หน่วยความจำในการทำงานมีความซับซ้อนและไดนามิก เช่นเดียวกับความคิดของคุณ
Sep 05, 2023
เชิงนามธรรม
ความจำในการทำงานคือที่ที่ความคิดถูกควบคุมและจัดการ หลายปีที่ผ่านมา รูปแบบที่โดดเด่นคือหน่วยความจำในการทำงานอาศัยการเปลี่ยนแปลงของระบบประสาทในสภาวะคงตัว การเป็นตัวแทนทางประสาทถูกเปิดใช้งานและคงอยู่ในสถานะนั้น อย่างไรก็ตาม ดังเช่นที่เกิดขึ้นบ่อยครั้ง ยิ่งเราตรวจสอบหน่วยความจำในการทำงาน (โดยเฉพาะกับเทคโนโลยีใหม่) มากเท่าใด มันก็ยิ่งดูซับซ้อนมากขึ้นเท่านั้น การค้นพบเมื่อเร็วๆ นี้แสดงให้เห็นว่าความจำในการทำงานเกี่ยวข้องกับกลไกหลายอย่าง รวมถึงการเพิ่มขึ้นอย่างรวดเร็วอย่างต่อเนื่อง ความทรงจำยังมีความเคลื่อนไหว โดยมีการพัฒนาในลักษณะที่ขึ้นอยู่กับงาน จังหวะของเยื่อหุ้มสมองอาจควบคุมพลวัตเหล่านั้น ดังนั้นจึงทำให้ "ผู้บริหาร" ควบคุมความคิดของเราจากบนลงล่าง
มีความสัมพันธ์กันระหว่างการควบคุมความคิดและความทรงจำของเรา ถ้าเราสามารถควบคุมความคิดของเราในทางบวกได้ เราก็จะมีความคิดและความทรงจำที่ดีขึ้น
ความคิดเป็นพลังที่เรารวบรวมไว้ และกระบวนการคิดและพฤติกรรมของเราได้รับผลกระทบจากความคิด หากความคิดของเราถูกครอบงำโดยความคิดเชิงลบและเนื้อหาเชิงลบ เราจะกลายเป็นคนมองโลกในแง่ร้าย ซึ่งจะส่งผลต่อความคิดและความทรงจำของเรา ในทางตรงกันข้าม ถ้าเราสามารถควบคุมความคิดของเราด้วยการรับรู้เชิงบวก เราก็จะสามารถคิดและจดจำได้ดีขึ้น
เมื่อพูดถึงการบงการความคิด มีบางสิ่งที่เราสามารถทำได้ เราสามารถค้นหาความช่วยเหลือในแง่ดีในชีวิตประจำวันได้ เช่น การฟังเพลง อ่านหนังสือที่สร้างแรงบันดาลใจ การติดต่อกับเพื่อนคิดบวก ฯลฯ นอกจากนี้เรายังสามารถกระตุ้นจิตใจของเราด้วยการเพิ่มพูนฐานความรู้และการเรียนรู้ทักษะใหม่ๆ วิธีการเหล่านี้จะช่วยให้เราเฉียบคมยิ่งขึ้นในการคิดและความจำของเรา
โดยสรุป มีความสัมพันธ์ใกล้ชิดระหว่างการบิดเบือนความคิดและความทรงจำ เราควรปรับเปลี่ยนความคิดของเราในทางบวกเพื่อปรับปรุงความสามารถในการคิดและความจำของเรา ตราบใดที่เรามีความคิดที่ถูกต้องและพัฒนานิสัยที่ดี เราก็จะมีสุขภาพที่ดีขึ้น มีความสุขมากขึ้น และมีชีวิตที่ประสบความสำเร็จมากขึ้น จะเห็นได้ว่าเราต้องปรับปรุงความจำ Cistanche สามารถปรับปรุงความจำได้อย่างมาก เนื่องจาก Cistanche เป็นสมุนไพรจีนโบราณที่มีลักษณะพิเศษมากมาย หนึ่งในนั้นคือการปรับปรุงความจำ ประสิทธิภาพของเนื้อสับมาจากส่วนผสมออกฤทธิ์หลายชนิดในเนื้อสับ เช่น กรด โพลีแซ็กคาไรด์ ฟลาโวนอยด์ ฯลฯ ส่วนผสมเหล่านี้สามารถส่งเสริมสุขภาพสมองได้หลายวิธี เนื้อสับเป็นยาสมุนไพรจีนโบราณที่มีผลพิเศษมากมาย หนึ่งในนั้นคือช่วยเพิ่มความจำ ประสิทธิภาพของเนื้อสับมาจากส่วนผสมออกฤทธิ์หลายชนิดในเนื้อสับ เช่น กรด โพลีแซ็กคาไรด์ ฟลาโวนอยด์ ฯลฯ ส่วนผสมเหล่านี้สามารถส่งเสริมสุขภาพสมองได้หลายวิธี
การแนะนำ
กว่า 30 ปีที่แล้ว หน่วยความจำในการทำงานได้รับการแก้ไขแล้ว เราได้พบพื้นฐานทางประสาทในการเก็บรายการไว้ในหน่วยความจำการทำงานแล้ว ตัวแบบตรงไปตรงมา สิ่งกระตุ้นกระตุ้นการทำงานของระบบประสาทใน pFC กิจกรรมดังกล่าวจะคงอยู่ต่อไปหลังจากที่สิ่งเร้าหายไปและความทรงจำของมันยังคงอยู่ในความทรงจำในการทำงาน (Miller, Erickson, & Desimone, 1996; Funahashi, Bruce, & Goldman-Rakic, 1989; Fuster & Alexander, 1971) การวิจัยหลายทศวรรษได้สนับสนุนและขยายรูปแบบนี้ ตอนนี้เรารู้แล้วว่าการแสดงความจำในการทำงานนั้นมีให้เห็นในพื้นที่เยื่อหุ้มสมองที่หลากหลาย (Christophel, Klink, Spitzer, Roelfsema และ Haynes, 2017) เราเรียนรู้เกี่ยวกับบทบาทสำคัญของสารปรับประสาท (Vijayraghavan, Wang, Birnbaum, Williams, & Arnsten, 2007) เราได้รับข้อมูลเชิงลึกเกี่ยวกับกลไกทางชีวฟิสิกส์และวงจรที่ทำให้กิจกรรมสูงขึ้น (Wang, 1999)
อย่างไรก็ตาม ตามที่มักจะเกิดขึ้นในทางวิทยาศาสตร์ เราได้ตระหนักว่าฐานประสาทของหน่วยความจำในการทำงานนั้นซับซ้อนมากกว่าที่เราคิดไว้ในตอนแรก เทคโนโลยีใหม่ช่วยให้เข้าใจหน่วยความจำในการทำงานได้ละเอียดยิ่งขึ้น ข้อมูลเชิงลึกเหล่านี้ยืนยันว่ากิจกรรมของระบบประสาทที่เห็นระหว่างหน่วยความจำล่าช้ามีบทบาทสำคัญในความจำในการทำงาน อย่างไรก็ตาม พวกเขายังเผยว่าหน่วยความจำในการทำงานไม่ได้เป็นเพียงการบำรุงรักษาในสภาวะคงที่ เช่น วงจรสลักในสมองที่เปิดและปิด มีช่วงของการพุ่งเข้าหาและไม่มีการพุ่งเข้าหา มีคุณสมบัติไดนามิกและอุบัติใหม่ที่สามารถเห็นได้เฉพาะในระดับจำนวนเซลล์ประสาทและกิจกรรมสรุปของเซลล์ประสาทหลายล้านตัว (ในศักย์สนามเฉพาะที่ [LFP]) นอกจากนี้ งานใหม่ยังแสดงให้เห็นว่าการเปลี่ยนแปลงเหล่านี้สนับสนุนสิ่งที่สำคัญที่สุดเกี่ยวกับหน่วยความจำในการทำงาน: มันอยู่ภายใต้การควบคุม "ผู้บริหาร" จากบนลงล่าง เราสามารถเลือกได้ว่าจะคิดอย่างไรและจะคิดอย่างไร
