Uzun Süreli Bellek Girişimi, Tanısal Bellek Boyutları Boyunca İtme ve Hassasiyet Yoluyla Çözümleniyor Bölüm 3

Analiz yöntemleri

Performansa dayalı hariç tutma kriterleri Yeniden yapılandırma görevi verilerini içeren analizler için, ilişkisel hafıza testinin 9-12. turları sırasındaki performansa dayalı olarak az sayıda katılımcıyı hariç tuttuk. (a) Rekabetçi olmayan denemelerdeki hata oranları bu turların herhangi biri için %20'den fazlaysa veya (b) bu ​​turların herhangi biri için rekabetçi denemelerin %20'sinden fazlasında yem yüzlerini seçmişlerse katılımcılar hariç tutuldu.

İnsan hafızası çok önemlidir ve hayattaki çeşitli zorlukları daha iyi anlamamıza ve bunlarla başa çıkmamıza yardımcı olur. Ancak modern toplumda muazzam miktarda bilgiyle karşı karşıya kalıyoruz ve hafızamız sıklıkla zorlanıyor ve yoruluyor.

Ancak görev verileri ile bellek arasındaki ilişkiyi bazı basit yöntemlerle yeniden kurabiliriz. Öncelikle hafıza yeteneğimizi geliştirmek için çalışma hafızasını kullanmayı deneyebiliriz. Çalışma belleği, bilgiyi kısa süreli bellekte tutma ve işleme yeteneğini ifade eder. Bellek görevlerini düzenli olarak gerçekleştirerek çalışma belleğimizi çalıştırabilir ve böylece belleğimizi geliştirebiliriz.

İkincisi, duyusal hafızamızdan faydalanarak hafızamızı geliştirebiliriz. Duyusal hafızamız o kadar güçlüdür ki, örneğin bir yemeğin tadını ilk defa hatırlayabiliyoruz. Duyusal hafızamızı geliştirerek hafızamızı geliştirebiliriz.

Ayrıca hafıza sarayı yöntemini kullanarak da hafızamızı güçlendirebiliriz. Hafıza sarayları, hatırlamak istediğimiz bilgiyi sahneye bağlamak için oluşturduğumuz ayrıntılı sahneleri kullanan eski bir tekniktir. Bu sayede bilgileri kolaylıkla hatırlayabiliyoruz.

Son olarak hafızamızı geliştirmek için bazı fiziksel egzersizler deneyebiliriz. Fiziksel aktivite metabolizmayı hızlandırır, bu da beyin aktivitemizi artırır. Egzersiz yoluyla, beynin daha fazla oksijen ve besin alması ve böylece bilgiyi daha iyi işleyebilmesi için kan dolaşımını da teşvik edebiliriz.

Özetle görev verileri ile bellek arasındaki ilişkiyi çeşitli yöntemler kullanarak yeniden kurabiliyoruz. İster çalışma hafızasını çalıştırmak, ister duyusal hafızayı güçlendirmek, bir hafıza sarayı kullanmak veya fiziksel aktivitede bulunmak olsun, hafızamızı geliştirmemize ve bizi hayatta daha esnek ve verimli yapmamıza yardımcı olabilir. Belleği geliştirmemiz gerektiği görülebilir ve Cistanche Deserticola hafızayı önemli ölçüde geliştirebilir çünkü Cistanche Deserticola, birçok benzersiz etkiye sahip olan 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

Bu kriterlere göre, bir katılımcı Deney 1'deki yeniden yapılandırma görev verilerinin analizinden çıkarıldı (sağlanan N=35), dördü Deney 2'den çıkarıldı (verilen N=37) ve sekiz katılımcı Deney 3'ten çıkarıldı. (N=49 verir) (belirlenen ancak uygulanmayan diğer hariç tutma kriterleri için https://osf.io/dj6q2/ adresine bakın). Katılımcıların yeniden yapılandırma görevi analizine dahil edilmesi için yüksek bir eşiğe sahip olmanın mantığı, katılımcıların tamamen yanlış bir yüzü yeniden yapılandırdığı durumları en aza indirmek ve bunun yerine, aksi takdirde doğru şekilde hatırlanan yüzlerdeki yanlılığa/kesinliğe odaklanmaktı.

