Módszer

A tömörítési folyamat manipulálásához a span feladatunkban korlátoztuk a relációs információt egy sor alapvető vizuális ingerben (például színes alakzatok), egyszerű színek és egyszerű alakzatok használatával. Pontosabban, vizuális, kategorizálható, mesterséges háromdimenziós ingerek listáit használtuk, kétértékű/Boolean diszkrét jellemzőkkel az 1.1. ábrán látható formákhoz, méretekhez és színekhez. Egy adott háromdimenziós halmazhoz a legalacsonyabb relációs információval rendelkező ingereket tartalmazó halmazokat választottuk ki, egy olyan manipulációval, amely feltételezhetően megakadályozza a darabosodást. Illusztráljuk a háromdimenziós tárgykészlettel: . A négy tárgyból álló tömöríthető részhalmaz a következő lenne: , mert a színdimenzió kellően diagnosztikus ahhoz, hogy a fekete tárgyakat megkülönböztessük a fehér tárgyaktól. Az ezen a részhalmazon alapuló ingerlista lehetőséget nyújt a sorozat újrakódolására az egyszerű “fekete” szabály segítségével. A szekvencia, amelyben a sorrend számít, leírható egy egyszerű szabállyal, amely a “fekete” jellemzőt használja (a teljes részhalmaz újrakódolásához, függetlenül a sorrendtől) és a “négyzet-háromszög” sorrendet, amely kombinálható az egyes alakzatokon belüli “nagy-első” leírással. Ezzel szemben az objektumok kevésbé tömöríthető részhalmaza a következő lenne: . E négy objektum heterogenitása, amely a kategóriaszerkezetet összetetté teszi, az információ tömörítésének nehézségével mérhető, figyelembe véve az ingerek kompaktabb reprezentációba való átkódolásának nehézségét (Feldman, 2000). Más szóval, nincs egyszerű, hierarchikus szabály, amely megmagyarázná az alakzatok/színek sorrendjét ebben az alcsoportban. A homogénebb kategóriakészletek kisebb információs terhelést eredményeznek, és mint ilyenek, tömöríthetőbbek, és könnyen átkódolhatóak (vagy “daraboltak”) a könnyebb felidézés érdekében (Chekaf et al., 2016). Összefoglalva, a11. ábra (alul) két különbséget mutat a chunkolható és a nem chunkolható kategóriák között. (1) A chunkolható listák kevesebb összes jellemzővel írhatók le, ÉS (2) a chunkolható listák sorba rendezettek, ami lehetővé teszi a tömöríthetőség könnyű felfedezését (Mathy & Feldman, 2009).

A továbbiakban az egyszerű tömöríthető homogén sorozatokat “chunkable”, az összetett sorozatokat “non-chunkable” (vagy “less-chunkable”, ha ez kényelmesebb) szekvenciáknak nevezzük. Ezt azért tesszük, mert feltételezzük, hogy (1) a kapacitás nagyjából 3 vagy 4 darab, és (2) a tömöríthetőbb listák teljesítménynövekedése nem a darabkapacitás változásából ered (lásd Cowan, Rouder, Blume, & Saults, & 2012), hanem a darabok méretének tényleges növekedéséből. Még ha a teljesítmény néha nem is diszkrét darabokból, hanem az elemek közötti fokozatos asszociációkból ered, a darabszókincs kényelmesen kifejezi a teljesítménynövekedés mértékét tömöríthetőbb listák esetén. Ennek megfelelően négy feltételt alakítottunk ki: egy egyszerű, darabolható anyagot használó span feladatot, egy összetett, darabolható anyagot használó span feladatot, egy egyszerű, nem darabolható anyagot használó span feladatot és egy összetett, nem darabolható anyagot használó span feladatot.