Mark Stokes เป็นตัวเร่งในการขับเคลื่อนความเข้าใจใหม่เกี่ยวกับความจำในการทำงาน ที่นี่ เราจะทบทวนมุมมองเกี่ยวกับหน่วยความจำในการทำงานแบบ "สโตกเซียน" มีข้อมูลเชิงลึกที่สำคัญสองประการ ประการแรก ความจำในการทำงานไม่ได้เป็นเพียงกิจกรรมต่อเนื่องของเซลล์ประสาทเท่านั้น นอกจากนี้ยังเป็นแบบ "กิจกรรมเงียบ" โดยมีการพุ่งแหลมเล็กน้อยหรือไม่มีเลย ในช่วง "เงียบ" ความทรงจำจะถูกยึดไว้โดยกลไกความเป็นพลาสติกในระยะสั้น เช่น เสียงสะท้อนหรือความรู้สึกที่แหลมหายไปในเครือข่าย ประการที่สอง กิจกรรมความจำในการทำงานไม่ใช่การนำเสนอข้อมูลทางประสาทสัมผัสที่คงอยู่และยืนยันได้ แต่กลับมีความไดนามิกสูงด้วยการเป็นตัวแทนที่เปลี่ยนแปลงและพัฒนา สิ่งเหล่านี้ไม่ใช่ข้อมูลเชิงลึกที่ไม่เกี่ยวข้อง ไดนามิกแบบเงียบๆ ของกิจกรรมมีส่วนทำให้เกิดและปล่อยให้มีที่ว่างสำหรับคุณสมบัติที่เกิดขึ้น เช่น จังหวะการสั่นที่ความถี่ต่างๆ งานล่าสุดเกี่ยวกับจังหวะเหล่านั้นได้บันทึกลายเซ็นประสาทของการควบคุมจากบนลงล่าง
หน่วยความจำในการทำงานเป็นกิจกรรมที่เงียบ
มุมมองคลาสสิกของความจำในการทำงานคือ มันถูกนำเสนอในกิจกรรมที่ยั่งยืนของเซลล์ประสาทภายใน pFC ตัวอย่างเช่น เมื่อลิงถูกฝึกให้จำตำแหน่งของรางวัล (Fuster & Alexander, 1971) หรือจำตำแหน่งของสิ่งเร้า (Funahashi et al., 1989) พบว่าเซลล์ประสาทใน pFC มีฤทธิ์กระตุ้นประสาทตราบเท่าที่ สัตว์ก็เก็บสิ่งของนั้นไว้ในความทรงจำ สิ่งนี้ตรงกับประสบการณ์ของเราในเรื่องความจำในการทำงานซึ่งเป็นกระบวนการที่ต้องใช้ความพยายาม โดยธรรมชาติแล้ว นักวิจัยสันนิษฐานว่ากิจกรรมที่ยั่งยืนคือสิ่งที่รักษาการเป็นตัวแทนของหน่วยความจำล่าช้า
อย่างไรก็ตาม ในช่วงทศวรรษที่ผ่านมา การตรวจสอบกิจกรรมของระบบประสาทอย่างใกล้ชิดพบว่าการตอบสนองของระบบประสาทใน pFC นั้นไม่ยั่งยืนอย่างที่เราเคยเชื่อกัน ตามที่ตรวจสอบโดย Stokes (2015) การตอบสนองของระบบประสาทมักจะกลับสู่ระดับ "พื้นฐาน" หลังจากผ่านไปไม่กี่วินาที นอกจากนี้ การขัดจังหวะการบำรุงรักษาหน่วยความจำในการทำงานโดยการให้สัตว์สลับไปทำงานอื่นเป็นเวลาสั้นๆ ส่งผลให้การแสดงความจำในการทำงานหายไป จากนั้นพวกมันก็ปรากฏตัวอีกครั้งเมื่อสัตว์กลับมามีส่วนร่วมในงานความจำเดิม (Watanabe และ Funahashi, 2014) ผลลัพธ์เหล่านี้นำไปสู่แนวคิดที่ว่ากลไกอื่นๆ อาจสนับสนุนการแสดงหน่วยความจำ มีความเป็นไปได้หลายอย่างเกิดขึ้นในช่วงไม่กี่ปีที่ผ่านมา
ประการแรก การสร้างงานทางทฤษฎี (Mongillo, Barak และ Tsodyks, 2008) Stokes และเพื่อนร่วมงานที่เสนอหน่วยความจำในการทำงานสามารถรักษาไว้ใน synaptic plasticity ระยะสั้น (STSP) ในแบบจำลองนี้ การแสดงประสาทชั่วคราว เช่น สิ่งกระตุ้นโดยการกระตุ้นประสาทสัมผัส สามารถเปลี่ยนน้ำหนักซินแนปติกในเครือข่ายได้ชั่วคราว (เช่น โดยการเปลี่ยนแปลงถุงไซแนปติก และ/หรือความเข้มข้นของตัวรับสารสื่อประสาท) การเปลี่ยนแปลงเหล่านี้ถือเป็นการเปลี่ยนแปลงในระยะสั้น (ต่ำกว่า 1 วินาที) แต่คงอยู่นานพอที่จะรักษาร่องรอยของการกระตุ้นในการเชื่อมต่อภายในเครือข่ายผ่านความล่าช้าของหน่วยความจำ กล่าวอีกนัยหนึ่ง การขัดขวางทำให้เกิด "ความประทับใจ" ในเครือข่ายที่สามารถรักษาหน่วยความจำระหว่างการขัดขวางได้
แน่นอนว่าความยากลำบากอย่างหนึ่งในการทดสอบทฤษฎีนี้คือเราไม่สามารถสังเกตน้ำหนักซินแนปติกในสมองที่มีพฤติกรรมได้โดยตรง วิธีการทั้งหมดของเราตรวจจับการทำงานของระบบประสาท เพื่อหลีกเลี่ยงสิ่งนี้ ห้องปฏิบัติการ Stokes และ Postle ได้พัฒนาวิธีการที่ชาญฉลาดในการวัดการเปลี่ยนแปลง synaptic - "ping" ระบบด้วยการกระตุ้นด้วยการมองเห็นที่สดใส (Wolff, Jochim, Akyürek, & Stokes, 2017) หรือชีพจร TMS (Rose et al ., 2559). หากหน่วยความจำถูกเก็บไว้ในการเปลี่ยนแปลงซินแนปติกระยะสั้น การตอบสนองของระบบประสาทที่เกิดจากสิ่งเร้า/พัลส์ก็ควรเปลี่ยนไปตามหน้าที่ของสิ่งที่เก็บไว้ในหน่วยความจำ กล่าวอีกนัยหนึ่ง ชีพจรควร "เปิดใช้งาน" หน่วยความจำอีกครั้ง เพื่อให้สอดคล้องกับโมเดลกิจกรรมแบบเงียบ รายการในหน่วยความจำไม่สามารถถอดรหัสได้ (ด้วย EEG หรือ fMRI) ก่อนชีพจร อย่างไรก็ตาม หน่วยความจำสามารถถอดรหัสได้ในการตอบสนองของระบบประสาทตามการกระตุ้นด้วยการมองเห็น/ชีพจร TMS แม้ว่าจะไม่ได้ยกเว้นคำอธิบายทางเลือกไปเสียทั้งหมด แต่การศึกษาเหล่านี้ถือเป็นการทดสอบครั้งแรกของหน่วยความจำรูปแบบที่ไม่มีกิจกรรม