İlişkisel hafızanın ölçülmesi

Yukarıda belirtildiği gibi çağrışımsal hafıza testi, katılımcıların ipuçlarını yüzlerle ilişkilendirmede yüksek doğruluk elde ettiğini doğrulamak için kullanıldı. İlişkisel hafıza testi aynı zamanda rekabetçi koşulun, rekabetçi olmayan duruma kıyasla girişime yol açıp açmadığının (daha düşük çağrışımsal bellek doğruluğu) manipülasyon kontrolüne de izin verdi. İlişkisel hafıza testinden elde edilen veriler ilk olarak rekabetçi olmayan denemelerle karşılaştırıldığında doğruluk açısından analiz edildi. Her deney için durum faktörleri (rekabetçi, rekabetçi olmayan) ve öğrenme turu (Deney 1 için 1-9, Deney 2 ve 3 için 1-12) ile ayrı bir tekrarlanan ölçüm ANOVA'sı çalıştırdık.

Rekabetçi denemeler için hataları, rekabete (müdahale hatası) atfedilip atfedilemeyeceğine (cezbedici) göre de ayırdık. Hatalar rastgele olsaydı, hata denemelerinin beşte birinde (%20) girişim hataları meydana gelirdi. Girişim hatalarının şans seviyelerinin üzerinde meydana gelip gelmediğini test etmek için, bu nedenle, girişim hatalarının ortalama yüzdesini (tüm öğrenme turlarında) %20 ile karşılaştırarak her deney için tek örnekli t testleri yaptık.

Ölçüm önyargısı

Yukarıda açıklandığı gibi, inşaat görevindeki her denemede hedef yüz dört konumdan birinde (dört çeyreğin merkezi) konumlandırıldı. Böylece arama uzayının hem x hem de y eksenleri için hedef, arama uzayının merkezi ile sınırının ortasındaydı (Şekil 1a). Potansiyel önyargıyı ölçmek için, her deney için tüm yanıtlar ortak bir eksende hizalandı ve her özellik boyutu (etki, cinsiyet) için ayrı ayrı ortak bir ölçeğe yeniden ölçeklendirildi. Yeniden ölçeklenen veriler için, her boyut için olası yanıtların aralığı -2 ile 2 arasındaydı; 0, yüz alanının merkeziydi (yani, arama alanının merkezi).

Rekabet koşulu için, hedef yüzün teşhis boyutundaki konumu=1 ve primat yüzün konumu=-1 (Şekil 1c). Dolayısıyla, primat yüzünden uzaktaki bir sapma 1'den büyük değerlerle temsil edilirken, primat yüzüne doğru (veya yüz alanının merkezine doğru) bir sapma 1'den düşük değerlerle temsil edilir. Tanısal olmayan boyut için, konum Hedef yüzün ve çift arkadaşı yüzün=1. Rekabetçi olmayan durumdaki yüzler yeniden yapılandırma görevine dahil edilmiş olsa da, tanısal ve tanısal olmayan boyutlar arasındaki ayrım mevcut olmadığından bu yüzler için önyargı ölçülmedi. Aksine, rekabetçi olmayan yüzler, genel hafıza müdahale etkisi oluşturmaya hizmet ettikleri çağrışımsal hafıza testinde kritik öneme sahipti.

Yeniden yapılandırma görevi için her denemedeki yanıt aralığının hedef çevresinde asimetrik olarak dağıldığını belirtmek önemlidir. Yanıt aralığı hedef etrafında simetrik olarak dağıtılmış olsaydı, her denemedeki doğru yanıt, tanım gereği, arama alanının merkezi olurdu; bu da muhtemelen katılımcıların basitçe merkezde yanıt vermeyi öğrenmesine yol açardı. Bununla birlikte, kullandığımız yaklaşımın dezavantajı, rekabet koşulundaki teşhis boyutu için, primat yüzünden uzaktayken (1'den 2'ye kadar değerler) ziyade primat yüzüne ({0}} ve 1 arasındaki değerler) yanıt verme fırsatının daha fazla olmasıdır. ).

