कार्य-स्मृति प्रदर्शन पर संवेदी इतिहास के एकाधिक और पृथक्करणीय प्रभाव भाग 2

एमईजी अधिग्रहण

कार्य की बारीकियों के बारे में निर्देश दिए जाने के बाद प्रतिभागियों को एमईजी स्कैनर में बैठाया गया। एमईजी रिकॉर्डिंग शुरू होने से पहले स्कैनर में बैठकर उन्होंने एक अभ्यास ब्लॉक पूरा किया।

मैग्नेटोएन्सेफलोग्राफी (एमईजी) एक आधुनिक तकनीक है जो मानव मस्तिष्क गतिविधि और तंत्रिका संकेतों को रिकॉर्ड कर सकती है। इसका व्यापक रूप से तंत्रिका विज्ञान अनुसंधान, तंत्रिका संबंधी रोगों के निदान और उपचार आदि में उपयोग किया गया है। स्मृति के दृष्टिकोण से, मैग्नेटोएन्सेफलोग्राफी हमें मानव स्मृति तंत्र और मस्तिष्क क्षेत्रों के कार्यों में गहराई से जाने में मदद कर सकती है।

मैग्नेटोएन्सेफालोग्राफी का उपयोग करके वैज्ञानिकों ने स्मृति के बारे में कुछ खोजें की हैं। उदाहरण के लिए, उन्होंने मस्तिष्क के उन क्षेत्रों को पाया जो काम करने और दीर्घकालिक स्मृति में शामिल होते हैं, जैसे प्रीफ्रंटल कॉर्टेक्स, टेम्पोरल लोब और हिप्पोकैम्पस। इसके अलावा, मैग्नेटोएन्सेफालोग्राफी अल्जाइमर रोग जैसे स्मृति विकारों से जुड़ी मस्तिष्क गतिविधि में असामान्यताओं का पता लगा सकती है। इसलिए, इस तकनीक में स्मृति विकारों के निदान और उपचार में व्यापक अनुप्रयोग संभावनाएं हैं।

पर्याप्त चिकित्सीय क्षमता होने के अलावा, मैग्नेटोएन्सेफलोग्राफी आम लोगों को उनकी याददाश्त में सुधार करने में भी मदद कर सकती है। यह समझकर कि हमारा मस्तिष्क सूचनाओं को कैसे संसाधित करता है और यादों को कैसे संग्रहीत करता है, हम बेहतर ढंग से समझ सकते हैं कि कैसे अधिक प्रभावी ढंग से सीखना और याद रखना है। वैज्ञानिकों ने पुनरावृत्ति और संगति जैसी कुछ सिद्ध स्मृति प्रशिक्षण तकनीकों की खोज की है, जो हमें जानकारी को बेहतर ढंग से बनाए रखने में मदद कर सकती हैं।

संक्षेप में, मैग्नेटोएन्सेफालोग्राफी स्मृति अनुसंधान से निकटता से संबंधित एक तकनीक है। यह हमारी स्मृति तंत्र और मस्तिष्क क्षेत्र के कार्यों की गहन खोज कर सकता है, जिससे स्मृति विकारों को हल करने और स्मृति में सुधार करने में मदद मिलती है। आइए हम अपने मस्तिष्क को बेहतर ढंग से समझने और उपयोग करने में मदद करने के लिए मैग्नेटोएन्सेफलोग्राफी की क्षमता का बेहतर उपयोग करने के लिए सक्रिय रूप से अन्वेषण करें और सीखें। यह देखा जा सकता है कि हमें याददाश्त में सुधार करने की आवश्यकता है, और सिस्टैंच डेजर्टिकोला याददाश्त में काफी सुधार कर सकता है, क्योंकि सिस्टैंच डेजर्टिकोला न्यूरोट्रांसमीटर के संतुलन को भी नियंत्रित कर सकता है, जैसे एसिटाइलकोलाइन और विकास कारकों के स्तर को बढ़ाना। ये पदार्थ याददाश्त और सीखने के लिए बहुत महत्वपूर्ण हैं। इसके अलावा, मांस रक्त प्रवाह में भी सुधार कर सकता है और ऑक्सीजन वितरण को बढ़ावा दे सकता है, जो यह सुनिश्चित कर सकता है कि मस्तिष्क को पर्याप्त पोषक तत्व और ऊर्जा प्राप्त हो, जिससे मस्तिष्क की जीवन शक्ति और सहनशक्ति में सुधार हो।

