การรบกวนหน่วยความจำระยะยาวได้รับการแก้ไขผ่านการผลักและความแม่นยำพร้อมกับขนาดหน่วยความจำการวินิจฉัยส่วนที่ 3

วิธีการวิเคราะห์

เกณฑ์การยกเว้นตามประสิทธิภาพ สำหรับการวิเคราะห์ที่เกี่ยวข้องกับข้อมูลงานการสร้างใหม่ เราได้แยกผู้เข้าร่วมจำนวนเล็กน้อยตามประสิทธิภาพในระหว่างรอบที่ 9–12 ของการทดสอบหน่วยความจำแบบเชื่อมโยง ผู้เข้าร่วมจะถูกแยกออก หาก (ก) อัตราข้อผิดพลาดสำหรับการทดลองที่ไม่ใช่การแข่งขันมากกว่า 20% สำหรับรอบใด ๆ เหล่านี้ หรือ (b) พวกเขาเลือกใบหน้าล่อบนมากกว่า 20% ของการทดลองแข่งขันสำหรับรอบใด ๆ เหล่านี้

ความทรงจำของมนุษย์มีความสำคัญมากและช่วยให้เราเข้าใจและรับมือกับความท้าทายต่างๆ ในชีวิตได้ดีขึ้น อย่างไรก็ตาม ในสังคมสมัยใหม่ เราต้องเผชิญกับข้อมูลจำนวนมหาศาล และความทรงจำของเรามักจะถูกท้าทายและเหนื่อยล้า

อย่างไรก็ตาม เราสามารถสร้างความสัมพันธ์ระหว่างข้อมูลงานและหน่วยความจำขึ้นมาใหม่ได้ด้วยวิธีง่ายๆ บางอย่าง ประการแรก เราสามารถลองใช้หน่วยความจำในการทำงานเพื่อเพิ่มความสามารถในการจดจำของเราได้ หน่วยความจำในการทำงานหมายถึงความสามารถในการเก็บและประมวลผลข้อมูลในหน่วยความจำระยะสั้น ด้วยการปฏิบัติงานด้านความจำเป็นประจำ เราสามารถออกกำลังกายเกี่ยวกับความจำในการทำงานและด้วยเหตุนี้จึงช่วยเพิ่มความจำของเรา

ประการที่สอง เราสามารถปรับปรุงความจำของเราได้โดยการแตะเข้าไปในความทรงจำทางประสาทสัมผัสของเรา ความทรงจำทางประสาทสัมผัสของเรามีพลังมากจนเราสามารถระลึกถึงรสชาติของอาหารได้ เช่น เป็นครั้งแรก เป็นต้น การเพิ่มความจำทางประสาทสัมผัสทำให้เราสามารถพัฒนาความจำของเราได้

นอกจากนี้เรายังสามารถเสริมสร้างความจำของเราได้โดยใช้วิธีวังแห่งความทรงจำ วังแห่งความทรงจำเป็นเทคนิคโบราณที่ใช้ฉากที่ซับซ้อนที่เราสร้างขึ้นเพื่อเชื่อมโยงข้อมูลที่เราต้องการจดจำเข้ากับฉากนั้น ด้วยวิธีนี้เราสามารถจดจำข้อมูลได้อย่างง่ายดาย

สุดท้ายเราสามารถลองออกกำลังกายเพื่อเพิ่มความจำของเราได้ การออกกำลังกายช่วยเพิ่มการเผาผลาญ ซึ่งจะทำให้การทำงานของสมองของเราเพิ่มขึ้น การออกกำลังกายยังช่วยส่งเสริมการไหลเวียนโลหิตเพื่อให้สมองได้รับออกซิเจนและสารอาหารมากขึ้น จึงสามารถประมวลผลข้อมูลได้ดีขึ้น

โดยสรุป เราสามารถสร้างความสัมพันธ์ระหว่างข้อมูลงานและหน่วยความจำขึ้นมาใหม่ได้โดยใช้วิธีการต่างๆ ไม่ว่าจะเป็นการฝึกความจำในการทำงาน การเสริมสร้างความจำทางประสาทสัมผัส การใช้คลังความทรงจำ หรือการทำกิจกรรมทางกาย สิ่งเหล่านี้สามารถช่วยให้เราพัฒนาความจำของเรา และทำให้เรามีความยืดหยุ่นและมีประสิทธิภาพในชีวิตมากขึ้น จะเห็นได้ว่าเราต้องปรับปรุงความจำ และ Cistanche Deserticola สามารถปรับปรุงความจำได้อย่างมาก เนื่องจาก Cistanche Deserticola เป็นยาจีนโบราณที่มีลักษณะพิเศษมากมาย หนึ่งในนั้นคือการปรับปรุงความจำ ประสิทธิภาพของเนื้อสับมาจากส่วนผสมออกฤทธิ์หลายชนิดในเนื้อสับ เช่น กรด โพลีแซ็กคาไรด์ ฟลาโวนอยด์ ฯลฯ ส่วนผสมเหล่านี้สามารถส่งเสริมสุขภาพสมองได้หลายวิธี