Elbette bu asimetri, tahmin ettiğimiz itme etkisine (1'den büyük değerler) aykırıdır. Bununla birlikte, asimetrik olarak kısıtlı yanıt aralığını hesaba katmak için, verilere kesik normal dağılımlar uydurarak gerçek ortalamayı tahmin ettik. Her katılımcı için, tanısal ve tanısal olmayan boyutlar için ayrı modeller çalıştırıldı; her model, yeterli sayıda veri noktası içerecek şekilde yüzler ve özellik boyutları (etki, cinsiyet) arasındaki verileri bir araya topladı. Böylece, her model 32 veri noktası içeriyordu (rekabetçi durumda sekiz yüz × yüz başına dört yeniden yapılandırma denemesi). Verilere en iyi uyan kesik normal dağılımın ortalamasını ve standart sapmasını bulmak için maksimum olasılık tahmini kullanıldı. Dağılımlar, R'deki transform ve MASS paketleri kullanılarak modellendi.

Ortalamanın arama uzayını, hedefin her iki tarafında eşit şekilde dengelenmiş makul değerler aralığıyla (± 1 birim) ve standart sapmayı maksimum 1 ve minimum 0,1 olacak şekilde sınırladık. Modellenen ortalamaları, gerçek ortalamaların daha iyi bir tahmini olarak görmemize rağmen, modellerin hesaba katmadığı bazı varyans kaynakları vardır. Örneğin modeller, her özellik boyutu ve/veya uyaran için potansiyel olarak benzersiz dağılımları hesaba katmaz. Dahası, yüz özelliklerinin daha sonra nasıl hatırlanacağı konusunda doğal, küresel önyargılar olabileceğine dair kanıtlar vardır (Bülthof ve Zhao, 2020; Won ve diğerleri, 2020). Ancak kritik olarak, herhangi bir küresel önyargı, tanısal ve tanısal olmayan boyutları eşit derecede etkileyecektir. Bu nedenle, analizimiz öncelikli olarak tanısal ve tanısal olmayan boyutlar için modellenen ortalamalardaki farklılıklara odaklandı.

Ölçüm hassasiyeti

Her yüz için tanısal ve tanısal olmayan özelliklerin hatırlanma hassasiyetini ölçmek amacıyla, her yüz için dört yeniden yapılandırma denemesindeki yanıtların standart sapmasını, tanısal ve tanısal olmayan özellik boyutları için ayrı ayrı hesapladık. Daha sonra her katılımcı için bu standart sapma değerlerinin ortalamasını, tanısal ve tanısal olmayan boyutlar için ayrı ayrı hesapladık.

Yeniden yapılandırma yanlılığı ile ilişkisel girişim arasındaki ilişkinin ölçülmesi

Tanısal özellik boyutundaki önyargının, hafıza girişimini azaltmada uyarlanabilir bir rol oynayıp oynamadığını belirlemek için, yeniden yapılandırma görevi sırasında ölçülen önyargı ile ilişkisel hafıza testindeki doğruluk (yakalama için son dört turun ortalaması) arasındaki ilişkiye odaklanan bir dizi karışık etki modeli çalıştırdık. öğrenmenin son durumu). Her ne kadar bu analiz bireysel öğeler (yüzler) düzeyinde gerçekleştirilmiş olsa da, her yüzün doğruluk değeri, o yüz ve onun eşleri için ortalama doğruluk olarak tanımlandı. Bu nedenle, her gruptaki her iki primat da aynı doğruluk değerine sahipti. Primatlar arasında ortalama doğruluk almanın mantığı şuydu: Örneğin, eğer katılımcılar rakip iki yüzü (primatları) aynı işaret sözcüğüyle (meslek) ilişkilendirirse, bu ilişkilendirmelerden birine "doğru" ve diğerine "yanlış" muamelesi yapmak yerine, bunun daha uygun olacağıydı. Hatanın iki yüz arasında paylaşılması için.

Yeniden yapılandırma yanlılığını çağrışımsal bellek doğruluğuyla ilişkilendiren analizler için, çağrışımsal bellek testinin son dört turunda tüm denemelerde mükemmel doğruluğa sahip olan katılımcıları hariç tuttuk. Bu hariç tutmanın gerekçesi, bu katılımcılar için çağrışımsal hafızada modelin açıklayabileceği herhangi bir değişiklik olmamasıydı. Ek olarak, çağrışımsal hafıza testinde son dört turdaki tavana yakın performans nedeniyle bu analizi Deney 1 için çalıştırmadık (11 katılımcı (%31) %100 doğruluğa sahipti ve geri kalan katılımcıların ortalama doğruluğu 95,96± 3,01 idi). Bir katılımcının ortalama SD'si 3,62 ±1,70 ile %). Daha fazla benzer primatın kullanıldığı Deney 2 ve 3'te ilişkisel hafıza doğruluğu daha düşüktü ve bu nedenle tavan performansı nedeniyle daha az katılımcı dışarıda bırakıldı (Deney 2'de yedi katılımcı (%19) ve Deney 3'te altı katılımcı (%12; ortalama) geri kalan katılımcılar için doğruluk, Deney 2: M=92,47 ± %7,58, Deney 3: M =93,56 ± %6,26.

