Erken Gelişimde Nesne İçi ve Nesne Dışı Bellek Bağlanması Bölüm 3

Sonuçlar ve tartışma

{{0}} yaşındaki üç çocuk bilgisayar arızaları nedeniyle hariç tutuldu ve 5- yaşındaki ek bir çocuk da görevi tamamlayamadığı için hariç tutuldu. Çocuklar ve yetişkinler farklı şekillerde yanıt verdikleri için (sırasıyla dokunmatik ekran ve klavye), yanıt sürelerini analiz edemedik ancak çok hızlı (örn. < 200 ms) yanıtları olan bireysel denemeleri tüm analizlerden hariç tuttuk çünkü bunlar muhtemelen kasıtsızdı. . Hariç tutulan denemelerin yüzdesi, 5-yaşındakilerde %1,3, 8-yaşındakilerde %0,2 ve yetişkinlerde %0'dı.

Çocukların tepkileri ve hafızası yakından ilişkilidir. İyi bir reaksiyon hızı, çocuğun bilgiyi işlemesine ve daha iyi öğrenmesine yardımcı olabilir; güçlü bir hafıza ise çocuğun öğrendiklerini daha iyi hatırlamasına ve uygulamasına yardımcı olabilir.

Olayları kolayca değerlendirebilen ve hızlı tepki verebilen bir çocuk öğrenmede daha başarılı olacaktır. Bu çocuklar büyük miktarda bilgiyi verimli bir şekilde işleyebilir ve ihtiyaç duyulduğunda hızlı tepki verebilir. Çocuklar, okulun ve yaşamın her alanında hızlı bir şekilde yanıt vermeleri istendiğinde kendine güvenen bir tutum geliştirir ve daha iyi performans gösterir. Ayrıca hızlı tepki vermeleri, onlara daha iyi el-göz koordinasyonu ve sağlıklı büyüme ihtiyaçlarını karşılamak için daha fazla motor beceri kazandıracaktır.

Öte yandan güçlü bir hafıza da çok önemlidir. Okuldaki dersler ve ev ödevleri gibi görevler de dahil olmak üzere, çocukların hatırlaması gereken bilgi miktarı çok fazladır. Eğer bir çocuğun hafızası iyi değilse, okuldaki görevlerde ve ev ödevlerinde sorun yaşaması muhtemeldir. Çocuklar ne yapmaları gerektiğini unutursa ya da öğretmenin sınıfta öğrettiklerini unutursa öğrenmelerinde kör noktalarla ve eksikliklerle karşılaşacaklardır.

Neyse ki egzersizler ve eğitim yoluyla çocukların reflekslerini ve hafızalarını geliştirmelerine yardımcı olabiliriz. Örneğin, hafızalarını ve tepki hızlarını optimize etmelerine yardımcı olmak için çocukları hafıza kartı oyunları, resim yapma, müzik vb. zorlu aktivitelerle meşgul edebiliriz. Ayrıca fiziksel kondisyonlarını geliştirmek için çocukları daha fazla açık hava etkinliklerine ve spora katılmaya teşvik edebiliriz.

Ebeveynlik sürecinde çocukları sürekli yeni şeyler denemeye, okul ve aile yaşamındaki çeşitli etkinliklere aktif olarak katılmaya teşvik etmeliyiz ki daha fazla uygulama fırsatı yakalasınlar. Tepki hızlarının ve hafıza yeteneklerinin hızla gelişmesi için, hayattaki çeşitli zorluklarla güvenle yüzleşebilmeleri için çocuklara olumlu teşvik ve destek vermeliyiz. Hafızamızı geliştirmemiz gerektiği görülebilir. Cistanche Deserticola hafızayı önemli ölçüde geliştirebilir çünkü Cistanche Deserticola birçok benzersiz etkiye sahip geleneksel bir Çin tıbbi malzemesidir ve bunlardan biri hafızayı geliştirmektir. Kıymanın etkinliği asit, polisakkaritler, flavonoidler vb. dahil olmak üzere içerdiği çeşitli aktif bileşenlerden gelir. Bu bileşenler beyin sağlığını çeşitli şekillerde geliştirebilir.