मस्तिष्क की कार्यप्रणाली को बेहतर बनाने के उपाय जानने के लिए क्लिक करें

प्रतिभागियों को निर्देश दिया गया कि वे अपनी निगाहें केंद्रीय निर्धारण बिंदु पर बनाए रखें और पूरे परीक्षण के दौरान पलकें झपकाना कम से कम करें।

चुंबकीय रूप से संरक्षित कमरे में 204 प्लेनर ग्रेडियोमीटर और 102 मैग्नेटोमीटर (इलेक्ट्रा न्यूरोमैग ओए) सहित पूरे-सिर वेक्टर व्यू सिस्टम का उपयोग करके न्यूरोमैग्नेटिक डेटा प्राप्त किया गया था।

पूरे प्रयोग के दौरान, सिर पर चार बिंदुओं पर रखे गए इंडेक्स कॉइल्स का उपयोग करके प्रतिभागियों के सिर की स्थिति की लगातार निगरानी की गई। चुंबकीय क्षेत्र शक्ति का नमूना 1000 हर्ट्ज की दर पर लिया गया और बैंडपास को 0.03 और 300 हर्ट्ज के बीच ऑनलाइन फ़िल्टर किया गया। इसके अलावा, ऊर्ध्वाधर और क्षैतिज इलेक्ट्रो-ओकुलोग्राम को आंखों के ऊपर, नीचे और आसन्न इलेक्ट्रोड का उपयोग करके मापा गया था। 1000 हर्ट्ज की आवृत्ति पर आईलिंक 1000 (एसआर रिसर्च) आई ट्रैकर का उपयोग करके आंखों की गतिविधियों की निगरानी की गई।

एमईजी डेटा प्रीप्रोसेसिंग

डेटा को फील्डट्रिप (ओस्टेनवेल्ड एट अल.,2011), ओएचबीए सॉफ्टवेयर लाइब्रेरी (ओएसएल) ड्राइंग ऑन एसपीएम8 (http://www.fil.ion.ucl.ac.uk/spam), और एलेक्टा सॉफ्टवेयर का उपयोग करके ऑफ़लाइन प्रीप्रोसेस किया गया था।

किसी भी प्रीप्रोसेसिंग से पहले, एमईजी डेटा का निरीक्षण किसी भी सेंसर को हटाने और प्रक्षेपित करने के लिए किया गया था, जो शोर के अत्यधिक स्तर को प्रदर्शित करता था और बाद में कार्डियक से संबंधित स्वतंत्र घटकों को हटाने से पहले मैक्सफिल्टर सिग्नल स्पेससेपरेशन (ताउलू एट अल।, 2004) का उपयोग करके शोर को डी-नॉइज़ किया गया और गति-सही किया गया। और आँख झपकाने वाली कलाकृतियाँ।

डेटा को पहली झंझरी और दूसरी झंझरी के आसपास दोहराया गया (झंझरी शुरू होने से पहले 4 0 0 एमएस से शुरू होने के बाद 900 एमएस तक) और 200 हर्ट्ज तक डाउनसैंपल किया गया। ग्रेडियोमीटर या मैग्नेटोमीटर में उच्च विचरण वाले परीक्षणों की पहचान की गई और उन्हें 0.05 महत्व सीमा पर सामान्यीकृत ईएसडी (अत्यधिक छात्र विचलन; रोसनर, 1983) परीक्षण का उपयोग करके बाहर रखा गया।

बीच-परीक्षण पूर्वाग्रह विश्लेषण के लिए, हमने सभी गैर-अस्वीकृत परीक्षणों से सभी उत्तेजना प्रस्तुतियों पर क्लासिफायरियर को प्रशिक्षित किया। चूंकि हमने आगे के विश्लेषण से उच्च विचरण (7.{2}}.85%, मतलब 6 एसडी, 45 6 23 प्रोत्साहन प्रस्तुतियों के अनुरूप) वाले परीक्षणों को बाहर कर दिया, इसलिए क्लासिफायर को शेष 555 6 23 प्रोत्साहन प्रस्तुतियों पर प्रशिक्षित किया गया।