Bu modeller için, bireysel yüzler düzeyinde yeniden yapılandırma yanlılığının hesaplanması kritik önem taşıyordu. Bununla birlikte, yukarıda açıklanan, denemeler/yüzler arasında havuz oluşturarak her katılımcı için ortalama önyargıyı tahmin etme yöntemi, gözlemlerin az sayıda olması (yüz başına dört deneme) göz önüne alındığında, bu analiz için uygun değildi. Bu nedenle, bu analiz için basitçe yeniden yapılandırma tepkisinin ortalamasını kullandık (yüz başına dört deneme boyunca). Yeniden yapılandırma yanlılığı ile ilişkisel hafıza doğruluğu arasında gözlemlenen herhangi bir ilişkinin potansiyel "takas hataları" tarafından yönlendirilebileceği endişesini gidermek için, önceden kayıtlı yaklaşımımız, ölçeklendirilmiş yanıtın {{0}} arasında olduğu bireysel yanıtları (denemeler) hariç tutmaktı. ve 0 ve yalnızca ölçeklendirilmiş yanıtın 0 ile 2 arasında olduğu yanıtları korumak için. Teşhis boyutu için, rakip primata hedeften daha yakın olan yanıtlar bu nedenle hariç tutuldu. Geriye kalan tüm yanıtlar, her yüz için ortalama yanıta dahil edildi.

Nadiren de olsa, bir yüz dört yeniden yapılandırma denemesinin tamamında hariç tutulan bir yanıtla ilişkilendirilmişse, o yüz tamamen analizin dışında tutuldu. Deney 2'de bu, dört katılımcıya dağıtılan toplam dört yüz için gerçekleşti; Deney 3 için bu, altı katılımcıya dağıtılan toplam altı yüz için meydana geldi. Potansiyel takas hatalarını hariç tutmaya yönelik bu önceden kayıtlı yaklaşım, aşırı hataların etkisini ortadan kaldırmaya yönelik ihtiyatlı bir yaklaşım olarak tasarlanmış olsa da, hiçbir yanıt hariç tutulmadığında ana sonuçlarımızın tümü anlamlı kaldı. Ek olarak, Deney 2 ve 3'teki verileri birleştiren keşifsel analizlerde, aşırı yanıtları tamamen hariç tutmak yerine, -2 ve 0 arasındaki yanıtlar, tüm denemelere izin veren 0 değeriyle sınırlandırıldı. modelde muhafaza edilecek, ancak aşırı tepkilerin etkisi azaltılacaktır.

Thelme4 paketi kullanılarak R'de karma efekt modelleri uygulandı (Bates ve diğerleri, 2014). Olasılık oranı testleri, ilgili değişkenlere sahip modelleri, bu değişkenleri hariç tutan boş modellerle karşılaştırmak için kullanıldı. Tanısal boyutun etki mi yoksa cinsiyet mi olduğuna ilişkin potansiyel farklılıkları hesaba katmak için tüm modeller bu kategorik değişkeni sabit bir etki olarak dahil etti. Yeniden yapılandırma yanlılığı ile ilişkisel hafıza doğruluğu arasındaki ilişkinin her katılımcı için değişmesine izin vermek için, yanlılık ile ilişkisel bellek doğruluğu arasındaki ilişkiyi mümkün olduğu yerde her katılımcı için rastgele kesmeler ve rastgele eğimlerle modelledik.

Yakınsamayan veya tekil ft'ye ulaşan modellerle başa çıkmak için önceden kayıtlı yaklaşımımız, aynı modeli yanlılık için rastgele eğim kaldırılarak yeniden çalıştırmaktı (bkz. Barr ve diğerleri, 2013). Önceden kayıtlı modellerimizin tümü yakınsama yaparken, tanısal ve tanısal olmayan boyut üzerindeki yanlılık farkını bir yordayıcı olarak kullanan keşifsel bir model, rastgele bir eğim dahil edildiğinde yakınsama konusunda başarısız oldu; böylece rastgele eğimi kaldırdık. Tahmin edici olarak (önyargısız) yalnızca işaretsiz hatayı veya kesinliği içeren keşif modelleri, bu değişkenler için rastgele eğimler dahil edildiğinde yakınsama konusunda başarısız oldu; bu nedenle bu değişkenler için rastgele eğimleri kaldırdık.

