اتصال حافظه درون شی و برون شی در توسعه اولیه قسمت 3

نتایج و بحث

سه کودک {{0}}ساله به دلیل نقص رایانه کنار گذاشته شدند، و یک کودک 5-ساله دیگر به دلیل تکمیل نکردن کار کنار گذاشته شد. از آنجایی که کودکان و بزرگسالان پاسخ‌ها را به روش‌های مختلف می‌دادند (به ترتیب صفحه لمسی و صفحه‌کلید)، نمی‌توانستیم زمان‌های پاسخ را تجزیه و تحلیل کنیم، اما آزمایش‌های فردی با پاسخ‌های بسیار سریع (یعنی کمتر از 200 میلی‌ثانیه) را از همه تحلیل‌ها حذف کردیم، زیرا احتمالاً غیرعمدی بودند. . درصد کارآزمایی‌های حذف‌شده 1.3 درصد در 5-سال‌ها، .2 درصد در 8-سال‌ها و 0 درصد در بزرگسالان بود.

واکنش ها و حافظه کودکان ارتباط نزدیکی با هم دارند. سرعت واکنش خوب می تواند به کودک کمک کند اطلاعات را پردازش کند و بهتر یاد بگیرد، در حالی که یک حافظه قوی می تواند به کودک کمک کند آموخته های خود را بهتر به خاطر بیاورد و به کار گیرد.

کودکی که بتواند به راحتی درباره مسائل قضاوت کند و سریع واکنش نشان دهد، در یادگیری موفق تر خواهد بود. این کودکان می توانند حجم زیادی از اطلاعات را به طور موثر پردازش کنند و در صورت نیاز به سرعت واکنش نشان دهند. کودکان وقتی از آنها خواسته می شود در تمام جنبه های مدرسه و زندگی به سرعت پاسخ دهند، نگرش اعتماد به نفس پیدا می کنند و عملکرد بهتری دارند. علاوه بر این، واکنش سریع آنها به آنها هماهنگی بهتر دست و چشم و مهارت های حرکتی بیشتری را برای رفع نیازهای رشد سالم آنها می دهد.

از طرفی حافظه قوی نیز بسیار مهم است. مقدار اطلاعاتی که کودکان باید به خاطر بسپارند بسیار زیاد است، از جمله وظایفی مانند درس و تکالیف در مدرسه. اگر کودکی حافظه خوبی نداشته باشد، احتمالاً در تکالیف مدرسه و تکالیف مدرسه با مشکل مواجه خواهد شد. اگر کودکان آنچه را که باید انجام دهند را فراموش کنند یا آنچه را که معلم در کلاس آموزش داده فراموش کنند، در یادگیری خود با نقاط کور و حذفیات مواجه خواهند شد.

خوشبختانه ما می‌توانیم با تمرینات و تمرینات به کودکان کمک کنیم تا رفلکس‌ها و حافظه خود را بهبود بخشند. به عنوان مثال، ما می توانیم کودکان را در فعالیت های چالش برانگیز مانند بازی های کارت حافظه، نقاشی، موسیقی و غیره درگیر کنیم تا به آنها کمک کنیم تا حافظه و سرعت واکنش خود را بهینه کنند. ما همچنین می‌توانیم کودکان را تشویق کنیم که بیشتر در فضای باز فعالیت کنند و ورزش کنند تا آمادگی جسمانی خود را بهبود بخشند.

در فرآیند فرزندپروری، باید کودکان را تشویق کنیم که دائماً چیزهای جدید را امتحان کنند و فعالانه در فعالیت های مختلف در مدرسه و زندگی خانوادگی شرکت کنند تا بتوانند فرصت بیشتری برای تمرین پیدا کنند. ما باید به کودکان تشویق و حمایت کنیم تا بتوانند با اعتماد به نفس با چالش های مختلف در زندگی روبرو شوند تا سرعت واکنش و توانایی حافظه آنها به سرعت بهبود یابد. مشاهده می شود که باید حافظه خود را تقویت کنیم. Cistanche deserticola می تواند به طور قابل توجهی حافظه را بهبود بخشد زیرا Cistanche deserticola یک ماده دارویی سنتی چینی با اثرات منحصر به فرد بسیاری است که یکی از آنها بهبود حافظه است. اثربخشی گوشت چرخ کرده از مواد فعال مختلفی که شامل اسید، پلی ساکاریدها، فلاونوئیدها و غیره است، ناشی می شود. این مواد می توانند به طرق مختلف سلامت مغز را ارتقا دهند.

