روابط بین تخصص و متمایز بودن: تصاویر غیرطبیعی پزشکی تنها در متخصصان منجر به افزایش عملکرد حافظه می‌شوند. قسمت 2

پس از نمایش به مدت 3 ثانیه، هر تصویر بلافاصله با دو سؤال پاسخ داده شد: (1) آیا تصویر غیر طبیعی بود یا عادی؟ (2) آیا قبلاً این تصویر را دیده اید؟

در سال های اخیر، تعداد زیادی از مطالعات نشان داده اند که رابطه نزدیکی بین ناهنجاری های تصویر و حافظه وجود دارد. ناهنجاری های تصویر می تواند شامل مشکلات چشمی مانند کوررنگی، نزدیک بینی، دوربینی، آستیگماتیسم و ​​غیره باشد. این مشکلات چشمی ممکن است بینایی و توانایی های پردازش تصویر ما را تحت تاثیر قرار دهد. حافظه یکی از توانایی های مهم مغز انسان است که به ما این امکان را می دهد تا اطلاعات و تجربیات مهم را به خاطر بسپاریم و تصمیمات صحیح بگیریم.

مطالعات نشان داده است که افراد مبتلا به مشکلات چشمی مانند کوررنگی، نزدیک بینی، آستیگماتیسم و ​​غیره نسبت به افراد عادی در تست های حافظه عملکرد بدتری دارند. این به این دلیل است که میدان دید آنها محدود است و نمی توانند اطلاعات محیط اطراف خود را به طور کامل دریافت کنند، که باعث می شود مشکلات خاصی در حافظه داشته باشند. بنابراین، حفظ بینایی و سلامت بینایی برای حافظه ما بسیار مهم است.

در عین حال، بینایی سالم نیز می تواند به ما کمک کند اطلاعات را بهتر پردازش و به خاطر بسپاریم. به عنوان مثال، هنگام خواندن کتاب یا تماشای تلویزیون، داشتن میدان دید واضح می تواند به درک و پردازش بهتر متن و تصاویر کمک کند. این به ما کمک می کند تا محتوا را بهتر به خاطر بسپاریم و آن را در موقعیت های واقعی به کار ببریم.

بنابراین برای بهبود حافظه باید به سلامت بینایی خود توجه کرده و از آن محافظت کنیم. حفظ بینایی و سلامت چشم از طریق ورزش و رژیم غذایی روزانه و استراحت کافی نیز می تواند به محافظت از چشم و حافظه ما کمک کند. حفظ نگرش مثبت، اعتماد به نفس و پشتکار نیز می تواند به بهبود بینایی و حافظه ما کمک کند.

به طور خلاصه، ما باید به سلامت بینایی خود توجه کنیم و از آن محافظت کنیم، که برای حافظه و رشد شخصی ما اهمیت زیادی دارد. تنها با ایجاد عادات بینایی خوب و سبک زندگی می توانیم به نتایج بهتری در کار و زندگی دست یابیم. مشاهده می شود که ما نیاز به بهبود حافظه داریم و سیستانش دسرتیکولا می تواند حافظه را به میزان قابل توجهی بهبود بخشد، زیرا گیاه سیستانچ دسرتیکولا دارای اثرات آنتی اکسیدانی، ضد التهابی و ضد پیری است که می تواند به کاهش اکسیداسیون و واکنش های التهابی در مغز کمک کند و در نتیجه از مغز محافظت کند. سلامت سیستم عصبی علاوه بر این، Cistanche deserticola همچنین می تواند رشد و ترمیم سلول های عصبی را تقویت کند، بنابراین اتصال و عملکرد شبکه های عصبی را افزایش می دهد. این اثرات می تواند به بهبود حافظه، یادگیری و سرعت تفکر کمک کند و همچنین ممکن است از ایجاد اختلالات شناختی و بیماری های عصبی جلوگیری کند.

برای تقویت حافظه روی مکمل‌های شناختی کلیک کنید

با استفاده از یک ماوس کامپیوتری استاندارد، به شرکت‌کنندگان گفته شد که سطح اعتماد خود را در مقیاس رتبه‌بندی 6-امتیاز از بله مطمئن/غیر طبیعی تا مطمئن نه/عادی نشان دهند (شکل 1 را ببینید).

