वर्किंग मेमोरी के लिए समय क्या अच्छा है?

ali.ma@wecistanche.com

स्मृति के लिए सिस्टैंच न्यूजीलैंड पर क्लिक करें

सार

लोगों को काम करने में जानकारी संसाधित करने के लिए अधिक समय देनास्मृतिबेहतर बनाता हैकाम करने पर उनका प्रदर्शनस्मृतिकार्य। अक्सर यह माना जाता है कि किसी आइटम की प्रस्तुति के बाद दिया गया खाली समय रखरखाव प्रक्रियाओं को इस आइटम को भूलने का विरोध करने में सक्षम बनाता है, यह सुझाव देता है कि समय का पूर्वव्यापी लाभ है। दो अन्य परिकल्पनाएं - अल्पकालिक समेकन और अस्थायी विशिष्टता - तत्काल पूर्ववर्ती और निम्नलिखित मदों पर समय के स्थानीय प्रभाव को शामिल करती हैं। यहां, हम काम करने में समय के एक उपन्यास वैश्विक और सक्रिय लाभ के बजाय दिखाते हैंस्मृति. तीन सीरियल-रिकॉल प्रयोगों (क्रमशः एनएस=21, 25, और 26 युवा वयस्कों) में, हमने व्यंजन की सात-आइटम सूची के भीतर खाली समय की स्थिति और अवधि को अलग-अलग किया। प्रयोग 1 ने दिखाया कि प्रभाव वैश्विक है न कि स्थानीय। प्रयोग 2ए और 2बी से पता चला है कि बढ़े हुए अंतरिम समय ने केवल बाद की वस्तुओं के लिए प्रदर्शन को लाभान्वित किया, जिसका अर्थ है कि एक सक्रिय लाभ। यह खोज खाली समय के लाभ के स्पष्टीकरण के रूप में रखरखाव प्रक्रियाओं, अल्पकालिक समेकन और अस्थायी विशिष्टता को बाहर करती है, लेकिन धीरे-धीरे ठीक होने वाले एन्कोडिंग संसाधन के प्रस्ताव के अनुरूप है।

कीवर्ड: सिस्टैंच वर्किंग मेमोरी, टाइम, एन्कोडिंग रिसोर्स अकाउंट, प्रोएक्टिव बेनिफिट, मेमोरी, ओपन डेटा, ओपन मटीरियल

अल्पकालिक या काम करने के संदर्भ मेंस्मृति, समय बीतने को आमतौर पर भूलने के अवसर के रूप में माना जाता है (डोनकिन एट अल।, 2015; लेवांडोव्स्की और ओबेरॉयर, 2009; मर्सर एंड मैककेन, 2014; रिकर एट अल।, 2016, 2020)। समय की एक कम अच्छी तरह से अध्ययन की गई भूमिका यह है कि, कुछ परिस्थितियों में, यह काम करने में जानकारी बनाए रखने में मदद करता हैस्मृति. जब एकस्मृतिसूची को और अधिक धीरे-धीरे प्रस्तुत किया जाता है—अर्थात, वस्तुओं के बीच अधिक खाली समय के साथ—तत्काल सीरियल रिकॉल अक्सर बेहतर पाया जाता है (रिकर एंड हार्डमैन, 2017; सूजा एंड ओबेरॉयर, 2017; टैन एंड वार्ड, 2008; समीक्षाओं के लिए, ओबेरॉयर एट देखें) अल।, 2018; पेनी, 1975)। यहां, हमने पूछा कि कार्यशील स्मृति के लिए समय के इस लाभकारी प्रभाव का क्या कारण है।

एक संभावित व्याख्या यह है कि वस्तुओं के बीच खाली समय का उपयोग पूर्वाभ्यास के लिए किया जाता है। पूर्वाभ्यास कार्यशील स्मृति कार्यों में आमतौर पर रिपोर्ट की जाने वाली रखरखाव रणनीति है। रिहर्सल के तीन रूप खाली समय के लाभकारी प्रभाव में योगदान कर सकते हैं: कलात्मक पूर्वाभ्यास (टैन)

अटेंशन-बेस्ड रिफ्रेशिंग में, रखरखाव के दौरान जानबूझकर इसमें शामिल होने से जानकारी को फिर से सक्रिय किया जाता है। विस्तृत पूर्वाभ्यास में, याद रखने योग्य उत्तेजनाओं के प्रतिनिधित्व को दीर्घकालिक स्मृति ज्ञान के साथ जोड़कर समृद्ध किया जाता है।

जस्ट-एन्कोडेड आइटम के अल्पकालिक समेकन (Jolicœur & Dell'Acqua, 1998) के लिए नि:शुल्क अंतरिम समय का भी उपयोग किया जा सकता है। किसी आइटम के एन्कोडिंग के बाद अल्पकालिक समेकन होता है; इसमें लगभग 0.5 सेकेंड से 1.5 सेकेंड तक का समय लगने का अनुमान है और माना जाता है कि इसके लिए एक केंद्रीय संसाधन संसाधन की आवश्यकता होती है (जॉलिकूर एंड डेल'एक्वा, 1998; निउवेनस्टीन एंड वायबल, 2014)।

एक तीसरा स्पष्टीकरण अस्थायी-विशिष्टता परिकल्पना से आता है। स्मृति के अस्थायी-विशिष्टता सिद्धांतों के अनुसार, वस्तुओं के बीच का समय बढ़ने से उनके लौकिक संदर्भों की समानता कम हो जाती है, जो बदले में अस्थायी भ्रम को कम करना चाहिए और स्मृति सटीकता को बढ़ाना चाहिए (ब्राउन एट अल।, 2007)। एक संबंधित विचार यह है कि असाधारण रूप से लंबे समय तक अंतर-समय - उदाहरण के लिए, जब सूची वस्तुओं के सबसेट अस्थायी रूप से समूहीकृत होते हैं (रयान, 1969 बी) - एक संदर्भ बदलाव को प्रेरित करते हैं, विभिन्न समूहों में वस्तुओं के बीच प्रासंगिक विशिष्टता को बढ़ाते हैं।

इन स्पष्टीकरणों से अलग-अलग भविष्यवाणियां होती हैं कि स्मृति सूची में कौन से आइटम बढ़े हुए खाली समय से लाभान्वित होते हैं। हम दो आयामों के साथ भविष्यवाणियों के अंतर पर विचार करते हैं (तालिका 1 देखें), जिसे स्मृति सूची के बीच में कहीं एक एकल अंतराल अंतराल पर ध्यान केंद्रित करके सबसे अच्छा समझाया जा सकता है: (ए) उस अंतराल में खाली समय का लाभकारी प्रभाव पूर्वव्यापी हो सकता है (यानी, अंतराल से पहले एन्कोड किए गए आइटम के लिए स्मृति में सुधार) या सक्रिय (यानी, बाद में एन्कोड किए गए आइटम के लिए स्मृति में सुधार), और (बी) लाभकारी प्रभाव स्थानीय हो सकता है (यानी, मुफ्त में तुरंत पहले या बाद की वस्तुओं के लिए स्मृति में सुधार -समय अंतराल) या वैश्विक (यानी, अंतराल से पहले या बाद में सभी सूची वस्तुओं के लिए स्मृति में सुधार)।

पूर्वाभ्यास के तीन रूप (कलात्मक पूर्वाभ्यास, विस्तृत पूर्वाभ्यास, और चौकस ताज़ा) केवल खाली समय के अंतराल से पहले ही कार्यशील स्मृति में एन्कोड किए गए आइटम पर लागू किए जा सकते हैं, और इसलिए, उनका प्रभाव मुख्य रूप से पूर्वव्यापी होना चाहिए। कलात्मक पूर्वाभ्यास आमतौर पर संचयी होता है, और इसलिए, प्रभाव पूर्वव्यापी और वैश्विक होना चाहिए, पूर्वाभ्यास के लिए उपयोग किए जाने वाले खाली समय अंतराल से पहले एन्कोड किए गए सभी आइटमों को लाभ होता है। रीफ़्रेशिंग को आमतौर पर कार्यशील मेमोरी में सभी आइटमों के माध्यम से चक्र के रूप में माना जाता है, न कि अंतिम-प्रस्तुत आइटम पर ध्यान केंद्रित करने के बजाय, एक वैश्विक पूर्वव्यापी प्रभाव (बैरोइलेट एट अल।, 2007; लेमेयर एट अल।, 2018; ओबेरॉयर और लेवांडोव्स्की, 2011) ) इसके विपरीत, विस्तार में अब तक एन्कोड किए गए सभी आइटम या केवल अंतिम-एन्कोडेड आइटम शामिल हो सकते हैं, इसलिए प्रभाव वैश्विक या स्थानीय हो सकता है।

एक खाली समय अंतराल से पहले की वस्तुओं के लिए स्मृति वृद्धि का बाद की वस्तुओं पर भी अप्रत्यक्ष प्रभाव हो सकता है। उदाहरण के लिए, यदि खाली समय का उपयोग पहले से एन्कोडेड वस्तुओं के रखरखाव में सुधार के लिए किया जाता है, तो जब पर्याप्त समय दिया जाता है, तो उस समय के दौरान इन वस्तुओं के रिहर्सल या रीफ्रेशिंग जैसी रखरखाव प्रक्रियाओं को पूरा किया जा सकता है। यह एन्कोडिंग या बाद के रखरखाव के दौरान पूर्ववर्ती वस्तुओं के पूर्वाभ्यास या ताज़ा करने की लागत को कम कर सकता है

