لمزيد من المعلومات: ali.ma@wecistanche.com

الرجاء النقر هنا للجزء 2

بنيامين كوياليفسكي 1،2،3 وبينوا لومير 2 وستيف ماجيروس 2،4 وصوفي بورترات 4

مقبول: 12 فبراير 2021 / تم النشر على الإنترنت: 25 مارس 2021

# المؤلف / المؤلفون 2021

انقرCistanche UK للذاكرة

الملخص

تعد صيانة معلومات الطلب التسلسلي مكونًا أساسيًا للعملذاكرة(WM). تفترض العديد من النماذج النظرية وجود آليات ترتيب تسلسلي محددة. تعتبر هذه مستقلة عن النظام اللغوي الذي يدعم الحفاظ على معلومات العنصر. يعتمد هذا على دراسات تظهر أن العوامل النفسية اللغوية تؤثر بشدة على القدرة على الحفاظ على معلومات العنصر مع ترك الأمر للتذكر غير متأثر نسبيًا. تشير الحسابات الحديثة المستندة إلى اللغة ، مع ذلك ، إلى أن النظام اللغوي يمكن أن يوفر آليات كافية للحفاظ على الترتيب التسلسلي. تفترض نسخة قوية من هذه الحسابات صيانة الأمر التسلسلي على أنها ناشئة عن نمط التنشيط الذي يحدث في النظام اللغوي. في هذه الدراسة ، اختبرنا هذا الافتراض من خلال نهج النمذجة الحسابية من خلال تنفيذ بنية قائمة على التنشيط البحت. اختبرنا هذه البنية مقابل العديد من التجارب التي تنطوي على معالجة الارتباط الدلالي ، وهو متغير نفسي لغوي ثبت أنه يتفاعل مع معالجة الطلبات التسلسلية بطريقة معقدة. نظهر أن هذه البنية القائمة على التنشيط تكافح لحساب التفاعلات بين المعرفة الدلالية ومعالجة الطلبات التسلسلية. فشلت هذه الدراسة في دعم المنشط على المدى الطويلذاكرةكآلية حصرية تدعم صيانة الطلب التسلسلي.

الكلمات الرئيسية: العملذاكرة. ترتيب تسلسلي. النمذجة الحسابية. المعرفة الدلالية

مقدمة

تعد القدرة على الاحتفاظ بمعلومات الطلب التسلسلي مكونًا أساسيًا للعمل اللفظيذاكرة(WM). تم اعتبار الآليات المتضمنة في الحفاظ على الترتيب التسلسلي (أي الترتيب المتسلسل للعناصر التي يجب تذكرها) مستقلة عن تلك المشاركة في الحفاظ على معلومات العنصر (أي المحتوى اللغوي لما يجب تذكره العناصر). هذا الافتراض مدعوم بخطوط بحث مختلفة. عادة ما تلاحظ الدراسات التي تفحص تأثير العوامل النفسية اللغوية ، مثل المعجمية ، على أداء WM اللفظي ، التأثيرات على استدعاء العناصر ، مع الحد الأدنى من التأثيرات على استدعاء الترتيب التسلسلي (Allen & Hulme، 2006؛ Hulme، 2003؛

قسم علم النفس ، جامعة زيورخ ، Binzmühlestrasse 14 ، 8050 ، زيورخ ، سويسرا

جامعة لييج ، لييج ، بلجيكا

Laboratoire de Psychologie et NeuroCognition (LPNC) ، جامعة غرونوبل ألب ، باتيمنت ميشيل دوبوا السابق. BSHM، 1251 Avenue Centrale، 38400 Saint-Martin-d'Hères، France

صندوق البحث العلمي - FRS-FNRS ، بروكسل ، بلجيكا

روماني ، ماكالبين ، ومارتن ، 2008 ؛ Roodenrys، Hulme، Lethbridge، Hinton، & Nimmo، 2002؛ سانت أوبين وأويليت ، 2005 ؛ ووكر وهولم ، 1999). بالإضافة إلى ذلك ، يتأثر أداء استدعاء الطلب التسلسلي بشدة بمهام التداخل الإيقاعي والتوضيح أكثر من الحفاظ على معلومات العنصر (Gorin، Kowialiewski، & Majerus، 2016؛ Henson، Hartley، Burgess، Hitch، & Flude، 2003). أبلغت الدراسات النفسية العصبية أيضًا عن وجود انفصال مزدوج بين الترتيب التسلسلي وأداء استدعاء العناصر في العديد من المرضى المصابين بإصابات الدماغ والسكان المتأثرين باضطرابات النمو العصبي (Brock & Jarrold، 2005؛ Majerus، Attout، Artielle، & Kaa، 2015؛ Martinez Perez ، Poncelet، Salmon، & Majerus، 2015). أخيرًا ، يتم دعم صيانة معلومات العنصر والطلب التسلسلي بواسطة ركائز عصبية مختلفة ، كما ورد في دراسات التحفيز العصبي والتصوير العصبي (Attout، Fias، Salmon، & Majerus، 2014؛ Guidali، Pisoni، Bolognini، & Papagno، 2019؛ Kalm & Norris ، 2014 ؛ Majerus et al. ، 2010 ؛ Papagno et al. ، 2017).