ما رتبه‌بندی‌های اطمینان را به جای پاسخ‌های ساده بله/خیر جمع‌آوری کردیم تا امکان تجزیه و تحلیل ROC فراهم شود. هیچ محدودیت زمانی برای پاسخگویی وجود نداشت. شروع کارآزمایی بعدی منوط به پاسخ دادن به هر دو سؤال کارآزمایی فعلی بود.

قبل از شروع آزمایش، به شرکت‌کنندگان دستورالعمل‌ها و چندین سؤال جمعیت‌شناختی ارائه شد (جنسیت، سن؛ «آیا شما یک رادیولوژیست هستید؟»؛ «آیا شغلی دارید که در آن تصاویر پزشکی می‌خوانید؛ مثلاً فناوری، فیزیک‌دان پزشکی؟»). دستورالعمل‌ها نوشته شده بود. برای جمعیت مبتدی بدون آموزش پزشکی

برای شرکت‌کنندگان تازه‌کار، موارد غیرطبیعی به‌طور کلی به‌عنوان «تصاویری که ممکن است حاوی ضایعات یا سرطان باشند، یا در غیر این صورت ممکن است چیزی شایسته پیگیری در صورتی که رادیولوژیست بودید» تعریف می‌شد.

معیار خروج و طرح تحلیل

معیارهای خروج و تجزیه و تحلیل ما از قبل تصمیم گیری شده بود (به پیش ثبت نام، در بالا مراجعه کنید). اگر شرکت‌کنندگان کمتر از 1500 میلی‌ثانیه یا بیشتر از 15،{3}} میلی‌ثانیه پاسخ دادند (بر اساس داده‌های آزمایشی)، آزمایش‌های انفرادی حذف شدند.

شرکت کنندگان در صورتی که کمتر از 15 دقیقه (صفر حذف شد) یا بیش از 1 ساعت برای تکمیل مطالعه (3 نفر حذف شدند) از مطالعه حذف شدند. رادیولوژیست ها از مطالعه حذف شدند (1 مورد حذف شد) و کسانی که تجربه قبلی در خواندن تصاویر پزشکی داشتند (صفر حذف شدند). شرکت‌کنندگان همچنین اگر بیش از 80 درصد پاسخ‌های یکسان داشتند (به عنوان مثال، تقریباً در هر کارآزمایی پاسخ یکسانی را انتخاب کردند؛ یکی حذف شد) یا بیش از 20 درصد کارآزمایی‌ها بر اساس معیارهای زمان واکنش حذف شدند (یکی حذف شد) از مطالعه حذف شدند.

پس از اعمال این معیارهای خروج پیشینی، هفت شرکت‌کننده از تجزیه و تحلیل حذف شدند و نمونه نهایی 53 شرکت‌کننده باقی ماند. پس از آنالیزهای ثبت‌شده قبلی (بالا)، در ابتدا یک تحلیل واریانس کلی (ANOVA) انجام ندادیم، بلکه آزمایش‌های هدفمند خاص خود را دنبال کردیم. ما ابتدا رتبه بندی اطمینان طبقه بندی یک تصویر به عنوان غیر طبیعی یا عادی را تجزیه و تحلیل کردیم.

ما متعاقباً رتبه‌بندی‌های اطمینان را که حافظه را برای تصاویر نشان می‌دهند، تجزیه و تحلیل کردیم. برای انجام این کار، تجزیه و تحلیل ROC را برای 3-پشت و 30-به عنوان تابعی از نوع تصویر (طبیعی/غیر طبیعی/مقابله-غیر طبیعی) انجام دادیم. ما همچنین ROCها را برای قضاوتهای نرمال/غیر طبیعی تولید کردیم. ROCها با سطح زیر منحنی (AUC) خلاصه شدند و با استفاده از آزمونهای t مقایسه شدند.

همانطور که اشاره شد، ما علاقه مندیم که در گروه شرکت کنندگان مبتدی، عملکرد حافظه مفیدی برای هر نوع تصویر وجود داشته باشد (به عنوان مثال، همانطور که توسط AUC عادی در مقابل غیر طبیعی ارزیابی می شود). از آنجایی که افراد تازه کار فاقد تجربه پزشکی هستند، هر اثری از این دست به ما بینشی نسبت به ماهیت مجموعه تصویر (یعنی به یاد ماندنی یا متمایز بودن) می دهد.