Son olarak, öngörücü olarak kesinlik ve işaretsiz hatanın yanı sıra önyargıyı da içeren keşif modelleri, tüm değişkenler için rastgele eğimler dahil edildiğinde de yakınsama konusunda başarısız oldu; Rastgele eğimleri kaldırırken önyargı için rastgele bir eğimin korunmasına öncelik verdik; bu da hassasiyet ve işaretsiz hata için rastgele eğimlerin hariç tutulmasına yol açtı.

Sonuçlar

İlişkisel hafıza testi

İlişkisel hafıza doğruluğunun rekabetçi ve rekabetçi olmayan koşullar arasında farklı olup olmadığını test etmek için, her deney için durum faktörleri (rekabetçi, rekabetçi olmayan) ve yuvarlak (Deney 1: ilk dokuz tur; Deney 2 ve Deney. 2) ile tekrarlanan ölçümlü ANOVA'lar gerçekleştirdik. 3: 12 tur). Her deney için koşulun önemli bir ana etkisi vardı (Deney. 1: F(1,35) {{10}}.14, p < 0.001, 휂2G=0.034; Deney 2: F(1,40)=67.43, p < 0.001, 휂2G=0.10; Deney 3: F(1, 56)=88.21, p < 0.001, 휂2G=0.16), rekabetçi durumda daha düşük doğrulukla (Şekil 2a). Bu farkın özellikle girişimi yansıttığını doğrulamak için yapılan hata türlerini değerlendirdik. Rekabet koşulu için, hatalar, rakibin yüzünün veya dört rekabetçi olmayan yemden birinin seçilmesine karşılık gelebilir (Şekil 2b). Eğer hatalar rastgele olsaydı, yarışmacı, hata denemelerinin beşte birinde seçilecekti. Bununla birlikte, turlar arasındaki hata denemeleri birleştirildiğinde, yarışmacı şans seviyelerinin üzerinde seçilmiştir (Deney 1: M=60.18 ± 19.68%, t(35)=12.25, p< 0.001, d = 2.04; Exp. 2: M = 71.29 ± 15.78%, t(40) = 20.82, p < 0.001, d = 3.25; Exp. 3: M = 78.63 ± 11.58%, t(56) = 38.21, p < 0.001, d = 5.06), confirming that increased errors in the competitive condition refected interference from the competitor face.

Yüzün yeniden yapılandırılması doğruluğunun şansın üstünde olup olmadığını test etmek için, her yanıt ile hedef yüz konumu arasındaki Öklid mesafesini ölçtük (iki boyutlu yanıt alanında; Şekil 1c). Her katılımcı için, yanıtlar ile hedef konumlar arasındaki ortalama Öklid mesafesi, permütasyonlu bir dağılımla karşılaştırıldı (katılımcı içindeki yanıtlar 10000 kez kaydırılarak hesaplanır). Her katılımcı için şans üstü doğruluk (permutasyonlu ortalamaların %97,5'inden daha iyi) gözlemlendi (Şekil 3).

Yüzü yeniden yapılandırma önyargısı

Tanısal yüz boyutu boyunca kritik itme tahminimizi test etmek için, rekabetçi durumdaki tanısal ve tanısal olmayan boyutlar için özellik önyargısını (Yöntemlere bakınız) karşılaştırdık (Şekil 4a). İlk önce tahminleri Deney 1 ve 2'de test ettik ve ardından Deney 3'te kopyalama için test ettik. Boyut faktörleri (tanısal, tanısal olmayan) ve deney (Deney 1, Deney 2) ile tekrarlanan ölçümlü bir ANOVA, tanısal boyut (F(1,70)=22.25, p< 0.001, 휂2 G = 0.061). There was a trend toward a significant interaction between dimension and experiment (F(1,70) = 3.96, p = 0.0506, 휂2 G = 0.011), with a relatively weaker effect size in Experiment 1 (d = 0.27) than in Experiment 2 (d = 0.73). As predicted, Experiment 3 replicated, with a large effect size and preregistered hypothesis, the greater bias toward repulsion on the diagnostic dimension (t(48) = 5.87, p < 0.001, d = 0.83).

