แบบจำลองทรัพยากรเหตุผลของการประมวลผลของมนุษย์ของโครงสร้างภาษาแบบเรียกซ้ำส่วนที่ 2

ความคาดหวังเหล่านี้สามารถวัดได้จากเวลาในการอ่านของเจ้าของภาษาเมื่อพบกริยาตัวสุดท้ายหลังบริบทก่อนหน้า หรือโดยการให้เจ้าของภาษาทราบบริบทก่อนหน้าและขอให้พวกเขาเติมประโยคให้สมบูรณ์

ภาษาแม่เป็นภาษาแรกที่ทุกคนสัมผัสและเรียนรู้ มันไม่ได้เป็นเพียงเครื่องมือสื่อสารเท่านั้น แต่ยังส่งผลต่อความสามารถในการจดจำของเราด้วย ภาษาแม่เป็นองค์ประกอบที่สำคัญที่สุดอย่างหนึ่งในการพัฒนาการรับรู้และการรับรู้ของมนุษย์ มันเกี่ยวข้องโดยตรงกับความสามารถในการเรียนรู้ภาษา ความสามารถในการแสดงออก และความสามารถในการคิดของผู้คน

สำหรับหลายๆ คน ภาษาแม่เป็นเครื่องมือในการจำที่มีประสิทธิภาพ เนื่องจากความสามารถในภาษาแม่มีความเกี่ยวข้องอย่างใกล้ชิดกับความสามารถในการจดจำ ภาษาแม่ของเรากระตุ้นความทรงจำของผู้คนเพราะเราใช้มันเพื่อสื่อสารกับผู้คนรอบตัวเราตามธรรมชาติ และในกระบวนการนี้ เราจะต้องเข้าใจและตอบสนองต่อข้อมูลที่มีอยู่ในภาษานั้น ประสบการณ์เหล่านี้สะสมอยู่ในสมองของเราและปรับปรุงระดับความจำของเรา

จะเห็นได้เมื่อเด็กๆ เริ่มเรียนภาษาแม่ของตนเอง เนื่องจากความสามารถในการซึมซับความรู้ภาษาใหม่ๆ นั้นไม่มีขีดจำกัด ผลของการเรียนรู้ภาษาในผู้ใหญ่ไม่ชัดเจนเท่าในเด็ก เพราะสมองมีพัฒนาการหลายขั้นตอนเกินไป

นอกจากนี้ ภาษาแม่ของเรายังมีส่วนช่วยในการจดจำทางอารมณ์ของเราอีกด้วย เช่นเดียวกับอวัยวะภายในของเรา สมองของเราสามารถประทับความทรงจำที่อยู่ลึกเข้าไปในตัวเราได้ ภาษาแม่ของเราสามารถกระตุ้นอารมณ์ของเรา สร้างกรอบอารมณ์เริ่มต้น และจากนั้นสร้างอารมณ์และความทรงจำอันเป็นสัญลักษณ์ในความทรงจำของเรา

กล่าวโดยสรุป ความสัมพันธ์ระหว่างภาษาแม่กับความทรงจำมีความสำคัญมาก หากคุณต้องการพัฒนาความจำของคุณ คุณอาจต้องการเรียนรู้ภาษาพื้นเมืองเพิ่มเติม และใช้ภาษาเหล่านั้นอย่างเชี่ยวชาญ ซึ่งจะช่วยเพิ่มความสามารถในการจดจำของคุณได้อย่างมาก ในขณะเดียวกัน ภาษาแม่ก็เป็นมรดกทางวัฒนธรรมที่สำคัญเช่นกัน ช่วยให้เราเข้าใจและแสดงออกถึงลักษณะทางวัฒนธรรมและลักษณะประจำชาติได้ดีขึ้น มันเป็นความมั่งคั่งที่สำคัญของเราและเป็นวิธีสำคัญสำหรับเราในการสืบทอดประวัติศาสตร์วัฒนธรรมของเรา จะเห็นได้ว่าเราต้องปรับปรุงความจำ และ Cistanche Deserticola สามารถปรับปรุงความจำได้อย่างมาก เนื่องจาก Cistanche Deserticola ยังสามารถควบคุมความสมดุลของสารสื่อประสาท เช่น การเพิ่มระดับของอะเซทิลโคลีนและปัจจัยการเจริญเติบโต สารเหล่านี้มีความสำคัญมากต่อความจำและการเรียนรู้ นอกจากนี้ เนื้อสัตว์ยังช่วยเพิ่มการไหลเวียนของเลือดและส่งเสริมการส่งออกซิเจน ซึ่งช่วยให้สมองได้รับสารอาหารและพลังงานที่เพียงพอ ซึ่งจะช่วยปรับปรุงความมีชีวิตชีวาและความอดทนของสมอง

