تداخل حافظه طولانی مدت از طریق دفع و دقت در امتداد ابعاد حافظه تشخیصی قسمت 3 حل می شود

روش های تحلیل

معیارهای خروج مبتنی بر عملکرد برای تحلیل‌هایی که شامل داده‌های کار بازسازی می‌شد، تعداد کمی از شرکت‌کنندگان را بر اساس عملکرد در دورهای 9 تا 12 آزمون حافظه انجمنی حذف کردیم. شرکت‌کنندگان در صورتی که (الف) میزان خطای آنها برای آزمایش‌های غیررقابتی بیشتر از 20 درصد برای هر یک از این دورها بود، یا (ب) چهره‌های فریبنده را در بیش از 20 درصد آزمایش‌های رقابتی برای هر یک از این دورها انتخاب کردند، حذف شدند.

حافظه انسان بسیار مهم است و به ما کمک می کند تا چالش های مختلف زندگی را بهتر درک کنیم و با آن کنار بیاییم. با این حال، در جامعه مدرن، ما با حجم عظیمی از اطلاعات مواجه هستیم و حافظه ما اغلب دچار چالش و خستگی می شود.

با این حال، ما می توانیم رابطه بین داده های وظیفه و حافظه را به چند روش ساده بازسازی کنیم. اول، ما می توانیم سعی کنیم از حافظه فعال برای تقویت توانایی حافظه خود استفاده کنیم. حافظه کاری به توانایی نگهداری و پردازش اطلاعات در حافظه کوتاه مدت اشاره دارد. با انجام منظم وظایف حافظه، می توانیم حافظه کاری خود را تمرین دهیم و در نتیجه حافظه خود را تقویت کنیم.

دوم، ما می توانیم حافظه خود را با استفاده از حافظه حسی خود بهبود بخشیم. حافظه های حسی ما به قدری قدرتمند هستند که می توانیم برای مثال طعم یک غذا را برای اولین بار به یاد بیاوریم. با تقویت حافظه حسی خود می توانیم حافظه خود را تقویت کنیم.

علاوه بر این می توانیم با استفاده از روش قصر حافظه نیز حافظه خود را تقویت کنیم. کاخ های حافظه یک تکنیک باستانی هستند که از صحنه های پیچیده ای که ما می سازیم برای اتصال اطلاعاتی که می خواهیم به خاطر بسپاریم به صحنه استفاده می کند. به این ترتیب، به راحتی می توانیم اطلاعات را به خاطر بیاوریم.

در نهایت می‌توانیم برخی تمرین‌های بدنی را برای بهبود حافظه خود امتحان کنیم. فعالیت بدنی باعث افزایش متابولیسم می شود که به نوبه خود فعالیت مغز ما را افزایش می دهد. از طریق ورزش، ما همچنین می توانیم گردش خون را تقویت کنیم تا مغز اکسیژن و مواد مغذی بیشتری دریافت کند، بنابراین می تواند اطلاعات را بهتر پردازش کند.

به طور خلاصه، ما می توانیم با استفاده از روش های مختلف، رابطه بین داده های وظیفه و حافظه را بازسازی کنیم. خواه ورزش حافظه فعال، تقویت حافظه حسی، استفاده از قصر حافظه یا انجام فعالیت بدنی باشد، می تواند به ما در بهبود حافظه کمک کند و ما را در زندگی انعطاف پذیرتر و کارآمدتر کند. مشاهده می شود که ما نیاز به بهبود حافظه داریم و سیستانچ دسرتیکولا می تواند حافظه را به میزان قابل توجهی بهبود بخشد زیرا سیستانچ دسرتیکولا یک ماده دارویی سنتی چینی است که اثرات منحصر به فرد بسیاری دارد 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

بر اساس این معیارها، یک شرکت‌کننده از تجزیه و تحلیل داده‌های کار بازسازی در آزمایش 1 (بازده N=35)، چهار شرکت‌کننده از آزمایش 2 (بازده N=37) و هشت نفر از آزمایش 3 حذف شدند. (بازده N=49) (به https://osf.io/dj6q2/ برای سایر معیارهای خروج که ایجاد شده اند اما اعمال نمی شوند مراجعه کنید). منطق داشتن آستانه بالا برای گنجاندن شرکت‌کنندگان در تجزیه و تحلیل کار بازسازی، به حداقل رساندن مواردی بود که شرکت‌کنندگان یک چهره کاملاً اشتباه را بازسازی کردند و در عوض تمرکز بر تعصب/دقت در چهره‌هایی بود که به‌درستی به خاطر سپرده می‌شدند.