STSP อาจไม่ใช่กลไกปิดเสียงกิจกรรมเดียวที่เล่นในงานหน่วยความจำการทำงาน การจำเหตุการณ์ระยะยาวมีบทบาทสำคัญในการสนับสนุนความจำในการทำงาน (Beukers, Buschman, Cohen, & Norman, 2021; Sutterer, Foster, Serences, Vogel, & Awh, 2019) อย่างไรก็ตาม ข้อจำกัดประการหนึ่งของหน่วยความจำระยะยาวก็คือ หน่วยความจำจะทนทุกข์ทรมานจาก "การรบกวนเชิงรุก" การรบกวนนี้เกิดขึ้นเมื่อความทรงจำสองอันคล้ายกัน ทำให้ยากต่อการแยกแยะความทรงจำปัจจุบันจากอดีตที่ผ่านมา (เช่น การทดลองพฤติกรรมครั้งก่อน) งานทางทฤษฎีเสนอว่า หน่วยความจำแบบเหตุการณ์สามารถลดการรบกวนโดยการจัดเก็บบริบทที่หน่วยความจำเกิดขึ้น (DuBrow, Rouhani, Niv, & Norman, 2017; Mensink & Raaijmakers, 1988) ข้อมูลบริบทดังกล่าวอาจเป็นเครื่องหมายเฉพาะในการจัดเรียงและแยกความแตกต่างระหว่างความทรงจำต่างๆ เพื่อไม่ให้รบกวนซึ่งกันและกัน (Beukers et al., 2021) ด้วยวิธีนี้ หน่วยความจำระยะยาวสามารถให้กลไกเงียบกิจกรรมอีกกลไกหนึ่งที่สนับสนุนหน่วยความจำในการทำงาน เพื่อให้สอดคล้องกับสิ่งนี้ งานล่าสุดพบว่าการแทรกแซงเชิงรุกมีความรุนแรงที่สุดในการทดลอง โดยผู้เข้าร่วมต้องจดจำรายการจำนวนมาก (น่าจะเกินความจุของหน่วยความจำในการทำงาน; Oberauer & Awh, 2022) สิ่งนี้แนะนำว่าผู้เข้าร่วมอาจมีส่วนร่วมในความจำระยะยาวเฉพาะเมื่อการเสริมความจำในการทำงานจะเป็นประโยชน์เท่านั้น
โดยรวมแล้ว ผลลัพธ์เหล่านี้ชี้ให้เห็นว่าสมองใช้กลไกหลายอย่างเพื่อรักษาข้อมูลในหน่วยความจำในการทำงาน สิ่งนี้สมเหตุสมผล—การรักษาความทรงจำระยะสั้นของอินพุตทางประสาทสัมผัสมีความสำคัญต่อการรับรู้ ซึ่งช่วยให้หลุดพ้นจากโลกปัจจุบัน อาจมีแรงกดดันด้านวิวัฒนาการอย่างมากในการพัฒนากลไกหลายอย่างเพื่อรักษาข้อมูลไว้ในหน่วยความจำในการทำงาน ตัวอย่างเช่น งานการสร้างแบบจำลองล่าสุดแสดงให้เห็นว่า STSP สามารถทำให้หน่วยความจำในการทำงานมีความแข็งแกร่งมากขึ้น Kozachkov และเพื่อนร่วมงาน (2022) ฝึกอบรมโครงข่ายประสาทเทียมที่เกิดซ้ำ (RNN) ทั้งแบบมีและไม่มี STSP เพื่อดำเนินงานหน่วยความจำการทำงานของวัตถุ RNN ทั้งสองที่มีและไม่มี STSP สามารถรักษาความทรงจำได้ แม้ว่าจะต้องเผชิญกับสิ่งรบกวนก็ตาม อย่างไรก็ตาม RNN ที่มี STSP มีความทนทานต่อสัญญาณรบกวนและความเสื่อมของเครือข่ายมากกว่า RNN ที่ไม่มี STSP นอกจากนี้ RNN ที่มี STSP ยังแสดงกิจกรรมที่คล้ายคลึงกับที่เห็นในเยื่อหุ้มสมองของไพรเมตที่ไม่ใช่มนุษย์ซึ่งทำหน้าที่เดียวกัน RNN ที่ไม่มี STSP นั้นเป็นของประดิษฐ์มากกว่าและเหมือนสมองน้อยกว่า กล่าวโดยสรุป STSP และกลไกเงียบของกิจกรรมอื่นๆ ทำให้เครือข่ายหน่วยความจำในการทำงานทำงานได้ดีขึ้น ต่อไป เราจะพูดถึงว่าหน่วยความจำในการทำงานมีความเคลื่อนไหวอย่างไร
หน่วยความจำในการทำงานมีไดนามิก
มุมมองคลาสสิกของความทรงจำในการทำงานก็คือ มันเป็นการนำเสนอข้อมูลทางประสาทสัมผัสล่าสุดที่มีความเสถียร งานของ Fuster, Goldman-Rakic และคนอื่นๆ พบเซลล์ประสาทใน pFC ที่ตอบสนองต่อสิ่งเร้าทางการมองเห็น จากนั้นจึงรักษากิจกรรมที่เพิ่มอย่างรวดเร็วในช่วงความจำล่าช้าในภายหลัง (Miller et al., 1996; Funahashi et al., 1989; Fuster & Alexander, 1971) . อย่างไรก็ตาม งานล่าสุดได้แสดงให้เห็นว่าความจำในการทำงานมีความไดนามิกมากกว่าที่เคยคิดไว้ การบันทึกประชากรเซลล์ประสาทในขนาดใหญ่ที่ใหม่กว่าทำให้เราสามารถถอดรหัสข้อมูลประสาทด้วยความไวที่สูงกว่าวิธีการอิเล็กโทรดเดี่ยวก่อนหน้านี้ (King & Dehaene, 2014; Meyers, Freedman, Kreiman, Miller, & Poggio, 2008) หากการเป็นตัวแทนมีเสถียรภาพ ตัวถอดรหัสที่ได้รับการฝึกเกี่ยวกับการเป็นตัวแทนทางระบบประสาท ณ เวลาหนึ่งควรจะสามารถถอดรหัสการเป็นตัวแทนได้ในช่วงเวลาอื่น อีกทางหนึ่ง หากการแสดงเป็นแบบไดนามิก ตัวถอดรหัสก็ไม่ควรสรุปข้ามช่วงเวลา