2015) opracowali bardziej rozbudowany opis takich modeli, nazwany rachunkiem ANet. Zgodnie z tym opisem, pozycje na liście do zapamiętania są sekwencyjnie kodowane w językowej długoterminowejpamięćsystem o malejącej sile zgodnie z gradientem aktywacji1, jak pokazano na Rys. 1. Informacja o szeregowym porządku jest utrzymywana przez ten gradient aktywacji. Przywoływanie seryjne odbywa się poprzez wybranie najsilniej aktywowanego elementu przy każdej próbie przywołania. Ze względu na głośny mechanizm selekcji, w końcu pojawiają się błędy kolejności seryjnej. Ważnym przewidywaniem z tego modelu jest to, że modyfikacja poziomu aktywacji elementu w systemie językowym powinna również wpływać na wzorzec błędów porządkowania szeregowego w WM (Achesonetal., 2011).

Najnowsze dowody wydają się potwierdzać to teoretyczne stanowisko. Poirier i in. (2015) manipulowali pokrewieństwem semantycznym, prezentując trójki pozycji pokrewnych semantycznie w pierwszej połowie list do zapamiętania. Kolejne pozycje list były semantycznie niepowiązane w warunku kontrolnym (np. oficer – odznaka – syrena – muzyka – turysta – żółty). W warunkach eksperymentalnych piąta pozycja była semantycznie powiązana z potrójną dziesiątą pierwszej połowy listy. W porównaniu do warunku kontrolnego autorzy zaobserwowali wzrost błędów migracji pozycji piątej w kierunku wcześniejszych pozycji szeregowych, czyli w kierunku pokrewnych semantycznie trojaczków słów. ), cel ten powinien mieć wyższy poziom aktywacji w warunkach eksperymentalnych (rys. 1c) w porównaniu do warunków kontrolnych (rys. 1b). Ponieważ przywoływanie informacji o zamówieniu seryjnym odbywa się poprzez wybranie najbardziej aktywowanego elementu, gradient aktywacji w długim okresiepamięćmoże teoretycznie przewidywać więcej migracji semantycznie powiązanego celu w kierunku wcześniejszych pozycji seryjnych. Manipulacja pokrewieństwem semantycznym jest zatem krytycznym i bezpośrednim testem modeli opartych na aktywacji, ponieważ ma na celu modyfikację względnego wzorca aktywacji występującego w systemie językowym. Ta względna aktywacja powinna z kolei wpływać na przetwarzanie informacji o zamówieniach seryjnych (Acheson et al., 2011), które wydają się potwierdzać dane Poirier i współpracowników. To była rzeczywiście podstawowa prognoza z ich konta ANet:

„W Eksperymencie 1 manipulowaliśmy poziomem aktywacji elementu docelowego, aby przetestować przewidywanie, że zwiększy to błędy kolejności dla tego elementu, czyniąc prawdopodobne, że mechanizm CQ [Kolejkowanie konkurencyjne] wybierze ten element wcześniej z powodu jego zwiększonej aktywacji; wczesna selekcja oznaczałaby, że aktywacja wpłynęła na kolejność przywołania przedmiotów”. (Poirier i in., 2015, s. 492).

Rys. 1 Ilustracja gradientu aktywacji (a) w stanie semantycznie niepowiązanym, (b) w stanie, w którym elementy A, B i C są powiązane semantycznie, oraz (c) w stanie, w którym elementy A, B, C i E są ze sobą powiązane semantycznie. Pozycje powiązane semantycznie są oznaczone gwiazdką. Jak widać, obecność pokrewieństwa semantycznego zwiększa poziom aktywacji przedmiotu dla powiązanych przedmiotów

Biorąc pod uwagę, że to ujęcie teoretyczne jest uderzająco kontrastujące z większością modeli obliczeniowych WM zakładających odrębne poziomy przetwarzania pozycji i kolejności szeregowej, celem niniejszego badania było przetestowanie wiarygodności obliczeniowej czysto aktywacyjnego wyjaśnienia lingwistycznego reprezentującego kolejność szeregową. informacje w kontekście WM. Większość modeli obliczeniowych WM rzeczywiście wyraźnie zakłada istnienie mechanizmów szeregowych porządków, które różnią się od tych związanych z informacją o elementach. Dotyczy to na przykład architektur TBRS* i SOB-CS (Oberauer i Lewandowsky, 2011; Oberauer, Lewandowsky, Farrell, Jarrold i Greaves, 2012), ale także modeli obliczeniowych Burgess i Hitch (1999, 2006). oraz Brown, Hulme i Preece (2000). Tego typu architektury uwzględniają, że informacje o kolejności szeregowej są utrzymywane poprzez tworzenie skojarzeń pozycja-pozycja, przy czym pozycje są reprezentowane przez określone mechanizmy reprezentacji. Modele te, chociaż silnie różnią się charakterem reprezentacji pozycji szeregowych, niezawodnie odtwarzają ważne zjawiska kolejności szeregowej, w tym efekty pierwszeństwa i świeżości oraz wzorce błędów transpozycji.