Her ne kadar önceden kayıtlı analizlerimiz tanısal ve tanısal olmayan boyutlar arasındaki karşılaştırmaya odaklanmış olsa da, tanısal boyuttaki yeniden yapılandırmaların hedef yüzlerin gerçek konumundan önemli ölçüde farklı olup olmadığını da test ettik. Gerçekten de, üç deneydeki veriler birleştirildiğinde, teşhis boyutu için modellenen ortalamalar, 1 (t(120)=4,39, p < 0'nin gerçek değerinden önemli ölçüde daha yüksekti.{{ 60}}01, d=0.40), rakip yüzden uzak bir önyargıyı yansıtıyor. Bu etki deneyler arasında önemli ölçüde farklılık göstermedi (F(2,118)=2.15, p=0.12, 휂2G =0.035). Buna karşılık, tanısal olmayan boyutta, yüz alanının merkezine doğru küçük ama anlamlı bir eğilim vardı (modellenmiş ortalamalar < 1; t(120)=-2.33, p=0.021, d {{ 25}}.21). Bu etki deneyler arasında önemli ölçüde farklılık gösterdi (F(2,118)=9.56, p < 0.001, 휂2G=0.14). Aslında, Deney 1'deki yanıtlar önemli ölçüde 1'in (t(34)=2,15,p=0,039, d=0,36) üzerindeydi ve Deney 2 ve 3'te 1'in önemli ölçüde altındaydı (Deneyim 2: t(36)=-2,45, p=0,019, d =0,40; Deney 3: t(48) {{58} },98, p < 0,001, d=0,57). Yeniden yapılandırılmış yanıtların mutlak değerlerinin (potansiyel küresel önyargılar nedeniyle) bir miktar dikkatle yorumlanması gerekirken, tanısal boyuttaki itilmeye yönelik tutarlı önyargı, rekabetin tanısal boyutta hedeflenen itmeyi tetiklediği yönündeki öngörümüzü desteklemektedir.

Yüzü yeniden yapılandırma hassasiyeti

Daha sonra yeniden yapılandırma hassasiyetinin tanısal ve tanısal olmayan boyutlar arasında farklılık gösterip göstermediğini test ettik (Şekil 4b). Kesinliği, aynı yüzün tekrarlanan rekonstrüksiyonları arasındaki standart sapma olarak tanımladık (bkz. Yöntemler). Rekabet koşulu için, boyut faktörleri (tanısal, tanısal olmayan) ve deney (Deney 1, Deney 2) ile tekrarlanan ölçümlü bir ANOVA, tanısal boyutta (F(1,7) önemli ölçüde daha yüksek kesinlik - yani daha düşük yeniden yapılandırma değişkenliği - ortaya çıkardı. {{10}})=16,81, p < 0,001, 휂2G=0,044). Bu etki deneyle etkileşime girmedi (F(1,70)= 0.34, p=0.56, 휂2G=0.001). Teşhis boyutu üzerindeki daha fazla kesinliğin etkisi Deney 3'te tekrarlandı (önceden kayıtlı öngörümüzle tutarlı olarak) (t(48)=5,45,p < 0,001, d=0,74).

Her ne kadar kesinlik ölçümümüz matematiksel olarak önyargı ölçümümizden bağımsız olsa da, bu ölçümlerin, daha büyük bir hassasiyetle yeniden oluşturulan yüzlerin aynı zamanda daha büyük önyargıyla ilişkilendirilme eğiliminde olacak şekilde ilişkilendirilmesi dikkate değerdir (bkz. Şekil S2A, OSM). Ancak daha da önemlisi, tanısal olmayan boyuta kıyasla tanısal boyut üzerindeki daha fazla kesinliğin etkisi, yüksek önyargılı öğeler analizin dışında bırakıldığında bile anlamlı kalmıştır (bkz. Şekil S2B, OSM).