Előrejeleztük, hogy az egyszerű span feladatnak csak akkor lehet kedvező hatása az emlékezésre, ha az információ egy részét újra lehet kódolni, míg ilyen előny nem jelentkezhet, ha semmilyen információt (vagy kevés információt) nem lehet újra kódolni. Ezzel szemben a komplex span feladat nem kínál lehetőséget a szabályos minták újrakódolására a chunkable állapotban, mivel a figyelem el van irányítva az interleaved feldolgozási feladat során. Ezért előre jeleztük a feladat és a tömöríthetőség közötti kölcsönhatást, amely csak az egyszerű span feladat magasabb spanját támogatja a chunkable állapotban. A kölcsönhatás nagyságának tesztelésére Bayes-analízist terveztünk lefuttatni a négy feltételben chunkolt anyagmennyiség összehasonlítására, és különösen az egyszerű span feladatban és az összetett span feladatban chunkolt anyagmennyiséget tükröző chunking score segítségével. Az erős interakciót a komplex feladat esetében kisebb chunking score-nak kellene alátámasztania.

Résztvevők. Kilencvennégy, az Université Côte d’Azur-ra beiratkozott diák (M = 23 éves, sd = 5,3) önként jelentkezett a kísérletben való részvételre. A mintanagyság becslését a korábbi vizsgálatunkban a helyes arány tekintetében megfigyelt különbség alapján számoltuk ki a leginkább és a legkevésbé csengő feltétel között. 75 < N < 105, attól függően, hogy η értéke 0,40 és 0,55 között változott, ahol 0,55 volt az előző vizsgálatunkban kapott érték, ami 0,80-as teljesítményt eredményezett.

Stimuli. Az ingereink három kétértékű/Boolean dimenzió szerint változtak (alak, méret és szín, a kategóriatanulással foglalkozó kutatók által a kanonikus ingerhalmazok kialakításához jellemzően használt három dimenzió; Love & Markman, 2003). Minden egyes próbán belül dimenziónként csak két értéket használtunk (ábra (ábra1,1, alul). Minden egyes próbában két alakzat (nyolc különböző közül), két szín (nyolc különböző közül) és két méret véletlenszerű kombinációja alkotta a nyolc lehetséges objektumkészletet. A méret dimenzióját két különböző értékre korlátoztuk (nagy vs. kicsi, azaz 280 × 280 pixel vs. 140 × 140 pixel) a listák között, mivel a résztvevőknek gondot okozott a köztes értékek azonosítása az előzetes tesztek során. A nyolc forma, nyolc szín és két méret használata elegendő volt ahhoz, hogy 1568 lehetséges, nyolc tárgyból álló halmazt hozzunk létre, ami korlátozta a próbák közötti proaktív interferenciát (a jellemzők mintavételezett kombinációja az 1. ábra1,1. ábra tetején látható).

A résztvevő nem tudta előre, hogy a dimenziók közül melyik lesz a legfontosabb a kategorizálási folyamat szempontjából. A dimenzióértékeket véletlenszerűen választottuk ki az egyes bemutatott listákhoz, hogy a dimenziók (formák, méretek és színek) lehetséges kombinációit variáljuk a listák között, miközben megőriztük ugyanazt a kategóriaszerkezetet (lásd az1. ábra1).1). Annak valószínűségét, hogy egy résztvevő a kísérlet során két lista között két azonos tulajdonságkészlettel találkozzon, nagyon alacsonynak feltételeztük.

Eljárás. A kísérlet 2 × 2 alanyon belüli elrendezésű volt. Minden résztvevő mind a négy blokkot megkísérelte (chunkable simple span feladat, nem chunkable simple span feladat, chunkable complex span feladat, nem chunkable complex span feladatok), amelyek sorrendjét kiegyensúlyoztuk a résztvevők között (azaz 24 lehetséges sorrend; 96 résztvevőre volt szükség a design tökéletes kiegyensúlyozásához). Minden blokk több ingerlistából állt, és a felidézés minden egyes lista után történt. A résztvevőket tájékoztatták arról, hogy minden egyes ingerlistát helyes sorrendben kell megjegyezniük. Az ingerek egy listáját (pl. egy kis kék négyzet és egy nagy kék négyzet) két alakzat véletlenszerű kombinációjából választották ki (pl. a kis vs. nagy, kék vs. piros és négyzet vs. kör tárgyak kombinációjából eredő összes inger). Az ingerek egy adott sorrendben sorban jelentek meg a képernyő közepén egy-egy másodpercig (pl. két ingerlista esetén egy kis kék négyzetet követett egy nagy kék négyzet). Az egyes szekvenciák nehézségét a Chekaf et al. (2016) által leírt, Feldman (2000) alapján készült tömöríthetőségi metrika alapján becsültük meg. Ez a metrika egyszerűen diszjunktív normálformulákat használ (a jellemzők konjunkciós diszjunktív listája), hogy kiszámítsa a jellemzők minimális számát, amely csökkenti a tömörítetlen tárgylistákat (amelyek szó szerint felsorolják a listákon belül az alkotó tárgyak összes jellemzőjét).