प्रासंगिकता का विवरण

वर्किंग मेमोरी हमारे दिमाग का ब्लैकबोर्ड है, जहां हम जानकारी को संक्षिप्त रूप से उपलब्ध रख सकते हैं- उदाहरण के लिए, हम वर्किंग मेमोरी में एक नया फोन नंबर रख सकते हैं और फिर इसे मेमोरी से टाइप कर सकते हैं। समय बीतने का संबंध आमतौर पर वर्किंग मेमोरी में रखी गई जानकारी को भूलने से होता है: कई शोधकर्ता मानते हैं कि वर्किंग मेमोरी में जानकारी जल्दी से फीकी पड़ जाती है जब तक कि हम इसे खुद को दोहराकर इसका पूर्वाभ्यास नहीं करते। इस विचार के विपरीत, शोध से पता चलता है कि यदि हम कार्यशील मेमोरी में आइटम जोड़ने के बीच में रुकते हैं, तो हमारी याददाश्त में सुधार होता है। हमने जांच की कि लोग इन विरामों का उपयोग किस लिए करते हैं। उदाहरण के लिए, जो पहले से ही कार्यशील स्मृति (जैसे, पूर्वाभ्यास) में है, उस पर जाने के लिए कोई विराम का उपयोग कर सकता है। इसके बजाय, हमने पाया कि पॉज़ जानकारी को याद करने में सुधार करता है, जो पॉज़ के बाद वर्किंग मेमोरी में जोड़ी जाती है, जिससे पॉज़ से पहले से ही वर्किंग मेमोरी में किसी भी आइटम को भुला दिया जाता है। इस खोज से पता चलता है कि विराम (अर्थात, समय) कार्यशील स्मृति को भविष्य की जानकारी के लिए तैयार करने में मदद करता है और कार्यशील स्मृति में समय की भूमिका के बारे में सोचने के एक नए तरीके की मांग करता है।

मदों और इस प्रकार बाद की वस्तुओं के रखरखाव में सुधार। इस मामले में, पूर्वव्यापी प्रभाव के अतिरिक्त एक सक्रिय प्रभाव हो सकता है।

अल्पकालिक समेकन आमतौर पर केवल अंतिम-एन्कोडेड आइटम पर लागू होने के लिए माना जाता है। इसके अलावा, यह एक सीमित प्रसंस्करण संसाधन पर निर्भर करता है, इसलिए अधिकांश सिद्धांतवादी मानते हैं कि किसी भी समय केवल एक आइटम समेकित होता है (समीक्षा के लिए, रिकर एट अल।, 2018 देखें)। इस अवधारणा से पता चलता है कि किसी भी खाली समय के अंतराल में, केवल तत्काल पूर्ववर्ती वस्तु को समेकित किया जाता है। यदि प्रत्येक आइटम को केवल अगले आइटम की शुरुआत से बाधित होने तक समेकित किया जाता है, तो खाली समय का लाभकारी प्रभाव पूर्वव्यापी और स्थानीय होना चाहिए: लंबे समय तक खाली समय एक पूर्ववर्ती आइटम के लंबे समय तक समेकन को सक्षम बनाता है। रिकर और हार्डमैन (2017) ने एक वैकल्पिक परिकल्पना प्रस्तावित की है: अल्पकालिक समेकन एक बैलिस्टिक है

प्रक्रिया जो एक बार शुरू होने के बाद पूरी होती है। जब समेकन को पूरा करने के लिए पर्याप्त समय नहीं दिया जाता है, तो अगले आइटम का समेकन स्थगित कर दिया जाता है और इस तरह कटौती की जाती है (रिकर एंड हार्डमैन, 2017)। बढ़ा हुआ खाली समय उस स्थगन से बचा जाता है और इस तरह बाद के आइटम के लिए स्मृति में सुधार करता है, केवल इस मद के लिए स्थानीय सक्रिय लाभ की भविष्यवाणी करता है। विज़ुअल वर्किंग मेमोरी प्रयोगों की एक श्रृंखला में, रिकर और हार्डमैन (2017) ने ऐसे स्थानीय, सक्रिय प्रभाव के लिए सबूत प्राप्त किए।

अस्थायी-विशिष्टता परिकल्पना के अनुसार, लंबे समय तक अंतराल खाली समय को खाली समय अंतराल (ब्राउन एट अल।, 2007) के तुरंत पहले और बाद में वस्तुओं की अस्थायी विशिष्टता में वृद्धि करनी चाहिए। इसलिए, अस्थायी विशिष्टता स्थानीय प्रभावों की भविष्यवाणी करती है जो सक्रिय और पूर्वव्यापी दोनों हैं। कई अध्ययनों में इस भविष्यवाणी का परीक्षण किया गया है। जबकि मान्यता परीक्षणों (मोरिन एट अल।, 2010) और पुनर्निर्माण के कुछ संस्करणों में अनुमानित प्रभाव देखे गए हैं, वे तत्काल सीरियल-रिकॉल परीक्षणों (लेवांडोव्स्की एट अल।, 2006; निम्मो और लेवांडोव्स्की) में स्पष्ट रूप से अनुपस्थित हैं। , 2005, 2006; Parmentier et al।, 2006; Peteranderl & Oberauer, 2018)।

इसी तरह, अस्थायी समूहों के बीच संदर्भ परिवर्तन सममित सक्रिय और पूर्वव्यापी लाभों की भविष्यवाणी करते हैं जो मुख्य रूप से स्थानीय हैं, लेकिन कुछ हद तक वैश्विक भी हैं (बर्गेस एंड हिच, 1999; फैरेल, 2012)। इस तरह के प्रभाव आमतौर पर सीरियल रिकॉल में देखे जाते हैं, जिससे समूह के भीतर प्रधानता और पुनरावृत्ति प्रभाव (फ्रैंकिश, 1989; रयान, 1969 ए) होता है।

यह समझने के लिए कि कार्यशील स्मृति में किस खाली समय का उपयोग किया जाता है, हमने परीक्षण किया (ए) क्या खाली समय का स्थानीय या वैश्विक प्रभाव है और (बी) क्या खाली समय का प्रभाव सक्रिय, पूर्वव्यापी या दोनों है। प्रयोग 1 वैश्विक और स्थानीय प्रभावों के बीच निर्णय लेने पर केंद्रित है। हमने सूचियों के भीतर अंतरिम समय की अवधि को अलग-अलग किया। इंटरइटम समय या तो पूरी सूची में लगातार कम था, लगातार लंबा था, या सभी पदों के लिए अलग-अलग सूची में अलग-अलग था, जैसे कि औसत अंतराल समय लगातार लंबी स्थिति में था। चर-अंतराल की स्थिति का उद्देश्य यह परीक्षण करना था कि क्या प्रत्येक अंतर-अंतराल की अवधि का मुख्य रूप से आसन्न वस्तुओं (यानी, स्थानीय प्रभाव) पर प्रभाव पड़ता है या सूची वस्तुओं (यानी, एक वैश्विक प्रभाव) में फैलता है।

चर-अंतराल हेरफेर लेवांडोव्स्की एट अल के डिजाइन को दोहराता है। (2006) लौकिक-विशिष्टता परिकल्पना के परीक्षण के लिए। इस डिजाइन के साथ सीरियल-रिकॉल अध्ययन में समय के स्थानीय प्रभावों के लिए कोई सबूत नहीं मिला, जो अस्थायी विशिष्टता की भविष्यवाणियों के विपरीत है। हालांकि, एक संभावना जिस पर हमें विचार करने की आवश्यकता है, वह यह है कि लोग विस्तृत पूर्वाभ्यास या अल्पकालिक समेकन जैसी प्रक्रियाओं के लिए मुफ्त अंतराल अंतराल का उपयोग केवल तभी करते हैं जब उनकी अवधि अनुमानित हो। उस स्थिति में, अस्थायी-विशिष्टता अध्ययनों में अप्रत्याशित रूप से भिन्न अंतराल का उपयोग स्मृति में सुधार की किसी भी प्रक्रिया के लिए नहीं किया जा सकता है। यदि ऐसा है, तो चर-अंतराल की स्थिति में स्मृति लगातार लंबे अंतराल वाली स्थिति की तुलना में खराब होनी चाहिए, कुल मिलाकर समान मात्रा में मुफ्त अंतराल प्रदान करने के बावजूद।