اندازه گیری حافظه انجمنی

همانطور که در بالا ذکر شد، از آزمون حافظه تداعی برای تأیید اینکه شرکت‌کنندگان به دقت بالایی در ارتباط نشانه‌ها با چهره‌ها دست یافتند، استفاده شد. تست حافظه انجمنی همچنین امکان بررسی دستکاری را فراهم کرد که آیا شرایط رقابتی باعث تداخل (دقت حافظه انجمنی پایین) در مقایسه با شرایط غیررقابتی شده است یا خیر. داده‌های آزمون حافظه انجمنی ابتدا از نظر دقت غیررقابتی در مقایسه با کارآزمایی‌های غیررقابتی مورد تجزیه و تحلیل قرار گرفت. ما ANOVA با اندازه‌گیری‌های مکرر جداگانه برای هر آزمایش با عوامل شرایط (رقابتی، غیررقابتی) و دور یادگیری (1-9 برای آزمایش 1، 1-12 برای آزمایش 2 و 3) اجرا کردیم.

برای آزمایش‌های رقابتی، ما همچنین خطاها را بر اساس اینکه آیا آنها به رقابت (خطای تداخل) نسبت داده می‌شوند یا نه (فریب) را از هم جدا کردیم. اگر خطاها تصادفی بودند، خطاهای تداخلی در یک پنجم (20 درصد) آزمایش‌های خطا رخ می‌داد. برای آزمایش اینکه آیا خطاهای تداخل بالاتر از سطوح احتمالی رخ داده اند یا خیر، بنابراین آزمون های t تک نمونه ای را برای هر آزمایش اجرا کردیم و میانگین درصد خطاهای تداخل (در تمام مراحل یادگیری) را با 20% مقایسه کردیم.

سنجش تعصب

همانطور که در بالا توضیح داده شد، در هر آزمایش در کار ساخت، صورت هدف در یکی از چهار مکان (مرکز چهار ربع) قرار داشت. بنابراین، برای هر دو محور x و y فضای جستجو، هدف در نیمه راه بین مرکز و مرز فضای جستجو قرار داشت (شکل 1a). برای اندازه‌گیری تعصب بالقوه، برای هر آزمایش، همه پاسخ‌ها بر روی یک محور مشترک تراز شدند و به طور جداگانه برای هر بعد ویژگی (تأثیر، جنسیت) در مقیاس مشترک تغییر مقیاس دادند. برای داده‌های مقیاس‌گذاری‌شده، دامنه پاسخ‌های ممکن برای هر بعد -2 تا 2 بود که0 مرکز فضای صورت (یعنی مرکز این فضای جستجو) بود.

برای شرایط رقابتی، مکان صورت هدف در بعد تشخیصی=1 و مکان صورت نخستی‌ها=-1 (شکل 1c). بنابراین، یک انحراف از صورت پستانداران با مقادیر بیشتر از 1 نشان داده می شود، در حالی که یک سوگیری به سمت صورت نخستی (یا به سمت مرکز فضای صورت) با مقادیر کمتر از 1 نشان داده می شود. برای بعد غیر تشخیصی، مکان چهره هدف و صورت جفت=1. اگرچه چهره‌هایی از شرایط غیررقابتی در کار بازسازی گنجانده شدند، سوگیری برای این چهره‌ها اندازه‌گیری نشد زیرا تمایز بین ابعاد تشخیصی و غیرتشخیصی وجود نداشت. در عوض، چهره‌های غیررقابتی در آزمون حافظه انجمنی از اهمیت حیاتی برخوردار بودند، جایی که آنها برای ایجاد یک اثر تداخل کلی حافظه عمل کردند.