A tárgylista bemutatása után a válaszképernyőn a nyolc tárgy teljes halmaza jelent meg, amelyből a részhalmaz kiválasztásra került. A válaszképernyő véletlenszerűen meghatározott pozíciókban nyolc válaszlehetőséget mutatott: a k felidézendő ingereket és a 8 – k megmaradt zavaró tárgyakat. A résztvevőknek fel kellett idézniük a tárgyak listáját, és rekonstruálniuk kellett azok sorrendjét. A résztvevő a tárgyakra kattintva választotta ki, hogy a tárgyakat a helyes sorrendben idézze fel. Ez a felidézési eljárás hasonlít a vizuális rövidtávú memória soros jelentés feladatához (Avons & Mason, 1999; Smyth, Hay, Hitch, Hitch, & Horton, 2005). Az ingereket fehér sávval aláhúztuk, amikor a felhasználó rájuk kattintott. A felidézéshez nem volt időbeli megkötés. A résztvevő a szóköz megnyomásával léphetett tovább a következő szekvenciára.

A tesztképernyőn megmaradt 8 – k zavaró objektum lehetővé tette a tömöríthetőség megfelelő kiszámítását. Például az 1. ábra1,1 ábrán látható 14nc próbánál a felidézési képernyő a négy inger (nagy lila háromszög, kis lila háromszög, kis lila kör és nagy lila kör) mellett egy nagy zöld háromszöget, egy kis lila háromszöget, egy kis zöld kört és egy nagy lila kört tartalmazott új tárgyként. A 11. ábrán látható 14c. próbában a négy kék inger mellett a négy piros tárgy is szerepelt. A memoriterek tömöríthetősége tehát szándékosan korrelált a próbák előhívási igényeivel. Az előző példát követve a #14nc próba új tárgyai logikailag jobban zavarják a memoritereket, mivel a csalétek jellemzői átfednek a visszahívandó ingerek jellemzőivel. Ezzel szemben a #14c próbában a piros csalik kevésbé zavarhatják a kék inger tárgyait. Mivel a “kék” a memoriterek egyszerű leírása, az ellentétes kategória szükségszerűen szintén egyszerű (azaz a “piros”). Azt a tényt, hogy minden leírás és komplementje azonos komplexitású, általában paritásnak nevezik.

A listákat a hossz szerint növekvő bemutatással jelenítettük meg (a hossz fokozatosan változott 1-től 8 elemig), mint a neuropszichológiai tesztekben használt számtanpéldányoknál. Az 1-es próbahosszúságot csak bemelegítésként használtuk. Kísérletünkben például hosszonként ugyanannyi ismétlést használtunk, mint a WISC vagy a WAIS digit span esetében. Egy blokk automatikusan leállt négy hiba után egy adott listahosszon belül (a hiba egyszerűen azt jelentette, hogy a résztvevő nem tudta teljes egészében, tökéletes sorrendben visszahívni a szekvenciát). A résztvevők L hosszúságonként négy próbát kaptak. Arról is tájékoztatták őket, hogy az egyes blokkok első három próbáját gyakorlópróbaként kezelik, majd az elemzésből kihagyják. Ezt a bemelegítést követően minden feltételben négy próba volt listahosszanként.

