พบกับความประหลาดใจ: การเปลี่ยนแปลงชั่วคราวของผลกระทบต่อความทรงจำ ตอนที่ 2

การวิเคราะห์ทางสถิติ

เพื่อประเมินการเข้ารหัสไดนามิกแบบปรับความคาดหวัง เราได้จัดเรียงชุดออบเจ็กต์ (แอปเปิ้ล กรรไกร ฯลฯ) ในแต่ละชุด มีเหตุการณ์สี่ชุด (เป้าหมาย; F1 คล้ายกันมากที่สุด; F2 มีความคล้ายคลึงกันปานกลาง และ F3 คล้ายกันน้อยที่สุด) แต่ละเหตุการณ์มีการกำหนดแบบสุ่ม (1) เงื่อนไขความคาดหวัง (2) ตำแหน่งการนำเสนอภายในชุด และ (3 ) ลำดับการนำเสนอเมื่อดึงข้อมูล (การทดลอง 1–312 รายการ)

ความทรงจำของมนุษย์นั้นมหัศจรรย์มาก ด้วยประสบการณ์ การศึกษา และการฝึกอบรม เราสามารถปรับปรุงความสามารถในการจดจำของเราได้อย่างมาก ในชีวิตประจำวันเรามักจะต้องจำข้อมูลต่างๆ เช่น หมายเลขโทรศัพท์ วันเกิด ชื่อ รหัสผ่าน ฯลฯ สิ่งเหล่านี้ล้วนต้องใช้หน่วยความจำ

แต่ถ้าเราจำอะไรได้มากไปหรือเรียงลำดับไม่ถูก เราก็จะลำบากหรือถึงกับเลิกจำไปเลย นี่คือความสัมพันธ์ระหว่างลำดับการนำเสนอและความทรงจำ

ลำดับการนำเสนอที่เหมาะสมสามารถช่วยให้เราจดจำข้อมูลได้ดีขึ้น ตัวอย่างเช่น หากเราต้องการจำสตริงตัวเลข เราก็สามารถลองจัดเรียงตามรูปแบบที่กำหนดได้ เช่น ลำดับจากน้อยไปมากหรือจากมากไปหาน้อย การผสมคู่ เป็นต้น วิธีการเหล่านี้สามารถช่วยให้เราทำให้ข้อมูลเข้าใจและจดจำได้ง่ายขึ้น

เมื่อเรียนรู้ความรู้ใหม่ ลำดับการนำเสนอก็มีความสำคัญเช่นกัน เราเรียนรู้สิ่งใหม่ได้อย่างมีประสิทธิภาพมากขึ้น ถ้าเราแบ่งความรู้ใหม่ออกเป็นส่วนเล็กๆ และค่อยๆ เพิ่มความยากขึ้น วิธีการนี้เรียกว่า "งานที่ให้คะแนน" ซึ่งสามารถช่วยให้เราเชี่ยวชาญความรู้ใหม่ๆ ได้อย่างรวดเร็ว และมีโอกาสน้อยที่จะถูกละเว้นหรือสับสน

ในชีวิตประจำวันเรายังสามารถใช้ลำดับการนำเสนอที่ถูกต้องเพื่อปรับปรุงความจำได้ ปฏิทิน บันทึกช่วยจำ และรายการของครอบครัวสามารถช่วยให้เราจัดระเบียบชีวิตได้ดีขึ้น เพื่อที่เราจะไม่ลืมสิ่งสำคัญหรือพลาดกำหนดเวลาอีกต่อไป

กล่าวโดยสรุป ลำดับการนำเสนอที่ถูกต้องสามารถปรับปรุงความสามารถในการจดจำของเราได้อย่างมาก ด้วยการจัดเตรียมและการวิเคราะห์ที่เหมาะสม เราจะสามารถเข้าใจข้อมูล จดจำ และนำไปใช้ในชีวิตอนาคตของเราได้ดีขึ้น ให้เราใช้ลำดับการนำเสนอที่ถูกต้องเพื่อกระตุ้นศักยภาพของสมอง ฝึกฝนความรู้เพิ่มเติม และทำให้ชีวิตของเราเติมเต็มและสวยงามยิ่งขึ้น จะเห็นได้ว่าเราต้องปรับปรุงความจำ และ Cistanche Deserticola สามารถปรับปรุงความจำได้อย่างมาก เนื่องจาก Cistanche Deserticola ยังสามารถควบคุมความสมดุลของสารสื่อประสาท เช่น การเพิ่มระดับของอะเซทิลโคลีนและปัจจัยการเจริญเติบโต สารเหล่านี้มีความสำคัญมากต่อความจำและการเรียนรู้ นอกจากนี้ เนื้อสัตว์ยังช่วยเพิ่มการไหลเวียนของเลือดและส่งเสริมการส่งออกซิเจน ซึ่งช่วยให้สมองได้รับสารอาหารและพลังงานที่เพียงพอ ซึ่งจะช่วยปรับปรุงความมีชีวิตชีวาและความอดทนของสมอง