คลิกรู้อาหารเสริมเพื่อเพิ่มความจำ

ตามเกณฑ์เหล่านี้ ผู้เข้าร่วมหนึ่งรายถูกแยกออกจากการวิเคราะห์ข้อมูลงานการสร้างใหม่ในการทดลองที่ 1 (ให้ผล N=35) สี่คนถูกแยกออกจากการทดลองที่ 2 (ให้ผล N=37) และแปดคนถูกแยกออกจากการทดลองที่ 3 (ให้ผล N=49) (ดู https://osf.io/dj6q2/ สำหรับเกณฑ์การยกเว้นอื่นๆ ที่ถูกกำหนดขึ้นแต่ไม่ได้ใช้) เหตุผลในการมีเกณฑ์สูงในการรวมผู้เข้าร่วมในการวิเคราะห์งานการสร้างใหม่คือเพื่อลดกรณีที่ผู้เข้าร่วมสร้างใบหน้าที่ผิดทั้งหมดขึ้นมาใหม่ และมุ่งเน้นไปที่อคติ/ความแม่นยำในใบหน้าที่จดจำอย่างถูกต้องแทน

การวัดหน่วยความจำแบบเชื่อมโยง

ตามที่ระบุไว้ข้างต้น การทดสอบความจำแบบเชื่อมโยงใช้เพื่อยืนยันว่าผู้เข้าร่วมมีความแม่นยำสูงในการเชื่อมโยงสัญญาณกับใบหน้า การทดสอบหน่วยความจำแบบเชื่อมโยงยังอนุญาตให้มีการจัดการตรวจสอบว่าสภาวะการแข่งขันทำให้เกิดการรบกวนหรือไม่ (ความแม่นยำของหน่วยความจำแบบเชื่อมโยงที่ต่ำกว่า) เมื่อเทียบกับสภาวะที่ไม่แข่งขัน ข้อมูลจากการทดสอบหน่วยความจำแบบเชื่อมโยงได้รับการวิเคราะห์ครั้งแรกในแง่ของความแม่นยำที่ไม่สามารถแข่งขันได้ เมื่อเปรียบเทียบกับการทดลองที่ไม่มีการแข่งขัน เราใช้ ANOVA แบบวัดซ้ำแยกกันสำหรับการทดลองแต่ละครั้งโดยมีปัจจัยของเงื่อนไข (แข่งขัน ไม่ใช่แข่งขัน) และรอบการเรียนรู้ (1–9 สำหรับการทดลองที่ 1, 1–12 สำหรับการทดลองที่ 2 และ 3)

สำหรับการทดลองแข่งขัน เรายังแยกข้อผิดพลาดออกด้วยว่าเกิดจากการแข่งขัน (ข้อผิดพลาดจากสัญญาณรบกวน) หรือไม่ (ล่อ) หากข้อผิดพลาดเป็นการสุ่ม ข้อผิดพลาดจากการรบกวนจะเกิดขึ้นหนึ่งในห้า (20%) ของการทดลองข้อผิดพลาด เพื่อทดสอบว่าข้อผิดพลาดของการรบกวนเกิดขึ้นเหนือระดับโอกาสหรือไม่ ดังนั้นเราจึงทำการทดสอบทีหนึ่งตัวอย่างสำหรับการทดลองแต่ละครั้ง โดยเปรียบเทียบเปอร์เซ็นต์เฉลี่ยของข้อผิดพลาดของการรบกวน (ตลอดรอบการเรียนรู้ทั้งหมด) กับ 20%

การวัดอคติ

ตามที่อธิบายไว้ข้างต้น ในการทดลองแต่ละครั้งในภารกิจการก่อสร้างนั้น ใบหน้าของเป้าหมายจะอยู่ในตำแหน่งใดตำแหน่งหนึ่งจากสี่ตำแหน่ง (ศูนย์กลางของสี่จตุภาค) ดังนั้น สำหรับทั้งแกน x และ y ของพื้นที่ค้นหา เป้าหมายจึงอยู่กึ่งกลางระหว่างศูนย์กลางและขอบของพื้นที่ค้นหา (รูปที่ 1a) เพื่อวัดความลำเอียงที่อาจเกิดขึ้น สำหรับการทดลองแต่ละครั้ง การตอบสนองทั้งหมดจะถูกจัดวางบนแกนร่วมและปรับขนาดเป็นมาตราส่วนทั่วไป โดยแยกจากกันสำหรับแต่ละมิติข้อมูลเด่น (ผลกระทบ, เพศ) สำหรับข้อมูลที่ปรับขนาดใหม่ ช่วงของการตอบสนองที่เป็นไปได้สำหรับแต่ละมิติคือ -2 ถึง 2 โดยที่ 0 เป็นศูนย์กลางของพื้นที่ใบหน้า (นั่นคือ ศูนย์กลางของพื้นที่ค้นหา)

สำหรับสภาวะการแข่งขัน ตำแหน่งของใบหน้าเป้าหมายในมิติการวินิจฉัย=1 และตำแหน่งของใบหน้าไพรเมต=-1 (รูปที่ 1c) ดังนั้น ความเอนเอียงจากใบหน้าไพรเมตจะแสดงด้วยค่าที่มากกว่า 1 ในขณะที่ความลำเอียงไปทางใบหน้าไพรเมต (หรือไปทางศูนย์กลางของพื้นที่ใบหน้า) จะแสดงด้วยค่าที่ต่ำกว่า 1 สำหรับมิติที่ไม่มีการวินิจฉัย ตำแหน่งนั้น ของใบหน้าเป้าหมายและใบหน้าคู่หู=1 แม้ว่าใบหน้าจากสภาวะที่ไม่สามารถแข่งขันได้จะถูกรวมไว้ในงานสร้างใหม่ แต่ไม่มีการวัดอคติสำหรับใบหน้าเหล่านี้ เนื่องจากไม่มีความแตกต่างระหว่างมิติการวินิจฉัยเทียบกับมิติที่ไม่ใช่การวินิจฉัย ใบหน้าที่ไม่แข่งขันกันมีความสำคัญอย่างยิ่งในการทดสอบความจำแบบเชื่อมโยง ซึ่งทำหน้าที่สร้างเอฟเฟกต์การรบกวนหน่วยความจำโดยรวม

