Methode

Um den Komprimierungsprozess in unserer Spanne-Aufgabe zu manipulieren, haben wir die relationalen Informationen in einer Reihe grundlegender visueller Stimuli (z.B. farbige Formen) begrenzt, indem wir einfache Farben und einfache Formen verwendeten. Genauer gesagt haben wir Listen visueller, kategorisierbarer, künstlicher dreidimensionaler Reize mit zweiwertigen/booleschen diskreten Merkmalen für die in Abbildung 1.1 dargestellten Formen, Größen und Farben verwendet. Für einen gegebenen dreidimensionalen Satz haben wir Sätze mit Stimuli mit der geringsten relationalen Information ausgewählt, eine Manipulation, von der wir annahmen, dass sie Chunking verhindert. Zur Veranschaulichung nehmen wir den dreidimensionalen Satz von Objekten: . Eine komprimierbare Teilmenge von vier Objekten wäre: , da die Farbdimension ausreichend diagnostisch ist, um schwarze Objekte von weißen Objekten zu unterscheiden. Eine auf dieser Teilmenge basierende Stimulusliste bietet die Möglichkeit, die Sequenz mit der einfachen Regel „schwarz“ neu zu kodieren. Die Sequenz , bei der die Reihenfolge eine Rolle spielt, kann durch eine einfache Regel beschrieben werden, die das Merkmal „schwarz“ (zur Neukodierung der gesamten Teilmenge, unabhängig von der Reihenfolge) und die Reihenfolge „Quadrat-Dreieck“ verwendet, die mit einer „large-first“-Beschreibung innerhalb jeder Form kombiniert werden kann. Im Gegensatz dazu wäre eine weniger komprimierbare Teilmenge von Objekten: . Die Heterogenität dieser vier Objekte, die die Kategoriestruktur komplex macht, kann durch die Schwierigkeit der Komprimierung von Informationen gemessen werden, die die Schwierigkeit der Rekodierung der Stimuli in eine kompaktere Darstellung berücksichtigt (Feldman, 2000). Mit anderen Worten, es gibt keine einfache, hierarchische Regel, die die Abfolge von Formen/Farben in dieser Untergruppe erklärt. Homogenere Kategoriesätze erzeugen eine geringere Informationslast und sind daher besser komprimierbar und können leicht neu kodiert (oder „in Stücke geschnitten“) werden, um den Abruf zu erleichtern (Chekaf et al., 2016). Zusammenfassend zeigt Abbildung 11 (unten) zwei Unterschiede zwischen chunkable und nicht chunkable. (1) Die chunkable Listen können mit einer geringeren Gesamtzahl von Merkmalen beschrieben werden UND (2) die chunkable Listen sind in einer seriellen Reihenfolge angeordnet, die es ermöglicht, die Komprimierbarkeit leicht zu entdecken (Mathy & Feldman, 2009).

Im Folgenden nennen wir die einfachen komprimierbaren homogenen Sequenzen „chunkable“ und die komplexen Sequenzen „non-chunkable“ (oder „less-chunkable“, wenn es bequemer ist). Der Grund dafür ist, dass wir davon ausgehen, dass (1) die Kapazität etwa 3 oder 4 Chunks beträgt und (2) Leistungssteigerungen für komprimierbarere Listen nicht aus einer Änderung der Chunk-Kapazität resultieren (siehe Cowan, Rouder, Blume, & Saults, 2012), sondern aus einer effektiven Erhöhung der Größe der Chunks. Auch wenn die Leistung manchmal aus abgestuften Assoziationen zwischen Items und nicht aus diskreten Chunks resultiert, drückt das Chunk-Vokabular auf bequeme Weise das Ausmaß der Leistungssteigerung bei komprimierbaren Listen aus. Dementsprechend wurden vier Bedingungen konstruiert: eine einfache Spanne-Aufgabe mit chunkablem Material, eine komplexe Spanne-Aufgabe mit chunkablem Material, eine einfache Spanne-Aufgabe mit nicht-chunkablem Material und eine komplexe Spanne-Aufgabe mit nicht-chunkablem Material.

