تجربه شگفتی: دینامیک زمانی تأثیر آن بر حافظه قسمت 2

تحلیل آماری

برای ارزیابی رمزگذاری پویا مدوله‌شده با انتظار، مجموعه‌های شی (سیب، قیچی و غیره) را جمع‌بندی کردیم. در هر مجموعه، چهار رویداد مجموعه (هدف؛ F1، شبیه‌ترین، F2، شباهت میانی؛ و F3، کمترین شباهت) وجود داشت که هر کدام به طور تصادفی (1) شرایط انتظار، (2) موقعیت ارائه در مجموعه، و (3) تخصیص داده شدند. ترتیب ارائه در بازیابی (1-312 کارآزمایی).

حافظه انسان شگفت انگیز است. از طریق تجربه، مطالعه و آموزش، می توانیم توانایی های حافظه خود را تا حد زیادی بهبود ببخشیم. در زندگی روزمره ما اغلب نیاز داریم اطلاعات مختلفی مانند شماره تلفن، تولد، نام، رمز عبور و غیره را به خاطر بسپاریم. این موارد همگی نیازمند حافظه هستند.

با این حال، اگر چیزهای زیادی را به خاطر بسپاریم، یا اگر به ترتیب درست ارائه نشده باشند، در به خاطر سپردن با مشکل مواجه می شویم یا حتی از به خاطر سپردن آن صرف نظر می کنیم. این رابطه بین نظم ارائه و حافظه است.

ترتیب صحیح ارائه می تواند به ما کمک کند اطلاعات را بهتر به خاطر بسپاریم. به عنوان مثال، اگر می‌خواهیم رشته‌ای از اعداد را به خاطر بسپاریم، می‌توانیم آن‌ها را بر اساس الگوی خاصی مرتب کنیم، مانند ترتیب صعودی یا نزولی، ترکیب‌های زوجی و غیره. این روش‌ها می‌توانند به ما در درک و به خاطر سپردن اطلاعات کمک کنند.

هنگام یادگیری دانش جدید، ترتیب ارائه نیز بسیار مهم است. اگر دانش جدید را به قطعات کوچکتر تقسیم کنیم و به تدریج دشواری آن را افزایش دهیم، چیزهای جدید را کارآمدتر یاد می گیریم. این روش «تکلیف درجه بندی شده» نامیده می شود که می تواند به ما کمک کند تا دانش جدید را به سرعت تسلط پیدا کنیم و کمتر احتمال دارد که حذف یا اشتباه گرفته شود.

در زندگی روزمره نیز می توانیم از ترتیب صحیح ارائه برای بهبود حافظه استفاده کنیم. تقویم‌های خانوادگی، یادداشت‌ها و فهرست‌ها همگی می‌توانند به ما کمک کنند تا زندگی خود را بهتر سازماندهی کنیم تا دیگر چیزهای مهم را فراموش نکنیم یا ضرب الاجل را از دست ندهیم.

به طور خلاصه، ترتیب صحیح ارائه می تواند توانایی حافظه ما را تا حد زیادی بهبود بخشد. از طریق چیدمان و تجزیه و تحلیل مناسب، می توانیم اطلاعات را بهتر درک کنیم، آنها را به خاطر بسپاریم و در زندگی آینده خود به کار ببریم. بیایید از ترتیب ارائه صحیح استفاده کنیم تا پتانسیل مغز خود را تحریک کنیم، بر دانش بیشتر تسلط پیدا کنیم، و زندگی خود را کاملتر و زیباتر کنیم. مشاهده می شود که ما نیاز به بهبود حافظه داریم و سیستانش دسرتیکولا می تواند حافظه را به میزان قابل توجهی بهبود بخشد، زیرا سیستانش دسرتیکولا می تواند تعادل انتقال دهنده های عصبی مانند افزایش سطح استیل کولین و فاکتورهای رشد را نیز تنظیم کند. این مواد برای حافظه و یادگیری بسیار مهم هستند. علاوه بر این، گوشت همچنین می تواند جریان خون را بهبود بخشد و اکسیژن رسانی را تقویت کند، که می تواند اطمینان حاصل کند که مغز مواد مغذی و انرژی کافی را دریافت می کند و در نتیجه نشاط و استقامت مغز را بهبود می بخشد.