في الوقت نفسه ، تشير دراسات أخرى إلى أن استدعاء الترتيب التسلسلي يمكن أن يتفاعل أيضًا مع المعرفة اللغوية. على الرغم من أن المعرفة المعجمية تعزز بقوة استدعاء معلومات العنصر ، إلا أنها تقيد أيضًا أخطاء ترحيل الصوت داخل العناصر وفيما بينها (Jefferies، Frankish، Lambon Ralph، 2006). وبالمثل ، يمكن أن تُظهر نونوردس ، حتى لو تم تذكرها بشكل سيئ مقارنة بالكلمات على مستوى العنصر ، ميزة نسبية فيما يتعلق باستدعاء الطلب التسلسلي (فالون ، ماك ، تيهان ، ودالي ، 2005 ؛ Kowialiewski & Majerus ، 2018 ؛ Saint-Aubin & Poirier ، 1999). أظهر كالم ونوريس (2014) مؤخرًا أنه يمكن فك تشفير الترتيب التسلسلي لـ nonwords على أساس الأنماط العصبية التي يتم استنباطها داخل مسارات اللغة الظهرية التي تدعم ترميز المعلومات اللفظية والحفاظ عليها. وبالمثل ، Papagno et al. أظهر (2017) أن أداء استدعاء الطلب التسلسلي ينخفض ​​، مقارنة بأداء استدعاء العناصر عندما يتم تحفيز الجزء الخلفي من مسار اللغة الظهرية باستخدام التحفيز الكهربائي المباشر في مرضى جراحة الأعصاب.

على المستوى النظري ، تم الادعاء بأنه يمكن إجراء الصيانة المؤقتة لمعلومات الطلب التسلسلي دون الحاجة إلى عنصر محدد ومستويات تمثيل الطلب التسلسلي (Acheson & MacDonald ، 2009 ؛ Jones & Macken ، 2018 ؛ Schwering & MacDonald ، 2020 ). تعتبر نسخة قوية من هذا الحساب أن معلومات الطلب التسلسلي يتم الاحتفاظ بها حصريًا من خلال نمط التنشيطات التي تحدث داخل النظام اللغوي (Acheson، MacDonald، & Postle، 2011؛ ​​Martin & Saffran، 1997؛ Poirier، Saint-Aubin، Mair، Tehan ، وتولان ، 2015). للموقف ، وفقًا لمارتن وسافران (1997 ، ص 672):

"من حيث المبدأ ، يمكن أن تلعب عمليات التنشيط التفاعلية أيضًا دورًا في الحفاظ على الترتيب التسلسلي. يتم تحضير عقدة الكلمة التي تمثل الكلمة الأولى في التسلسل أولاً ، وبالتالي يكون لديها المزيد من الوقت للحصول على الدعم من التمثيل الصوتي والدلالي المنشط مقارنة بالعقد التي تم تحضيرها لاحقًا بالتسلسل. وبالتالي ، يجب أن تُظهر عقد الكلمات تدرجًا لمستويات التنشيط عبر المواضع التسلسلية. [...] تعكس تأثيرات الحداثة في استدعاء supraspan الدعم الصوتي المتزايد الذي يرجع إلى حقيقة أنه في وقت الاستدعاء ، فإن مستويات تنشيط كانت العناصر الطرفية أقل تأثراً بوظيفة الانحلال المتأصلة في نموذج التنشيط. "

يمكن أن يحسن القدر من الذاكرة

وبالمثل ، أتشيسون وآخرون. (2011 ، ص 45-46) اقترح أن أخطاء الترتيب التسلسلي يمكن أن تحدث مباشرة عبر مستوى التنشيط النسبي للعنصر في شبكة اللغة:

"توفر أطر التنشيط التفاعلية هذه تفسيراً محتملاً لكيفية تأثير التمثيل الدلالي على ترتيب خطط النطق على المستوى المعجمي. وعندما يسمع شخص ما كلمة أو سلسلة من الكلمات ، فإن التنشيط من هذا الإدخال يغذي في نفس الوقت التمثيل الصوتي ويعيد إلى التمثيلات الدلالية أيضًا. بعد الترميز الأولي ، يتم تحديد التنشيط المعجمي عن طريق التفاعل المتكرر مع التمثيلات الدلالية والصوتية. وتحدث أخطاء الترتيب التسلسلي عندما تتغير مستويات التنشيط النسبي للعناصر المعجمية بسبب هذا التفاعل. "