Wir sagten voraus, dass die einfache Spanne-Aufgabe nur dann einen positiven Effekt auf den Abruf haben könnte, wenn einige der Informationen neu kodiert werden könnten, während ein solcher Vorteil nicht eintreten könnte, wenn keine Informationen (oder nur wenige Informationen) neu kodiert werden könnten. Umgekehrt bietet eine komplexe Spanne-Aufgabe keine Gelegenheit, die regelmäßigen Muster in der Chunkable-Bedingung neu zu kodieren, weil die Aufmerksamkeit während der Interleaved Processing-Aufgabe weggelenkt wird. Daher haben wir eine Wechselwirkung zwischen Aufgabe und Komprimierbarkeit vorhergesagt, die nur eine höhere Spanne für die einfache Spanne in der chunkable Bedingung unterstützt. Um das Ausmaß der Interaktion zu testen, planten wir, eine Bayes-Analyse durchzuführen, um die Menge des in den vier Bedingungen gechunkten Materials zu vergleichen, und zwar unter Verwendung eines Chunking-Scores, der die Menge des in der einfachen und der komplexen Spanne gechunkten Materials widerspiegelt. Eine starke Interaktion sollte durch einen kleineren Chunking-Score für die komplexe Aufgabe unterstützt werden.

Teilnehmer. Vierundneunzig Studenten (M = 23 Jahre alt, sd = 5,3), die an der Université Côte d’Azur eingeschrieben waren, nahmen freiwillig an dem Experiment teil. Die geschätzte Stichprobengröße wurde auf der Grundlage des in unserer früheren Studie beobachteten Unterschieds zwischen der Bedingung mit dem höchsten und der Bedingung mit dem niedrigsten Chunking-Anteil berechnet. Wir erhielten 75 < N < 105, abhängig von η, das zwischen .40 und .55 variiert, wobei .55 der Wert ist, der in unserer früheren Studie ermittelt wurde, für eine Potenz von .80.

Stimuli. Unsere Stimuli variierten nach drei zweiwertigen/booleschen Dimensionen (Form, Größe und Farbe, die drei Dimensionen, die typischerweise von Forschern des Kategorielernens verwendet werden, um kanonische Stimuli-Sets zu bilden; Love & Markman, 2003). In jedem Versuch wurden nur zwei Werte pro Dimension verwendet (Abbildung 1,1, unten). Bei jedem Versuch bildete eine zufällige Kombination aus zwei Formen (von acht verschiedenen), zwei Farben (von acht verschiedenen) und zwei Größen eine Menge von acht möglichen Objekten. Wir beschränkten die Größendimension auf zwei verschiedene Werte (groß vs. klein, d. h. 280 × 280 Pixel vs. 140 × 140 Pixel) in den Listen, da die Teilnehmer in unseren Vortests Schwierigkeiten hatten, Zwischenwerte zu identifizieren. Die Verwendung von acht Formen, acht Farben und zwei Größen reichte aus, um 1568 mögliche Sätze von acht Objekten zu generieren, was die proaktive Interferenz zwischen den Versuchen begrenzte (eine Beispielkombination von Merkmalen ist in Abbildung 1,1, oben, dargestellt).

Die Teilnehmer wussten im Voraus nicht, welche der Dimensionen für den Kategorisierungsprozess am relevantesten sein würde. Die Dimensionswerte wurden für jede der vorgelegten Listen zufällig gewählt, um die möglichen Kombinationen von Dimensionen (Formen, Größen und Farben) über die Listen hinweg zu variieren, während die gleiche Kategoriestruktur beibehalten wurde (siehe Abbildung Abbildung1).1). Die Wahrscheinlichkeit, dass ein Teilnehmer während des Experiments auf zwei identische Sätze von Merkmalen zwischen zwei Listen stößt, wurde als sehr gering angenommen.

Vorgehensweise. Das Experiment war ein 2 × 2 within-subject design. Jeder Teilnehmer versuchte alle vier Blöcke (chunkable simple span task, non-chunkable simple span task, chunkable complex span task, non-chunkable complex span tasks), deren Reihenfolge zwischen den Teilnehmern ausgeglichen war (d.h. 24 mögliche Reihenfolgen; 96 Teilnehmer wurden benötigt, um das Design perfekt auszugleichen). Jeder Block umfasste mehrere Listen von Stimuli und der Abruf erfolgte nach jeder Liste. Die Teilnehmer wurden darüber informiert, dass sie sich jede Liste von Reizen in der richtigen Reihenfolge einprägen mussten. Eine Liste von Reizen (z. B. ein kleines blaues Quadrat und ein großes blaues Quadrat) wurde aus einer zufälligen Kombination von zwei Formen ausgewählt (z. B. alle Reize, die sich aus der Kombination von kleinen vs. großen, blauen vs. roten und quadratischen vs. kreisförmigen Objekten ergaben). Die Stimuli einer bestimmten Sequenz wurden nacheinander für jeweils eine Sekunde in der Mitte des Bildschirms angezeigt (z. B. bei einer Liste mit zwei Stimuli ein kleines blaues Quadrat gefolgt von einem großen blauen Quadrat). Die Schwierigkeit jeder Sequenz wurde anhand der von Chekaf et al. (2016) beschriebenen und auf Feldman (2000) basierenden Komprimierbarkeitsmetrik geschätzt. Diese Metrik verwendet einfach disjunktive Normalformeln (eine disjunktive Liste von Konjunktionen von Merkmalen), um die minimale Anzahl von Merkmalen zu berechnen, die die unkomprimierten Listen von Objekten (die wortwörtlich alle Merkmale der konstituierenden Objekte innerhalb der Listen auflisten) reduzieren.