สิ่งสำคัญคือต้องทราบว่าสำหรับงานฟื้นฟู ระยะการตอบสนองในการทดลองแต่ละครั้งมีการกระจายแบบไม่สมมาตรรอบๆ เป้าหมาย หากช่วงการตอบสนองมีการกระจายอย่างสมมาตรรอบๆ เป้าหมาย ตามคำจำกัดความแล้ว การตอบสนองที่ถูกต้องในการทดลองแต่ละครั้งจะเป็นศูนย์กลางของพื้นที่การค้นหา ซึ่งน่าจะทำให้ผู้เข้าร่วมเรียนรู้ที่จะตอบสนองเพียงศูนย์กลาง อย่างไรก็ตาม ข้อเสียของแนวทางที่เราใช้คือ สำหรับมิติการวินิจฉัยในสภาพการแข่งขัน มีโอกาสตอบสนองต่อใบหน้าไพรเมต (ค่าระหว่าง -2 ถึง 1) มากกว่าที่จะอยู่ห่างจากหน้าไพรเมต (ค่า 1 ถึง 2 ).

แน่นอนว่าความไม่สมดุลนี้ใช้ได้กับผลของการผลักกันที่เราคาดการณ์ไว้ (ค่าที่มากกว่า 1) อย่างไรก็ตาม บัญชีสำหรับช่วงการตอบสนองที่จำกัดแบบไม่สมมาตร ได้ประเมินค่าเฉลี่ยที่แท้จริงโดยปรับการแจกแจงแบบปกติที่ถูกตัดทอนให้เหมาะกับข้อมูล สำหรับผู้เข้าร่วมแต่ละราย จะมีการเรียกใช้แบบจำลองแยกกันสำหรับมิติการวินิจฉัยและที่ไม่ใช่การวินิจฉัย โดยแต่ละแบบจำลองจะรวบรวมข้อมูลข้ามใบหน้าและมิติคุณลักษณะ (ผลกระทบ เพศ) เพื่อรวมจุดข้อมูลในจำนวนที่เพียงพอ ดังนั้น แต่ละรุ่นจึงรวมจุดข้อมูล 32 จุด (ใบหน้าแปดหน้าในสภาพการแข่งขัน × การทดลองสร้างใหม่สี่ครั้งต่อหน้า) การประมาณความน่าจะเป็นสูงสุดถูกนำมาใช้เพื่อค้นหาค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานของการแจกแจงแบบปกติที่ถูกตัดทอนซึ่งเหมาะสมกับข้อมูลมากที่สุด การแจกแจงถูกสร้างแบบจำลองโดยใช้การแปลงและแพ็คเกจ MASS ใน R

เราจำกัดพื้นที่การค้นหาของค่าเฉลี่ยให้อยู่ในช่วงของค่าที่เป็นไปได้ซึ่งสมดุลเท่ากันที่ด้านใดด้านหนึ่งของเป้าหมาย (± 1 หน่วย) และจำกัดค่าเบี่ยงเบนมาตรฐานให้มีค่าสูงสุด 1 และค่าต่ำสุดคือ .1 แม้ว่าเราจะมองว่าค่าเฉลี่ยตามแบบจำลองเป็นการประมาณค่าค่าเฉลี่ยที่แท้จริงได้ดีกว่า แต่ก็มีความแปรปรวนบางประการที่แบบจำลองไม่ได้คำนึงถึง ตัวอย่างเช่น แบบจำลองไม่ได้คำนึงถึงการแจกแจงที่ไม่ซ้ำกันที่อาจเกิดขึ้นสำหรับแต่ละมิติข้อมูลและ/หรือสิ่งกระตุ้น นอกจากนี้ยังมีหลักฐานว่าอาจมีอคติทั่วโลกโดยธรรมชาติในการเรียกคืนลักษณะใบหน้าในภายหลัง (Bülthof & Zhao, 2020; Won et al., 2020) อย่างไรก็ตาม ในเชิงวิพากษ์วิจารณ์ อคติทั่วโลกจะมีอิทธิพลต่อมิติการวินิจฉัยและมิติที่ไม่ใช่การวินิจฉัยเท่าๆ กัน ดังนั้น การวิเคราะห์ของเราจึงมุ่งเน้นไปที่ความแตกต่างในวิธีการจำลองสำหรับมิติการวินิจฉัยเทียบกับมิติที่ไม่ใช่การวินิจฉัยเป็นหลัก

ความแม่นยำในการวัด

ในการวัดความแม่นยำของการจดจำคุณลักษณะการวินิจฉัยและไม่ใช่การวินิจฉัยสำหรับแต่ละใบหน้า เราได้คำนวณค่าเบี่ยงเบนมาตรฐานของการตอบสนองในการทดลองสร้างใหม่ทั้งสี่ครั้งสำหรับแต่ละใบหน้า โดยแยกกันสำหรับมิติคุณลักษณะการวินิจฉัยและไม่ใช่การวินิจฉัย จากนั้นเราคำนวณค่าเฉลี่ยของค่าเบี่ยงเบนมาตรฐานเหล่านี้สำหรับผู้เข้าร่วมแต่ละคน แยกกันสำหรับมิติการวินิจฉัยและที่ไม่ใช่การวินิจฉัย