بناءً على هذه الفكرة ، قام Poirier et al. (2015) طور وصفًا أكثر تفصيلاً لمثل هذه النماذج ، أطلق عليه حساب ANet. وفقًا لهذا الحساب ، يتم ترميز العناصر الموجودة في قائمة يجب تذكرها بالتسلسل في المدى الطويل اللغويذاكرةنظام ذو شدة متناقصة يتبع تدرج تنشيط ، 1 كما هو معروض في الشكل 1. يتم الاحتفاظ بمعلومات الترتيب التسلسلي عبر تدرج التنشيط هذا. يتم إجراء الاستدعاء التسلسلي عن طريق اختيار العنصر الأكثر نشاطًا في كل محاولة استدعاء. نظرًا لكون آلية الاختيار صاخبة ، تحدث أخطاء الترتيب التسلسلي في النهاية. من التنبؤات المهمة من هذا النموذج أن تعديل مستوى تنشيط العنصر داخل النظام اللغوي يجب أن يؤثر أيضًا على نمط الترتيب التسلسلي في WM (Achesonetal. ، 2011).

يبدو أن الأدلة الحديثة تدعم هذا الموقف النظري. تلاعب Poirier et al. (2015) بالعلاقة الدلالية من خلال تقديم ثلاثة توائم من العناصر ذات الصلة الدلالية في النصف الأول من القوائم التي يجب تذكرها. كانت العناصر اللاحقة من القوائم غير مرتبطة من الناحية المعنوية في حالة التحكم (على سبيل المثال ، ضابط - شارة - صفارات إنذار - موسيقى - سائح - أصفر). في الحالة التجريبية ، كان البند الخامس مرتبطًا معنويًا بالثالثة النصف الأول من القائمة. مقارنة بحالة التحكم ، لاحظ المؤلفون زيادة في أخطاء الترحيل للعنصر الخامس نحو المواضع التسلسلية السابقة ، أي نحو توائم الكلمات الثلاثية ذات الصلة لغويًا. ) ، يجب أن يتمتع هذا الهدف بمستوى تنشيط أعلى في الحالة التجريبية (الشكل 1 ج) مقارنة بحالة التحكم (الشكل 1 ب). نظرًا لأن استدعاء معلومات الطلب التسلسلي يتم عن طريق تحديد العنصر الأكثر نشاطًا ، وهو تدرج للتنشيط على المدى الطويلذاكرةيمكن أن يتنبأ نظريًا بمزيد من عمليات الترحيل للهدف المرتبط ارتباطًا وثيقًا بالمواقع التسلسلية السابقة. على هذا النحو ، فإن معالجة الارتباط الدلالي هو اختبار حاسم ومباشر للنماذج القائمة على التنشيط ، لأنه من المفترض أن يعدل النمط النسبي للتنشيط الذي يحدث داخل النظام اللغوي. يجب أن يؤثر هذا التنشيط النسبي بدوره على معالجة معلومات الترتيب التسلسلي (Acheson et al. ، 2011) ، والتي يبدو أن بيانات Poirier وزملائها تدعمها. كان هذا بالفعل توقعًا أساسيًا من حساب ANet الخاص بهم:

"في التجربة 1 ، تعاملنا مع مستوى تنشيط العنصر المستهدف لاختبار التنبؤ بأن هذا سيزيد من أخطاء الطلب لهذا العنصر ، مما يجعل من المحتمل أن تقوم آلية CQ [وضع قائمة الانتظار التنافسية] بتحديد هذا العنصر في وقت سابق بسبب تنشيطه المتزايد ؛ هذا الاختيار المبكر يعني أن التنشيط قد أثر على الترتيب الذي تم به استدعاء العناصر ". (Poirier et al.، 2015، p.492).