در نهایت، ما تجزیه و تحلیل شباهت تصویر را برای تعیین کمیت چگونگی تأثیرگذاری تفاوت‌های تصویر بر این نتایج انجام دادیم.

مقایسه شباهت تصویر

از آنجایی که تصاویر عادی، غیرعادی کانونی و غیرطبیعی طرف مقابل لزوما مجموعه‌های تصویر متفاوتی هستند، برای بررسی تأثیری که بر حافظه می‌گذارد، مقایسه میزان متمایز بودن هر مجموعه از تصاویر از سایر تصاویر مفید است.

یکی از راه‌های رسیدن به این هدف این است که افراد امتیازاتی مشابه بین تصاویر بدهند. با این حال، این به 120 ×120=14،440 رتبه شباهت نیاز دارد. در عوض، برای ساده‌سازی فرآیند، به تکنیک‌های بینایی رایانه‌ای که قبلاً تثبیت شده بود، تکیه کردیم که برای اندازه‌گیری شباهت برای صحنه‌های طبیعی طراحی شده بودند. به طور خاص، ما یک تجزیه و تحلیل هرم موجک گابور (GWP) انجام دادیم که ویژگی‌های تصاویر را محاسبه کرده و آنها را با هم مقایسه می‌کند (گرین و همکاران، 2016؛ کی و همکاران، 2008).

سطح شباهت را در انواع مختلف تصویر ارزیابی کنید، theGWP هر تصویر را به عنوان خروجی بانکی از فیلترهای Gabor چند مقیاسی نشان می دهد. کار قبلی نشان داده است که این ویژگی ها می توانند به طور موفقیت آمیزی بازنمایی اشیا را در مناطق اولیه بصری مدل کنند (کی و همکاران، 2008).

پیروی از رویه و پارامترهای دقیق ارائه شده توسط گرین و همکاران. (2{7}}16)، هر تصویر به مقیاس خاکستری تبدیل شد، نمونه برداری از آن به 128 × 128 پیکسل، و با مجموعه ای از فیلترهای گابور در مقیاس های سه فضایی (3، 6 و 11 چرخه در هر تصویر با موجک فقط درخشندگی) نشان داده شد. که کل تصویر را می پوشاند)، چهار جهت (0، 45، 90، و 135 درجه) و دو فاز (0 و 90 درجه).

این به مجموعه‌ای از ویژگی‌ها برای هر تصویر می‌پردازد، که پس از تفریق تصاویر متقاطع و نرمال کردن بردارهای ویژگی به واحد طول، برای محاسبه امتیاز فاصله/عدم شباهت با محاسبه حاصلضرب نقطه‌ای ویژگی‌های هر تصویر به تصاویر یکدیگر، آن‌ها را با تمام 120 تصویر مقایسه کردند.

نتایج (آزمایش 1: تازه کارها)

عملکرد در وظیفه طبقه بندی

ابتدا، نگاه کردیم که تازه‌کاران چقدر در طبقه‌بندی تصویر به‌عنوان عادی یا غیرعادی اعتماد داشتند (شکل 2 را ببینید). ما تفاوت معنی داری بین تصاویر طبیعی و غیر طبیعی پیدا کردیم، t(52)=4. > 0.05. در حالی که شرکت کنندگان برای تشخیص تصاویر طبی طبیعی از غیرطبیعی آموزش ندیدند، تعداد کمی از تصاویر در مجموعه بسیار غیرعادی هستند (یعنی یک نقطه سفید روشن حتی برای بینندگان مبتدی نیز مشکوک به نظر می رسد).

نگاهی به رتبه‌بندی‌ها بر اساس تصویر (نگاه کنید به شکل 3) نشان می‌دهد که این تصاویر تا حد زیادی مسئول تفاوت قابل توجه بین رتبه‌بندی‌های عادی و غیرعادی هستند. به طور خلاصه، حداقل برای یک زیرمجموعه کوچک از تصاویر، حتی شرکت‌کنندگان مبتدی نیز نمی‌توانند این ناهنجاری را تشخیص دهند، که منجر به عملکرد طبقه‌بندی بالاتر از شانس به طور گسترده می‌شود. اما برای اکثر تصاویر، به نظر می رسد تازه کارها اطلاعات کمی در مورد عادی بودن در مقابل غیرعادی بودن دارند.