คลิกรู้วิธีปรับปรุงการทำงานของสมอง

เราใช้แบบจำลองการถดถอยโลจิสติกแบบไบนารีที่มีผลกระทบแบบผสมกับข้อมูลที่ไม่ได้จัดกลุ่ม โดยใช้สถานะความคาดหวังของเหตุการณ์ปัจจุบันและชุดก่อนหน้า และตำแหน่งการนำเสนอเมื่อดึงข้อมูลเป็นตัวแปรร่วม แบบจำลองถูกคำนวณโดยใช้แพ็คเกจ lme4 (Bates et al., 2{ {4}}15) ในสภาพแวดล้อม R (ทีมงานหลักการพัฒนา R, 2008) พารามิเตอร์ของแบบจำลองดังกล่าวสามารถใช้เพื่อประเมินความน่าจะเป็นของการให้คำตอบที่ถูกต้อง ("เก่า" สำหรับเป้าหมาย "ใหม่" สำหรับฟอยล์) และยังคำนึงถึงการสกัดกั้นเฉพาะของผู้เข้าร่วมแต่ละคน (อคติในการตอบสนอง) ในการประเมินความชันของตัวทำนายแต่ละตัวในแบบจำลอง (H0: b=0) เราใช้ omnibus x2 Waldtest (West et al., 2014) ตามที่นำมาใช้ในแพ็คเกจรถยนต์ (Fox andWeisberg, 2018)

การสกัดและการวางแผนเอฟเฟกต์ที่รายงานด้านล่างนี้ดำเนินการโดยใช้แพ็คเกจเอฟเฟกต์ (Fox, 2003), หมายถึง (Searle et al.,1980) และ ggplot2 (Wickham, 2009) เพื่อตรวจสอบปฏิสัมพันธ์แบบไดนามิกระหว่างความคล้ายคลึงในการรับรู้และสถานะความคาดหวัง แต่ละเหตุการณ์ที่กำหนดไว้เราได้คิดค้นแบบจำลองที่น่าสนใจสามแบบ โดยจำลองแต่ละเหตุการณ์แยกกันเป็นฟังก์ชันของลำดับเหตุการณ์ก่อนหน้า

ตัวอย่างเช่น เป้าหมายที่นำหน้าด้วย F1 จะถูกสร้างแบบจำลองแยกจากเป้าหมายที่นำหน้าด้วย F2 เพื่อกำจัดผลกระทบใดๆ ที่เกิดจากความแตกต่างด้านความแข็งแกร่งของหน่วยความจำ เราจึงรวมไว้ในโมเดลนี้เท่านั้น ซึ่งเป็นเหตุการณ์ที่การตอบสนองก่อนหน้าถูกต้อง (เช่น สำหรับเป้าหมายที่ติดตามเหตุการณ์ F1 เราจะรวมเฉพาะเป้าหมายที่ตามหลัง CR1) พบผลลัพธ์ที่คล้ายกันเมื่อรวมการทดลองทั้งหมดในแบบจำลอง (ดูพื้นที่เก็บข้อมูล GitHub สำหรับโค้ดเพื่อเรียกใช้การวิเคราะห์และสร้างตัวเลข) แต่ละแบบจำลองจึงรวมสถานะความคาดหวังของเหตุการณ์ชุดปัจจุบันและก่อนหน้า ตลอดจนลำดับการนำเสนอในการดึงข้อมูลตัวแปรร่วม รหัสและข้อมูลมีอยู่ที่นี่:https://github.com/frdarya/DynamicExpectation