प्रयोग 2a और 2b के साथ, हमने परीक्षण किया कि खाली समय का लाभ किस हद तक सक्रिय या पूर्वव्यापी था। हमने केवल एक अंतरिम समय बढ़ाया, जबकि बाकी तय किया गया था। लंबी अवधि के समय की स्थिति पूरी सूची में भिन्न थी। लंबा अंतराल अंतराल 2,500 एमएस या 500 एमएस हो सकता है, जबकि नियमित अंतराल अंतराल प्रत्येक 50 एमएस था। हमने पूछा कि क्या लंबे अंतराल का पूर्ववर्ती वस्तुओं (पूर्ववर्ती), निम्नलिखित वस्तुओं (सक्रिय), या दोनों पर प्रभाव पड़ा है। इसके अलावा, हमें उम्मीद थी कि 500-ms और 2,500-ms अंतराल दोनों के लिए विचलन इंटरिटम अंतराल के कारण अस्थायी-समूहन प्रभाव देखने को मिलेगा। क्योंकि रयान (1969b) ने छोटे और लंबे इंटरग्रुप अंतरालों के बीच समूहीकरण प्रभावों में कोई अंतर नहीं देखा, हमने इन समूह प्रभावों को दोनों विचलन लंबाई के बराबर होने का अनुमान लगाया। इसका उद्देश्य यह देखना था कि स्मृति सूची में अलग-अलग पदों पर दिए गए अतिरिक्त खाली समय (2, 000 एमएस) अस्थायी-समूह प्रभावों के ऊपर और ऊपर, हेरफेर किए गए अंतराल से पहले या बाद में देखी गई वस्तुओं के प्रदर्शन को लाभ पहुंचाएगा।

तरीका

प्रतिभागियों

इक्कीस, 25 और 26 युवा वयस्कों ने क्रमशः प्रयोग 1, 2a और 2b में भाग लिया। नमूना आकार पिछले प्रयोगों के आधार पर चुने गए थे जिन्होंने लंबे अंतराल अंतराल के लाभकारी प्रभाव दिखाए हैं। जब हम एक निर्धारित लक्ष्य नमूना आकार (एन प्लस 1, यदि संभव हो तो विश्लेषण के दौरान किसी भी डेटा को बाहर करने की आवश्यकता होने पर) तक पहुंचने पर डेटा संग्रह रोक दिया गया था। प्रयोग 1 का लक्ष्य नमूना आकार 20 था, और प्रयोग 2a और 2b का लक्ष्य नमूना आकार 25 था। प्रयोग 60 मिनट तक चले। प्रतिभागियों को उनके समय के लिए एक कोर्स क्रेडिट या प्रति घंटे 15 स्विस फ़्रैंक के साथ प्रतिपूर्ति की गई थी।

प्रक्रिया

प्रत्येक परीक्षण 500 एमएस के लिए प्रस्तुत एक केंद्रीय निर्धारण बिंदु के साथ शुरू हुआ, उसके बाद अध्ययन सूची की प्रस्तुति। सूचियों में एक समय में एक प्रस्तुत किए गए सात व्यंजन शामिल थे (चित्र 1 देखें)। प्रयोग 1 में, प्रत्येक सूची आइटम को 250 एमएस के लिए स्क्रीन पर प्रस्तुत किया गया था, उसके बाद इंटरस्टिमुलस अंतराल (आईएसआई) के शेष के लिए एक खाली स्क्रीन के बाद, यहां एक व्यंजन के ऑफसेट से अगले की शुरुआत तक कुल अंतराल के रूप में परिभाषित किया गया था। . प्रयोगों में

अंजीर। 1. प्रयोग 1 और 2 से प्रत्येक स्थिति में एन्कोडिंग चरण की समयरेखा। प्रत्येक स्थिति में, 21 व्यंजनों से यादृच्छिक रूप से तैयार किए गए सात व्यंजन, एक समय में एक प्रस्तुत किए गए थे। इसके बाद सीरियल-रिकॉल टेस्ट हुआ। इंटरस्टिमुलस अंतराल (आईएसआई), जिसे एक व्यंजन के ऑफसेट से अगले एक की शुरुआत तक कुल अंतराल के रूप में परिभाषित किया गया है, विभिन्न स्थितियों में भिन्न है। सूचियों के ऊपर की संख्या उनके नीचे के व्यंजन के लिए ISI को दर्शाती है। प्रयोग 1 में, अंतिम व्यंजन हमेशा 250 ms के लिए प्रस्तुत किया गया था और उसके बाद अवधारण अंतराल था। अवधारण अंतराल, अंतिम व्यंजन के ऑफसेट और परीक्षण के बीच का समय, सभी स्थितियों (1,250 एमएस) के लिए तय किया गया था। लंबी-परिवर्तनीय स्थिति में, छह अलग-अलग ISI को एक सूची (50, 250, 550, 950, 1,450, और 1,950 ms) के भीतर प्रत्येक ISI पद के लिए यादृच्छिक रूप से असाइन किया गया था। लंबे समय से स्थिर स्थिति में, ISI तय किए गए (870 ms); ISI का योग लगभग दीर्घ-परिवर्तनीय स्थिति के समान ही था। शॉर्ट-फिक्स्ड कंडीशन में, ISI फिक्स्ड (50 ms) थे, और उनका योग अन्य स्थितियों की तुलना में कम था। प्रयोग 2 में, ISI में से एक ISI शेष ISI से अधिक लंबा हो सकता है, जो एन्कोडिंग चरण में एक अंतराल का परिचय देता है और अध्ययन वस्तुओं के बीच खाली समय प्रदान करता है। शॉर्ट-गैप कंडीशन में यह गैप 500 ms और लॉन्ग-गैप कंडीशन में 2,500 ms था। यहां दिखाए गए लघु और दीर्घ-अंतराल स्थितियों के उदाहरणों में, अध्ययन सूची में पहले आइटम के बाद अंतर दिखाई देता है। वास्तविक प्रयोग में, अंतर सूची में किसी भी स्थिति में हो सकता है। प्रयोग 2 में अन्य सभी ISI (बिना अंतराल [बेसलाइन] स्थिति वाले सहित) 50 ms थे। केवल प्रयोग 2b में नो-गैप की स्थिति थी।

2a और 2b, प्रत्येक सूची आइटम को 300 ms के लिए प्रस्तुत किया गया था और उसके बाद शेष ISI के लिए एक रिक्त स्क्रीन प्रस्तुत की गई थी। प्रयोग 2a और 2b में मानक ISI 50 ms था। सभी प्रयोगों में, सूची प्रस्तुति के बाद देरी हुई (प्रयोग 1 के लिए 1,250 एमएस; प्रयोग 2ए और 2बी के लिए 1,000 एमएस), और फिर प्रतिभागियों ने तत्काल सीरियल-रिकॉल टेस्ट शुरू किया। प्रतिभागियों को निर्देश दिया गया कि वे अपनी प्रस्तुति के क्रम में पत्र टाइप करें। अगले परीक्षण के लिए आगे बढ़ने से पहले उन्हें सात आइटम दर्ज करने थे।

प्रयोग 1. प्रयोग में 18 परीक्षणों के छह खंड शामिल थे, जिसके परिणामस्वरूप 108 परीक्षण हुए। यह जांचने के लिए कि खाली समय का प्रभाव वैश्विक था या स्थानीय, हमने आईएसआई की अवधि में हेरफेर किया। एक आईएसआई एक आइटम के ऑफसेट से अगले आइटम की शुरुआत तक कुल अंतराल है। तीन शर्तें थीं: सूची में लघु ISI (50 ms) से युक्त एक लघु-निर्धारित स्थिति, सूची में लंबी ISI (870 ms) से युक्त एक लंबी-निश्चित स्थिति, और चर ISI से युक्त एक लंबी-परिवर्तनीय स्थिति। प्रत्येक प्रतिभागी को इनमें से प्रत्येक स्थिति में, यादृच्छिक क्रम में समान संख्या में परीक्षण प्राप्त हुए।

मुख्य हेरफेर लंबी-परिवर्तनीय स्थिति थी, जो लेवांडोव्स्की एट अल के डिजाइन का पालन करती थी। (2006)। इस स्थिति में छह अलग-अलग आईएसआई थे: 50 एमएस, 250 एमएस, 550 एमएस, 950 एमएस, 1,450 एमएस और 1,950 एमएस। दीर्घ-परिवर्तनीय स्थिति के प्रत्येक परीक्षण में, इनमें से प्रत्येक ISI को सूची में एक अंतर-वस्तु पद सौंपा गया था। छह अंतरालों के 720 संभावित आदेश थे; इन आदेशों को 20 प्रतिभागियों को एक एल्गोरिथम द्वारा सौंपा गया था जो प्रत्येक आदेश का उपयोग करने की आवृत्तियों में परिवर्तनशीलता को कम करता था। इस तरह, प्रत्येक आइटम से पहले या बाद में आईएसआई आइटम की सीरियल स्थिति से बेबुनियाद था। दीर्घ-परिवर्तनीय स्थिति (5,200 ms) में ISI का योग लगभग दीर्घ-निर्धारित स्थिति (5,220 ms) में ISI के योग के बराबर था। सूचियों में अंतिम आइटम के बाद का समय सभी शर्तों (1,250 एमएस) के लिए तय किया गया था।

