за повече информация:ali.ma@wecistanche.com

Моля, щракнете тук за част 2

Benjamin Kowialiewski1,2,3 & Benoît Lemaire2 & Steve Majerus2,4 & Sophie Portrat4

Прието: 12 февруари 2021 г. / Публикувано онлайн: 25 март 2021 г.

# Авторът(ите) 2021

КликнетеCistanche UK за памет

Резюме

Поддържането на информация за серийни поръчки е основен компонент на работатапамет(WM). Много теоретични модели предполагат съществуването на специфични механизми за сериен ред. Те се считат за независими от езиковата система, поддържаща поддържането на информацията за елемента. Това се основава на проучвания, които показват, че психолингвистичните фактори силно влияят върху способността да се поддържа информацията за артикула, като оставя реда за извикване относително незасегнат. Последните базирани на език сметки обаче предполагат, че лингвистичната система може да осигури механизми, които са достатъчни за поддържане на сериен ред. Една силна версия на тези сметки постулира поддръжката на серийния ред като произтичаща от модела на активиране, възникващ в езиковата система. В настоящото проучване тествахме това предположение чрез подход за изчислително моделиране чрез прилагане на чисто базирана на активиране архитектура. Тествахме тази архитектура срещу няколко експеримента, включващи манипулиране на семантична свързаност, психолингвистична променлива, за която е доказано, че взаимодейства с обработката на серийни поръчки по сложен начин. Ние показваме, че тази базирана на активиране архитектура се бори да отчете взаимодействията между семантичното знание и обработката на серийни поръчки. Това проучване не успява да поддържа активирани дългосрочнопаметкато изключителен механизъм, поддържащ поддържане на серийни поръчки.

Ключови думи: Работещипамет. Сериен ред. Компютърно моделиране. Семантични знания

Въведение

Способността да се поддържа информация за сериен ред е основен компонент на устната работапамет(WM). Механизмите, включени в поддържането на серийния ред (т.е. последователният ред на елементите, които трябва да бъдат запомнени), се считат за независими от тези, включени в поддържането на информацията за артикула (т.е. езиковото съдържание на елементите, които трябва да бъдат запомнени). елементи). Това предположение се подкрепя от различни линии на изследване. Проучванията, изследващи влиянието на психолингвистичните фактори, като лексика, върху вербалното представяне на WM, обикновено наблюдават ефекти върху запомнянето на елементи с минимални ефекти върху запомнянето на серийния ред (Allen & Hulme, 2006; Hulme, 2003;

Катедра по психология, Цюрихски университет, Binzmühlestrasse 14, 8050, Цюрих, Швейцария

Университет на Лиеж, Лиеж, Белгия

Laboratoire de Psychologie et NeuroCognition (LPNC), Université Grenoble Alpes, Bâtiment Michel Dubois пред. BSHM, 1251 Avenue Centrale, 38400 Saint-Martin-d'Hères, Франция

Фонд за научни изследвания – FRS-FNRS, Брюксел, Белгия

Romani, Mcalpine, & Martin, 2008; Roodenrys, Hulme, Lethbridge, Hinton, & Nimmo, 2002; Saint-Aubin & Ouellette, 2005; Walker & Hulme, 1999). Освен това ефективността на серийното припомняне на реда е по-силно повлияна от ритмични и артикулационни интерфериращи задачи, отколкото от поддържането на информация за предмета (Gorin, Kowialiewski, & Majerus, 2016; Henson, Hartley, Burgess, Hitch, & Flude, 2003). Невропсихологичните проучвания също съобщават за съществуването на двойна дисоциация между серийния ред и ефективността на припомняне на предмети при няколко пациенти с мозъчни увреждания и популации, засегнати от разстройства на неврологичното развитие (Brock & Jarrold, 2005; Majerus, Attout, Artielle, & Kaa, 2015; Martinez Perez , Poncelet, Salmon, & Majerus, 2015). И накрая, поддържането на информация за артикули и серийни поръчки се поддържа от различни невронни субстрати, както се съобщава от проучвания за невростимулация и невроизобразяване (Attout, Fias, Salmon, & Majerus, 2014; Guidali, Pisoni, Bolognini, & Papagno, 2019; Kalm & Norris , 2014; Majerus et al., 2010; Papagno et al., 2017).