पूर्वाग्रहों की गणना करने से पहले, हमने प्रत्येक ब्लॉक (2%) का पहला परीक्षण हटा दिया, और .60 डिग्री (;33%) के पिछले परीक्षण पर लक्ष्य अभिविन्यास के साथ एक पूर्ण कोणीय अंतर वाले परीक्षणों को हटा दिया, जिसके परिणामस्वरूप इसके लिए {{3%) परीक्षण हुए। प्रति प्रतिभागी विश्लेषण।

परीक्षण के भीतर पूर्वाग्रह विश्लेषण के लिए, हमने उन सभी परीक्षणों पर क्लासिफायरियर को प्रशिक्षित किया जहां उच्च विचरण के लिए हटाए गए परीक्षणों को छोड़कर उत्तेजना 2 प्रस्तुत किया गया था, विश्लेषण में 278 6 11 परीक्षण छोड़ दिए गए थे।

पूर्वाग्रह गणना के लिए, इन परीक्षणों में से हमने उन परीक्षणों का चयन किया जिन पर उत्तेजना 1 भी प्रस्तुत किया गया था, और उत्तेजना 1 और 2 के बीच .10 डिग्री और 50 डिग्री के पूर्ण कोणीय अंतर के साथ। इसके बाद, पूर्वाग्रह की गणना सुरक्षा और परीक्षणों के लिए अलग से की गई थी। संकेतों को अद्यतन करें, जिसके परिणामस्वरूप क्रमशः 62 6 5 और 63 6 5 परीक्षण होंगे।

रैखिक विभेदक विश्लेषण वर्गीकरण

डेटा को आगे प्रीप्रोसेस किया गया। मैग्नेटोमीटर के परिमाण को गुणन (कारक 20) द्वारा ग्रेडियोमीटर से लगभग मिलान किया गया और स्पेटियोटेम्पोरल डिकोडिंग के अधीन किया गया (कोड https://pypi.org/project/temp-dec/ पर उपलब्ध है; जैसा कि पहले बताया गया है, वोल्फ एट अल।, 2017, 2020; हाजोनाइड्स एट अल., 2021)। समय बिंदुओं (150 एमएस) की एक स्लाइडिंग विंडो में सभी 306 एमईजी सेंसर से डेटा को एक 9180-आयामी वेक्टर में संयोजित किया गया था।

प्रमुख घटक विश्लेषण का उपयोग करके आयामीता को कम किया गया, प्रत्येक समय बिंदु के लिए अलग से गणना की गई, 90% विचरण बनाए रखा गया (250 और 600 एमएस के बीच, यह प्रति भागीदार लगभग 209 6 39 घटक था, मतलब 6 एसडी)।

इसने डेटा को डी-नोइज़ करने, प्रत्येक आयाम द्वारा एन्कोड किए गए अद्वितीय विचरण को बढ़ाने और सहप्रसरण मैट्रिक्स की अधिक प्रभावी ढंग से गणना करने के लिए क्लासिफायर को सक्षम करने का काम किया। पहले प्रस्तुत उत्तेजनाओं से स्थिर जानकारी बनाए रखने के लिए प्रेस्टिमुलसबेसलाइनिंग लागू नहीं किया गया था।

एक रेखीय विभेदक विश्लेषण (एलडीए) क्लासिफायरियर को प्रशिक्षित करने के लिए, डेटा को गुना स्तरीकृत क्रॉस-सत्यापन का उपयोग करके प्रशिक्षण और परीक्षण सेट में विभाजित किया गया था। ग्रेटिंग कोणों को समान दूरी वाले ओरिएंटेशन डिब्बे में बांध दिया गया, जिससे 10 अलग-अलग वर्ग (0-18 डिग्री, 18-36 डिग्री, 36-54 डिग्री, 54-72 डिग्री, 72-90 डिग्री, 90-108 डिग्री, 108-126 डिग्री) बन गए। 126-144 डिग्री, 144-162 डिग्री, 162-180 डिग्री)। एलडीए क्लासिफायरियर को प्रशिक्षित करने के लिए, डेटा को 10-फोल्ड स्तरीकृत क्रॉस-सत्यापन का उपयोग करके प्रशिक्षण और परीक्षण सेट में विभाजित किया गया था।