برای بهبود حافظه، روی مکمل‌های شناختی کلیک کنید

پس از کنار گذاشتن کارآزمایی‌های فردی، همه داده‌های شرکت‌کنندگانی را که در هر دو مرحله آزمون یادگیری و یادگیری عملکرد خوبی نداشتند حذف کردیم، زیرا استنباط در مورد تداخل یا الزام‌آوری حافظه در شرکت‌کنندگانی که تکلیف را نمی‌فهمیدند یا پرداخت نمی‌کردند دشوار بود. توجه به طور خاص، برای هر شرکت‌کننده، دو تست دوجمله‌ای یک دم انجام دادیم. اولین آزمون همه آزمایش‌ها را از بلوک‌های 2-4 مرحله یادگیری مجموعه A با آزمایش‌های منحصربه‌فرد از بلوک‌های 2-4 مرحله یادگیری مجموعه B ترکیب کرد. ما اولین بلوک این مراحل را حذف کردیم، زیرا در هنگام ارائه موارد احتمالی، دقت نزدیک به شانس را پیش‌بینی می‌کردیم، و آزمایش‌های همپوشانی را از مجموعه B مستثنی کردیم زیرا استدلال کردیم که ممکن است دقت در آن آزمایش‌ها به دلیل تداخل فعال کمتر باشد.

آزمون آماری دوم تمام آزمایش‌های اولین آزمون یادگیری مجموعه A را با آزمایش‌های منحصربه‌فرد از آزمون یادگیری مجموعه B ترکیب کرد. دلیل حذف آزمایش‌های همپوشانی برای مجموعه B مجدداً امکان تداخل فعال بود. ما 12 کودک پنج ساله، پنج 8-ساله، و صفر بزرگسال را که دقت آنها در هر دو آزمون دوجمله ای بالاتر از شانس نبود، حذف کردیم.1 نمونه نهایی شامل 32 کودک پنج ساله بود (مج {{9} }.08 سال، SDage=.20، زبان=4.74-5.51؛ 13 زن، 19 مرد)، 30 کودک هشت ساله (مج=8. 54 سال، SDage=0.28، زبان=8.05–8.99؛ 15 زن، 15 مرد) و 30 بزرگسال (15 زن، 15 مرد).

برای بررسی اینکه آیا این اندازه‌های نمونه نهایی مناسب هستند یا خیر، ما یک تحلیل توانی بر اساس دقت کلی در مرحله آزمایش Binding برای 5-کودکان و 8-سال‌ها انجام دادیم. قدرت تشخیص تفاوت بین کودکان پنج ساله و هشت ساله 1 بود.{9}} در این آزمایش، نشان می‌دهد که این اندازه‌های نمونه برای تشخیص تأثیر سن در دقت اتصال حافظه بیش از اندازه کافی بودند.

داده های این آزمایش در شکل 2 و جدول 1 ارائه شده است. برای تجزیه و تحلیل داده ها، ما یک سری رگرسیون خطی بیزی سلسله مراتبی انجام دادیم که میانگین دقت را در مراحل مختلف کار پیش بینی می کند. این تحلیل‌ها به طور کامل در بخش‌های مدل‌های رگرسیون بیزی سلسله مراتبی و نتایج مدل رگرسیون در مواد تکمیلی آنلاین ارائه شده‌اند.