प्रयोग 2क. प्रयोग में 36 परीक्षणों के आठ ब्लॉक शामिल थे, जिसके परिणामस्वरूप 288 परीक्षण हुए। प्रत्येक परीक्षण में, एक अंतर-विषयक स्थिति में एक विचलित ISI था, या तो छोटा (500 ms) या लंबा (2,500 ms)। दोनों ने शेष मानक आईएसआई की पृष्ठभूमि के विपरीत एक अस्थायी अंतर पैदा किया, जो सभी 50 एमएस थे। इस तरह के अंतराल को अस्थायी समूहन (रयान, 1969 बी) को जन्म देने के लिए जाना जाता है, लेकिन क्योंकि रयान (1969 ए) ने छोटे और लंबे अंतराल के लिए समान समूहन प्रभाव दिखाया है, इसलिए हमें शॉर्ट-गैप और लॉन्ग- के बीच ग्रुपिंग प्रभावों में कोई अंतर नहीं होने की उम्मीद थी। अंतराल की स्थिति। हमने जांच की कि क्या सामान्य समूह लाभ के शीर्ष पर, लंबे अंतराल की स्थिति में दिया गया अतिरिक्त खाली समय खाली समय से पहले की वस्तुओं या खाली समय के बाद की वस्तुओं के लिए स्मृति में सुधार करता है। अध्ययन सूची में छह स्थान थे जहां अंतर डाला जा सकता था: पहली से छठी तक किसी भी वस्तु का अनुसरण करना। कुल मिलाकर, 12 स्थितियां थीं: दो अंतराल अवधियों द्वारा छह अंतराल की स्थिति। प्रत्येक ब्लॉक में प्रत्येक शर्त के तीन परीक्षण शामिल थे, जिसके परिणामस्वरूप प्रति शर्त 24 परीक्षण हुए।

प्रयोग 2बी. प्रयोग 2 एक अंतर को छोड़कर प्रयोग 1 जैसा ही था। हमने एक आधारभूत स्थिति जोड़ी जिसमें कोई अंतराल नहीं था, ताकि अंतराल के सामान्य प्रभावों की जांच की जा सके, जैसे कि अस्थायी समूहन। आधारभूत स्थिति में, कोई विचलित आईएसआई नहीं था; सभी आईएसआई 50 ​​एमएस थे। इसने कुल 13 शर्तें बनाईं। प्रत्येक ब्लॉक में प्रत्येक स्थिति के तीन परीक्षण शामिल थे, जिसके परिणामस्वरूप कुल मिलाकर 312 परीक्षण हुए।

सामग्री

प्रत्येक सूची के लिए, जर्मन वर्णमाला के 21 व्यंजनों से प्रतिस्थापन के बिना सात व्यंजन बेतरतीब ढंग से खींचे गए थे।

डेटा विश्लेषण

हमने BayesFactor पैकेज (संस्करण 0.9.12-4.2; मोरे और राउडर, 2018) से lmBF फ़ंक्शन का उपयोग करके बायेसियन रैखिक मिश्रित-प्रभाव मॉडल का अनुमान लगाया है, जिसे R में लागू किया गया है। प्रोग्रामिंग वातावरण (संस्करण 4.0.1; आर कोर टीम, 2020)। हमारे विश्लेषण ने एक मॉडल-चयन दृष्टिकोण का पालन किया जो केवल "प्रशंसनीय मॉडल" के सेट पर केंद्रित था, जो कि हाशिए के सिद्धांत द्वारा निहित था (राउडर एट अल।, 2016)। अधिक विशेष रूप से, प्रत्येक प्रयोग के लिए, हमने प्रशंसनीय मॉडल के पूर्ण सेट का अनुमान लगाया और फिर सभी मॉडलों की तुलना अशक्त मॉडल से की, जिसमें बेयस कारकों (बीएफ) का उपयोग करते हुए केवल एक अवरोधन और विषयों का एक यादृच्छिक प्रभाव था। सबसे बड़े बीएफ वाले मॉडल का उपयोग यह निर्धारित करने के लिए किया गया था कि डेटा ने किस प्रभाव (यानी, मुख्य प्रभाव और बातचीत) के लिए या इसके खिलाफ सबूत प्रदान किए हैं। चूंकि हमारे डेटा में बार-बार उपाय शामिल थे (सभी प्रयोगों में सभी कारकों के लिए), हमने इस चरण को दो बार किया- एक न्यूनतम मॉडल के लिए जिसमें यादृच्छिक-प्रभाव संरचना में केवल यादृच्छिक अवरोध होते हैं और एक बार डिज़ाइन द्वारा उचित अधिकतम यादृच्छिक-प्रभाव संरचना के लिए। (बर्र एट अल।, 2013)। नीचे, हम अधिकतम मॉडल के आधार पर परिणामों की रिपोर्ट करते हैं। जब तक अन्यथा न कहा गया हो, न्यूनतम यादृच्छिक-प्रभाव संरचना का उपयोग करने वाले मॉडलों के सेट के लिए बीएफ का पैटर्न (यानी, एक विशिष्ट प्रभाव के लिए या उसके खिलाफ सबूत प्रदान करना) समान था। ऑनलाइन उपलब्ध पूरक सामग्री में भी पूर्ण परिणाम प्रदान किए गए हैं। सभी विश्लेषण प्रतिभागी और डिज़ाइन के सेल द्वारा एकत्रित डेटा पर किए गए थे। इसलिए, डिज़ाइन द्वारा उचित अधिकतम यादृच्छिक-प्रभाव संरचना उच्चतम क्रम प्रभाव (उदाहरण के लिए, उच्चतम ऑर्डर इंटरैक्शन; सिंगमैन और केलेन, 2020) के लिए यादृच्छिक ढलानों को लागू नहीं करती है।

अंजीर। 2. प्रयोग 1 की तीन स्थितियों में तत्काल सीरियल-रिकॉल कार्य पर सटीक प्रतिक्रियाओं का अनुपात। ग्राफ़ दिखाते हैं (ए) धारावाहिक स्थितियों में प्रत्येक शर्त के लिए औसत प्रदर्शन, (बी) प्रत्येक स्थिति के लिए प्रदर्शन धारावाहिक स्थितियों में औसत औसत पूर्व-आइटम समय के एक समारोह के रूप में, और (सी) प्रत्येक शर्त के लिए प्रदर्शन के बाद आइटम समय के एक समारोह के रूप में धारावाहिक पदों में औसत। सीरियल-रिकॉल सटीकता प्रत्येक सूची आइटम के लिए एक सही प्रतिक्रिया निर्दिष्ट करके निर्धारित की गई थी, यदि उस आइटम को सही आउटपुट स्थिति में वापस बुलाया गया था। त्रुटि पट्टियां विषयों के भीतर 95 प्रतिशत विश्वास अंतरालों को दर्शाती हैं।

नीचे रिपोर्ट किए गए परिणाम अक्सर BF10 के रूप में दिए जाते हैं, जो एक विशेष फोकल मॉडल, मॉडल 1 के लिए एक तुलना मॉडल, मॉडल 0 के खिलाफ साक्ष्य की ताकत को दर्शाता है। BF10 का मान इंगित करता है कि मॉडल 1 के मॉडल 0 से अधिक होने की कितनी अधिक संभावना है। यदि BF10 का मान 1 से अधिक है, तो यह वैकल्पिक मॉडल (यानी, मॉडल 0 से अधिक मॉडल 1) के लिए साक्ष्य को इंगित करता है। यदि BF10 का मान 1 से कम है, तो यह सरल मॉडल (अर्थात, मॉडल 1 से अधिक मॉडल 0) के प्रमाण को इंगित करता है। बाद के मामले में, हम इसके बजाय BF01 की रिपोर्ट करते हैं, जो BF01=1/BF10 द्वारा दिया जाता है ताकि 1 से बड़ा BF01 मान सरल मॉडल के लिए साक्ष्य इंगित करे। BF की व्याख्या p मानों के रूप में नहीं की जा सकती है और महत्व के लिए कटऑफ प्रदान नहीं करते हैं। एक बड़ा बीएफ विजेता मॉडल के लिए मजबूत सबूत दर्शाता है। एक व्याख्यात्मक दिशानिर्देश के रूप में, 3 से छोटे बीएफ को कमजोर सबूत माना जाता है, 3 और 10 के बीच बीएफ को पर्याप्त सबूत माना जाता है, और 10 से बड़े या 0.1 से छोटे बीएफ को मजबूत सबूत माना जाता है (कास एंड राफ्टी, 1995)।

प्रयोग 1 के लिए, पहले विश्लेषण में दो कारक शामिल थे, क्रमानुसार स्थिति और स्थिति, और दूसरे विश्लेषण में केवल एक कारक, ISI शामिल था, जिसके लिए मॉडल 0 पर केवल एक मॉडल 1 की तुलना की आवश्यकता थी। प्रयोग 2ए और 2बी के लिए, विश्लेषण में तीन कारक शामिल थे, जिसके परिणामस्वरूप कई प्रशंसनीय मॉडल थे जो डेटा की व्याख्या कर सकते थे। उन विश्लेषणों के लिए जिनमें एक से अधिक कारक शामिल थे, हमने पहले प्रत्येक मॉडल के लिए शून्य मॉडल की तुलना में BF10 की जांच की और मॉडल को BF10 मान द्वारा दिखाए गए सबसे मजबूत सबूत के साथ डेटा का वर्णन करते हुए पाया। उच्चतम BF10 वाले मॉडल की तुलना व्यक्तिगत प्रभावों की उपस्थिति या अनुपस्थिति के बारे में विशिष्ट परिकल्पनाओं के परीक्षण के लिए अतिरिक्त मॉडलों के साथ की गई थी। यह केवल मॉडल के BF10 को विभाजित करके किया जा सकता है, जिसमें प्रभाव को छोड़कर मॉडल के BF10 के साथ प्रभाव शामिल है, जो प्रभाव के पक्ष में BF प्रदान करता है। नए BF के सार्थक होने के लिए इन BF10 मानों से शून्य मॉडल समान होना चाहिए। कुछ मामलों में, अनुवर्ती विश्लेषणों ने बायेसियन टी-परीक्षणों को भी नियोजित किया। सभी प्रयोगों में, प्रदर्शन सीरियल-रिकॉल सटीकता को संदर्भित करता है, जो प्रत्येक सूची आइटम को केवल तभी सही प्रतिक्रिया देता है जब उस आइटम को सही आउटपुट स्थिति में वापस बुलाया गया हो।