توجه داشته باشید که محور y در شکل 2 نشان دهنده ضریب اطمینان برای افراد تازه کار است. تازه کارها عموماً در تشخیص هر نوع تصویری مطمئن نیستند، با پاسخ‌های متوسط ​​به شدت نزدیک به وسط مقیاس رتبه‌بندی برای همه شرایط. روش دیگر تجسم این داده ها روی منحنی ROC است (شکل 4 را ببینید)، که در آن افراد تازه کار تقریباً بالای خط مورب نقطه چین که نشان دهنده عملکرد شانسی است، با AUC فقط 0.54 می افتند (جایی که {{5) }}.50 شانس و 1.0 کامل است).

اگرچه، همانطور که در بالا گفته شد، این تفاوت از نظر شانس در بین شرکت کنندگان بسیار قابل اعتماد است، t(52)=4.21, p< .001, largely because of the few images that participants could all reliably classify.

حافظه برای تصاویر غیر عادی

شکل 5 ROC ها را برای وظایف حافظه پشتی و 30-را نشان می دهد. از آنجایی که افراد تازه کار، در اکثر موارد، قادر به درک تصاویر غیرعادی طرف مقابل به عنوان متفاوت از تصاویر عادی در کار طبقه بندی نبودند، ما منحصراً بر روی تفاوت های حافظه بین تصاویر عادی و غیر طبیعی تمرکز کردیم. به طور کلی، مستقل از نوع تصویر، و همانطور که انتظار می‌رود، تازه‌کاران دارای 3-حافظه پشتی بهتری هستند (میانگین AUC 0.70 برای شناسایی 3-پشت) نسبت به{{8 }}حافظه پشتی (میانگین AUC 0.64 برای شناسایی 30-پشت)، t(52)=6.59، p <.001.

جالب توجه است، تجزیه عملکرد در شرایط تصویر نشان می‌دهد که تازه‌کارها مزایای کمی از نرمال بودن را نشان می‌دهند: آنها تصاویر عادی را بهتر از تصاویر غیرعادی در وضعیت {{0}}در حالت پشت و هم در وضعیت 30-به یاد می‌آورند، فقط با 3-تفاوت قابل توجهی را نشان داد. ما یک مزیت AUC 0.069 برای تصاویر معمولی در3-پشت، t(52)=5.48، p <.001 در مقایسه با غیر طبیعی و اختلاف anAUC 0.026 پیدا کردیم. برای تصاویر عادی در 30-پشت، t(52) =1.70، p=0.096، در مقایسه با غیرعادی. با توجه به عملکرد ضعیف در تشخیص تصاویر عادی از غیر عادی، بسیار تعجب آور است. که عادی بودن هیچ تاثیری داشت.

بنابراین، ما داده ها را برای شواهدی از اثرات اساسی بیشتر شباهت بصری بررسی کردیم. ما دریافتیم که عملکرد کمتر حافظه در شرایط غیرعادی عمدتاً به دلیل افزایش نرخ هشدار کاذب در مجموعه‌های تصویر غیرعادی و غیرعادی طرف مقابل است.

Here, we are classifying as "new" all images with a confidence rating >3. این با یک حساب شباهت تصویر مطابقت دارد که در آن افراد تازه کار احتمالاً به احتمال زیاد هشدار کاذب به تصاویر جدید در شرایط مقابل-غیر طبیعی و غیرعادی دارند، صرفاً به این دلیل که این تصاویر بیشتر به یکدیگر شباهت دارند تا تصاویر در مجموعه عادی (همانطور که شباهت جمع شده پیش بینی می شود. گزارش های حافظه؛ به عنوان مثال، Nosofsky، 1991).

به عبارت دیگر، اگر تصاویر عادی در مقایسه با تصاویر دیگر تا حدودی با یکدیگر متفاوت‌تر بودند، این می‌تواند توضیح دهد که چرا افراد تازه‌کار حافظه بهتری برای شرایط عادی دارند (یعنی تشخیص اینکه آیا تصویر یک سگ در صورت نمایش آن سگ جدیدتر است آسان‌تر است. در یک سری از حیوانات مختلف نسبت به اگر در مجموعه ای از سگ های مشابه ارائه شود اثرات شباهت در محرک های ما بسیار کوچکتر است. در ادامه این فرضیه را آزمایش می کنیم.