به طور کلی، نتایج نشان می دهد که اثرات تداخل خاص همپوشانی قوی در همه گروه ها وجود دارد. به طور خاص، اگرچه ما شواهد کمی از تداخل پیشگیرانه در هنگام یادگیری یا آزمایش در موارد احتمالی مجموعه B یافتیم، شواهد قوی از تداخل عطف به ماسبق را در دومین آزمون یادگیری برای مجموعه A (یعنی در آزمون یادگیری 2A، پس از یادگیری و آزمایش مجموعه B یافتیم. ) ، زیرا دقت برای همپوشانی در مقایسه با موارد غیرمنتظره به طور قابل توجهی کمتر بود. جالب توجه است که دقت در آزمون یادگیری 2A به طور کلی کمتر است. دلایل متعددی وجود دارد که ممکن است این مورد وجود داشته باشد: ممکن است خاطرات در طول زمان تحلیل رفته باشند، شرکت کنندگان ممکن است در این مرحله بعدی آزمایش خسته شده باشند، یا ممکن است برخی تداخلات احتمالی دیگر وجود داشته باشد که مخصوص همپوشانی محرک نبوده است.

ما همچنین شواهد قوی از تداخل را پیدا کردیم که به طور خاص به همپوشانی محرک در مرحله آزمایش Binding نسبت داده می‌شود، زیرا دقت برای همپوشانی در مقایسه با موارد احتمالی منحصربه‌فرد بسیار کمتر بود. همچنین شواهدی دال بر دقت پایین‌تر برای کودکان 5- ساله نسبت به گروه‌های سنی بالاتر در مرحله آزمایش Binding پیدا کردیم. نتایج تداخل قوی و تفاوت‌های رشدی با توجه به اینکه ویژگی‌های شکل و رنگ درون اشیاء ارائه شده بود تا حدودی شگفت‌انگیز بود و ما انتظار داشتیم که اتصال درون شی در همه گروه‌های سنی نسبتاً قوی باشد.

با این حال، از این نتایج مشخص نیست که چه ارتباطی شکل گرفته است یا چگونه این ساختارهای پیوندی ممکن است بین گروه‌های سنی متفاوت باشد: شرکت‌کنندگان ممکن است ساختارهای اتصال ساده‌ای را بین شکل فردی یا ویژگی‌های رنگی و شخصیت، بین اشکال و رنگ‌ها با هم تشکیل داده باشند. در درون اشیا، و به طور بالقوه بین هر دو ویژگی و شخصیت ها، که توسط یک ساختار پیچیده پیچیده در نظر گرفته می شود. تخمین میزان شکل گیری این ساختارهای الزام آور با مدل های آماری استاندارد مانند رگرسیون دشوار است. در عوض، ما به مدلی نیاز داریم که هم پاسخ‌های صحیح و هم انواع مختلف پاسخ‌های خطا را بر اساس بازنمایی زیربنایی (یعنی ساختار الزام‌آور) پیش‌بینی کند. برای تخمین رسمی شکل‌گیری ساختارهای مختلف اتصال و تفاوت‌های رشدی در این فرآیندها، یک مدل محاسباتی تولیدی ایجاد کردیم.

توصیف مدل محاسباتی - برای توصیف رسمی فرآیندهای اتصالی که ما فرض کردیم در این آزمایش زیربنای عملکرد هستند، یک مدل محاسباتی جدید ایجاد کردیم (برای توصیف کامل مدل، بخش مدل محاسباتی تولیدی مواد تکمیلی آنلاین را ببینید). این مدل فرض می‌کند که پاسخ‌های شرکت‌کنندگان با قدرت تداعی‌هایی که در طول آزمایش آموخته‌اند پشتیبانی می‌شوند.

در این مدل، ماتریس‌های MFF، MFC و MFFC، ارتباط بین شکل و ویژگی‌های رنگ (یعنی پیوندهای ویژگی-ویژگی، یا FF)، بین هر ویژگی شی جداگانه (شکل یا رنگ) و یک کاراکتر (یعنی ویژگی - کاراکتر) را ذخیره می‌کنند. bindings، یا FC)، و بین ترکیبی از هر دو ویژگی با هم در داخل شی و یک کاراکتر (یعنی اتصال ویژگی-ویژگی-کاراکتر، یا FFC)، به ترتیب. این ماتریس ها در سطح آزمایشی برای شبیه سازی فرآیندهای اتصال به روز می شوند و توسط نشانه های حافظه برای شبیه سازی بازیابی کاوش می شوند.