परिणाम

प्रयोग 1

प्रयोग 1 में हमारा उद्देश्य कार्यशील स्मृति में खाली समय के स्थानीय और वैश्विक प्रभावों की जांच करना था। मॉडल की तुलना ने पूर्ण मॉडल के लिए मजबूत सबूत दिखाए। स्थिति (शॉर्ट फिक्स्ड, लॉन्ग फिक्स्ड, और लॉन्ग वेरिएबल) और सीरियल पोजीशन (BF10> 10, 000 के बीच एक इंटरेक्शन था, जिसमें अशक्त मॉडल और दूसरा-सर्वश्रेष्ठ मॉडल दोनों की तुलना में, जिसमें दोनों मुख्य प्रभाव शामिल थे) . जैसा कि चित्र 2a से देखा जा सकता है, लंबी-निश्चित और लंबी-चर स्थितियों में प्रदर्शन, शॉर्ट-फिक्स्ड स्थिति में प्रदर्शन से बेहतर था (दोनों BF10s> 10, 000 बायेसियन टी परीक्षणों से स्थितियों के बीच प्रदर्शन की तुलना करते हुए) धारावाहिक स्थिति में एकत्रित)। इसके अलावा, लंबी-निश्चित और लंबी-परिवर्तनीय स्थितियों में प्रदर्शन भिन्न नहीं था (बीएफ 01=7.7, दो स्थितियों के बीच कोई अंतर नहीं के शून्य मॉडल के लिए सबूत)।

दूसरा, हमने लंबी-परिवर्तनीय स्थिति का विश्लेषण किया, यह विस्तार से देखते हुए कि पूर्व-आइटम और पोस्ट-आइटम समय- किसी आइटम के तुरंत पहले या बाद में आईएसआई कैसे-प्रत्येक आइटम की स्मृति को प्रभावित करते हैं। इस विश्लेषण के लिए, सीरियल पोजिशन 1 और 7 को बाहर रखा गया था, क्योंकि सीरियल पोजिशन 1 में प्री-आइटम टाइम नहीं था, और सीरियल पोजिशन 7 में पोस्ट-आइटम टाइम नहीं था। दूसरे विश्लेषण के लिए निश्चित प्रभाव थे (ए) प्री-आइटम समय की अवधि और (बी) पोस्ट-आइटम समय की अवधि। प्री-आइटम समय और पोस्ट-आइटम समय दोनों 0.3 सेकेंड और 2.2 सेकेंड के बीच भिन्न थे, और छह अवधियां थीं। यदि मुफ़्त इंटर-आइटम समय का स्थानीय प्रभाव होता है, तो लंबे समय से पूर्व-आइटम समय, लंबे समय के बाद के समय, या दोनों के साथ प्रदर्शन में सुधार होना चाहिए। अगर फ्री इंटरिटम टाइम का वैश्विक प्रभाव होता है, तो ऐसे किसी भी प्रभाव की भविष्यवाणी नहीं की जाएगी क्योंकि लॉन्ग-वेरिएबल कंडीशन के सभी परीक्षणों के लिए कुल फ्री इंटरिटम टाइम स्थिर था।

हमने प्रदर्शन पर प्रति-आइटम या पोस्ट-आइटम समय अवधि का कोई प्रभाव नहीं पाया (देखें अंजीर। 2 बी और 2 सी)। समय के किसी भी स्थानीय प्रभाव को खारिज करते हुए, आइटम-पूर्व समय (बीएफ01> 10,000) और पोस्ट-आइटम समय (बीएफ01> 10,000) दोनों के खिलाफ मजबूत सबूत थे।

प्रयोग 2a और 2b

प्रयोग 2a और 2b में हमारा उद्देश्य यह परीक्षण करना था कि क्या खाली समय का लाभ सक्रिय, पूर्वव्यापी या दोनों है। इसके अतिरिक्त, खाली समय का लाभ स्थानीय या वैश्विक हो सकता है। इन संभावनाओं का परीक्षण करने के लिए, हमने अंतराल और प्रस्तुत वस्तुओं के बीच अंतराल के कार्य के रूप में खाली समय के प्रभाव पर ध्यान केंद्रित किया। ऐसा करके, हम अलग-अलग पूर्ववर्ती और बाद की वस्तुओं पर खाली समय के प्रभाव का विश्लेषण कर सकते हैं। अंतराल की गणना सूची में अंतराल की स्थिति से किसी आइटम की हस्ताक्षरित दूरी के रूप में की गई थी। उदाहरण के लिए, यदि अंतर तीसरे और चौथे आइटम के बीच था, तो तीसरा आइटम लैग -1 पर होगा और चौथा आइटम लैग प्लस 1 पर होगा। तदनुसार, 10 लैग थे: −5, −4, −3, -2, -1, जमा 1, जमा 2, जमा 3, जमा 4, और जमा 5. नकारात्मक अंतराल में अंतराल से पहले के आइटम शामिल थे और इनका उपयोग पूर्वव्यापी प्रभावों का परीक्षण करने के लिए किया गया था। सकारात्मक अंतराल में अंतराल के बाद के आइटम शामिल थे और सक्रिय प्रभावों का परीक्षण करने के लिए उपयोग किया गया था। उदाहरण के लिए, प्लस 2 के अंतराल में (ए) सीरियल पोजिशन 4 पर एक आइटम शामिल होगा यदि गैप आइटम 2 और 3 के बीच था, (बी) सीरियल पोजिशन 5 पर एक आइटम अगर गैप आइटम 3 और 4 के बीच था, और ( सी) सीरियल पोजिशन 6 पर एक आइटम अगर गैप आइटम 4 और 5 के बीच था। लैग प्लस 2 के लिए मेमोरी परफॉर्मेंस की गणना उचित गैप-पोजिशन स्थितियों में इन आइटम्स के लिए सीरियल-रिकॉल परफॉर्मेंस के औसत से की जाएगी।

स्मृति प्रदर्शन पर खाली समय के सक्रिय और पूर्वव्यापी प्रभावों की जांच करने के लिए, हमने अंतराल के संकेत और इसके पूर्ण मूल्य के साथ अंतराल (450 एमएस बनाम 2,450 एमएस) में अतिरिक्त खाली समय की बातचीत का परीक्षण किया। अंतराल के संकेत ने संकेत दिया कि क्या कोई आइटम पहले (नकारात्मक अंतराल) या उसके बाद (सकारात्मक अंतराल) में हेरफेर किया गया था, और इसलिए, अंतराल संकेत के साथ खाली समय की अवधि की बातचीत ने हमें बताया कि क्या खाली समय का प्रभाव अधिक पूर्वव्यापी या अधिक था सक्रिय। अंतराल के पूर्ण मूल्य के साथ खाली समय की अवधि की बातचीत-विशेष रूप से, अंतराल ±1 और बड़े पूर्ण अंतराल के बीच का अंतर-हमें बताता है कि प्रभाव स्थानीय या वैश्विक था।1

चित्र 3 प्रयोग 2a और 2b में स्थितियों में प्रदर्शन प्रस्तुत करता है। स्मृति पर एक उल्लेखनीय सक्रिय प्रभाव पड़ा; एक छोटे अंतराल के बाद की वस्तुओं की तुलना में लंबे अंतराल के बाद की वस्तुओं के लिए प्रदर्शन बेहतर था। पूर्ववर्ती मदों के प्रदर्शन पर लंबे और छोटे खाली समय के प्रभाव के बीच कोई अंतर नहीं था। दूसरे शब्दों में, अंतराल अवधि का कोई पूर्वव्यापी प्रभाव नहीं था।

प्रयोग 2a के लिए, सर्वश्रेष्ठ मॉडल में खाली समय के मुख्य प्रभाव, अंतराल संकेत, और पूर्ण अंतराल, साथ ही खाली समय-दर-अंतराल-संकेत इंटरैक्शन शामिल थे, लेकिन खाली समय और पूर्ण अंतराल (बीएफ {{5 }} की तुलना पूर्ण मॉडल से की गई, जिसमें सभी दो-तरफ़ा इंटरैक्शन और तीन-तरफ़ा इंटरैक्शन शामिल थे, और दूसरे सबसे अच्छे मॉडल की तुलना में BF=3.7, जिसमें सभी दो-तरफ़ा इंटरैक्शन शामिल थे, लेकिन तीन नहीं -वे इंटरैक्शन)। प्रयोग 2b के लिए, सबसे अच्छा मॉडल पूर्ण मॉडल था (बीएफ=495 दूसरे सबसे अच्छे मॉडल की तुलना में जिसमें कोई तीन-तरफ़ा इंटरैक्शन नहीं था)।

