หน่วยความจำภายในและวัตถุนอกวัตถุเชื่อมโยงข้ามการพัฒนาช่วงต้นส่วนที่ 3

ผลลัพธ์และการอภิปราย

เด็กอายุ {{0}} สามคนถูกแยกออกเนื่องจากคอมพิวเตอร์ขัดข้อง และอีก 5- ขวบถูกแยกออกเนื่องจากทำงานไม่เสร็จ เนื่องจากเด็กและผู้ใหญ่ตอบสนองด้วยวิธีที่แตกต่างกัน (หน้าจอสัมผัสและแป้นพิมพ์ ตามลำดับ) เราจึงไม่สามารถวิเคราะห์เวลาตอบสนองได้ แต่เราแยกการทดลองแต่ละรายการที่มีการตอบสนองที่รวดเร็วมาก (เช่น < 200 ms) ออกจากการวิเคราะห์ทั้งหมด เนื่องจากมีแนวโน้มว่าจะไม่ได้ตั้งใจ . เปอร์เซ็นต์ของการทดลองที่ยกเว้นคือ 1.3% ในเด็กอายุ 5- ปี, .2% ในเด็กอายุ 8- ปี และ 0% ในผู้ใหญ่

ปฏิกิริยาและความทรงจำของเด็กมีความสัมพันธ์กันอย่างใกล้ชิด ความเร็วในการตอบสนองที่ดีสามารถช่วยให้เด็กประมวลผลข้อมูลและเรียนรู้ได้ดีขึ้น ในขณะที่ความจำที่แข็งแกร่งสามารถช่วยให้เด็กจดจำและประยุกต์ใช้สิ่งที่เรียนรู้ได้ดีขึ้น

เด็กที่สามารถตัดสินสิ่งต่าง ๆ ได้ง่ายและตอบสนองเร็วจะประสบความสำเร็จในการเรียนรู้มากขึ้น เด็กเหล่านี้สามารถประมวลผลข้อมูลจำนวนมากได้อย่างมีประสิทธิภาพและตอบสนองอย่างรวดเร็วเมื่อจำเป็น เด็กจะพัฒนาทัศนคติที่มั่นใจและทำงานได้ดีขึ้นเมื่อถูกขอให้ตอบสนองอย่างรวดเร็วในทุกด้านของโรงเรียนและชีวิต นอกจากนี้ ปฏิกิริยาที่รวดเร็วของพวกมันยังช่วยให้พวกมันประสานมือและตาได้ดีขึ้น และมีทักษะการเคลื่อนไหวมากขึ้น เพื่อตอบสนองความต้องการในการเจริญเติบโตที่ดีของพวกมัน

ในทางกลับกัน ความทรงจำที่แข็งแกร่งก็มีความสำคัญเช่นกัน ข้อมูลที่เด็กๆ ต้องจำมีมากมายมหาศาล รวมถึงงานต่างๆ เช่น บทเรียนและการบ้านในโรงเรียน หากเด็กความจำไม่ดี ก็มีแนวโน้มจะมีปัญหากับงานโรงเรียนและการบ้าน หากเด็กๆ ลืมสิ่งที่พวกเขาควรทำ หรือลืมสิ่งที่ครูสอนในชั้นเรียน พวกเขาจะพบกับจุดบอดและการละเลยในการเรียนรู้ของพวกเขา

โชคดีที่เราสามารถช่วยให้เด็กๆ ปรับปรุงการตอบสนองและความจำของตนเองได้ผ่านการออกกำลังกายและการฝึกฝน ตัวอย่างเช่น เราสามารถให้เด็กๆ มีส่วนร่วมในกิจกรรมที่ท้าทาย เช่น เกมการ์ดหน่วยความจำ การวาดภาพ ดนตรี ฯลฯ เพื่อช่วยพวกเขาเพิ่มประสิทธิภาพความจำและความเร็วในการตอบสนอง นอกจากนี้เรายังสามารถส่งเสริมให้เด็กๆ มีส่วนร่วมในกิจกรรมกลางแจ้งและกีฬามากขึ้นเพื่อปรับปรุงสมรรถภาพทางกายของพวกเขา