هر ساختار اتصال دو طرفه است: برای مثال، همانطور که یک شکل با یک کاراکتر مرتبط است، کاراکتر نیز با شکل مرتبط است (شکل 3 را ببینید). ارتباط بین عناصر مختلف در سه ماتریس در سطح آزمایشی افزایش می‌یابد که با پارامترهای نرخ یادگیری خاص برای هر نوع اتصال مقیاس‌بندی می‌شود: FF، FC، و FFC. ساختارهای مختلف اتصال به روش های مختلف بر عملکرد مدل تأثیر می گذارد. تداعی‌های FF بر عملکرد در مراحل آزمون یادگیری یا یادگیری تأثیر نمی‌گذارند، اما در آزمون Binding به پاسخ‌های صحیح برای موارد احتمالی منحصربه‌فرد و به هر دو گزینه پاسخ صحیح و همپوشانی برای موارد احتمالی همپوشانی کمک می‌کنند.

در آزمایش 1، اتصال FF درون شی با ارائه اشکال و رنگ ها در یک شی تشویق شد، در حالی که در آزمایش 2 ویژگی ها به صورت مکانی جدا شدند تا اتصال خارج شی را تشویق کنند (شکل 3، پانل بالایی). انجمن‌های FC به پاسخ‌های دقیق در مراحل آزمون یادگیری و یادگیری کمک می‌کنند، اما همچنین می‌توانند به پاسخ نادرست برای موارد احتمالی همپوشانی پس از معرفی مجموعه B کمک کنند. این ارتباط ها همچنین ممکن است در آزمون Binding برای افزایش احتمال انتخاب گزینه های پاسخی که با کاراکتر داده شده مرتبط هستند استفاده شوند. در نهایت، انجمن های پیچیده FFC تنها به پاسخ صحیح برای موارد احتمالی همپوشانی و منحصر به فرد در تمام مراحل کار کمک می کنند.

علاوه بر تقویت این نوع تداعی ها، این مدل می تواند با تضعیف انجمن هایی که قبلاً تشکیل شده و با یادگیری فعلی در تضاد هستند، «فراموش کند». به عنوان مثال، هنگام یادگیری موارد احتمالی همپوشانی در مرحله یادگیری برای مجموعه B، هر ویژگی شی قبلاً از طریق اتصال FC با کاراکتر دیگر مرتبط شده است، و مدل می‌تواند آن انجمن‌های رقیب را برای تسهیل دقت بیشتر تضعیف کند، و در نتیجه تداخل فعال را کاهش دهد. همزمان با افزایش تداخل عطف به ماسبق بعداً هنگامی که مجموعه A در آزمون یادگیری A2 مجدداً بررسی می شود.

بنابراین، تأثیر فراموشی مشابه فرآیند بازداری است که در مقدمه مورد بحث قرار گرفت، اگرچه ما مکانیسمی را در نظر نگرفتیم که به وسیله آن فراموشی بتواند معکوس شود به غیر از یادگیری جدید، در حالی که بازداری اغلب یک پدیده موقت در نظر گرفته می شود (گیزلمن و باقری، 1985). در نتیجه، مکانیسم فراموشی در مدل را می‌توان یک فرآیند غیریادگیری در نظر گرفت. میزان این فرآیند فراموشی که بر تمام ساختارهای اتصال اثر می‌گذارد توسط یک پارامتر اضافی کنترل می‌شود.