การใช้แนวทางนี้ Stokes และเพื่อนร่วมงาน (2013) แสดงให้เห็นว่าการแสดงหน่วยความจำมีความไดนามิกสูง ผู้ถอดรหัสที่ได้รับการฝึกให้ถอดรหัสตัวตนของสิ่งกระตุ้นทางการมองเห็นเมื่อมองเห็นได้นั้น ไม่สามารถถอดรหัสความทรงจำของสิ่งกระตุ้นเดียวกันนั้นได้ แม้จะอยู่ในความล่าช้าของหน่วยความจำเพียง 250 มิลลิวินาทีก็ตาม สิ่งนี้ชี้ให้เห็นว่าในระดับประชากร รหัสประสาทสำหรับการรับข้อมูลทางประสาทสัมผัสและความทรงจำจะแตกต่างกัน พบผลลัพธ์ที่คล้ายกันในสัตว์ฟันแทะ (Harvey, Coen, & Tank, 2012) สิ่งที่น่าสนใจคือ Stokes และเพื่อนร่วมงานพบว่าหลังจากผ่านไปไม่กี่ร้อยมิลลิวินาที การแสดงตัวอย่างก็มีเสถียรภาพ (Spaak, Watanabe, Funahashi และ Stokes, 2017) จากนั้น เมื่อสิ้นสุดระยะเวลาล่าช้า เมื่อสัตว์กำลังเตรียมที่จะตอบสนอง การแสดงออกของระบบประสาทก็กลับมามีชีวิตชีวาอีกครั้ง
จากผลงานชิ้นนี้ Panichello และ Buschman (2021) พบว่าการเปลี่ยนแปลงในหน่วยความจำในการทำงานอยู่ภายใต้การควบคุมการรับรู้ ลิงทำงานโดยกำหนดให้พวกมันจำสีของสี่เหลี่ยมจัตุรัสสองอัน (รูปที่ 1A) หลังจากการหน่วงเวลาของหน่วยความจำ ลิงจะถูกกำหนดให้เลือกหนึ่งในสองช่องสี่เหลี่ยม จากนั้น หลังจากหน่วงเวลาของหน่วยความจำครั้งที่สอง ก็รายงานสีของช่องสี่เหลี่ยมที่ตั้งไว้โดยการแบ่งสีออกเป็นสีที่ตรงกันบนวงล้อสี เพื่อให้สอดคล้องกับงานก่อนหน้านี้ การแสดงหน่วยความจำใน pFC นั้นเป็นแบบไดนามิก สิ่งที่น่าสนใจคือการเปลี่ยนแปลงของการแสดงหน่วยความจำนั้นขึ้นอยู่กับว่ามันถูกเลือกสำหรับการตอบสนอง (หรือถูกลืม)
ในช่วงความล่าช้าของหน่วยความจำครั้งแรก (ก่อนการเลือก) สีของแต่ละรายการจะถูกเข้ารหัสอย่างเสถียรเป็นวงแหวน ก่อตัวเป็นวงล้อสีสองล้อในพื้นที่ประสาท (แผนผังในรูปที่ 1B ด้านซ้าย) สิ่งที่น่าสนใจคือวงแหวนของแต่ละรายการมีอยู่ใน "พื้นที่ย่อย" อิสระของกิจกรรมประสาท อย่างไรก็ตาม สิ่งนี้เปลี่ยนไปเมื่อเลือกหน่วยความจำ วงแหวนที่แสดงสีของรายการที่เลือกย้ายจากพื้นที่ย่อยอิสระไปยังพื้นที่ย่อย "เป้าหมาย" ใหม่ (รูปที่ 1B ขวา) พื้นที่ย่อยเป้าหมายนี้เหมือนกันสำหรับทั้งสองรายการ เมื่อเลือกหน่วยความจำ 1 การแสดงจะย้ายไปยังพื้นที่ย่อยเป้าหมาย และเมื่อเลือกหน่วยความจำ 2 หน่วยความจำจะย้ายไปยังพื้นที่ย่อยเดียวกัน กล่าวอีกนัยหนึ่ง ไดนามิกของหน่วยความจำขึ้นอยู่กับหน่วยความจำที่เลือก: การเลือกหน่วยความจำ 1 ทำให้เกิดไดนามิกชุดหนึ่งที่ย้ายหน่วยความจำ 1 จากพื้นที่ย่อยอิสระไปยังพื้นที่ย่อยเป้าหมาย ในขณะที่การเลือกหน่วยความจำ 2 ทำให้เกิดชุดของไดนามิกที่แตกต่างกันซึ่งเปลี่ยนรูปแบบ การแสดงหน่วยความจำ 2 ลงในพื้นที่ย่อยเป้าหมาย
ผลลัพธ์เหล่านี้แสดงการเปลี่ยนแปลงในหน่วยความจำในการทำงานอยู่ภายใต้การควบคุมการรับรู้ แต่เพื่อจุดประสงค์อะไร? พื้นที่ย่อยอิสระที่สังเกตได้ในช่วงความล่าช้าของหน่วยความจำครั้งแรกนั้นสมเหตุสมผล หน้าที่ของสัตว์คือการจำสีของแต่ละช่องแยกจากกัน ซึ่งได้รับการอำนวยความสะดวกโดยพื้นที่ย่อยอิสระ (Libby & Buschman, 2021) อย่างไรก็ตาม หลังจากการคัดเลือกแล้ว งานของสัตว์ก็เปลี่ยนไป ตอนนี้พวกเขาจะต้องรายงานสีของรายการที่เลือก ไม่ว่าจะเคยเป็นหน่วยความจำ 1 หรือ 2 ก็ตาม ซึ่งสามารถอธิบายไดนามิกที่สังเกตได้ในหน่วยความจำในการทำงาน เมื่อเลือกหน่วยความจำ 1 ไดนามิกจะ "ย้าย" การแสดงหน่วยความจำ 1 ไปยังพื้นที่ย่อยเป้าหมาย (และในทางกลับกันสำหรับหน่วยความจำ 2) ขณะนี้รายการที่เลือกอยู่ในพื้นที่ย่อยเป้าหมายทั่วไป วงจรดาวน์สตรีมสามารถใช้การแสดงนี้เพื่อขับเคลื่อนการตอบสนองของสัตว์ โดยไม่คำนึงถึงหน่วยความจำที่ถูกเลือก ด้วยวิธีนี้ การควบคุมการรับรู้อาจกระตุ้นให้เกิดการเปลี่ยนแปลงที่แตกต่างกันเพื่อสนับสนุนงานการรับรู้ที่แตกต่างกัน
โมเดลเดียวกันนี้สามารถอธิบายพลวัตที่พบในการศึกษาอื่นๆ ได้ งานหลายอย่างเหล่านี้ต้องการให้สมองเปลี่ยนจากการประมวลผลสิ่งเร้าทางประสาทสัมผัสไปเป็นการเตรียมการตอบสนองของมอเตอร์ (เรียกคลาสสิกว่าการเปลี่ยนจากความจำย้อนหลังไปสู่ความจำในอนาคต Rainer, Rao, & Miller, 1999) กล่าวอีกนัยหนึ่ง หน่วยความจำในการทำงานไม่เพียงแต่รักษาการแสดงอินพุตที่ถูกต้องเท่านั้น แต่กลับมีไว้เพื่อสนับสนุนการรับรู้และพฤติกรรม จากมุมมองนี้ มันสมเหตุสมผลแล้วที่การแสดงหน่วยความจำในการทำงานจะเป็นแบบไดนามิก—พวกมันพัฒนาไปในวิธีที่เอื้อต่องานที่ทำอยู่