ในกระบวนการเลี้ยงลูก เราต้องส่งเสริมให้เด็กๆ พยายามทำสิ่งใหม่ๆ อยู่เสมอ และมีส่วนร่วมในกิจกรรมต่างๆ ในโรงเรียนและชีวิตครอบครัวอย่างกระตือรือร้น เพื่อให้พวกเขาได้รับโอกาสในการฝึกฝนมากขึ้น เราต้องให้กำลังใจและสนับสนุนเชิงบวกแก่เด็กๆ เพื่อให้พวกเขาสามารถเผชิญกับความท้าทายต่างๆ ในชีวิตได้อย่างมั่นใจ เพื่อให้ความเร็วในการตอบสนองและความสามารถในการจดจำของพวกเขาดีขึ้นอย่างรวดเร็ว จะเห็นได้ว่าเราต้องปรับปรุงความจำของเรา Cistanche Deserticola สามารถปรับปรุงความจำได้อย่างมาก เนื่องจาก Cistanche Deserticola เป็นยาแผนโบราณของจีนที่มีลักษณะพิเศษมากมาย หนึ่งในนั้นคือการปรับปรุงความจำ ประสิทธิภาพของเนื้อสับมาจากส่วนผสมออกฤทธิ์หลายชนิดในเนื้อสับ เช่น กรด โพลีแซ็กคาไรด์ ฟลาโวนอยด์ ฯลฯ ส่วนผสมเหล่านี้สามารถส่งเสริมสุขภาพสมองได้หลายวิธี

คลิกรู้อาหารเสริมเพื่อเพิ่มความจำ

หลังจากแยกการทดลองเป็นรายบุคคล เราได้แยกข้อมูลทั้งหมดออกจากผู้เข้าร่วมที่ทำงานได้ไม่ดีในทั้งช่วงการทดสอบการเรียนรู้และการเรียนรู้ เนื่องจากเป็นการยากที่จะอนุมานเกี่ยวกับการรบกวนหรือความผูกพันของความทรงจำในผู้เข้าร่วมที่ไม่เข้าใจงานหรือไม่ได้จ่ายเงิน ความสนใจ. โดยเฉพาะอย่างยิ่งสำหรับผู้เข้าร่วมทุกคน เราทำการทดสอบทวินามด้านเดียวสองครั้ง การทดสอบครั้งแรกรวมการทดลองทั้งหมดจากบล็อก 2–4 ของช่วงการเรียนรู้ Set A เข้ากับการทดลองเฉพาะจากบล็อก 2–4 ของช่วงการเรียนรู้ Set B เราไม่รวมบล็อกแรกของระยะเหล่านี้เนื่องจากเราคาดการณ์ความแม่นยำไว้ใกล้กับโอกาสเมื่อมีการนำเสนอเหตุการณ์ฉุกเฉินเป็นครั้งแรก และเราไม่รวมการทดลองที่ทับซ้อนกันจากชุด B เนื่องจากเราให้เหตุผลว่าความแม่นยำอาจต่ำกว่าในการทดลองเหล่านั้นเนื่องจากการรบกวนเชิงรุก

การทดสอบทางสถิติครั้งที่สองรวมการทดลองทั้งหมดจากการทดสอบการเรียนรู้ครั้งแรกของชุด A กับการทดลองเฉพาะจากการทดสอบการเรียนรู้ของชุด B เหตุผลในการยกเว้นการทดลองที่ทับซ้อนกันสำหรับชุด B ก็คือความเป็นไปได้ของการรบกวนเชิงรุกอีกครั้ง เราไม่รวมเด็กอายุห้าขวบ 12 คน 8- ห้าคน และผู้ใหญ่ 0 คนซึ่งมีความแม่นยำไม่เกินโอกาสในการทดสอบทวินามทั้งสองแบบ1 ตัวอย่างสุดท้ายรวมเด็กอายุห้าขวบ 32 คน (นักเวท {{9} }.08 ปี SDage=.20 ภาษา=4.74-5.51; หญิง 13 คน ชาย 19 คน) อายุแปดขวบ 30 คน (นักเวท=8 54 ปี SDage=.28 ภาษา=8.05–8.99; หญิง 15 คน ชาย 15 คน) และผู้ใหญ่ 30 คน (หญิง 15 คน ชาย 15 คน)

เพื่อตรวจสอบว่าขนาดตัวอย่างสุดท้ายเหล่านี้มีความเหมาะสมหรือไม่ เราได้ทำการวิเคราะห์กำลังตามความแม่นยำโดยรวมในขั้นตอนการทดสอบ Binding สำหรับเด็กอายุ 5- ปี และ 8- ปี พลังในการตรวจจับความแตกต่างระหว่างเด็กอายุห้าขวบและแปดขวบคือ 1.00 ในการทดลองนี้ ซึ่งบ่งชี้ว่าขนาดตัวอย่างเหล่านี้เกินเพียงพอที่จะตรวจจับผลกระทบด้านอายุในความแม่นยำของการเชื่อมโยงหน่วยความจำ