คลิกรู้วิธีปรับปรุงการทำงานของสมอง

เราใช้ทั้งสองอย่างเพื่อทดสอบทฤษฎีของเรา อันดับแรก เราแสดงให้เห็นว่าการใช้งานแบบจำลองของเราที่ขยายขนาดนั้นได้มาจากการทำนายตามที่อธิบายไว้ข้างต้นโดยสัญชาตญาณ ต่อไป ในการทดลองเวลาอ่านสองครั้ง เราจะเปลี่ยนแปลงความน่าจะเป็นเชิงนิรนัยของบริบทจริงอย่างเป็นระบบโดยสัมพันธ์กับตัวแปรที่มีโครงสร้างต่างกัน เราพบว่าเมื่อคำก่อนหน้านี้สนับสนุนรูปแบบ nonveridical มนุษย์จะประสบปัญหาในการประมวลผลคำกริยาสุดท้ายมากขึ้น

ความแตกต่างนี้เป็นการคาดการณ์ที่เป็นเอกลักษณ์ของโมเดลการรวมที่เรานำเสนอ และไม่เป็นไปตามแบบจำลองที่มีอยู่จากกระบวนทัศน์ที่อิงตามความคาดหวังหรือจากกระบวนทัศน์ที่ใช้หน่วยความจำ

ในที่สุด ในการศึกษาการผลิตในสามภาษา (อังกฤษ เยอรมัน และสเปน) เราจะแสดงรูปแบบที่คล้ายคลึงกันในการผลิต โดยที่มนุษย์มีแนวโน้มที่จะสร้างคำกริยาในจำนวนที่ถูกต้องมากขึ้น เมื่อตัวแปรที่มีโครงสร้างแตกต่างกันมีความน่าจะเป็นเชิงนิรนัยที่ต่ำกว่า

การทำให้เป็นทางการและการดำเนินการ
เราอธิบายแบบจำลองที่นำเสนอ การสูญเสียเหตุผลในบริบทของทรัพยากร ในรูปที่ 2 แบบจำลองคำนวณความน่าจะเป็นในการคงไว้ (28, 29) สำหรับแต่ละคำในบริบทที่ผ่านมา กำหนดโดย 1) เอกลักษณ์ของคำ และ 2) จำนวนคำที่มี ได้รับการสังเกตหลังจากสังเกตแล้ว

การแสดงหน่วยความจำโดยรวม c จะประกอบด้วยคำที่มีอยู่และสัญลักษณ์ตัวยึดสำหรับคำเหล่านั้นที่ยังไม่ถูกเก็บรักษาไว้

กฎของ Bayes และความรู้เกี่ยวกับสถิตินิรนัยของภาษา c ก่อให้เกิดค่าหลัง P(c|c) เหนือบริบทที่เป็นไปได้ และด้วยเหตุนี้จึงมีการกระจายตัวแบบคาดการณ์ P(w|c) เหนือคำถัดไป ความยากในการประมวลผลคำนั้นถูกกำหนดโดยระดับของความคาดเดาไม่ได้จาก c ซึ่งวัดโดยปริมาณข้อมูลทางทฤษฎีของความประหลาดใจ