Belleği geliştirmek için ekleri bil'e tıklayın

Bireysel denemeleri hariç tuttuktan sonra, hem Öğrenme hem de Öğrenme testi aşamalarında iyi performans göstermeyen katılımcılara ait tüm verileri hariç tuttuk çünkü görevi anlamayan veya ödeme yapmayan katılımcılarda girişim veya hafıza bağlanması hakkında çıkarımlar yapmak zor olacaktır. dikkat. Spesifik olarak, her katılımcı için iki adet tek kuyruklu binom testi gerçekleştirdik. İlk test, Set A Öğrenme aşamasının 2-4. Bloklarındaki tüm denemeleri Set B Öğrenme aşamasının 2-4. Bloklarındaki Benzersiz denemelerle birleştirdi. Bu aşamaların ilk Bloğunu hariç tuttuk çünkü beklenmedik durumlar ilk sunulduğunda doğruluk şansına yakın olduğunu tahmin ettik ve Çakışan denemeleri Set B'den hariç tuttuk çünkü proaktif müdahale nedeniyle bu denemelerde doğruluğun daha düşük olabileceğini düşündük.

İkinci istatistiksel test, A Grubunun ilk Öğrenme testindeki tüm denemeleri, B Grubunun Öğrenme testindeki Benzersiz denemelerle birleştirdi. B Grubu için Çakışan denemelerin hariç tutulmasının nedeni yine proaktif müdahale olasılığıydı. Her iki binom testinde de doğruluğu şansın üzerinde olmayan 12 beş yaşındaki çocuğu, beş 8- yaşındaki çocuğu ve sıfır yetişkini hariç tuttuk.1 Son örnek 32 beş yaşındaki çocuğu (Büyücü {{9}) içeriyordu. }.08 yıl, SDage=.20, dil=4.74-5.51; 13 kadın, 19 erkek), 30 sekiz yaşında (Büyücü=8. 54 yıl, SDyaş=0,28, dil=80,05–8,99; 15 kadın, 15 erkek) ve 30 yetişkin (15 kadın, 15 erkek).

Bu nihai numune boyutlarının uygun olup olmadığını incelemek için, 5-yaşındakiler ve 8-yaşındakiler için Bağlama testi aşamasındaki genel doğruluğa dayalı bir güç analizi gerçekleştirdik. Bu deneyde beş yaşındakiler ile sekiz yaşındakiler arasındaki farkı tespit etme gücü 1.00 idi; bu, bu örnek boyutlarının, hafıza bağlama doğruluğundaki yaş etkisini tespit etmek için fazlasıyla yeterli olduğunu gösteriyor.

Bu deneyin verileri Şekil 2 ve Tablo 1'de sunulmaktadır. Verileri analiz etmek için, farklı görev aşamalarında ortalama doğruluğu tahmin eden bir dizi hiyerarşik Bayesian doğrusal regresyon gerçekleştirdik. Bu analizler, çevrimiçi ek materyallerin Hiyerarşik Bayes Regresyon Modelleri ve Regresyon Modeli Sonuçları bölümlerinde eksiksiz olarak sunulmaktadır.

Genel olarak, sonuçlar tüm gruplarda güçlü örtüşmeye özgü girişim etkileri olduğunu göstermektedir. Spesifik olarak, B Grubu beklenmedik durumlarını öğrenirken veya test ederken proaktif müdahaleye dair çok az kanıt bulsak da, Set A için ikinci Öğrenme testinde (yani, Öğrenme testi 2A'da, Set B'nin öğrenilmesi ve test edilmesinden sonra) geriye dönük müdahaleye dair güçlü kanıtlar bulduk. ), çünkü Benzersiz olasılıklarla karşılaştırıldığında Çakışan için doğruluk önemli ölçüde daha düşüktü. İlginç bir şekilde, Öğrenme Testi 2A'nın genelinde doğruluk da daha düşük olma eğilimindeydi. Durumun böyle olmasının birçok nedeni olabilir: Anılar zaman içinde çürümüş olabilir, katılımcılar deneyin bu sonraki aşamasında yorulmuş olabilir veya uyaran örtüşmesine özgü olmayan diğer beklenmedik durumların müdahalesi olmuş olabilir.