Nach der Präsentation der Liste von Objekten zeigte der Antwortbildschirm die gesamte Menge von acht Objekten, aus denen die Teilmenge ausgewählt worden war. Der Antwortbildschirm zeigte an zufällig festgelegten Positionen acht Antwortmöglichkeiten: die k abzurufenden Stimuli und die 8 – k verbleibenden Ablenkungsobjekte. Die Teilnehmer mussten sich die Liste der Objekte ins Gedächtnis rufen und ihre Reihenfolge rekonstruieren. Der Teilnehmer traf seine Auswahl, indem er die Objekte anklickte, um die Elemente in der richtigen Reihenfolge abzurufen. Dieses Abrufverfahren ähnelt dem der visuellen Kurzzeitgedächtnis-Serienaufgabe (Avons & Mason, 1999; Smyth, Hay, Hitch, & Horton, 2005). Die Stimuli wurden durch einen weißen Balken unterstrichen, wenn der Benutzer sie anklickte. Für den Abruf gab es keine zeitliche Vorgabe. Der Teilnehmer konnte zur nächsten Sequenz übergehen, indem er die Leertaste drückte.

Die 8 – k verbleibenden Ablenkungsobjekte im Testbildschirm ermöglichten es uns, die Kompressibilität korrekt zu berechnen. Bei Versuch #14nc in Abbildung 1,1 beispielsweise enthielt der Abrufbildschirm zusätzlich zu den vier Stimuli (großes lila Dreieck, kleines grünes Dreieck, kleiner grüner Kreis und großer lila Kreis) ein großes grünes Dreieck, ein kleines lila Dreieck, einen kleinen grünen Kreis und einen großen lila Kreis als neue Objekte. Versuch 14c in Abbildung 11 enthielt die vier roten Objekte zusätzlich zu den vier blauen Stimuli. Die Komprimierbarkeit der Memoranden wurde also absichtlich mit den Abrufanforderungen der Versuche korreliert. In Anlehnung an das vorangegangene Beispiel sind die neuen Objekte in Versuch #14nc logischerweise störender für die Memoranden, da sich die Merkmale der Köder mit denen der abzurufenden Stimuli überschneiden. Umgekehrt könnten die roten Köder weniger mit den blauen Stimulusobjekten in #14c verwechselt werden. Da „blau“ eine einfache Beschreibung der Memoranden ist, ist die entgegengesetzte Kategorie notwendigerweise auch einfach (d. h. „rot“). Die Tatsache, dass jede Beschreibung und ihr Komplement die gleiche Komplexität aufweisen, wird im Allgemeinen als Parität bezeichnet.

Die Listen wurden in aufsteigender Längenpräsentation dargestellt (die Länge variierte progressiv von 1 bis 8 Items), wie bei den in neuropsychologischen Tests verwendeten Ziffernspannen. Die Versuchslänge 1 wurde nur zum Aufwärmen verwendet. So wurde in unserem Experiment die gleiche Anzahl von Wiederholungen pro Länge verwendet wie bei der Ziffernspanne des WISC oder WAIS. Ein Block wurde automatisch nach vier Fehlern innerhalb einer bestimmten Listenlänge gestoppt (ein Fehler war einfach die Unfähigkeit des Teilnehmers, die Sequenz vollständig in perfekter Reihenfolge abzurufen). Die Teilnehmer erhielten vier Versuche pro Länge L. Sie wurden auch darüber informiert, dass die ersten drei Versuche in jedem Block als Übungsversuche behandelt und dann aus der Analyse ausgeschlossen würden. Nach dieser Aufwärmphase gab es in jeder Bedingung vier Trials pro Listenlänge.