تجزیه و تحلیل هرم موجک ماتریس تشابه-گابور

ما این فرضیه شباهت تصویر را با اندازه‌گیری شباهت بین تصاویرمان همانطور که در روش‌ها توضیح داده شد، آزمایش کردیم (گرین و همکاران، 2016؛ کی و همکاران، 2008). ما افزایش تشابه بین تصاویر طبیعی را نسبت به تصاویر غیر طبیعی و غیر طبیعی طرف مقابل (طبیعی=0.174، غیر طبیعی =0.139، مقابل-غیر طبیعی=0.133) یافتیم. به عبارت دیگر، تصاویر عادی به طور متوسط ​​با یکدیگر متفاوت‌تر بودند (و بنابراین در حافظه قابل تشخیص‌تر بودند) تا تصاویر غیرطبیعی یا غیرعادی طرف مقابل.

این با این فرضیه مطابقت دارد که تفاوت کوچک در حافظه به نفع تصاویر عادی ناشی از تفاوت شباهت تصویر بین مجموعه‌ها است. بنابراین، مزیت نرمال بودن کوچکی که در مطالعه جاری یافت می‌شود، احتمالاً نتیجه شباهت تصویر است.

به طور بحرانی، این می تواند پایه مفیدی برای در نظر گرفتن حافظه برای همین تصاویر در رادیولوژیست های خبره در آزمایش 2 ارائه دهد.

آزمایش 2: رادیولوژیست

آزمایش 2 مانند آزمایش 1 بود، به جز این که روی ناظران رادیولوژیست انجام شد.

روش

شركت كنندگان

سی و دو متخصص رادیولوژیست (14 شرکت‌کننده زن، میانگین=49 سال) در طول کنفرانس سال 2018 انجمن رادیولوژی آمریکای شمالی (RSNA) در شیکاگو، ایلینوی استخدام شدند. همه رادیولوژیست‌ها رضایت آگاهانه دادند و پس از شرکت در قرعه‌کشی برای یک کارت هدیه ۵۰۰ دلاری، غرامتی دریافت نکردند. رویه های رضایت آگاهانه توسط هیئت بازبینی نهادی دانشگاه کالیفرنیا، سن دیگو تأیید شد.

اگر شرکت کنندگان کمتر از 15 دقیقه یا بیش از 1 ساعت طول می کشد تا مطالعه را کامل کنند، بیش از 80 درصد پاسخ های یکسان داشته باشند، یا بیش از 20 درصد کارآزمایی ها حذف شده باشند، داده های شرکت کنندگان حذف می شوند. تحت این دستورالعمل‌ها، هیچ رادیولوژیست از آنالیز حذف نشد و نمونه نهایی از 32 شرکت‌کننده باقی ماند.

محرک ها و روش

محرک‌ها و طراحی آزمایشی همان بود که در آزمایش 1 توضیح داده شد. تفاوت رویه‌ای اصلی این بود که آزمایش در کنفرانس RSNA انجام شد، جایی که آزمایش‌کننده دستورالعمل‌ها را شخصاً توضیح داد.

برخلاف آزمایش 1، در آزمایش 2، ما دستورالعمل های کلی تری ارائه کردیم، به جای اینکه به طور مشخص از شرکت کنندگان بخواهیم به دنبال ضایعات کانونی یا سرطان باشند، دستورالعمل های کلی تری ارائه کردیم: "برای هر تصویر، لطفاً قضاوت کنید که آیا تصویر غیر طبیعی است یا طبیعی و آیا قبلاً آن را در طول تصویر دیده اید یا خیر. آزمایش."

نتایج

در این بخش، عملکرد رادیولوژیست های خبره را با عملکرد شرکت کنندگان تازه کار در Experiment1 مقایسه می کنیم. به طور خاص، ما بررسی می‌کنیم که چگونه افراد غیرمتخصص قضاوت‌های متخصصان را در مورد طبقه‌بندی تصویر (یعنی عادی در مقابل غیرعادی) مقایسه می‌کنند و به طور انتقادی، اینکه آیا کارشناسان حافظه متفاوت را برای تصاویر غیرعادی در مقابل عادی نشان می‌دهند یا خیر. هنگام تجزیه و تحلیل عملکرد متخصص، ویژگی‌های خاصی را در مجموعه تصویر خود که از آزمایش 1 آموختیم، در نظر می‌گیریم، مانند اینکه تصاویر عادی ما متفاوت‌تر هستند و بنابراین ذاتاً کمی به یاد ماندنی‌تر هستند.

