Използва ли се дългосрочна памет във визуално-пространствена парадигма за откриване на промени?

За повече информация:ali.ma@wecistanche.com

Резюме

В тестовете наработна паметсъс словесни или пространствени материали, повтарящи същитепаметнабори в опити води до подобрена производителност на паметта. Този добре установен „ефект на повторение на Hebb“ не може да бъде показан за визуални материали в предишни изследвания. Отсъствието на ефекта на Хеб може да се обясни по два начина: или човек не успява да придобие представяне в дългосрочната памет на повтарящото сепаметкомплекти, или придобиват такивадългосрочна паметпредставителства, но не успяват да ги използват по време наработна паметзадача. В два експеримента (N1=18 и N2=30) имахме за цел да вземем решение между тези две възможности чрез манипулиране на знанията за дългосрочната памет на някои от наборите памет, използвани в задача за откриване на промени. Преди теста за откриване на промяна, участниците научиха три масива от цветове за критерий. Последвалият тест за откриване на промени съдържа както предварително научени, така и нови цветови масиви. Ефективността при откриване на промени беше по-добра при предварително научено в сравнение с нови масиви, което показва товадългосрочна паметсе използва при откриване на промени.

Ключови думи:Визуална работна памет. Дългосрочна памет. Парадигма за откриване на промени. Ефект на повторение на Хеб

Repetitio est mater studiorum - повторението е майката на изучаването. Този фундаментален принцип вероятно се прилага за всички субекти, които са способни да правят това, което наричаме „учене“; животни и хора и дори компютри. Обикновено обучението изисква повторение на някаква целева информация, умишлено или непреднамерено. При повторения невронните връзки в мозъците ни постепенно се променят, за да уловят повтарящата се информация.

Кликнете, за да използвате Cistanche за памет

Каква е ролята на работната памет за учене? Повече от 6 десетилетия няколко теоретици приемат, че краткосрочните илиработна памет(WM) - среда за временно поддържане на информация - е порталът към дългосрочната памет (LTM), където информацията се съхранява постоянно. Аткинсън и Шифрин (1968) приемат, че информацията трябва да премине през "краткосрочния склад" в LTM. Baddeley и др. (1998) предположиха, че фонологичната верига, компонент на модела на Baddeley на WM, е устройство за научаване на нови думи. Наскоро Cowan (2019) подчерта, че поддържането на информация в WM включва не само активиране на съществуващи LTM представяния, но и формиране на нови. Форсберг и др. (2020) твърдят, че ограниченият капацитет на WM представлява пречка за придобиването на нови знания в LTM.

Важен инструмент за изучаване на ролята на WM в постепенното придобиване на знания чрез повторение е така нареченият ефект на повторение на Хеб (Hebb, 1961). Ефектът на повторението на Хеб се отнася до наблюдението, че незабавното серийно извикване - общ тест на WM - постепенно се подобрява за списък с памет, който се повтаря няколко пъти в хода на експеримента (напр. Hebb, 1961; Hitch et al., 2005; Page et al., 2006). Ефектът на Hebb първоначално е наблюдаван при задача за незабавно серийно припомняне с вербални стимули (Hebb, 1961) и е специално обсъден за неговия принос към изучаването на езици (Lafond et al., 2010; Szmalec et al., 2009). Други проучвания го откриват и със значими визуални стимули като изправени лица (Horton et al., 2008) и с последователности от пространствени местоположения (напр. Couture & Tremblay, 2006; Gagnon et al., 2004; Page et al., 2006; Turcotte et al., 2005).

In contrast, several attempts to demonstrate the Hebb effect with arrays of simple visual stimuli have largely failed. In particular, no improvement of change detection—a common test of visual working memory—has been found across dozens of repetitions of the same array (Fukuda & Vogel, 2019; Logie et al., 2009; Olson & Jiang, 2004). There is some evidence for learning with a change-detection paradigm (Shimi & Logie, 2019), but it appears to require many more repetitions (>60 в това проучване), отколкото класическия ефект на Hebb, който е стабилен след около 10 повторения.