प्रशिक्षण सेट के आधार पर, एलडीए क्लासिफायरियर डेटा को कम-आयामी स्थान (नौ आयामों में; कक्षाओं की संख्या शून्य से 1) में प्रोजेक्ट करता है जो अधिकतम 10 कक्षाओं से डेटा को अलग करता है। परीक्षण सेट से डेटा को फिर उसी {{में प्रोजेक्ट किया गया था 3}}आयामी स्थान। हमने निम्न-आयामी अंतरिक्ष में प्रत्येक प्रशिक्षण सेट वर्ग माध्य से इसकी यूक्लिडियन दूरी की गणना करके परीक्षण सेट में प्रत्येक परीक्षण के लिए 10 एलडीए दूरियां प्राप्त कीं।

इन दूरियों ने हमें इस संभावना का अनुमान लगाने की अनुमति दी कि कोई भी परीक्षण परीक्षण दस वर्गों में से प्रत्येक के अनुरूप है। इसे प्रत्येक क्रॉस-सत्यापन गुना और प्रत्येक समय बिंदु के लिए दोहराया गया था। इंस्टिमुलस डिकोडिंग विश्लेषण, प्रस्तुत कोण का उपयोग वर्गीकरण के लिए किया गया था।

क्रॉस-डिकोडिंग विश्लेषण में, एलडीए क्लासिफायर को एक घटना के ओरिएंटेशन डिब्बे पर प्रशिक्षित किया गया था (उदाहरण के लिए, प्रस्तुत झंझरी) लेकिन क्लासिफायर साक्ष्य को दूसरे ओरिएंटेशन के डिब्बे के आसपास संरेखित किया गया था (उदाहरण के लिए, पिछले परीक्षण पर लक्ष्य अभिविन्यास)। परिणामी प्रतिनिधित्वात्मक समानता वक्र एक कोसाइन के साथ जुड़े हुए थे।

यह जांचने के लिए कि हमारे बहुभिन्नरूपी तरीकों में देखी गई वर्गीकरण संभावनाओं में कौन से सेंसर ने सबसे महत्वपूर्ण योगदान दिया है, हमने एक सर्चलाइट डिकोडिंग विश्लेषण भी चलाया (क्रिगेस्कोर्टे एट अल।, 2006)।

इस विश्लेषण में, हमने सेंसरों के एक छोटे समूह पर विचार किया और इस प्रकार प्रेक्षित प्रभाव के अनुमानित स्थान को मैप करने में सक्षम हुए। अधिक विशेष रूप से, हमने प्रत्येक सेंसर और उसके 47 सबसे निकट से सटे पड़ोसियों (मैग्नेटोमीटर और ग्रेडियोमीटर शामिल) से डेटा का चयन किया और ऊपर वर्णित अनुसार समान वर्गीकरण विश्लेषण चलाया।

तंत्रिका पूर्वाग्रह के माप के रूप में तंत्रिका विषमता स्कोर की गणना

परीक्षण के भीतर पूर्वाग्रहों के लिए, हमने दूसरे झंझरी के प्रसंस्करण का आकलन किया और केवल दो-आइटम परीक्षणों पर विचार किया। क्लासिफायर को दूसरी ग्रेटिंग की सभी प्रस्तुतियों पर प्रशिक्षित किया गया था और प्रत्येक परीक्षण के लिए बिन संभावनाएँ उत्पन्न की गईं थीं। बीच-परीक्षण विश्लेषण के लिए, हमने वर्तमान परीक्षण में पहली और दूसरी झंझरी दोनों के अभिविन्यास प्रसंस्करण का विश्लेषण किया। इस कारण से, हमने सभी परीक्षणों पर क्लासिफायरियर को प्रशिक्षित किया और सभी परीक्षणों के लिए बिन भविष्यवाणियां तैयार कीं।

इसके बाद, प्रदर्शन पूर्वाग्रह विश्लेषणों के परिणामों के आधार पर, हमने ऐसे परीक्षणों का चयन किया जिनमें डिस्प्ले पर प्रेरित और झंझरी अभिविन्यास के बीच की कोणीय दूरी ने समूह स्तर पर एक महत्वपूर्ण व्यवहार संबंधी पूर्वाग्रह पैदा किया।

