Episodiskt långtidsminnes bidrag till arbetsminnet för bindningar

Abstrakt: Föreliggande experiment stödjer två slutsatser om kapacitetsgränsen för arbetsminnet (WM). För det första ger de bevis för bindningshypotesen, WM-kapaciteten begränsas av interferens mellan bindningar men inte föremål. För det andra visar de att episodiskt LTM bidrar väsentligt till att binda minnet när kapaciteten hos WM sträcks till det yttersta med större uppsättningsstorlekar. Vi testade omedelbart minne för uppsättningar av ord-bild-par. Med ökande uppsättningsstorlek minskade minnet för bindningar mer hastigt än minnet för objekt, vilket förutspåddes av bindningshypotesen. Ändå, vid högre uppsättningsstorlekar var prestandan mer stabil än förväntat från ett kapacitetsbegränsat minne, vilket tyder på ett bidrag från episodiskt långtidsminne (LTM) för att kringgå WM-kapacitetsgränsen. Till stöd för den hypotesen visar vi en dubbel dissociation av bidrag från WM och episodiskt LTM till bindande minne: Prestanda vid uppsättningsstorlekar större än 3 påverkades specifikt av proaktiv interferens - men var immun mot påverkan från en distraktorfylld fördröjning. Däremot påverkades prestanda vid uppsättningsstorlek 2 opåverkad av proaktiv interferens men skadades av en distraktorfylld fördröjning.

Cistanche-upplevelse - Förbättra minnet

1. Introduktion

I teorier om mänskligt minne skiljer man ofta mellan arbetsminne (WM) och långtidsminne (LTM). WM förstås som ett system med begränsad kapacitet som håller mentala representationer tillgängliga för bearbetning, medan information i LTM lagras mer permanent med förmodligen obegränsad kapacitet (Cowan, 2008). WM och LTM uppvisar betydande strukturell och funktionell överlappning (Eriksson, Vogel, Lansner, Bergström, & Nyberg, 2015; Lewis-Peacock & Postle, 2008; Ranganath, 2006; Ranganath & Blumenfeld, 2005; Ranganath, Cohen, & Brozinsky, 2005) och förhållandet mellan dessa system är i fokus för debatt mellan förespråkare för flera minnesmodeller, som antingen framställer dem som två separerbara minnessystem (t.ex. Atkinson & Shiffrin, 1968; Baddeley, 2012; Barrouillet & Camos, 2012; Cowan, 2008), eller som ett enhetligt minnessystem (t.ex. Crowder, 1982; Melton, 1963; Nairne, 1990, 2002). Mellanliggande teorier mellan dessa ytterligheter konceptualiserar WM som en delmängd av LTM-representationer som – under en begränsad tid – är i ett ökat tillstånd av tillgänglighet (Cowan, 1995; Oberauer, 2002). En nära relation mellan WM och LTM stöds också empiriskt väl. Till exempel är mått på WM-kapacitet starkt korrelerade med förmågan att minnas på lång sikt (Unsworth, 2010; Wilhelm, Hildebrandt, & Oberauer, 2013) och med associativt lärande (Tamez, Myerson, & Hale, 2008, 2012). Ett sätt som WM och LTM interagerar på är att snabbt formade representationer i episodiska LTM kan bidra till prestanda i uppgifter som är utformade för att testa WM (Cowan, 2019). Bidraget från episodiskt LTM till prestanda i WM-tester är inte alltid erkänt av forskare, men dess sannolikhet är obestridlig: Det episodiska minnet, som upprätthåller information om händelser som vi upplevde för länge sedan, upprätthåller säkert också information om händelser för några sekunder sedan. Rollen av episodiskt minne tas för given i modeller för fritt återkallande (t.ex. Davelaar, Goshen-Gottstein, Ashkenazi, Haarmann, & Usher, 2005; Sederberg, Howard, & Kahana, 2008), men inte i modeller för seriell återkallelse ( t.ex. Lewandowsky & Farrell, 2008), vilket är det mest använda paradigmet för att testa WM. Skillnaden mellan fri och seriell återkallelse är dock mer grundad i en historisk klyfta av forskningstraditioner än en väsentlig skillnad (Grenfell-Essam & Ward, 2012; Ward, Tan, & Grenfell-Essam, 2010). Till exempel är en av WM-forskningens huvudsakliga arbetshästar, det komplexa spannets paradigmet (Daneman & Carpenter, 1980), mycket likt det kontinuerliga distraktionsparadigmet i forskning om episodiskt LTM (Bjork & Whitten, 1974): Presentation of list objekt är sammanflätade med perioder av distraktionsbearbetning. I den episodiska LTM-litteraturen används distraktoruppgifter för att förskjuta information från WM för att få ett renare mått på episodiskt LTM. Vissa forskare har hävdat att samma sak kan hända i komplexa uppgifter (McCabe, 2008; Unsworth & Engle, 2007) så att prestandan återspeglar en betydande grad av återkallelse från episodisk LTM. Mer generellt har Cowan (2019) hävdat att episodiska spår skapas snabbt i den aktiverade delen av LTM och bidrar till prestanda i WM-tester. Beukers, Buschman, Cohen och Norman (2021) har hävdat att information som framgångsrikt upprätthålls i WM-uppgifter samtidigt som den förblir "neuralt tyst" (dvs. inte kan avkodas från neural aktivitet under retentionsintervallet) inte bibehålls i WM utan i episodiskt LTM. Till stöd för den möjligheten har forskning visat att snabb bildning av episodiska LTM-spår är möjlig inom några sekunder (Huebner & Gegenfurtner, 2011; Verhaeghen, Vandenbroucke, & Dierckx, 1998). Målet med denna studie är att förstå hur LTM bidrar till WM utifrån antagandet att det måste finnas någon form av separation mellan innehållet i WM och representationer i LTM för att spegla deras olika funktioner. Därmed kommer föreliggande arbete inte att tala för debatten om huruvida WM och LTM är strukturellt separata system. Snarare fokuserar vi på att identifiera funktionella skillnader mellan dem genom att vi kan identifiera i vilken utsträckning prestanda på en minnesuppgift förlitar sig på WM, och i vilken utsträckning den förlitar sig på episodisk LTM.

Huvudkemiska beståndsdelar i Cistanche deserticola

1.1. WM-kapacitet är en gräns för bindningar

Frågan om hur WM och LTM är relaterade motiverade inte ursprungligen de aktuella experimenten. Utgångspunkten för vår utredning var snarare: Varför är WMs kapacitet begränsad? En hypotes om arten av denna kapacitetsgräns är att den sätter en specifik gräns för de tillfälliga bindningar som kommer ihåg (Oberauer, 2019). Denna bindningshypotes säger att gränsen för WM avser det kortsiktiga underhållet av bindningar men inte föremål. Minne för objekt definieras som förmågan att komma ihåg vilka enskilda objekt (t.ex. ord, visuella objekt) som har inträffat nyligen. Det kan uppnås genom att upprätthålla en hög nivå av aktivering av de presenterade objektens representationer, vilket i vissa teorier om WM är den enda formen av underhåll (t.ex. Davelaar et al., 2005; Ma, Husain, & Bays, 2014). Objektminnet är ofta tillräckligt för att komma ihåg vilka objekt som ingick i den aktuella minnesuppsättningen – de med högst aktiveringsnivå – men inte för att komma ihåg strukturen på minnesuppsättningen (t.ex. ordningen på föremålen). Bindningar förstås som tillfälliga länkar mellan representationer av objekt, kodning av relationerna mellan dem (t.ex. vilket objekt som har presenterats tillsammans med vilket ord), eller relationer mellan objekt och deras sammanhang (t.ex. vilket objekt som har presenterats på vilken plats, eller vilket ord som har presenterats i vilken serieposition i en lista). Ett misslyckande med att binda minnet medan artikelminnet är intakt visar sig i karakteristiska fel i WM-tester. Till exempel, vid serieminne minns människor ofta listobjekten men återskapar dem i fel ordning (Henson, 1996). I ett test av WM för rumsliga arrayer av objekt är deltagarna mycket bra på att komma ihåg vilka objekt som fanns i arrayen och vilka platser som var upptagna, men misslyckas ofta med att tilldela varje objekt till dess korrekta plats (Pertzov, Dong, Peich, & Husain , 2012). Bindningshypotesen säger att kapaciteten hos WM är en begränsande faktor för det kortsiktiga underhållet av bindningar men inte föremål. Minne för föremål bibehålls i den aktiverade delen av LTM, som är en del av WM-systemet men som inte är föremål för en kapacitetsbegränsning (Cowan, 1995; Oberauer, 2009a). Bindningshypotesen kan testas genom att dra nytta av det primära experimentella fyndet som visar att begränsad kapacitet för WM: effekten av fast storlek. När antalet föremål som ska hållas i WM ökar, minskar människors prestation brant (se fig. 1 för några exempel). Bindningshypotesen innebär att med ökande uppsättningsstorlek bör minnet för bindningar minska, medan minnet för objekt bör vara (i stort sett) oförsämrat. Oberauer (2019) gav bevis för denna förutsägelse i två experiment som testade omedelbart minne för ordlistor av varierande uppsättningsstorlekar. Minne för sonder i särskilda listpositioner undersöktes genom tester med flera alternativa tvångsval där vissa alternativ representerade objektfel (dvs. ord som inte finns i listan), medan andra representerade bindningsfel (dvs listord från annan än den testade positionen) ). Deltagarnas felfrekvens ökade med listans längd, och detta berodde nästan uteslutande på bindande fel (se Cowan, 2022). Ytterligare stöd för bindningshypotesen kommer från studier med individuella skillnader, som har visat att förmågan att upprätthålla temporära bindningar är starkt korrelerad med vätskeintelligens, och sannolikt driver de höga korrelationerna mellan prestation i WM-uppgifter och intelligenstester (Chuderski, 2019) Wilhelm et al., 2013). Hittills har påståendet att WM-kapacitet begränsas av interferens mellan bindningar experimentellt undersökts endast för bindningar av föremål till deras respektive seriepositioner i en lista. Men effekten av uppsättningsstorlek på förmågan att komma ihåg relationen mellan listobjekt och deras position är kanske inte en ren återspegling av kapacitetsgränsen för att bibehålla bindningar. Detta beror på att uppsättningsstorleken kan förväxlas med seriepositionernas särart. Flera formella modeller av seriell återkallelse innebär en sådan förvirring. Till exempel, i Start-End-modellen (Henson, 1998) representeras seriepositioner av en viktad kombination av en markör för början av listan och en markör för slutet. Särskiljbarheten hos dessa positionsrepresentationer är lägre i mitten av listan än närmare början och slutet – vilket ger upphov till företrädes- och aktualitetseffekter. När listlängden ökar tilldelas fler objekt till positioner längre bort från början och slutet, så att den genomsnittliga positionssärskiljningen minskar. I en annan modell (Botvinick & Watanabe, 2007) antas seriepositioner likna representationer av numeriska storheter. Högre kvantiteter är mindre utmärkande än lägre – till exempel är det lättare att skilja mellan 1 och 2 objekt än mellan 6 och 7. När längden på en lista ökar rekryteras positioner motsvarande högre antal, vilket återigen innebär att den genomsnittliga positionen särskiljningsförmågan i listan minskar. Därför, i den föreliggande studien, syftade vi till att testa bindningshypotesen för en annan form av bindningar i WM: bindningarna mellan ord och bilder. Detta val av material har fördelen att det inte finns någon känd förväxling mellan minnesuppsättningens storlek och särskiljningsförmågan hos representationerna som är bundna till varandra: Den parvisa distinktiviteten mellan ord eller bilder som samplas slumpmässigt från en pool bör inte påverkas av hur många ord eller bilder ingår i minnesuppsättningen. Tidigare arbete med ett liknande probed-recall-paradigm för att undersöka minnet för korta listor av ordpar (Murdock Jr., 1963) har visat att sannolikheten att återkalla det korrekta paret minskar med ökningar av en uppsättningsstorlek. Därför är denna uppgift lämpad för att ytterligare undersöka bidraget från objekt och bindningsminne till effekten av uppsättningsstorlek. Enligt bindningshypotesen skapar interferens mellan bindningar en kapacitetsbegränsning selektivt för förmågan att upprätthålla dem. Därför bör vi fortfarande förvänta oss att ökad uppsättningsstorlek kraftigt försämrar människors förmåga att komma ihåg vilket ord som kombinerades med vilken bild. Samtidigt bör en ökning av uppsättningsstorleken inte ha någon, eller en mycket mer godartad, effekt på människors förmåga att komma ihåg enskilda föremål (dvs. att komma ihåg vilka ord eller bilder de har sett i den aktuella rättegången). Förutsägelsen för artikelminne är inte att det inte finns någon effekt i uppsättningsstorlek alls, eftersom om artikelminnet inte begränsas av WM-kapacitet, begränsas det fortfarande av faktorer som begränsar åtkomsten till episodiskt LTM.1 Vi förväntar oss dock att uppsättningsstorlekseffekten att inte visa signaturen för en kapacitetsgräns, vilket ofta observeras i WM-tester: Stabil prestanda på en hög nivå för uppsättningsstorlekar inom kapacitet, följt av en brant minskning när uppsättningsstorleken överstiger kapaciteten.

