per ulteriori informazioni:ali.ma@wecistanche.com

per favore clicca qui per la parte 2

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

Accettato: 12 febbraio 2021 / Pubblicato online: 25 marzo 2021

# Gli autori 2021

ClicCistanche UK per la memoria

Astratto

Il mantenimento delle informazioni sugli ordini seriali è una componente fondamentale del lavoromemoria(WM). Molti modelli teorici presuppongono l'esistenza di specifici meccanismi di ordine seriale. Questi sono considerati indipendenti dal sistema linguistico che supporta il mantenimento delle informazioni sugli articoli. Ciò si basa su studi che dimostrano che i fattori psicolinguistici influenzano fortemente la capacità di mantenere le informazioni sugli articoli lasciando l'ordine di ricordare relativamente inalterato. Recenti resoconti linguistici suggeriscono, tuttavia, che il sistema linguistico potrebbe fornire meccanismi sufficienti per il mantenimento in serie degli ordini. Una versione forte di questi resoconti postula che il mantenimento dell'ordine seriale emerga dal modello di attivazione che si verifica nel sistema linguistico. Nel presente studio, abbiamo testato questa ipotesi attraverso un approccio di modellazione computazionale implementando un'architettura basata esclusivamente sull'attivazione. Abbiamo testato questa architettura contro diversi esperimenti che coinvolgono la manipolazione della relazionalità semantica, una variabile psicolinguistica che ha dimostrato di interagire con l'elaborazione dell'ordine seriale in modo complesso. Mostriamo che questa architettura basata sull'attivazione fatica a tenere conto delle interazioni tra la conoscenza semantica e l'elaborazione degli ordini seriali. Questo studio non supporta l'attivazione a lungo terminememoriacome meccanismo esclusivo a supporto della manutenzione degli ordini seriali.

Parole chiave: lavoromemoria. Ordine seriale. Modellazione computazionale. Conoscenza semantica

introduzione

La capacità di mantenere le informazioni sugli ordini seriali è una componente fondamentale del lavoro verbalememoria(WM). I meccanismi coinvolti nel mantenimento dell'ordine seriale (cioè l'ordine sequenziale degli articoli da ricordare) sono stati considerati indipendenti da quelli coinvolti nel mantenimento delle informazioni sull'articolo (cioè il contenuto linguistico degli articoli da ricordare Oggetti). Questa ipotesi è supportata da diverse linee di ricerca. Gli studi che esaminano l'impatto di fattori psicolinguistici, come la lessicalità, sulle prestazioni verbali della WM, osservano tipicamente gli effetti sul richiamo degli oggetti, con effetti minimi sul richiamo dell'ordine seriale (Allen & Hulme, 2006; Hulme, 2003;

Dipartimento di Psicologia, Università di Zurigo, Binzmühlestrasse 14, 8050, Zürich, Svizzera

Università di Liegi, Liegi, Belgio

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

Fondo per la ricerca scientifica – FRS-FNRS, Bruxelles, Belgio

Romani, Mcalpine e Martin, 2008; Roodenrys, Hulme, Lethbridge, Hinton e Nimmo, 2002; Saint-Aubin e Ouellette, 2005; Walker & Hulme, 1999). Inoltre, le prestazioni di richiamo degli ordini seriali sono più fortemente influenzate da attività di interferenza ritmica e articolatoria rispetto al mantenimento delle informazioni sugli articoli (Gorin, Kowialiewski e Majerus, 2016; Henson, Hartley, Burgess, Hitch e Flude, 2003). Studi neuropsicologici hanno anche riportato l'esistenza di doppie dissociazioni tra ordine seriale e prestazioni di richiamo di oggetti in diversi pazienti con lesioni cerebrali e popolazioni affette da disturbi dello sviluppo neurologico (Brock & Jarrold, 2005; Majerus, Attout, Artielle, & Kaa, 2015; Martinez Perez , Poncelet, Salmone e Majerus, 2015). Infine, il mantenimento delle informazioni sugli articoli e sugli ordini seriali è supportato da diversi substrati neurali, come riportato da studi di neurostimolazione e neuroimaging (Atout, Fias, Salmon, & Majerus, 2014; Guidali, Pisoni, Bolognini, & Papagno, 2019; Kalm & Norris, , 2014; Majerus et al., 2010; Papagno et al., 2017).