ข้อมูลสำหรับการทดลองนี้แสดงไว้ในรูปที่ 2 และตารางที่ 1 ในการวิเคราะห์ข้อมูล เราได้ดำเนินการชุดการถดถอยเชิงเส้นแบบเบย์แบบลำดับชั้นเพื่อทำนายความแม่นยำเฉลี่ยในขั้นตอนงานต่างๆ การวิเคราะห์เหล่านี้นำเสนออย่างครบถ้วนในส่วนแบบจำลองการถดถอยแบบเบย์แบบลำดับชั้นและผลลัพธ์ของแบบจำลองการถดถอยของเอกสารเสริมออนไลน์

โดยรวมแล้ว ผลลัพธ์เสนอแนะถึงผลกระทบจากสัญญาณรบกวนเฉพาะที่ทับซ้อนกันอย่างรุนแรงในทุกกลุ่ม โดยเฉพาะอย่างยิ่ง แม้ว่าเราจะพบหลักฐานเพียงเล็กน้อยของการรบกวนเชิงรุกเมื่อเรียนรู้หรือการทดสอบในชุด B แต่เราพบหลักฐานที่ชัดเจนของการรบกวนย้อนหลังในการทดสอบการเรียนรู้ครั้งที่สองสำหรับชุด A (เช่น ในการทดสอบการเรียนรู้ 2A หลังจากการเรียนรู้และการทดสอบชุด B ) เนื่องจากความแม่นยำลดลงอย่างมากสำหรับการทับซ้อนกันเมื่อเทียบกับเหตุการณ์ฉุกเฉินที่ไม่ซ้ำใคร สิ่งที่น่าสนใจคือความแม่นยำมีแนวโน้มที่จะลดลงในการทดสอบการเรียนรู้ 2A โดยรวม มีสาเหตุหลายประการที่เป็นเช่นนี้: ความทรงจำอาจสลายไปตามกาลเวลา ผู้เข้าร่วมอาจเหนื่อยล้าในช่วงหลังของการทดลอง หรืออาจมีการแทรกแซงจากเหตุฉุกเฉินอื่นๆ ที่ไม่ได้เฉพาะเจาะจงกับการกระตุ้นที่ทับซ้อนกัน

นอกจากนี้เรายังพบหลักฐานที่ชัดเจนของการรบกวนที่มีสาเหตุมาจากการเหลื่อมซ้อนของการกระตุ้นในขั้นตอนการทดสอบ Binding เนื่องจากความแม่นยำในการทับซ้อนลดลงอย่างมากเมื่อเทียบกับเหตุการณ์ฉุกเฉินที่ไม่ซ้ำ นอกจากนี้เรายังพบหลักฐานของความแม่นยำโดยรวมที่ต่ำกว่าสำหรับเด็กอายุ 5- ปีมากกว่ากลุ่มอายุที่เก่ากว่าในขั้นตอนการทดสอบ Binding ผลลัพธ์ของการรบกวนที่รุนแรงและความแตกต่างด้านพัฒนาการค่อนข้างน่าประหลาดใจ เนื่องจากรูปร่างและสีปรากฏภายในวัตถุ และเราคาดว่าการเกาะติดภายในวัตถุจะค่อนข้างแข็งแกร่งในทุกกลุ่มอายุ

อย่างไรก็ตาม จากผลลัพธ์เหล่านี้ยังไม่ชัดเจนว่าความสัมพันธ์ใดเกิดขึ้นบ้าง หรือโครงสร้างการเชื่อมโยงเหล่านี้อาจแตกต่างกันอย่างไรระหว่างกลุ่มอายุ: ผู้เข้าร่วมอาจสร้างโครงสร้างการเชื่อมโยงอย่างง่ายระหว่างรูปร่างหรือลักษณะสีของแต่ละบุคคลและลักษณะนิสัย ระหว่างรูปร่างและสีร่วมกัน ภายในออบเจ็กต์ และอาจอยู่ระหว่างทั้งคุณลักษณะและอักขระ ซึ่งจะพิจารณาจากโครงสร้างการเชื่อมโยงที่ซับซ้อน เป็นการยากที่จะประเมินขอบเขตที่โครงสร้างการเชื่อมโยงเหล่านี้ถูกสร้างขึ้นด้วยแบบจำลองทางสถิติมาตรฐาน เช่น การถดถอย แต่เราต้องการแบบจำลองที่คาดการณ์ทั้งการตอบสนองที่ถูกต้องและการตอบสนองข้อผิดพลาดประเภทต่างๆ โดยอิงจากการนำเสนอพื้นฐาน (เช่น โครงสร้างการเชื่อมโยง) เพื่อประเมินการก่อตัวของโครงสร้างการเชื่อมโยงที่แตกต่างกันและความแตกต่างด้านการพัฒนาในกระบวนการเหล่านี้อย่างเป็นทางการ เราได้สร้างแบบจำลองการคำนวณเชิงกำเนิด