Ayrıca Bağlanma testi aşamasında özellikle uyaran örtüşmesine atfedilebilecek güçlü girişim kanıtları da bulduk, çünkü Benzersiz olasılıklarla karşılaştırıldığında Çakışma için doğruluk önemli ölçüde daha düşüktü. Ayrıca Bağlama testi aşamasında 5-yaşındakiler için genel olarak daha büyük yaş gruplarına göre daha düşük doğruluk oranına dair kanıtlar bulduk. Şekil ve renk özelliklerinin nesnelerin içinde sunulduğu ve nesne içi bağlanmanın tüm yaş gruplarında nispeten güçlü olmasını beklediğimiz göz önüne alındığında, güçlü etkileşim ve gelişimsel farklılıkların sonuçları biraz şaşırtıcıydı.

Ancak bu sonuçlardan hangi ilişkilerin oluştuğu veya bu bağlanma yapılarının yaş grupları arasında nasıl farklılık gösterdiği açık değildir: katılımcılar bireysel şekil veya renk özellikleri ile karakter arasında, şekiller ve renkler arasında basit bağlanma yapıları oluşturmuş olabilirler. nesnelerin içinde ve potansiyel olarak hem özellikler hem de karakterler arasında karmaşık bir bağlama yapısı olarak değerlendirilebilecek. Bu bağlayıcı yapıların regresyon gibi standart istatistiksel modellerle ne ölçüde oluşturulduğunu tahmin etmek zordur. Bunun yerine, temel temsile (yani bağlama yapısına) dayalı olarak hem doğru yanıtları hem de çeşitli hata yanıtlarını tahmin eden bir modele ihtiyacımız var. Farklı bağlanma yapılarının oluşumunu ve bu süreçlerdeki gelişimsel farklılıkları resmi olarak tahmin etmek için üretken bir hesaplamalı model oluşturduk.

Hesaplamalı Model Açıklaması—Bu deneydeki performansın altında yattığını varsaydığımız bağlanma süreçlerini resmi olarak karakterize etmek için yeni bir hesaplamalı model geliştirdik (modelin tam açıklaması için çevrimiçi ek materyallerin Üretken Hesaplamalı Model bölümüne bakın). Model, katılımcıların yanıtlarının deney sırasında öğrenilen ilişkilerin gücüyle desteklendiğini varsayar.

Modelde, MFF, MFC ve MFFC matrisleri şekil ve renk özellikleri arasındaki ilişkileri (yani özellik-özellik bağlamaları veya FF), her ayrı nesne özelliği (şekil veya renk) ve bir karakter (yani özellik-karakter) arasındaki ilişkileri depolar. bağlamalar veya FC) ve nesne içindeki her iki özelliğin bir birleşimi ile bir karakter arasında (yani özellik-özellik-karakter bağlama veya FFC) sırasıyla. Bu matrisler, bağlanma süreçlerini simüle etmek için deneme düzeyinde güncellenir ve alımı simüle etmek için bellek ipuçlarıyla incelenir.

Her bağlama yapısı çift yönlüdür: örneğin, bir şekil bir karakterle ilişkilendirildiği gibi, karakter de şekille ilişkilendirilir (bkz. Şekil 3). Farklı öğeler arasındaki ilişkiler, deneme düzeyindeki üç matriste artırılır ve her bağlanma türüne özel öğrenme hızı parametreleriyle ölçeklendirilir: FF, FC ve FFC. Farklı bağlama yapıları modelin performansını farklı şekillerde etkiler. FF ilişkileri, Öğrenme veya Öğrenme testi aşamalarındaki performansı etkilemez, ancak Bağlama testinde, Benzersiz beklenmedik durumlar için Doğru yanıtlara ve Çakışan beklenmedik durumlar için hem Doğru hem de Çakışan yanıt seçeneklerine katkıda bulunur.

Deney 1'de, nesne içi FF bağlama, aynı nesne içindeki şekiller ve renkler sunularak teşvik edilirken, Deney 2'de, ekstra nesne bağlamayı teşvik etmek için özellikler mekansal olarak ayrıldı (Şekil 3, üst panel). FC ilişkilendirmeleri, Öğrenme ve Öğrenme test aşamalarındaki doğru yanıtlara katkıda bulunur ancak aynı zamanda Set B'nin uygulamaya konulmasından sonra Örtüşen olasılıklar için yanlış yanıta da katkıda bulunabilir; bu ilişkiler aynı zamanda verilen karakterle ilişkilendirilen yanıt seçeneklerinin seçilme olasılığını artırmak için Bağlama testinde de kullanılabilir. Son olarak, karmaşık FFC ilişkileri, görevin tüm aşamalarında hem Çakışan hem de Benzersiz beklenmedik durumlar için yalnızca Doğru yanıta katkıda bulunur.

