для получения дополнительной информации:ali.ma@wecistanche.com

Пожалуйста, нажмите здесь, чтобы перейти к части 2

Бенджамин Ковилевски1,2,3 и Бенуа Лемер2 и Стив Майерус2,4 и Софи Портрат4

Принято: 12 февраля 2021 г. / Опубликовано онлайн: 25 марта 2021 г.

# Автор(ы) 2021

НажмитеЦистанхе Великобритания на память

Абстрактный

Ведение информации о серийных заказах является основным компонентом рабочего процесса.Память(ВМ). Многие теоретические модели предполагают существование определенных механизмов последовательного порядка. Они считаются независимыми от лингвистической системы, поддерживающей обслуживание информации об элементе. Это основано на исследованиях, показывающих, что психолингвистические факторы сильно влияют на способность сохранять информацию об объекте, оставляя порядок припоминания относительно незатронутым. Однако недавние отчеты, основанные на языке, предполагают, что лингвистическая система может предоставить механизмы, достаточные для поддержания последовательного порядка. Сильная версия этих описаний постулирует поддержание последовательного порядка как возникающее в результате паттерна активации, происходящего в лингвистической системе. В настоящем исследовании мы проверили это предположение с помощью подхода вычислительного моделирования, реализовав архитектуру, основанную исключительно на активации. Мы протестировали эту архитектуру в нескольких экспериментах, связанных с манипулированием семантическим родством, психолингвистической переменной, которая, как было показано, сложным образом взаимодействует с обработкой последовательного порядка. Мы показываем, что эта архитектура, основанная на активации, с трудом учитывает взаимодействие между семантическими знаниями и обработкой последовательного порядка. Это исследование не поддерживает активированные долгосрочныеПамятькак эксклюзивный механизм поддержки последовательного обслуживания заказов.

Ключевые слова: РаботаПамять. Серийный заказ. Компьютерное моделирование. Семантические знания

Введение

Способность поддерживать последовательную информацию о заказах является основным компонентом вербальной работы.Память(ВМ). Механизмы, участвующие в поддержании последовательного порядка (т. е. последовательного порядка элементов, подлежащих запоминанию), считались независимыми от механизмов, участвующих в поддержании информации об элементах (т. е. лингвистического содержания подлежащих запоминанию элементов). Предметы). Это предположение подтверждается различными направлениями исследований. Исследования, изучающие влияние психолингвистических факторов, таких как лексика, на вербальную производительность WM, обычно наблюдают влияние на припоминание элементов с минимальным влиянием на припоминание последовательного порядка (Allen & Hulme, 2006; Hulme, 2003;

Факультет психологии, Цюрихский университет, Binzmühlestrasse 14, 8050, Цюрих, Швейцария

Льежский университет, Льеж, Бельгия

Laboratoire de Psychologie et NeuroCognition (LPNC), Université Grenoble Alpes, Batiment Michel Dubois prev. BSHM, 1251 Avenue Centrale, 38400 Сен-Мартен-д'Эр, Франция

Фонд научных исследований – FRS-FNRS, Брюссель, Бельгия

Романи, Макалпин и Мартин, 2008 г .; Руденрис, Халм, Летбридж, Хинтон и Ниммо, 2002 г .; Сент-Обен и Уэллетт, 2005 г .; Уокер и Халм, 1999). Кроме того, ритмические и артикуляционные мешающие задания сильнее влияют на выполнение последовательного припоминания порядка, чем на сохранение информации об элементе (Горин, Ковялевски и Майерус, 2016; Хенсон, Хартли, Берджесс, Хитч и Флюд, 2003). Нейропсихологические исследования также сообщили о наличии двойных диссоциаций между последовательным порядком и эффективностью припоминания предметов у нескольких пациентов с травмами головного мозга и групп населения, страдающих нарушениями развития нервной системы (Brock & Jarrold, 2005; Majerus, Attout, Artielle, & Kaa, 2015; Martinez Perez). , Poncelet, Salmon, & Majerus, 2015). Наконец, сохранение информации об элементах и ​​серийных заказах поддерживается различными нейронными субстратами, о чем свидетельствуют исследования нейростимуляции и нейровизуализации (Attout, Fias, Salmon, & Majerus, 2014; Guidali, Pisoni, Bolognini, & Papagno, 2019; Kalm & Norris). , 2014; Majerus et al., 2010; Papagno et al., 2017).