روی روش های بهبود عملکرد مغز کلیک کنید

ما یک مدل رگرسیون لجستیک باینری با اثرات مختلط را روی این داده‌های گروه‌بندی‌شده اجرا کردیم، با استفاده از وضعیت انتظار رویدادهای فعلی و مجموعه قبلی، و موقعیت ارائه در بازیابی به عنوان متغیر کمکی. مدل‌ها با استفاده از بسته lme4 محاسبه شدند (بیتس و همکاران، 2{ {4}}15) در محیط R (تیم هسته توسعه R، 2008). پارامترهای چنین مدل‌هایی را می‌توان برای ارزیابی احتمال پاسخ صحیح ("قدیمی" برای اهداف، "جدید" برای فویل‌ها) و همچنین برای رهگیری منحصر به فرد هر شرکت‌کننده (سوگیری پاسخ) مورد استفاده قرار داد. برای ارزیابی شیب هر پیش‌بینی‌کننده در مدل (H0: b=0)، ما از آزمون omnibus x2 Waldtest (وست و همکاران، 2014)، همانطور که در بسته خودرو پیاده‌سازی شد، استفاده کردیم (فاکس و ویزبرگ، 2018).

استخراج و ترسیم اثرات گزارش شده در زیر با استفاده از بسته های اثرات (فاکس، 2003)، میانگین (Searle و همکاران، 1980) و ggplot2 (Wickham, 2009) انجام شد. برای بررسی تعامل پویا بین شباهت ادراکی و وضعیت انتظار، برای هر رویداد مجموعه سه مدل مورد علاقه ابداع کردیم و هر رویداد را به‌طور جداگانه به عنوان تابعی از توالی رویداد قبلی مدل‌سازی کردیم.

به عنوان مثال، اهداف قبل از F1 به طور جداگانه از اهداف قبل از F2 مدل سازی شدند. برای از بین بردن هر گونه اثرات ناشی از تفاوت قدرت حافظه، ما فقط رویدادهایی را در این مدل گنجانده ایم که پاسخ قبلی برای آنها درست بوده است (یعنی برای اهدافی که پس از رویدادهای F1، فقط اهدافی را که از CR1 پیروی می کنند، لحاظ می کنیم). نتایج مشابهی هنگام گنجاندن همه آزمایش‌ها در مدل مشاهده شد (برای اجرای کد برای اجرای تجزیه و تحلیل و تولید ارقام به مخزن GitHub مراجعه کنید). بنابراین، هر مدل شامل وضعیت انتظارات هفده رویداد فعلی و قبلی و همچنین ترتیب ارائه در بازیابی متغیرهای کمکی بود. کد و داده در اینجا موجود است:https://github.com/frdarya/DynamicExpectation.

آزمایش 2

شركت كنندگان

در مجموع 25 شرکت‌کننده (هشت مرد، 18 تا 33 سال، میانگین=25، SD=4.2) رضایت آگاهانه دادند و در مطالعه شرکت کردند. شرکت کنندگان بینایی طبیعی یا اصلاح شده به نرمال داشتند و سابقه اختلالات عصبی یا روانپزشکی نداشتند. تمامی مراحل توسط کمیته اخلاق پژوهشی دانشگاه منچستر تایید شد. یک شرکت‌کننده به دلیل ناتوانی در یادگیری اقتضای نشانه-نتیجه در طول تکلیف یادگیری قانون، از همه تحلیل‌ها حذف شد.

طراحی تجربی

یک پارادایم مشابه و دستکاری انتظار در آزمایش 2، با استثناهای زیر استفاده شد: در مرحله رمزگذاری، هر شی سه بار متوالی ارائه شد. هر شیء به مدت 2000 میلی‌ثانیه روی صفحه بود، با یک ضربدر تثبیت لرزان (250 تا 750 میلی‌ثانیه) بین هر نمایش. در طول ارائه اول و دوم، از شرکت کنندگان خواسته شد که تصمیمی معنایی در مورد شیء بگیرند، اینکه آیا این شی ساخته شده است یا طبیعی، و اینکه آیا احتمال بیشتری وجود دارد که در داخل خانه یا خارج از خانه پیدا شود. ترتیب این سوالات تصادفی بود. در طول ارائه سوم، همیشه از شرکت کنندگان خواسته می شد که موضوع را با دقت بر روی جزئیات مطالعه کنند. پس از ارائه سوم، یک ضربدر تثبیت لرزان دیگر، برای مدت طولانی (800-1200 میلی ثانیه)، برای ایجاد بلوک های کوچک برای جدا کردن هر شی وجود داشت.