การวัดความสัมพันธ์ระหว่างอคติในการสร้างใหม่และการรบกวนเชิงสัมพันธ์

เพื่อตรวจสอบว่าอคติในมิติคุณลักษณะการวินิจฉัยมีบทบาทในการปรับตัวในการลดการรบกวนของหน่วยความจำหรือไม่ เราได้รันแบบจำลองเอฟเฟกต์แบบผสมหลายชุดที่เน้นไปที่ความสัมพันธ์ระหว่างอคติที่วัดได้ในระหว่างงานสร้างใหม่ และความแม่นยำในการทดสอบหน่วยความจำแบบเชื่อมโยง (เฉลี่ยในสี่รอบล่าสุดเพื่อจับภาพ สภาวะสุดท้ายของการเรียนรู้) แม้ว่าการวิเคราะห์นี้จะดำเนินการในระดับของแต่ละรายการ (ใบหน้า) แต่ค่าความแม่นยำสำหรับแต่ละใบหน้าถูกกำหนดให้เป็นความแม่นยำโดยเฉลี่ยสำหรับใบหน้านั้นและคู่ของมัน ด้วยเหตุนี้ไพรเมตทั้งสองตัวในแต่ละชุดจึงมีค่าความแม่นยำเท่ากัน เหตุผลในการเฉลี่ยความแม่นยำของไพรเมตคือ ตัวอย่างเช่น ผู้เข้าร่วมเชื่อมโยงใบหน้าที่แข่งขันกันสองตัว (ไพรเมต) ด้วยคำที่เหมือนกัน (อาชีพ) แทนที่จะถือว่าการเชื่อมโยงอย่างใดอย่างหนึ่งเหล่านี้ "ถูกต้อง" และอีกนัยหนึ่งว่า "ไม่ถูกต้อง" จะเหมาะสมกว่า เพื่อให้เกิดความผิดพลาดร่วมกันทั้งสองหน้า

สำหรับการวิเคราะห์ที่เกี่ยวข้องกับอคติในการสร้างใหม่ต่อความแม่นยำของหน่วยความจำแบบเชื่อมโยง เราได้คัดผู้เข้าร่วมที่มีความแม่นยำสมบูรณ์แบบในการทดลองทั้งหมด ในสี่รอบสุดท้ายของการทดสอบหน่วยความจำแบบเชื่อมโยง เหตุผลสำหรับการยกเว้นนี้คือ สำหรับผู้เข้าร่วมเหล่านี้ ไม่มีความแปรปรวนที่ไม่เชื่อมโยงของหน่วยความจำสำหรับแบบจำลองที่จะอธิบาย นอกจากนี้ เราไม่ได้ดำเนินการวิเคราะห์นี้สำหรับการทดลองที่ 1 เนื่องจากประสิทธิภาพการทดสอบหน่วยความจำแบบเชื่อมโยงใกล้เพดานในช่วงสี่รอบที่ผ่านมา (ผู้เข้าร่วม 11 คน (31%) มีความแม่นยำ 100% และผู้เข้าร่วมที่เหลือมีความแม่นยำเฉลี่ย 95.96± 3.01 % โดยมี SD เฉลี่ยภายในผู้เข้าร่วม 3.62 ±1.70) สำหรับการทดลองที่ 2 และ 3 ซึ่งใช้ไพรเมตที่คล้ายกันมากกว่า ความแม่นยำของหน่วยความจำแบบเชื่อมโยงต่ำกว่า ดังนั้นจึงไม่รวมผู้เข้าร่วมน้อยลงเนื่องจากประสิทธิภาพของเพดาน (ผู้เข้าร่วมเจ็ดคน (19%) ในประสบการณ์ที่ 2 และผู้เข้าร่วมหกคน (12%) ในประสบการณ์ที่ 3 ค่าเฉลี่ย ความแม่นยำสำหรับผู้เข้าร่วมที่เหลือ ประสบการณ์ 2: M=92.47 ± 7.58%, ประสบการณ์ 3: M =93.56 ± 6.26%)

สำหรับโมเดลเหล่านี้ การคำนวณอคติในการสร้างใหม่ในระดับใบหน้าแต่ละบุคคลเป็นสิ่งสำคัญ อย่างไรก็ตาม วิธีการที่อธิบายไว้ข้างต้นในการประมาณค่าอคติโดยเฉลี่ยของผู้เข้าร่วมแต่ละคนโดยการรวมกลุ่มกันในการทดลอง/ใบหน้า ไม่สามารถทำได้สำหรับการวิเคราะห์นี้ เนื่องจากมีการสังเกตจำนวนน้อย (การทดลอง 4 ครั้งต่อใบหน้า) ดังนั้น สำหรับการวิเคราะห์นี้ เราจึงใช้ค่าเฉลี่ยของการตอบสนองในการสร้างใหม่ (ในการทดลองทั้ง 4 รายการต่อใบหน้า) เพื่อจัดการกับข้อกังวลที่ว่าความสัมพันธ์ที่สังเกตได้ระหว่างอคติในการสร้างใหม่และความแม่นยำของหน่วยความจำแบบเชื่อมโยงอาจได้รับแรงผลักดันจาก "swaperrors" ที่อาจเกิดขึ้น แนวทางที่ลงทะเบียนไว้ล่วงหน้าของเราคือการยกเว้นการตอบสนองแต่ละรายการ (การทดลอง) ซึ่งการตอบสนองที่ปรับขนาดอยู่ระหว่าง {{0}} และ 0 และเพื่อรักษาเฉพาะการตอบสนองที่การตอบสนองที่ปรับขนาดอยู่ระหว่าง 0 ถึง 2 สำหรับมิติการวินิจฉัย การตอบสนองใด ๆ ที่อยู่ใกล้กับไพรเมตที่แข่งขันมากกว่าเป้าหมายจึงถูกแยกออก คำตอบที่เหลือทั้งหมดรวมอยู่ในคำตอบเฉลี่ยสำหรับแต่ละใบหน้า