co jest krytycznym czynnikiem psycholingwistycznym w testowaniu prawdopodobieństwa architektury opartej wyłącznie na aktywacji. Aby przyjrzeć się architekturze obliczeniowej, najpierw założyliśmy, że informacje o kolejności szeregowej są utrzymywane przez długoterminowy gradient aktywacjipamięć(Martin i Saffran, 1997; Page i Norris, 1998; Poirier i in., 2015). Następnie zaadaptowaliśmy tę architekturę, dodając boczne połączenia pobudzające do efektów semantycznych modelu.

Cistanche może poprawić pamięć

Modelowanie obliczeniowe

Architektura

Zastosowana przez nas architektura to model koneksjonistyczny złożony z jednej warstwy. Po zakodowaniu element staje się aktywny. Ta aktywacja ma następować bezpośrednio w długookresowej bazie wiedzy o pamięci. Semantycznie powiązane elementy są połączone poprzez bezpośrednie dwukierunkowe połączenia wzbudzające, których prawdopodobieństwo modelowania efektów semantycznych w WM zostało już zademonstrowane w trzech niezależnych modelach (Haarmann i Usher, 2001; Kowialiewski i Majerus, 2020; Kowialiewski, Portrat i Lemaire , 2021). Pozycje są sukcesywnie aktywowane ze zmniejszającą się siłą za pomocą gradientu aktywacji. Każdy zakodowany przedmiot automatycznie rozszerza aktywację na inne powiązane semantycznie przedmioty. Przywołanie polega na sukcesywnym odzyskiwaniu każdego przedmiotu zgodnie z jego wartością aktywacji. Dla uproszczenia wykorzystaliśmy ostatnią implementację modelu Primacy, którą udostępnili Norris, Kalm i Hall (2020). Nasza implementacja Julii proponowanej przez nas architektury jest bezpłatnie dostępna na Open Science Framework (OSF): https://osf.io/9e4hu/.

Kodowanie W oryginalnym modelu Primacy, kodowanie przebiega zgodnie z gradientem aktywacji, który oznaczamy V. Jest to określone przez wartość szczytową , i wartość kroku, . Wartość jest wolnym parametrem i reprezentuje wartość początkową, z którą skojarzony jest pierwszy element. Wartość reprezentuje stopień wyczerpania wartości na każdym etapie kodowania. Ten parametr jest ustalony na 1. Na przykład, przy wartości 20, gradient aktywacji wynosi [20, 19, 18, 17, 16, 15] dla sześcioelementowej listy. Zwróć uwagę, że próba nigdy nie jest wyraźnie modelowana w modelu prymatu. Obejmuje to ostatnią implementację Norrisa i współpracowników. Aktywacja w modelu jest po prostu wyprowadzona z tego, czego można by się spodziewać, gdyby teoretycznie odbyła się próba.

Rozprzestrzenianie aktywacji Podczas kodowania aktywacja rozprzestrzenia się w kierunku powiązanych semantycznie węzłów. Jest to modelowane przez uwzględnienie dwukierunkowych połączeń wzbudzających. Siła tych połączeń jest parametrem swobodnym λ. Na każdym etapie kodowania elementy są aktywowane przy użyciu gradientu aktywacji V. Aktywacja następnie rozprzestrzenia się dwukierunkowo w sieci:

gdzie Ai reprezentuje ostateczną wartość aktywacji powiązaną z pozycją i, a Aj jest aktywacją pochodzącą z każdej powiązanej semantycznie pozycji, j, przeskalowaną przez wagę połączenia, λ. Indeks dolny t reprezentuje znacznik czasu.

Należy zauważyć, że nie zamierzamy jawnie przedstawiać wiedzy semantycznej. To, co zamierzamy przedstawić poprzez tę rozprzestrzeniającą się zasadę aktywacji, to fakt, że semantycznie powiązane przedmioty reaktywują się nawzajem. Z kolei ta reaktywacja ma na celu zmodyfikowanie względnej aktywacji pozycji, a tym samym wzorca błędów kolejności seryjnej (Acheson i in., 2011). Innymi słowy, modyfikacja względnego poziomu aktywacji elementów w sieci semantycznej zmienia również wewnętrzną reprezentację modelu ich kolejności szeregowej.