تکلیف یادگیری قانون با آنچه در آزمایش 1 استفاده شد یکسان بود، به جز زمان ارائه پاسخ طولانی تر نشانه (3 ثانیه به جای 1 ثانیه) و تلاقی تثبیت لرزان (250-750 میلی ثانیه) بین هر آزمایش (به شکل داده های توسعه یافته مراجعه کنید). 1-1 برای داده های رفتاری و توسعه یافته شکل. قبل از انجام کار بازیابی، شرکت کنندگان مسائل حسابی را به مدت 2 دقیقه حل کردند (بدون اسکن).

در بازیابی، به جای سه سطح، از دو سطح شباهت فویل (F1 و F2) در هر مجموعه استفاده کردیم. به منظور بهینه سازی زمان در اسکنر، از اشیاء F3 استفاده نشد، زیرا آنها هیچ اثر مورد علاقه ای را در آزمایش 1 نداشتند. هر آزمایش بازیابی با یک ضربدر تثبیت لرزان (250-750 میلی‌ثانیه) شروع می‌شد، پس از آن یک نشانه برای 1000 میلی‌ثانیه و سپس رویداد تنظیم شده (هدف، F1 یا F2) برای 3000 میلی‌ثانیه ارائه می‌شد. در تمام کارهای اسکن شده، ما از خطوط پایه ضمنی (تقاطع ثابت برای 3500 میلی ثانیه در کدگذاری و وظایف یادگیری قانون، 4500 میلی ثانیه در بازیابی) در 30 درصد آزمایش‌ها استفاده کردیم.

تحلیل آماری رفتاری

پس از تجزیه و تحلیل و نتایج آزمایش 1، ما اهداف و رویدادهای F1 را جمع کردیم و احتمال تصمیم گیری صحیح (بازدیدها و رد صحیح) را بر اساس وضعیت انتظار رویداد مجموعه فعلی و وضعیت انتظار رویداد مجموعه قبلی مدل کردیم.

به‌عنوان آزمایش 1، برای از بین بردن آشفتگی قدرت حافظه، فقط پاسخ‌های صحیح گنجانده شد (برای نتایج مشابه در هنگام شامل همه آزمایش‌ها و برای تجزیه و تحلیل جداگانه اهداف و F1 به مخزن GitHub مراجعه کنید). اصلاحات فویل‌های F2 نیز به عنوان تابعی از هفت رویداد قبلی، همانطور که برای آزمایش 1 انجام شد، مدل‌سازی شد.

اکتساب fMRI و تجزیه و تحلیل آماری

اسکن MR بر روی یک اسکنر MRI 3T (Philips، Achieva) انجام شد. برای به حداقل رساندن حرکت در طول اسکن، از گوه‌های فوم و پدهای نرم برای تثبیت سر شرکت‌کننده استفاده شد. ابتدا، تصاویر وزن T{1} (اندازه ماتریس: 256 256، 160 برش، اندازه وکسل 1 میلی متر ایزوتروپیک) در حالی که شرکت کنندگان در اسکنر استراحت می کردند، جمع آوری شد. یک توالی echoplanarimaging گرادیان (EPI) برای جمع آوری تصاویر T2* برای سیگنال BOLD استفاده شد. 40 برش موازی با خط AC-PC، که کل مغز را پوشش می دهد (اندازه ماتریس 80 80، اندازه وکسل 3 3 3.5 میلی متر مکعب)، برای هر جلد به دست آمد (TR=2.5s، TE=35 ms) .

شرکت‌کنندگان سه کار را در اسکنر انجام دادند (رمزگذاری 313 جلد؛ آموزش قوانین 143 جلد؛ بازیابی 534 جلد) و یک کار حواس‌پرتی که اسکن نشد. ://www.fil.ion.ucl.ac.uk/spm/software/spm12/).تصاویر با استفاده از تبدیل جسم صلب شش پارامتری مجدداً با تصویر میانگین تراز شدند، با استفاده از درون یابی sinc برش داده شدند و زمان برش تا وسط تصحیح شد. تکه.