แม้ว่าจะพบได้ยาก หากใบหน้าเชื่อมโยงกับการตอบสนองแบบแยกออกจากการทดลองสร้างใหม่ทั้ง 4 ครั้ง ใบหน้านั้นก็จะถูกแยกออกจากการวิเคราะห์โดยสิ้นเชิง สำหรับการทดลองที่ 2 สิ่งนี้เกิดขึ้นกับใบหน้าทั้งหมดสี่หน้าโดยกระจายไปยังผู้เข้าร่วมสี่คน สำหรับการทดลองที่ 3 สิ่งนี้เกิดขึ้นกับใบหน้าทั้งหมดหกหน้าโดยกระจายไปยังผู้เข้าร่วมหกคน แม้ว่าแนวทางที่ลงทะเบียนไว้ล่วงหน้าสำหรับการยกเว้นข้อผิดพลาดในการแลกเปลี่ยนที่อาจเกิดขึ้นนี้มีจุดมุ่งหมายเพื่อเป็นแนวทางอนุรักษ์นิยมในการขจัดอิทธิพลของข้อผิดพลาดขั้นรุนแรง แต่ผลลัพธ์หลักทั้งหมดของเรายังคงมีนัยสำคัญเมื่อไม่มีการยกเว้นคำตอบ นอกจากนี้ ในการวิเคราะห์เชิงสำรวจที่รวมข้อมูลระหว่างการทดลองที่ 2 และ 3 แทนที่จะไม่รวมการตอบสนองที่รุนแรงทั้งหมด การตอบสนองระหว่าง -2 และ 0 ถูกจำกัดไว้ที่ค่า 0 ซึ่งอนุญาตให้สำหรับการทดลองทั้งหมด ที่จะคงไว้ในแบบจำลองแต่ลดอิทธิพลของการตอบสนองที่รุนแรงลง

โมเดลเอฟเฟกต์แบบผสมถูกนำมาใช้ใน R โดยใช้แพ็คเกจ thelme4 (Bates et al., 2014) การทดสอบอัตราส่วนความน่าจะเป็นใช้เพื่อเปรียบเทียบแบบจำลองที่มีตัวแปรที่เกี่ยวข้องกับแบบจำลองว่างที่ไม่รวมตัวแปรเหล่านั้น เพื่อพิจารณาถึงความแตกต่างที่อาจเกิดขึ้นที่เกี่ยวข้องกับมิติการวินิจฉัยที่ได้รับผลกระทบเมื่อเทียบกับเพศ แบบจำลองทั้งหมดจึงรวมตัวแปรหมวดหมู่นี้เป็นผลแบบคงที่ เพื่อให้ความสัมพันธ์ระหว่างอคติในการสร้างใหม่และความแม่นยำของหน่วยความจำแบบเชื่อมโยงแตกต่างกันไปสำหรับผู้เข้าร่วมแต่ละคน เราได้สร้างแบบจำลองความสัมพันธ์ระหว่างอคติและความแม่นยำของหน่วยความจำแบบเชื่อมโยงด้วยการสกัดกั้นแบบสุ่มและความชันแบบสุ่มสำหรับผู้เข้าร่วมแต่ละคน หากเป็นไปได้

วิธีการลงทะเบียนล่วงหน้าของเราในการจัดการกับโมเดลที่ล้มเหลวในการมาบรรจบกันหรือถึงฟุตเอกพจน์คือการรันโมเดลเดียวกันอีกครั้งโดยลบ Randomslope สำหรับอคติออก (ดู Barr et al., 2013) ในขณะที่แบบจำลองที่ลงทะเบียนล่วงหน้าทั้งหมดของเรามาบรรจบกัน แบบจำลองเชิงสำรวจที่ใช้ความแตกต่างในอคติในมิติการวินิจฉัยเทียบกับมิติที่ไม่ใช่การวินิจฉัย เนื่องจากตัวทำนายล้มเหลวในการบรรจบกันเมื่อรวมความชันแบบสุ่มเข้าไปด้วย ดังนั้นเราจึงลบความชันแบบสุ่มออก แบบจำลองการสำรวจที่รวมเฉพาะข้อผิดพลาดที่ไม่ได้ลงนามหรือความแม่นยำเป็นตัวทำนาย (โดยไม่มีอคติ) ล้มเหลวในการมาบรรจบกันเมื่อมีการรวมความลาดชันแบบสุ่มสำหรับตัวแปรเหล่านี้ ดังนั้นเราจึงลบความชันแบบสุ่มของตัวแปรเหล่านี้ออก

ในที่สุด แบบจำลองเชิงสำรวจที่รวมอคติพร้อมกับความแม่นยำและข้อผิดพลาดที่ไม่ได้ลงนาม เนื่องจากตัวทำนายก็ล้มเหลวในการบรรจบกันเมื่อมีการรวมความลาดชันแบบสุ่มสำหรับตัวแปรทั้งหมด เมื่อลบความลาดชันแบบสุ่มออก เราจะจัดลำดับความสำคัญของการรักษาความชันแบบสุ่มไว้สำหรับอคติ ซึ่งนำไปสู่การยกเว้นความชันแบบสุ่มเพื่อความแม่นยำและข้อผิดพลาดที่ไม่ได้ลงนาม