Przywołaj Po zakodowaniu wszystkich elementów model musi je odzyskać. Odbywa się to za pomocą konkurencyjnego mechanizmu kolejkowania.2 Przywołanie jest procesem dwuetapowym.

2 Poirier i współpracownicy zasugerowali, że konkurencyjny mechanizm kolejkowania jest modelowany przy użyciu modelu akumulatora, za Hurlstone i Hitch (2015). Wdrożyliśmy taki konkurencyjny mechanizm kolejkowania oparty na zasadach akumulatorów (dostępny na OSF). Nie zapewniło to żadnego ulepszenia modelu, z wyjątkiem tego, że model akumulatorowy zapewnia dalszą możliwość prognozowania opóźnień przywołania, co wykracza poza cel tego badania. Dlatego po prostu utknęliśmy przy ostatniej dostępnej implementacji modelu Primacy.

Najpierw wybierany jest element jako potencjalny kandydat. Ten proces podlega hałasowi:

Jest to modelowane przez dodanie tymczasowego, wyśrodkowanego na zero losowego szumu Gaussa do aktywacji każdego elementu, ze standardowym odchyleniem równym σ, czyli parametrem swobodnym. Następnie wybierany jest najbardziej aktywowany element. Tłumienie odpowiedzi (Duncan i Lewandowsky, 2005) występuje już na tym etapie, poprzez ustawienie przywołanej pozycji na bardzo niską wartość (tj. -999). Zapobiega to dwukrotnemu przywołaniu elementu przez model. Po drugie, wartość aktywacji wybranej pozycji jest porównywana z progiem pominięcia. Ten próg jest wyprowadzany z losowego rozkładu Gaussa N(θ, σ′), gdzie θ i σ′ są dwoma wolnymi parametrami. Jeśli wartość aktywacji wybranej pozycji (bez szumu dodanego podczas pierwszego kroku) przekracza próg pobierania, pozycja jest przywołana poprawnie. W przeciwnym razie powstaje pominięcie. Należy podkreślić, że ta implementacja zakłada tłumienie odpowiedzi jako stosowane zawsze podczas pierwszego etapu wyszukiwania, niezależnie od tego, czy pominięcie powstało podczas drugiego etapu. Ten wybór implementacji przez Norrisa i in. (2020) jest mało prawdopodobne. Jednak z doświadczenia, które zdobyliśmy podczas wielokrotnego uruchamiania modelu, jest to jedyny sposób, w jaki model Primacy może generować błędy pominięć podczas modelowania realistycznych szeregowych krzywych położenia. Należy zauważyć, że możliwe jest tworzenie realistycznych szeregowych krzywych położenia, unikając tego problemu implementacyjnego bez wpływu na podstawowe założenia modelu. My jednak woleliśmy pozostać przy oryginalnej implementacji dla uproszczenia. Do czasu każdej kolejnej próby wycofania wszystkie przedmioty uległy zniszczeniu:

gdzie D jest swobodnym parametrem w zakresie od 0 do 1. Ze względu na ten parametr zaniku elementy przywoływane w dalszej części list są bardziej podatne na szum, ponieważ wartości aktywacji zbiegają się w kierunku asymptoty. Wszystkie parametry modelu są wymienione w tabeli

1. Metoda

Zbiory danych Trafność tego modelu została przetestowana na trzech różnych zestawach danych: dwóch zestawach danych (Kowialiewski i in., 2021; Kowialiewski i Majerus, 2020), które zawierają warunki semantyczne i neutralne (tj. warunek neutralny jest semantycznie niepowiązanym warunkiem ) oraz dane z Poirier et al. (2015), o czym już pisaliśmy we Wstępie. Model opiera się na kilku parametrach, które częściowo zależą od zadania. Parametry zostały więc oszacowane niezależnie dla każdego zestawu danych. Po pierwsze, parametry, które nie zależą od pokrewieństwa semantycznego, zostały oszacowane na podstawie neutralnego

warunek, w celu uzyskania modelu bazowego, który byłby w stanie odtworzyć standardową wydajność przywołania seryjnego. Po drugie, warunek semantyczny został wykorzystany do oszacowania parametru λ, który kontroluje poziom pokrewieństwa semantycznego między pozycjami.