В същото време други проучвания предполагат, че припомнянето на серийния ред може също да взаимодейства с лингвистичните знания. Въпреки че лексикалните познания силно подобряват припомнянето на информацията за елемента, то също така ограничава грешките при миграция на фонеми в рамките на и между елементите (Jefferies, Frankish, & Lambon Ralph, 2006). По същия начин, не-думи, дори ако са по-лошо припомнени в сравнение с думите на ниво елемент, могат да покажат относително предимство по отношение на извикването на серийния ред (Fallon, Mak, Tehan, & Daly, 2005; Kowialiewski & Majerus, 2018; Saint-Aubin & Poirier , 1999). Наскоро Калм и Норис (2014) показаха, че серийният ред на не-думи може да бъде декодиран въз основа на невронни модели, предизвикани в дорзалните езикови пътища, поддържащи кодирането и поддържането на вербална информация. По подобен начин, Papagno et al. (2017) показаха, че ефективността на припомняне на сериен ред намалява в сравнение с ефективността на припомняне на предмети, когато задната част на дорзалния езиков път се стимулира чрез директна електрическа стимулация при неврохирургични пациенти.

На теоретично ниво се твърди, че временното поддържане на информация за серийна поръчка може да се извърши без необходимост от специфичен артикул и нива на представяне на серийна поръчка (Acheson & MacDonald, 2009; Jones & Macken, 2018; Schwering & MacDonald, 2020). ). Силна версия на такъв акаунт счита, че информацията за серийния ред се поддържа изключително чрез модела на активации, възникващи в рамките на езиковата система (Acheson, MacDonald, & Postle, 2011; Martin & Saffran, 1997; Poirier, Saint-Aubin, Mair, Tehan , & Толан, 2015). Например, според Martin & Saffran (1997, стр. 672):

„По принцип процесите на интерактивно активиране също биха могли да играят роля в поддържането на сериен ред. Възелът на думата, представляващ първата дума в последователност, е първичен и следователно има повече време да получи подкрепа от активирани фонологични и семантични представяния в сравнение с възлите, които са първични по-късно в последователност.Така възлите на думата трябва да показват градиент на нивата на активиране в серийните позиции.[…] Ефектите на актуалност при припомнянето на supraspan отразяват увеличената фонологична подкрепа, която се дължи на факта, че по време на припомнянето, нивата на активиране на крайните елементи са били по-малко засегнати от функцията на разпад, присъща на модела на активиране."

Cistanche може да подобри паметта

По същия начин Acheson et al. (2011, стр. 45–46) предполагат, че грешките в серийното подреждане могат да възникнат директно чрез относителното ниво на активиране на даден елемент в езикова мрежа:

„Тези интерактивни рамки за активиране предоставят потенциално обяснение за това как семантичното представяне може да повлияе на реда на плановете за изказване на лексикално ниво. Когато някой чуе дума или последователност от думи, активирането от този вход едновременно се подава към фонологични представяния и се връща обратно към семантични представяния, както и. След първоначалното кодиране, лексикалното активиране се определя от повтарящо се взаимодействие със семантични и фонологични представяния. Грешки в серийното подреждане възникват, когато относителните нива на активиране на лексикалните единици се променят поради това взаимодействие."

Въз основа на тази идея Poirier et al. (2015) разработиха по-подробно описание на такива модели, наречени ANet акаунт. Според този разказ елементите в списъка за запомняне са последователно кодирани в езиковото дългосрочнопаметсистема с намаляваща сила след градиент на активиране1, както е показано на Фиг. 1. Информацията за серийния ред се поддържа чрез този градиент на активиране. Серийното извикване се извършва чрез избиране на най-силно активирания елемент при всеки опит за извикване. Тъй като механизмът за избор е шумен, в крайна сметка възникват грешки в серийния ред. Важна прогноза от този модел е, че модифицирането на нивото на активиране на елемент в езиковата система също трябва да повлияе на модела на грешки при серийно подреждане в WM (Achesonetal., 2011).

Последните доказателства изглежда подкрепят тази теоретична позиция. Poirier et al. (2015) манипулират семантичното свързване, като представят триплети от семантично свързани елементи в първата половина на списъците за запомняне. Следващите елементи от списъците бяха семантично несвързани в контролното условие (напр. офицер–бадж– сирена– музика – турист – жълто). В експерименталното състояние петият елемент беше семантично свързан с тройния десет от първата половина на списъка. В сравнение с контролното условие, авторите наблюдават увеличение на миграционните грешки на петия елемент към по-ранни серийни позиции, т.е. към семантично свързаните триплети от думи. Авторите предполагат, че тъй като тези семантично свързани триплети са били предварително активирани, семантично свързаната цел (т.е. чрез разпространение на активиране в рамките на семантичната мрежа ), тази цел трябва да има по-високо ниво на активиране в експерименталните условия (Фиг. 1c) в сравнение с контролните условия (Фиг. 1b). Тъй като извикването на информация за серийна поръчка се извършва чрез избиране на най-активирания елемент, градиент на активиране в дългосрочен планпаметтеоретично може да предвиди повече миграции на семантично свързаната цел към по-ранни серийни позиции. Като такова, манипулирането на семантичната свързаност е критичен и директен тест на моделите, базирани на активиране, тъй като се предполага, че променя относителния модел на активиране, възникващ в рамките на езиковата система. Това относително активиране на свой ред трябва да повлияе на обработката на информацията за серийни поръчки (Acheson et al., 2011), което данните на Poirier и колегите изглежда поддържат. Това наистина беше основна прогноза от техния акаунт в ANet:

„В експеримент 1 манипулирахме нивото на активиране на целеви артикул, за да тестваме прогнозата, че това ще увеличи грешките в поръчката за този артикул, правейки вероятно механизмът CQ [Competitive Queuing] да избере този артикул по-рано поради повишеното му активиране; това ранният избор би означавал, че активирането е повлияло на реда, в който елементите са били извикани." (Poirier et al., 2015, стр. 492).

Фиг. 1 Илюстрация на градиента на активиране (a) в семантично несвързано състояние, (b) в състояние, в което елементи A, B и C са семантично свързани, и (c) в състояние, в което елементи A, B, C и E са семантично свързани. Семантично свързани елементи са маркирани със звездичка. Както може да се види, наличието на семантична свързаност повишава нивото на активиране на елемента за свързаните елементи

Като се има предвид, че тази теоретична сметка е в ярък контраст с по-голямата част от изчислителните модели на WM, поставящи различни нива на обработка на артикули и серийни поръчки, целта на настоящото изследване беше да се тества изчислителната правдоподобност на чисто активираща лингвистична сметка за представяне на сериен ред информация в WM контекст. Повечето изчислителни модели на WM наистина изрично предполагат съществуването на механизми за серийна поръчка, които са различни от тези, включени в информацията за артикулите. Такъв е например случаят по отношение на архитектурите TBRS* и SOB-CS (Oberauer & Lewandowsky, 2011; Oberauer, Lewandowsky, Farrell, Jarrold, & Greaves, 2012), но също така и изчислителните модели на Burgess и Hitch (1999, 2006) и Браун, Хълм и Прийс (2000). Тези типове архитектури считат, че информацията за серийната поръчка се поддържа чрез създаване на асоциации на позиция на артикул, като позициите се представят от специфични механизми за представяне. Тези модели, въпреки че силно се различават по естеството на представянето на серийната позиция, надеждно възпроизвеждат важни феномени на серийния ред, включително ефекти на първичност и актуалност и модели на грешки при транспониране.

което е критичен психолингвистичен фактор за тестване на правдоподобността на чисто базирана на активиране архитектура. За да прегледаме изчислителната архитектура, първо приехме, че информацията за серийния ред се поддържа чрез градиент на Primacy на активиране в дългосрочен планпамет(Martin & Saffran, 1997; Page & Norris, 1998; Poirier et al., 2015). След това адаптирахме тази архитектура чрез добавяне на странични възбуждащи връзки за моделиране на семантични ефекти.

Cistanche може да подобри паметта

Компютърно моделиране

Архитектура

Архитектурата, която използвахме, е модел на свързване, съставен от един слой. Когато е кодиран, даден елемент става активен. Предполага се, че това активиране става директно в базата от знания за дългосрочната памет. Семантично свързани елементи са свързани чрез директни двупосочни възбуждащи връзки, чиято правдоподобност за моделиране на семантични ефекти в WM вече е демонстрирана в три независими модела (Haarmann & Usher, 2001; Kowialiewski & Majerus, 2020; Kowialiewski, Portrat, & Lemaire , 2021). Елементите се активират последователно с намаляваща сила, като се използва градиент на активиране. Всеки кодиран елемент автоматично разпространява активирането към другите семантично свързани елементи. Извикването се извършва чрез последователно извличане на всеки елемент според стойността му за активиране. За простота използвахме последното изпълнение на модела Primacy, което беше предоставено от Norris, Kalm и Hall (2020). Нашата реализация на Julia на предлаганата от нас архитектура е свободно достъпна в Open Science Framework (OSF): https://osf.io/9e4hu/.