भीतर-परीक्षण प्रतिकारक पूर्वाग्रह के मामले में, प्रेरक उसी परीक्षण पर पहली झंझरी का उन्मुखीकरण था। बीच-परीक्षण विश्लेषणों के लिए, प्रेरक पिछले परीक्षण पर रिपोर्ट किया गया लक्ष्य अभिविन्यास था (नियंत्रण विश्लेषणों को छोड़कर, जहां लक्ष्य के रूप में गैर-रिपोर्टेड अभिविन्यास का उपयोग किया गया था)। एक आश्रित चर के रूप में, हमने प्रत्येक अभिविन्यास बिन के लिए संभावना अनुमानों पर विचार किया, जहां हम कोणीय बिन के लिए उच्चतम संभावना की उम्मीद करते हैं जिसमें प्रस्तुत अभिविन्यास के लिए शून्य ऑफसेट है और प्रस्तुत अभिविन्यास के लिए बड़े कोणीय दूरी वाले डिब्बे के लिए घटती संभावनाएं हैं।

हमने उन परीक्षणों के लिए संभावना अनुमानों का अलग से मूल्यांकन किया जिसमें वर्तमान अभिविन्यास के संबंध में प्रेरक अभिविन्यास दक्षिणावर्त (सीडब्ल्यू) बनाम वामावर्त (सीसीडब्ल्यू) था। सीडब्ल्यू और सीसीडब्ल्यू दोनों परीक्षणों के लिए, हमने ओरिएंटेशन डिब्बे सीडब्ल्यू (72 डिग्री से 18 डिग्री) से साक्ष्य और सीसीडब्ल्यू डिब्बे (18 डिग्री से 72 डिग्री) से साक्ष्य का अलग-अलग औसत निकाला।

विषमता स्कोर की गणना कोणीय डिब्बे (सीडब्ल्यू माइनस सीसीडब्ल्यू) के दो समूहों के बीच अंतर प्राप्त करके की गई थी। अंत में, हमने सीडब्ल्यू बनाम सीसीडब्ल्यू इंड्यूसर्स के साथ परीक्षणों पर विषमता स्कोर घटाकर समग्र तंत्रिका पूर्वाग्रह स्कोर की गणना की।

आकर्षक तंत्रिका पूर्वाग्रहों के परिणामस्वरूप सकारात्मक स्कोर प्राप्त हुआ (अर्थात, सीडब्ल्यू कोणीय दूरियों के साथ परीक्षणों के परिणामस्वरूप अधिक सीडब्ल्यू साक्ष्य प्राप्त हुए, सीसीडब्ल्यू कोणीय दूरियों के परिणामस्वरूप अधिक सीसीडब्ल्यू साक्ष्य प्राप्त हुए), जबकि प्रतिकारक तंत्रिका पूर्वाग्रहों के परिणामस्वरूप नकारात्मक स्कोर प्राप्त हुआ (अर्थात, सीडब्ल्यू कोणीय दूरियों के परिणामस्वरूप कम सीडब्ल्यू साक्ष्य प्राप्त हुए) CCW परीक्षण, और इसके विपरीत)।

सांख्यिकीय परीक्षण

सांख्यिकीय परीक्षणों की गणना JASP (JASP टीम, 2020) और Scipy (Virtanen et al., 2020) दोनों का उपयोग करके की गई थी।

हमने क्लस्टर-आधारित क्रमपरिवर्तन परीक्षण का उपयोग करके शून्य के विरुद्ध कोसाइन-संलग्न क्लासिफायर साक्ष्य की समय श्रृंखला का परीक्षण किया, जो एकाधिक तुलना समस्या (एमएनई; ग्रामफोर्ट एट अल।, 2013 का उपयोग करके) को संबोधित करता है। वेरन 100, 000 पुनरावृत्तियाँ।

शून्य से काफी भिन्न समय बिंदुओं के समूहों वाले समूहों को क्षैतिज रेखाओं का उपयोग करके प्रासंगिक आंकड़ों में दर्शाया गया है। प्रस्तुत अभिविन्यास और प्रेरक अभिविन्यास के बीच कोणीय दूरी में प्रदर्शन पूर्वाग्रह के लिए क्लस्टर-आधारित क्रमपरिवर्तन परीक्षण भी लागू किया गया था।

हमारे पूर्वाग्रह विश्लेषणों के महत्व का परीक्षण करने के लिए, हमने डिकोडिंग चरण के बाद एक फेरबदल वितरण उत्पन्न किया। जब परीक्षणों को पिछले परीक्षण/उत्तेजना के सापेक्ष अभिविन्यास के आधार पर क्रमबद्ध किया गया था, तो हमने इस कोणीय दूरी को यादृच्छिक रूप से साइन-फ़्लिप किया और पूर्वाग्रह की फिर से गणना की। हमने सभी प्रतिभागियों के लिए पूर्वाग्रह की गणना की और इस स्कोर का औसत निकाला। इस प्रक्रिया को 10, 000 बार दोहराया गया, और परिणामी वितरण z-स्कोर था।