توجه به این نکته مهم است که برای کار بازسازی، دامنه پاسخ در هر آزمایش به طور نامتقارن در اطراف هدف توزیع شده است. اگر دامنه پاسخ به طور متقارن در اطراف هدف توزیع شده بود، پس از آن پاسخ صحیح در هر آزمایش، بنا به تعریف، مرکز این فضای جستجو بود - که احتمالاً باعث می شد شرکت کنندگان یاد بگیرند که به سادگی در مرکز پاسخ دهند. با این حال، اشکال روشی که ما استفاده کردیم این است که برای بعد تشخیصی در شرایط رقابتی، فرصت بیشتری برای پاسخ به صورت نخستی‌ها (مقادیر بین -2 و 1) وجود داشت تا دور شدن از صورت نخستی‌ها (مقادیر 1 تا 2). ).

البته، این عدم تقارن در برابر اثر دافعه پیش بینی شده ما (مقادیر بیشتر از 1) عمل می کند. با این وجود، برای در نظر گرفتن محدوده پاسخ نامتقارن محدود شده، میانگین واقعی را با برازش توزیع‌های نرمال کوتاه شده به داده‌ها تخمین زد. برای هر شرکت‌کننده، مدل‌های جداگانه‌ای برای ابعاد تشخیصی و غیرتشخیصی اجرا شد، که هر مدل داده‌ها را در چهره‌ها و ابعاد ویژگی (تاثیر، جنسیت) ادغام می‌کرد تا تعداد کافی نقاط داده را شامل شود. بنابراین، هر مدل شامل 32 نقطه داده بود (هشت چهره در شرایط رقابتی × چهار آزمایش بازسازی در هر چهره). تخمین حداکثر درستنمایی برای یافتن میانگین و انحراف استاندارد یک توزیع نرمال کوتاه شده که به بهترین وجه با داده ها مطابقت دارد، استفاده شد. توزیع‌ها با استفاده از بسته‌های تبدیل و MASS در R مدل‌سازی شدند.

ما فضای جستجوی میانگین را به محدوده‌ای از مقادیر قابل قبول که به طور مساوی در دو طرف هدف متعادل هستند (1± واحد) محدود کردیم و انحراف استاندارد را حداکثر 1 و حداقل 0.1 محدود کردیم. اگرچه ما میانگین مدل‌سازی‌شده را تخمین بهتری از میانگین واقعی می‌دانیم، اما برخی از منابع واریانس وجود دارد که مدل‌ها آن‌ها را در نظر نمی‌گیرند. برای مثال، مدل‌ها توزیع‌های منحصربه‌فرد بالقوه را برای هر بعد ویژگی و/یا محرک در نظر نمی‌گیرند. علاوه بر این، شواهدی وجود دارد مبنی بر اینکه ممکن است سوگیری های ذاتی و جهانی در نحوه یادآوری بعدی ویژگی های چهره وجود داشته باشد (بولتوف و ژائو، 2020؛ وون و همکاران، 2020). با این حال، به طور بحرانی، هرگونه سوگیری جهانی به همان اندازه بر ابعاد تشخیصی و غیر تشخیصی تأثیر می گذارد. بنابراین، تجزیه و تحلیل ما در درجه اول بر تفاوت در میانگین های مدل سازی شده برای ابعاد تشخیصی در مقابل غیر تشخیصی متمرکز بود.

اندازه گیری دقت

برای اندازه‌گیری دقت ویژگی‌های تشخیصی و غیرتشخیصی برای هر چهره، انحراف استاندارد پاسخ‌ها را در چهار کارآزمایی بازسازی برای هر صورت، به‌طور جداگانه برای ابعاد ویژگی‌های تشخیصی و غیر تشخیصی محاسبه کردیم. سپس میانگین این مقادیر انحراف استاندارد را برای هر شرکت‌کننده به‌طور جداگانه برای ابعاد تشخیصی و غیر تشخیصی محاسبه کردیم.