หน่วยความจำในการทำงานเป็นจังหวะ (และจังหวะเป็นการควบคุม)
หน่วยความจำในการทำงานอยู่ภายใต้การควบคุมจากบนลงล่าง ("ผู้บริหาร") เราสามารถเลือกสิ่งที่จะเข้ารหัสในความทรงจำในการทำงาน เราสามารถจัดการความคิดเหล่านั้นได้ และเราสามารถเพิกเฉยต่อสิ่งรบกวนสมาธิ และเลือกที่จะหยุดคิดความคิดเหล่านั้นได้ pFC มีบทบาทสำคัญในการควบคุมหน่วยความจำในการทำงาน (Panichello & Buschman, 2021; Gazzaley & Nobre, 2012; Miller & Cohen, 2001) ตามที่กล่าวไว้ข้างต้น การควบคุมไดนามิกของระบบประสาทจากบนลงล่างอาจเปลี่ยนวิธีการใช้การแสดงหน่วยความจำในการทำงาน หลักฐานที่เพิ่มขึ้นบ่งชี้ว่าการควบคุมอาจเกิดขึ้นจากไดนามิกของการแกว่งที่เกิดขึ้นในระดับที่สูงขึ้นของการบูรณาการ - ใน LFP LFP คือผลรวมของกิจกรรมที่มีการประสานงาน การสั่น และของเซลล์ประสาทนับล้าน สนามไฟฟ้าที่เกิดขึ้นจากกิจกรรมนี้สามารถทำหน้าที่เป็น "รางกั้น" ที่ควบคุมกิจกรรมในมิติที่สูงกว่าระดับเซลล์ประสาทโดยการส่งผ่านไปตามเส้นทางมิติต่ำที่มั่นคง (Pinotsis และ Miller, 2022)
The central idea is that sensory information (the contents of working memory) and control signals use different frequency bands that interact. As reviewed by Miller, Lundqvist, and Bastos (2018), recent work suggests sensory information is carried by spiking associated with bursts of gamma (>30 เฮิรตซ์) กำลังไฟฟ้า สัญญาณควบคุมจากบนลงล่างส่งผ่านจังหวะอัลฟา/เบต้า (8–30 Hz) อัลฟ่า/เบต้าจะยับยั้งแกมมาไม่ว่าจะ "ชนกัน" ในเยื่อหุ้มสมองส่วนใดก็ตาม ดังนั้น จากบนลงล่าง (อัลฟา/เบต้า) จะควบคุมจากล่างขึ้นบน (แกมมา/พุ่งขึ้นอย่างรวดเร็ว) รูปที่ 2 แสดงวิธีการทำงาน อัลฟ่า/เบต้าจากบนลงล่างถูกพาไปที่ชั้นลึกของเยื่อหุ้มสมอง ชั้นเยื่อหุ้มสมองส่วนลึกส่งสัญญาณป้อนกลับลงไปตามลำดับชั้นของเยื่อหุ้มสมอง ข้อมูลทางประสาทสัมผัสจากล่างขึ้นบนในรูปแบบแกมมา/การพุ่งขึ้นอย่างรวดเร็วถูกส่งไปในชั้นเปลือกนอกผิวเผินที่ส่งสัญญาณในลักษณะป้อนไปข้างหน้า ขึ้นไปในลำดับชั้นของเยื่อหุ้มสมอง อัลฟ่า/เบต้าที่เกิดขึ้นในชั้นลึกจะยับยั้งแกมมา/การเพิ่มขึ้นอย่างรวดเร็วในชั้นผิวเผิน (Bastos, Loonis, Kornblith, Lundqvist, & Miller, 2018)
เพื่อเข้าถึงหน่วยความจำในการทำงาน พลังอัลฟ่า/เบตาในชั้นลึกและ/หรือการเชื่อมต่อกับเบตาชั้นผิวเผินจะอ่อนลง สิ่งนี้จะยับยั้งการกระตุ้นซ้ำของเซลล์ประสาทชั้นธรรมดา ทำให้เกิดการระเบิดของแกมมาและพุ่งไปยังอินพุตทางประสาทสัมผัส ในระหว่างการบำรุงรักษาหน่วยความจำ ความสมดุลระหว่างอัลฟ่า/เบต้าและแกมม่าสามารถควบคุมระดับการเพิ่มขึ้นอย่างรวดเร็วเพื่อรีเฟรชการเปลี่ยนแปลงน้ำหนักซินแนปติกเป็นครั้งคราว ซึ่งช่วยรักษาความทรงจำ (Miller et al., 2018)
หากต้องการอ่านข้อมูลจากหน่วยความจำที่ใช้งาน พลังงานอัลฟ่า/เบต้า/การเชื่อมโยงกันจะลดลง สิ่งนี้ทำให้แกมม่าระเบิดเพิ่มขึ้นและการเพิ่มขึ้นอย่างรวดเร็วของหน่วยความจำมักจะเพิ่มขึ้นอย่างรวดเร็วเมื่อใกล้สิ้นสุดความล่าช้าของหน่วยความจำ (Hussar & Pasternak, 2010; Roesch & Olson, 2005) การยับยั้งแกมมาจะเพิ่มการพุ่งอย่างรวดเร็วเพื่อให้ความทรงจำสามารถควบคุมพฤติกรรมได้ ความสมดุลระหว่างอัลฟ่า/เบต้าและแกมมาระหว่างการหน่วงเวลาของหน่วยความจำสามารถรักษาแกมมาให้อยู่ในระดับปานกลางได้ ด้วยวิธีนี้ การเพิ่มขึ้นอย่างรวดเร็วไม่สามารถควบคุมพฤติกรรมได้ก่อนเวลาอันควร เพื่อล้างหน่วยความจำในการทำงาน เบต้าพาวเวอร์/คัปปลิ้งจะเพิ่มขึ้น วิธีนี้จะระงับแกมมาและการพุ่งที่พุ่งขึ้นอย่างรวดเร็วซึ่งช่วยรักษาความทรงจำ ตัวอย่างของพลวัตเหล่านี้สามารถพบได้ใน Lundqvist และเพื่อนร่วมงาน (2016) และ Lundqvist, Herman, Warden, Brincat และ Miller (2018)
พลวัตเหล่านี้อาจมีบทบาทในการทำงานด้านการรับรู้หลายอย่าง ไม่ใช่แค่ความจำในการทำงานเท่านั้น แกมมาของชั้นผิวเผินและอัลฟาเบตาในชั้นลึกเป็นแนวคิดที่แพร่หลายที่เห็นได้ทั่วเยื่อหุ้มสมองทั้งหมด (Mendoza-Halliday et al., 2022; Lundqvist, Bastos, & Miller, 2020) งานล่าสุดแสดงให้เห็นว่าไดนามิกแบบเดียวกันมีบทบาทในการเข้ารหัสเชิงคาดการณ์ (Bastos, Lundqvist, Waite, Kopell, & Miller, 2020) การควบคุมการรับรู้ส่วนใหญ่อาจเกิดจากความสมดุลและการควบคุมจังหวะเหล่านี้