Yeniden yapılandırma önyargısı ile ilişkisel girişim arasındaki ilişki

Son olarak, tanısal boyuttaki daha büyük yeniden yapılandırma yanlılığının (iğrenme) daha iyi çağrışımsal bellek testi performansı (daha az müdahale) ile ilişkili olduğu tahminimizi test ettik. Deney 1'deki tavana yakın ilişkisel hafıza performansı nedeniyle (Şekil 2), Deney 2 verilerine odaklandık. (a) tanısal boyut üzerindeki önyargı (sürekli değişken) ve (b) tanısal boyutun etkilenip etkilenmediği (kategorik değişken) gibi sabit etkilerle, öğe düzeyinde ilişkisel hafıza doğruluğunu tahmin eden bir karma etki modeli çalıştırdık. Önyargı, her katılımcı için rastgele kesişim noktaları ve eğimlerle modellendi. Olabilirlik oranı testi kullanarak bu modeli önyargısız bir modelle karşılaştırdık. Kritik olarak, yanlılık dahil edildiğinde model ft önemli ölçüde daha iyiydi (χ2(1)=4.67, p=0.031), yanlılık ilişkisel bellek doğruluğunu pozitif olarak tahmin ediyordu ( yanlılık=3.58, SE =1.62). Kontrol olarak aynı analizi tekrarladık, ancak tanısal olmayan boyutta bir önyargıyla; burada önyargı, ft (χ2(1)=0.021, p=0.89, önyargı=-0.31,SE=2.14) modelini iyileştirmede başarısız oldu. Deney 3 için, tanısal boyut yanlılığı ile ilişkisel hafıza doğruluğu arasındaki ilişkinin bir kopyasını (önceden kaydedilmiş bir analiz kullanarak) tahmin ettik. Tahmin edilen yönde küçük bir etki gözlemledik, ancak bu anlamlı değildi (χ2(1)=0. 24, p=0.63, sapma=0.69, SE= 1.41).

Ön kayıtlı analizimizde, hedeften çok rakibe benzeyen yeniden yapılandırma yanıtlarını (denemeler) hariç tuttuk. Bunun mantığı, aşırı tepkilerin (olası takas hataları) model üzerinde çok büyük bir etkiye sahip olmamasını sağlamaktı (bkz. Yöntemler). Ancak bu yaklaşım, etkilerini en aza indirmek yerine bu denemeleri tamamen ortadan kaldırdı.

Bu nedenle, keşifsel bir analiz olarak, bu aşırı yeniden yapılandırma puanlarını {{0}} (hedef ile rakip arasındaki eşit mesafe, bkz. Yöntemler) değeriyle değiştirdik. Bu, tüm denemelerin dahil edilmesine izin verdi ancak aşırı tepkilerin etkisini azalttı (bu aşırı tepkilerin neyi temsil edebileceğinin daha fazla analizi için bkz. Şekil S4 (OSM)). Bu keşifsel analiz için, Deney 2 ve 3'ten elde edilen verileri birleştirdik ve deney (Deney 2, Deney 3) sabit bir etki olarak eklendi. Boş bir modelle karşılaştırıldığında, teşhis boyutuna önyargı eklemek, ft (χ2(1)=15.88, p < 0.001) modelini önemli ölçüde iyileştirdi; pozitif önyargı (itme), daha yüksek ilişkisel bellek doğruluğunu (önyargı {{12}) öngördü }.45, SE=1.04).

Deney ve önyargı arasına bir etkileşim eklemek, model uyumunu iyileştirmedi (χ2(1) =1.39, p=0.24, exp×bias=-2.47, SE=2 .08), önyargı ve çağrışımsal hafıza arasındaki ilişkinin deneyler arasında farklılık göstermediğini göstermektedir. Üstelik önyargı, yalnızca Deney 3 verilerine uygulandığında model uyumunu önemli ölçüde artırdı(χ2(1)=3.98, p=0.046, önyargı=2.45, SE=1 .19), önyargı ve çağrışımsal hafıza arasındaki ilişkinin yalnızca Deney 2 verileriyle yönlendirilmediğini doğruluyor. Kontrol olarak, aynı model karşılaştırmasını yaptık, ancak bir yordayıcı olarak tanısal olmayan boyuta ilişkin önyargıyla; modeller arasında anlamlı bir fark yoktu (χ2(1)=0.14, p=0.71, sapma =-0.40, SE=1.08).

Ayrıca, tanısal olmayan boyuta (yani yanlılık fark puanı) göre tanısal boyuttaki önyargı derecesi de önyargısız bir boş modele kıyasla model uyumunu önemli ölçüde iyileştirdi,χ2(1)=19.87, p< 0.001, βbias. dif = 2.71, SE = 0.60 (random slopes were excluded due to reaching singularity).

For more information:1950477648nn@gmail.com