การทดลองที่ 2

ผู้เข้าร่วม

ผู้เข้าร่วมทั้งหมด 25 คน (ชายแปดคน อายุ 18–33 ปี ค่าเฉลี่ย=25, SD=4.2) ให้ความยินยอมและมีส่วนร่วมในการศึกษานี้ ผู้เข้าร่วมมีการมองเห็นปกติหรือได้รับการแก้ไขจนเป็นปกติ และไม่มีประวัติความผิดปกติทางระบบประสาทหรือทางจิตเวช ขั้นตอนทั้งหมดได้รับการอนุมัติจากคณะกรรมการจริยธรรมการวิจัยของมหาวิทยาลัยแมนเชสเตอร์ ผู้เข้าร่วมหนึ่งรายถูกแยกออกจากการวิเคราะห์ทั้งหมด เนื่องจากล้มเหลวในการเรียนรู้เหตุการณ์ฉุกเฉินของผลลัพธ์คิวในระหว่างงานการเรียนรู้กฎ

การออกแบบการทดลอง

กระบวนทัศน์และการบิดเบือนความคาดหวังที่คล้ายกันถูกนำมาใช้ในการทดลองที่ 2 โดยมีข้อยกเว้นต่อไปนี้: ในขั้นตอนการเข้ารหัส แต่ละวัตถุจะถูกนำเสนอสามครั้งติดต่อกัน แต่ละวัตถุอยู่บนหน้าจอเป็นเวลา 2,000 มิลลิวินาที โดยมีการตรึงแบบกระวนกระวายใจ (250–750 มิลลิวินาที) ระหว่างการนำเสนอแต่ละครั้ง ในระหว่างการนำเสนอครั้งแรกและครั้งที่สอง ผู้เข้าร่วมจะถูกขอให้ตัดสินใจเชิงความหมายเกี่ยวกับวัตถุ ไม่ว่าจะเป็นสิ่งที่มนุษย์สร้างขึ้นหรือเป็นธรรมชาติ และไม่ว่าจะมีแนวโน้มที่จะพบวัตถุนั้นในอาคารหรือกลางแจ้งมากกว่าก็ตาม ลำดับของคำถามเหล่านี้เป็นการสุ่ม ในระหว่างการนำเสนอครั้งที่ 3 ผู้เข้าร่วมจะถูกขอให้ศึกษาวัตถุอย่างรอบคอบโดยเน้นไปที่รายละเอียดเสมอ หลังจากการนำเสนอครั้งที่สาม มีการตรึงการตรึงที่กระวนกระวายใจอีกครั้งเป็นระยะเวลานานขึ้น (800–1200 มิลลิวินาที) เพื่อสร้างมินิบล็อกที่แยกแต่ละวัตถุ

งานการเรียนรู้กฎนั้นเหมือนกับงานที่ใช้ในการทดลองที่ 1 ยกเว้นเวลาการนำเสนอการตอบสนองที่นานกว่าของคิว (3 วินาทีแทนที่จะเป็น 1 วินาที) และการตรึงข้ามที่กระวนกระวายใจ (250–750 มิลลิวินาที) ระหว่างการทดลองแต่ละครั้ง (ดูรูปข้อมูลเพิ่มเติม 1-1 สำหรับพฤติกรรมและข้อมูลขยาย รูปที่ 1-2 forfMRI ผลลัพธ์จากงานการเรียนรู้กฎ) ก่อนเริ่มงานดึงข้อมูล ผู้เข้าร่วมแก้ปัญหาทางคณิตศาสตร์เป็นเวลา 2 นาที (ไม่ได้สแกน)

ในการดึงข้อมูล เราใช้ความคล้ายคลึงของฟอยล์สองระดับ (F1 และ F2) ในแต่ละชุด แทนที่จะเป็นสามระดับ เพื่อประโยชน์ในการเพิ่มประสิทธิภาพเวลาในการสแกน จึงไม่ได้ใช้ออบเจ็กต์ F3 เนื่องจากไม่ได้ให้ผลกระทบใดๆ ที่น่าสนใจในการทดลอง การทดลองดึงข้อมูลแต่ละครั้งเริ่มต้นด้วยการตรึงข้ามที่กระวนกระวายใจ (250–750 มิลลิวินาที) ตามด้วยการนำเสนอคิวเป็นเวลา 1,000 มิลลิวินาที จากนั้นเหตุการณ์ที่ตั้งไว้ (เป้าหมาย, F1 หรือ F2) เป็นเวลา 3000 มิลลิวินาที ในงานสแกนทั้งหมด เราใช้เส้นพื้นฐานโดยนัย (ค่าตัดกันสำหรับ 3,500 มิลลิวินาทีในการเข้ารหัสและงานการเรียนรู้กฎ, 4,500 มิลลิวินาทีในการเรียกค้น) ใน 30% ของการทดลอง