การควบคุมจากบนลงล่างด้วยคอมพิวเตอร์เชิงพื้นที่
จนถึงตอนนี้ เราได้พูดคุยถึงอัลฟ่า/เบต้าราวกับว่ามันเป็นสัญญาณเกตหยาบ โดยจะเปิดและปิดหน่วยความจำในการทำงาน เช่น การเปิดและปิด faucet หรือสวิตช์ไฟ อย่างไรก็ตามการควบคุมสามารถมีความเฉพาะเจาะจงมากขึ้นโดยทำงานในระดับเนื้อหาแต่ละรายการของหน่วยความจำในการทำงาน ตัวอย่างเช่น ในการเข้ารหัสเชิงคาดการณ์ เป้าหมายอัลฟ่า/เบต้าเป็นตัวแทนของสิ่งเร้าเฉพาะในคอร์เทกซ์การมองเห็นเพื่อยับยั้งการประมวลผลอินพุตทางประสาทสัมผัสที่คาดการณ์ไว้ (Bastos et al., 2020)
งานล่าสุดได้แสดงให้เห็นข้อมูลจากบนลงล่าง เช่น งานที่มีอยู่ ดำเนินการโดยรูปแบบเฉพาะของการซิงโครไนซ์อัลฟ่า/เบต้าข้ามเยื่อหุ้มสมอง (Antzoulatos & Miller, 2014, 2016; Buschman, Denovellis, Diogo, Bullock, & Miller, 2012 ). กล่าวอีกนัยหนึ่ง รูปแบบของอัลฟ่า/เบต้าก่อให้เกิด "ชุด" ของระบบประสาทที่สะท้อนข้อมูลจากบนลงล่าง ที่สำคัญ ความละเอียดเชิงพื้นที่ของแพตช์เหล่านี้อยู่ในระดับมหภาค จะเห็นได้ในระดับ LFP ที่สะท้อนถึงกิจกรรมสรุปของเซลล์ประสาทนับล้าน LFP เหล่านี้ซิงโครไนซ์กับคอร์เทกซ์ขนาดมิลลิเมตรหรือมากกว่านั้น (บางครั้งก็ข้ามคอร์เทกซ์อันกว้างใหญ่) มันเป็นรูปแบบเหล่านี้ที่อาจให้การควบคุม
แนวคิดนี้เรียกว่า "การคำนวณเชิงพื้นที่" (Lundqvist et al., 2022) โดยเสนอว่ารูปแบบของกำลังอัลฟ่า/เบต้าและการเชื่อมโยงกันสร้างการปะติดปะต่อระดับมหภาคของพลังงานอัลฟ่า/เบต้าที่สูงกว่า เทียบกับแกมมาพลังงานที่สูงกว่าในเครือข่ายคอร์เทกซ์ เมื่อใดก็ตามที่พลังงานอัลฟ่า-เบต้าต่ำ แกมม่าและสไปค์ก็จะสูง และในทางกลับกัน รูปแบบอัลฟ่า/เบต้าที่แตกต่างกันส่งผลให้เกิดรูปแบบแกมม่า/สไปค์ที่แตกต่างกัน ในทางตรงกันข้าม ข้อมูลสิ่งเร้า (เช่น เนื้อหาของความทรงจำในการทำงาน) จะแสดงออกมาในระดับที่ละเอียดกว่ามาก มันดำเนินการโดยรูปแบบของกิจกรรม (และการเชื่อมต่อระหว่าง) เซลล์ประสาทแต่ละอัน (แทนที่จะเป็นเซลล์ประสาทนับล้าน) ข้อมูลสิ่งกระตุ้นมีการกระจายอย่างกว้างขวางและทำซ้ำทั่วทั้งเครือข่าย เช่น ทรายในรูปแบบ "กระดานหมากรุก" ที่มีขนาดใหญ่ขึ้นซึ่งได้แก่ อัลฟา/เบต้า และแกมมา กล่าวอีกนัยหนึ่ง เนื้อหา (สิ่งเร้า) และการควบคุมหน่วยความจำในการทำงานทำงานในระดับอวกาศที่แตกต่างกันมาก การแสดงสิ่งกระตุ้นนั้นมีมิติสูง ซึ่งสะท้อนได้จากรูปแบบที่เพิ่มขึ้นอย่างรวดเร็วของประชากรของเซลล์ประสาทแต่ละอัน ในทางตรงกันข้าม การควบคุมเป็นแบบมิติต่ำ โดยทำงานในระดับกลุ่มเซลล์ประสาทนับล้านผ่านรูปแบบของการเชื่อมโยงกันของอัลฟ่า-เบต้าและแกมมา
การควบคุมมาจากพื้นที่เครือข่ายที่แสดงการกระตุ้นเศรษฐกิจในปัจจุบัน รูปแบบของอัลฟ่า/เบต้าเทียบกับแกมมาและการเปลี่ยนแปลงในรูปแบบเหล่านั้นเป็นการคำนวณ การใช้ชุดปฏิบัติการ (เช่น การดำเนินการกฎของงาน) สอดคล้องกับการกำหนดรูปแบบขนาดมหภาคที่แตกต่างกันของอัลฟ่า/เบต้าและแกมมา รายการต่างๆ สามารถเข้าถึงและดำเนินการได้เพียงแค่ทราบตำแหน่งในพื้นที่เครือข่าย
เพื่อให้เข้าใจถึงวิธีการทำงาน ให้พิจารณางานที่กำหนดให้สัตว์จำวัตถุสองชิ้น (A และ B) ตามลำดับที่ปรากฏ (ตัวแรกหรือตัวที่สอง; Lundqvist et al., 2018; Warden & Miller, 2007) ก่อนที่จะแสดงวัตถุชิ้นแรก รูปแบบอัลฟ่า/เบต้าจะสร้างรูปแบบภาพสะท้อนในแกมมา รูปแบบเฉพาะนั้นสอดคล้องกับ "รายการที่ 1" เมื่อวัตถุปรากฏขึ้น (เช่น วัตถุ A) เซลล์ประสาทในแพทช์แกมมาที่เลือกไว้สำหรับวัตถุนั้นจะถูกเปิดใช้งาน โดยเตรียมพวกมันไว้ (ผ่าน STSP) ถัดไป ก่อนที่จะแสดงออบเจ็กต์ที่สอง รูปแบบอัลฟ่า/เบต้าที่แตกต่างกันจะกำหนดรูปแบบแกมมาที่แตกต่างกันซึ่งสอดคล้องกับ "รายการที่ 2" เมื่อวัตถุที่สอง (เช่น วัตถุ B) ปรากฏขึ้น เซลล์ประสาทในแผ่นแกมมาเหล่านั้นจะถูกกระตุ้นและเตรียมไว้ เพื่อรักษาและอ่านว่าวัตถุใดเป็นชิ้นแรกหรือชิ้นที่สอง รูปแบบที่สอดคล้องกับรายการแรกหรือชิ้นที่สองจะถูกสร้างขึ้นใหม่ เซลล์ประสาทที่ถูกเตรียมไว้ในแผ่นแกมม่าที่สอดคล้องกันจะ "ส่งเสียงกลับ" และพุ่งสูงขึ้นอย่างแรง ตัวอย่างเช่น เมื่อการเย็บปะติดปะต่อกันของวัตถุชิ้นแรกถูกสร้างขึ้นใหม่ เซลล์ประสาทจะดังกลับมาพร้อมกับ "วัตถุ A" เพราะพวกมันถูกเตรียมไว้โดยวัตถุนั้นเมื่อมันปรากฏตัวครั้งแรก กล่าวโดยสรุป การคำนวณเชิงพื้นที่วางตัวว่าการควบคุมหน่วยความจำในการทำงานนั้นเกิดจากรูปแบบกิจกรรมเชิงพื้นที่ทั่วพื้นที่เครือข่ายที่สะท้อนและเปลี่ยนแปลงตามความต้องการของงานจากบนลงล่าง