−log P(w|c)=−logcP(w|c)P(c|c) [1]

เรานำเสนอสถิตินิรนัยของภาษาอังกฤษโดยใช้ GPT-2(30) ซึ่งเป็นโมเดลโครงข่ายประสาทเทียมขนาดใหญ่ที่ให้หนึ่งในโมเดลทางสถิติที่แข็งแกร่งที่สุดของข้อความภาษาอังกฤษที่มีอยู่

ความน่าจะเป็นในการคงไว้จะถูกกำหนดพารามิเตอร์โดยใช้โครงข่ายประสาทเทียมซึ่งทำหน้าที่แสดงเวกเตอร์ที่ไม่ขึ้นกับบริบทของคำและระยะทาง เราปรับความน่าจะเป็นในการเก็บรักษาให้เหมาะสมเพื่อลดความประหลาดใจของแบบจำลองโดยเฉลี่ย [1] เหนือข้อมูลข้อความขนาดใหญ่ โดยขึ้นอยู่กับขอบเขตบนของจำนวนคำในบริบทที่เก็บไว้โดยเฉลี่ย

เราติดตั้งโมเดลสำหรับค่าจำนวนเต็มของขอบเขตนี้ตั้งแต่ 0 ถึง 20

การเพิ่มประสิทธิภาพใช้ข้อมูลข้อความจากวิกิพีเดียภาษาอังกฤษ ซึ่งไม่เกี่ยวข้องกับสิ่งเร้าที่ฝังอยู่ตรงกลาง (ดูวัสดุและวิธีการ)

ความน่าจะเป็นในการเก็บรักษาที่ได้รับการปรับปรุงให้เหมาะสมแสดงคุณสมบัติหลักสองประการอย่างเด่นชัด: คำมีแนวโน้มที่จะได้รับการเก็บรักษาไว้มากขึ้นเมื่อเป็นคำล่าสุด และเมื่อมีความถี่ของคำต่ำกว่า (SI Appendix, รูปที่ S2) อคติทั้งสองได้รับการบันทึกไว้อย่างดีในการวิจัยเชิงทดลองเกี่ยวกับความจำทางภาษาของมนุษย์ (31–33)

การคาดการณ์

เราใช้ความประหลาดใจในบริบทที่สูญเสียเหตุผลของทรัพยากรเพื่อให้ได้มาซึ่งการคาดการณ์สามประการเกี่ยวกับการประมวลผลของโครงสร้างแบบเรียกซ้ำแบบซ้อน (รูปที่ 1 B และ C) ขั้นแรก การฟื้นตัวจากการฝังในระดับที่มากขึ้นควรจะยากขึ้น (เส้นสีน้ำเงินกับเส้นสีเขียวในรูปที่ 1C)

การทำนายแบบง่ายนี้พบได้ทั่วไปในโมเดลหน่วยความจำส่วนใหญ่ในการเข้าใจประโยค ย้อนกลับไปในทศวรรษ 1960 (2, 4, 7, 24) โดยทั่วไปโมเดลของเราคาดการณ์ได้เนื่องจากการฝังในระดับที่มากขึ้นนั้นมีแนวโน้มน้อยกว่าแบบนิรนัย ดังนั้นรูปแบบที่ไม่ยืนยันความถูกต้องที่มีระดับน้อยกว่าจึงมีแนวโน้มความน่าจะเป็นแบบนิรนัยที่สูงกว่า