Fig. 1. Representativa fynd som visar effekten av den fastställda storleken på noggrannheten (hämtad från Oberauer et al., 2018). (A) Seriell återkallelse i enkla och komplexa spanntest med verbala material (Unsworth & Engle, 2006). (B) Running memory span (Bunting, Cowan, & Scott Saults, 2006). (C) Objektigenkänning (McElree & Dosher, 1989). (D) Standard N-back (Jonides et al., 1997) och en version av N-back där efterföljande stimuli presenteras över N kolumner, så att varje stimulus visas i samma kolumn som en N steg tillbaka (Verhaeghen & Basak, 2005). (E) WM-uppdatering med siffror och aritmetiska operationer (Oberauer & Kliegl, 2001). (F) Ändringsdetektering med arrayer av färgade rutor (Adam, Mance, Fukuda, & Vogel, 2015).

1.2. Den nuvarande studien

Det första målet med denna studie var att tillhandahålla ett nytt test av bindningshypotesen om WM-kapacitet. Vi uppnådde detta med experiment 1, men det experimentet avslöjade också en stark antydan om att episodiskt LTM bidrog väsentligt till vårt test av bindningsminne, särskilt vid större uppsättningsstorlekar. Därför var vårt andra mål att undersöka detta bidrag och isolera det från bidraget från WM till bindande minne. Vi gjorde det genom att införa manipulationer som antas specifikt störa antingen WM, såsom att införa en distraktionsuppgift före testet (t.ex. Peterson & Peterson, 1959) eller episodiskt LTM, genom att introducera proaktiv interferens (Cowan, 2005). Vi syftade till att undersöka vid vilken uppsättningsstorlek var och en av dessa manipulationer påverkar minnesprestanda i ett omedelbart 4-alternativ tvångsvalsigenkänningstest.

2. Experiment 1

I experiment 1 syftade vi till att testa bindningshypotesen genom att testa försökspersoners minne för olika antal ord-bild-par. Vid testet angavs minnet av antingen bilder eller ord, och försökspersonerna skulle välja den andra delen av det testade paret från fyra svarsalternativ. Dessa alternativ inkluderade målet och tre olika typer av beten: (1) ett lockbete inom försöket: en stimulans som var en del av ett par i det aktuella paret men inte det testade paret; (2) ett gammalt lockbete: en stimulans som var en del av ett par i ett tidigare försök; och (3) en ny post: en stimulans som inte används i någon prövning. Detta test har utformats för att skilja föremål och bindningsminne: Avvisande av lockbetet inom försöket kräver minne för korrekt bindning mellan respektive pekad bild (eller ord) och målordet (eller bilden). Om försökspersoner har intakt föremålsminne men inget bindningsminne, skulle de kunna utesluta gamla och nya beten men måste välja mellan mål- och beten inom försöket med lika stor sannolikhet. Om de varken har bindnings- eller föremålsminne i WM, men någon bekanthetssignal för tidigare presenterade föremål i allmänhet som gör att de kan utesluta det nya locket, då skulle de välja mellan målet, lockbetet inom försöket och det gamla locket. Om de inte har något minne alls måste de gissa mellan alla fyra svarsalternativen (se Bartsch, Loaiza, & Oberauer, 2019; Oberauer, 2019; Wilhelm et al., 2013 för liknande tillvägagångssätt). Om WM-kapaciteten verkligen begränsas av interferens mellan bindningar, medan artikelminnet inte påverkas av WM-kapacitetsgränsen, borde människor kunna undvika objektfel (dvs. att välja gamla eller nya beten) ganska bra oavsett inställd storlek, men de bör visar en kraftig ökning av bindningsfel (dvs. val av lockbete inom försöket) när uppsättningsstorleken når och överstiger WM-kapaciteten (dvs cirka 3–4 par). Därför bör prestandan minska med ökande uppsättningsstorlekar, och den ökningen bör främst bero på en högre procentandel av felaktigt utvalda beten inom försöket vid testet.

Kinesisk ört cistanche

2.1. Metod

2.1.1. Deltagare

Vi samlade in data från 20 deltagare för experiment 1 (medelålder=23.67; 15 kvinnor). Vi valde den initiala urvalsstorleken på N=20 för detta och följande experiment eftersom det är tillräckligt för att upptäcka medelstora till stora effekter i design inom ämnesobjekt, och eftersom effekterna av minnesuppsättningsstorlek är kända för att vara stora. Användningen av Bayesiansk statistik innebär att urvalsstorleken kan ökas i händelse av tvetydiga bevis tills tvetydigheten var löst (Rouder, 2014; Sch¨onbrodt, Wagenmakers, Zehetleitner, & Perugini, 2017); detta var nödvändigt för experiment 2, 3, 4 och 5. Endast deltagare vars modersmål är tyska, mellan 18 och 35 år, och som rapporterade normal eller korrigerad till normal syn, deltog i detta och följande experiment. Alla var studenter inskrivna vid universitetet i Zürich eller ETH Zürich. Deltagarna undertecknade ett informerat samtycke före studien och debriefades i slutet. Det experimentella protokollet för detta och alla följande experiment är enligt bestämmelserna för etikkommittén vid fakulteten för konst och samhällsvetenskap vid universitetet i Zürich. Detta och alla följande experiment kördes personligen i laboratoriet.