การแยกเนื้อหาและการควบคุมในระดับมิติสูงและต่ำช่วยแก้ปัญหาที่สำคัญในแบบจำลองโครงข่ายประสาทเทียมจำนวนมาก ในแบบจำลองทั่วไป กฎของงาน (ส่วนควบคุม) และเนื้อหา (เช่น รายการที่เก็บไว้ในหน่วยความจำการทำงาน) จะถูกเข้ารหัสในรายละเอียดมิติสูงของการเชื่อมต่อระหว่างเซลล์ประสาทที่พุ่งแหลม เนื่องจากขาดการแบ่งแยกนี้ หากใครต้องการแนะนำสิ่งใหม่ๆ เข้าสู่หน่วยความจำในการทำงาน เครือข่ายจึงต้องได้รับการฝึกอบรมใหม่ พวกเขาไม่ได้แสดงความยืดหยุ่นของความจำในการทำงานที่เห็นในมนุษย์และสัตว์ โมเดลเครือข่ายทั่วไปไม่สามารถทำการเรียนรู้แบบ "ศูนย์ช็อต" ได้ (การสรุปแบบทันที) ที่สมองจริงสามารถทำได้ (ดู Bouchacourt & Buschman, 2019 สำหรับโมเดลความยืดหยุ่นที่แตกต่างกัน O'Reilly & Frank, 2006) คอมพิวเตอร์เชิงพื้นที่แก้ปัญหานี้โดยแยกการควบคุมและเนื้อหาออกเป็นส่วนต่างๆ ของการเป็นตัวแทน
จากมุมมองเชิงบรรทัดฐาน สมองอาจใช้ชุดการควบคุมขนาดเล็ก (มิติต่ำ) เพื่อปรับให้เข้ากับสถานการณ์ใหม่ได้อย่างยืดหยุ่น (MacDowell, Tafazoli และ Buschman, 2022) การปรับตัวให้เข้ากับสถานการณ์ใหม่ต้องใช้สมองในการระบุสถานะการควบคุมที่เหมาะสมกับสถานการณ์ปัจจุบัน สถานะการควบคุมนี้จะกำหนดวิธีการประมวลผล ดูแลรักษา และนำไปใช้เพื่อเป็นแนวทางในการทำงานในสถานการณ์นั้น แม้ว่าสถานะการควบคุมมิติสูงจำนวนมากจะช่วยให้สามารถควบคุมพฤติกรรมได้อย่างแม่นยำ แต่การปรับให้เหมาะสมที่สุดสำหรับสถานการณ์ปัจจุบัน ก็จะทำให้ยากต่อการระบุสถานะการควบคุมที่ "ดีที่สุด" ในทางตรงกันข้าม หากสมองใช้ชุดการควบคุมที่มีมิติต่ำขนาดเล็ก ก็จะเป็นการง่ายกว่าที่จะหาชุดที่ดีที่สุด อย่างไรก็ตาม สถานะการควบคุมมิติต่ำดังกล่าวจำเป็นต้องหยาบและไม่สมบูรณ์ สิ่งนี้ชี้ให้เห็นว่ามีการแลกเปลี่ยนกันระหว่างสถานะการควบคุมมิติสูง ซึ่งจะแม่นยำแต่ปรับตัวได้ช้า กับสถานะการควบคุมมิติต่ำ ซึ่งจะยืดหยุ่นแต่ยังไม่ค่อยเหมาะสม ด้วยเหตุนี้ สมองอาจเลือกที่จะสุ่มตัวอย่างสถานะการควบคุมจำนวนจำกัดที่สามารถปรับสมดุลระหว่างความแม่นยำและความยืดหยุ่น (MacDowell et al., 2022)
สรุป
หน่วยความจำในการทำงานเป็นศูนย์กลางของการรับรู้ โดยทำหน้าที่เป็นพื้นที่ทำงานสำหรับจัดเก็บและจัดการความคิด เมื่อพิจารณาถึงความสำคัญแล้ว จึงไม่น่าแปลกใจที่มีการพัฒนากลไกหลายอย่างเพื่อรองรับการบำรุงรักษาหน่วยความจำในการทำงาน ผลลัพธ์แบบคลาสสิกที่แสดงให้เห็นการเป็นตัวแทนอย่างต่อเนื่องของรายการในหน่วยความจำในการทำงานนั้นไม่ผิด แต่เป็นเพียงภาพที่ไม่สมบูรณ์เท่านั้น หลักฐานที่เพิ่มขึ้นชี้ไปที่กลไกอื่นๆ และคุณสมบัติที่เกิดขึ้น พื้นฐานของระบบประสาทของหน่วยความจำในการทำงานนั้นซับซ้อนและมีชีวิตชีวา ดังที่ Mark Stokes บอกเรา ในพลวัตเหล่านี้เองที่เราได้รับข้อมูลเชิงลึกเกี่ยวกับวิธีที่เรายึดถือสิ่งต่างๆ "ไว้ในใจ" และวิธีควบคุมความคิดเหล่านั้น หน่วยความจำในการทำงานยังไม่ได้รับการแก้ไข แต่งานของ Mark Stokes แสดงให้เราเห็นเส้นทางสู่ความเข้าใจที่ลึกซึ้งยิ่งขึ้น
รับทราบ
งานนี้ได้รับการสนับสนุนจาก NIMH R01MH115042 (TJB) และ ONR N00014-22-1-2453, NEI 1R01EY033430 และ The JPB Foundation (EKM)
ควรส่งคำขอพิมพ์ซ้ำไปที่ Timothy J. Buschman, Princeton Neuroscience Institute และ Department of Psychology, Princeton University, PNI 256, Washington Road, Princeton, NJ 08544 หรือทางอีเมล: tbuschma@princeton.edu
ผลงานของผู้เขียน
ทิโมธี เจ. บุชแมน: แนวความคิด; การเขียน— ร่างต้นฉบับ; การเขียน—การตรวจทานและการแก้ไข เอิร์ลเค. มิลเลอร์: แนวความคิด; การเขียน—ร่างต้นฉบับ; การเขียน— ทบทวนและแก้ไข
ข้อมูลเงินทุน
Earl K. Miller, National Eye Institute (https://dx.doi.org /10.13039/100000053) หมายเลขทุน: 1R01EY033430 เอิร์ล เค. มิลเลอร์ มูลนิธิ JPB (https://dx.doi.org/10 .13039/100007457) Earl K. Miller สำนักงานวิจัยกองทัพเรือ (https://dx.doi.org/10.13039/100000006) หมายเลขทุน: N00014-22-1-2453 Timothy J. Buschman สถาบันสุขภาพจิตแห่งชาติ (https://dx.doi.org/10 .13039/100000025) หมายเลขทุน: R01MH115042
ความหลากหลายในแนวทางปฏิบัติในการอ้างอิง