คำอธิบายแบบจำลองการคำนวณ—เพื่อกำหนดลักษณะอย่างเป็นทางการของกระบวนการเชื่อมโยงที่เราตั้งสมมติฐานเพื่อรองรับประสิทธิภาพในการทดลองนี้ เราได้พัฒนาแบบจำลองการคำนวณใหม่ (สำหรับคำอธิบายแบบเต็มของแบบจำลอง โปรดดูส่วนแบบจำลองการคำนวณทั่วไปของเอกสารเสริมออนไลน์) แบบจำลองนี้ถือว่าการตอบสนองของผู้เข้าร่วมได้รับการสนับสนุนจากจุดแข็งของการเชื่อมโยงที่ได้เรียนรู้ระหว่างการทดลอง

ในแบบจำลอง เมทริกซ์ MFF, MFC และ MFFC จัดเก็บการเชื่อมโยงระหว่างคุณลักษณะรูปร่างและสี (เช่น การเชื่อมโยงคุณลักษณะ-คุณลักษณะ หรือ FF) ระหว่างคุณลักษณะแต่ละวัตถุที่แยกจากกัน (รูปร่างหรือสี) และอักขระ (เช่น อักขระคุณลักษณะ การผูกหรือ FC) และระหว่างการรวมคุณลักษณะทั้งสองเข้าด้วยกันภายในวัตถุและอักขระ (เช่น การผูกคุณลักษณะคุณลักษณะ-อักขระ หรือ FFC) ตามลำดับ เมทริกซ์เหล่านี้ได้รับการอัปเดตในระดับทดลองเพื่อจำลองกระบวนการเชื่อมโยงและตรวจสอบโดยสัญญาณหน่วยความจำเพื่อจำลองการดึงข้อมูล

โครงสร้างการเชื่อมโยงแต่ละโครงสร้างเป็นแบบสองทิศทาง ตัวอย่างเช่น เนื่องจากรูปร่างเชื่อมโยงกับอักขระ อักขระจึงสัมพันธ์กับรูปร่างด้วย (ดูรูปที่ 3) การเชื่อมโยงระหว่างองค์ประกอบที่แตกต่างกันจะเพิ่มขึ้นในเมทริกซ์ทั้งสามในระดับทดลอง โดยปรับขนาดตามพารามิเตอร์อัตราการเรียนรู้ที่เฉพาะเจาะจงสำหรับการเชื่อมโยงแต่ละประเภท: FF, FC และ FFC โครงสร้างการเชื่อมโยงที่แตกต่างกันส่งผลต่อประสิทธิภาพของแบบจำลองในรูปแบบที่แตกต่างกัน การเชื่อมโยง FF จะไม่ส่งผลกระทบต่อประสิทธิภาพในขั้นตอนการทดสอบการเรียนรู้หรือการเรียนรู้ แต่ในการทดสอบการเชื่อมโยงมีส่วนช่วยในการตอบสนองที่ถูกต้องสำหรับเหตุฉุกเฉินที่ไม่ซ้ำ และทั้งตัวเลือกการตอบสนองที่ถูกต้องและทับซ้อนกันสำหรับเหตุฉุกเฉินที่ทับซ้อนกัน

ในการทดลองที่ 1 การเชื่อมโยง FF ภายในวัตถุได้รับการสนับสนุนโดยการนำเสนอรูปร่างและสีภายในวัตถุเดียวกัน ในขณะที่ในการทดลองที่ 2 คุณลักษณะต่างๆ ถูกแยกออกจากกันเชิงพื้นที่เพื่อส่งเสริมการเชื่อมโยงนอกวัตถุ (รูปที่ 3 แผงด้านบน) สมาคม FC มีส่วนช่วยในการตอบสนองที่แม่นยำในขั้นตอนการทดสอบการเรียนรู้และการเรียนรู้ แต่ยังสามารถมีส่วนช่วยในการตอบสนองที่ไม่ถูกต้องสำหรับเหตุฉุกเฉินที่ทับซ้อนกัน หลังจากที่ชุด B ถูกนำมาใช้ การเชื่อมโยงเหล่านี้อาจใช้ในการทดสอบการผูกเพื่อเพิ่มความน่าจะเป็นในการเลือกตัวเลือกการตอบสนองที่เกี่ยวข้องกับอักขระที่กำหนด สุดท้ายนี้ การเชื่อมโยง FFC ที่ซับซ้อนมีส่วนสนับสนุนเฉพาะการตอบสนองที่ถูกต้องสำหรับทั้งเหตุการณ์ฉุกเฉินที่ทับซ้อนกันและไม่ซ้ำกันในทุกระยะของงาน