Кодиране В оригиналния модел на Primacy кодирането следва градиент на активиране, който обозначаваме V. Това се определя от пикова стойност, , и стойност на стъпка, . Стойността е свободен параметър и представлява началната стойност, с която е свързан първият елемент. Стойността представлява степента на изчерпване от стойността на всеки етап на кодиране. Този параметър е фиксиран на 1. Например, дадена стойност 20, градиентът на активиране е [20, 19, 18, 17, 16, 15] за списък с шест елемента. Имайте предвид, че репетицията никога не се моделира изрично в модела Primacy. Това включва последното внедряване от Норис и колеги. Активирането в рамките на модела просто се извлича от това, което би се очаквало, ако теоретично се случи репетиция.

Разпространяващо се активиране По време на кодиране, активирането се разпространява към семантично свързани възли. Това се моделира чрез включване на двупосочни възбудителни връзки. Силата на тези връзки е свободен параметър, λ. На всеки етап на кодиране елементите се активират с помощта на градиента на активиране V. След това активирането се разпространява двупосочно в мрежата:

където Ai представлява крайната стойност на активиране, свързана с елемент i, и Aj е активирането, идващо от всеки семантично свързан елемент, j, мащабирано от теглото на връзката, λ. Долният индекс t представлява клеймото за време.

Важно е да се отбележи, че не възнамеряваме изрично да представяме семантично знание. Това, което възнамеряваме да представим чрез този принцип на разпръснато активиране, е фактът, че семантично свързаните елементи се активират повторно взаимно. На свой ред това повторно активиране трябва да промени относителното активиране на артикула и следователно модела на грешки в серийния ред (Acheson et al., 2011). С други думи, модифицирането на относителното ниво на активиране на елементите в семантичната мрежа също променя вътрешното представяне на модела на техния сериен ред.

Извикване След като всички елементи са кодирани, моделът трябва да ги извлече. Това се прави с помощта на конкурентен механизъм за опашка.2 Извикването е процес в две стъпки.

2 Poirier и колеги предложиха конкурентният механизъм за опашка като моделиран с помощта на акумулаторен модел, следвайки Hurlstone и Hitch (2015). Ние внедрихме такъв конкурентен механизъм за опашка, базиран на акумулаторни принципи (налични на OSF). Това не осигури никакво подобрение на модела, с изключение на това, че моделът на акумулатора предоставя допълнителна възможност за правене на прогнози за закъсненията при извикване, което е извън целта на това проучване. Затова просто останахме с последната налична реализация на модела Primacy.

Първо, даден елемент се избира като потенциален кандидат. Този процес е обект на шум:

Това се моделира чрез добавяне на временен нулев централен произволен шум на Гаус към активирането на всеки елемент със стандартно отклонение на σ, свободен параметър. След това се избира най-активираният елемент. Потискането на реакцията (Duncan & Lewandowsky, 2005) вече се случва на този етап, чрез настройка на извикания елемент на много ниска стойност (т.е. -999). Това не позволява на модела да извика елемент два пъти. Второ, стойността на активиране на избрания елемент се сравнява с праг за пропускане. Този праг се извлича от произволно разпределение на Гаус N(θ, σ′), където θ и σ′ са два свободни параметъра. Ако стойността на активиране на избрания елемент (без шума, добавен по време на първата стъпка) е над прага за извличане, елементът се извиква правилно. В противен случай се получава пропуск. Трябва да се отбележи, че тази реализация предполага, че потискането на отговора винаги се прилага по време на първата стъпка на извличане, независимо дали е бил произведен пропуск по време на втората стъпка. Този избор на изпълнение от Norris et al. (2020) е малко вероятно да бъде правдоподобен. Но от опита, който натрупахме чрез пускането на модела много пъти, това е единственият начин, по който моделът Primacy може да генерира грешки при пропуски, докато моделира реалистични серийни позиционни криви. Обърнете внимание, че е възможно да се създадат реалистични серийни позиционни криви, като същевременно се избягва този проблем с внедряването, без да се засягат основните допускания на модела. Ние обаче предпочетохме да се придържаме към оригиналната реализация за опростяване. До момента на всеки следващ опит за изтегляне всички елементи са се разпаднали:

където D е свободен параметър, вариращ от 0 до 1. Поради този параметър на затихване, елементите, извикани по-късно в списъците, са по-подложени на шум, тъй като стойностите на активиране се сближават към асимптота. Всички параметри на модела са изброени в табл

1. Метод

Набори от данни Валидността на този модел беше тествана върху три различни набора от данни: два набора от данни (Kowialiewski et al., 2021; Kowialiewski & Majerus, 2020), които включват семантични и неутрални условия (т.е. неутралното условие е семантично несвързано условие ), и данните от Poirier et al. (2015), които вече описахме във въведението. Моделът се основава на няколко параметъра, които частично зависят от задачата. Следователно параметрите бяха оценени независимо за всеки набор от данни. Първо, параметрите, които не зависят от семантичната свързаност, бяха оценени въз основа на неутралното

състояние, за да се получи базов модел, който би могъл да възпроизведе стандартна производителност при серийно извикване. Второ, семантичното условие беше използвано за оценка на параметъра λ, който контролира нивото на семантична свързаност между елементите.