การวิเคราะห์ทางสถิติเชิงพฤติกรรม

หลังจากการวิเคราะห์และผลลัพธ์จากการทดลองที่ 1 เราได้ยุบเป้าหมายและเหตุการณ์ F1 และจำลองความน่าจะเป็นในการตัดสินใจที่ถูกต้อง (การพบเห็นและการปฏิเสธที่ถูกต้อง) ตามสถานะความคาดหวังของเหตุการณ์ที่ตั้งไว้ในปัจจุบันและสถานะความคาดหวังของเหตุการณ์ที่ตั้งไว้ก่อนหน้า

เนื่องจากไม่มีการทดลอง 1 เพื่อกำจัดความสับสนด้านความแข็งแกร่งของหน่วยความจำ จึงรวมเฉพาะคำตอบที่ถูกต้องเท่านั้น (ดูพื้นที่เก็บข้อมูล GitHub สำหรับผลลัพธ์ที่คล้ายกันเมื่อรวมการทดลองทั้งหมด และสำหรับการวิเคราะห์เป้าหมายและ F1 แยกกัน) การแก้ไขฟอยล์ F2 ยังถูกจำลองเป็นฟังก์ชันของเหตุการณ์เซ็ตก่อนหน้า เช่นเดียวกับที่ทำในการทดลองที่ 1

การได้มาของ fMRI และการวิเคราะห์ทางสถิติ

การสแกน MR ดำเนินการด้วยเครื่องสแกน MRI 3T (Philips, Achieva) เพื่อลดการเคลื่อนไหวระหว่างการสแกน จึงมีการใช้ลิ่มโฟมและแผ่นรองแบบนุ่มเพื่อรักษาเสถียรภาพของศีรษะของผู้เข้าร่วม ขั้นแรก ให้รวบรวมรูปภาพที่ถ่วงน้ำหนัก T1-(ขนาดเมทริกซ์: 256 256, 160 ชิ้น, ขนาดว็อกเซล 1 มม. ไอโซโทรปิก) จะถูกรวบรวมในขณะที่ผู้เข้าร่วมพักผ่อนในเครื่องสแกน ลำดับเอคโคพลานาริเมจกิ้ง (EPI) แบบเกรเดียนต์ถูกใช้เพื่อรวบรวมภาพ T2* สำหรับสัญญาณ BOLD 40 ชิ้นขนานกับเส้น AC-PC ครอบคลุมทั้งสมอง (เมทริกซ์ขนาด 80 80, ขนาดว็อกเซล 3 3 3.5 มม.3) ได้รับสำหรับแต่ละปริมาตร (TR=2.5 วินาที, TE=35 มิลลิวินาที) .

ผู้เข้าร่วมดำเนินการสามงานในเครื่องสแกน (เข้ารหัส 313 เล่ม; การเรียนรู้กฎ 143 เล่ม; ดึงข้อมูล 534 เล่ม) และงานเบี่ยงเบนความสนใจ ซึ่งไม่ได้สแกน ข้อมูล fMRI ได้รับการประมวลผลล่วงหน้าและวิเคราะห์โดยใช้ SPM12 (การทำแผนที่พารามิเตอร์ทางสถิติ, Wellcome Center for Human Neuroimaging, UniversityCollege London https //www.fil.ion.ucl.ac.uk/spm/software/spm12/) รูปภาพถูกจัดแนวใหม่ให้เป็นรูปภาพเฉลี่ยโดยใช้การแปลงร่างแข็งหกพารามิเตอร์ แบ่งส่วนใหม่โดยใช้การแก้ไขแบบ sinc และแก้ไขเวลาแบ่งส่วนไปที่ตรงกลาง ชิ้น.