Allo stesso tempo, altri studi suggeriscono che il richiamo dell'ordine seriale può anche interagire con la conoscenza linguistica. Sebbene la conoscenza lessicale migliori fortemente il richiamo delle informazioni sugli elementi, limita anche gli errori di migrazione dei fonemi all'interno e tra gli elementi (Jefferies, Frankish e Lambon Ralph, 2006). Allo stesso modo, le non parole, anche se ricordate più male rispetto alle parole a livello di articolo, possono mostrare un vantaggio relativo rispetto al richiamo degli ordini seriali (Fallon, Mak, Tehan e Daly, 2005; Kowialiewski & Majerus, 2018; Saint-Aubin & Poirier , 1999). Recentemente, Kalm e Norris (2014) hanno mostrato che l'ordine seriale delle non parole potrebbe essere decodificato sulla base di schemi neurali elicitati all'interno dei percorsi linguistici dorsali che supportano la codifica e il mantenimento delle informazioni verbali. Allo stesso modo, Papagno et al. (2017) hanno mostrato che le prestazioni seriali di richiamo dell'ordine diminuiscono, rispetto alle prestazioni di richiamo dell'oggetto, quando la parte posteriore del percorso del linguaggio dorsale viene stimolata utilizzando la stimolazione elettrica diretta nei pazienti neurochirurgici.

A livello teorico, è stato affermato che il mantenimento temporaneo delle informazioni sull'ordine seriale potrebbe essere eseguito senza la necessità di un articolo specifico e livelli rappresentativi dell'ordine seriale (Acheson & MacDonald, 2009; Jones & Macken, 2018; Schwering & MacDonald, 2020 ). Una versione forte di un tale resoconto considera che le informazioni sugli ordini seriali siano mantenute esclusivamente attraverso il modello di attivazioni che si verificano all'interno del sistema linguistico (Acheson, MacDonald, & Postle, 2011; Martin & Saffran, 1997; Poirier, Saint-Aubin, Mair, Tehan , & Tolan, 2015). Ad esempio, secondo Martin & Saffran (1997, p. 672):

"In linea di principio, anche i processi di attivazione interattiva potrebbero svolgere un ruolo nel mantenimento dell'ordine seriale. Il nodo di parole che rappresenta la prima parola in una sequenza viene innescato per primo e quindi ha più tempo per ottenere supporto dalle rappresentazioni fonologiche e semantiche attivate rispetto ai nodi che sono innescati più avanti in una sequenza. Pertanto, i nodi di parole dovrebbero mostrare un gradiente di livelli di attivazione attraverso posizioni seriali. [ … ] Gli effetti di recency nel ricordo supraspan riflettono l'aumento del supporto fonologico dovuto al fatto che al momento del richiamo, i livelli di attivazione di gli elementi terminali sono stati meno influenzati dalla funzione di decadimento inerente al modello di attivazione."

Cistanche può migliorare la memoria

Allo stesso modo, Acheson et al. (2011, pp. 45–46) hanno suggerito che gli errori di ordinazione seriale potrebbero verificarsi direttamente tramite il relativo livello di attivazione di un articolo in una rete linguistica:

"Questi framework di attivazione interattiva forniscono una potenziale spiegazione su come la rappresentazione semantica potrebbe influenzare l'ordine dei piani di espressione a livello lessicale. Quando qualcuno sente una parola o una sequenza di parole, l'attivazione da quell'input alimenta contemporaneamente le rappresentazioni fonologiche e rimanda a anche le rappresentazioni semantiche. Dopo la codifica iniziale, l'attivazione lessicale è determinata dall'interazione ripetuta con le rappresentazioni semantiche e fonologiche. Gli errori di ordinamento seriale si verificano quando i livelli di attivazione relativi degli elementi lessicali cambiano a causa di questa interazione."