Обща процедура за точкуване Кривите на серийната позиция се начертават с помощта на строг критерий за серийно извикване, при който даден елемент се оценява като правилен само ако е извикан на правилната серийна позиция. Например, като се има предвид целевата последователност „Елемент1 – Елемент2 – Елемент3 – Елемент4 – Елемент5 – Елемент6“ и резултатът за извикване „Елемент1 – Елемент2 – празно – Елемент3 – Елемент4 – Елемент6“, само елементи 1, 2 и 6 ще бъдат оценени като правилно. За да напаснем експерименталните данни, ние също използвахме критерий за припомняне на артикул, при който даден артикул се оценява като правилен, ако е правилно извикан, независимо от неговата серийна позиция. В примера, споменат по-горе, точки 1, 2, 3, 4 и 6 ще бъдат оценени като правилни. За да оценим цялостното въздействие на семантичната свързаност върху ефективността на припомняне на поръчката, ние изчислихме оценка за припомняне на поръчка за всяко експериментално условие. Това беше направено чрез разделяне на броя пъти, когато елементите са били извикани в правилната позиция (т.е. строг критерий за серийно извикване) на броя пъти, когато елементите са били извикани, независимо от тяхната серийна позиция (т.е. критерий за извикване на артикул).

Степен на транспониране Моделът на грешките при транспониране в Poirier et al. (2015) проучването е начертано с помощта на проценти на транспониране. Изчислихме броя на грешките при транспониране, възникнали за елемент 5 (който е семантично свързан или не с елементи 1, 2 и 3) и за всяка позиция, към която елемент 5 може да мигрира. След това разделихме този брой грешки при транспониране на общия брой извиквания на елемент 5. Това беше изчислено отделно за всяко експериментално условие.

Оценка на параметрите Оценката на основните параметри на модела беше извършена с помощта на симулиран алгоритъм за отгряване

(French & Kus, 2008; Kirkpatrick, Gelatt, & Vecchi, 1983), за да се намери най-ниската средна квадратична грешка (RMSE) между експериментални и симулирани серийни резултати за припомняне на позицията, и при двете стриктни и критерии за изземване на артикул. Поради това RMSE винаги се изчислява върху 12 точки от данни: шест точки от данни за стриктния критерий за припомняне на серийни данни и шест точки от данни за критерия за припомняне на артикул. Долните и горните граници на всеки свободен параметър са докладвани в таблица 1. Оценката на семантичния параметър λ беше много по-проста и изискваше само търсене в мрежата в [0,0.1] със стъпка от 0.0001. Важно е, че λ винаги се оценява, като същевременно се запазват основните параметри на модела постоянни. След това беше използвана стойността на λ, която произвежда най-малката средна разлика между неутралното състояние и експерименталното състояние спрямо емпиричните данни. Идеята беше да се избере стойността на λ, която създава разлика между неутралните и експерименталните резултати, подобни на човешките. Това беше операционализирано чрез минимизиране на разликата между средната разлика при хора и средната разлика на модела. Сега представяме трите набора от данни, както и симулациите на тези съответни експерименти. В таблица 2 е предоставено обобщение на различните експериментални условия с примери от списък с изследвания.

Оценка на модела

Набор от данни №1: Kowialiewski и Majerus (2020)

Данни Този набор от данни беше използван за оценка на способността на модела да възпроизвежда цялостното въздействие на семантичната свързаност върху производителността при серийно извикване и производителността при извикване на поръчка. Добре установено е, че семантичната свързаност силно подобрява ефективността на припомнянето на ниво елемент (вижте Kowialiewski & Majerus, 2020, за мета-анализ). Семантичната свързаност също има малко вредно въздействие върху способността за извикване на информация за серийна поръчка, въпреки че ефектът е фин (вижте също

Ишигуро и Сайто, 2020 г.). Съответно, ние очакваме архитектурата да има малко или никакво влияние върху производителността при извикване на поръчки. Използвахме данните, докладвани в Kowialiewski и Majerus (2020), където те манипулираха семантичната свързаност на списъци с шест елемента при смущаващи условия или при незабавни задачи за серийно извикване. Докладвани са само резултатите от последното състояние.