Ogólna procedura punktacji Krzywe pozycji seryjnej są wykreślane przy użyciu ścisłego kryterium przywołania seryjnego, w którym pozycja jest oceniana jako poprawna tylko wtedy, gdy została przywołana we właściwej pozycji seryjnej. Na przykład, biorąc pod uwagę sekwencję docelową „Pozycja1 – Pozycja2 – Pozycja3 – Pozycja4 – Pozycja5 – Pozycja6” i wynik wycofania „Pozycja1 – Pozycja2 – puste – Pozycja3 – Pozycja4 – Pozycja6”, tylko pozycje 1, 2 i 6 zostaną ocenione jako prawidłowy. Aby dopasować dane eksperymentalne, zastosowaliśmy również kryterium przywołania pozycji, w którym pozycja jest oceniana jako poprawna, jeśli została prawidłowo przywołana, niezależnie od jej pozycji seryjnej. W powyższym przykładzie punkty 1, 2, 3, 4 i 6 zostałyby ocenione jako poprawne. Aby ocenić ogólny wpływ pokrewieństwa semantycznego na wydajność przywoływania zamówień, obliczyliśmy wynik przywoływania zamówień dla każdego warunku eksperymentalnego. Dokonano tego poprzez podzielenie liczby pozycji czasowych, które zostały przywołane we właściwej pozycji (tj. ścisłe kryterium przywołania seryjnego) przez liczbę przywoływanych pozycji, niezależnie od ich pozycji szeregowej (tj. kryterium przywołania pozycji).

Wskaźnik transpozycji Wzór błędów transpozycji w Poirier et al. (2015) badanie zostało wykreślone przy użyciu wskaźników transpozycji. Obliczyliśmy liczbę błędów transpozycji, jakie wystąpiły dla pozycji 5 (która jest semantycznie powiązana lub nie z pozycjami 1, 2 i 3) oraz dla każdej pozycji, do której może migrować pozycja 5. Następnie podzieliliśmy te liczby błędów transpozycji przez całkowitą liczbę przywołań punktu 5. Obliczono to oddzielnie dla każdego warunku eksperymentalnego.

Estymacja parametrów Estymację podstawowych parametrów modelu przeprowadzono za pomocą algorytmu symulowanego wyżarzania

(French & Kus, 2008; Kirkpatrick, Gelatt, & Vecchi, 1983), aby znaleźć najniższy pierwiastek błędu średniokwadratowego (RMSE) między eksperymentalnymi i symulowanymi wynikami przypominania pozycji seryjnych, zarówno w i kryteria wycofywania przedmiotów. Dlatego RMSE zawsze obliczano dla 12 punktów danych: sześć punktów danych dla kryterium ścisłego przywracania serii i sześć punktów danych dla kryterium przywracania pozycji. Dolne i górne granice każdego wolnego parametru przedstawiono w Tabeli 1. Oszacowanie parametru semantycznego λ było znacznie prostsze i wymagało jedynie przeszukiwania siatki w [0,0.1] z krokiem 0,0001. Co ważne, λ szacowano zawsze przy zachowaniu stałych podstawowych parametrów modelu. Następnie wykorzystano wartość λ, która dawała najmniejszą średnią różnicę między stanem neutralnym a stanem eksperymentalnym względem danych empirycznych. Pomysł polegał na wybraniu wartości λ, która daje różnicę między wynikami neutralnymi i eksperymentalnymi, podobną do ludzkiej. Zoperacjonalizowano to, minimalizując rozbieżność między ludzką średnią różnicą a średnią różnicą modelu. Przedstawiamy teraz trzy zestawy danych, jak również symulacje tych odpowiednich eksperymentów. Podsumowanie różnych warunków doświadczalnych wraz z przykładami z listy badań przedstawiono w Tabeli 2.

Ocena modelu

Zestaw danych nr 1: Kowialiewski i Majerus (2020)

Dane Ten zestaw danych został wykorzystany do oceny zdolności modelu do odtworzenia ogólnego wpływu pokrewieństwa semantycznego na wydajność przywołania seryjnego i przywołania zamówienia. Powszechnie wiadomo, że pokrewieństwo semantyczne silnie poprawia wydajność przypominania na poziomie pozycji (zob. metaanalizę, zob. Kowialiewski i Majerus, 2020). Pokrewieństwo semantyczne ma również niewielki szkodliwy wpływ na zdolność przywoływania informacji o kolejności seryjnej, nawet jeśli efekt jest subtelny (patrz także

Ishiguro i Saito, 2020). W związku z tym spodziewamy się, że architektura będzie miała niewielki lub żaden wpływ na wydajność przywołania zamówień. Wykorzystaliśmy dane przedstawione w Kowialiewski i Majerus (2020), gdzie manipulowali pokrewieństwem semantycznym na sześcioelementowych listach w warunkach zakłócających lub w ramach zadań natychmiastowego przywołania seryjnego. Przedstawiono jedynie wyniki tego ostatniego warunku.