นอกเหนือจากการเสริมสร้างความเข้มแข็งของความสัมพันธ์ประเภทนี้แล้ว โมเดลยังสามารถ "ลืม" ได้ด้วยการทำให้ความสัมพันธ์ที่ก่อตัวขึ้นก่อนหน้านี้อ่อนแอลงซึ่งขัดแย้งกับการเรียนรู้ในปัจจุบัน ตัวอย่างเช่น เมื่อเรียนรู้เหตุการณ์ฉุกเฉินที่ทับซ้อนกันในระยะการเรียนรู้สำหรับชุด B คุณลักษณะของวัตถุแต่ละรายการจะถูกเชื่อมโยงกับอักขระอื่น ๆ ก่อนหน้านี้ผ่านการผูก FC และแบบจำลองสามารถทำให้ความสัมพันธ์ที่แข่งขันกันอ่อนแอลงเพื่ออำนวยความสะดวกให้มีความแม่นยำมากขึ้น และด้วยเหตุนี้จึงลดการรบกวนเชิงรุกในขณะที่ ในขณะเดียวกันก็เพิ่มการรบกวนย้อนหลังในภายหลังเมื่อมีการทบทวนชุด A ในการทดสอบการเรียนรู้ A2

ผลของการลืมจึงคล้ายคลึงกับกระบวนการยับยั้งตามที่กล่าวไว้ในบทนำ แม้ว่าเราจะไม่ได้รวมกลไกที่ทำให้การลืมสามารถย้อนกลับได้นอกเหนือจากการเรียนรู้ใหม่ ในขณะที่การยับยั้งมักถูกพิจารณาว่าเป็นปรากฏการณ์ชั่วคราว (Geiselman & Bagheri, 1985) เป็นผลให้กลไกการลืมในแบบจำลองถือได้ว่าเป็นกระบวนการที่ไร้การเรียนรู้ ขอบเขตของกระบวนการลืมนี้ที่ส่งผลต่อโครงสร้างการจับทั้งหมดถูกควบคุมโดยพารามิเตอร์เพิ่มเติมหนึ่งตัว

กระบวนการเรียนรู้และการลืมเหล่านี้ถูกกำหนดไว้ทางคณิตศาสตร์ในแบบจำลอง แม้ว่าสมการแบบจำลองแบบเต็มจะมีให้ในเอกสารเสริมออนไลน์ แต่ตอนนี้เรามีสมการแบบง่ายเพื่อสรุปส่วนประกอบของแบบจำลอง แต่ละเมทริกซ์ได้รับการอัปเดตในทุกการทดลอง:

โดยที่ M เป็นหนึ่งในสามเมทริกซ์แบบเชื่อมโยงและเป็นอัตราการเรียนรู้ที่สอดคล้องกัน (จำได้ว่ามีการประเมินอัตราการเรียนรู้ที่แตกต่างกันสำหรับการรวม FC, FF และ FFC: FC, FF FFC) การแสดงเวกเตอร์ขององค์ประกอบทั้งสอง (เช่น รูปร่างและสี) จะแสดงเป็น f1 และ f2 องค์ประกอบเหล่านี้เชื่อมโยงกันโดยใช้ผลิตภัณฑ์ภายนอก ซึ่งแสดงด้วยสัญลักษณ์ ⊗ การลืมโมเดลจะถูกควบคุมโดยพารามิเตอร์ ซึ่งจะเหมือนกันสำหรับการเชื่อมโยงทุกประเภท (FC, FF และ FFC) การลืมเกิดขึ้นโดยการลดน้ำหนักความสัมพันธ์ระหว่างแต่ละองค์ประกอบกับองค์ประกอบอื่นๆ ที่เคยเกี่ยวข้องด้วยแต่ไม่ได้นำเสนอในการทดลองปัจจุบัน ซึ่งเรียกว่า fx

ตัวอย่างเช่น หากในชุด A มีการแสดงวงกลมสีน้ำเงินและดาวสีเหลือง เมื่อมีการนำเสนอดาวสีน้ำเงินในช่วงการเรียนรู้สำหรับชุด B การเชื่อมโยงดาวสีน้ำเงินจะแข็งแกร่งขึ้นด้วยการเรียนรู้ใหม่ ในขณะที่การเชื่อมโยงวงกลมสีน้ำเงินจะอ่อนลงโดย ลืม โปรดทราบว่าในแบบจำลองเต็ม การเรียนรู้เกิดขึ้นแบบสองทิศทาง (เช่น เนื่องจากสีน้ำเงินเกี่ยวข้องกับดาว ดาวจึงสัมพันธ์กับสีน้ำเงิน ดูเอกสารเสริมออนไลน์สำหรับสมการแบบจำลองแบบเต็ม)

สุดท้าย r คือค่าสเกลาร์ค่าเดียวที่แสดงถึงสัญญาณแปลกใหม่ระดับการทดลองที่เปลี่ยนจากการทดลองไปสู่การทดลอง โดยติดตามว่าองค์ประกอบ f1 และ f2 มีความเกี่ยวข้องกันมากเพียงใดในอดีต: r=e −f1·(M ·f2)+f2·(M·f1)).