اندازه گیری رابطه بین سوگیری بازسازی و تداخل انجمنی

برای تعیین اینکه آیا سوگیری بعد ویژگی تشخیصی نقش تطبیقی ​​در کاهش تداخل حافظه ایفا می‌کند، ما مجموعه‌ای از مدل‌های اثرات مختلط را اجرا کردیم که بر رابطه بین سوگیری اندازه‌گیری شده در طول کار بازسازی و دقت در آزمون حافظه انجمنی (میانگین در چهار دور آخر برای ضبط) تمرکز داشتند. وضعیت پایانی یادگیری). اگرچه این تحلیل در سطح آیتم‌ها (چهره‌ها) منفرد انجام شد، اما مقدار دقت برای هر چهره به عنوان دقت متوسط ​​برای آن چهره و جفت آن تعریف شد. به این ترتیب، هر دو پریمات با هر مجموعه مقدار دقت یکسانی داشتند. دلیل منطقی برای میانگین دقت در بین نخستی‌ها این بود که برای مثال، اگر شرکت‌کنندگان دو چهره رقیب (پریمات‌ها) را با یک کلمه نشانه (حرفه) مرتبط کنند، به جای اینکه یکی از این ارتباط‌ها را «درست» و دیگری را «نادرست» بدانند، مناسب‌تر است. برای اینکه خطا در دو چهره به اشتراک گذاشته شود.

برای تحلیل‌های مربوط به سوگیری بازسازی به دقت حافظه انجمنی، شرکت‌کنندگانی را که در تمام کارآزمایی‌ها، در چهار دور آخر آزمون حافظه انجمنی دقت کاملی داشتند، حذف کردیم. دلیل این حذف این بود که، برای این شرکت‌کنندگان، هیچ حافظه غیرتعاملی واریانسی برای توضیح مدل وجود نداشت. علاوه بر این، با توجه به عملکرد نزدیک به سقف در آزمون حافظه انجمنی در چهار دور گذشته، ما این تجزیه و تحلیل را برای آزمایش 1 اجرا نکردیم (11 شرکت کننده (31٪) دقت 100٪ داشتند و بقیه شرکت کنندگان دارای دقت میانگین 95.96±3.01 بودند. درصد با میانگین انحراف معیار در یک شرکت‌کننده 70/1 ± 62/3). برای آزمایش‌های 2 و 3 - که از پریمات‌های مشابه بیشتری استفاده کردند - دقت حافظه تداعی کمتر بود و بنابراین، شرکت‌کنندگان کمتری به دلیل عملکرد سقف حذف شدند (هفت شرکت‌کننده (19%) در آزمایش 2 و شش شرکت‌کننده (12%) در آزمایش 3؛ میانگین دقت برای شرکت‌کنندگان باقی‌مانده، آزمایش 2: M=92.47 ± 7.58%، Exp. 3: M =93.56 ± 6.26٪.

برای این مدل‌ها، محاسبه سوگیری بازسازی در سطح چهره‌های فردی بسیار مهم بود. با این حال، روش توصیف شده در بالا برای تخمین میانگین سوگیری برای هر شرکت‌کننده با ادغام آزمایش‌ها/چهره‌ها برای این تحلیل با توجه به تعداد کم مشاهدات (چهار آزمایش در هر چهره) امکان‌پذیر نبود. بنابراین، برای این تحلیل، ما به سادگی از میانگین پاسخ بازسازی (در چهار آزمایش در هر چهره) استفاده کردیم. برای رسیدگی به این نگرانی که هر رابطه مشاهده شده بین سوگیری بازسازی و دقت حافظه مرتبط ممکن است ناشی از "خطاهای جایگزین" بالقوه باشد، رویکرد از پیش ثبت شده ما این بود که هر پاسخ فردی (آزمایشی) را که برای آنها پاسخ مقیاس شده بین {{0}} بود حذف کنیم. و 0 و فقط برای حفظ پاسخ‌هایی که پاسخ مقیاس‌شده برای آنها بین 0 و 2 بود. بنابراین برای بعد تشخیصی، هر پاسخی که به نخستی رقیب نزدیک‌تر بود تا هدف حذف شد. همه پاسخ‌های باقی‌مانده در میانگین پاسخ برای هر چهره گنجانده شد.