Sulla base di questa idea, Poirier et al. (2015) hanno sviluppato una descrizione più elaborata di tali modelli, denominata conto ANet. Secondo questo resoconto, gli elementi in un elenco da ricordare sono codificati in sequenza nel lungo termine linguisticomemoriasistema con forza decrescente in seguito a un gradiente di attivazione,1 come mostrato in Fig. 1. Le informazioni sull'ordine seriale vengono mantenute tramite questo gradiente di attivazione. Il richiamo seriale viene eseguito selezionando l'articolo più fortemente attivato ad ogni tentativo di richiamo. Poiché il meccanismo di selezione è rumoroso, alla fine si verificano errori di ordine seriale. Un'importante previsione di questo modello è che la modifica del livello di attivazione di un elemento all'interno del sistema linguistico dovrebbe anche influenzare il modello di errore di ordine seriale nella WM (Achesonetal., 2011).

Prove recenti sembrano supportare questa posizione teorica. Poirier et al.(2015) hanno manipolato la relazione semantica presentando triplette di elementi semanticamente correlati nella prima metà degli elenchi da ricordare. Le voci successive delle liste erano semanticamente non correlate nella condizione di controllo (es. ufficiale–distintivo–sirena–musica–turista–giallo). Nella condizione sperimentale, il quinto item era semanticamente correlato alla tripla la prima metà dell'elenco. Rispetto alla condizione di controllo, gli autori hanno osservato un aumento degli errori di migrazione del quinto item verso posizioni seriali precedenti, cioè verso le triplette di parole semanticamente correlate. ), questo target dovrebbe avere un livello di attivazione più elevato nella condizione sperimentale (Fig. 1c) rispetto alla condizione di controllo (Fig. 1b). Poiché il richiamo delle informazioni sull'ordine in serie viene eseguito selezionando l'articolo più attivato, un gradiente di attivazione a lungo terminememoriapotrebbe teoricamente prevedere più migrazioni del target semanticamente correlato verso posizioni seriali precedenti. In quanto tale, la manipolazione della relazionalità semantica è un test critico e diretto dei modelli basati sull'attivazione, perché si suppone che modifichi il modello relativo di attivazione che si verifica all'interno del sistema linguistico. Questa relativa attivazione dovrebbe a sua volta influenzare l'elaborazione delle informazioni sugli ordini seriali (Acheson et al., 2011), che i dati di Poirier e colleghi sembrano supportare. Questa era davvero una previsione fondamentale dal loro account ANet:

"Nell'Esperimento 1, abbiamo manipolato il livello di attivazione di un articolo target per testare la previsione che ciò avrebbe aumentato gli errori di ordine per quell'articolo, rendendo probabile che il meccanismo CQ [Competitive Queuing] avrebbe selezionato questo articolo prima a causa della sua maggiore attivazione; questo la selezione anticipata significherebbe che l'attivazione ha influito sull'ordine in cui gli articoli sono stati richiamati." (Poirier et al., 2015, p. 492).

Fig. 1 Illustrazione del gradiente di attivazione (a) in una condizione semanticamente non correlata, (b) in una condizione in cui gli elementi A, B e C sono semanticamente correlati e (c) in una condizione in cui gli elementi A, B, C ed E sono semanticamente correlati. Gli elementi semanticamente correlati sono contrassegnati da un asterisco. Come si può vedere, la presenza di relazioni semantiche aumenta il livello di attivazione dell'elemento per gli elementi correlati

Dato che questo resoconto teorico è in netto contrasto con la maggior parte dei modelli computazionali di WM che postulano livelli distinti di elaborazione di articoli e ordini seriali, lo scopo del presente studio era di verificare la plausibilità computazionale di un resoconto linguistico puramente basato sull'attivazione per rappresentare l'ordine seriale informazioni in un contesto WM. La maggior parte dei modelli computazionali di WM presuppone infatti esplicitamente l'esistenza di meccanismi di ordine seriale distinti da quelli coinvolti nelle informazioni sugli articoli. È il caso ad esempio delle architetture TBRS* e SOB-CS (Oberauer & Lewandowsky, 2011; Oberauer, Lewandowsky, Farrell, Jarrold, & Greaves, 2012), ma anche dei modelli computazionali di Burgess e Hitch (1999, 2006) e Brown, Hulme e Preece (2000). Questi tipi di architetture considerano che le informazioni sugli ordini seriali siano mantenute attraverso la creazione di associazioni articolo-posizione, le posizioni essendo rappresentate da specifici meccanismi rappresentativi. Questi modelli, sebbene differiscano fortemente per la natura delle rappresentazioni di posizione seriali, riproducono in modo affidabile importanti fenomeni di ordine seriale, inclusi gli effetti di primacy e recency e modelli di errore di trasposizione.