ผลลัพธ์

การทดสอบหน่วยความจำแบบเชื่อมโยง

เพื่อทดสอบว่าความแม่นยำของหน่วยความจำเชื่อมโยงแตกต่างกันระหว่างเงื่อนไขการแข่งขันและไม่ใช่การแข่งขันหรือไม่ เราได้ดำเนินการ ANOVA การวัดซ้ำสำหรับการทดลองแต่ละครั้งพร้อมปัจจัยของเงื่อนไข (แข่งขัน ไม่ใช่แข่งขัน) และรอบ (ประสบการณ์ 1: เก้ารอบแรก; Exp. 2 และ Exp. 3: 12 รอบ) สำหรับการทดลองแต่ละครั้ง มีผลกระทบหลักที่สำคัญของเงื่อนไข (อธิบาย 1: F(1,35) {{10}}.14, p < 0.001, 휂2G=0.034; ประสบการณ์ 2: F(1,40)=67.43, p < 0.001, 휂2G=0.10;ประสบการณ์ 3: F(1, 56)=88.21, p < 0.001, 휂2G=0.16) โดยมีความแม่นยำต่ำกว่าในสภาวะการแข่งขัน (รูปที่ 2a) เพื่อยืนยันว่าความแตกต่างนี้สะท้อนการรบกวนโดยเฉพาะ เราได้พิจารณาประเภทของข้อผิดพลาดที่เกิดขึ้น สำหรับเงื่อนไขการแข่งขัน ข้อผิดพลาดอาจสอดคล้องกับการเลือกหน้าผู้แข่งขันหรือหนึ่งในสี่เหยื่อล่อที่ไม่แข่งขัน (รูปที่ 2b) หากข้อผิดพลาดเป็นการสุ่ม ผู้แข่งขันจะถูกเลือกหนึ่งในห้าของการทดสอบข้อผิดพลาด อย่างไรก็ตาม เมื่อรวมการทดลองข้อผิดพลาดข้ามรอบ ผู้เข้าแข่งขันได้รับเลือกที่ระดับโอกาสที่สูงกว่า (ประสบการณ์ 1: M=60.18 ± 19.68%, t(35)=12.25, p< 0.001, d = 2.04; Exp. 2: M = 71.29 ± 15.78%, t(40) = 20.82, p < 0.001, d = 3.25; Exp. 3: M = 78.63 ± 11.58%, t(56) = 38.21, p < 0.001, d = 5.06), confirming that increased errors in the competitive condition refected interference from the competitor face.

เพื่อทดสอบว่าความแม่นยำในการสร้างใบหน้าใหม่สูงกว่าโอกาสหรือไม่ เราได้วัดระยะห่างแบบยุคลิดระหว่างการตอบสนองแต่ละครั้งและตำแหน่งของใบหน้าเป้าหมาย (ในพื้นที่ตอบสนองสองมิติ; รูปที่ 1c) สำหรับผู้เข้าร่วมแต่ละคน ระยะห่างเฉลี่ยแบบยูคลิดระหว่างการตอบสนองและสถานที่เป้าหมายจะถูกเปรียบเทียบกับการกระจายแบบเรียงลำดับ (คำนวณโดยการตอบสนองแบบเลื่อนภายในผู้เข้าร่วม 10,000 ครั้ง) ผู้เข้าร่วมทุกคนมีความแม่นยำเหนือโอกาส (ดีกว่า 97.5% ของค่าเฉลี่ย) (รูปที่ 3)

เผชิญกับอคติในการสร้างใหม่

เพื่อทดสอบการทำนายการผลักกันอย่างมีวิจารณญาณตามมิติใบหน้าในการวินิจฉัย เราได้เปรียบเทียบอคติของคุณลักษณะ (ดูวิธีการ) สำหรับมิติการวินิจฉัยเทียบกับมิติที่ไม่ใช่การวินิจฉัยในสภาพการแข่งขัน (รูปที่ 4a) อันดับแรก เราทดสอบการทำนายในการทดลองที่ 1 และ 2 จากนั้นทดสอบการจำลองแบบในการทดลองที่ 3 การวิเคราะห์ความแปรปรวนที่วัดซ้ำด้วยปัจจัยของมิติ (การวินิจฉัย ไม่ใช่การวินิจฉัย) และการทดลอง (ประสบการณ์ที่ 1, ประสบการณ์ 2) เผยให้เห็นอคติที่มากขึ้นอย่างมีนัยสำคัญต่อแรงผลักใน มิติการวินิจฉัย (F(1,70)=22.25, p< 0.001, 휂2 G = 0.061). There was a trend toward a significant interaction between dimension and experiment (F(1,70) = 3.96, p = 0.0506, 휂2 G = 0.011), with a relatively weaker effect size in Experiment 1 (d = 0.27) than in Experiment 2 (d = 0.73). As predicted, Experiment 3 replicated, with a large effect size and preregistered hypothesis, the greater bias toward repulsion on the diagnostic dimension (t(48) = 5.87, p < 0.001, d = 0.83).