در حالی که نادر است، اگر چهره ای با پاسخ حذف شده در هر چهار کارآزمایی بازسازی همراه بود، آن صورت به طور کامل از تجزیه و تحلیل حذف شد. برای آزمایش 2، این اتفاق برای مجموعاً چهار چهره که بین چهار شرکت‌کننده توزیع شده بود، رخ داد. برای آزمایش 3، این اتفاق برای مجموع شش چهره توزیع شده در بین شش شرکت‌کننده رخ داد. در حالی که این رویکرد از پیش ثبت شده برای حذف خطاهای مبادله بالقوه به عنوان یک رویکرد محافظه کارانه برای حذف تأثیر خطاهای شدید در نظر گرفته شده بود، همه نتایج اصلی ما زمانی که هیچ پاسخی حذف نشد، قابل توجه باقی ماندند. علاوه بر این، در تجزیه و تحلیل‌های اکتشافی که داده‌ها را در آزمایش‌های 2 و 3 ترکیب می‌کردند، به جای حذف کامل پاسخ‌های شدید، پاسخ‌های بین -2 و 0 با مقدار 0 محدود می‌شدند که برای همه آزمایش‌ها مجاز بود. در مدل حفظ شود، اما تأثیر پاسخ‌های شدید را کاهش داد.

مدل‌های اثرات مختلط در R با استفاده از بسته thelme4 پیاده‌سازی شدند (بیتس و همکاران، 2014). از آزمون‌های نسبت درستنمایی برای مقایسه مدل‌های دارای متغیرهای مرتبط با مدل‌های تهی استفاده شد که آن متغیرها را حذف کردند. برای توضیح تفاوت‌های بالقوه مربوط به تأثیر بعد تشخیصی در مقابل جنسیت، همه مدل‌ها این متغیر طبقه‌بندی را به‌عنوان یک اثر ثابت شامل می‌شوند. برای اینکه اجازه دهیم رابطه بین سوگیری بازسازی و دقت حافظه انجمنی برای هر شرکت‌کننده متفاوت باشد، ما رابطه بین سوگیری و دقت حافظه انجمنی را با قطع‌های تصادفی و شیب‌های تصادفی برای هر شرکت‌کننده مدل‌سازی کردیم.

رویکرد از پیش ثبت‌شده ما برای برخورد با مدل‌هایی که نتوانستند همگرا شوند یا به یک فوت منفرد رسیده‌اند، اجرای مجدد همان مدل با شیب تصادفی برای حذف سوگیری بود (به Barr et al., 2013 مراجعه کنید). در حالی که همه مدل‌های از پیش ثبت‌شده ما همگرا شدند، یک مدل اکتشافی که از تفاوت سوگیری در بعد تشخیصی در مقابل غیرتشخیصی به‌عنوان پیش‌بینی‌کننده استفاده می‌کرد، وقتی شیب تصادفی گنجانده شد، نتوانست همگرا شود. بنابراین، ما شیب تصادفی را حذف کردیم. مدل‌های اکتشافی که فقط شامل دقت خطای بدون علامت به‌عنوان پیش‌بینی‌کننده‌ها (بدون سوگیری) بودند، وقتی شیب‌های تصادفی برای این متغیرها گنجانده شدند، نتوانستند همگرا شوند. بنابراین، ما شیب های تصادفی را برای این متغیرها حذف کردیم.

در نهایت، مدل‌های اکتشافی که شامل سوگیری همراه با خطای دقیق و بدون علامت به‌عنوان پیش‌بینی‌کننده‌ها بودند، زمانی که شیب‌های تصادفی برای همه متغیرها گنجانده شد، نتوانستند همگرا شوند. هنگام حذف شیب‌های تصادفی، ما حفظ شیب تصادفی را برای سوگیری در اولویت قرار دادیم، که منجر به حذف شیب‌های تصادفی برای دقت و خطای بدون علامت شد.