che è un fattore psicolinguistico critico per verificare la plausibilità di un'architettura puramente basata sull'attivazione. Per dare una panoramica dell'architettura computazionale, abbiamo dapprima ipotizzato che le informazioni sull'ordine seriale fossero mantenute tramite un gradiente di attivazione del primato a lungo terminememoria(Martin & Saffran, 1997; Page & Norris, 1998; Poirier et al., 2015). Abbiamo quindi adattato questa architettura aggiungendo connessioni eccitatorie laterali per modellare gli effetti semantici.

Cistanche può migliorare la memoria

Modellazione computazionale

Architettura

L'architettura che abbiamo utilizzato è un modello connessionista composto da un unico livello. Una volta codificato, un elemento diventa attivo. Questa attivazione dovrebbe avvenire direttamente nella base di conoscenza della memoria a lungo termine. Gli elementi semanticamente correlati sono collegati tramite connessioni eccitatorie bidirezionali dirette, la cui plausibilità nel modellare gli effetti semantici nella WM è già stata dimostrata in tre modelli indipendenti (Haarmann & Usher, 2001; Kowialiewski & Majerus, 2020; Kowialiewski, Portrat e Lemaire , 2021). Gli oggetti vengono attivati ​​successivamente con forza decrescente utilizzando un gradiente di attivazione. Ogni elemento codificato diffonde automaticamente l'attivazione verso gli altri elementi semanticamente correlati. Il richiamo viene effettuato recuperando in successione ogni articolo in base al valore di attivazione. Per semplicità, abbiamo utilizzato l'ultima implementazione del modello Primacy, che è stata resa disponibile da Norris, Kalm e Hall (2020). La nostra implementazione Julia dell'architettura che proponiamo è disponibile gratuitamente su Open Science Framework (OSF): https://osf.io/9e4hu/.

Codifica Nel modello Primacy originale, la codifica segue un gradiente di attivazione, che indichiamo V. Questo è definito da un valore di picco, , e un valore di passo, . Il valore è un parametro libero e rappresenta il valore di partenza a cui è associato il primo elemento. Il valore rappresenta la quantità di esaurimento dal valore in ogni fase di codifica. Questo parametro è fissato a 1. Ad esempio, dato un valore di 20, il gradiente di attivazione è [20, 19, 18, 17, 16, 15] per un elenco di sei voci. Nota che le prove non sono mai modellate esplicitamente nel modello Primacy. Ciò include l'ultima implementazione di Norris e colleghi. L'attivazione all'interno del modello è semplicemente derivata da ciò che ci si aspetterebbe se si verificassero teoricamente le prove.

Diffusione dell'attivazione Durante la codifica, l'attivazione si diffonde verso i nodi semanticamente correlati. Questo è modellato includendo connessioni eccitatorie bidirezionali. La forza di queste connessioni è un parametro libero, λ. Ad ogni fase di codifica, gli elementi vengono attivati ​​utilizzando il gradiente di attivazione V. L'attivazione si diffonde quindi in modo bidirezionale all'interno della rete:

dove Ai rappresenta il valore di attivazione finale associato all'elemento i, eAj è l'attivazione proveniente da ciascun elemento semanticamente correlato, j, scalato dal peso di connessione, λ. Il subscript t rappresenta il timestamp.

È importante notare che non intendiamo rappresentare esplicitamente la conoscenza semantica. Ciò che intendiamo rappresentare attraverso questo principio di attivazione diffusa è il fatto che gli elementi semanticamente correlati si riattivano a vicenda. A sua volta, questa riattivazione dovrebbe modificare l'attivazione relativa dell'articolo e quindi il modello di errori dell'ordine seriale (Acheson et al., 2011). In altre parole, la modifica del livello di attivazione relativo degli elementi nella rete semantica cambia anche la rappresentazione interna del modello del loro ordine seriale.