Amikor a feladat egy egyszerű span feladat volt, 500 ms volt a tételek közötti intervallum. Amikor a feladat komplex span feladat volt, az Operation span (OS) feladateljárást használtuk. Az OS feladatban a résztvevőknek matematikai műveleteket kell végrehajtaniuk a memóriaelemek között (lásd Conway et al., 2005; Kane et al., 2004). Egy egyenlet jelent meg a képernyőn (pl. “7 + 2 = 10”), mielőtt minden egyes megjegyzendő elemet bemutattak volna (az egyenleteket csendben olvasták). A résztvevőnek három másodperce volt az egyenlet megítélésére egy gomb megnyomásával (igaz vagy hamis), mielőtt a következő elemet megjelenítették. Az egyenlet eltűnt, miután a résztvevő válaszolt, közvetlenül a következő elem megjelenése előtt. Úgy gondolták, hogy ez az egymásra épülő feldolgozási feladat megakadályozza, hogy a résztvevők szabadon chunkoljanak.

A nem chunkolható egyszerű terjedelem esetében egy adott listahossz esetén a legkompresszívebb listák váltakoztak a kevésbé kompresszív listákkal; ellenkező esetben a chunkok túl nagy hasonlóságot mutattak volna a kísérlet során. Például az 1. ábra1,1. ábráján a 10nc próba a leginkább összenyomhatatlan három tárgyból álló halmazt mutatja, ahol az első 2 jellemző különbség (méret és szín, a kis fehér négyzet és a nagy fekete négyzet között) utána egy második 2 jellemző különbség (méret és alak, a nagy fekete négyzet és a kis fekete háromszög között) következik, míg a 9nc próba egy kevésbé összenyomhatatlan 3 tárgyból álló halmazt mutat, amelyet egy 3 jellemző különbséggel, majd egy 2 jellemző különbséggel rendeztek, hogy nehezebbé tegyék a darabolás folyamatát. Az elemközi távolság (az objektumok közötti jellemzőkülönbségek összegzett száma) alkalmas a jellemzők közötti kapcsolatok leírására, de Feldman (2000, 2003) pontosabban leírja, hogy a jellemzők hogyan írhatók át az egyes objektumhalmazok információösszegének tömörítése érdekében (a tömörítési folyamat nem mindig függ össze az elemközi távolsággal). Például a “kis fehér négyzet, kis fekete négyzet” két jellemzőre (“kis négyzet”) redukálható, míg a “kis fehér négyzet, nagy fekete háromszög” nem redukálható hatnál kevesebb jellemzőre. Itt például a #9nc próbában a három objektum átfogó leírása 5 jellemzőből álló minimális logikai kifejezést igényel, a #10nc 8 jellemzője helyett; lásd (Feldman, 2003). A tömöríthetőségnek ez a mértéke itt csak arra szolgál, hogy megjósolja a kategóriahalmaz darabolhatóságát (a pontos sorrend, mint például az “első fehér”, még mindig eggyel több információt igényel a kísérleti kontextusban). Összességében az összes adott hosszúságú kategóriaszerkezetet úgy választottuk, hogy kevésbé tömöríthető legyen a nem darabolható állapotban, mint a darabolható állapotban.

Pontozás. A terjedelem becslésének kiszámításához minden feltételben .25-ös értéket kaptunk minden egyes tökéletesen helyes soros jelentésért az összes memóriaelemről egy próbán belül.2 Például egy résztvevő, aki egy tárgy 4 sorozatából csak 3-at idézett fel, .75-ös terjedelmet kapott, ha hosszabb sorozatoknál teljesen elbukott. Ha egy kísérleti személy 4, 4 és 3 próbát kapott helyesen az 1, 2 és 3 hosszúságban, akkor a terjedelem egyenlő volt (4 + 4 + 3)/4 = 2,75-vel. Ha egy tesztalany 4, 3 és 2 próbát kapott helyesen az 1., 2. és 3. hosszúságnál, akkor a tartomány egyenlő volt (4 + 3 + 2)/4 = 2,25.

.