ภาพกายวิภาค T1 ได้รับการลงทะเบียนร่วมกับภาพ EPI เฉลี่ยที่เกี่ยวข้อง การทำให้เป็นมาตรฐานเชิงพื้นที่ไปยังเทมเพลตสถาบันประสาทวิทยามอนทรีออล (MNI) ดำเนินการโดยใช้กล่องเครื่องมือ DARTEL ที่ใช้ใน SPM12 (Ashburner, 2007) เคอร์เนลเกาส์เซียน Anisotropic 8 มม. FWHM ใช้สำหรับการปรับข้อมูล EPI ที่ทำให้เป็นมาตรฐานให้เรียบสำหรับการวิเคราะห์แบบตัวแปรเดียว

เพื่อกำจัดสัญญาณรบกวนความถี่ต่ำ ข้อมูลจะถูกกรองผ่านความถี่สูงโดยใช้จุดตัดที่ 128 วินาที สองขอบเขตที่น่าสนใจ (ROI) ฮิบโปแคมปัสทวิภาคี และ ROI ของสมองส่วนกลาง รวมถึงเฉพาะ substantia nigra (SN) และ ventral tegmentum ใช้พื้นที่ (VTA) หน้ากากฮิปโปแคมปัสถูกนำมาจากแผนที่กายวิภาคของฮาร์วาร์ด-อ็อกซ์ฟอร์ด (เกณฑ์ความน่าจะเป็น 25%; Desikan et al., 2006) หน้ากากสมองส่วนกลางถูกนำมาจากแผนที่ความน่าจะเป็นของสมองส่วนกลาง (Murty et al., 2014)

ข้อมูลการทำงานของผู้เข้าร่วมแต่ละคนจากเซสชั่นการดึงข้อมูลได้รับการวิเคราะห์โดยใช้กรอบงานแบบจำลองเชิงเส้นทั่วไป (GLM) ภายในการออกแบบแบบจำลองที่เกี่ยวข้องกับเหตุการณ์ซึ่งสร้างฟังก์ชันการตอบสนองทางโลหิตวิทยาแบบบัญญัติ พารามิเตอร์การเคลื่อนไหวทั้งหกที่สร้างขึ้นในการปรับตำแหน่ง foreach เซสชั่นถูกนำมาใช้เป็นตัวถดถอยที่น่ารำคาญ เพื่อลดสิ่งประดิษฐ์ที่ตกค้างให้เหลือน้อยที่สุดกล่องเครื่องมือ ArtRepair (//cibsr.stanford.edu/tools/human-brain-project/artrepair-software.html) ถูกนำมาใช้เพื่อสร้าง regressors ที่น่ารำคาญเพิ่มเติมสำหรับผู้เข้าร่วมแต่ละคน

อนุกรมเวลาถูกกรองผ่านความถี่สูงเพื่อขจัดสัญญาณรบกวนความถี่ต่ำ (128- สคัตออฟ) จากสมมติฐานนิรนัยของเราสำหรับ ROI ที่แนะนำข้างต้น (ฮิปโปแคมปัสทวิภาคีและ SN/VTA) จึงมีการใช้วิธีแก้ไขปริมาณน้อย (SVC) สำหรับภูมิภาคเหล่านี้ แก้ไขสำหรับข้อผิดพลาดแบบครอบครัว (FWE) สำหรับปริมาณ ROI (เกณฑ์การสร้างคลัสเตอร์เริ่มต้นของ หน้า, 0.001)

สำหรับการวิเคราะห์สมองทั้งเชิงสำรวจเพิ่มเติม ได้มีการใช้วิธีการเปลี่ยนลำดับแบบไม่ใช้พารามิเตอร์ (n=5000) เพื่อระบุกลุ่มที่มีนัยสำคัญโดยใช้กล่องเครื่องมือ SnPM (https://warwick.ac.uk/fac/sci/statistics/staff /academic-research/Nichols/software/snpm/) มีการใช้เกณฑ์การสร้างคลัสเตอร์เริ่มต้นของ p, 0.005 และคลัสเตอร์ที่มีนัยสำคัญที่ p ที่ไม่ใช่พารามิเตอร์ 0.05 ได้รับการรายงาน แผนที่ T-map ระดับกลุ่มที่ไม่ได้รับการตอบสนองจาก SPM และ SnPM มีอยู่ที่นี่:https://neurovault.org/collections/TTDMPHLE/

เพื่อทดสอบผลกระทบเชิงพฤติกรรมของการโต้ตอบระหว่างความคาดหวังตามบริบทของเหตุการณ์ก่อนหน้าและความคาดหวังตามบริบทของเหตุการณ์ปัจจุบัน เราได้ยุบเป้าหมายและ F1 และจัดประเภทตามลำดับการนำเสนอ (ซึ่งมาก่อน) และสถานะความคาดหวัง เหตุการณ์ F2 ถูกจำลองเป็นเงื่อนไขแยกต่างหาก