Настоящото изследване

Има две възможни обяснения за липсата на обучение на Hebb в задачата за откриване на промяна. Първо, участниците може да не успеят да придобият LTM представителства заповтаряща се паметмасиви. Второ, участниците могат да кодират многократно представените масиви в LTM, но да не успеят да използват тези LTM представяния в последващи опити за откриване на промени, използвайки отново същите масиви. Тоест, въпреки че участниците придобиват знания, с които биха могли да подобрят представянето си на повтарящи се масиви, те не го правят. Някои доказателства за последната възможност идват от две проучвания, които показват, че въпреки че откриването на промени не се е подобрило при повтарящи се масиви, участниците са успели да разпознаят повтарящите се масиви много повече от шанса в тест в края на експеримента (Fukuda & Vogel, 2019; Olson & Jiang, 2004).

В настоящото проучване ние имахме за цел да проверим дали представянията на дългосрочната памет се използват в парадигма за откриване на визуално-пространствена промяна. Създадохме LTM следи от три шестцветни целеви масива A, B и C във фаза на обучение. След това сравнихме ефективността в последващ тест на работната памет между опити, използващи един от тези целеви масиви, които очевидно са били съхранени в LTM след фазата на обучение, и опити с произволно генерирани масиви (D) без представяне в LTM. Експерименталното генериране на LTM следи извън процедурата за откриване на промени позволява разграничаване на два възможни резултата. Ако се използват тези представяния, трябва да наблюдаваме по-добра точност на откриване на промяна за научени масиви в сравнение с произволни масиви. Ако тези представяния не се използват, тогава точността на научените масиви не трябва да се различава от точността на произволните масиви.

Метод

Участници

Две различни проби участваха съответно в Експеримент 1 и Експеримент 2. За експеримент 1 извадката се състои от N=18 (маг=22.6 години, SDage=2.89) студенти от университета в Цюрих. Експеримент 2 включва N=30 (маг.=23 години, SDage=4.89) студенти от университета в Цюрих и университета в Улм, от които един човек е изключен от анализа на данните след фаза на обучение поради недостатъчно представяне във фазата на обучение (крайно N=29). Нашият избор на размери на извадката беше информиран от N от предишни проучвания на ефекта на Hebb. Решихме да увеличим размера на извадката от Експеримент 2, за да увеличим шанса си да измерим малък ефект от знанието, който може да сме пропуснали в Експеримент 1. И двата експеримента бяха рекламирани чрез листовки и електронна поща. Участниците трябваше да са на възраст между 18 и 35 години и да владеят немски език. Заинтересованите лица бяха изключени от участие, ако бяха далтонисти или имаха лошо (т.е. некоригирано) зрение.

Материали и процедура

Задачите на двата експеримента са предназначени да изучават един и същ изследователски въпрос; въпреки това бяха направени някои леки корекции на задачите след провеждането на Експеримент 1. И двата експеримента се състоят от две части. Първата беше фаза на обучение, в която участниците бяха инструктирани да научат три отделни цветови масива (означени съответно с A, B и C; за останалата част от тази статия те ще бъдат наричани „целеви масиви“). След това беше администрирана задача за откриване на промяна, в която някои опити използваха целевите масиви, а други опити използваха нови произволни масиви като набори от памети.

Експеримент 1 Фазата на обучение на Експеримент 1 започна с последователно представяне на трите цветови масива, които трябва да бъдат научени, за 10 секунди всеки. Всеки масив се състоеше от шест цветни петна, които бяха разпределени на еднакво разстояние във въображаем кръг и за да се улесни ученето, всеки масив беше съчетан с буква (съответно A, B или C) в центъра на въображаемия кръг. За всички участници цветовете за всеки масив бяха избрани на случаен принцип от извадка от 12 различни цвята (вижте Таблица 1 за RGB стойности).

След това първоначално представяне на трите масива, фазата на обучение беше приложена с помощта на класическа парадигма за откриване на промяна. Решихме да накараме участниците да научат масивите по този начин, защото искахме учебното изживяване да прилича на WM задачата. Тази процедура трябва да осигури нисък праг за използване на представянията на LTM по време на последващия WM тест, тъй като оптимизира подходящата за трансфер обработка (Morris et al., 1977).