В то же время другие исследования предполагают, что припоминание последовательного порядка также может взаимодействовать с лингвистическими знаниями. Хотя лексические знания значительно улучшают запоминание информации об элементах, они также ограничивают ошибки миграции фонем внутри и между элементами (Jefferies, Frankish, & Lambon Ralph, 2006). Точно так же неслова, даже если они хуже запоминаются по сравнению со словами на уровне элемента, могут демонстрировать относительное преимущество в запоминании последовательного порядка (Fallon, Mak, Tehan, & Daly, 2005; Kowialiewski & Majerus, 2018; Saint-Aubin & Poirier). , 1999). Недавно Калм и Норрис (2014) показали, что последовательный порядок не-слов может быть декодирован на основе нейронных паттернов, возникающих в дорсальных речевых путях, поддерживающих кодирование и сохранение вербальной информации. Точно так же Папаньо и соавт. (2017) показали, что эффективность последовательного припоминания заказов снижается по сравнению с производительностью припоминания предметов, когда задняя часть спинного речевого пути стимулируется с помощью прямой электрической стимуляции у нейрохирургических пациентов.

На теоретическом уровне утверждалось, что временное обслуживание информации о серийных заказах может выполняться без необходимости в уровне представления конкретных элементов и серийных заказов (Acheson & MacDonald, 2009; Jones & Macken, 2018; Schwering & MacDonald, 2020). ). Сильная версия такого подхода предполагает, что информация о последовательном порядке поддерживается исключительно посредством схемы активаций, происходящих в лингвистической системе (Acheson, MacDonald, & Postle, 2011; Martin & Saffran, 1997; Poirier, Saint-Aubin, Mair, Tehan). и Толан, 2015). Например, согласно Martin & Saffran (1997, стр. 672):

«В принципе, интерактивные процессы активации также могут играть роль в поддержании последовательного порядка. Словесный узел, представляющий первое слово в последовательности, загружается первым и, следовательно, имеет больше времени для получения поддержки от активированных фонологических и семантических представлений по сравнению с узлами, которые загрунтованы. позже в последовательности. Таким образом, словесные узлы должны демонстрировать градиент уровней активации в последовательных позициях.[ … ] Эффекты недавности в воспроизведении над промежутком отражают повышенную фонологическую поддержку, которая обусловлена ​​тем фактом, что во время припоминания уровни активации на конечные элементы меньше повлияла функция распада, присущая модели активации».

Цистанхе может улучшить память

Точно так же Acheson et al. (2011, стр. 45–46) предположили, что ошибки последовательного порядка могут возникать непосредственно из-за относительного уровня активации элемента в языковой сети:

«Эти интерактивные схемы активации обеспечивают потенциальное объяснение того, как семантическая репрезентация может влиять на порядок планов высказывания на лексическом уровне. также семантические репрезентации. После первоначального кодирования лексическая активация определяется повторяющимся взаимодействием с семантическими и фонологическими репрезентациями. Серийные ошибки упорядочения возникают, когда относительные уровни активации лексических элементов изменяются из-за этого взаимодействия».

Основываясь на этой идее, Poirier et al. (2015) разработали более подробное описание таких моделей, названное учетной записью ANet. Согласно этой версии, элементы в списке, который нужно запомнить, последовательно кодируются в лингвистическом долговременном коде.Памятьсистема с уменьшающейся силой вслед за градиентом активации,1 как показано на рис. 1. Информация о последовательном порядке сохраняется через этот градиент активации. Последовательное воспроизведение выполняется путем выбора наиболее сильно активированного элемента при каждой попытке воспроизведения. Из-за шумного механизма выбора в конечном итоге возникают ошибки последовательного порядка. Важным предсказанием этой модели является то, что изменение уровня активации элемента в лингвистической системе должно также влиять на характер ошибок последовательного упорядочения в WM (Achesonetal., 2011).