نتایج

تست حافظه انجمنی

برای آزمایش اینکه آیا دقت حافظه ارتباطی بین شرایط رقابتی و غیررقابتی متفاوت است یا خیر، ما ANOVA با اندازه گیری های مکرر را برای هر آزمایش با عوامل شرایط (رقابتی، غیررقابتی) و دور (مقطع 1: نه دور اول، آزمایش 2 و تجربه) انجام دادیم. 3: 12 دور). برای هر آزمایش، یک اثر اصلی شرط وجود داشت (تشریح 1: F(1,35) {{10}}.14, p < 0.001, 휂2G=0.034؛ Exp. 2: F(1،40)=67.43, p <0.001, 휂2G=0.10; Exp. 3: F(1, 56)=88.21، p <0.001، 휂2G=0.16)، با دقت کمتر در شرایط رقابتی (شکل 2a). برای تأیید اینکه این تفاوت به طور خاص بر تداخل تأثیر می گذارد، انواع خطاهای ایجاد شده را در نظر گرفتیم. برای شرایط رقابتی، خطاها می تواند با انتخاب چهره رقیب یا یکی از چهار فریب غیررقابتی مطابقت داشته باشد (شکل 2b). اگر خطاها تصادفی بودند، رقیب یک پنجم آزمون های خطا انتخاب می شد. با این حال، با ترکیب آزمون‌های خطا در هر دور، رقیب در سطوح بالاتر انتخاب شد (تصویر 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.

برای آزمایش اینکه آیا دقت بازسازی چهره بالاتر از حد مجاز است یا خیر، ما فاصله اقلیدسی بین هر پاسخ و مکان صورت هدف را اندازه گیری کردیم (در فضای پاسخ دو بعدی؛ شکل 1c). برای هر شرکت‌کننده، میانگین فاصله اقلیدسی بین پاسخ‌ها و مکان‌های هدف با توزیع جایگشت شده مقایسه شد (محاسبه شده با تغییر پاسخ‌ها در شرکت‌کننده 10،{3}} بار). دقت بالاتر از حد (بهتر از 97.5 درصد از میانگین جابجایی) برای هر شرکت کننده مشاهده شد (شکل 3).

سوگیری بازسازی چهره

برای آزمایش پیش‌بینی انتقادی خود از دافعه در امتداد بعد چهره تشخیصی، سوگیری ویژگی (به روش‌ها را ببینید) برای ابعاد تشخیصی در مقابل ابعاد غیر تشخیصی در شرایط رقابتی مقایسه کردیم (شکل 4a). ما ابتدا پیش‌بینی‌ها را در آزمایش‌های 1 و 2 آزمایش کردیم، و سپس برای تکرار در آزمایش 3 آزمایش کردیم. یک ANOVA با اندازه‌گیری‌های مکرر با فاکتورهای بعد (تشخیصی، غیر تشخیصی) و آزمایش (مطالعه 1، آزمایش 2) سوگیری به‌طور قابل‌توجهی نسبت به دفع را نشان داد. the diagnostic dimension (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).