Model, bu tür çağrışımları güçlendirmenin yanı sıra, mevcut öğrenmeyle çelişen önceden oluşturulmuş çağrışımları zayıflatarak "unutabilir". Örneğin, Set B için Öğrenme aşamasında Örtüşen olasılıkları öğrenirken, her nesne özelliği daha önce FC bağlama yoluyla diğer karakterle ilişkilendirilmiştir ve model, daha fazla doğruluğu kolaylaştırmak ve dolayısıyla proaktif girişimi azaltmak için bu rakip ilişkileri zayıflatabilir. aynı zamanda daha sonra Öğrenme testi A2'de Set A tekrar ziyaret edildiğinde geriye dönük girişim artar.

O halde unutmanın etkisi, Giriş'te tartışıldığı gibi bir engelleme sürecine benzer, ancak yeni öğrenme dışında unutmanın tersine çevrilebileceği bir mekanizmayı dahil etmedik, halbuki engelleme genellikle geçici bir fenomen olarak kabul edilir (Geiselman & Bagheri, 1985). Sonuç olarak modeldeki unutma mekanizmasının öğrenmeyi bırakma süreci olduğu düşünülebilir. Tüm bağlanma yapılarını etkileyen bu unutma sürecinin boyutu, ek bir parametre tarafından kontrol ediliyordu.

Bu öğrenme ve unutma süreçleri modelde matematiksel olarak tanımlanmıştır. Her ne kadar model denklemlerinin tamamı çevrimiçi ek materyallerde sağlanıyor olsa da, artık modelin bileşenlerini özetlemek için basitleştirilmiş denklemler de sağlıyoruz. Her matris her denemede güncellenir:

burada M, üç ilişkisel matristen biridir ve karşılık gelen öğrenme hızıdır (FC, FF ve FFC bağlaması için farklı öğrenme oranlarının tahmin edildiğini hatırlayın: FC, FF FFC). İki öğenin (örneğin şekil ve renk) vektör temsilleri f1 ve f2 olarak gösterilir. Bu elemanlar, ⊗ sembolüyle gösterilen bir dış çarpım kullanılarak ilişkilendirilir. Modeldeki unutma, tüm bağlama türleri (FC, FF ve FFC) için aynı olan parametre tarafından kontrol edilir. Unutma, her bir öğe ile daha önce onunla ilişkilendirilen ancak mevcut denemede sunulmayan diğer öğeler arasındaki ilişkinin (fx olarak gösterilen) ağırlığının azaltılmasıyla gerçekleşir.

Örneğin, A Kümesinde mavi bir daire ve sarı yıldız sunulursa, B Kümesinin Öğrenme aşamasında mavi bir yıldız sunulduğunda, mavi yıldız ilişkisi yeni öğrenmeyle güçlendirilirken, mavi daire ilişkisi yeni öğrenmeyle zayıflayacaktır. unutmak. Tam modelde öğrenmenin iki yönlü olarak gerçekleştiğini unutmayın (örneğin, mavi bir yıldızla ilişkili olduğundan, yıldız da maviyle ilişkilidir; tam model denklemleri için çevrimiçi ek materyallere bakın).

Son olarak r, denemeden denemeye değişen, f1 ve f2 öğelerinin geçmişte ne kadar güçlü bir şekilde ilişkilendirildiğini izleyen, deneme düzeyindeki bir yenilik sinyalini temsil eden tek bir skaler değerdir: r=e −f1·(M ·f2)+f2·(M·f1)).

Bu denklemde, f2, bir nokta çarpımı yoluyla M'den önceden ilişkilendirilmiş öğelerin bir dizisini almak için bir ipucu olarak kullanılır ve ardından ikinci bir nokta çarpımı, özellikle f1'in ne kadar güçlü bir şekilde alındığını "okur". Bu skaler güç değeri daha sonra ters yöndeki ilişki için karşılık gelen güç değerine eklenir (yani, f2'nin f1 tarafından ne kadar güçlü bir şekilde geri alındığı). Üstel fonksiyon bu toplam mukavemet değerine uygulanır. Bu ilişkiler için daha önce herhangi bir öğrenme gerçekleşmediyse, güçlü yönler sıfır olacak ve bu da r=1 ve tam öğrenme ile sonuçlanacaktır.