Недавние данные, кажется, поддерживают эту теоретическую позицию. Пуарье и др. (2015) манипулировали семантической связью, представляя триплеты семантически связанных элементов в первой половине списков, которые необходимо запомнить. Последующие пункты списков были семантически несвязанными в контрольном условии (например, офицер-значок-сирена-музыка-турист-желтый). В условиях эксперимента пятый пункт был семантически связан с тройкой первой половины списка. По сравнению с контрольным состоянием авторы наблюдали увеличение ошибок миграции пятого элемента в сторону более ранних серийных позиций, то есть в сторону семантически связанных триплетов слов. ), эта мишень должна иметь более высокий уровень активации в экспериментальных условиях (рис. 1в) по сравнению с контрольными условиями (рис. 1б). Поскольку вызов информации о последовательном порядке осуществляется путем выбора наиболее активируемого элемента, градиент активации в долгосрочной перспективеПамятьтеоретически может предсказать большее количество миграций семантически связанной цели к более ранним серийным позициям. Таким образом, манипулирование семантическим родством является критической и прямой проверкой моделей, основанных на активации, поскольку предполагается, что оно изменяет относительный паттерн активации, происходящий в лингвистической системе. Эта относительная активация, в свою очередь, должна повлиять на обработку информации о последовательном порядке (Acheson et al., 2011), что, по-видимому, подтверждается данными Пуарье и его коллег. Это действительно был основной прогноз их аккаунта в ANet:

«В эксперименте 1 мы манипулировали уровнем активации целевого элемента, чтобы проверить предсказание о том, что это приведет к увеличению ошибок в заказе для этого элемента, делая более вероятным, что механизм CQ [конкурентной очереди] выберет этот элемент раньше из-за его повышенной активации; это ранний выбор означал бы, что активация повлияла на порядок, в котором вызывались элементы». (Пуарье и др., 2015, стр. 492).

Рис. 1. Иллюстрация градиента активации (а) в семантически несвязанном состоянии, (б) в состоянии, в котором элементы А, В и С семантически связаны, и (в) в состоянии, в котором элементы А, В, C и E семантически связаны. Семантически связанные элементы отмечены звездочкой. Как видно, наличие семантического родства повышает уровень активации элемента для связанных элементов.

Учитывая, что это теоретическое объяснение находится в разительном контрасте с большинством вычислительных моделей WM, постулирующих различные уровни обработки элементов и серийных порядков, целью настоящего исследования было проверить вычислительную достоверность лингвистического объяснения, основанного исключительно на активации, для представления последовательного порядка. информация в контексте WM. Большинство вычислительных моделей WM действительно явно предполагают существование механизмов последовательного заказа, отличных от тех, которые задействованы в информации об элементах. Это, например, касается архитектур TBRS* и SOB-CS (Oberauer & Lewandowsky, 2011; Oberauer, Lewandowsky, Farrell, Jarrold, & Greaves, 2012), а также вычислительных моделей Burgess and Hitch (1999, 2006). и Браун, Халм и Прис (2000). В этих типах архитектур считается, что информация о последовательном порядке сохраняется за счет создания ассоциаций элементов и позиций, причем позиции представляются с помощью конкретных механизмов представления. Эти модели, хотя и сильно различаются по характеру последовательного представления положения, надежно воспроизводят важные явления последовательного порядка, включая эффекты первичности и недавности и шаблоны ошибок транспонирования.

что является критическим психолингвистическим фактором для проверки правдоподобия архитектуры, основанной исключительно на активации. Для обзора вычислительной архитектуры мы сначала предположили, что информация о последовательном порядке поддерживается посредством градиента активации Primacy в долгосрочной перспективе.Память(Мартин и Сафран, 1997; Пейдж и Норрис, 1998; Пуарье и др., 2015). Затем мы адаптировали эту архитектуру, добавив латеральные возбуждающие связи для моделирования семантических эффектов.

Цистанхе может улучшить память

Компьютерное моделирование

Архитектура

Используемая нами архитектура представляет собой коннекционистскую модель, состоящую из одного уровня. При кодировании элемент становится активным. Предполагается, что эта активация происходит непосредственно в базе знаний долговременной памяти. Семантически связанные элементы связаны прямыми двунаправленными возбуждающими связями, правдоподобие которых для моделирования семантических эффектов в WM уже продемонстрировано в трех независимых моделях (Haarmann & Usher, 2001; Kowialiewski & Majerus, 2020; Kowialiewski, Portrat, & Lemaire). , 2021). Элементы последовательно активируются с уменьшающейся силой, используя градиент активации. Каждый закодированный элемент автоматически распространяет активацию на другие семантически связанные элементы. Вызов выполняется путем последовательного извлечения каждого элемента в соответствии с его значением активации. Для простоты мы использовали последнюю реализацию модели Primacy, предоставленную Норрисом, Калмом и Холлом (2020). Предлагаемая нами реализация архитектуры Julia находится в свободном доступе на Open Science Framework (OSF): https://osf.io/9e4hu/.