اگرچه تحلیل‌های از پیش ثبت‌شده ما بر روی مقایسه بین ابعاد تشخیصی و غیر تشخیصی متمرکز بود، ما همچنین آزمایش کردیم که آیا بازسازی‌ها در بعد تشخیصی به طور قابل‌توجهی با مکان واقعی چهره‌های هدف متفاوت است یا خیر. در واقع، با ترکیب داده‌ها در تمام سه آزمایش، میانگین‌های مدل‌سازی‌شده برای بعد تشخیصی به‌طور معنی‌داری بیشتر از مقدار واقعی 1 بود (t(120)=4.39، p <0.{{{ 60}}01، d=0.40)، منعکس کننده یک سوگیری از چهره رقیب. این تأثیر در آزمایش‌ها تفاوت معنی‌داری نداشت (F(2,118)=2.15, p=0.12, 휂2G =0.035). در مقابل، در بعد غیر تشخیصی یک سوگیری کوچک اما قابل توجه به سمت مرکز فضای صورت وجود داشت (مدل‌سازی شده به معنی <1؛ t(120)=-2.33, p=0.021, d {{ 25}}.21). این اثر به طور قابل توجهی در آزمایش‌ها متفاوت بود (F(2118)=9.56، p <0.001، 휂2G=0.14). در واقع، در آزمایش 1 پاسخ ها به طور قابل توجهی بالاتر از 1 بودند (t(34)=2.15,p=0.039, d=0.36)، و در آزمایش های 2 و 3 آنها به طور قابل توجهی کمتر از 1 بودند (تشریح 2: t(36)=-2.45, p=0.019, d =0.40; Exp. 3: t(48) {{58} }.98، ​​p <0.001، d=0.57). در حالی که مقادیر مطلق پاسخ‌های بازسازی‌شده باید با احتیاط تفسیر شوند (به دلیل سوگیری‌های بالقوه جهانی)، سوگیری مداوم نسبت به دفع در بعد تشخیصی از پیش‌بینی ما حمایت می‌کند که رقابت باعث دفع هدفمند در بعد تشخیصی می‌شود.

دقت بازسازی صورت

ما بعداً آزمایش کردیم که آیا دقت بازسازی در ابعاد تشخیصی با ابعاد غیر تشخیصی متفاوت است (شکل 4b). ما دقت را به عنوان انحراف استاندارد در بین بازسازی‌های مکرر یک چهره تعریف کردیم (به روش‌ها مراجعه کنید). برای شرایط رقابتی، اندازه‌گیری‌های مکرر ANOVA با فاکتورهای بعد (تشخیصی، غیر تشخیصی) و آزمایش (مطالعه 1، شرح 2) دقت قابل‌توجهی بیشتری را نشان داد - یعنی تغییرپذیری بازسازی کمتر - در بعد تشخیصی (F(1،7 {{1{28}}}})=16.81، p <0.001، 휂2G=0.044). این اثر با آزمایش تعاملی نداشت (F(1,70){17}}.34, p=0.56, 휂2G=0.001). تأثیر دقت بیشتر بر بعد تشخیصی (مطابق با پیش‌بینی از پیش ثبت‌شده ما) در آزمایش 3 تکرار شد (t(48)=5.45، p <0.001، d=0.74).

اگرچه اندازه گیری دقت ما از نظر ریاضی به اندازه گیری تعصب ما وابسته بود، قابل توجه است که این معیارها به گونه ای مرتبط بودند که چهره های بازسازی شده با دقت بیشتر نیز تمایل داشتند با سوگیری بیشتر همراه شوند (شکل S2A، OSM را ببینید). با این حال، نکته مهم این است که تأثیر دقت بیشتر بر بعد تشخیصی نسبت به بعد غیرتشخیصی حتی زمانی که موارد با سوگیری بالا از تجزیه و تحلیل حذف شدند، قابل توجه باقی ماند (شکل S2B، OSM را ببینید).