تصاویر آناتومیک T1 به طور مشترک در تصویر میانگین EPI مربوطه ثبت شد. عادی سازی فضایی به الگوی موسسه عصبی مونترال (MNI) با استفاده از جعبه ابزار DARTEL که در SPM12 پیاده سازی شده است (Ashburner، 2007) انجام شد. هسته گاوسی ناهمسانگرد 8 میلی متری FWHM برای هموارسازی داده های EPI نرمال شده برای آنالیزهای تک متغیره استفاده شد.

برای حذف نویز با فرکانس پایین، داده ها با استفاده از یک برش ۱۲۸ ثانیه فیلتر شدند. دو ناحیه پیشینی مورد علاقه (ROIs)، هیپوکامپ دو طرفه، و یک ROI مغز میانی شامل فقط جسم سیاه (SN) و تگمنتوم شکمی. منطقه (VTA) استفاده شد. ماسک هیپوکامپ از اطلس آناتومیک هاروارد-آکسفورد گرفته شده است (آستانه با احتمال 25%؛ Desikan و همکاران، 2006). ماسک مغز میانی از اطلس احتمالی مغز میانی گرفته شده است (مورتی و همکاران، 2014).

داده‌های عملکردی هر شرکت‌کننده از جلسه بازیابی با استفاده از چارچوب مدل خطی عمومی (GLM) در طراحی مرتبط با anevent که تابع پاسخ همودینامیک متعارف را مدل‌سازی می‌کند، تجزیه و تحلیل شد. شش پارامتر حرکت تولید شده در هر جلسه هم ترازی مجدد به عنوان رگرسیون مزاحم استفاده شد. برای به حداقل رساندن مصنوعات حرکت باقیمانده، جعبه ابزار ArtRepair (http://cibsr.stanford.edu/tools/human-brain-project/artrepair-software.html) برای تولید رگرسیون های مزاحم اضافی برای هر شرکت کننده استفاده شد.

سری‌های زمانی برای حذف نویز فرکانس پایین فیلتر شدند (128-scutoff). با توجه به فرضیه پیشینی ما برای ROIهای معرفی شده در بالا (هیپوکامپ دوطرفه و SN/VTA)، یک رویکرد تصحیح حجم کوچک (SVC) برای این مناطق اتخاذ شد که برای خطای خانوادگی (FWE) برای حجم ROI (آستانه اولیه تشکیل خوشه‌ها) تصحیح شد. p، 0.001).

برای تحلیل‌های اکتشافی کل مغز، یک رویکرد مبتنی بر جایگشت ناپارامتری (n=5000) برای شناسایی خوشه‌های مهم با استفاده از جعبه ابزار SnPM (https://warwick.ac.uk/fac/sci/statistics/staff) استفاده شد. /اکادمیک-پژوهشی/نیکولز/نرم افزار/snpm/). آستانه تشکیل خوشه اولیه p، 0.005 استفاده شد، و خوشه‌های معنی‌دار در p ناپارامتریک، 0.05 گزارش شده‌اند. نقشه های T سطح گروه بدون آستانه از SPM و SnPM در اینجا موجود است:https://neurovault.org/collections/TTDMPHLE/.

برای آزمایش تأثیر رفتاری یک تعامل بین انتظارات زمینه‌ای یک رویداد قبلی و انتظارات زمینه‌ای رویداد فعلی، اهداف و F1 را جمع‌آوری کردیم و آنها را بر اساس ترتیب ارائه (که اول شد) و وضعیت انتظارشان طبقه‌بندی کردیم. رویدادهای F2 به عنوان یک شرایط جداگانه مدل‌سازی شدند.

در این تجزیه و تحلیل، ما آیتم فعلی را بین وضعیت انتظار فعلی و قبلی مقایسه می کنیم (به عنوان مثال، EprevUcurr . EprevEcurr). با توجه به طراحی آزمایشی ما، چهار پارامتر وجود دارد که تعاملات آنها می تواند بیشتر مورد بررسی قرار گیرد: رویداد مجموعه (هدف، F1، F2)، انتظارات متنی (منتظره یا غیرمنتظره)، پاسخ حافظه داده شده (درست یا نادرست)، و ترتیب ارائه در این مجموعه (اول، دوم). ، یا آخرین). این منجر به 36 شرایط می شود. با این حال، اینها نمی توانند با هم مدل شوند، زیرا تعداد ناکافی محاکمه برای اکثر شرکت کنندگان وجود دارد.