Wenn es sich bei der Aufgabe um eine einfache Spanne-Aufgabe handelte, gab es ein Intervall von 500 ms zwischen den einzelnen Items. Wenn es sich um eine komplexe Spanne-Aufgabe handelte, wurde das Verfahren der Operation-Spanne-Aufgabe (OS) verwendet. Bei der OS-Aufgabe mussten die Teilnehmer mathematische Operationen zwischen Gedächtnisinhalten durchführen (siehe Conway et al., 2005; Kane et al., 2004). Eine Gleichung wurde auf dem Bildschirm angezeigt (z. B. „7 + 2 = 10“), bevor jedes zu erinnernde Item präsentiert wurde (die Gleichungen wurden leise gelesen). Der Teilnehmer hatte drei Sekunden Zeit, die Gleichung durch Anklicken einer Schaltfläche zu bewerten (richtig oder falsch), bevor das nächste Item angezeigt wurde. Die Gleichung verschwand, nachdem der Teilnehmer eine Antwort gegeben hatte, kurz bevor das nächste Item angezeigt wurde. Diese verschachtelte Verarbeitungsaufgabe sollte die Teilnehmer daran hindern, frei zu chunken.

Bei der nicht chunkbaren einfachen Spanne wechselten sich bei einer gegebenen Listenlänge die inkompressibelsten Listen mit weniger inkompressiblen Listen ab; andernfalls hätten die Chunks im gesamten Experiment eine zu große Ähnlichkeit aufgewiesen. In Abbildung 1.1 zum Beispiel zeigt Versuch #10nc die inkompressibelste Drei-Objekt-Menge, mit einem ersten 2-Merkmals-Unterschied (Größe und Farbe, zwischen dem kleinen weißen Quadrat und dem großen schwarzen Quadrat), gefolgt von einem zweiten 2-Merkmals-Unterschied (Größe und Form, zwischen dem großen schwarzen Quadrat und dem kleinen schwarzen Dreieck), während Versuch #9nc eine weniger inkompressible Drei-Objekt-Menge zeigt, die mit einem 3-Merkmals-Unterschied, gefolgt von einem 2-Merkmals-Unterschied, geordnet wurde, um den Chunking-Prozess zu erschweren. Die Inter-Item-Distanz (die summierte Anzahl der Merkmalsunterschiede zwischen den Objekten) eignet sich gut zur Beschreibung der Beziehungen zwischen den Merkmalen, aber Feldman (2000, 2003) beschreibt genauer, wie die Merkmale neu beschrieben werden können, um die Summe der Informationen in jeder Objektmenge zu komprimieren (der Komprimierungsprozess steht nicht immer in Zusammenhang mit der Inter-Item-Distanz). Zum Beispiel kann „kleines weißes Quadrat, kleines schwarzes Quadrat“ auf zwei Merkmale („kleines Quadrat“) reduziert werden, während „kleines weißes Quadrat, großes schwarzes Dreieck“ nicht auf weniger als sechs Merkmale reduziert werden kann. In diesem Fall erfordert beispielsweise die Gesamtbeschreibung der drei Objekte in Versuch #9nc einen minimalen logischen Ausdruck von 5 Merkmalen anstelle von 8 Merkmalen für #10nc; siehe (Feldman, 2003). Dieses Maß der Komprimierbarkeit dient hier nur zur Vorhersage der Chunkability eines Kategoriensatzes (eine exakte Reihenfolge wie z.B. „erstes Weiß“ erfordert im Versuchskontext immer noch eine Information mehr). Insgesamt wurden alle Kategoriestrukturen einer bestimmten Länge so gewählt, dass sie in der nicht komprimierbaren Bedingung weniger komprimierbar waren als in der komprimierbaren Bedingung.

Auswertung. Um eine Schätzung der Spanne in jeder Bedingung zu berechnen, wurde ein Wert von .25 für jede vollkommen korrekte serielle Meldung aller Gedächtnisobjekte innerhalb eines Versuchs erzielt.2 Ein Teilnehmer, der sich beispielsweise nur an 3 von 4 Sequenzen eines Objekts erinnert, würde eine Spanne von .75 erhalten, wenn er bei längeren Sequenzen völlig versagt. Wenn eine Versuchsperson 4, 4 und 3 korrekte Versuche der Länge 1, 2 bzw. 3 erhielt, dann war die Spanne gleich (4 + 4 + 3)/4 = 2,75. Wenn eine Versuchsperson 4, 3 bzw. 2 korrekte Versuche bei den Längen 1, 2 bzw. 3 erhielt, dann war die Spanne gleich (4 + 3 + 2)/4 = 2,25.