Richiamo Dopo che tutti gli elementi sono stati codificati, il modello deve recuperare gli elementi. Ciò avviene utilizzando un meccanismo di accodamento competitivo.2 Il richiamo è un processo in due fasi.

2 Poirier e colleghi hanno suggerito che il meccanismo di accodamento competitivo fosse modellato utilizzando un modello ad accumulatore, seguendo Hurlstone e Hitch (2015). Abbiamo implementato un meccanismo di accodamento competitivo basato sui principi dell'accumulatore (disponibile su OSF). Ciò non ha fornito alcun miglioramento del modello, con l'eccezione che il modello accumulatore fornisce l'ulteriore opportunità di fare previsioni sulle latenze di richiamo, che va oltre lo scopo di questo studio. Pertanto, ci siamo semplicemente limitati all'ultima implementazione disponibile del modello Primacy.

In primo luogo, un elemento viene selezionato come potenziale candidato. Questo processo è soggetto a rumore:

Questo è modellato aggiungendo un rumore gaussiano casuale a centraggio zero temporaneo all'attivazione di ciascun elemento, con una deviazione standard di σ, un parametro libero. Viene quindi selezionato l'elemento più attivato. La soppressione della risposta (Duncan & Lewandowsky, 2005) si verifica già in questa fase, impostando l'elemento richiamato su un valore molto basso (cioè, -999). Ciò impedisce al modello di richiamare un oggetto due volte. In secondo luogo, il valore di attivazione dell'elemento selezionato viene confrontato con una soglia di omissione. Questa soglia è ricavata da una distribuzione gaussiana casuale N(θ, σ′), dove θ e σ′ sono due parametri liberi. Se il valore di attivazione dell'elemento selezionato (senza il rumore aggiunto durante il primo passaggio) è superiore alla soglia di recupero, l'elemento viene richiamato correttamente. In caso contrario, viene prodotta un'omissione. Va sottolineato che questa implementazione presuppone che la soppressione della risposta sia sempre applicata durante la prima fase di recupero, indipendentemente dal fatto che sia stata prodotta un'omissione durante la seconda fase. Questa scelta di implementazione di Norris et al. (2020) è improbabile che sia plausibile. Ma dall'esperienza che abbiamo acquisito eseguendo il modello molte volte, questo è l'unico modo in cui il modello Primacy può produrre errori di omissione mentre modella curve di posizione seriali realistiche. Si noti che è possibile produrre curve di posizione seriali realistiche evitando questo problema di implementazione senza influenzare le ipotesi di base del modello. Tuttavia, per semplicità, abbiamo preferito attenerci all'implementazione originale. Al momento di ogni successivo tentativo di richiamo, tutti gli articoli sono decaduti:

dove D è un parametro libero, che va da 0 a 1. A causa di questo parametro di decadimento, gli elementi richiamati più avanti negli elenchi sono più soggetti a rumore, perché i valori di attivazione convergono verso un asintoto. Tutti i parametri del modello sono elencati in Tabella

1. Metodo

Set di dati La validità di questo modello è stata testata su tre diversi set di dati: due set di dati (Kowialiewski et al., 2021; Kowialiewski & Majerus, 2020) che includono condizioni semantiche e neutre (ovvero, la condizione neutra è una condizione semanticamente non correlata ), e i dati di Poirier et al. (2015), che abbiamo già descritto nell'Introduzione. Il modello si basa su diversi parametri che dipendono in parte dall'attività. I parametri sono stati quindi stimati in modo indipendente per ciascun set di dati. In primo luogo, i parametri che non dipendono dalla correlazione semantica sono stati stimati in base al neutro

condizione, al fine di ottenere un modello di base in grado di riprodurre le prestazioni di richiamo seriale standard. In secondo luogo, la condizione semantica è stata utilizzata per stimare il parametro λ, che controlla il livello di correlazione semantica tra gli elementi.