2.1.2. Material och tillvägagångssätt

För att mäta arbetsminne för bindningar och varierande villkor för WM-belastning, presenterade vi sekventiellt godtyckliga ordbildspar vid uppsättningsstorlekar 2, 3, 4, 6 och 8 (se fig. 2). Ord hämtades från en pool av 1198 neutrala ord från Berlin Affective Word List (BAWL-R, Vo et al., 2009), med en minsta längd på 2 och en maximal längd på 10 bokstäver. Orden hade en medelfrekvens per miljon på 59,33. Bilder ritades från en pool av 2400 fotografier av verkliga objekt (Brady, Konkle, Alvarez, & Oliva, 2008). Ord och bilder av varje försök drogs från dessa pooler utan ersättning så att varje stimulans används i endast ett försök. Varje par presenterades för 900 ms med ett 100 ms inter-stimulusintervall. Efter ett 1000 ms retentionsintervall testades det omedelbara minnet för en slumpmässig hälften av de presenterade paren i slumpmässig ordning med en fyra-alternativ tvångsprocedur. I de udda set storlek 3 försöken testades endast ett av de tre paren. I hälften av försöken pekades försökspersonerna med ordet i ett par och fick välja mellan fyra bilder som visades runt det genom att klicka på alternativet de trodde hade presenterats tillsammans med ordet vid kodning (ord-cue-villkor). I den andra hälften av försöken pekades försökspersonerna med en bild och fick välja mellan 4 ord (bild-cue-villkor). De fyra alternativen bestod alltid av det korrekta föremålet, ett lockbete med samma prov, ett lockbete från ett tidigare försök (gammalt intrångsdrag; valt från valfritt slumpmässigt valt tidigare försök) och ett nytt föremål (nytt lockbete). Återigen, detta test utformades för att skilja föremål och bindningsminne: Avvisande av lockbetet inom försöket kräver minne för korrekt bindning mellan respektive pekad bild (eller ord) och målordet (eller bilden). Om försökspersonerna inte har intakt bindningsminne, skulle de med lika stor sannolikhet välja mellan målet och lockbetet inom försöket. På samma sätt kräver avvisande av det gamla provdraget minne för de korrekta föremålen i det aktuella försöket. Endast om försökspersoner inte har något minne alls, då skulle de gissa mellan alla fyra alternativen med lika stor sannolikhet. Locket inom försöket togs alltid från ett par som presenterades omedelbart före eller efter målparet, för att kontrollera för ökande kontextförändringar över paren inom ett försök vid större uppsättningsstorlekar. Anledningen till att bara testa hälften av de presenterade paren var att vi ville undvika att upprepa något svarsalternativ över tester för att minimera beroenden mellan svaren i samma försök. Därför drogs samma försöksbeten från de ej testade paren. Entimmesexperimentet omfattade 80 försök, med 8 försök per kombination av cue-villkor (ord kontra bild cue) och uppsättningsstorlek (2,3,4,6 och 8).

2.1.3. Dataanalys

Vi analyserade data från experiment 1 med en Bayesiansk hierarkisk logistisk regression som förutsäger korrekta eller felaktiga svar i 4-AFC-testet efter minnesuppsättningsstorlek. Korrekta svar definierades som att välja målobjektet från alternativen (dvs. bete inom försök, bete med gammalt intrång, nytt bete). Vi inkluderade en slumpmässig avlyssning av deltagare och en slumpmässig lutning för den fasta effekten (dvs. fastställd storlek). Den fasta effekten sattes i storlek och ingick som en kontinuerlig prediktor i modellen. Om vi ​​hittade någon effekt med fast storlek, testade vi om den drevs av minskat minne för bindningar, vilket skulle visa sig i en ökning av sannolikheten att välja samma försöksbete framför alla de återstående alternativen. Vi implementerade detta i en Bayesiansk hierarkisk logistisk regression som förutsäger sannolikheten för fel i 4-AFC-testet separat för varje typ av fel (samma försöksintrång, gammalt intrångsdrag och nytt lockbete) efter minnesuppsättningsstorlek. Det bör noteras att de fyra beroende variablerna inte är oberoende, eftersom antalet svar för var och en av de fyra kategorierna (korrekt, intrång i samma försök, gammalt intrångsdrag och nytt lockbete) summerar till ett. Därför är en av dessa analyser överflödig. Vi rapporterar ändå alla fyra för att presentera bevisen för den fastställda storlekseffekten på varje kategori av svar på det mest transparenta sättet. Modellen implementerades i R-paketet brms (Bürkner, 2017, 2018). Regressionskoefficienterna gavs Cauchy priors med en skala på 0,353. Dessa skalor valdes eftersom dessa priors nyligen föreslogs som standardprioriteringar för modelljämförelser med logistiska modeller (Oberauer, 2019). Vi använde helt icke-informativa priors för korrelationsmatriserna, så kallade LKJ priors med formparameter 1. Vi beräknade Bayes Faktorer för att uppskatta styrkan av bevis för effekten av varje prediktor, genom att jämföra modellen inklusive den prediktorn med en modell som exkluderar den. På liknande sätt testade vi för bevis inklusive interaktionstermen som en slumpmässig effekt – där tillämpligt – och bibehöll det för efterföljande modelljämförelser om det fanns bevis för det. Modeller som exkluderade en huvudeffekt uteslöt bara dess fixerade effekt men behöll sin slumpmässiga effekt. Vi använde Bayes-faktorn för modelljämförelse, beräknad genom broprovtagaren (Gronau, Singmann, & Wagenmakers, 2017) som ingår i vapenpaketet. En BF10 större än 1 ger bevis för en effekt; en BF10 lägre än 1 ger bevis mot en effekt, och därmed bevis för nollhypotesen. Bevisstyrkan för nollhypotesen är BF01=1/BF10. En BF10 på 10 indikerar att data är 10 gånger mer sannolikt under alternativhypotesen än under nollhypotesen. Vanligtvis anses BF > 3 som ge betydande bevis för den ena hypotesen framför den andra. Vi använde en MCMC-algoritm (implementerad i Stan; Carpenter et al., 2017) som uppskattade de bakre genom att sampla parametervärden proportionella mot produkten av tidigare och sannolikhet. Dessa prover genereras genom 4 oberoende Markov-kedjor, med 1000 uppvärmningsprov vardera, följt av 50 000 prover från den bakre fördelningen som behölls för analys. Efter Gelman et al. (2013), bekräftade vi att de fyra kedjorna konvergerade till samma bakre fördelning genom att verifiera att ̂R-statistiken – som återspeglar förhållandet mellan varians mellan kedja och varians inom kedjan – var<1.02 for all parameters, and we visually inspected the chains for convergence. Further, we calculated the common estimate of the capacity of WM across our variation of set size and additional manipulations in each experiment. Based on the assumptions of discrete memory states, this estimate K is derived from the number of items remembered (Adam, Vogel, & Awh, 2017; Cowan, 2001; Zhang & Luck, 2008). For n-alternative forced choice tests of a single item, this estimate is obtained with K for the number of remembered items; N for the memory set size, P (correct) for the proportion of correct responses, and g for the chance of guessing the correct response. The chance of guessing depends on assumptions about the capacity limit and on whether the difficulty of the lures affects the probability of choosing them. If the capacity limit is a limit on all information remembered about an item, then we distinguish a state of remembering the tested item (leading to a correct response) from a state of no information about the item, in which case the person guesses with equal probability from the entire response set: Here the chance of guessing is determined by the number of response alternatives, resulting in g = 1/4. If we assume that WM capacity places a limit on binding memory but not item memory, then we can distinguish a state of remembering the item-position binding (leading to a correct response) from a state of not remembering the binding, but still having item memory available to restrict the response set to the candidates from the current list. On this assumption, guessing chooses each candidate from the current list with equal chance, leading to guessing being set to ½. Here we report K estimates based on g = ¼. because it reflects the most common assumption about capacity limits; K estimates based on g = ½ can be found in the Supplementary Material. Finally, we also computed the input-output distance of the pairs as a predictor of the probability of choosing the correct response. The input-output distance represents the number of intervening events – encoding or testing of other pairs – between the encoding of a given pair and the test of that pair. For example, if a pair in the set-size 8 condition is presented in the serial position 6, and tested first, the input-output distance would be 2. If the same pair would be tested 4th, the input-output distance would be 5. This analysis was exploratory, as we had no predictions for it, but it turned out to be informative about the division of labor between WM and episodic LTM. The data and the analysis scripts can be accessed in the Open Science Framework (https://osf.io/ymgkq).

Fig. 2. Illustration av paradigmet för experiment 1. Försökspersonerna visades sekventiellt en lista med ord-bildpar i olika uppsättningsstorlekar. Det omedelbara minnet testades för hälften av paren i slumpmässig ordning, antingen genom att peka på bilden eller ordet. Försökspersonerna var tvungna att välja mellan de fyra svarsalternativen, bestående av det korrekta föremålet, ett lockbete med samma försök, ett lockbete med gammalt försök och ett nytt föremål.

2.2. Resultat

Fig. 3 visar den genomsnittliga sannolikheten för att välja vart och ett av de fyra svarsalternativen över uppsättningsstorlekarna. Den intresserade läsaren kan också hitta den genomsnittliga andelen korrekta svar uppdelade efter cue-typ, seriell position, såväl som utgångsposition i tillägget (Fig. S2A, Fig. S 3A, Fig. S 4A). Tabell 2 listar formlerna, intraklasskorrelationer samt antalet observationer av de fullständiga modellerna för de hierarkiska logistiska regressionsmodellerna.

2.2.1. Noggrannhet

Vår första fråga var om minnesbelastning (dvs. inställd storlek) påverkade sannolikheten att välja rätt alternativ. Den Bayesianska hierarkiska logistiska regressionen avslöjade en huvudeffekt av uppsättningsstorlek (BF10=5.2 × 1010), jämfört med en modell som exkluderade dess fasta effekt. Ändå, som visas i fig. 2, minskade medelsannolikheten för att välja rätt artikel endast från setstorlekarna 2 till 4, med prestanda utjämnade mellan setstorlekarna 4 till 8. För att uppskatta bevisen för den retardationen av set- storlekseffekt kontrasterade vi modeller med olika uppsättningsstorlekskoder. Vi ersatte den linjärt sjunkande set-size-prediktorn med alternativa prediktorer, där set-size-kodning reflekterade de olika möjliga platåerna (tabell 1). Modellen som förutspådde korrekt svarssannolikhet med utjämning av fast storlek vid värden 4 och högre beskrev data bäst; jämfört med modellen som antar ett linjärt fall över alla uppsättningsstorlekar, föredrogs det med en BF10 på 8,12 × 104 (se tabell 1) för jämförelser av den linjära droppmodellen med alla möjliga platåer).

2.2.2. Typer av fel

Vår andra fråga var om denna effekt på uppsättningsstorleken drevs av minskat minne för bindningar, vilket skulle visa sig i en ökning av sannolikheten för att välja samma försöksbete framför alla de återstående alternativen. Vi använde därför en Bayesiansk hierarkisk logistisk regression som förutsäger sannolikheten för fel i 4-AFC-testet separat för varje typ av fel (intrång i samma försök, gammalt intrångsdrag och nytt lockbete) efter minnesuppsättningsstorlek. Vi fann att effekten av den inställda storleken drevs fullt ut genom att välja samma försöksbete, (BF10=9.18 × 1010), eftersom det fanns bevis mot en inställd storlekseffekt för båda andra feltyperna, att välja gamla provintrång (BF10=12.37), samt nya objekt (BF01=8.97).