بنابراین، ما سه مدل مجزا ابداع کردیم. در مدل اول، ما تأثیر اصلی انتظارات را بدون توجه به مجموعه رویداد یا تصمیم شناسایی بررسی کردیم. در مدل دوم، ما تعاملات حافظه موفقیت‌آمیز مجموعه انتظارات را با کاهش آزمایش‌ها در سراسر ترتیب ارائه و مدل‌سازی فقط پاسخ‌های صحیح برای هر رویداد بررسی کردیم (همه پاسخ‌های نادرست به‌عنوان یک رگرسیون جداگانه مدل‌سازی شدند). در مدل سوم، ما تعامل انتظارات، رویداد مجموعه و ترتیب ارائه را بدون توجه به پاسخ‌های تشخیص بررسی کردیم.

نتایج

ما دو آزمایش انجام دادیم، آزمایش 1 پاسخ های رفتاری را مورد بررسی قرار داد، و آزمایش 2 از یک الگوی مشابه استفاده کرد در حالی که داده های fMRI جمع آوری شد. در هر دو آزمایش، وظیفه رفتاری ما شامل سه مرحله بود (برای طراحی آزمایشی، به شکل 1 مراجعه کنید): به دنبال رمزگذاری تصاویر، شرکت‌کنندگان یک کار یادگیری قانون را انجام دادند که در آن یک اتفاق بین نشانه و طبقه‌بندی شی را یاد گرفتند (انسان- ساخته شده یا طبیعی). سپس، هنگام بازیابی، همان نشانه‌ها و به دنبال آن یک شی قدیمی (هدف) یا جدید (فویل) ارائه شد.

فویل ها به صورت پارامتریک با اشیاء مشابه، F1، F2، و F3 به ترتیب کاهش شباهت به هدف دستکاری شدند. از شرکت کنندگان خواسته شد که یک تصمیم تشخیص قدیمی/جدید بگیرند. در یک سوم کارآزمایی‌های بازیابی، موارد احتمالی دسته‌بندی نشانه و شی از پیش تعیین‌شده نقض شد. برای ارزیابی رمزگذاری تعدیل‌شده با انتظار، و حساسیت آن به شباهت ادراکی، از رگرسیون لجستیک با اثرات مختلط برای مدل‌سازی پاسخ (تشخیص صحیح/نادرست) به هر رویداد مجموعه (هدف‌ها و فویل‌های مشابه) به عنوان تابعی از رویداد قبلی از آن مجموعه استفاده کردیم (مثلاً ، اگر ابتدا یک F1 ارائه شود، و بعداً در atarget، به آنها F1prev Targetcurr اشاره می شود.

علاوه بر این، هر رویداد مجموعه‌ای با وضعیت انتظاری که توسط نشانه قبلی تعیین می‌شد همراه بود (رویدادهای تابع قانون به‌عنوان مورد انتظار و نقض قوانین به‌عنوان غیرمنتظره علامت‌گذاری شدند). هر مدل همچنین شامل یک تعامل بین وضعیت انتظاری هفت رویداد فعلی و قبلی برای بررسی تغییرات پویا بود (به عنوان مثال، چگونه یک فویل غیرمنتظره قبلی بر شناسایی یک هدف مورد انتظار فعلی تأثیر می‌گذارد؛ شکل 1C را ببینید؛ برای جزئیات کامل، به مواد و روش‌ها مراجعه کنید).

آزمایش 1

حافظه برای اهداف توسط رویدادهای مجموعه مشابه غیرمنتظره قبلی تعدیل می شود

برای اهدافی که به دنبال رویدادهای مجموعه F1 هستند، ما اثرات اصلی قابل توجهی از انتظارات F1 پیدا کردیم (b=0.659, X2(1)=4.63, p =0.031. ) و همچنین یک تعامل حاشیه ای بین انتظارات هدف و وضعیت انتظار F1 قبلی (b =0.939, X2(1)=3.65, p=0.056; شکل 2A). کنتراست های بعدی نشان داد که اهداف مورد انتظار در مقایسه با رویداد غیرمنتظره مجموعه F1 (z=2.15، p=0.031) به احتمال زیاد به خاطر یک F1 غیرمنتظره از بین می روند. علاوه بر این، زمانی که رویداد قبلی مجموعه F1 غیرمنتظره بود، در مقایسه با اهداف غیرمنتظره (z=2.37، p=0.017، p=0.017) احتمال بیشتری وجود داشت که اهداف مورد انتظار بعدی به درستی به خاطر سپرده شوند. هنگام بررسی اهدافی که رویدادهای مجموعه F2 و F3 را دنبال کردند، هیچ پیش بینی کننده قابل توجهی مشاهده نکردیم (همه ps 0.127).