Procedura di punteggio complessivo Le curve di posizione seriale sono tracciate utilizzando un rigoroso criterio di richiamo seriale, in cui un articolo viene valutato come corretto solo se richiamato nella posizione seriale corretta. Ad esempio, data la sequenza di destinazione "Articolo1 – Articolo2 – Articolo3 – Articolo4 – Articolo5 – Articolo6" e l'output di richiamo "Articolo1 – Articolo2 – vuoto – Articolo3 – Articolo4 – Articolo6", solo gli elementi 1, 2 e 6 verrebbero valutati come corretta. Per adattare i dati sperimentali, abbiamo utilizzato anche un criterio di richiamo articolo, in cui un articolo viene valutato come corretto se correttamente richiamato, indipendentemente dalla sua posizione seriale. Nell'esempio sopra menzionato, gli elementi 1, 2, 3, 4 e 6 verrebbero valutati come corretti. Per valutare l'impatto complessivo della correlazione semantica sulle prestazioni di richiamo dell'ordine, abbiamo calcolato un punteggio di richiamo dell'ordine per ciascuna condizione sperimentale. Ciò è stato fatto dividendo il numero di volte in cui gli articoli sono stati richiamati nella posizione corretta (ad esempio, severo criterio di richiamo di serie) per il numero di volte in cui gli articoli sono stati richiamati, indipendentemente dalla loro posizione di serie (ad esempio, criterio di richiamo dell'articolo).

Velocità di trasposizione Il modello di errori di trasposizione in Poirier et al. (2015) lo studio è stato tracciato utilizzando i tassi di trasposizione. Abbiamo calcolato il numero di errori di trasposizione che si sono verificati per l'elemento 5 (che è semanticamente correlato o non agli elementi 1,2 e 3) e per ciascuna posizione verso cui l'elemento 5 potrebbe migrare. Abbiamo quindi diviso questi numeri di errori di trasposizione per il numero totale di volte in cui è stato richiamato l'elemento 5. Questo è stato calcolato separatamente per ogni condizione sperimentale.

Stima dei parametri La stima dei parametri di base del modello è stata eseguita utilizzando un algoritmo di annealing simulato

(French & Kus, 2008; Kirkpatrick, Gelatt, & Vecchi, 1983) per trovare l'errore quadratico medio della radice più basso (RMSE) tra i punteggi di richiamo della posizione seriale sperimentale e simulata, su entrambi e criteri di richiamo degli articoli. L'RMSE è stato quindi sempre calcolato su 12 punti dati: sei punti dati per il rigido criterio di richiamo seriale e sei punti dati per il criterio di richiamo articolo. I limiti inferiore e superiore di ciascun parametro libero sono riportati nella Tabella 1. La stima del parametro semantico λ era molto più semplice e richiedeva solo una ricerca nella griglia in [0,0.1] con un passo di 0,0001. È importante sottolineare che λ è sempre stato stimato mantenendo costanti i parametri di base del modello. È stato quindi utilizzato il valore di λ che ha prodotto la più piccola differenza media tra la condizione neutra e la condizione sperimentale rispetto ai dati empirici. L'idea era di selezionare il valore di λ che produce una differenza tra punteggi neutri e sperimentali simile a quello umano. Questo è stato reso operativo riducendo al minimo il divario tra la differenza media umana e la differenza media del modello. Presentiamo ora i tre set di dati e le simulazioni di questi esperimenti corrispondenti. Un riepilogo delle diverse condizioni sperimentali con esempi di elenchi di studio è fornito nella Tabella 2.

Valutazione del modello

Set di dati n. 1: Kowialiewski e Majerus (2020)

Dati Questo set di dati è stato utilizzato per valutare la capacità del modello di riprodurre l'impatto complessivo della correlazione semantica sulle prestazioni di richiamo seriale e sulle prestazioni di richiamo degli ordini. È ben noto che la correlazione semantica migliora fortemente le prestazioni del ricordo a livello di oggetto (vedi Kowialiewski & Majerus, 2020, per una meta-analisi). La correlazione semantica ha anche un piccolo impatto deleterio sulla capacità di richiamare informazioni sull'ordine seriale, anche se l'effetto è sottile (vedi anche

Ishiguro e Saito, 2020). Di conseguenza, ci aspettiamo che l'architettura abbia un impatto minimo o nullo sulle prestazioni di richiamo degli ordini. Abbiamo utilizzato i dati riportati in Kowialiewski e Majerus (2020), dove hanno manipolato la correlazione semantica su elenchi di sei elementi in condizioni di interferenza o in attività immediate di richiamo seriale. Sono stati riportati solo i risultati di quest'ultima condizione.