ในการวิเคราะห์นี้ เราเปรียบเทียบรายการปัจจุบันระหว่างสถานะความคาดหวังปัจจุบันและก่อนหน้า (เช่น EprevUcurr . EprevEcurr) จากการออกแบบการทดลองของเรา มีพารามิเตอร์สี่ตัวที่สามารถสำรวจการโต้ตอบเพิ่มเติมได้: เหตุการณ์ที่กำหนด (เป้าหมาย F1, F2) ความคาดหวังตามบริบท (คาดหวังหรือไม่คาดคิด) การตอบสนองของหน่วยความจำที่ให้ (ถูกต้องหรือไม่ถูกต้อง) และลำดับการนำเสนอภายในชุด (ครั้งแรก ครั้งที่สอง หรือสุดท้าย) ส่งผลให้เกิดเงื่อนไข 36 ประการ; อย่างไรก็ตาม ไม่สามารถสร้างแบบจำลองร่วมกันได้เนื่องจากจำนวน Trialsper Bin (n, 7) ไม่เพียงพอสำหรับผู้เข้าร่วมส่วนใหญ่

ดังนั้นเราจึงคิดค้นแบบจำลองสามแบบแยกกัน ในรูปแบบแรก เราตรวจสอบผลกระทบหลักของความคาดหวัง โดยไม่คำนึงถึงเหตุการณ์ที่กำหนดไว้หรือการตัดสินใจรับรู้ ในรูปแบบที่สอง เราตรวจสอบการโต้ตอบหน่วยความจำที่ประสบความสำเร็จของเหตุการณ์ที่คาดหวังไว้โดยการยุบการทดลองตามลำดับการนำเสนอและการสร้างแบบจำลองเฉพาะการตอบสนองที่ถูกต้องสำหรับแต่ละเหตุการณ์ (การตอบสนองที่ไม่ถูกต้องทั้งหมดถูกสร้างแบบจำลองเป็นตัวถดถอยที่แยกจากกัน) ในรูปแบบที่สาม เราได้สำรวจปฏิสัมพันธ์ของความคาดหวัง เหตุการณ์ที่เกิดขึ้น และลำดับการนำเสนอ โดยไม่คำนึงถึงการตอบสนองการรับรู้

ผลลัพธ์

เราทำการทดลองสองครั้ง การทดลองที่ 1 ตรวจสอบการตอบสนองของพฤติกรรม และการทดลองที่ 2 ใช้กระบวนทัศน์ที่คล้ายกันในขณะที่รวบรวมข้อมูล fMRI ในการทดลองทั้งสอง งานด้านพฤติกรรมของเราประกอบด้วยสามขั้นตอน (สำหรับการออกแบบการทดลอง ดูรูปที่ 1): หลังจากการเข้ารหัสของ objectimages ผู้เข้าร่วมได้ปฏิบัติงานการเรียนรู้กฎโดยที่พวกเขาเรียนรู้เหตุการณ์ฉุกเฉินระหว่างคิวและหมวดหมู่ของวัตถุ (มนุษย์ ทำหรือเป็นธรรมชาติ) จากนั้นในการดึงข้อมูล ก็มีการนำเสนอสัญญาณเดียวกัน ตามด้วยวัตถุเก่า (เป้าหมาย) หรือวัตถุใหม่ (ฟอยล์)

ฟอยล์ได้รับการจัดการโดยใช้พารามิเตอร์กับวัตถุที่คล้ายกัน F1, F2 และ F3 เพื่อลดลำดับความคล้ายคลึงกับเป้าหมาย ผู้เข้าร่วมถูกขอให้ทำการตัดสินใจจดจำเก่า/ใหม่ ในหนึ่งในสามของการทดลองดึงข้อมูล มีการละเมิดเหตุการณ์ฉุกเฉินประเภทคิวและออบเจ็กต์ที่กำหนดไว้ล่วงหน้า เพื่อประเมินการเข้ารหัสแบบปรับความคาดหวัง และความไวต่อการรับรู้ที่คล้ายคลึงกัน เราใช้การถดถอยโลจิสติกเอฟเฟกต์แบบผสมเพื่อสร้างแบบจำลองการตอบสนอง (การรับรู้ที่ถูกต้อง/ไม่ถูกต้อง) ต่อแต่ละเหตุการณ์ที่ตั้งไว้ (เป้าหมายและฟอยล์ที่คล้ายกัน) เป็นฟังก์ชันของเหตุการณ์ก่อนหน้าจากชุดนั้น (เช่น หากนำเสนอ F1 เป็นครั้งแรก และต่อมาที่เป้าหมาย สิ่งเหล่านี้จะถูกบันทึกเป็น F1prev Targetcurr)