ในสมการนี้ f2 ถูกใช้เป็นสัญญาณเพื่อดึงอาร์เรย์ขององค์ประกอบที่เกี่ยวข้องก่อนหน้านี้จาก M ผ่านดอตโปรดัค จากนั้นดอตโปรดัคตัวที่สอง "อ่าน" ว่า f1 ได้รับการดึงออกมามากเพียงใด จากนั้นค่ากำลังสเกลาร์นี้จะถูกบวกเข้ากับค่ากำลังที่สอดคล้องกันสำหรับการเชื่อมโยงในทิศทางตรงกันข้าม (กล่าวคือ f1 ดึงค่า f2 ออกมาได้แรงแค่ไหน) ฟังก์ชันเอ็กซ์โปเนนเชียลใช้กับค่าความแรงรวมนี้ หากไม่มีการเรียนรู้เกิดขึ้นสำหรับการเชื่อมโยงเหล่านี้ก่อนหน้านี้ จุดแข็งจะเป็นศูนย์ ส่งผลให้เกิด r=1 และการเรียนรู้เต็มรูปแบบ

อย่างไรก็ตาม เมื่อการเชื่อมโยงแข็งแกร่งขึ้น ค่าความแข็งแกร่งก็จะมากขึ้น และ r เข้าใกล้ศูนย์ ผลลัพธ์ของกลไกนี้คือการเรียนรู้จะลดลงสำหรับสมาคมที่ได้รับการเรียนรู้มาอย่างดีแล้ว ซึ่งจำเป็นต่อการรักษาจุดแข็งของสมาคมไม่ให้เติบโตอย่างไร้ขอบเขต เนื่องจากการเรียนรู้เกิดขึ้นจากการทดลองหลายครั้ง

เพื่อจำลองการตัดสินใจ แบบจำลองจะคำนวณความแข็งแกร่งของการเชื่อมโยงระหว่างสัญญาณหน่วยความจำที่ให้มากับเป้าหมายที่เป็นไปได้ในการทดลองแต่ละครั้ง จุดแข็งถูกกำหนดโดยการตรวจสอบเมทริกซ์เชิงสัมพันธ์ด้วยตัวชี้นำ: s=(M · fcue ) · เป้าหมาย สมการนี้จะดึงอาร์เรย์ขององค์ประกอบที่เกี่ยวข้องกับคิว (คิว) และอ่านค่าความแรงค่าเดียวสำหรับเป้าหมายเฉพาะ (เป้าหมาย) การประมาณความแข็งแกร่งเหล่านี้เป็นพื้นฐานสำหรับการคำนวณความน่าจะเป็นของการตอบสนองที่เป็นไปได้แต่ละรายการ ในขณะเดียวกันก็ทำให้เกิดการแข่งขันจากการตอบสนองที่เป็นไปได้อื่น ๆ ที่อาจส่งผลให้เกิดการรบกวน

กฎการดึงข้อมูลเชิงแข่งขันนี้ถูกนำมาใช้เป็นฟังก์ชันซอฟต์แม็กซ์: Pcℎoice=e s cℎoice ∑e s หากจุดแข็งที่สนับสนุนตัวเลือกที่เป็นไปได้ทั้งหมดเหมือนกัน แบบจำลองจะทำนายประสิทธิภาพระดับโอกาส แต่ภายในขอบเขตที่ตัวเลือกเฉพาะได้รับการสนับสนุนจากค่าความแข็งแกร่งที่มากกว่าตัวเลือกอื่นๆ แบบจำลองจะมีแนวโน้มที่จะตัดสินใจเลือกที่สอดคล้องกันมากขึ้น

เราปรับโมเดลให้เข้ากับข้อมูลที่สังเกตได้โดยใช้พารามิเตอร์อิสระสี่ตัว: FC, FF, FFC และ ที่สำคัญ แบบจำลองนี้ไม่เหมาะที่จะสรุปสถิติ เช่น สัดส่วนของการตอบสนองที่ถูกต้องในแต่ละระยะ แต่คำนึงถึงตัวเลือกของผู้เข้าร่วมสำหรับการทดลองแต่ละครั้งในทุกระยะของการทดสอบ เราใช้เทคนิคเบย์เซียนแบบลำดับชั้นเพื่อให้เหมาะกับแบบจำลอง ช่วยให้เราสามารถประเมินความแตกต่างด้านอายุด้วยการแจกแจงพารามิเตอร์หลัง ดูเอกสารเสริมออนไลน์สำหรับรายละเอียดเพิ่มเติมเกี่ยวกับแบบจำลองและความเหมาะสมกับข้อมูล