2.2.3. Ingångs-utgångsavstånd

Slutligen inspekterade vi effekten av input-output avstånd på sannolikheten för att välja rätt svar. Som visas i fig. 4, återkalla

Tabell 1 Resultat av Bayesiansk hierarkisk logistisk regression som förutsäger antalet korrekta svar i experiment 1.

Obs: Alla modeller inkluderar deltagare som en slumpmässig effekt. För tester av varje inställd storleksprediktor (1–4), presenterar den första raden Bayes-faktorn (BF) för varje modell (visas i olika kolumner) över den linjära modellen [1]. Den andra raden visar BF för modellen med respektive begränsad prediktor över den bästa modellen. Modellen tryckt i fet stil är den bästa modellen jämfört med Null-modellen.

Fig. 3. Omedelbar minnesprestanda i experiment 1. Panel A visar sannolikheten för att välja rätt objekt över uppsättningsstorlekar. Panelerna B, C och D visar sannolikheten för att välja beten inom försöket, det gamla betet respektive det nya. Felstaplar representerar 95 procents konfidensintervall inom ämnet.

2.3. Diskussion

Målet med experiment 1 var att testa bindningshypotesen för bindningarna mellan objekt. Resultaten stöder bindningshypotesen, eftersom den inställda storlekseffekten uteslutande drevs av minskat minne för bindningar, vilket visade sig i en ökning av sannolikheten att välja samma försöksdrag framför alla återstående alternativ. Oväntat avtog den skadliga effekten av minnesbelastning på WM efter 4 par, med deltagare som presterade jämförbart i den omedelbara minnesuppgiften över uppsättningsstorlekarna 4, 6 och 8. Detta var förvånande, eftersom tidigare forskning konsekvent har visat att över olika WM-paradigm, noggrannheten för bindningar av objektkontext sjunker kontinuerligt – ofta på ett accelererat sätt – över ökande uppsättningsstorlekar (för en översikt: Oberauer et al., 2018: Benchmark 1.1 och Fig. 1). En inbromsande effekt av inställd storlek är inte vad vi kan förvänta oss av ett kapacitetsbegränsat minne, eftersom det innebär att allt eftersom mer information presenteras, bibehålls mer information i minnet. För att illustrera visar fig. 5A K-värdena som återspeglar antalet par som minns över uppsättningsstorlekar, vilket indikerar att kapacitetsuppskattningarna ökade kontinuerligt med uppsättningsstorleken (se tilläggsfig. S 1 för K-uppskattningar baserade på 50 procents gissningssannolikhet). En möjlig förklaring till den bromsande uppsättningsstorlekseffekten är att deltagarna förlitar sig åtminstone delvis på sin episodiska LTM för att bibehålla ord-bildbindningar, och påverkan av LTM ökar med större uppsättningsstorlekar på ett sådant sätt att prestandan planar ut vid setet. storlek 4 till 8 med en noggrannhetsnivå som kan upprätthållas med enbart LTM. Vi antar därför att vid större uppsättningsstorlekar bidrar episodisk LTM starkt till prestanda i vår WM-uppgift – i synnerhet bidrar det inte bara till objektminnet utan också till att binda minnet. För att testa denna hypotes, i experiment 2 och 3, manipulerade vi användbarheten av att förlita oss på episodiska LTM-representationer genom att inducera proaktiv interferens i ett av tillstånden. Om episodisk LTM specifikt bidrar till prestanda vid större uppsättningsstorlekar, bör effekten av proaktiv interferens (PI) endast vara närvarande vid större uppsättningsstorlekar. Däremot, vid mindre uppsättningsstorlekar, där prestanda är beroende av WM-representationer, bör PI inte ha någon effekt, eftersom WM skyddar dess innehåll mot PI (Cowan, 2005; Cowan, Johnson, & Scott Saults, 2005; Halford, Maybery, & Bain , 1988; Oberauer, Awh, & Sutterer, 2017; Wickens, Born, & Allen, 1963; Wickens, Moody, & Dow, 1981). I experiment 4 och 5 testade vi den omvända hypotesen att en distraktionsuppgift under retentionsintervallet, som selektivt bör försämra WM, påverkar prestandan endast vid korta uppsättningsstorlekar. Ett ytterligare fynd var den relativt höga prestandan vid korta ingångs-utgångsavstånd. Denna observation är förenlig med vårt antagande att WM-kapaciteten begränsas av interferens mellan bindningar, om vi gör ytterligare ett antagande: Med större uppsättningsstorlekar är de senast presenterade paren de som helst bibehålls i WM. Det kan finnas två anledningar till detta. En är att interferens i WM mestadels är retroaktivt, så tidigare presenterade par är mest skadade av interferens. Alternativt outsourcas tidigare presenterade par avsiktligt till episodiskt LTM eftersom de har längst tid för att etablera sig i episodiskt minne. På dessa antaganden är de senast presenterade paren mest tillgängliga i WM, speciellt när de testas tidigt i utdatasekvensen. Vid senare tester blir de alltmer skadade genom utmatningsstörningar från de föregående testerna, orsakade av att andra par hämtas från episodiskt minne till WM. När vi testar hypotesen att episodiskt LTM bidrar specifikt till prestanda vid större uppsättningsstorlekar i följande experiment, kommer vi därför också att undersöka om prestandan för par med korta input-output-avstånd är selektivt skyddade mot PI och är selektivt sårbara för sekundära uppgifter störningar, även vid större uppsättningsstorlekar.

Fig. 4. Sannolikhet för att välja rätt svar över Input-Output Distance och inställda storlekar i Experiment 1. Felstaplarna visar konfidensintervall mellan försökspersoner.

3. Experiment 2 och 3

I experiment 2 och 3 syftade vi till att undersöka bidraget från episodiskt LTM till vår WM-bindningsuppgift vid olika uppsättningsstorlekar. Vi testade hypotesen att LTM i högre grad bidrar till prestanda vid större uppsättningsstorlekar. I experiment 1 använde vi försöksunika stimuli, det vill säga varje ord och varje bild presenterades endast en gång i alla försök. I experiment 2 och 3 inducerade vi proaktiv interferens genom att upprepa samma ord och bilder från en sluten pool av föremål, men i nya kombinationer, och jämförde detta tillstånd med ett tillstånd med unika stimuli. Dessutom undersökte vi setstorlekar över ett större intervall (1, 2, 3, 6, 8 och 30 par i experiment 2; 2, 3, 8 och 16 par i experiment 3). Om den inbromsande effekt av uppsättningsstorlek som observerats i experiment 1 återspeglar en prestationsasymptot som bestäms av episodisk LTM, bör den sträcka sig till ännu högre uppsättningsstorlekar. I så fall bör minne för 16 eller 30 par vara på samma nivå som minne för 6 eller 8 par.

3.1. Metod

3.1.1. Deltagare

Vi samlade in data om 30 deltagare för experiment 2 (medelålder=23.21; 22 kvinnor) och data från 40 deltagare för experiment 3 (medelålder=23.0; 29 kvinnor) ).

3.1.2. Material och tillvägagångssätt

Vi testar minne för bindningar i experiment 2 vid uppsättningsstorlek 2, 3, 6, 8 och uppsättningsstorlek 30, och i experiment 3 vid uppsättningsstorlek 2, 3, 8 och uppsättningsstorlek 16 under förhållanden med och utan proaktiv interferens (PI ). Experiment 2 involverade två sessioner "a 1-h omfattande 120 försök, med 20 försök per villkor för varje liten setstorlek (2,3,6,8) och fem försök för setstorlek 30. Villkoren (PI vs. ingen PI) varierade mellan sessionerna. Ordningen på sessionerna balanserades mellan deltagarna. I PI-sessionen drogs stimuli från set med tolv ord och tolv bilder för de små uppsättningsstorlekarna (2,3,6,8), och från set med 45 ord och 45 bilder för setstorlek 30. Dessa 45 stimuli inkluderade de tolv från den slutna uppsättningen av små uppsättningsstorlekar. I no-PI-sessionen drogs stimuli igen utan ersättning från de stora uppsättningarna av Experiment 1. Förutom dessa förändringar följde paradigmet det från Experiment 1. Experiment 3 var också en tvåsession `a 1- h experiment som omfattar 208 försök, med 13 försök per tillstånd för varje uppsättningsstorlek. Förhållandena (PI vs. ingen PI) varierades mellan sessionerna, och cue (ord vs. bild cue) hölls konstant inom deltagarna (hälften av deltagarna var alltid pekade med ord och den andra hälften med bilder). PI-sessionen drogs stimuli från uppsättningar med 24 ord och 24 bilder.3 Förutom dessa förändringar följde paradigmet det från experiment 2.

3.1.3. Dataanalys

Vi analyserade experiment 2 och 3 med en Bayesiansk hierarkisk logistisk regression som förutsäger korrekta eller felaktiga svar i 4-AFC-testet genom inställd storlek och proaktiv interferens. Återigen definierades korrekta svar som att välja målobjektet från alternativen (dvs. intrång på listan, gammalt intrång, nytt). De fasta effekterna var proaktiv interferens och uppsättningsstorlek och den senare ingick i modellen som en kontinuerlig prediktor, ökande över små uppsättningsstorlekar och bromsande vid uppsättningsstorlekar 4 och större (dvs. 6,8 och 30 för Exp2, 8 och 16 för Exp. 3) såsom fastställts i Experiment 1 (dvs kodning III i Tabell 1). Modellen inkluderade en slumpmässig intercept, slumpmässiga lutningar av inställd storlek och proaktiv interferens.