ประการที่สอง การกู้คืนควรจะง่ายกว่าเมื่อความหมายเชิงความหมายเสริมโครงสร้างการพึ่งพาที่ถูกต้องสำหรับบริบทการฝังก่อนหน้า เราทดสอบคำทำนายนี้โดยปรับแต่งว่ากริยาตัวที่สองต่อท้ายเข้ากันได้กับทั้งคำนามตัวแรกและตัวที่สองเป็นประธานหรือไม่ ดังในรูป 1B รายการที่ 1 (รายงาน ...รำคาญและหมอ . .รำคาญ เป็นไปได้ทั้งคู่) หรือมีเพียงคำนามที่สอง ดังรูปที่ 1B รายการที่ 2 (รายงาน . . หายขาดนั้นไม่น่าเชื่อ ในขณะที่แพทย์ . . . หายขาดนั้นเป็นไปได้)

เมื่อคำกริยานี้ไม่เข้ากันกับคำนามตัวแรกเป็นประธาน จะไม่สนับสนุนบริบทที่ไม่ใช่การยืนยัน เช่น "รายงานโดยแพทย์รักษาผู้ป่วย... " และด้วยเหตุนี้จึงตอกย้ำบริบทที่ยืนยันได้

ดังนั้นการเปลี่ยนคำกริยา "รำคาญ" เป็น "หาย" ควรลดความพยายามในการประมวลผลคำกริยาสุดท้าย

งานแรกๆ เกี่ยวกับการฝังตรงกลางได้ระบุไว้แล้วว่าการจับคู่เชิงความหมายระหว่างคำนามและคำกริยาทำให้เข้าใจง่ายขึ้น (25, 26, 34) แต่เท่าที่เราทราบ ผลกระทบนี้ไม่ได้รับการแสดงให้เห็นในเวลาในการอ่านคำต่อคำ แม้ว่าเอฟเฟกต์ดังกล่าวอาจเข้ากันได้กับทฤษฎีที่ใช้หน่วยความจำบางทฤษฎี (7, 35) แต่ก็ไม่ได้เกิดขึ้นในแบบจำลองทางคอมพิวเตอร์ที่ชัดเจนที่มีอยู่ (7)

ประการที่สาม การฟื้นตัวควรจะง่ายกว่าเมื่อคำนามให้การสนับสนุนสัญญาณทางสถิติ (รูปที่ 1B ข้อ 3) คำนามมีความแตกต่างกันอย่างมากในความน่าจะเป็นแบบนิรนัยที่ตามด้วยประโยค "นั้น" ความน่าจะเป็นนี้มีตั้งแต่ data70% ("fact") ถึง data0.7% ("report")

เราใช้คำว่า "embedding bias" เพื่อแสดงถึงความน่าจะเป็นของบันทึกที่คำนามจะตามด้วย "that" ในรูปที่ 1B รายการที่ 3 การเปลี่ยนคำนาม "รายงาน" เป็น "ข้อเท็จจริง" จะลดความน่าจะเป็นของตัวแปรที่ไม่ผ่านการตรวจสอบ ซึ่งคาดการณ์อีกครั้งว่าจะลดความพยายามในการประมวลผลคำกริยาสุดท้าย

ในเงื่อนไขสองและสาม คำกริยาที่สามควรถูกทำนายได้แม่นยำมากขึ้นเมื่อมีการฝังอคติที่สูงกว่า เนื่องจากมันจะเพิ่มความน่าจะเป็นเชิงนิรนัยของบริบทที่แท้จริง (เส้นสีน้ำเงินและสีเขียวจากมากไปหาน้อยในรูปที่ 1C)

การคาดการณ์นี้ไม่ได้เป็นไปตามโมเดลที่มีอยู่ แต่เป็นผลที่ตามมาอย่างตรงไปตรงมาของโมเดลของเรา ในเงื่อนไข ONE เราคาดหวังรูปแบบที่ตรงกันข้าม (เส้นสีแดงจากน้อยไปมากในรูปที่ 1C) เนื่องจากคำนามที่ฝังอนุประโยคที่มีความน่าจะเป็นสูงมากจะมีโอกาสน้อยที่คำกริยาจะตามหลังทันที