वही z-स्कोर परिवर्तन प्रेक्षित पूर्वाग्रह स्कोर पर लागू किया गया था जब कोई यादृच्छिक साइन-फ़्लिपिंग लागू नहीं किया गया था। इस z स्कोर का उपयोग फेरबदल वितरण के सापेक्ष मूल प्रभाव का (दो-पूंछ वाला) पी-मूल्य प्राप्त करने के लिए किया जा सकता है (सभी रिपोर्ट किए गए समय औसत में, 250 और 600 एमएस के बीच समय बिंदुओं का उपयोग किया गया था)।

जब तक अन्यथा न कहा जाए, सभी परीक्षण दोतरफा थे।

परिणाम

त्रुटि दर

प्रतिभागी लक्ष्य अभिविन्यास (माध्य प्रतिक्रिया त्रुटि 11.73 6 0.70 डिग्री एसईएम; माध्य एसडी 17.{{4%).07 डिग्री एसईएम; तालिका देखें) को पुन: प्रस्तुत करने में सटीक थे। स्थिति-वार प्रदर्शन के लिए 1)। प्रतिक्रिया त्रुटि पर दो-दो-बार-बार दोहराए गए एनोवा ने क्यू प्रकार (F(1,19)=16.49, p, 0.001, h2=0.374)और कई के मुख्य प्रभाव दिखाए प्रस्तुत उत्तेजनाएँ (F(1,19)=29.78, p, 0.001,h2=0.075)।

क्यू प्रकार एक-आइटम या दो-आइटम परीक्षणों दोनों के लिए महत्वपूर्ण था, दोनों दो-आइटम परीक्षणों के लिए रिपोर्ट पहले की तुलना में दूसरे परीक्षणों की तुलना में रिपोर्ट में पूर्ण त्रुटि अधिक थी (t(19)=3.972,पी, {{6} }.001, डी=0.888; तालिका 1 देखें) और एक-आइटम परीक्षण (टी(19) =3.948, बोनफेरोनी-सही पी, 0.001, डी {{ 18}}.883). इसके विपरीत, प्रस्तुत की गई कई वस्तुएं मुख्य रूप से रिपोर्ट की पहली शर्तों को प्रभावित करती हैं।

पहली दो रिपोर्ट में त्रुटि पहले एक-आइटम परीक्षणों की तुलना में अधिक थी (टी(19)=5.665, पी, 0.001, डी=1.267) लेकिन उल्लेखनीय नहीं रिपोर्ट के दूसरे दो-आइटम और रिपोर्ट के दूसरे एक-आइटम परीक्षण (टी(19)=1.885, पी=0.075,डी=0.421) के बीच अंतर, जिससे एक महत्वपूर्ण परिणाम प्राप्त हुआ दो कारकों के बीच परस्पर क्रिया (F(1,19)=10.90, p=0.004, h2=0.026)।

मिश्रण मॉडलिंग का उपयोग करके विश्लेषण (बेज़ एट अल., 2009) ने पुष्टि की कि नॉनक्यूड ग्रेटिंग ओरिएंटेशन की प्रतिक्रियाओं से उत्पन्न होने वाली त्रुटियां दुर्लभ थीं (दो-आइटम परीक्षणों पर 0.033 6 0.01 की स्वैप दर; हुआंग को भी देखें , 2020).

परीक्षणों के भीतर प्रतिकारक प्रदर्शन पूर्वाग्रह

हमने यह आकलन करके व्यवहारिक प्रदर्शन में परीक्षण के भीतर पूर्वाग्रहों का विश्लेषण किया कि क्या रिपोर्ट किए गए अभिविन्यास को व्यवस्थित रूप से उसी परीक्षण पर गैर-लक्ष्य अभिविन्यास के करीब या दूर बताया गया था (सामग्री और तरीके देखें)।