Парадигмата за откриване на промяна, прилагана по време на фазата на обучение, е схематично представена на Фиг. 1. Тя се състои от три блока с 24 опита всеки. Във всички блокове всеки опит започваше с представяне на фиксиращ кръст за 1,000 ms, който беше центриран на екрана. След това беше представен един от трите целеви масива. Тук времето за представяне варира между трите блока. В първия блок целевите масиви бяха представени за 3500 ms, във втория блок за 2500 ms и в третия блок за 1500 ms. След представянето на целеви масив на участниците беше представен празен екран за още 1,000 ms. Впоследствие на участниците беше представена сонда от целевия масив, състоящ се от един цветен пластир в първия блок, трицветни пластири във втория блок или пълен набор от шест цветни петна в третия блок. Участниците трябваше да посочат дали представените сега цветни петна(а) съвпадат с тези на пълния масив, представен преди това на същата позиция. Времето за реакция не беше ограничено. Имаше три вида изпитания: изпитания без промяна (един и същи цветен пластир в една и съща позиция), изпитания със смяна на промяна (представен цветен пластир в друга позиция) и изпитания с произволна промяна (цветове, които не са били представени преди това в целевия масив в всяка позиция). В рамките на всеки блок имаше 12 изпитания без промяна, шест изпитания за промяна на суап и шест изпитания с произволна промяна - редът на типа изпитание беше рандомизиран. Всеки масив беше представен осем пъти на блок и техният ред беше рандомизиран. След всеки опит беше предоставена обратна връзка. Ако отговорът е правилен, на участниците се представя съобщението „Richtig!“ (Правилно!) и последва следващият процес. Ако отговорът е неправилен, на участниците се представя съобщението „Leider nicht Richtig! So siehtdiekorrekte Anordnung us:“ (За съжаление неправилно! Ето как изглежда правилният масив:) и след това отново им се представя пълният целеви масив, за да предостави друг възможност за обучение. За да се гарантира изучаването на трите целеви масива, участниците трябваше да изпълнят критерий за обучение във всеки блок, който беше минимум 19 опита с правилен отговор (от 24). Ако участниците не успяха да изпълнят този критерий, те трябваше да повторят блока, в който не успяха да го направят. Освен това, в началото на всеки блок, трите целеви масива отново бяха представени за 10 s всеки. По този начин се надявахме да предизвикаме сравнително силно LTM представяне на целевите масиви.

След като участник изпълни всички критерии на фазата на обучение, му бяха представени инструкциите за последващата задача за работна памет - а именно друга задача за откриване на промяна. Инструкциите още веднъж разясниха процедурата на тази задача и изрично посочиха, че няма да се предоставя повече обратна връзка занапред. Като цяло парадигмата за откриване на промяна силно наподобява фазата на обучение. Всеки опит започва с представяне на фиксиращ кръст за 1,000 ms на празен екран. След това беше представен шестцветен масив, но за разлика от фазата на обучение, сега времето за представяне беше 1,000 ms. След интервал на задържане от 1,000-ms, през който екранът беше празен, един цветен пластир беше показан като сонда в позицията на произволно избран елемент от масива. Отново участниците трябваше да посочат дали сега представеният цветен пластир съответства на цветния пластир на пълния шестцветен масив в същата позиция. Времето за реакция не беше ограничено. За тази задача на работната памет бяха администрирани 10 блока с по 18 опита всеки. Преди това участниците трябваше да преминат 18 практически изпитания.

От общо 180 тестови изпитвания, 90 опита представиха един от целевите масиви A, B или C (по 30 опита всеки, сега представени без техните етикети), а останалите 90 опита бяха запазени за представянето на нови масиви (D), генерирани на случаен принцип с ограничението, че не трябва да са идентични с един от целевите масиви. Преди задачата на участниците не беше казано, че предварително научените масиви могат да бъдат представени отново. В 18-те опита на блок имаше приблизително 40 процента без промяна и 60 процента с промени.1 Отново, редът на типа опит и редът на масивите бяха рандомизирани във всеки блок.

Експеримент 2 започна с подобна фаза на обучение като експеримент 1. Въпреки това, за да подобрим LTM обучението, добавихме още един блок за обучение и направихме критерия за обучение за всеки блок по-строг (най-малко 20 от 24 опита са правилни). За схематичен преглед на условията за обучение вижте Фиг. 2. Фазата на обучение сега се състоеше от четири блока с 24 опита всеки. Първите три блока бяха същите като в Експеримент 1, с изключение на това, че времената за представяне на целевите масиви във всички блокове бяха рандомизирани в диапазон между 1,000 и 5,000 ms. Четвъртият блок добави нов учебен опит: Участниците вече бяха представени само с етикети A, B или C, последвани от пълна сонда за масив. Те трябваше да посочат дали тази сонда съответства на масива, който бяха научили да свързват с представената по-рано буква. Това условие за обучение трябва да гарантира, че участниците са изградили LTM представяния на целевите масиви, които могат да извлекат въз основа на произволна реплика за извличане.