3.2. Resultat

Fig. 6 och Fig. 7 visar medelsannolikheten för att välja vart och ett av de fyra svarsalternativen som en funktion av inställd storlek och proaktivt interferensförhållande, för experiment 2 respektive 3. Den intresserade läsaren kan också hitta den genomsnittliga andelen korrekta svar uppdelade efter cue-typ, seriell position, samt utdataposition i tillägget (Fig. S2B och C, Fig. S 3B och C, Fig. S 4B och C) . Tabell 2 listar formlerna, intraklasskorrelationer samt antal observationer av fullständiga modeller av de hierarkiska logistiska regressionsmodellerna.

Fig. 5. Kapacitetsuppskattningar K över uppsättningsstorlekar och förhållanden för (A) Experiment 1, (B) Experiment 2, (C) Experiment 3, (D) Experiment 4 och (E) Experiment 5.

3.2.1. Noggrannhet

Vår första fråga var om proaktiv interferens påverkade den inställda storlekseffekten på sannolikheten för att välja rätt alternativ, vilket begränsar analysen till det fastställda storleksintervallet för Experiment 1 (dvs. 2 till 8). Den Bayesianska hierarkiska logistiska regressionen avslöjade betydande bevis för en interaktionseffekt både i experiment 2 och 3 (BF10=7.81 respektive BF10=10.19) såväl som starka bevis för de huvudsakliga effekterna av ange storlek (BF10=1.19 × 1012 och BF10=2.25 × 1020) och proaktiv interferens (BF10=16.10 och BF10=406.78) över båda experiment. Det fanns en högre sannolikhet att välja rätt artikel vid en mindre jämfört med större setstorlekar och utan PI än med PI. Uppföljningsanalyser av data från experiment 2 visade att proaktiv störning endast (negativt) påverkade sannolikheten för att välja rätt alternativ för uppsättningsstorlekarna 6 och 8 (BF10=5890 respektive BF10=17.37 ), men hade ingen skadlig effekt vid uppsättningsstorlekarna 2, 3 och 4 (BF01=5.46, BF01=9.25 respektive BF01=13.27). På motsvarande sätt visade uppföljningsanalyser av experiment 3 att proaktiv störning endast (negativt) påverkade sannolikheten för att välja rätt alternativ för uppsättningsstorlek 8 (BF10=20.14) men hade ingen skadlig effekt vid uppsättningsstorlekar 2 (BF) 01=13.44) och 3 (BF01=20.61).

Fig. 6. Omedelbar minnesprestanda i experiment 2. Panel A visar sannolikheten för att välja rätt objekt över de inställda storlekarna och under förhållanden med proaktiv interferens realiserad av en liten pool av 12 objekt [PI (12)] och utan (noPI ). För inställd storlek 30 i proaktiv interferens-tillstånd visas prestanda även för stimuli från en extra pool med 33 objekt [PI(33)]. Panelerna B, C och D visar sannolikheten för att välja beten inom försöket, det gamla betet respektive det nya. Felstaplar representerar 95 procents konfidensintervall inom ämnet.

3.2.2. Typer av fel

Vår andra fråga var om den inställda storlekseffekten drevs av att man felaktigt valde samma prova, vilket speglar en effekt specifikt på bindningsminnet, och hur denna effekt påverkas av proaktiv interferens. Vi använde därför en Bayesiansk hierarkisk logistisk regression som förutsäger sannolikheten för fel i 4-AFC-testet separat för varje typ av fel (samma försöksdrag, gammalt intrångsdrag och nytt) efter inställd storlek och proaktivt interferensvillkor . Sannolikheten för att välja samma försöksbete ökade med uppsättningsstorleken i både experiment 2 och 3 (BF10=6.96 x 107 och BF10=5.06 × 1014), och det fanns heller inga bevis för en interaktion med PI (Exp. 2: BF10=0.67), eller bevis mot det (Exp. 3: BF10=0.13). I experiment 2 fanns det bevis mot en huvudeffekt av PI (BF01=76.92), medan det i experiment 3, där signalen hölls konstant inom deltagarna, fanns bevis för en huvudeffekt av PI på sannolikheten för att välja samma försöksdrag (BF10=24.39). För sannolikheten att välja ett gammalt intrångsdrag fanns det bevis för båda huvudeffekterna i båda experimenten (uppsättningsstorlek: Exp. 2: BF10=2.34 × 106; Exp. 3: BF10=1.11 × 109 och PI: Exp. 2: BF10=45.96; och Exp. 3: BF10=5.54 × 105 ). Bevisen för interaktionen var tvetydiga i Exp 2 (BF10=0.88), men ändå trovärdiga i Exp 3 (BF10=4.66). Uppföljningsanalyser visade att proaktiv interferens ökade sannolikheten för att välja det gamla provdraget för setstorlek 8 (BF10=5.41 × 106 ) men hade ingen effekt vid setstorlek 2 och vid setstorlek 3 (BF{{ 53}}.79 respektive BF01=5.73). Analysen av sannolikheten för att välja ett nytt objekt visade att försökspersonerna valde nya objekt oftare om det inte fanns någon PI (huvudeffekt BF10=48.19, BF10=2.44 × 10100). Det fanns inga bevis för en effekt av uppsättningsstorlek i Exp. 2 (huvudeffekt BF10=0.73), men ändå trovärdiga bevis i Exp. 3 (BF10=7.12 × 1012).

3.2.3. Mycket stora set

För det tredje var vi intresserade av hur uppsättningsstorlekseffekten i minnet för bindningar visar sig vid en minnesbelastning som överstiger WM-kapaciteten, nämligen vid uppsättningsstorlek 30 (exp. 2) och 16 (exp. 3), och hur proaktiv interferens påverkar detta mönster. Vi använde därför en Bayesiansk hierarkisk logistisk regression som förutsäger sannolikheten för korrekta svar för uppsättningsstorlekar 6 och 8 jämfört med uppsättningsstorlek 30 (exp. 2) och för setstorlek 8 jämfört med uppsättningsstorlek 16 (exp. 3). Experiment 2. Vi slog ihop data för uppsättningsstorlekarna 6 och 8 eftersom vår tidigare analys visade bevis mot en skillnad i prestanda mellan dessa två uppsättningsstorlekar (BF01=9.18). Prestanda för omedelbar minne skilde sig inte mellan uppsättningsstorlekarna 6, 8 (poolade) och 30 (B01=132.95). Överraskande nog fanns det bevis mot en effekt av PI vid setstorlek 30 (BF01=9711). En anledning till detta var den större poolen som användes för denna uppsättningsstorlek: Av de 45 stimuli från vilka 30 försök i set-storlek provades, användes 33 endast för försök i set-storlek 30 och förekom därför endast sällan även i PI-tillståndet, så att den totala nivån av PI var relativt godartad för den uppsättningsstorleken. Vi genomförde därför en analys som jämförde prestandan begränsad till de tolv stimuli som också inkluderades i den slutna poolen av små uppsättningsstorlekar med prestanda i den öppna poolen vid uppsättningsstorlek 30 och fann bevis mot en skillnad (BF{{30} }.08). Experiment 3. Analysen avslöjade att omedelbar minnesprestanda inte skiljde sig mellan uppsättningsstorlekarna 8 och 16 (B01=2.69). Det fanns bevis för en huvudeffekt av PI (BF10=1026.91), men bevis mot en interaktion (BF01=40.38). Vidare utvärderade vi uppskattningarna av WM-kapacitet baserat på antalet föremål som kom ihåg över uppsättningsstorlekar (Fig. 5B och C och Kompletterande Fig. S 1 B och C). Dessa överskred drastiskt vanliga uppskattningar av WM-kapacitet – cirka 4 artiklar – och nådde cirka 16 vid den högsta inställda storleken. Proaktiv interferens påverkade K-uppskattningarna endast vid större uppsättningsstorlekar, men inte vid uppsättningsstorlekar 2 och 3.

Fig. 7. Omedelbar minnesprestanda i Experiment 3. Panel A visar sannolikheten för att välja rätt objekt över inställda storlekar och under förhållanden med proaktiv interferens realiserad av en liten pool av objekt (PI) och utan (noPI). Panelerna B, C och D visar sannolikheten för att välja beten inom försöket, det gamla betet respektive det nya. Felstaplar representerar konfidensintervallet inom ämnet.

Tabell 2 Detaljer om de hierarkiska logistiska regressionsmodellerna i experiment 1–5.

3.2.4. Ingångs-utgångsavstånd

Slutligen analyserade vi effekten av proaktiv interferens på att välja rätt respons över ingångs-utgångsavståndet för paren som presenterades vid uppsättningsstorlek 6 och 8 (exp. 2) och 8 och 16 (exp. 3) – vilket överlag visade sig vara trovärdigt effekter av PI. Som kan ses i Fig. 8 och Fig. 9, påverkade inte proaktiv interferens sannolikheten att välja rätt svar för ingångs-utgångsavstånd på 1 och 2 vid dessa inställda storlekar (se Tabell 3 för BFs).

Fig. 8. Sannolikhet att välja rätt artikel i experiment 3 under förhållanden med proaktiv interferens och utan, över ingångs-utgångsavstånd och inställda storlekar. Felstaplar representerar konfidensintervallet mellan ämnena.