Ancak ilişkiler güçlendikçe güç değerleri büyür ve r sıfıra yaklaşır. Bu mekanizmanın sonucu, zaten iyi öğrenilmiş olan ilişkilendirmeler için öğrenmenin azalmasıdır; öğrenme birden fazla deneme üzerinden gerçekleştiğinden, ilişkilendirme güçlerinin sınırsız şekilde büyümesini önlemek için bu gereklidir.

Karar vermeyi simüle etmek için model, sağlanan hafıza ipuçları ile her denemedeki olası hedefler arasındaki ilişkinin gücünü hesaplar. Güçlü yönler, çağrışımsal matrislerin ipuçlarıyla incelenmesiyle belirlenir: s=(M · fcue ) · hedef. Bu denklem, işaret (işaret) ile ilişkilendirilmiş bir dizi öğeyi alır ve belirli bir hedef (hedef) için tek bir güç değerini/değerlerini okur. Bu güç tahminleri, her olası yanıtın olasılığını hesaplamak için temel sağlarken, girişimle sonuçlanabilecek diğer olası yanıtlarla rekabete de izin verir.

Bu rekabetçi geri alma kuralı bir softmax işlevi olarak uygulanır: Pcℎoice=e s cℎoice ∑e s. Tüm olası seçimleri destekleyen güçlü yönler aynıysa, model şans düzeyindeki performansı tahmin edecektir; ancak belirli bir seçim, diğer seçimlere göre daha büyük güç değerleriyle desteklendiği ölçüde, modelin karşılık gelen seçimi yapma olasılığı daha yüksek olacaktır.

Modeli dört serbest parametreyle gözlemlenen verilere uyarlıyoruz: FC, FF, FFC ve . Daha da önemlisi, model belirli bir aşamadaki doğru yanıtların oranı gibi istatistikleri özetlemeye uygun değildi, ancak deneyin her aşamasında her deneme için katılımcıların seçimini dikkate alıyordu. Modele uyum sağlamak için hiyerarşik Bayes tekniklerini uyguladık, bu da yaş farklılıklarını arka parametre dağılımlarıyla değerlendirmemize olanak sağladı. Modele ve verilere nasıl uyduğuna ilişkin ek ayrıntılar için çevrimiçi ek materyallere bakın.

Hesaplamalı Model Sonuçları—Model uyumunu değerlendirmek için, her katılımcının en uygun parametre tahminlerini dikkate alarak deneme düzeyinde görev performansı oluşturduk (gözlenen ve model tarafından tahmin edilen performansı karşılaştırmak için Şekil 2'ye bakın). Tüm yaş gruplarında Set B öğreniminin ilk bloğundaki proaktif müdahalenin fazla tahmin edilmesine rağmen, model tüm deneysel aşamalardaki çoğu performans modeline iyi bir şekilde uyuyor; bu da görev performansının altında yatan süreçlerin en azından bazılarını ve bunların nasıl farklılaştığını yakalayabildiğini gösteriyor yaş grupları arasında.

Her yaş grubu için hiper parametrelerin arka dağılımları Şekil 4A'da gösterilmektedir. Yukarıda Analizler bölümünde açıklanan dağılımsal örtüşmenin bir ölçüsü olan η'yi hesaplayarak her parametre için yaş farklılıklarını değerlendiriyoruz. FC parametresi ile tahmin edilen FC bağlanmasında veya (ηs > .17) ile tahmin edilen unutmada herhangi bir yaş farklılığına dair önemli bir kanıt yoktu. Buna karşılık, hem 8-yaşındakiler (η=.005) hem de yetişkinlerle karşılaştırıldığında 5- yaşındaki çocuklarda FF parametresi ile tahmin edilen daha zayıf FF bağlanmasına dair çok güçlü kanıtlar bulduk. (η=.001). Daha büyük iki yaş grubu arasında bir fark olduğuna dair çok az kanıt vardı (η= .642). Bu yeni bulgular, 5 ila 8 yaşları arasında nesne içi bağlanmada güçlü gelişimsel değişiklikler olduğunu göstermektedir; ancak bu yetenek, 8 yaşına gelindiğinde yetişkinlere benzer olabilir.