За да тестваме LTM след фазата на обучение, добавихме дискретна задача за извличане, в която на участниците бяха представени буквени знаци на целевите масиви и шест празни кръга в позициите на цветните петна. Шестте празни кръга бяха маркирани един след друг и участниците трябваше да изберат правилния цвят от набор от 12 различни цвята, представени до празния масив. След това маркираният кръг беше запълнен с избрания цвят, ако изборът беше правилен. Ако изборът беше неправилен, участниците бяха уведомени и действително правилният цвят беше попълнен. По този начин участниците отново бяха представени с пълните целеви масиви и можеха допълнително да коригират своите LTM представяния за тях.

Следващата WM фаза беше почти идентична с Експеримент 1. Намалихме времената за представяне на масивите до 250 ms. В допълнение към това съотношението на типовете сонди беше променено поради грешка в програмирането от съотношение 40:60 между сонди без промяна и сонди за промяна на приблизително 70 процента сонди без промяна и приблизително 30 процента сонди за промяна (разделени на размяна промени и случайни промени).

След WM теста участниците отново бяха представени със задачата за дискретно извличане и повторение на новия четвърти блок от фазата на обучение, с букви като знаци за целевите масиви, за да тестват своите LTM представяния на целевите масиви един последен път. Това ни позволи да сравним достъпността на целевите масиви в LTM преди и след WM задачата.

Общата процедура и за двата експеримента беше сходна. И двете тестови сесии продължиха приблизително 1,5–2 часа и участниците бяха компенсирани или с 15–22 CHF, или с частичен кредит за курса. Преди участие всички участници предоставиха информирано съгласие. Експериментите бяха наблюдавани от обучени изследователи. Задачите бяха програмирани и представени чрез PsychoPy 2 (Peirce et al., 2019). Всички задачи и стандартизирани инструкции бяха представени на компютърни екрани с Full HD резолюция (1920 × 1080 пиксела). Всички стимули бяха представени на сив фон и участниците използваха маркирани ключове (- и<) on="" standard="" keyboards="" for="" responding="" to="" the="">

И за двата експеримента, както фазата на обучение, така и WM тестът, осигуряват дихотомна зависима променлива, показваща точност. Затова анализирахме данните за WM тестовете с логистични регресионни модели, в които броят на правилните отговори беше предвиден от типа на представените масиви (т.е. научени целеви масиви срещу ненаучени произволни масиви). В допълнение към фиксирания ефект на този предиктор, пълният модел включва основен ефект на блока, термин за взаимодействие на тип масив с блок, случаен ефект на субекта (т.е. случайно прихващане), както и термин за ефектът от типовете блокове и масиви, вложени в субекти (т.е. произволни наклони). След като уточнихме пълния модел, ние го сравнихме с по-пестеливи модели, за да оценим доказателствата за всеки отделен ефект с помощта на фактори на Байс за сравнения на модели (Bürkner, 2017). Предишните стойности за моделите на логистична регресия със смесени ефекти бяха предишните стойности на Коши със скала 1/√2, получени чрез коригиране на препоръките на Gelman et al. (2008) (за повече подробности относно избора на мащаб за логистични регресионни модели, моля, вижте Oberauer, 2019). Моделите бяха оценени със 100,000 проби, генерирани чрез три независими вериги на Марков, с 2,000 проби за загряване всяка (т.е. 98,000 проби след загряване общо).