3.3. Diskussion

Resultaten av experiment 2 och 3 ger bevis för den större involveringen av episodisk LTM vid större uppsättningsstorlekar, vilket förklarar den minskade uppsättningsstorlekseffekten vid större uppsättningsstorlekar i dessa experiment, och i experiment 1. Specifikt påverkade proaktiv interferens endast prestandan negativt vid uppsättningen storlekarna 6, 8 och 16, men inte vid mindre uppsättningsstorlekar. Denna effekt visade sig främst som en ökning av felaktiga val av beten från tidigare försök, vilket förväntas av proaktiv interferens mellan försök: Proaktiv interferens uppstår från svårigheten att skilja mellan den relevanta aktuella prövningen och inte längre relevant information från tidigare försök (Gardiner, Craik, & Birtwistle, 1972). Under förhållanden utan proaktiv interferens, platåerade den inställda storlekseffekten vid större uppsättningsstorlekar (mellan 4 och 30), vilket replikerade experiment 1. Denna platå återspeglar förmodligen den prestationsnivå som kan uppnås genom att enbart förlita sig på episodisk LTM. Sammantaget stöder resultaten av experiment 2 och 3 uppfattningen att den inställda storlekseffekten på minnet för bindningsplatåer på grund av involveringen av episodisk LTM vid större uppsättningsstorlekar. Vidare, i det speciella fallet att de senast presenterade ett eller två par hämtas först, visade deltagarna mycket bra prestanda, som inte påverkas av PI i de större uppsättningarna (6, 8 och 16). Detta är kompatibelt med dessa objekt som hämtas från WM, utan bidrag från episodiska LTM till prestanda. Medan för ingångs-utgångsavstånd 1 kan avsaknaden av proaktiv störning tillskrivas en takeffekt, för avstånd 2 kan den inte det. Sammanfattningsvis verkar det som om prestanda vid större uppsättningsstorlekar till stor del drivs av episodisk LTM. Detta gäller särskilt för par som kodas tidigt, eller hämtas sent, eftersom interferens från mellanliggande händelser korrumperar deras WM-representationer i en grad som gör dem praktiskt taget oanvändbara, så att använda episodiskt LTM är det bästa personen kan göra.

4. Experiment 4 och 5

Nu när vi har visat bidragen från LTM till större uppsättningsstorlekar, syftade vi till att mäta bidraget från WM till uppgiften över uppsättningsstorlekarna. WM-prestanda har visat sig försämras av bearbetningen av distraktorer under retentionsintervallet (se Brown, 1958; Lewandowsky, Geiger, & Oberauer, 2008; Peterson & Peterson, 1959; och Oberauer et al., 2018 Benchmark 2.1 för en översikt ). Därför, i experiment 4 och 5, testade vi WM för bindningar över ett brett spektrum av uppsättningsstorlekar under förhållanden med antingen ingen distraktion eller distraktion mellan kodning och test. Målet var att testa förutsägelsen att en distraktorfylld fördröjning försämrar prestandan selektivt vid små uppsättningsstorlekar, där den huvudsakligen förlitar sig på WM.

4.1. Metod

4.1.1. Deltagare Vi samlade in data från 30 deltagare för experiment 4 (medelålder=23.9, 27 kvinnor) och 30 deltagare för experiment 5 (medelålder=24.05, 13 kvinnor).

4.1.2. Material och tillvägagångssätt

Paradigmet följde det från experiment 1, förutom att inkludera en 15 s distraktionsuppgift efter presentationen av paren i hälften av försöken. I de återstående försöken testades minnet efter ett 1 s ouppfyllt retentionsintervall som i experiment 1. I experiment 4 var de tvungna att bedöma med en knapptryckning om en horisontell stång passade in i gapet mellan två rutor (Vergauwe, Barrouillet och Camos , 2010) (se fig. 10 för ett exempel på stimulans). I experiment 5 omfattade distraktionsuppgiften bedömningen av huruvida aritmetiska ekvationer var korrekta eller inte (t.ex. 5 × 4=20?). Inom 15 s retentionsintervallet behövde 15 bedömningar göras, vilket resulterade i 1 s presentationstid per distraktor.4 Experiment 4 inkluderade uppsättningsstorlekarna 2, 3, 8 och 16. Experiment 5 inkluderade uppsättningsstorlekarna 2, 3, 4 och 6. Båda experimenten involverade två sessioner på en timme och omfattade 208 försök, med 13 försök per tillstånd för varje uppsättningsstorlek. Inom vart och ett av experimentets 16 block realiserades varje kombination av uppsättningsstorlek och distraktionstillstånd (med distraktion vs. ingen distraktion) två gånger; ordningen på villkoren randomiserades inom varje block. Förutom dessa förändringar följde paradigmet det från Experiment 1.

Fig. 9. Sannolikhet att välja rätt objekt i experiment 3 under förhållanden med proaktiv interferens och utan över ingångs-utgångsavstånd och inställda storlekar. Felstaplar representerar konfidensintervallet mellan ämnet.

Tabell 3 Bayes Faktorer för effekten av proaktiv interferens vid de kortaste in- och utgångsavstånden av uppsättningsstorlekarna 8 och 16, experiment 2 och 3.

Fig. 10. Exempel på stimuli för distraktionsuppgiften i Experiment 4.

4.2. Dataanalys

Vi analyserade experiment 4 och 5 med en Bayesiansk hierarkisk logistisk regression som förutsäger korrekta eller felaktiga svar i 4-AFC-testet genom inställd storlek och distraktion (ingen distraktion vs. distraktion). Vi inkluderade en slumpmässig avlyssning av deltagare och en slumpmässig lutning för uppsättningsstorlek såväl som distraktion. Dessutom uppskattade vi korrelationen mellan parametrarna för slumpmässiga effekter. De fasta effekterna var distraktion och uppsättningsstorlek och den senare inkluderades som en kontinuerlig prediktor som låg vid uppsättningsstorlekar 4 och större (dvs Exp 4: 8 och 16; Exp 5: 4 och 6) som fastställdes i experiment 1 (dvs. kodning). III i tabell 1).

4.3. Resultat

Fig. 12 och Fig. 11 visar medelsannolikheten för att välja vart och ett av de fyra svarsalternativen över de inställda storlekarna för tillstånd med distraktion och ingen distraktion, i experiment 4 respektive 5. Den intresserade läsaren kan också hitta den genomsnittliga andelen korrekta svar uppdelade efter cue-typ, serieposition samt utdataposition i tillägget (Fig. S2D och E, Fig. S 3D och E, Fig. S 4D och E) . Tabell 2 listar formlerna, intraklasskorrelationer och antalet observationer för de fullständiga hierarkiska logistiska regressionsmodellerna.

4.3.1. Noggrannhet

Vår första fråga var om distraktionspåverkade minnesprestanda differentiellt över uppsättningsstorlekar. Modelljämförelse avslöjade bevis för en interaktion mellan uppsättningens storlek och distraktion i både experiment 4 och 5 (BF01=8.73 × 108 respektive BF01=1.38 × 104) samt bevis för en huvudeffekt av uppsättningsstorlek (BF10=3.92 × 1011 och BF10=1.52 × 108 ), men bevis mot en huvudeffekt av distraktion (BF01=15.33 och BF{ {17}}.94). Uppföljningsanalyser av experiment 4 avslöjade att distraktion endast (negativt) påverkade sannolikheten för att välja rätt alternativ för uppsättningsstorlek 2, (BF10=7138), men hade ingen skadlig effekt vid uppsättningsstorlekar 3, och (poolade) 8 och 16 (BF01=4.73, BF01=51.68, respektive). På motsvarande sätt visade uppföljningsanalyser av experiment 5 att distraktion endast (negativt) påverkade sannolikheten för att välja rätt alternativ för uppsättningsstorlek 2, (BF10=12.00), men hade ingen skadlig effekt vid set storlekar 3 och (poolade) 4 och 6 (BF10=18.52, BF10=5.18). Dessutom påverkades WM-kapacitetsuppskattningen K över experiment 4 och 5 endast negativt av den distraktorfyllda RI vid uppsättningsstorlek 2 (se fig. 5D och E).

4.3.2. Typer av fel

Vår andra fråga var om den inställda storlekseffekten drevs av att man felaktigt valde samma försöksbete, som förutspåtts från bindningshypotesen, och om det fanns en interaktion med närvaron av distraktionsuppgiften. I både experiment 4 och 5 var sannolikheten för att välja samma försöksbete den enda feltypen som visade en interaktion mellan distraktion och uppsättningsstorlek (BF10=1.63 × 107 och BF10=3.{{ 8}} × 106). Uppföljningsanalyser visade att endast för uppsättningsstorlek 2 fanns en effekt av distraktion på sannolikheten för att välja samma försöksdrag (BF10=879.52 och BF10=1452), medan det fanns bevis mot denna effekt vid större uppsättningsstorlekar 3 (BF01=9.38 och BF01=333.33) och (poolade) 8 och 16 (BF01=49.24, Exp 4). I experiment 5 fanns det bevis för bättre prestanda i närvaro av en distraktionsuppgift vid (poolade) uppsättningsstorlekar 4 och 6 (BF10=256). För alla tre feltyperna fanns det bevis för en huvudeffekt av uppsättningsstorlek i båda experimenten (se tabell 4 för BFs). Vidare fanns det bevis mot den huvudsakliga effekten av distraktion för beten under samma försök och nya beten och anekdotiska bevis för en effekt av distraktion i fallet med intrång i gamla försök.

Cistanche-extraktpulver

Klicka här för att se produkter från Cistanche Improve Memory

【Be om mer】 E-post:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

4.3.3. Ingångs-utgångsavstånd

Slutligen var vi intresserade av hur distraktionsuppgiften påverkade prestandan över input-output-avstånden vid alla inställda storlekar. Specifikt tyder resultaten från de tidigare experimenten på att de sista ett eller två paren, när de testas tidigt, hämtas från WM oavsett uppsättningsstorlek. Om så är fallet, bör distraktoruppgiften selektivt försämra prestandan vid korta in- och utgångsavstånd, även för större uppsättningsstorlekar. Som visas i fig. 13 och fig. 14, påverkade distraktionsuppgiften sannolikheten att välja rätt svar för små input-output-avstånd (1, och ibland 2) vid uppsättningsstorlekar 2 och ibland 3, men inte vid uppsättningsstorlek 4, 6, 8 och 16 (se tabell 5 och tabell 6 för BFs). Detta tyder på att i det aktuella experimentet, vid större uppsättningsstorlekar, till och med paren med minimalt input-output-avstånd hämtades ofta från episodiskt LTM snarare än WM.