رد صحیح فویل های مشابه با وضعیت انتظار اهداف قبلی تعدیل می شود

برای رویدادهای F1 زیر اهداف، تعاملی بین وضعیت انتظار دو رویداد پیدا کردیم (b=0.79, X2(1)=5.29, p=0.0 21؛ شکل 2B)، با کنتراست‌هایی که رد صحیح‌تر F1events (CR1) را برای F1 مورد انتظار نسبت به رویدادهای F1 غیرمنتظره پس از اهداف غیرمنتظره نشان می‌دهند (z{14}}.65, p{16}}.0 08) و ردهای نادرست برای F1 غیرمنتظره زمانی که هدف قبلی غیرمنتظره بود، در مقایسه با زمانی که مورد انتظار بود (z{19}}.95، p{21}}.0507؛ شکل 2، پانل میانی). همه اثرات دیگر معنی دار نبودند (allps. 0.255). هنگام بررسی رویدادهای F1 که به دنبال رویدادهای مجموعه F2 و F3 بودند، هیچ پیش‌بینی‌کننده قابل‌توجهی مشاهده نکردیم (allps. 0.274).

با کاهش شباهت ادراکی، مدولاسیون توالی انتظار کاهش می یابد

رویدادهای F2 تحت تأثیر اهداف قبلی (همه ps . 0.171)، F1s (همه ps . 0.197) یا F3s (همه ps . 0.174) از همان مجموعه

به طور مشابه، پاسخ‌ها به رویدادهای F3 توسط هیچ رویداد مجموعه قبلی تعدیل نشدند (هدف‌ها: همه ps . 0.484، F1s: همه ps . 0.148، F2s: همه ps . 0 .321).

اهداف و مشابه ترین فویل های آنها اثرات توالی انتظارات مشابهی را نشان می دهند

با توجه به اثرات مشابه مشاهده شده برای اهداف و رویدادهای F1 به طور مستقل، ما این دو را در هم شکستیم تا بررسی کنیم که آیا این اثرات مکمل هستند (یعنی، آیا تعاملی بین وضعیت فعلی و وضعیت انتظار قبلی وجود دارد، شکل 2C). اگرچه ردهای صحیح و ضربه زدن لزوماً محصول یک فرآیند یادگاری نیستند، در این پارادایم آنها فرصتی را برای بررسی نحوه تعامل بار ادراکی (به شکل شباهت) با مدولاسیون های انتظار پویا فراهم می کنند.

مقایسه حافظه‌ای بین رویداد مجموعه فعلی (هدف یا F1) و رویداد مجموعه قبلی آن (به ترتیب F1 یا هدف)، بیشترین بار یا تداخل را در مورد شی کدگذاری شده تشکیل می‌دهد، زیرا شرکت‌کننده تصمیم به شناسایی می‌گیرد. بنابراین، اگر فرآیندهای ادراکی درگیر باشند، در مواجهه با یک رویداد غیرمنتظره، اثرات مشاهده شده برای هر رویداد مجموعه به طور جداگانه باید تکرار شوند. ما تأثیر اصلی قابل توجهی از وضعیت انتظار رویداد قبلی پیدا کردیم (b=0.341, X2(1)=4.9,p=0.027) و همچنین یک تعامل قابل توجه بین وضعیت انتظار رویدادهای فعلی و قبلی (b =0.682, X2(1)=6.5, p=0.01).

آزمایش‌های کنتراست بعدی نشان داد که وقتی رویداد مجموعه قبلی غیرمنتظره بود، پاسخ‌های صحیح‌تری برای رویدادهای مورد انتظار در مقایسه با رویدادهای غیرمنتظره مشاهده شد (UprevEcurr . UprevUcurr؛ z=3.1، p=0.002). UprevUcurr از نظر عددی کوچکتر از EprevUcurr بود، اما این اثر به معنی آماری نمی رسید (p=0.116). علاوه بر این، پاسخ های صحیح تری برای رویدادهای موردانتظار فعلی به دنبال رویدادهای غیرمنتظره نسبت به رویدادهای مورد انتظار وجود داشت (EprevEcurr، UprevEcurr؛ z {{6). }}.22, p=0.027).

For more information:1950477648nn@gmail.com