การวิเคราะห์ย้อนหลังของการอ้างอิงในทุกบทความที่ตีพิมพ์ในวารสารนี้ตั้งแต่ปี 2010 ถึง 2021 เผยให้เห็นรูปแบบที่ไม่สมดุลทางเพศอย่างต่อเนื่อง: แม้ว่าสัดส่วนของทีมผู้เขียน (แบ่งตามการระบุเพศโดยประมาณของผู้เขียนคนแรก/ผู้เขียนคนสุดท้าย) ที่ตีพิมพ์ใน Journal of Cognitive Neuroscience ( JoCN) ในช่วงเวลานี้คือ M(an)/M=.407, W(oman)/M=.32, M/W=.115 และ W/W=.159 สัดส่วนที่เทียบเคียงได้สำหรับบทความที่ทีมนักเขียนเหล่านี้อ้างถึงคือ M/M=.549, W/M=.257, M/W=.109 และ W/W=.085 (Postle and Fulvio, JoCN, 34:1, หน้า 1–3) ด้วยเหตุนี้ JoCN จึงสนับสนุนให้ผู้เขียนทุกคนพิจารณาความสมดุลทางเพศอย่างชัดเจนเมื่อเลือกบทความที่จะอ้างอิง และอนุญาตให้พวกเขารายงานความสมดุลของการอ้างอิงทางเพศของบทความของตนได้ ผู้เขียนบทความนี้รายงานสัดส่วนการอ้างอิงตามหมวดหมู่เพศเป็นดังนี้: M/M=.829; W/M=.098; ม/ว=.073; ด้วย=0
ข้อมูลอ้างอิง
1.อันซูลาโตส อีอีอี และมิลเลอร์ อีเค (2014) เพิ่มการเชื่อมต่อการทำงานระหว่างเยื่อหุ้มสมองส่วนหน้าและ striatum ในระหว่างการเรียนรู้หมวดหมู่ นิวรอน, 83, 216–225. https://doi.org/10 .1016/j.neuron.2014.05.005, PubMed: 24930701
2.อันซูลาโตส, อีอีจี, & มิลเลอร์, EK (2016) จังหวะเบต้าแบบซิงโครนัสของเครือข่ายส่วนหน้ารองรับเฉพาะการนำเสนอที่เกี่ยวข้องกับพฤติกรรมเท่านั้น อีไลฟ์, 5, e17822. https://doi.org/10 .7554/eLife.17822, PubMed: 27841747
3.บาสตอส, สมัครเล่น, ลูนิส, ร., คอร์นบลิธ, เอส., ลุนด์ควิสต์, ม., & มิลเลอร์, อีเค (2018) การบันทึกแบบลามินาร์ในเยื่อหุ้มสมองส่วนหน้าแสดงให้เห็นชั้นที่แตกต่างกันสำหรับการบำรุงรักษาและการควบคุมหน่วยความจำในการทำงาน การดำเนินการของ National Academy of Sciences, USA, 115, 1117–1122 https://doi.org/10.1073/pnas .1710323115, PubMed: 29339471
4.บาสตอส, สมัครเล่น, ลุนด์ควิสต์, ม., เวท, อาส, โคเปลล์, เอ็น., & มิลเลอร์, อีเค (2020) ความจำเพาะของเลเยอร์และจังหวะสำหรับการกำหนดเส้นทางแบบคาดการณ์ การดำเนินการของ National Academy of Sciences, USA, 117, 31459–31469 https://doi.org/10.1073/pnas.2014868117, PubMed: 33229572
5.บิวเคอร์ส, เอโอ, บุชแมน, ทีเจ, โคเฮน, เจดี และนอร์แมน, เคเอ (2021) หน่วยความจำการทำงานแบบเงียบของกิจกรรมเป็นเพียงความทรงจำแบบฉากหรือไม่? แนวโน้มทางวิทยาศาสตร์เกี่ยวกับความรู้ความเข้าใจ, 25, 284–293. https:// doi.org/10.1016/j.tics.2021.01.003, PubMed: 33551266
6.บูชาคอร์ต เอฟ. และบุชแมน ทีเจ (2019) แบบจำลองหน่วยความจำการทำงานที่ยืดหยุ่น นิวรอน, 103, 147–160. https://doi.org/10 .1016/j.neuron.2019.04.020, PubMed: 31103359
7. บุชแมน, ทีเจ, เดโนเวลลิส, เอล, ดิโอโก้, ซี., บูลล็อค, ดี., และมิลเลอร์, EK (2012) ชุดประสาทสั่นแบบซิงโครนัสสำหรับกฎในเยื่อหุ้มสมองส่วนหน้า นิวรอน, 76, 838–846. https://doi .org/10.1016/j.neuron.2012.09.029, PubMed: 23177967
8. คริสโตเฟล, TB, Klink, PC, Spitzer, B., Roelfsema, PR, & Haynes, J.-D. (2017) ลักษณะการกระจายของหน่วยความจำในการทำงาน แนวโน้มทางวิทยาศาสตร์เกี่ยวกับความรู้ความเข้าใจ, 21, 111–124. https:// doi.org/10.1016/j.tics.2016.12.007, PubMed: 28063661
9.DuBrow, S., Rouhani, N., Niv, Y. และ Norman, KA (2017) บริบททางจิตลอยหรือเปลี่ยนไปหรือไม่? ความคิดเห็นปัจจุบันในพฤติกรรมศาสตร์, 17, 141–146. https://doi.org/10.1016/j.cobeha.2017 .08.003, PubMed: 29335678
10. Funahashi, S., Bruce, CJ, & Goldman-Rakic, PS (1989) การเข้ารหัสช่วยในการช่วยจำของพื้นที่การมองเห็นในเยื่อหุ้มสมองส่วนหน้าส่วนหน้าหลังของลิง วารสารสรีรวิทยา, 61, 331–349. https://doi.org/10.1152/jn.1989.61.2.331, PubMed: 2918358
11. ฟูสเตอร์ เจเอ็ม และอเล็กซานเดอร์ จีอี (1971) กิจกรรมของเซลล์ประสาทที่เกี่ยวข้องกับความจำระยะสั้น วิทยาศาสตร์, 173, 652–654. https://doi.org /10.1126/science.173.3997.652, PubMed: 4998337
12.แกซซาลีย์, เอ. และ โนเบร, เอซี (2012) การปรับจากบนลงล่าง: เชื่อมโยงความสนใจแบบเลือกสรรและความจำในการทำงาน แนวโน้มทางวิทยาศาสตร์เกี่ยวกับความรู้ความเข้าใจ, 16, 129–135. https://doi.org/10.1016/j.tics .2011.11.014, PubMed: 22209601