รูปแบบความยากที่เกิดขึ้นนั้นแตกต่างอย่างมากจากที่คาดการณ์ไว้โดยแบบจำลองที่ใช้หน่วยความจำและความคาดหวังที่มีอยู่ (รูปที่ 1D และภาคผนวก SI, ส่วนที่ S7.1)

เรายกตัวอย่างสิ่งเหล่านี้โดยใช้ทฤษฎีการพึ่งพาท้องถิ่น (DLT) (36) ซึ่งยืนยันว่าความยากลำบากเกิดจากการบูรณาการการพึ่งพาทางวากยสัมพันธ์ที่ยาวนานและทฤษฎีเซอร์ไพรส์ (9, 10) ซึ่งยืนยันว่าความพยายามในการประมวลผลเป็นสัดส่วนกับความประหลาดใจที่ได้มาจากการแสดงบริบทที่ตรวจสอบได้อย่างสมบูรณ์

ผลกระทบของจำนวนระดับการฝัง และพฤติกรรมของเงื่อนไข ONE ได้รับการทำนายโดยทฤษฎีตามหน่วยความจำและตามความคาดหวังที่มีอยู่ ตามลำดับ

อย่างไรก็ตาม ไม่มีกลุ่มของแบบจำลองก่อนหน้านี้ที่ทำนายผลกระทบของความเข้ากันได้ทางความหมายหรือการฝังอคติในเงื่อนไขสองและสาม ดูภาคผนวก SI หัวข้อ S7 สำหรับรุ่นก่อนหน้าเพิ่มเติม

การทดลองที่ 1: ผลกระทบของตัวชี้นำทางสถิติ

เราทดสอบความประหลาดใจในบริบทที่สูญเสียเหตุผลของทรัพยากรโดยการเปรียบเทียบแบบจำลอง surprisal (สมการ 1) กับความยากในการประมวลผลของมนุษย์ในคำกริยาสุดท้าย ดังที่สะท้อนให้เห็นในช่วงเวลาการอ่าน

เราสร้างสิ่งเร้า 32 รูปแบบในรูปที่ 1A แต่ละเงื่อนไขใน 3 เงื่อนไข (หนึ่ง สอง และสาม) และข้ามสิ่งเหล่านี้ด้วยคำนามที่แตกต่างกัน 58 คำที่แตกต่างกันในอคติที่ฝังไว้ (เช่น รายงาน ข้อเท็จจริง ... )

อันดับแรกเราได้รับคำทำนายสำหรับทฤษฎีเซอร์ไพรเซอร์และDLT สำหรับความยากของกริยาสุดท้าย (รูปที่ 3A) เราใช้ทฤษฎีเซอร์ไพรส์โดยใช้แบบจำลองทางสถิติแบบเดียวกับที่ใช้สำหรับลำดับความสำคัญของแบบจำลองของเรา (GPT-2) จากนั้น เราคำนวณบริบทเหตุผลและทรัพยากรอย่างน่าประหลาดใจ โดยเปลี่ยนแปลงจำนวนคำในบริบทโดยเฉลี่ยที่เก็บรักษาไว้ในระหว่างการเพิ่มประสิทธิภาพของความน่าจะเป็นในการเก็บรักษาจาก 0 ถึง 20

ในช่วงของพารามิเตอร์นี้ แบบจำลองจะสำรวจผ่านสามขั้นตอนที่แตกต่างกัน (SI Appendix, รูปที่ S4): เมื่อมีการรักษาคำไว้ได้มาก (17) คำ พฤติกรรมจะคล้ายกับทฤษฎีเซอร์ไพรส์มาก

เมื่อมีคำเพียงไม่กี่ (4) คำที่ถูกเก็บรักษาไว้ โมเดลเซอร์ไพรส์เซอร์จะมีลักษณะไม่ชัดเจนในสองและสาม