Fig. 11. Omedelbar minnesprestanda i experiment 5. Panel A visar sannolikheten för att välja rätt objekt över uppsättningsstorlekar. Panelerna B, C och D visar sannolikheten för att välja beten inom försöket, det gamla betet respektive det nya. Den grå linjen representerar tillståndet med en distraktionsuppgift efter kodning. Felstaplar representerar konfidensintervallet inom ämnet.

Fig. 12. Omedelbar minnesprestanda i experiment 4. Panel A visar sannolikheten för att välja rätt objekt över uppsättningsstorlekar. Panelerna B, C och D visar sannolikheten för att välja beten inom försöket, det gamla betet respektive det nya. Den grå linjen representerar tillståndet med en distraktionsuppgift efter kodning. Felstaplar representerar konfidensintervallet inom ämnet.

4.4. Diskussion

Att tillåta kodning av ord-bildpar försämrar selektivt prestandan för uppsättningsstorlek 2 men har ingen skadlig inverkan vid större uppsättningsstorlekar. Detta indikerar att WM bidrar starkare till prestanda vid den minsta setstorleken (och i viss mån fortfarande vid setstorlek 3 i Exp. 4), men vid större setstorlekar är prestandan redan till stor del eller uteslutande driven av LTM, och därför är ganska opåverkad av distraktorbearbetning under retentionsintervallet. Tillsammans med experiment 2 och 3, där proaktiv interferens selektivt skadade prestandan vid större uppsättningsstorlekar, utgör resultaten av experiment 4 och 5 en dubbel dissociation av bidragen från WM och LTM över uppsättningsstorlekar av ordpar. Under de flesta omständigheter är en dubbel dissociation ett övertygande bevis för skillnaden mellan två mekanismer eller processer, men det finns förhållanden där den slutsatsen inte är giltig. Statsspåranalys ger en mer solid grund för att bedöma bevisen för en distinktion (se Newell & Dunn, 2008, för en introduktion). Skälet är följande: Vi behöver två beroende variabler som mäter de två hypotetiska mekanismerna respektive processerna. I vårt fall antar vi att minnesprestanda vid små uppsättningsstorlekar främst återspeglar WM, medan prestanda vid större uppsättningsstorlekar återspeglar övervägande episodisk LTM. Vidare behöver vi två oberoende variabler för vilka vi bedömer deras effekt på båda beroende variablerna. Här är dessa PI-manipulation och ett distraktorfyllt retentionsintervall. Tillståndsspåret representerar förhållandet mellan de två beroende variablerna över alla experimentella förhållanden. I det aktuella fallet plottar vi prestanda vid små uppsättningsstorlekar på x-axeln och prestanda vid större uppsättningsstorlekar i motsvarande tillstånd på y-axeln (se fig. 15). Vi överväger två alternativa teoretiska scenarier. I det 1-dimensionella scenariot finns det bara en latent dimension av minnesstyrka, eller minnestillgänglighet, som avgör prestanda för alla uppsättningsstorlekar. Denna dimension påverkas mer eller mindre starkt av de två oberoende variablerna. Den latenta dimensionen översätts till prestanda av en okänd, men monotont ökande funktion. Om så är fallet bör alla punkter i tillståndsspåret ligga på en enda monotont ökande funktion. I det alternativa tvådimensionella scenariot finns det två latenta minnesdimensioner, en för WM - som främst påverkar prestanda vid små uppsättningsstorlekar - och en för episodiska LTM - som primärt påverkar prestanda vid stora uppsättningsstorlekar. En oberoende variabel kan påverka en dimension och den andra oberoende variabeln den andra dimensionen. Som ett resultat behöver datapunkterna i tillståndsspåret inte falla på en enda monoton funktion. Tillståndsspåret i fig. 15 stöder tydligt det 2-dimensionella scenariot.

5. Allmän diskussion

De aktuella resultaten ger två bidrag till vår förståelse av arbetsminnet: För det första gav vi ett nytt test av bindningshypotesen om WM-kapacitet genom att testa människors förmåga att upprätthålla bindningar mellan objekt. I fem experiment visade vi att WM-kapaciteten faktiskt begränsas till övervägande del – men kanske inte uteslutande – av antalet bindningar mellan föremål. För det andra visade vi en dubbel dissociation av bidrag från WM och episodisk LTM till prestanda i denna omedelbara minnesuppgift: Prestanda vid uppsättningsstorlekar större än 3 påverkades specifikt av proaktiv interferens - men var immun mot påverkan från en distraktorfylld fördröjning. Däremot påverkades prestanda vid uppsättningsstorlek 2 opåverkad av proaktiv interferens men skadades av en distraktorfylld fördröjning.

Fig. 13. Sannolikhet för att välja rätt objekt i Experiment 4 under förhållanden med och utan en distraktoruppgift över input-output-avstånd och inställda storlekar. Felstaplar representerar konfidensintervallet mellan ämnena.

5.1. WM-kapacitetsbegränsningar på bindningarna mellan föremål

Vårt första mål var att testa bindningshypotesen med ett nytt WM-test som dekonfunderar antalet bindningar från särdragen hos de återvinningssignaler som stimuli är bundna till. På detta sätt kan effekten av uppsättningsstorleken på prestanda mer entydigt tillskrivas kapacitetsgränsen för WM. Bindningshypotesen förutspår att med ökande uppsättningsstorlek kommer minnet för bindningar att minska, medan minnet för föremål bör vara i stort sett oförsämrat (Oberauer, 2019). I experiment 1 och 2 gav vi stöd för denna förutsägelse med en ny WM-uppgift där särskiljningsförmågan hos hämtningssignalerna – ord eller bilder – är oberoende av uppsättningens storlek. Vi visade att den inställda storlekseffekten drevs av minskat minne för bindningar, vilket visade sig i en ökning av sannolikheten att välja samma försöksdrag men inte av de återstående alternativen. Däremot påverkades föremålsminnet – vilket återspeglas i förmågan att avvisa nya beten – opåverkat av den inställda storleken. Experiment 3, 4 och 5 replikerade upptäckten att den stora majoriteten av fel som begicks vid större uppsättningsstorlekar var bindningsfel, det vill säga fel att välja ett föremål från den aktuella försöket, men som tillhörde ett annat par än det testade. Men i dessa experiment fanns det också bevis för en inställd storlekseffekt på de andra två feltyperna – att välja gamla föremål och nya föremål. Formen på dessa uppsättningsstorlekseffekter skiljde sig från den för beten inom försöket: Medan förekomsten av de senare ökade brant från setstorlek 2 till 4, och bromsade in efteråt, ökade andelen gamla och nya beten på ett grunt, ungefär linjärt sätt med inställd storlek. Denna gradvisa ökning påminner om den ganska ytliga listlängdseffekt som observerats i objektigenkänningstest av episodiska LTM (Annis, Lenes, Westfall, Criss, & Malmberg, 2015; Osth & Dennis, 2015, för recensioner och potentiella förklaringar av den effekten) . Dessutom modulerades ökningen av gamla provbeten med setstorlek av PI, vilket tyder på att det härrör från det faktum att, vid större setstorlekar, de flesta par hämtas från episodisk LTM. Ändå kan vi inte utesluta att WM-kapacitet också spelar en roll för att begränsa objektminnet vid högre uppsättningsstorlekar i experiment 3 och 4 (se Cowan, 2022). Vi drar slutsatsen att WM-kapacitetsgränsen i första hand, men kanske inte uteslutande, är en gräns för möjligheten att upprätthålla bindningar.