رابطه بین تعصب بازسازی و تداخل انجمنی

در نهایت، ما پیش‌بینی خود را آزمایش کردیم که سوگیری بازسازی (دافعه) بیشتر در بعد تشخیصی با عملکرد بهتر آزمون حافظه انجمنی (تداخل کمتر) مرتبط است. با توجه به عملکرد حافظه انجمنی نزدیک به سقف در آزمایش 1 (شکل 2)، ما روی داده های آزمایش 2 تمرکز کردیم. ما یک مدل اثرات مختلط را اجرا کردیم که دقت حافظه انجمنی در سطح مورد را با اثرات ثابت (الف) سوگیری روی بعد تشخیصی (متغیر پیوسته) و (ب) اینکه آیا بعد تشخیصی تحت تأثیر قرار گرفته است یا جنسیت (متغیر طبقه‌ای) را پیش‌بینی می‌کرد. سوگیری با رگه‌های تصادفی و شیب‌ها برای هر شرکت‌کننده مدل‌سازی شد. با استفاده از آزمون نسبت درستنمایی، این مدل را با مدلی بدون سوگیری مقایسه کردیم. به طور بحرانی، مدل ft زمانی که سوگیری شامل (χ2(1)=4.67، p=0.031) بود، به طور قابل توجهی بهتر بود، با سوگیری که دقت حافظه انجمنی را به طور مثبت پیش‌بینی می‌کند (بایاس=3.58، SE =1.62). به عنوان یک کنترل، ما همان تحلیل را تکرار کردیم، اما با سوگیری در بعد غیر تشخیصی. در اینجا، سوگیری برای بهبود مدل ft شکست خورد (χ2(1)=0.021, p=0.89, bias=-0.31,SE=2.14). برای آزمایش 3، ما تکراری از رابطه بین سوگیری بعد تشخیصی و دقت حافظه انجمنی را پیش‌بینی کردیم (با استفاده از یک تحلیل از پیش ثبت‌شده). 24, p=0.63, bias=0.69, SE= 1.41).

در تجزیه و تحلیل از پیش ثبت‌شده خود، پاسخ‌های بازسازی (آزمایش‌ها) را که بیشتر شبیه به رقیب بود تا هدف حذف کردیم. دلیل این امر این بود که اطمینان حاصل شود که پاسخ‌های شدید (خطاهای مبادله بالقوه) بر مدل تأثیری ندارد (به روش‌ها مراجعه کنید). با این حال، این رویکرد به جای به حداقل رساندن تأثیر آنها، این آزمایشات را به طور کامل حذف کرد.

بنابراین، به عنوان یک تحلیل اکتشافی، این امتیازهای بازسازی شدید را با مقدار {{0}} (فاصله برابر بین هدف و رقیب، seeMethods) جایگزین کردیم. این اجازه داد تا همه آزمایش‌ها گنجانده شوند، اما تأثیر پاسخ‌های شدید را کاهش داد (شکل S4 (OSM) را برای تجزیه و تحلیل بیشتر در مورد آنچه این پاسخ‌های شدید ممکن است نشان دهند، ببینید). برای این تجزیه و تحلیل اکتشافی، داده‌های آزمایش‌های 2 و 3 را با آزمایش (Exp. 2, Exp.3) به عنوان یک اثر ثابت اضافه کردیم. در مقایسه با یک مدل تهی، افزودن سوگیری در بعد تشخیصی به طور قابل‌توجهی مدل ft (χ2(1)=15.88، p <0.001) را بهبود بخشید، با سوگیری مثبت (دفعه) که دقت حافظه انجمنی بالاتر را پیش‌بینی می‌کند (بایاس {{12} }.45, SE=1.04).

افزودن یک تعامل بین آزمایش و سوگیری برازش مدل را بهبود نداد (χ2(1) =1.39, p=0.24, exp×bias=-2.47, SE=2 0.08)، نشان می دهد که رابطه بین سوگیری و حافظه تداعی در آزمایش ها متفاوت نیست. علاوه بر این، سوگیری به طور قابل‌توجهی برازش مدل را هنگامی که به تنهایی برای داده‌های آزمایش 3 اعمال شد، بهبود بخشید (χ2(1)=3.98, p=0.046, bias=2.45, SE=1 .19)، تایید می کند که رابطه بین سوگیری و حافظه تداعی تنها توسط داده های آزمایش 2 هدایت نمی شود. به عنوان یک کنترل، ما همان مقایسه مدل را انجام دادیم، اما با سوگیری در بعد غیر تشخیصی به عنوان یک پیش‌بینی‌کننده. تفاوت معنی‌داری بین مدل‌ها وجود نداشت (χ2(1)=0.14، p=0.71، سوگیری =-0.40، SE=1.08).

علاوه بر این، میزان سوگیری در بعد تشخیصی نسبت به بعد غیر تشخیصی (یعنی امتیاز اختلاف سوگیری) نیز به طور قابل توجهی باعث بهبود مدل در مقایسه با یک مدل صفر بدون سوگیری،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