Тъй като и в двата експеримента съотношението на едни и същи опити и опити за промяна не беше балансирано, участниците можеха да развият отклонения в отговора, което би изкривило правилната мярка за пропорцията като индекс на качеството на паметта. Затова ние също така оценихме производителността чрез два модела на измерване, които разделят качеството на паметта от отклонението. Много обсъждано разделение между теориите за визуално WM е между тези, които приемат непрекъснато променяща се сила или прецизност на представянето на паметта (Ma et al., 2014; Oberauer & Lin, 2017), и тези, които приемат двоично разграничение между елементи, които се запомнят, и други, които не са (Adam et al., 2017; Zhang & Luck, 2008). За да направим и двете перспективи справедливи, ние приложихме модел за измерване на откриване на сигнал, за да измерим качеството на паметта по непрекъсната скала на различимост, и модел с висок праг за измерване на броя на запомнените елементи. По-конкретно, ние изчислихме d' (различимост) и c (критерий за реакция) от теорията за откриване на сигнали (базирана на Macmillan, 1993; Stanislaw & Todorov, 1999), където коригирахме за екстремни честоти на попадения и екстремни нива на фалшиви аларми (т.е. 0 или 1; вижте Hautus, 1995). В допълнение, ние изчислихме Pmem (вероятността участникът да е имал тествания елемент в паметта) и g (вероятност за предположение за отговор на „промяна“) от модел с висок праг (Модел 4 от Cowan et al., 2013). Всички индекси бяха изчислени както за производителност на научен, така и за случаен масив. В рамките на всеки експеримент прогнозирахме съответните индекси с помощта на линейни регресионни модели с тип масив като предиктор и случаен ефект на субекта (т.е. случайно прихващане). Тъй като индексите бяха изчислени от данни, агрегирани за всички опити, не можахме да включим блока като предиктор в тези анализи.

Резултати

Експеримент 1

Фаза на обучение В таблица 2 ние отчитаме точността за различните блокове на фазата на обучение. Седем души трябваше да повторят един от учебните блокове веднъж. Никой не трябваше да повтаря последния учебен блок, което показва добро учене. Това се вижда и от намаляващия дял на грешките от блок към блок.

Задача за работна памет След това представяме точността в блоковете на задачата за работна памет (вижте Фиг. 3). Производителността на целеви масиви беше по-добра, отколкото на произволни масиви в повечето блокове. Освен това, ние не наблюдавахме стабилно увеличение на производителността между блоковете, конкретно на целевите масиви поради техните повтарящи се презентации в блоковете, както би се очаквало, ако участниците продължат да учат тези масиви по време на задачата за откриване на промяна.

За научените масиви участниците направиха средно 9,5 процента грешки във всички блокове, докато направиха средно 13,7 процента грешки за произволните масиви. Това се равнява на стандартизиран размер на ефекта от d=−.50 с широк 95 процента CI [−1.05, .05]. Факторите на Bayes, съответстващи на сравненията на моделите за модели на логистична регресия със и без специфични ефекти, са представени в таблица 3. Само основният ефект от вида на масива беше подкрепен от този анализ, което означава, че участниците като цяло са показали по-добро представяне на научените масиви (оценки на съответните параметри може да се намери в таблица 4).

Експеримент 2

Фаза на обучение В таблица 5 ние отчитаме описателна статистика на ефективността във фазата на обучение. Двадесет и двама участници трябваше да повторят поне една от фазите на обучение, тъй като не достигнаха коригирания критерий от поне 20 правилни опита. Броят на повторенията за условието с една проба варира от 1 до 6, докато броят на повторенията за състоянието с три проби варира от 1 до 4. Въпреки това наблюдаваме ясна тенденция на подобрение в блоковете за обучение, което показва успешно обучение . Нито един участник не трябваше да повтаря последните два учебни блока.

Веднага след фазата на обучение, участниците трябваше да възпроизведат предварително научените масиви, като ръчно избират цветове за всяка позиция на масив. За общо 18 цветни петна за попълване (шест на целеви масив), участниците са имали среден правилен резултат от 67 процента (SD=47 процента). Това показва, че участниците са успели да прехвърлят знанията си за целевите масиви в друг режим на извличане (от откриване на промяна до извикване). Тази дискретна задача за извличане беше повторена след WM теста. В сравнение с първата задача за извличане, непосредствено след фазата на обучение, представянето на участниците се подобри. За тази последна дискретна задача за извличане средно 93 процента от цветните петна бяха възпроизведени правилно (SD=44.3 процента). Бейсовият t-тест за сдвоени проби по отношение на броя на правилните избори разкри слаби доказателства за по-добра производителност при втората дискретна задача за извличане в сравнение с първата (BF=3.59). Този резултат показва, че следите на LTM на целевите масиви не намаляват по време на WM теста.

И накрая, паметта на участниците за масивите беше оценена за последен път в самия край на експеримента чрез повтаряне на последния блок от фазата на обучение, където им бяха представени само знаци с букви в парадигма за откриване на промяна. Те отговориха правилно на 93 процента от 24 опита, което показва много точно и достъпно познаване на целевите масиви.