این فرآیندهای یادگیری و فراموشی به صورت ریاضی در مدل تعریف شده اند. اگرچه معادلات کامل مدل در مواد تکمیلی آنلاین ارائه شده است، ما اکنون معادلات ساده شده ای را برای خلاصه کردن اجزای مدل ارائه می دهیم. هر ماتریس در هر آزمایشی به روز می شود:

که در آن M یکی از سه ماتریس انجمنی است و نرخ یادگیری مربوطه است (به یاد بیاورید که نرخ های یادگیری متفاوت برای اتصال FC، FF، و FFC تخمین زده می شود: FC، FF FFC). نمایش برداری دو عنصر (مثلاً یک شکل و رنگ) به صورت f1 و f2 نشان داده می شود. این عناصر با استفاده از یک محصول بیرونی، که با نماد ⊗ نشان داده می شود، مرتبط می شوند. فراموشی در مدل توسط پارامتر کنترل می شود که برای همه انواع اتصال (FC، FF، و FFC) یکسان است. فراموشی با کاهش وزن ارتباط بین هر عنصر و سایر عناصری که قبلاً با آن مرتبط بوده‌اند اما در آزمایش فعلی ارائه نشده‌اند اتفاق می‌افتد.

به عنوان مثال، اگر در مجموعه A یک دایره آبی و ستاره زرد ارائه شود، زمانی که یک ستاره آبی در مرحله یادگیری برای مجموعه B ارائه می شود، ارتباط ستاره آبی با یادگیری جدید تقویت می شود، در حالی که ارتباط دایره آبی ضعیف می شود. فراموش کردن توجه داشته باشید که در مدل کامل، یادگیری به صورت دوطرفه اتفاق می‌افتد (به عنوان مثال، همانطور که آبی با یک ستاره مرتبط است، ستاره با آبی مرتبط است؛ برای معادلات مدل کامل به مواد تکمیلی آنلاین مراجعه کنید).

در نهایت، r یک مقدار اسکالر منفرد است که نشان‌دهنده یک سیگنال جدید در سطح آزمایشی است که از آزمایشی به آزمایشی تغییر می‌کند، و ردیابی می‌کند که عناصر f1 و f2 تا چه حد در گذشته مرتبط بوده‌اند: r=e -f1·(M ·f2)+f2·(M·f1)).

در این معادله، f2 به‌عنوان نشانه‌ای برای بازیابی آرایه‌ای از عناصر قبلاً مرتبط از M از طریق یک محصول نقطه‌ای استفاده می‌شود، و سپس محصول نقطه‌ای دوم «خوانده می‌شود» که به‌طور خاص f1 با چه شدتی بازیابی شده است. سپس این مقدار استحکام اسکالر به یک مقدار قدرت متناظر برای ارتباط در جهت مخالف اضافه می‌شود (یعنی چقدر f2 توسط f1 بازیابی شده است). تابع نمایی به این مقدار قدرت کل اعمال می شود. اگر قبلاً هیچ یادگیری برای این ارتباط ها اتفاق نیفتاده باشد، نقاط قوت صفر خواهد بود و در نتیجه r=1 و یادگیری کامل خواهد بود.

با این حال، با قوی‌تر شدن پیوندها، مقادیر قدرت بزرگ‌تر می‌شوند و r به صفر نزدیک می‌شود. نتیجه این مکانیسم این است که یادگیری برای انجمن‌هایی که قبلاً به خوبی یاد گرفته‌اند کاهش می‌یابد، که برای جلوگیری از رشد بدون محدودیت نقاط قوت انجمن مورد نیاز است، زیرا یادگیری طی آزمایش‌های متعدد انجام می‌شود.

برای شبیه سازی تصمیم گیری، مدل قدرت ارتباط بین نشانه های حافظه ارائه شده و اهداف ممکن را در هر آزمایش محاسبه می کند. نقاط قوت با بررسی ماتریس های انجمنی با نشانه ها تعیین می شوند: s=(M · fcue ) · هدف. این معادله آرایه ای از عناصر را بازیابی می کند که با نشانه (Cue) مرتبط شده اند و یک مقدار قدرت (s) واحد را برای یک هدف خاص (هدف) می خواند. این تخمین‌های قدرت، مبنایی را برای محاسبه احتمال هر پاسخ ممکن فراهم می‌کنند، در حالی که امکان رقابت با سایر پاسخ‌های ممکن را فراهم می‌کنند که می‌تواند منجر به تداخل شود.