Ayrıca, hem 8-yaşındakiler (η=.010) hem de yetişkinler (η) ile karşılaştırıldığında 5- yaşındaki çocuklarda karmaşık bağlanma parametresi FFC'nin daha düşük değerlerine dair güçlü kanıtlar vardı.=.002). Her ne kadar tahmin edilen parametre değerleri yetişkinlerde sekiz yaşındakilere göre daha yüksek olma eğiliminde olsa da, bu fark çok güçlü değildi (η=.429). Bu son bulgu biraz şaşırtıcıydı çünkü bir hatırlama görevinin kullanıldığı önceki çalışmalar, karmaşık bağlanmanın 7 yaşından sonra uzun süreli gelişimini öne sürmüştü (Yim ve diğerleri, 2013). Belki karmaşık bağlantılar oluşturma konusunda ortaya çıkan yetenek, tanıma görevlerinde, daha zor hatırlama görevlerinden daha fazla fark edilebilir; Bu konuya Genel Tartışma'da döneceğiz.

Modelin tüm mekanizmalarının verilere uyması için gerekli olup olmadığını incelemek için, her parametrenin modelden çıkarıldığı (yani sıfıra ayarlandığı), diğerlerinin verilere uydurulduğu bir model karşılaştırma çalışması gerçekleştirdik ve şunu bulduk: dört parametrenin tümünü içeren tam model, model karmaşıklığını hesaba katarken bile verilere en iyi şekilde uyar (bu farklı modellerin farklı performans modellerini nasıl tahmin ettiğini görmek için çevrimiçi ek materyallerin model Karşılaştırma Çalışması bölümüne bakın ve aynı bölümdeki Şekil S5'e bakın).

Genel olarak, bu deneyde, Bağlama Testindeki performanstaki gelişimsel farklılıkların yanı sıra hiyerarşik regresyon modellerine dayalı olarak tüm yaş gruplarında hafıza etkileşimi etkilerine dair güçlü kanıtlar bulduk. Belki daha da önemlisi, yeni bir hesaplamalı modelle, 5 yaşından sonra nesne içi bağlanma ve karmaşık bağlanmada önemli gelişimsel farklılıklara dair kanıtlar bulduk, ancak 8 yaşından sonra bu olmadı. Bununla birlikte, bu sonuçlardan, aynı nesne içinde özelliklerin sunulmasından hafıza bağlama ve girişimin nasıl etkilendiği açık değildir. Yetişkinlerde yapılan önceki çalışmalar, nesne dışı bağlanmanın daha fazla dikkat gerektirdiğini ve nesne içi bağlanmaya kıyasla daha az doğru ilişkisel bellek performansıyla ilişkili olduğunu ileri sürmektedir (Asch ve diğerleri, 1960; Ecker ve diğerleri, 2007, 2013; van Geldorp ve diğerleri, 2015). . O halde, uzaysal olarak ayrılan nesne özelliklerinin özellikle küçük çocuklar için bağlanmayı bozacağını ve bunun da girişim etkilerini artırabileceğini varsaydık. Deney 2'de bu olasılıkları araştırdık.

Deney 2: Nesne Dışı Bağlama Yönteminin Geliştirilmesi

Katılımcılar—Kırk beş 5-yaşında (Büyücü=5,16 yaşında, SDyaş=0,23, dil=4,80 −5,74; 17 kadın, 28 erkek) , 43 sekiz yaşında (Büyücü=8,49 yıl, SDage=0,38, dil=7,74 – 8,99; 23 kadın, 20 erkek) ve 34 yetişkin (19) (kadın, 15 erkek) Deney 2'ye katıldı. Güç analizi için aşağıdaki Sonuçlar ve Tartışma bölümüne bakın. Bu deneye veya Deney 1'e atama rastgele seçilmiştir.

Uyaran ve Prosedür—Bu deneyde şekil ve renk özellikleri aynı nesne içinde birlikte sunulmadı ancak mekansal olarak ayrılmıştı (bkz. Şekil 5). Her denemede, şeffaf bir şekil ve bir renk bloğu dikey hizada konumlandırıldı ve bu özelliklerin göreceli uzaysal konumu (üst veya alt), her fazın her bloğundaki her renk-şekil eşleşmesi için dengelendi. Prosedür, talimatlar ve performans geri bildirimi sırasında uyaranlara nesneler yerine "şekil ve renk çiftleri" olarak atıfta bulunulması dışında Deney 1'inkiyle aynıydı.

For more information:1950477648nn@gmail.com