Задача за работна памет На фиг. 4 представяме производителността на блоковете на задачата за откриване на промяна. Комбинираната средна производителност на трите масива беше по-добра, отколкото за произволните масиви в по-голямата част от блоковете. Средно участниците направиха 17,5 процента грешки за научените масиви, докато направиха средно 23,4 процента грешки за произволните масиви. Това се равнява на стандартизиран размер на ефекта от d=−.55 с 95 процента CI [−.98, −.11]. В сравнение с размера на ефекта от Експеримент 1, стандартизираната средна разлика в Експеримент 2 е малко по-голяма. В допълнение, имаше тенденция предимството на целевите масиви да се увеличава през блоковете, наподобяващо ефект на Хеб.

Моля, намерете факторите на Бейс за сравненията на моделите за моделите на логистична регресия в таблица 6. Открихме решаващи доказателства за основния ефект от вида на масива. Има умерени доказателства срещу основния ефект на блока и срещу взаимодействието между двата предиктора. Крайният модел по този начин включва основния ефект от вида на масива и произволното прихващане (т.е. произволният ефект на субекта), а съответните оценки на параметрите могат да бъдат намерени в таблица 7.

Разделяне на качеството на паметта от отклонението на отговора

В таблица 8 представяме гореспоменатите индекси на измервателния модел за откриване на промяна за всеки експеримент, разделени по тип масив. В допълнение към описателната статистика, ние отчитаме съответните размери на ефекта за всеки индекс на експеримент и факторите на Бейс, отразяващи доказателствата за основния ефект на типа масив

В експеримент 1, индексът на различимост d' на участниците е по-голям при научени масиви, отколкото при произволни масиви; в експеримент 2 нямаше доказателства в подкрепа на тази разлика. Критериите за отговор (c) и в двата експеримента са сравними и показват малка пристрастност към докладване на промяна в опитите. Тъй като критериите за отговор и за двата експеримента бяха големи с една и съща величина, различните съотношения на едно и също изпитване към промяна в двата експеримента имаха малък ефект върху поведението на участниците. Открихме доказателства и в двата експеримента, че критериите за отговор са намалени за научени масиви, което означава, че тенденцията да се посочи промяна е значително по-малка за масиви с LTM представяния.

Обръщайки се към модела на измерване с висок праг, вероятността тестваният елемент да бъде в паметта, Pmem, е по-висока за научени, отколкото за ненаучени масиви и в двата експеримента. По същия начин вероятността за отгатване (g) за отгатване на „промяна“ беше намалена за научени масиви в сравнение с ненаучени масиви. Това беше особено случаят с Експеримент 2, докато доказателствата в Експеримент 1 бяха двусмислени. Взети заедно, двата модела на измерване се сближиха със заключението, че научените масиви се различават от ненаучените масиви както по отношение на качеството на паметта, така и по отклонение. Когато отклонението беше отчетено, индексът d' вече не показваше достоверен ефект от ученето в Експеримент 2. В Експеримент 1 и d', и Pmem показаха достоверен ефект от ученето. Моля, обърнете внимание, че наблюдаваните разлики във всички индекси на измервателния модел между експериментите не са съществени, както е показано от Байесовите t-тестове за несдвоени проби (съответните BF варират от .32 до 2.8)

Дискусия

С два експеримента проучихме дали информацията за визуални масиви, съхранени в дългосрочната памет, е полезна за последващо представяне в задача за откриване на промени, използваща тези масиви. Индуцирахме представяния на дългосрочната памет преди парадигма за откриване на промяна и гарантирахме, че тя е стабилно научена. В допълнение, запаметените масиви бяха допълнително повторени в хода на задачата за работна памет, позволявайки по-нататъшно обучение. Ако знанията за целевите масиви, придобити във фазата на обучение, са използвани в теста за работна памет, производителността на научените масиви трябва да е по-добра, отколкото на произволни масиви. Освен това, ако хората продължат да учат за целевите масиви чрез тяхното повторение в теста на работната памет, тогава тяхната производителност при откриване на промени постоянно ще се подобрява в хода на повторенията на масива.

Взети заедно, резултатите от двата експеримента показаха ясни доказателства за предположението, че вече съществуващите LTM представяния на визуално-пространствени стимули (т.е. цветови масиви) са полезни за работата на работната памет по време на парадигма за откриване на промяна. И в двата експеримента идентифицирахме основния ефект от вида на масива. Ефективността при откриване на промени беше по-добра при предварително научено в сравнение с нови масиви, което показва, че дългосрочната памет се използва при откриването на промени. Нямаше доказателства за по-нататъшно обучение по време на фазата на работната памет и в двата експеримента.