این قانون بازیابی رقابتی به عنوان یک تابع softmax پیاده‌سازی می‌شود: Pcℎoice=es cℎoice ∑e s. اگر نقاط قوت پشتیبان همه گزینه‌های ممکن یکسان باشد، مدل عملکرد سطح شانس را پیش‌بینی می‌کند، اما تا حدی که یک انتخاب خاص با مقادیر قدرت بیشتری نسبت به سایر گزینه‌ها پشتیبانی شود، مدل احتمالاً انتخاب مربوطه را انجام می‌دهد.

مدل را با داده های مشاهده شده با چهار پارامتر آزاد برازش می دهیم: FC، FF، FFC و . نکته مهم این است که این مدل برای خلاصه کردن آمار، مانند نسبت پاسخ‌های صحیح در یک مرحله خاص، مناسب نبود، اما انتخاب شرکت‌کنندگان برای هر آزمایش در هر مرحله از آزمایش را در نظر گرفت. ما تکنیک‌های بیزی سلسله مراتبی را برای برازش مدل به کار بردیم و به ما امکان می‌دهد تفاوت‌های سنی را با توزیع پارامترهای خلفی ارزیابی کنیم. برای جزئیات بیشتر در مورد مدل و نحوه تناسب آن با داده ها، به مواد تکمیلی آنلاین مراجعه کنید.

نتایج مدل محاسباتی - برای ارزیابی تناسب مدل، عملکرد کار در سطح آزمایشی را با توجه به برآوردهای پارامتر مناسب هر شرکت‌کننده ایجاد کردیم (برای مقایسه عملکرد مشاهده‌شده و پیش‌بینی‌شده توسط مدل، به شکل 2 مراجعه کنید). علیرغم برآورد بیش از حد تداخل فعال در اولین بلوک یادگیری مجموعه B در همه گروه‌های سنی، این مدل با اکثر الگوهای عملکرد در تمام مراحل آزمایشی به خوبی مطابقت داشت و نشان می‌دهد که می‌توانست حداقل برخی از فرآیندهای زیربنایی عملکرد کار و تفاوت آنها را به تصویر بکشد. بین گروه های سنی

توزیع های خلفی هایپرپارامترها برای هر گروه سنی در شکل 4A نشان داده شده است. ما تفاوت های سنی را برای هر پارامتر با محاسبه η، معیاری از همپوشانی توزیعی که در بالا در بخش تجزیه و تحلیل توضیح داده شد، ارزیابی می کنیم. هیچ شواهد قابل توجهی مبنی بر تفاوت سنی در اتصال FC، تخمین زده شده با پارامتر FC، یا فراموشی، تخمین زده شده با (η > 0.17) وجود نداشت. در مقابل، ما شواهد بسیار قوی‌تری از اتصال ضعیف‌تر FF، برآورد شده با پارامتر FF، در کودکان 5-سال در مقایسه با 8-سال‌ها (η=0.005) و بزرگسالان یافتیم. (η=.001). شواهد کمی از تفاوت بین دو گروه سنی بالاتر وجود داشت (η= 0.642). این یافته‌های جدید تغییرات شدید رشدی را در اتصال درون جسمی بین 5 تا 8 سالگی نشان می‌دهند، اگرچه این توانایی ممکن است تا 8 سالگی شبیه بزرگسالان باشد.

همچنین شواهد قوی مبنی بر مقادیر کمتر پارامتر اتصال پیچیده، FFC، در کودکان 5- ساله در مقایسه با کودکان 8- ساله (η=0.010) و بزرگسالان (η) وجود دارد.=.002). اگرچه مقادیر پارامتر تخمین زده شده در بزرگسالان در مقایسه با کودکان هشت ساله بیشتر است، اما این تفاوت چندان قوی نبود (η=0.429). این یافته اخیر تا حدودی تعجب آور بود زیرا کار قبلی با استفاده از یک وظیفه یادآوری توسعه طولانی مدت اتصال پیچیده پس از 7 سالگی را پیشنهاد کرده است (Yim et al., 2013). شايد توانايي در حال ظهور براي تشكيل پيوندهاي پيچيده در وظايف تشخيص بيشتر از وظايف فراخواني دشوارتر قابل تشخيص باشد. ما در بحث عمومی به این موضوع باز می گردیم.