แม้ว่าการวิเคราะห์ที่ลงทะเบียนไว้ล่วงหน้าของเราจะมุ่งเน้นไปที่การเปรียบเทียบระหว่างมิติการวินิจฉัยและมิติที่ไม่ใช่การวินิจฉัย เรายังทดสอบด้วยว่าการสร้างใหม่ในมิติการวินิจฉัยแตกต่างอย่างมีนัยสำคัญจากตำแหน่งจริงของใบหน้าเป้าหมายหรือไม่ อันที่จริง เมื่อรวมข้อมูลจากการทดลองทั้ง 3 รายการ ค่าเฉลี่ยแบบจำลองสำหรับมิติการวินิจฉัยมีค่ามากกว่าค่าจริงของ 1 (t(120)=4.39, p < 0.{{ 60}}01, d=0.40) สะท้อนถึงความเอนเอียงออกจากใบหน้าคู่แข่ง ผลกระทบนี้ไม่แตกต่างกันอย่างมีนัยสำคัญระหว่างการทดลอง (F(2,118)=2.15, p=0.12, 휂2G =0.035) ในทางตรงกันข้าม ในมิติที่ไม่ใช่การวินิจฉัย มีอคติเล็กน้อย แต่มีนัยสำคัญต่อศูนย์กลางของพื้นที่ใบหน้า (แบบจำลองหมายถึง < 1; t(120)=-2.33, p=0.021, d {{ 25}}.21) ปรากฏการณ์นี้แตกต่างอย่างมีนัยสำคัญระหว่างการทดลองต่างๆ (F(2,118)=9.56, p < 0.001, 휂2G=0.14) ในความเป็นจริง การตอบสนองในการทดลองที่ 1 มีค่ามากกว่า 1 (t(34)=2.15,p=0.039, d=0.36) มากกว่าอย่างมีนัยสำคัญ และในการทดลองที่ 2 และ 3 การตอบสนองเหล่านี้ ต่ำกว่า 1 อย่างมีนัยสำคัญ (ประสบการณ์ 2: t(36)=-2.45, p=0.019, d =0.40; ประสบการณ์ 3: t(48) {{58} }.98, p < 0.001, d=0.57) แม้ว่าค่าสัมบูรณ์ของการตอบสนองที่สร้างขึ้นใหม่ควรได้รับการตีความด้วยความระมัดระวัง (เนื่องจากอคติระดับโลกที่อาจเกิดขึ้น) แต่อคติที่สม่ำเสมอต่อการขับไล่ในมิติการวินิจฉัยสนับสนุนการคาดการณ์ของเราว่าการแข่งขันกระตุ้นให้เกิดการขับไล่แบบกำหนดเป้าหมายในมิติการวินิจฉัย

ความแม่นยำในการฟื้นฟูใบหน้า

ต่อไปเราจะทดสอบว่าความแม่นยำในการสร้างใหม่แตกต่างกันระหว่างมิติการวินิจฉัยกับมิติที่ไม่ใช่การวินิจฉัยหรือไม่ (รูปที่ 4b) เรากำหนดความแม่นยำเป็นส่วนเบี่ยงเบนมาตรฐานจากการสร้างใบหน้าเดียวกันซ้ำๆ (ดูวิธีการ) สำหรับสภาวะการแข่งขัน การวัดความแปรปรวนซ้ำด้วยปัจจัยด้านมิติ (การวินิจฉัย ไม่ใช่การวินิจฉัย) และการทดลอง (ประสบการณ์ 1, ประสบการณ์ 2) เผยให้เห็นความแม่นยำที่มากขึ้นอย่างมีนัยสำคัญ กล่าวคือ ความแปรปรวนของการสร้างใหม่ลดลง ในมิติการวินิจฉัย (F(1,7 {{10}})=16.81, p < 0.001, 휂2G=0.044) ผลกระทบนี้ไม่ได้โต้ตอบกับการทดลอง (F(1,70)= 0.34, p=0.56, 휂2G=0.001) ผลของความแม่นยำที่มากขึ้นในมิติการวินิจฉัยถูกจำลอง (สอดคล้องกับการทำนายที่ลงทะเบียนไว้ล่วงหน้า) ในการทดลองที่ 3 (t(48)=5.45,p < 0.001, d=0.74)

แม้ว่าการวัดความแม่นยำของเรานั้นในทางคณิตศาสตร์ไม่ขึ้นอยู่กับการวัดอคติของเรา แต่ก็เป็นที่น่าสังเกตว่าการวัดเหล่านี้มีความสัมพันธ์กัน โดยที่ใบหน้าที่สร้างขึ้นใหม่ด้วยความแม่นยำที่มากขึ้นก็มีแนวโน้มที่จะเกี่ยวข้องกับอคติที่มากขึ้นด้วย (ดูรูปที่ S2A, OSM) อย่างไรก็ตาม ที่สำคัญ ผลของความแม่นยำที่มากขึ้นในมิติการวินิจฉัยเทียบกับมิติที่ไม่ใช่การวินิจฉัยยังคงมีความสำคัญ แม้ว่ารายการที่มีอคติสูงจะถูกแยกออกจากการวิเคราะห์ก็ตาม (ดูรูปที่ S2B, OSM)