ในระหว่างนั้น แบบจำลองจะแสดงการคาดการณ์เชิงคุณภาพที่อธิบายไว้ข้างต้น เราแสดงผลลัพธ์สำหรับอัตราการเก็บรักษาเฉลี่ย 10 คำในรูปที่ 3A (ดูภาคผนวก SI, รูปที่ S4 สำหรับผลลัพธ์ที่อัตราการเก็บรักษาอื่น ๆ ): โมเดลเซอร์ไพรส์สูงกว่าในสามเงื่อนไขมากกว่าในสอง เพิ่มขึ้นด้วยการฝังอคติในเงื่อนไข ONE และลดลง ด้วยการฝังอคติในเงื่อนไข TWO และ THREE

เราเปรียบเทียบการทำนายเหล่านี้กับเวลาในการอ่านของมนุษย์ ซึ่งเราวัดโดยใช้กระบวนทัศน์เขาวงกต (37–39) ในกระบวนทัศน์นี้ ผู้เข้าร่วมอ่านประโยคทีละคำ และเลือกระหว่างคำถัดไปที่ถูกต้องกับคำที่เบี่ยงเบนความสนใจซึ่งมีความยาวและความถี่เท่ากันแต่ไม่ดีมากในบริบทที่กำหนด

ตัวแปรตามที่น่าสนใจคือเวลาที่ใช้ในการตัดสินใจ (เวลาปฏิกิริยา) กระบวนทัศน์เขาวงกตช่วยให้มีความละเอียดชั่วคราวและความไวสูงกว่ากระบวนทัศน์การอ่านด้วยตนเองแบบดั้งเดิม ซึ่งประสบปัญหาการแปลตำแหน่งที่ไม่ดีเนื่องจากผลกระทบที่ล้น และจากเสียงรบกวนเนื่องจากผู้เข้าร่วมที่ไม่ตั้งใจ โดยเฉพาะอย่างยิ่งในการทดลองบนเว็บ (38, 39)

มีวิธีการที่แตกต่างกันในการสร้างคำที่รบกวนจิตใจ เราใช้ตัวแปร A-maze ซึ่งสิ่งรบกวนสมาธิถูกสร้างขึ้นโดยอัตโนมัติโดยใช้แบบจำลองภาษาทางสถิติขนาดใหญ่ (39) (ดูรายละเอียดในวัสดุและวิธีการ)

เราคัดเลือกเจ้าของภาษาอังกฤษ 100 คน โดยรวบรวมข้อมูลจากการทดลองที่สำคัญ 10 รายการสำหรับผู้เข้าร่วมแต่ละคน สลับกับสารตัวเติม 30 ตัว (ดูรายละเอียดในวัสดุและวิธีการ)

ค่ามัธยฐานของผู้เข้าร่วมทำข้อผิดพลาดกับ 1.9% ของคำทั้งในฟิลเลอร์และการทดลองที่สำคัญ เกณฑ์การยกเว้นที่กำหนดไว้ล่วงหน้าสำหรับผู้เข้าร่วม (การตอบสนองที่ไม่ถูกต้องสำหรับมากกว่าหรือเท่ากับ 20% ของคำ) ส่งผลกระทบต่อผู้เข้าร่วม 1.0%

เราแยกการทดลองออกจากการวิเคราะห์เวลาอ่าน เมื่อการตอบสนองต่อคำวิจารณ์ไม่ถูกต้อง ซึ่งส่งผลต่อข้อมูล 5.2% (โดยหลักแล้วอยู่ในเงื่อนไขสามประการที่ยากลำบาก) ดูภาคผนวก SI ส่วนที่ S3.6 สำหรับการวิเคราะห์ข้อผิดพลาดและเวลาในการอ่านที่มีเงื่อนไขตามข้อผิดพลาด