برای بررسی اینکه آیا همه مکانیسم‌های مدل برای برازش داده‌ها ضروری هستند، ما یک مطالعه مقایسه مدل انجام دادیم که در آن هر پارامتر از مدل حذف شد (یعنی روی صفر تنظیم شد) در حالی که بقیه با داده‌ها برازش کردند، و دریافتیم که مدل کامل شامل هر چهار پارامتر به بهترین وجه با داده ها مطابقت دارد، حتی در صورت محاسبه پیچیدگی مدل (به بخش مطالعه مقایسه مدل از مواد تکمیلی آنلاین مراجعه کنید و برای اینکه چگونه این مدل های مختلف الگوهای مختلف عملکرد را پیش بینی می کنند، شکل S5 را در همان بخش ببینید).

به طور کلی، در این آزمایش، شواهد قوی از اثرات تداخل حافظه در تمام گروه‌های سنی بر اساس مدل‌های رگرسیون سلسله مراتبی، همراه با تفاوت‌های رشدی در عملکرد در آزمون اتصال یافتیم. شاید مهمتر از آن، با یک مدل محاسباتی جدید، شواهدی از تفاوت‌های رشدی اساسی در اتصال درون شی و اتصال پیچیده بعد از 5 سالگی پیدا کردیم، اما نه بعد از 8 سالگی. با این حال، از این نتایج مشخص نیست که چگونه اتصال و تداخل حافظه توسط ارائه ویژگی‌ها در یک شی تحت تأثیر قرار گرفته است. کار قبلی در بزرگسالان نشان می‌دهد که اتصال برون شی بیشتر مورد توجه است و با عملکرد حافظه تداعی کمتری در مقایسه با اتصال درون شی همراه است (Asch et al., 1960; Ecker et al., 2007, 2013; van Geldorp et al., 2015). . بنابراین، ما فرض کردیم که ویژگی‌های شی جداکننده فضایی اتصال را مختل می‌کند، به‌ویژه برای کودکان خردسال، که می‌تواند اثرات تداخل را افزایش دهد. ما این احتمالات را در آزمایش 2 بررسی کردیم.

آزمایش 2: توسعه روش اتصال برون شی

شرکت کنندگان-چهل و پنج 5-ساله (مج=5.16 سال، SDage=0.23، زبان=4.80 −5.74؛ 17 زن، 28 مرد) ، 43 هشت ساله (Mage=8.49 سال، SDage=0.38، زبان=7.74 – 8.99؛ 23 زن، 20 مرد) و 34 بزرگسال (19) زن، 15 مرد) در آزمایش 2 شرکت کردند. برای تجزیه و تحلیل قدرت به بخش نتایج و بحث در زیر مراجعه کنید. تخصیص به این آزمایش یا آزمایش 1 تصادفی شد.

محرک‌ها و رویه- در این آزمایش، ویژگی‌های شکل و رنگ با هم در یک شی ارائه نشدند، بلکه از نظر فضایی از هم جدا شدند (شکل 5 را ببینید). در هر آزمایش، یک شکل شفاف و یک حباب رنگ در تراز عمودی قرار گرفتند و موقعیت فضایی نسبی (بالا یا پایین) این ویژگی‌ها برای هر جفت رنگ-شکل در هر بلوک از هر فاز متعادل شد. این رویه مشابه آزمایش 1 بود با این تفاوت که در طی دستورالعمل ها و بازخورد عملکرد، به محرک ها به عنوان "جفت شکل و رنگ" به جای اشیا اشاره می شود.

For more information:1950477648nn@gmail.com