Защо повечето предишни проучвания не показват доказателства за обучение в задачите за откриване на промени? Нашите експерименти изключват едно обяснение, което е, че хората научават повтарящите се масиви, но не използват знанията си за решения за откриване на промени. Това оставя алтернативата хората да не научават повтарящите се масиви или поне да не ги научават достатъчно добре. Има причини да се смята, че се случва известно кумулативно обучение на повтарящи се масиви. Едната е, че Shimi и Logie (2019) откриха постепенно подобрение на откриването на промени при 60 или повече повторения на същия масив. Допълнителни доказателства идват от проучванията на Olson и Jiang (2004) и Fukuda и Vogel (2019). Въпреки че и двете проучвания не откриха ясни доказателства, че производителността на повтарящи се масиви по време на задача за откриване на промени е по-добра в сравнение с произволни масиви, участниците в двете проучвания успяха да идентифицират повтарящите се масиви по време на последващ тест за разпознаване при над шанс ниво. Това означава, че поне известно обучение за повтарящата се информация трябва да се е случило по време на експериментите, но очевидно не достатъчно, за да направи това знание полезно за откриване на промяна.

Това може да се дължи на факта, че в крайните тестове за разпознаване на тези по-ранни проучвания участниците трябваше да разграничат повтарящи се масиви от произволно съставени нови масиви, от които се различаваха по няколко елемента, докато сондите за промяна на задачата за откриване на промени се различаваха от представените масиви само в един артикул. Хората може да са придобили частични познания за повтарящия се масив - например знания за двойки или тройки цветове - което е достатъчно, за да ги разграничи от изцяло нови масиви, но рядко помага да се открие една единствена промяна. Друга възможност е, че придобитите знания за повтарящи се масиви са слаби, така че да се извличат бавно. В теста за откриване на промени може да има надпревара между извличането на току-що представения масив от WM и извличането на съответстваща следа от LTM. Ако извличането от LTM е много по-бавно от извличането от WM, рядко ще спечели състезанието. За разлика от това, в последния тест за разпознаване е наличен само LTM и следователно хората вероятно ще отделят време, за да го извлекат и използват. Така или иначе, LTM представянията, които се изграждат постепенно от изпитването на повтарящи се масиви по време на откриване на промяна, се натрупват много бавно - много по-бавно, отколкото в типичните експерименти с повторение на Hebb - и следователно не облагодетелстват ефективността при откриване на промяна, освен ако броят на повторенията не надвишава около 50. За разлика от това , знанията, придобити в отделна фаза на обучение, както в нашите експерименти, са достатъчно силни, за да бъдат полезни при откриване на промени от самото начало.

Слабата скорост на учене е в контраст със сравнително бързото учене, наблюдавано в парадигмата за повторение на Хеб с други видове материали (вербални елементи, пространствени местоположения, лица) и други процедури за тестване (т.е. серийно припомняне или реконструкция). Следователно поддържането на набор от елементи в WM не е достатъчно за насърчаване на бързото обучение. Нещо друго относно информацията, която трябва да се научи, или процедурата за тестване на WM, трябва да повлияе на скоростта на обучение. Една възможност, повдигната от Logie et al. (2009) е, че при откриване на промяна сондите за промяна се намесват в представянето на дългосрочната памет на повтарящи се масиви, като по този начин забавят ученето. Друга възможност е предложена от все още непубликувана поредица от експерименти от Souza и Oberauer (2021): Ученето на Robust Hebb за визуални масиви се наблюдава само ако всички елементи от масива са тествани при всеки опит. Възможно е LTM да се изгражда основно, когато извличаме информация от WM или LTM (Sutterer & Awh, 2016) и следователно обучението по време на откриване на промяна е бавно, тъй като всяко изпитание включва само един тест.

Заключение

Когато в LTM има силни и изчерпателни познания за визуални масиви, те се използват в задача за откриване на промяна. Липсата на типичен ефект на повторение на Hebb с визуални масиви (Fukuda & Vogel, 2019; Logie et al., 2009; Olson & Jiang, 2004) се обяснява най-добре с това, че хората не успяват да научат достатъчно силно пълните масиви за ограничен брой повторения .