हमने विश्लेषणों को दो-आइटम परीक्षणों तक सीमित रखा। चित्र 2ए पहले रिपोर्ट और दूसरे परीक्षणों की रिपोर्ट के लिए पहले और दूसरे झंझरी अभिविन्यास के बीच सभी पूर्ण कोणीय दूरियों के लिए प्रदर्शन पूर्वाग्रह दिखाता है। रिपोर्ट के पहले संकेतों के साथ परीक्षणों में, हस्तक्षेप करने वाले दूसरे झंझरी अभिविन्यास के प्रति या उससे दूर कोई महत्वपूर्ण पूर्वाग्रह नहीं था जो कि प्रासंगिक नहीं था हाथ में कार्य (टी(19)=0.74, पी=0.467)।

इसके विपरीत, रिपोर्ट के दूसरे संकेतों के साथ परीक्षणों से प्रारंभिक रूप से एन्कोड किए गए पहले झंझरी अभिविन्यास (t(19)=2.33, p=0.031; चित्र 2B में सचित्र) से दूर महत्वपूर्ण पूर्वाग्रहों का पता चला। प्रतिकारक पूर्वाग्रह रिपोर्ट के दूसरे परीक्षणों की पुष्टि क्लस्टर-आधारित क्रमपरिवर्तन परीक्षण का उपयोग करके की गई थी, जिसमें एक महत्वपूर्ण क्लस्टर (p {{7%).012) दिखाया गया था जब दो झुकावों के बीच कोणीय दूरी 10 डिग्री और 49 डिग्री (छवि 2 ए) के बीच थी।

परीक्षणों के बीच आकर्षक प्रदर्शन पूर्वाग्रह

इसके बाद हमने वर्तमान परीक्षण में पिछले परीक्षण में संकेतित अभिविन्यास के प्रति प्रतिक्रियाओं पर बीच-परीक्षण पूर्वाग्रह का मूल्यांकन किया (चित्र 3)। हमने वर्तमान और पिछले परीक्षण पर लक्ष्य झंझरी के बीच कोणीय अंतर के एक समारोह के रूप में प्रदर्शन पूर्वाग्रह का आकलन किया।

विश्लेषण में वर्तमान परीक्षण (पहले या दूसरे) में लक्ष्य ग्रेटिंग की स्थिति और वर्तमान परीक्षण (एक-आइटम या दो-आइटम) पर वस्तुओं की संख्या पर भी विचार किया गया। संगति के लिए, हम उन सभी परीक्षणों को नाम देते हैं जहां प्रतिभागी पहले ग्रेटिंग ओरिएंटेशन की रिपोर्ट करते हैं, पहले परीक्षण की रिपोर्ट करते हैं और परीक्षण जहां प्रतिभागी दूसरे ओरिएंटेशन की रिपोर्ट करते हैं, दूसरे ट्रायल की रिपोर्ट करते हैं, प्रस्तुत किए गए ग्रेटिंग की संख्या की परवाह किए बिना।

फिर से, हमने वर्तमान और पिछले परीक्षणों में लक्ष्यों के बीच कोणीय दूरी पर पूर्वाग्रह के योग की गणना की (छवि 3 ए, बी)। पिछले अनुभाग में वर्णित प्रतिकारक पूर्वाग्रह के विपरीत, हमने पाया कि सभी स्थितियाँ एक आकर्षक प्रदर्शन पूर्वाग्रह दिखाती हैं (सभी पी, 0.05 दो-तरफा सांख्यिकीय परीक्षणों में)। आकर्षक क्रमिक पूर्वाग्रह प्रेरक और वर्तमान अभिविन्यास (0-60 डिग्री) के बीच छोटी से मध्यवर्ती कोणीय दूरी के लिए सबसे अधिक स्पष्ट था।

कोणीय दूरी पर पूर्वाग्रहों के योग पर बार-बार मापे गए एनोवा ने क्यू प्रकार के प्रभाव का संकेत दिया, रिपोर्ट के पहले परीक्षणों में होने वाले बड़े पूर्वाग्रहों के साथ (एफ(1,19)=5.706, पी=0.027, एच2=0.172), लेकिन परीक्षण में प्रस्तुत झंझरी की संख्या का नहीं (एफ(1,19)=0.980, पी=0.335, एच2 =0 .007). दोनों कारकों ने परस्पर क्रिया नहीं की (F(1,19)=0.377, p=0.547,h2=0.002)। इससे पता चलता है कि पहले आइटम को याद करते समय पूर्वाग्रह अधिक मजबूत था, जिसे पिछले परीक्षण के समय के करीब एन्कोड किया गया था।

For more information:1950477648nn@gmail.com