ความสัมพันธ์ระหว่างอคติในการสร้างใหม่และการรบกวนแบบเชื่อมโยง

ในที่สุด เราได้ทดสอบการคาดการณ์ของเราว่าอคติในการสร้างใหม่ (แรงผลัก) ที่มากขึ้นในมิติการวินิจฉัยนั้นสัมพันธ์กับประสิทธิภาพการทดสอบหน่วยความจำแบบเชื่อมโยงที่ดีขึ้น (การรบกวนน้อยลง) เนื่องจากประสิทธิภาพของหน่วยความจำเชื่อมโยงใกล้เพดานในการทดลองที่ 1 (รูปที่ 2) เราจึงมุ่งเน้นไปที่ข้อมูลการทดลองที่ 2 เราใช้แบบจำลองเอฟเฟกต์แบบผสมที่ทำนายความแม่นยำของหน่วยความจำเชื่อมโยงระดับรายการพร้อมเอฟเฟกต์คงที่ของ (a) อคติในมิติการวินิจฉัย (ตัวแปรต่อเนื่อง) และ (b) ว่ามิติการวินิจฉัยได้รับผลกระทบหรือเพศ (ตัวแปรหมวดหมู่) อคติถูกจำลองโดยใช้การสกัดกั้นแบบสุ่มและความชันสำหรับผู้เข้าร่วมแต่ละคน เมื่อใช้การทดสอบอัตราส่วนความน่าจะเป็น เราเปรียบเทียบแบบจำลองนี้กับแบบจำลองที่ไม่มีอคติ ในเชิงวิกฤต โมเดล ft ดีขึ้นอย่างเห็นได้ชัดเมื่อรวมอคติ (χ2(1)=4.67, p=0.031) โดยมีอคติเชิงบวกในการทำนายความแม่นยำของหน่วยความจำเชื่อมโยง ( อคติ=3.58, SE =1.62) ในฐานะกลุ่มควบคุม เราทำการวิเคราะห์แบบเดียวกันซ้ำ แต่มีอคติในมิติที่ไม่ใช่การวินิจฉัย ที่นี่ อคติล้มเหลวในการปรับปรุงโมเดล ft (χ2(1)=0.021, p=0.89, อคติ=-0.31,SE=2.14) สำหรับการทดลองที่ 3 เราได้คาดการณ์ (โดยใช้การวิเคราะห์ที่ลงทะเบียนไว้ล่วงหน้า) การจำลองความสัมพันธ์ระหว่างอคติของมิติการวินิจฉัยและความแม่นยำของหน่วยความจำแบบเชื่อมโยง เราสังเกตเห็นผลกระทบเล็กน้อยในทิศทางที่คาดการณ์ไว้ แต่ก็ไม่มีนัยสำคัญ (χ2(1)=0 24, p=0.63, อคติ=0.69, SE= 1.41)

ในการวิเคราะห์ที่ลงทะเบียนล่วงหน้าของเรา เราได้แยกการตอบสนองการสร้างใหม่ (การทดลอง) ที่มีความคล้ายคลึงกับคู่แข่งมากกว่าเป้าหมาย เหตุผลสำหรับสิ่งนี้คือเพื่อให้แน่ใจว่าการตอบสนองที่รุนแรง (ข้อผิดพลาดในการสลับที่อาจเกิดขึ้น) ไม่ได้มีอิทธิพลเกินขนาดต่อแบบจำลอง (ดูวิธีการ) อย่างไรก็ตาม วิธีการนี้ได้ขจัดการทดลองเหล่านี้ออกไปโดยสิ้นเชิง แทนที่จะลดอิทธิพลลง

ดังนั้น จากการวิเคราะห์เชิงสำรวจ เราจึงแทนที่คะแนนการฟื้นฟูที่รุนแรงเหล่านี้ด้วยค่า {{0}} (ระยะห่างที่เท่ากันระหว่างเป้าหมายและคู่แข่ง ดูวิธีการ) สิ่งนี้ทำให้สามารถรวมการทดลองทั้งหมดได้แต่ลดอิทธิพลของการตอบสนองที่รุนแรงลง (ดูรูปที่ S4 (OSM) เพื่อการวิเคราะห์เพิ่มเติมว่าการตอบสนองที่รุนแรงเหล่านี้อาจแสดงถึงอะไร) สำหรับการวิเคราะห์เชิงสำรวจนี้ เราได้รวมข้อมูลจากการทดลองที่ 2 และ 3 เข้ากับการทดลอง (ประสบการณ์ที่ 2, ประสบการณ์ที่ 3) ที่เพิ่มเข้ามาเป็นเอฟเฟกต์แบบตายตัว เมื่อเปรียบเทียบกับโมเดลว่าง การเพิ่มอคติในมิติการวินิจฉัยได้รับการปรับปรุงอย่างมีนัยสำคัญ โมเดล ft (χ2(1)=15.88, p < 0.001) โดยมีอคติเชิงบวก (แรงผลัก) ทำนายความแม่นยำของหน่วยความจำเชื่อมโยงที่สูงขึ้น ( อคติ {{12} }.45, SE=1.04)

การเพิ่มปฏิสัมพันธ์ระหว่างการทดลองและอคติไม่ได้ปรับปรุงโมเดลให้พอดี (χ2(1) =1.39, p=0.24, exp×bias=-2.47, SE=2 .08) แสดงให้เห็นว่าความสัมพันธ์ระหว่างอคติและความจำเชื่อมโยงไม่แตกต่างกันในแต่ละการทดลอง ยิ่งไปกว่านั้น อคติได้รับการปรับปรุงโมเดลอย่างมีนัยสำคัญเมื่อนำไปใช้กับข้อมูลการทดลองที่ 3 เพียงอย่างเดียว(χ2(1)=3.98, p=0.046, อคติ=2.45, SE=1 .19) ยืนยันว่าความสัมพันธ์ระหว่างอคติและหน่วยความจำเชื่อมโยงไม่ได้ขับเคลื่อนโดยข้อมูลการทดลองที่ 2 เท่านั้น ในฐานะกลุ่มควบคุม เราใช้การเปรียบเทียบโมเดลเดียวกัน แต่มีอคติต่อมิติที่ไม่ใช่การวินิจฉัยในฐานะตัวทำนาย ไม่มีความแตกต่างที่มีนัยสำคัญระหว่างแบบจำลอง (χ2(1)=0.14, p=0.71, อคติ =-0.40, SE=1.08)

นอกจากนี้ ระดับของอคติในมิติการวินิจฉัยสัมพันธ์กับมิติที่ไม่ใช่การวินิจฉัย (เช่น คะแนนความแตกต่างของอคติ) ยังปรับปรุงโมเดลฟิตอย่างมีนัยสำคัญเมื่อเปรียบเทียบกับโมเดลโมฆะที่ไม่มีอคติ χ2(1)=19.87, p< 0.001, βbias. dif = 2.71, SE = 0.60 (random slopes were excluded due to reaching singularity).

For more information:1950477648nn@gmail.com