Кодирование В исходной модели Primacy кодирование следует градиенту активации, который мы обозначаем V. Он определяется пиковым значением и значением шага . Значение является свободным параметром и представляет начальное значение, с которым связан первый элемент. Значение представляет собой величину истощения значения на каждом этапе кодирования. Этот параметр имеет фиксированное значение 1. Например, при значении 20 градиент активации составляет [20, 19, 18, 17, 16, 15] для списка из шести элементов. Обратите внимание, что репетиция никогда явно не моделируется в модели Primacy. Это включает в себя последнюю реализацию Норриса и его коллег. Активация внутри модели просто вытекает из того, что можно было бы ожидать, если бы теоретически происходила репетиция.

Распространение активации Во время кодирования активация распространяется на семантически связанные узлы. Это моделируется включением двунаправленных возбуждающих связей. Сила этих связей является свободным параметром λ. На каждом этапе кодирования элементы активируются с использованием градиента активации V. Затем активация распространяется в сети в двух направлениях:

где Ai представляет собой конечное значение активации, связанное с элементом i, а Aj представляет собой активацию, поступающую от каждого семантически связанного элемента j, масштабированного по весу связи λ. Нижний индекс t представляет отметку времени.

Важно отметить, что мы не собираемся явно представлять семантическое знание. С помощью этого распространяющегося принципа активации мы намереваемся представить тот факт, что семантически связанные элементы реактивируют друг друга. В свою очередь, эта повторная активация должна изменить относительную активацию элемента и, следовательно, характер ошибок последовательного порядка (Acheson et al., 2011). Другими словами, изменение относительного уровня активации элементов в семантической сети также изменяет внутреннее представление модели об их последовательном порядке.

Вызов После того, как все элементы были закодированы, модель должна их извлечь. Это делается с использованием конкурентного механизма организации очереди.2 Повторный вызов — это двухэтапный процесс.

2 Пуарье и его коллеги предложили, чтобы конкурентный механизм организации очереди моделировался с использованием модели накопителя, следуя Hurlstone and Hitch (2015). Мы реализовали такой конкурентный механизм организации очереди, основанный на принципах накопителя (доступен в OSF). Это не привело к какому-либо улучшению модели, за исключением того, что накопительная модель дает дополнительную возможность прогнозировать латентность припоминания, что выходит за рамки настоящего исследования. Поэтому мы просто остановились на последней доступной реализации модели Primacy.

Сначала элемент выбирается в качестве потенциального кандидата. Этот процесс подвержен шуму:

Это моделируется путем добавления временного случайного гауссовского шума с нулевым центром к активации каждого элемента со стандартным отклонением σ, свободного параметра. Затем выбирается наиболее активный элемент. Подавление реакции (Duncan & Lewandowsky, 2005) уже происходит на этом этапе, когда для вызываемого элемента устанавливается очень низкое значение (т. е. -999). Это предотвращает повторный вызов модели объекта. Во-вторых, значение активации выбранного элемента сравнивается с порогом пропуска. Этот порог берется из случайного гауссовского распределения N(θ, σ′), где θ и σ′ — два свободных параметра. Если значение активации выбранного элемента (без шума, добавленного во время первого шага) выше порога извлечения, элемент вызывается правильно. В противном случае получается пропуск. Следует отметить, что в этой реализации предполагается, что подавление ответа всегда применяется на первом этапе поиска, независимо от того, был ли пропуск на втором этапе. Этот выбор реализации Norris et al. (2020) вряд ли правдоподобно. Но из опыта, который мы получили, многократно запуская модель, можно сделать вывод, что это единственный способ, с помощью которого модель Primacy может создавать ошибки пропуска при моделировании реалистичных последовательных кривых положения. Обратите внимание, что можно создавать реалистичные последовательные кривые положения, избегая этой проблемы реализации, не затрагивая основные предположения модели. Мы, однако, предпочли придерживаться исходной реализации для простоты. К моменту каждой последующей попытки отзыва все предметы испортились:

где D — свободный параметр в диапазоне от 0 до 1. Из-за этого параметра затухания элементы, вызываемые позже в списках, более подвержены шуму, поскольку значения активации сходятся к асимптоте. Все параметры модели приведены в табл.

1. Метод

Наборы данных. Достоверность этой модели была проверена на трех разных наборах данных: два набора данных (Kowialiewski et al., 2021; Kowialiewski & Majerus, 2020), которые включают семантические и нейтральные условия (т. е. нейтральное условие является семантически не связанным условием). ), а данные Poirier et al. (2015), которые мы уже описали во введении. Модель базируется на нескольких параметрах, частично зависящих от поставленной задачи. Поэтому параметры оценивались независимо для каждого набора данных. Во-первых, параметры, не зависящие от семантической родственности, оценивались на основе нейтрального

условии, чтобы получить базовую модель, которая сможет воспроизвести стандартные характеристики серийного отзыва. Во-вторых, семантическое условие использовалось для оценки параметра λ, который контролирует уровень семантической связи между элементами.