5.2. LTM:s bidrag till tester av WM

Baserat på det oväntade fyndet att den skadliga effekten av uppsättningsstorleken på WM bromsade efter 4 par – med deltagare som presterade jämförbart i den omedelbara minnesuppgiften över uppsättningsstorlekarna 4, 6 och 8 – undersökte vi det differentiella bidraget från LTM till vår relationella WM-uppgift . Resultaten över experiment 2–5 visade att våra manipulationer som antingen riktade WM (distraktionsfyllt retentionsintervall, Exp. 4 och 5) eller LTM (PI, Exp. 2 och 3) också påverkade olika typer av fel: Specifikt, i Experiment 4 och 5, inklusive ett distraktorfyllt retentionsintervall, ökade specifikt sannolikheten för att välja samma provbete vid det lilla setet storlek 2 – men inte vid större setstorlekar. Detta är vad vi bör förvänta oss om WM är specifikt ansvarig för att bibehålla bindningar vid små uppsättningsstorlekar och distraktoruppgiften selektivt försämrade WM. I experiment 2 och 3, som manipulerade mängden PI och därigenom användbarheten av episodiskt LTM, resulterade PI i en differentiell ökning av fel vid val av det gamla provdraget vid större setstorlekar. Detta kan förväntas eftersom PI minskar särskiljningsförmågan mellan försök i episodisk LTM, vilket gör det svårare att avgöra om en stimulans har presenterats i det aktuella eller ett tidigare försök. Ytterligare utforskande analys visade att prestanda var immun mot PI även vid större uppsättningsstorlekar när mycket få kodnings- eller hämtningshändelser ingrep mellan presentationen av ett par och dess test. Detta tyder på att de senast presenterade paren bibehålls i WM och nås från WM så länge de inte är skadade av utmatningsstörningar. Vi fann dock inte att dessa par är känsliga för en distraktionsuppgift i experiment 4 och 5, så vår slutsats om vilka par som företrädesvis upprätthålls i WM vid större uppsättningsstorlekar är fortfarande preliminär. Hur samverkar WM och episodisk LTM? Baserat på föreliggande resultat föreställer vi oss deras samarbete enligt följande: Varje på varandra följande par resulterar i aktivering av representationer av dess element (dvs. begreppen som motsvarar ordet och objektet) i det semantiska minnet. Relationen mellan dem kodas i WM genom en tillfällig bindning. Dessutom skapas ett episodiskt minnesspår som representerar elementen och deras relation som en integrerad händelse (se Cowan, 2019; Cowan & Chen, 2008). Detta innebär att objekt även i kortlistor är representerade samtidigt i både LTM och WM. När successiva par presenteras, byggs interferens mellan bindningar i WM upp. Om vi ​​antar att interferens övervägande är retroaktivt, leder detta till en gradvis förlust av tillgänglighet för tidigare par i WM. Alternativt kan interferens vara symmetrisk, men tidigare presenterade par tas bort från WM för att förhindra att de stör senare presenterade par. Hur som helst, bindningarna för de senast presenterade paren är mest tillgängliga i WM i början av testet. När ett par testas, används det givna elementet först som en hämtningssignal för att komma åt dess motsvarighet genom deras bindning i WM. Om det misslyckas görs ett försök att hämta det testade paret från episodiskt minne. Båda hämtningsförsöken bygger på ytterligare information från aktiveringen av representationer i semantiskt minne: Återaktiveringen av ett ord eller objekt genom cue-baserad hämtning – från WM eller episodisk LTM – kombineras med dess ihållande aktivering i semantiskt minne. Medan den förra bidrar med information om relationerna mellan artiklar, bidrar den senare med objektinformation. Det hjälper till att utesluta nya ord eller objekt från svarsalternativen, och i det låga PI-tillståndet hjälper det också att utesluta objekt från tidigare försök. I det höga PI-tillståndet aktiveras dock alla ord och objekt i den lilla poolen kroniskt i semantiskt minne, och därför har objektaktivering lite information. Diskriminering mellan nuvarande och tidigare försök måste förlita sig på cue-baserad hämtning, med antingen bindning i WM eller episodiska minnesrepresentationer. I den mån det förlitar sig på WM, bör vi förvänta oss att förekomsten av intrång från gamla listor ökar med uppsättningsstorleken, vilket vi fann vara fallet i tillståndet med hög PI. Som nämnts i inledningen har episodiskt LTMs bidrag till prestation i WM-uppgifter diskuterats under en tid. Icke desto mindre lämnar antagandet om ett sådant bidrag oss med en gåta: Episodisk LTM är inte begränsad av en kapacitetsgräns – så varför är prestandan i WM-tester så kraftigt begränsad? I synnerhet, varför är människors förmåga att komma ihåg information i WM-tester praktiskt taget perfekt vid uppsättningsstorlekar upp till cirka 2 eller 3, och bryts sedan ned snabbt när uppsättningsstorleken ökas ytterligare, som illustreras i fig. 1? En del av svaret är förmodligen att typiska WM-uppgifter involverar en hög nivå av proaktiv interferens mellan försök: I serie-återkallningsförsök bibehålls minnet för en order genom att binda varje listobjekt till en representation av dess listposition så att positionen kan vara används som en pekpinne för föremålet vid återkallelse (Lewandowsky & Farrell, 2008). Över försök fungerar samma positionsrepresentationer som återvinningssignaler (Fischer-baum & McCloskey, 2015), så att proaktiv interferens byggs upp i episodiskt minne: Varje position är associerad med fler och fler objekt – en från varje föregående försök – som tävlar om hämtning med målobjektet från den aktuella testversionen. På samma sätt, i de flesta uppgifter för att undersöka visuell WM, presenteras stimuli som rumsligt fördelade arrayer, och vid testet identifieras målstimuluset av dess plats. Samma, eller mycket liknande, platser återanvänds över försök, så att platser som hämtningssignaler associeras med fler och fler olika stimuli i episodisk LTM. Däremot slipper WM proaktiv interferens mellan försöken eftersom WM rensas efter varje försök, och innehållet i WM skyddas mot störningar från LTM (Oberauer, 2009b; Oberauer et al., 2017). Därför, i inställningar med hög PI över försök, kommer bidraget från episodiskt LTM troligen att vara blygsamt, och prestandan är starkt begränsad av kapaciteten hos WM, vilket leder till en brant nedgång med ökande uppsättningsstorlek. Däremot, när PI är mycket reducerad, kan människor lita på episodiska LTM för att kringgå kapacitetsgränsen för WM. Tidigare forskning har redan visat detta för omedelbara tester av objektminne (Endress & Potter, 2014). Det nya bidraget från detta arbete är att visa detta fenomen även för relationsminne: Under förhållanden utan proaktiv störning kan människor memorera 20 – och kanske fler – snabbt presenterade godtyckliga par av stimuli, som vida överstiger varje uppskattning av WM-kapacitet. Proaktiv interferens försämrar den förmågan, vilket visar att den förlitar sig på episodisk LTM. En ytterligare indikation på ett starkare bidrag från LTM till WM-uppgiften var att vid större uppsättningsstorlekar skiftade typen av fel från intrång i samma försök till gamla listintrång. Ändå kan PI ensam inte helt förklara varför den aktuella uppgiften avslöjade en mindre allvarlig begränsning av det omedelbara minnet än mer typiska WM-uppgifter. Även under förhållanden med hög PI var effekterna av uppsättningsstorlekar bortom fyra par ganska grunda, och kapacitetsuppskattningarna från de högsta uppsättningsstorlekarna – särskilt i experiment 2 – var ovanligt höga. Vi misstänker att detta kan bero på att vi använde återvinningssignaler som är relativt väl urskiljbara. De har trots allt representationer i ett högdimensionellt semantiskt (och, när det gäller bilder, även visuellt) funktionsrum. Däremot är hämtningssignalerna för typiska WM-uppgifter – i de flesta fall ordinarie listpositioner eller rumsliga platser i en array – mindre urskiljbara, eftersom de bebor en- eller tvådimensionella utrymmen, som blir allt mer trånga när uppsättningens storlek ökar. Mycket distinkta hämtningssignaler skulle kunna göra det möjligt för episodisk LTM att fungera ganska bra även inför proaktiv störning.

Fig. 14. Sannolikhet för att välja rätt objekt i experiment 5 under förhållanden med och utan en distraktionsuppgift över input-output-avstånd och inställda storlekar. Felstaplar representerar konfidensintervallet mellan ämnet.

Fig. 15. State-trace plot of the data from Experiments 2 and 4. The proportion of correct responses of each participant was averaged over low set sizes (2, 3, or 4 pairs), and high set sizes (>4 par, exklusive 30 par i experiment 2). Varje datapunkt representerar ett experimentellt tillstånd för vilket vi har ett mått på prestanda vid båda uppsättningsstorleksnivåerna. Felstaplar är 95 procents konfidensintervall för jämförelser inom ämnen.

Tabell 4 Bayes-faktorer för huvudeffekterna av uppsättningsstorlek och distraktionsuppgift i experiment 4 och 5.

Tabell 5 Bayes Faktorer för effekten av distraktoruppgiften över uppsättningsstorlekar, beroende på inmatningsutmatningsavståndet från experiment 4. Värden större än 3 representerar bevis för en effekt av distraktoruppgiften och skrivs ut i fet stil, värden under 0. 33 bevis mot en effekt.

Tabell 6 Bayes Faktorer för effekten av distraktoruppgiften över uppsättningsstorlekar, beroende på inmatningsutmatningsavståndet från experiment 5. Värden större än 3 representerar bevis för en effekt av distraktionsuppgiften och skrivs ut i fet stil, värden under 0. 33 bevis mot.

6. Sammanfattning

Den föreliggande studien ger tre bidrag till vår förståelse av arbetsminnet: För det första är WM-kapacitetsgränsen i första hand, men kanske inte uteslutande, en gräns för förmågan att upprätthålla bindningar – i det här fallet att upprätthålla bindningar mellan objekt. För det andra visade vi en dubbel dissociation av bidrag från WM och episodisk LTM till prestanda i denna omedelbara minnesuppgift: Vid uppsättningsstorlekar större än 3 bidrog LTM starkt till prestanda, medan prestanda vid uppsättningsstorlek 2 drevs av WM. För det tredje föreslår vi, och stöder empiriskt, metoder för att mäta de relativa bidragen från WM och episodisk LTM till prestanda i de omedelbara minnesuppgifter som forskare använder för att testa och undersöka WM: Proaktiv interferens kan användas som ett index på bidraget från episodiskt LTM . Omvänt kan sårbarhet för en distraktionsuppgift användas som ett index på bidraget från WM.

Cistanche-tillägg nära mig - Förbättra minnet

Referenser

Adam, KCS, Mance, I., Fukuda, K., & Vogel, EK (2015). Uppmärksamhetens bidrag till individuella skillnader i visuellt arbetsminneskapacitet. Journal of Cognitive Neuroscience, 27(8), 1601–1616.

Adam, KCS, Vogel, EK, & Awh, E. (2017). Tydliga bevis för objektgränser i visuellt arbetsminne. Kognitiv psykologi, 97, 79–97. https://doi.org/10.1016/j. cogpsych.2017.07.001

Annis, J., Lenes, JG, Westfall, HA, Criss, AH, & Malmberg, KJ (2015). Listlängdseffekten skiljer inte mellan modeller av igenkänningsminne. Tidskrift för minne och språk, 85, 27–41.

Atkinson, RC och Shiffrin, RM (1968). Människominne: Ett föreslaget system och dess kontrollprocesser. I, vol. 2, Issue C. Psychology of learning and motivation (s. 89–195). Elsevier. https://doi.org/10.1016/S0079-7421(08)60422-3.

Baddeley, AD (2012). Arbetsminne: Teorier, modeller och kontroverser. Annual Review of Psychology, 63, 1–29.

Barrouillet, P., & Camos, V. (2012). Med tiden: Temporala begränsningar i arbetsminnet. Current Directions in Psychological Science, 21(6), 413–419. https://doi.org/ 10.1177/0963721412459513

Bartsch, LM, Loaiza, VMVM, & Oberauer, K. (2019). Ligger begränsad arbetsminneskapacitet bakom åldersskillnader i associativt långtidsminne? Psychology and Aging, 34(2), 268–281. https://doi.org/10.1037/pag0000317

Beukers, AO, Buschman, TJ, Cohen, JD, & Norman, KA (2021). Är aktivitetstyst arbetsminne helt enkelt episodiskt minne? Trends in Cognitive Sciences, 25(4), 284–293.