अंतराल के संकेत के साथ खाली समय की अवधि की बातचीत को विच्छेदित करने के लिए, हमने बायेसियन टी परीक्षणों के साथ बाद की वस्तुओं (सकारात्मक अंतराल) और पूर्ववर्ती वस्तुओं (नकारात्मक अंतराल) के लिए अलग-अलग लंबे और छोटे खाली समय के बीच जोड़ीदार तुलना की जांच की। प्रयोग 2a और 2b दोनों में, लंबे समय से खाली समय की स्थिति में अतिरिक्त खाली समय ने लघु-मुक्त समय की स्थिति की तुलना में बाद की वस्तुओं के प्रदर्शन में सुधार किया, एक सक्रिय लाभ के लिए मजबूत सबूत प्रदान किया (प्रयोग 2a: BF10=1 ,137; प्रयोग 2बी: बीएफ10=885)। इसके विपरीत, पूर्वव्यापी लाभों के प्रमाण कमजोर थे। प्रयोग 2a में, अतिरिक्त खाली समय में पूर्ववर्ती वस्तुओं के प्रदर्शन में केवल एक छोटी राशि (पूर्वव्यापी लाभ के लिए अस्पष्ट साक्ष्य; BF10=1.15) में सुधार हुआ। प्रयोग 2बी में, अतिरिक्त खाली समय के पूर्वव्यापी लाभ के लिए कोई सबूत नहीं था, और इसके बजाय, इस तरह के लाभ (बीएफ01=2.6) के खिलाफ कमजोर सबूत थे।

हमारा अगला विश्लेषण इस बात पर केंद्रित था कि क्या खाली समय का प्रभाव पूर्ण अंतराल के साथ बदलता है। किसी भी स्थानीय प्रभाव को पूर्ण अंतराल के साथ खाली समय की बातचीत द्वारा संकेतित किया जाएगा। हमने पूर्ववर्ती और बाद की वस्तुओं के लिए अलग-अलग इस इंटरैक्शन पर ज़ूम इन किया।

प्रयोग 2a के परिणामों ने खाली समय की किसी भी बातचीत और दोनों के लिए पूर्ण अंतराल का संकेत नहीं दिया

अंजीर। 3. प्रयोग 2a (a) और 2b में अंतराल (-5 से 5) और खाली समय (लंबी, छोटी) की मात्रा के रूप में पूर्ववर्ती और बाद की वस्तुओं के लिए तत्काल सीरियल-रिकॉल कार्य पर सटीक प्रतिक्रियाओं का अनुपात (बी)। सीरियल-रिकॉल सटीकता प्रत्येक सूची आइटम के लिए एक सही प्रतिक्रिया निर्दिष्ट करके निर्धारित की गई थी, यदि उस आइटम को सही आउटपुट स्थिति में वापस बुलाया गया था। त्रुटि पट्टियां विषयों के भीतर 95 प्रतिशत विश्वास अंतरालों को दर्शाती हैं।

पूर्ववर्ती और बाद की वस्तुएँ। बाद की वस्तुओं के लिए, सर्वश्रेष्ठ मॉडल में केवल दो मुख्य प्रभाव शामिल थे (पूर्ण मॉडल=6 की तुलना में बीएफ)। पूर्ववर्ती मदों के लिए, सर्वोत्तम मॉडल में केवल पूर्ण अंतराल का मुख्य प्रभाव शामिल था; हालांकि, दूसरे सर्वश्रेष्ठ मॉडल पर इस मॉडल का समर्थन करने वाले साक्ष्य, जिसमें दो मुख्य प्रभाव शामिल थे, अस्पष्ट थे (बीएफ10=1.17)।

प्रयोग 2बी के परिणामों ने केवल पूर्ववर्ती मदों के लिए पूर्ण अंतराल और खाली समय के बीच अंतःक्रिया के साक्ष्य प्रदान किए, न कि बाद की वस्तुओं के लिए। बाद की वस्तुओं के लिए, सर्वश्रेष्ठ मॉडल में केवल दो मुख्य प्रभाव शामिल थे (पूर्ण मॉडल की तुलना में बीएफ=9.53)। पूर्ववर्ती मदों के लिए, निरपेक्ष अंतराल और खाली समय के बीच एक अंतःक्रिया के साक्ष्य थे (बीएफ 10 दूसरे सबसे अच्छे मॉडल की तुलना में> 1, 000)। ऐसा प्रतीत होता है कि बातचीत पूर्ववर्ती मदों के लिए पूर्ण लैग 5 द्वारा संचालित है, जो चित्र 3बी में लैग −5 है। जैसा कि चित्र 3बी से देखा जा सकता है, लैग -5 पर, कम खाली समय की तुलना में लंबे खाली समय के लिए प्रदर्शन कम था। यह प्रभाव एक खाली समय के लाभ के विपरीत है और इसलिए समय के पूर्वव्यापी लाभ की धारणा का समर्थन नहीं करता है।

अस्थायी-समूहन प्रभाव

प्रयोग 2ए और 2बी को आईएसआई में से एक में अतिरिक्त खाली समय देकर खाली समय के लाभ की जांच करने के लिए डिजाइन किया गया था। एक आईएसआई में एक अस्थायी अंतराल को अस्थायी समूहन शुरू करने के लिए जाना जाता है, और इसलिए, हमें खाली समय प्रभाव को समूहन प्रभाव से अलग करने की आवश्यकता है। हमने माना कि शॉर्ट गैप और लॉन्ग गैप दोनों ने ग्रुपिंग को एक ही डिग्री तक प्रेरित किया ताकि लॉन्ग गैप बनाम शॉर्ट गैप का कोई अतिरिक्त प्रभाव खाली समय के प्रभाव को दर्शाता है। यहाँ, हम इस अनुमान के लिए सबूत प्रदान करते हैं।

टेम्पोरल-ग्रुपिंग प्रभाव आम तौर पर अंतराल के बाद आइटम को वापस बुलाने के लिए अंतर-प्रतिक्रिया समय में तेज वृद्धि और अंतराल से पहले और बाद में सीरियल-रिकॉल प्रदर्शन में वृद्धि (फैरेल एट अल।, 2011) की विशेषता है। यह जांचने के लिए कि क्या लघु और दीर्घ-अंतराल दोनों स्थितियों के लिए समान अस्थायी समूहन को प्रेरित किया गया था, हमने सीरियल रिकॉल पर आमतौर पर देखे गए अस्थायी-समूह प्रभावों के लिए प्रयोग 2 बी के डेटा की जांच की। हमने प्रयोग 2b को चुना क्योंकि इस प्रयोग में एक आधारभूत शर्त शामिल थी, जो एक नियंत्रण सूची के रूप में काम कर सकती थी।

हमने दो चरणों में तीन स्थितियों के बीच, रिकॉल पर इंटर रिस्पांस टाइम और सीरियल-रिकॉल सटीकता के अंतर की गणना की। सबसे पहले, हमने शॉर्ट-गैप कंडीशन से नो-गैप कंडीशन के परफॉर्मेंस (यानी इंटर रिस्पॉन्स टाइम और एक्यूरेसी) को घटाया। यह अंतर मुख्य रूप से अस्थायी-समूहीकरण प्रभावों को प्रतिबिंबित करना चाहिए। दूसरा, हमने शॉर्ट-गैप कंडीशन में परफॉर्मेंस को लॉन्ग-गैप कंडीशन में परफॉर्मेंस से घटा दिया। यह अंतर समूहीकरण के प्रभाव के ऊपर और ऊपर समय प्रभाव को प्रतिबिंबित करना चाहिए। इन अंतरों को चित्र 4 में अंतराल के एक फलन के रूप में प्लॉट किया गया है। चित्र 4 दर्शाता है कि समय प्रभाव गुणात्मक रूप से भिन्न था

अंजीर। 4. अस्थायी समूहन और समय के प्रभाव (ए) प्रतिक्रिया समय और (बी) प्रयोग 2 बी में सीरियल रिकॉल। अस्थायी-समूहन प्रभाव को शॉर्ट-गैप और नो-गैप स्थितियों के बीच प्रदर्शन में अंतर की गणना करके निर्धारित किया गया था, और लंबे अंतराल और शॉर्ट-गैप स्थितियों के बीच प्रदर्शन में अंतर की गणना करके समय प्रभाव निर्धारित किया गया था। 0 पर लाल रेखा स्थितियों के बीच कोई अंतर नहीं दर्शाती है। सीरियल-रिकॉल सटीकता प्रत्येक सूची आइटम के लिए एक सही प्रतिक्रिया निर्दिष्ट करके निर्धारित की गई थी, यदि उस आइटम को सही आउटपुट स्थिति में वापस बुलाया गया था; इस तरह की सही प्रतिक्रियाओं के अनुपात का उपयोग सटीकता के मार्कर के रूप में किया गया था। दोनों प्रतिक्रिया समय में अंतर

और सीरियल-रिकॉल प्रदर्शन को अंतराल के एक समारोह के रूप में दिखाया गया है। त्रुटि पट्टियां विषयों के भीतर 95 प्रतिशत विश्वास अंतरालों को दर्शाती हैं।