ผลลัพธ์ของโมเดลการคำนวณ—ในการประเมินความพอดีของโมเดล เราได้สร้างประสิทธิภาพของงานระดับทดลอง โดยพิจารณาจากค่าประมาณพารามิเตอร์ที่เหมาะสมที่สุดของผู้เข้าร่วมแต่ละคน (ดูรูปที่ 2 เพื่อเปรียบเทียบประสิทธิภาพที่สังเกตได้และที่คาดการณ์ด้วยโมเดล) แม้ว่าการประเมินการแทรกแซงเชิงรุกบล็อกแรกของการเรียนรู้ชุด B ในทุกกลุ่มอายุจะประเมินสูงเกินไป แต่แบบจำลองนี้เหมาะสมกับรูปแบบประสิทธิภาพส่วนใหญ่ได้ดีในทุกขั้นตอนการทดลอง โดยเสนอแนะว่าสามารถจับกระบวนการอย่างน้อยบางส่วนที่เป็นรากฐานของประสิทธิภาพงานและความแตกต่างระหว่างกระบวนการเหล่านี้ได้ ระหว่างกลุ่มอายุ

การกระจายหลังของไฮเปอร์พารามิเตอร์สำหรับแต่ละกลุ่มอายุแสดงไว้ในรูปที่ 4A เราประเมินความแตกต่างของอายุสำหรับแต่ละพารามิเตอร์โดยการคำนวณ η ซึ่งเป็นการวัดความเหลื่อมล้ำของการแจกแจงที่อธิบายไว้ข้างต้นในส่วนการวิเคราะห์ ไม่มีหลักฐานที่สำคัญของความแตกต่างด้านอายุในการผูก FC ประเมินด้วยพารามิเตอร์ FC หรือการลืม ประมาณด้วย (ηs > .17) ในทางตรงกันข้าม เราพบหลักฐานที่ชัดเจนมากของการเชื่อมโยง FF ที่อ่อนแอกว่า ซึ่งประมาณด้วยพารามิเตอร์ FF ในเด็กอายุ 5- ปี เมื่อเปรียบเทียบกับทั้ง 8- ปี (η=.005) และผู้ใหญ่ (η=.001) มีหลักฐานเพียงเล็กน้อยที่แสดงถึงความแตกต่างระหว่างกลุ่มอายุที่มากกว่าสองกลุ่ม (η= .642) การค้นพบใหม่เหล่านี้ชี้ให้เห็นถึงการเปลี่ยนแปลงพัฒนาการที่รุนแรงในความผูกพันภายในวัตถุระหว่างอายุ 5 ถึง 8 ปี แม้ว่าความสามารถนี้อาจมีลักษณะเหมือนผู้ใหญ่เมื่ออายุ 8 ปีก็ตาม

นอกจากนี้ยังมีหลักฐานที่ชัดเจนของค่าที่ต่ำกว่าของพารามิเตอร์การเชื่อมโยงที่ซับซ้อน FFC ในเด็กอายุ 5- ปี เมื่อเปรียบเทียบกับทั้ง 8- ปี (η=.010) และผู้ใหญ่ (η=.002) แม้ว่าค่าพารามิเตอร์โดยประมาณมีแนวโน้มที่จะสูงกว่าในผู้ใหญ่เมื่อเทียบกับเด็กอายุแปดขวบ แต่ความแตกต่างนี้ไม่ได้ชัดเจนมากนัก (η=.429) การค้นพบครั้งหลังนี้ค่อนข้างน่าประหลาดใจเพราะงานก่อนหน้านี้โดยใช้งานการเรียกคืนได้เสนอแนะการพัฒนาที่ยืดเยื้อของการผูกพันที่ซับซ้อนหลังจากอายุ 7 ปี (Yim et al., 2013) บางทีความสามารถที่เกิดขึ้นใหม่ในการสร้างการเชื่อมโยงที่ซับซ้อนนั้นสามารถตรวจพบได้ในงานการจดจำมากกว่างานการเรียกคืนที่ยากกว่า เรากลับมาที่ปัญหานี้ในการสนทนาทั่วไป