นอกจากนี้ แต่ละเหตุการณ์ที่ตั้งไว้ยังเชื่อมโยงกับสถานะความคาดหวังที่กำหนดโดยคิวก่อนหน้า (เหตุการณ์ที่ปฏิบัติตามกฎถูกทำเครื่องหมายว่าเป็นไปตามที่คาดไว้ และการละเมิดกฎว่าไม่คาดคิด) แต่ละแบบจำลองยังรวมถึงการโต้ตอบระหว่างสถานะความคาดหวังของเหตุการณ์ปัจจุบันและก่อนหน้าเพื่อตรวจสอบการเปลี่ยนแปลงแบบไดนามิก (เช่น ฟอยล์ที่ไม่คาดคิดก่อนหน้านี้ส่งผลต่อการรับรู้เป้าหมายที่คาดหวังในปัจจุบันอย่างไร ดูรูปที่ 1C สำหรับรายละเอียดทั้งหมด ดูวัสดุและวิธีการ)

การทดลองที่ 1

หน่วยความจำสำหรับเป้าหมายถูกมอดูเลตโดยนำหน้าเหตุการณ์ชุดที่คล้ายกันที่ไม่คาดคิด

สำหรับเป้าหมายที่ติดตามเหตุการณ์ชุด F1 เราพบผลกระทบหลักที่สำคัญของความคาดหวังของ F1 (b=0.659, X2(1)=4.63, p =0.031 ) เช่นเดียวกับปฏิสัมพันธ์ส่วนขอบระหว่างความคาดหวังของเป้าหมายและสถานะความคาดหวังของ F1 ก่อนหน้า (b =0.939, X2(1)=3.65, p=0.056; รูปที่ 2A) การทดสอบความแตกต่างที่ตามมาเผยให้เห็นว่าเป้าหมายที่คาดไว้มีแนวโน้มที่จะถูกจดจำมากกว่าหลังจาก F1 ที่ไม่คาดคิด เมื่อเปรียบเทียบกับเหตุการณ์ชุด F1 ที่คาดไว้ (z=2.15, p=0.031) นอกจากนี้ เมื่อเหตุการณ์ชุด F1 ก่อนหน้านี้ไม่คาดคิด เป้าหมายที่คาดหวังตามมามีแนวโน้มที่จะได้รับการจดจำอย่างถูกต้องมากกว่า เมื่อเปรียบเทียบกับเป้าหมายที่ไม่คาดคิด (z=2.37, p=0.017) เมื่อตรวจสอบเป้าหมายที่เป็นไปตามเหตุการณ์ที่กำหนดของ F2 และ F3 เราไม่ได้สังเกตตัวทำนายที่มีนัยสำคัญใดๆ (ps .0.127 ทั้งหมด)

การปฏิเสธฟอยล์ที่คล้ายกันอย่างถูกต้องจะถูกปรับตามสถานะความคาดหวังของเป้าหมายก่อนหน้า

สำหรับเหตุการณ์ F1 ที่ติดตามเป้าหมาย เราพบปฏิสัมพันธ์ระหว่างสถานะความคาดหวังของทั้งสองเหตุการณ์ (b=0.79, X2(1)=5.29, p=0.0 21; รูปที่ 2B) โดยมีความแตกต่างที่แสดงการปฏิเสธเหตุการณ์ F1 (CR1) ที่ถูกต้องมากขึ้น สำหรับ F1 ที่คาดหวังมากกว่าเหตุการณ์ F1 ที่ไม่คาดคิดที่ติดตามเป้าหมายที่ไม่คาดคิด (z= 2.65, p= 0.0 08) และการแก้ไขน้อยลงเล็กน้อยสำหรับ F1 ที่ไม่คาดคิด เมื่อเป้าหมายก่อนหน้าไม่คาดคิด เมื่อเทียบกับเวลาที่คาดหวัง (z= 1.95, p= 0.0507; รูปที่ 2, แผงตรงกลาง) ผลกระทบอื่นๆ ทั้งหมดไม่มีนัยสำคัญ (allps .0.255) เมื่อตรวจสอบเหตุการณ์ F1 ที่เป็นไปตามเหตุการณ์ที่กำหนดของ F2 และ F3 เราไม่ได้สังเกตตัวทำนายที่มีนัยสำคัญใดๆ (allps .0.274)