अस्थायी-समूहन प्रभाव से। जबकि लैग प्लस 1 आइटम (यानी, अंतराल के बाद आइटम) के लिए चुनिंदा रूप से अंतर प्रतिक्रिया समय में वृद्धि हुई, समय प्रभाव नहीं हुआ। इसके अलावा, सीरियल-रिकॉल सटीकता पर टेम्पोरल-ग्रुपिंग प्रभाव सममित था - टेम्पोरल ग्रुपिंग के कारण गैप के दोनों पक्षों में सुधार हुआ - जबकि टाइम इफेक्ट असममित था, गैप के बाद केवल आइटम्स को फायदा हुआ (इन अवलोकनों के लिए सांख्यिकीय समर्थन के लिए, पूरक देखें। सामग्री)। अंत में, समूहीकरण और विस्तारित खाली समय के प्रभाव गुणात्मक रूप से भिन्न हैं, यह दर्शाता है कि समय प्रभाव समूहीकरण का केवल एक प्रवर्धित प्रभाव नहीं है।

सारांश

ये परिणाम सामूहिक रूप से इंगित करते हैं कि (ए) खाली समय बाद की वस्तुओं के लिए स्मृति में सुधार करता है, न कि पिछली वस्तुओं के लिए, जो विशुद्ध रूप से सक्रिय लाभ का संकेत देता है, और (बी) सक्रिय-मुक्त-समय का लाभ पूर्ण अंतराल के साथ बातचीत नहीं करता है, जो एक वैश्विक संकेत देता है प्रभाव। बाद की खोज महत्वपूर्ण है क्योंकि बैलिस्टिक अल्पकालिक समेकन (रिकर एंड हार्डमैन, 2017) की धारणा केवल लैग प्लस 1 के लिए ऐसे सक्रिय प्रभाव की भविष्यवाणी करती है न कि अन्य लैग के लिए। वर्तमान प्रयोगों में, सक्रिय प्रभाव लैग 1 के लिए विशिष्ट नहीं था और इसलिए, अल्पकालिक समेकन द्वारा समझाया नहीं जा सकता है।

बहस

हमने दिखाया कि खाली समय का तत्काल सीरियल-रिकॉल प्रदर्शन पर वैश्विक और सक्रिय प्रभाव पड़ता है। पहले प्रयोग के परिणामों से पता चला कि खाली समय का प्रभाव स्थानीय नहीं बल्कि वैश्विक है, जैसा कि सूची वस्तुओं में फैले खाली समय के लाभ से संकेत मिलता है। दूसरे प्रयोग और इसकी प्रतिकृति ने विशुद्ध रूप से सक्रिय लाभ के प्रमाण प्रदान किए। कार्यशील स्मृति में समय लाभ की विशुद्ध रूप से सक्रिय प्रकृति इस निष्कर्ष के अनुरूप है कि अतिरिक्त समय केवल वस्तुओं की प्रस्तुति के बीच सहायक है, लेकिन पूरी सूची (ओबेराउर और लेवांडोव्स्की, 2016) की प्रस्तुति के बाद नहीं।

इन निष्कर्षों को पूर्वाभ्यास या अल्पकालिक समेकन द्वारा समझाया नहीं जा सकता है, जो मानता है कि खाली समय का उपयोग पूर्ववर्ती वस्तुओं के प्रतिनिधित्व को मजबूत करने के लिए किया जा सकता है। हमारे निष्कर्षों का अर्थ है कि इन प्रक्रियाओं के लिए अतिरिक्त खाली समय (250-300 एमएस प्रस्तुति समय के शीर्ष पर) का उपयोग नहीं किया गया था या ये प्रक्रियाएं सहायक नहीं थीं।2

हमारे निष्कर्षों को लौकिक विशिष्टता या संदर्भ परिवर्तन द्वारा भी नहीं समझाया जा सकता है। अस्थायी विशिष्टता स्थानीय लाभों की भविष्यवाणी करती है जो सममित रूप से सक्रिय और पूर्वव्यापी हैं, जो हमने पाया उसके विपरीत। प्रयोग 2 में, विचलित अस्थायी अंतराल ने यकीनन एक नए समूह संदर्भ में बदलाव को प्रेरित किया (बर्गेस एंड हिच, 1999; फैरेल, 2012)। शायद एक लंबे अंतराल ने मजबूत समूहन को प्रेरित किया? इसके विपरीत, हमने पाया कि समूहन के अनुभवजन्य हस्ताक्षर गुणात्मक रूप से खाली समय के लाभ से भिन्न थे (चित्र 4 देखें)।

शायद फैरेल (2012) का मॉडल समूह-आधारित स्पष्टीकरण प्रदान कर सकता है कि क्यों लंबे अंतराल से केवल पोस्टगैप आइटम का लाभ हुआ। इस मॉडल में, अंतिम समूह को विशेष रूप से उच्च पहुंच प्राप्त है क्योंकि इसका संदर्भ सूची के अंत में अभी भी सक्रिय है। हालाँकि, क्योंकि हमारा कार्य एक सीरियल रिकॉल था, प्रतिभागियों को पहले पहले समूह को वापस बुलाना शुरू करना था, जिसके लिए पहले समूह के संदर्भ को बहाल करने की आवश्यकता होती है, जिस बिंदु पर अंतिम समूह अपना लाभ खो देता है। इसलिए, फैरेल का समूहीकरण मॉडल वर्तमान निष्कर्षों की व्याख्या नहीं कर सकता है।

क्योंकि हमारे परिणाम किसी भी स्थापित सैद्धांतिक प्रस्ताव से सहमत नहीं हैं, हमने पूछा कि हम उन्हें कैसे समझा सकते हैं। एक संभावित व्याख्या यह है कि खाली समय पूर्ववर्ती वस्तुओं के तदर्थ खंडन या उन्हें दीर्घकालिक स्मृति (या दोनों) में आउटसोर्स करने में सक्षम बनाता है, जिससे कार्यशील स्मृति पर भार कम होता है, जो बाद की वस्तुओं के रखरखाव की सुविधा प्रदान करता है। यह स्पष्टीकरण इस सवाल को उठाएगा कि ये प्रक्रियाएं पूर्ववर्ती वस्तुओं के लिए स्मृति को अपरिवर्तित क्यों छोड़ती हैं। चंकिंग आमतौर पर खंडित जानकारी (चेन एंड कोवान, 2005; मिलर, 1956; थालमन एट अल।, 2019) के लिए काफी बेहतर मेमोरी के साथ होती है। लंबी अवधि की स्मृति में आउटसोर्सिंग जानकारी से सटीकता कम होने की उम्मीद की जा सकती है क्योंकि लंबी अवधि की स्मृति में जानकारी परीक्षणों के दौरान सक्रिय हस्तक्षेप के निर्माण के लिए कमजोर है। यह एक अप्रत्याशित दुर्घटना होगी यदि प्रारंभिक सूची वस्तुओं के प्रतिनिधित्व के ऐसे परिवर्तनों ने उनकी पहुंच को अपरिवर्तित छोड़ दिया।

वैकल्पिक रूप से, पोपोव और रेडर (2020) के एक हालिया सिद्धांत ने प्रस्तावित किया कि एपिसोडिक मेमोरी में एन्कोडिंग जानकारी के लिए एक सीमित संसाधन है जो एन्कोडेड प्रत्येक आइटम के साथ समाप्त हो जाता है, और यह संसाधन धीरे-धीरे समय के साथ ठीक हो जाता है। यदि हम उस विचार को कार्यशील स्मृति के क्षेत्र में स्थानांतरित करते हैं, तो यह हमारे अध्ययन के निष्कर्षों की व्याख्या कर सकता है: (ए) प्रत्येक परीक्षण एक सीमित एन्कोडिंग संसाधन के साथ शुरू होता है, (बी) प्रत्येक एन्कोडिंग घटना उपलब्ध संसाधनों का एक निश्चित अनुपात लेती है, और ( ग) प्रत्येक अंतर-वस्तु अंतराल के दौरान, संसाधन धीरे-धीरे ठीक हो जाता है। यह इस प्रकार है कि संसाधन लंबे ISI के साथ अधिक पुनर्प्राप्त करता है। यह लाभ केवल ISI का अनुसरण करने वाली वस्तुओं के लिए होता है, जिससे विशुद्ध रूप से सक्रिय लाभ होता है। लाभ वैश्विक है क्योंकि प्रत्येक वस्तु उपलब्ध संसाधन का निरंतर अनुपात लेती है। एक लंबे अंतराल के दौरान संसाधन को फिर से भरने के बाद, वह अनुपात बाद की सभी वस्तुओं के लिए एक बड़ी राशि है।3

एन्कोडिंग-संसाधन खाता एक नया विचार है और इसलिए इसे अभी तक तत्काल याद करने के लिए लागू नहीं किया गया है। हमने यह देखने के लिए कि क्या हमारे प्रयोगों में देखे गए डेटा पैटर्न की भविष्यवाणी की जा सकती है, यह देखने के लिए हमने एन्कोडिंग-संसाधन विचार को शामिल करते हुए एक सरल मॉडल बनाया। चित्रा 5 मॉडल समीकरणों और विवरणों के साथ प्रयोग 1 और 2 के लिए सिम्युलेटेड डेटा दिखाता है। मॉडल हमारी खोज के अनुरूप प्रयोग 1 के लिए लंबी-निश्चित और लंबी-परिवर्तनीय स्थितियों के बराबर प्रदर्शन की भविष्यवाणी करता है, और सीरियल स्थिति के साथ स्थिति की बातचीत भी करता है। हालांकि, मॉडल छोटे प्री-आइटम समय के लिए थोड़ा कम प्रदर्शन की भी भविष्यवाणी करता है, जिसे हमने नहीं देखा। मॉडल ने प्रयोग 2 में वैश्विक और सक्रिय समय लाभ को सटीक रूप से पुन: प्रस्तुत किया।