عملکرد در وظیفه طبقه بندی

مشابه آزمایش 1، ما ابتدا عملکرد را در کار طبقه‌بندی با نگاه کردن به رتبه‌بندی اطمینان طبقه‌بندی هر تصویر به‌عنوان عادی یا غیرعادی تحلیل کردیم. رادیولوژیست‌ها چقدر در تشخیص تصاویر غیر طبیعی از معمولی خوب هستند؟ جای تعجب نیست که رادیولوژیست ها در تشخیص ناهنجاری بسیار خوب عمل می کنند (شکل 6a را ببینید). رادیولوژیست ها به طور قابل توجهی مطمئن تر بودند که یک تصویر غیرطبیعی به جای طبیعی غیر طبیعی است، t(31)=13.17، p <.001.

شکل 6b منحنی ROC را برای تشخیص تصاویر کانونی-غیر طبیعی از تصاویر عادی در رادیولوژیست ها نشان می دهد. ROCها با مساحت زیر منحنی خلاصه شدند (رادیولوژیست AUC=0.72؛ به یاد بیاورید که مبتدی AUC=0.54).

همانطور که در آزمایش 1 اشاره شد، کنترل ها نزدیک به خط مورب نشان دهنده شانس هستند، در حالی که رادیولوژیست یک ROC منحنی معمولی را نشان می دهد که نشان دهنده تفاوت درک شده (و قابل توجه) بین تصاویر عادی و غیر طبیعی با AUC بسیار بالاتر از شانس، t(31)=19 0.8، p<

تفاوت معنی داری بین شرایط عادی و غیرطبیعی طرف مقابل وجود نداشت، t(31)=0.43، p=0.67. در مطالعه اصلی ایوانز و همکاران. (2016)، آنها یک اثر غیرعادی در اطلاعات thegist (یعنی در یک زمان ارائه بسیار کوتاه ~250 میلی ثانیه) پیدا کردند. دستورالعمل‌ها و مجموعه محرک‌های ما ممکن است شرکت‌کنندگان را نسبت به گزارش غیرعادی تصاویر طرف مقابل سوگیری کرده باشد.

در مجموعه تصاویری که شامل ضایعات قابل مشاهده است (موارد غیر طبیعی) و در غیاب دستورالعملی برای جستجوی تصاویر بدون علامت از بیماران علامت دار (موارد مقابل)، شاید تعجب آور نباشد که رادیولوژیست ها رتبه های غیرطبیعی خود را برای موارد غیرطبیعی رزرو کرده اند. ضایعات علاوه بر این، ممکن است دستورالعمل ما بتواند رادیولوژیست را برای بررسی ضایعات خوش خیم و بدخیم آغاز کند، اگرچه ضایعات غیرخیم در مطالعه حاضر وجود داشت.

مطالعات آتی می تواند تأثیرات آموزش را بر این کار بررسی کند. با این حال، به یاد بیاورید که علاقه ما به آزمایش حاضر در حافظه رادیولوژیست ها برای این تصاویر است. برای مثال، اگر ظاهر مشکوک آنها باعث شود رادیولوژیست‌ها توجه بیشتری به آن‌ها داشته باشند، می‌توانند همچنان بهتر به خاطر بسپارند.

حافظه برای تصاویر غیر عادی

شکل 7 عملکرد رادیولوژیست را در کار حافظه نشان می‌دهد. رادیولوژیست‌ها حافظه بهتری برای تصاویر غیرطبیعی در هر دو شرایط حافظه دارند، اما مزیت تصاویر غیرطبیعی فقط در 30-وضعیت پشت، t(31)=2 قابل توجه است. 86، p =.008، اختلاف AUC=0.051.