เราแสดงเวลาในการอ่านของกริยาตัวสุดท้ายในรูปที่ 3A เราวิเคราะห์สิ่งเหล่านี้หลังจากการแปลงบันทึกในการถดถอยเอฟเฟกต์แบบผสมเชิงเส้นแบบเบย์เซียน การป้อนผู้เข้าร่วม รายการ และเอฟเฟกต์แบบสุ่มของคำนาม (ดูวัสดุและวิธีการสำหรับรายละเอียด)

ผลลัพธ์แสดงให้เห็นถึงผลกระทบที่คาดการณ์โดยแบบจำลองทรัพยากรเหตุผล ประการแรก เวลาในการอ่านใน THREE สูงกว่าในสอง (=0.18,95% ช่วงเวลาที่น่าเชื่อถือ [CrI] [0.13, 0.25], P( < {{ 8}}) < 0.0{{20}}01 ผลกระทบต่อเวลาในการอ่านข้อมูลดิบ: 217 ms, 95% CrI [144, 297] ms) ประการที่สอง มีปฏิสัมพันธ์ระหว่างอคติแบบฝังและการมีอยู่ของอนุประโยค "นั้น" (=−0.09, 95% CrI [−0.15, −0.03],P( > 0) {{25} }.0015)

สอดคล้องกับทั้งแบบจำลองและทฤษฎีเซอร์ไพรส์ของเรา ผลของอคติแบบฝังเป็นบวกในเงื่อนไข ONE (ความแตกต่างระหว่าง "ข้อเท็จจริง" และ "รายงาน": 297 ms, 95% CrI [34, 566] ms)

อย่างไรก็ตาม ตามที่คาดการณ์ไว้โดยแบบจำลองของเรา ผลกระทบนี้กลายเป็นลบเมื่อมีประโยค "นั้น" (ความแตกต่างระหว่าง "ข้อเท็จจริง" และ "รายงาน": −166 ms, 95% CrI [−297, −41]ms) ผลกระทบนี้สอดคล้องกับการทำนายแบบจำลอง และไม่สอดคล้องกับ DLT หรือทฤษฎีเซอร์ไพรส์

ปฏิสัมพันธ์ระหว่างความลึกของการฝังและอคติของการฝังสามารถแสดงให้เห็นได้เมื่อรวมข้อมูลระหว่างการทดลองต่างๆ (ภาคผนวก SI, หัวข้อ S2.1 และ S6.6) ดู SI ภาคผนวก, หัวข้อ S3 สำหรับการวิเคราะห์เพิ่มเติม

เราพบว่าทรัพยากร-เหตุผล-การสูญเสียบริบท surprisalimprove มากกว่าทฤษฎีเซอร์ไพรส์และ DLT ในการทำนายเวลาในการอ่านไม่เพียงแต่ในการฝังตรงกลางเท่านั้น แต่ยังรวมถึงการทดลองฟิลเลอร์ด้วย (SI ภาคผนวก ส่วนที่ S9)

นอกจากนี้เรายังตรวจสอบการทำนายสำหรับโมเดลหน่วยความจำแบบเดียวกันโดยที่คำตามบริบทแต่ละคำถูกเก็บรักษาไว้ด้วยความน่าจะเป็นที่เท่ากัน ซึ่งสันนิษฐานในงานก่อนหน้าเกี่ยวกับความประหลาดใจในบริบทที่สูญเสียไป (22) แบบจำลองนี้คาดการณ์ผลกระทบของอคติแบบฝัง แต่ไม่ใช่ผลกระทบของความลึก

เรายังเปรียบเทียบเพิ่มเติมกับโมเดลแบบหน้าต่างซึ่งมีคำ K สุดท้ายอยู่พอดี แบบจำลองนี้ทำนายผลกระทบของความลึก แต่ไม่ใช่ผลกระทบเชิงลบของการฝังอคติ โปรดดูภาคผนวก S2.2 สำหรับรายละเอียด

For more information:1950477648nn@gmail.com