Общая процедура оценки Кривые последовательного положения строятся с использованием строгого критерия последовательного воспроизведения, в соответствии с которым элемент оценивается как правильный только в том случае, если он вызывается в правильном последовательном положении. Например, учитывая целевую последовательность «Элемент 1 — Элемент 2 — Элемент 3 — Элемент 4 — Элемент 5 — Элемент 6» и результат припоминания «Элемент 1 — Элемент 2 — пусто — Элемент 3 — Элемент 4 — Элемент 6», только элементы 1, 2 и 6 будут оцениваться как правильный. Чтобы соответствовать экспериментальным данным, мы также использовали критерий вспоминания элемента, в котором элемент оценивается как правильный, если он правильно воспроизведен, независимо от его серийного положения. В приведенном выше примере пункты 1, 2, 3, 4 и 6 будут оценены как правильные. Чтобы оценить общее влияние семантического родства на производительность припоминания порядка, мы вычислили показатель припоминания порядка для каждого экспериментального условия. Это было сделано путем деления количества раз, когда элементы вспоминались в правильной позиции (т. е. строгий критерий последовательного воспроизведения), на количество раз, когда элементы вызывались в памяти, независимо от их последовательного положения (т. е. критерия повторения элементов).

Скорость транспозиции Характер ошибок транспозиции в Poirier et al. (2015) построено с использованием показателей транспозиции. Мы подсчитали количество ошибок транспонирования, которые произошли для элемента 5 (который семантически связан или не связан с элементами 1, 2 и 3) и для каждой позиции, в которую элемент 5 мог мигрировать. Затем мы разделили это количество ошибок транспонирования на общее количество повторений пункта 5. Это вычислялось отдельно для каждого экспериментального условия.

Оценка параметров Оценка основных параметров модели проводилась с использованием алгоритма имитации отжига.

(French & Kus, 2008; Kirkpatrick, Gelatt, & Vecchi, 1983), чтобы найти наименьшую среднеквадратичную ошибку (RMSE) между экспериментальными и смоделированными последовательными показателями припоминания положения на обоих строгих и критерии отзыва предметов. Таким образом, RMSE всегда рассчитывался по 12 точкам данных: шесть точек данных для строгого критерия серийного отзыва и шесть точек данных для критерия отзыва элементов. Нижняя и верхняя границы каждого свободного параметра приведены в таблице 1. Оценка семантического параметра λ была намного проще и требовала только поиска по сетке в [0,0,1] с шагом 0,0001. Важно отметить, что λ всегда оценивался при сохранении основных параметров модели постоянными. Затем использовалось значение λ, которое давало наименьшую среднюю разницу между нейтральным состоянием и экспериментальным состоянием по отношению к эмпирическим данным. Идея заключалась в том, чтобы выбрать такое значение λ, которое дает разницу между нейтральными и экспериментальными оценками, подобную человеческой. Это было осуществлено за счет минимизации разрыва между разницей средних значений для человека и разницей средних значений модели. Теперь мы представляем три набора данных, а также моделирование этих соответствующих экспериментов. Сводка различных экспериментальных условий с примерами списка исследований представлена ​​в таблице 2.

Оценка модели

Набор данных № 1: Ковилевский и Майерус (2020 г.)

Данные Этот набор данных использовался для оценки способности модели воспроизвести общее влияние семантической связанности на производительность последовательного припоминания и производительность припоминания порядка. Хорошо известно, что семантическая связанность значительно повышает эффективность припоминания на уровне элементов (метаанализ см. Kowialiewski & Majerus, 2020). Семантическая связанность также оказывает небольшое пагубное влияние на способность вспоминать информацию о последовательном порядке, хотя эффект едва уловим (см. также

Исигуро и Сайто, 2020 г.). Соответственно, мы ожидаем, что архитектура практически не повлияет на производительность отзыва заказов. Мы использовали данные, представленные в Kowialiewski and Majerus (2020), где они манипулировали семантической связью в списках из шести элементов в мешающих условиях или в немедленных задачах последовательного припоминания. Сообщалось только о результатах последнего условия.