เพื่อตรวจสอบว่ากลไกทั้งหมดของแบบจำลองจำเป็นเพื่อให้พอดีกับข้อมูลหรือไม่ เราทำการศึกษาเปรียบเทียบแบบจำลอง โดยที่แต่ละพารามิเตอร์ถูกกำจัดออกจากแบบจำลอง (เช่น ตั้งค่าเป็นศูนย์) ในขณะที่ปรับพารามิเตอร์อื่นๆ ให้เข้ากับข้อมูล และเราพบว่า โมเดลเต็มที่มีพารามิเตอร์ทั้งสี่ตัวเหมาะสมกับข้อมูลมากที่สุด แม้ว่าจะคำนึงถึงความซับซ้อนของโมเดลก็ตาม (ดูส่วนการศึกษาเปรียบเทียบโมเดลของเอกสารเสริมออนไลน์ และดูรูปที่ S5 ในส่วนเดียวกันเพื่อดูว่าโมเดลต่างๆ เหล่านี้คาดการณ์รูปแบบประสิทธิภาพที่แตกต่างกันอย่างไร)

โดยรวมแล้ว ในการทดลองนี้ เราพบหลักฐานที่ชัดเจนของผลกระทบจากการรบกวนหน่วยความจำในทุกกลุ่มอายุ โดยอิงตามแบบจำลองการถดถอยแบบลำดับชั้น ควบคู่ไปกับความแตกต่างด้านพัฒนาการในด้านประสิทธิภาพในการทดสอบ Binding บางทีที่สำคัญกว่านั้น ด้วยแบบจำลองการคำนวณแบบใหม่ เราพบหลักฐานของความแตกต่างด้านพัฒนาการที่สำคัญในการจับภายในวัตถุและการจับที่ซับซ้อนหลังจากอายุ 5 ปี แต่ไม่ใช่หลังจากอายุ 8 ปี อย่างไรก็ตาม จากผลลัพธ์เหล่านี้ยังไม่ชัดเจนว่าการเชื่อมโยงหน่วยความจำและการรบกวนได้รับผลกระทบจากการนำเสนอคุณลักษณะภายในวัตถุเดียวกันอย่างไร งานก่อนหน้าในผู้ใหญ่ชี้ให้เห็นว่าการเชื่อมโยง extraobject นั้นมีความต้องการอย่างตั้งใจมากกว่าและเกี่ยวข้องกับประสิทธิภาพของหน่วยความจำเชื่อมโยงที่แม่นยำน้อยกว่าเมื่อเปรียบเทียบกับการเชื่อมโยงภายในวัตถุ (Asch et al., 1960; Ecker et al., 2007, 2013; van Geldorp et al., 2015) . ดังนั้น เราตั้งสมมติฐานว่าคุณลักษณะของวัตถุที่แยกออกจากกันเชิงพื้นที่จะรบกวนการเชื่อมโยง โดยเฉพาะอย่างยิ่งสำหรับเด็กเล็ก ซึ่งอาจเพิ่มผลการรบกวนได้ เราตรวจสอบความเป็นไปได้เหล่านี้ในการทดลองที่ 2

การทดลองที่ 2: การพัฒนาวิธีการผูกวัตถุนอกวัตถุ

ผู้เข้าร่วม—เด็กอายุสี่สิบห้า 5- ปี (Mage=5.16 ปี, SDage=.23, ภาษา=4.80 −5.74; หญิง 17 คน, ชาย 28 คน) , เด็กอายุแปดขวบ 43 คน (ผู้วิเศษ=8.49 ปี, SDage=.38, ภาษา=7.74 – 8.99; หญิง 23 คน, ชาย 20 คน) และผู้ใหญ่ 34 คน (19 คน หญิง ผู้ชาย 15 คน) เข้าร่วมในการทดลองที่ 2 ดูส่วนผลลัพธ์และการสนทนาด้านล่างสำหรับการวิเคราะห์กำลัง การมอบหมายให้กับการทดลองนี้หรือการทดลองที่ 1 ได้รับการสุ่ม

สิ่งกระตุ้นและขั้นตอน—ในการทดลองนี้ ลักษณะรูปร่างและสีไม่ได้ถูกนำเสนอพร้อมกันภายในวัตถุเดียวกัน แต่ถูกแยกออกจากกันเชิงพื้นที่ (ดูรูปที่ 5) ในการทดลองแต่ละครั้ง รูปร่างโปร่งใสและหยดสีถูกวางตำแหน่งในแนวตั้ง และตำแหน่งเชิงพื้นที่สัมพัทธ์ (บนหรือล่าง) ของคุณสมบัติเหล่านี้ได้รับการถ่วงดุลสำหรับการจับคู่รูปร่างสีแต่ละสีภายในแต่ละบล็อกของทุกเฟส ขั้นตอนนี้เหมือนกับการทดลองที่ 1 ยกเว้นว่าสิ่งเร้านั้นเรียกว่า "คู่ของรูปร่างและสี" แทนที่จะเป็นวัตถุระหว่างคำแนะนำและผลตอบรับด้านประสิทธิภาพ

For more information:1950477648nn@gmail.com