हमने पता लगाया कि क्या मॉडल खाली समय के स्थानीय सक्रिय लाभ को भी समायोजित कर सकता है जिसे रिकर और हार्डमैन (2017) ने दृश्य उत्तेजनाओं के लिए देखा था। हमने पाया कि, तेजी से संसाधन की कमी और तेजी से पुनःपूर्ति के साथ, यह मामला था (पूरक सामग्री में चित्र S2 देखें)। इसलिए, एन्कोडिंग-संसाधन धारणा का तात्पर्य एक सक्रिय प्रभाव है, जो- मॉडल मापदंडों के आधार पर- या तो अधिक वैश्विक या अधिक स्थानीय हो सकता है।

संक्षेप में, तीन प्रयोगों में, हमने कार्यशील स्मृति पर खाली समय के एक उपन्यास लाभकारी प्रभाव का दस्तावेजीकरण किया जो सक्रिय और वैश्विक है। रखरखाव प्रक्रियाएं जो खाली समय के दौरान हो सकती हैं, एक पूर्वव्यापी लाभ की भविष्यवाणी करती हैं, जबकि अल्पकालिक समेकन खाता, साथ ही साथ अस्थायी-विशिष्टता परिकल्पना, स्थानीय लाभ की भविष्यवाणी करती है। एक संदर्भ बदलाव, जैसा कि अस्थायी समूहन के कुछ मॉडलों में कल्पना की गई है, सममित सक्रिय और पूर्वव्यापी लाभों की भविष्यवाणी करता है। इसलिए, वर्तमान निष्कर्षों को उनके वर्तमान स्वरूप में रखरखाव, समेकन, अस्थायी-विशिष्टता, या संदर्भ-शिफ्ट खातों द्वारा समझाया नहीं जा सकता है (इन खातों की भविष्यवाणियों के लिए, तालिका 1 देखें)। वर्तमान में, केवल एक नया एन्कोडिंग-संसाधन खाता वर्तमान निष्कर्षों की एक आशाजनक व्याख्या प्रस्तुत करता है। उपन्यास अनुभवजन्य निष्कर्ष यहां काम कर रहे स्मृति की एक एन्कोडिंग संसाधन की सीमा के अधीन होने की संभावना का समर्थन करते हैं जो प्रत्येक आइटम को एन्कोड किया जा रहा है और समय के साथ ठीक हो जाता है।

पारदर्शिता

एक्शन एडिटर: डेनिएला शिलर

संपादक: पेट्रीसिया जे। बाउर

लेखक का योगदान

दोनों लेखकों ने प्रयोगों को डिजाइन और प्रोग्राम किया और डेटा एकत्र किया। E. Mızrak ने डेटा का विश्लेषण किया और प्रारंभिक पांडुलिपि का मसौदा तैयार किया, और K. Oberauer ने महत्वपूर्ण प्रतिक्रिया और संशोधन प्रदान किए। दोनों लेखकों ने प्रस्तुत करने के लिए अंतिम पांडुलिपि को मंजूरी दी।

परस्पर विरोधी हितों की घोषणा

लेखक (ओं) ने घोषणा की कि इस लेख के लेखकत्व या प्रकाशन के संबंध में हितों का कोई टकराव नहीं है।

अंजीर। 5. मॉडल समीकरण (ई) के साथ प्रयोग 1 (ए, बी, सी) और प्रयोग 2 (डी) के लिए नकली डेटा। ग्राफ़ दिखाते हैं (ए) धारावाहिक स्थितियों में प्रत्येक शर्त के लिए औसत प्रदर्शन, (बी) प्री-आइटम समय के एक समारोह के रूप में धारावाहिक स्थितियों में औसत प्रत्येक शर्त के लिए प्रदर्शन, (सी) प्रत्येक शर्त के लिए प्रदर्शन के एक समारोह के रूप में धारावाहिक पदों में औसत प्रदर्शन पोस्ट-आइटम समय, और (डी) अंतराल और खाली समय की मात्रा के रूप में पूर्ववर्ती और बाद की वस्तुओं के लिए तत्काल सीरियल-रिकॉल कार्य पर प्रदर्शन। सभी ग्राफ़ में, सीरियल-रिकॉल सटीकता को प्रत्येक सूची आइटम के लिए एक सही प्रतिक्रिया निर्दिष्ट करके निर्धारित किया गया था, यदि उस आइटम को सही आउटपुट स्थिति में वापस बुलाया गया था; इस तरह की सही प्रतिक्रियाओं के अनुपात का उपयोग सटीकता के मार्कर के रूप में किया गया था। डेटा एक मॉडल के साथ उत्पन्न किया गया था जो अनुकरण करता है कि एक सूची के एन्कोडिंग के दौरान एक सीमित एन्कोडिंग संसाधन कैसे विकसित होता है। प्रत्येक परीक्षण संसाधन की अधिकतम मात्रा के साथ शुरू होता है, Rmax, और प्रत्येक आइटम, i, एन्कोडेड होने के लिए उपलब्ध संसाधन Ri के निरंतर अनुपात p का उपभोग करता है। संसाधन राशि आइटम को असाइन की गई मेमोरी उसकी मेमोरी क्षमता (समीकरण 1) को निर्धारित करती है। आइटम i के बाद के समय के अंतराल के दौरान, संसाधन को एक स्थिर दर r के साथ अधिकतम Rmax (समीकरण 2) तक भर दिया जाता है। रिकॉल की संभावना की गणना और गेन पैरामीटर के साथ समीकरण 1 पर आधारित मेमोरी स्ट्रेंथ के लॉजिस्टिक फंक्शन के साथ की गई थी। इस प्रकार, मॉडल के चार पैरामीटर हैं: पहला, p, संसाधनों के उपलब्ध पूल से प्रत्येक आइटम द्वारा उपभोग किए जाने वाले संसाधन का अनुपात, 0 और 1 के बीच; दूसरा, r, वह दर जिस पर प्रति सेकंड संसाधन की पूर्ति की जाती है—यह खाली समय के साथ संसाधनों में वृद्धि को निर्धारित करता है; तीसरा, लाभ; और चौथा, , संयुक्त रूप से स्मृति शक्ति को वापस बुलाने की संभावना में बदलने का निर्धारण करता है। इस सिमुलेशन के लिए उपयोग किए जाने वाले पैरामीटर मान p=.23, r=.11, गेन=13, और τ=0.11 हैं।

अनुदान

इस शोध को स्विस नेशनल साइंस फाउंडेशन (प्रोजेक्ट 100014_179002) से के. ओबेरॉयर के अनुदान द्वारा समर्थित किया गया था।

खुली प्रथाएं

सभी डेटा को OSF के माध्यम से सार्वजनिक रूप से उपलब्ध कराया गया है और इसे https://osf.io/egz64 पर एक्सेस किया जा सकता है। प्रयोगों के लिए डिजाइन और विश्लेषण योजनाएं पहले से पंजीकृत नहीं थीं।

इस लेख को ओपन डेटा और ओपन मैटेरियल्स के लिए बैज मिला है। ओपन प्रैक्टिस के बारे में अधिक जानकारी-

tices बैज http://www.psychologi calscience.org/publications/badges पर देखे जा सकते हैं।

ओआरसीआईडी ​​आईडी

क्लॉस ओबेरॉयर https://orcid.org/0000-0003-3902-7318

पूरक सामग्री

अतिरिक्त सहायक जानकारी http:// journals.sagepub.com/doi/suppl/10.1177/0956797621996659 पर देखी जा सकती है।

टिप्पणियाँ

1. यह देखते हुए कि अध्ययन सूची का पहला आइटम बाद का आइटम नहीं हो सकता है, और अध्ययन सूची का अंतिम आइटम पूर्ववर्ती आइटम नहीं हो सकता है, हमने इन मदों को विश्लेषण से बाहर रखा है। इसलिए, हमने एब्सोल्यूट लैग 6 को बाहर कर दिया, जिसमें केवल पहला या अंतिम आइटम शामिल था।

2. हमारे निष्कर्ष कम समय के पैमानों पर अल्पकालिक समेकन के योगदान से इंकार नहीं करते हैं: रिकर और हार्डमैन (2017) ने लगभग 500 एमएस तक के मुफ्त इंटरटेम अंतराल का स्थानीय सक्रिय लाभ दिखाया है। इस तरह के तेजी से समेकन 300 एमएस से कई सेकंड की सीमा में खाली समय के लाभ में बहुत कम योगदान देगा, जिसकी हमने यहां जांच की थी।

3. पोपोव और रेडर (2020) द्वारा मूल मॉडल में, प्रत्येक एन्कोडिंग घटना द्वारा लिया गया संसाधन एक निश्चित राशि है, जो उपलब्ध संसाधनों के साथ नहीं बदलता है। यहां, हमने इसे उपलब्ध संसाधनों के एक निश्चित अनुपात में बदल दिया।

4. यहां वर्णित मॉडल के लिए आर स्क्रिप्ट और डेटा का अनुकरण https://osf.io/egz64 पर उपलब्ध है।