การปรับลำดับความคาดหวังจะลดลงเมื่อความคล้ายคลึงกันในการรับรู้ลดลง

เหตุการณ์ F2 ไม่ได้รับผลกระทบจากเป้าหมายก่อนหน้า (ps . 0.171 ทั้งหมด), F1s (ps . 0.197 ทั้งหมด) หรือ F3 (ps . 0.174 ทั้งหมด) จาก ชุดเดียวกัน

ในทำนองเดียวกัน การตอบสนองต่อเหตุการณ์ F3 ไม่ได้ถูกปรับโดยเหตุการณ์ที่ตั้งไว้ก่อนหน้าใดๆ (เป้าหมาย: all ps . 0.484, F1s: all ps . 0.148,F2s: all ps . 0 .321)

เป้าหมายและฟอยล์ที่คล้ายกันมากที่สุดจะแสดงผลลำดับความคาดหวังที่คล้ายคลึงกัน

เมื่อพิจารณาถึงเอฟเฟกต์ที่คล้ายกันที่สังเกตได้สำหรับเป้าหมายและเหตุการณ์ F1 อย่างเป็นอิสระ เราจึงยุบทั้งสองเพื่อตรวจสอบว่าเอฟเฟกต์เหล่านี้เป็นส่วนเสริมหรือไม่ (เช่น มีปฏิสัมพันธ์ระหว่างสถานะความคาดหวังในปัจจุบันและก่อนหน้าหรือไม่ รูปที่ 2C) แม้ว่าการพบและการปฏิเสธที่ถูกต้องไม่จำเป็นต้องเป็นผลจากกระบวนการช่วยจำแบบเดียวกัน แต่ในกระบวนทัศน์นี้ พวกเขาให้โอกาสในการตรวจสอบว่าภาระการรับรู้ (ในรูปแบบของความคล้ายคลึงกัน) มีปฏิกิริยาอย่างไรกับการปรับความคาดหวังแบบไดนามิก

การเปรียบเทียบตัวช่วยจำระหว่างเหตุการณ์ชุดปัจจุบัน (เป้าหมายหรือ F1) และเหตุการณ์ชุดก่อนหน้า (F1 หรือเป้าหมาย ตามลำดับ) ก่อให้เกิดโหลดสูงสุดหรือการรบกวนเกี่ยวกับออบเจ็กต์ที่เข้ารหัส ในขณะที่ผู้เข้าร่วมทำการตัดสินใจในการจดจำ ดังนั้น หากกระบวนการรับรู้มีส่วนร่วมในการเผชิญกับเหตุการณ์ที่ไม่คาดคิด ผลที่สังเกตได้สำหรับเหตุการณ์ชุดแต่ละเหตุการณ์ควรทำซ้ำแบบแยกกัน เราพบผลกระทบหลักที่มีนัยสำคัญของสถานะความคาดหวังของเหตุการณ์ครั้งก่อน (b=0.341, X2(1)=4.9,p=0.027) รวมถึงการโต้ตอบที่มีนัยสำคัญ ระหว่างสถานะความคาดหวังของเหตุการณ์ปัจจุบันและเหตุการณ์ก่อนหน้า (b =0.682, X2(1)=6.5, p=0.01)

การทดสอบความแตกต่างที่ตามมาเผยให้เห็นว่าเมื่อเหตุการณ์ที่ตั้งไว้ก่อนหน้านี้ไม่คาดคิด การตอบสนองที่ถูกต้องมากขึ้นจะถูกพบสำหรับสิ่งที่คาดหวังเมื่อเปรียบเทียบกับเหตุการณ์ที่ไม่คาดคิด (UprevEcurr . UprevUcurr; z=3.1,p=0.002) UprevUcurr มีค่าตัวเลขน้อยกว่า EprevUcurr แต่ผลกระทบนี้ไม่ได้มีนัยสำคัญทางสถิติ (p=0.116) นอกจากนี้ ยังมีการตอบสนองที่ถูกต้องมากขึ้นสำหรับเหตุการณ์ที่คาดหวังในปัจจุบันหลังจากเหตุการณ์ที่ไม่คาดคิดมากกว่าที่คาดไว้ (EprevEcurr, UprevEcurr; z {{6 }}.22, p=0.027)

For more information:1950477648nn@gmail.com