ما یک مزیت AUC0.02 برای تصاویر غیرعادی در 3-پشت پیدا کردیم. اگرچه این موضوع معنی‌دار نبود، t(31)=1.62, p=0.12، از همان روند وضعیت 30- پشت پیروی می‌کند. ، حتی در تأخیرهای طولانی (p=0.24). از آنجایی که رادیولوژیست ها قادر به تمایز بین تصاویر غیرطبیعی طرف مقابل و تصاویر طبیعی در کار طبقه بندی نبودند، این نتیجه قابل انتظار است. با این حال، به یاد بیاوریم که ما به دنبال شواهدی بودیم که نشان دهد یک اصل غیر طبیعی به طور ضمنی ممکن است حافظه را تقویت کند.

این چیزی نیست که ما پیدا کردیم. به طور کلی، فارغ از نوع تصویر، رادیولوژیست حافظه بهتری را در 3-پشت (میانگین AUC 0.852 برای شناسایی 3-پشت) نسبت به 30- پشت (میانگین AUC 0.752 برای شناسایی 30-) دارد. پشت) برای تصاویر پزشکی. چرا رادیولوژیست ها در 3-پشت بهتر از 30-پشت هستند؟ در حالی که به نظر واضح است که این تفاوت تا حد زیادی منعکس کننده اثرات معمول فراموشی و تداخل است (مثلاً Wixted، 2005)، همچنین این امکان وجود دارد که ناظران بیشتر به حضور 3-به جای 3- پی ببرند. {10}}تکرارهای برگشتی.

اگر چنین است، آنها ممکن است استراتژی ای را اتخاذ کنند که 3-وظیفه برگشت را در اولویت قرار دهد. با این حال، با توجه به اینکه آزمایش‌های 3-پشت و 30-به‌طور مساوی احتمال داشت و به‌طور مساوی در سرتاسر کار توزیع می‌شد، و ناظران به طور مداوم گفتند که آنها ماموگرافی را از 30 تصویر قبلی دیده‌اند (و بنابراین کاملاً آگاه بودند که {{4} }بازگشت تنها آزمون n-back موجود نبود)، بعید به نظر می‌رسد که ناظران به استراتژی تغییر کنند که فقط 3-وظیفه حافظه پشتی را اولویت‌بندی می‌کند.

در مجموع، این نتایج نشان می‌دهد که متخصصان به طور کلی حافظه بهتری در پشت 3-از پشت30- دارند، اما مزیت حافظه برای تصاویر غیرعادی در مقایسه با تصاویر معمولی تنها در 30-پشت قابل توجه است. در مطالعات حافظه شناسایی، تقریباً همیشه مشخص می‌شود که ROCها با یک مدل تشخیص سیگنال واریانس یکسان سازگار نیستند (به عنوان مثال، Egan، 1958؛ Wixted، 2007).

یک راه برای بررسی این موضوع تبدیل نرخ ضربه و هشدار اشتباه به zscores و ترسیم توابع zROC است. در یک نمودار zROC، اکواریانس داده‌هایی با شیب zROC 1 تولید می‌کند.{2}}. درعوض، طبق معمول در وظایف حافظه تشخیص، شیب zROCهای ما به طور قابل اعتماد زیر 1 بود.{4}} در 3 مورد از 4 شرایط حافظه. یک مدل خطی اثر مختلط را با شیب و فاکتورهای تصادفی برای هر موضوع قطع کنید (میانگین شیب[M]=0.68 برای 3-پشت برای تصاویر عادی، تفاوت از 1.{13}} : p < .0{{3{33}}}1 M =1.05 برای 30-پشت برای تصاویر عادی، متفاوت از 1، p {{19} }.60; با فروپاشی در تمام شرایط، بنابراین امکان می‌دهد شیب با اطمینان بیشتری تخمین زده شود، میانگین شیب zROC 0.68 بود که به طور قابل‌توجهی با 1.0 متفاوت بود (0.00001>p).

در مجموع، ROCهای مشاهده شده در حافظه با یک مدل تشخیص سیگنال واریانس یکسان و سازگار با یک مدل نابرابری، به طور بالقوه به دلیل تغییر در قدرت حافظه بین آیتم‌های مختلف، ناسازگار بودند.

 این نمونه ای از حافظه تشخیص است و دلیل آن است که جمع آوری قضاوت های اطمینان و انجام تجزیه و تحلیل ROC برای ارزیابی قدرت حافظه ضروری است. Simple d'، در این زمینه، تفاوت‌های معیارهای پاسخ را به‌درستی در نظر نمی‌گیرد (به عنوان مثال، Dougal & Rotello 2007).

For more information:1950477648nn@gmail.com