الشكل 1 رسم توضيحي لتدرج التنشيط (أ) في حالة غير ذات صلة لغويًا ، (ب) في حالة ترتبط فيها العناصر A و B و C ارتباطًا معنويًا ، و (ج) في حالة تكون فيها العناصر A و B و ترتبط C و E ارتباطًا معنويًا. يتم تمييز العناصر ذات الصلة بالمعنى بعلامة النجمة. كما يمكن رؤيته ، فإن وجود الارتباط الدلالي يعزز مستوى تنشيط العنصر للعناصر ذات الصلة

بالنظر إلى أن هذا الحساب النظري يتناقض بشكل صارخ مع غالبية النماذج الحسابية الخاصة بـ WM التي تفترض مستويات معالجة العناصر والطلبات التسلسلية المتميزة ، كان الهدف من هذه الدراسة هو اختبار المعقولية الحسابية لحساب لغوي قائم على التنشيط بحتًا لتمثيل الترتيب التسلسلي المعلومات في سياق إدارة المستودعات. تفترض معظم النماذج الحسابية لـ WM بشكل صريح وجود آليات ترتيب متسلسلة تختلف عن تلك المتضمنة في معلومات العناصر. هذا هو الحال على سبيل المثال فيما يتعلق بهندسة TBRS * و SOB-CS (Oberauer & Lewandowsky ، 2011 ؛ Oberauer ، Lewandowsky ، Farrell ، Jarrold ، & Greaves ، 2012) ، ولكن أيضًا النماذج الحسابية لـ Burgess and Hitch (1999 ، 2006) وبراون وهولم وبريس (2000). تعتبر هذه الأنواع من البنى أنه يتم الاحتفاظ بمعلومات الترتيب التسلسلي من خلال إنشاء ارتباطات موضع العنصر ، حيث يتم تمثيل المواقف بآليات تمثيلية محددة. على الرغم من اختلاف هذه النماذج بشدة في طبيعة تمثيلات الموضع التسلسلي ، إلا أنها تعيد إنتاج ظواهر الترتيب التسلسلي المهمة بشكل موثوق ، بما في ذلك تأثيرات الأسبقية وحداثة وأنماط خطأ النقل.

وهو عامل نفسي لغوي حاسم لاختبار معقولية العمارة القائمة على التنشيط البحت. لإلقاء نظرة عامة على العمارة الحسابية ، افترضنا أولاً أن الترتيب التسلسلي في التكوين يتم الحفاظ عليه من خلال تدرج رئيسي للتفعيل على المدى الطويلذاكرة(Martin & Saffran، 1997؛ Page & Norris، 1998؛ Poirier et al.، 2015). ثم قمنا بتكييف هذه البنية عن طريق إضافة اتصالات الإثارة الجانبية لنمذجة التأثيرات الدلالية.

يمكن أن يحسن القدر من الذاكرة

النمذجة الحسابية

هندسة عامة

العمارة التي استخدمناها هي نموذج اتصال مكون من طبقة واحدة. عندما يتم ترميزها ، يصبح العنصر نشطًا. من المفترض أن يحدث هذا التنشيط مباشرة في قاعدة المعرفة طويلة المدى للذاكرة. ترتبط العناصر ذات الصلة ارتباطًا وثيقًا بوصلات الإثارة ثنائية الاتجاه المباشرة ، والتي تم بالفعل إثبات قدرتها على نمذجة التأثيرات الدلالية في WM في ثلاثة نماذج مستقلة (Haarmann & Usher ، 2001 ؛ Kowialiewski & Majerus ، 2020 ؛ Kowialiewski ، Portrat ، & Lemaire ، 2021). يتم تنشيط العناصر تباعا مع انخفاض القوة باستخدام تدرج التنشيط. ينشر كل عنصر مشفر التنشيط تلقائيًا نحو العناصر الأخرى ذات الصلة الدلالية. يتم إجراء الاستدعاء عن طريق الاسترداد الناجح لكل عنصر وفقًا لقيمة التنشيط الخاصة به. من أجل التبسيط ، استخدمنا آخر تطبيق لنموذج Primacy ، والذي أتاحه Norris و Kalm و Hall (2020). تطبيق Julia الخاص بنا للهندسة المعمارية التي نقترحها متاح مجانًا في Open Science Framework (OSF): https://osf.io/9e4hu/.

التشفير في نموذج Primacy الأصلي ، يتبع الترميز تدرج تنشيط ، والذي نشير إليه V. يتم تحديد هذا من خلال قيمة الذروة ، وقيمة الخطوة ،. القيمة هي معلمة حرة وتمثل قيمة البداية التي يرتبط بها العنصر الأول. تمثل القيمة مقدار الحذف من القيمة في كل مرحلة من مراحل التشفير. تم تثبيت هذه المعلمة على 1. على سبيل المثال ، عند إعطاء القيمة 20 ، يكون تدرج التنشيط هو [20 ، 19 ، 18 ، 17 ، 16 ، 15] لقائمة من ستة عناصر. لاحظ أن البروفة لم يتم تصميمها بشكل صريح في نموذج Primacy. وهذا يشمل آخر تطبيق قام به نوريس وزملاؤه. التنشيط داخل النموذج مشتق ببساطة مما يمكن توقعه إذا حدث تجريبي نظريًا.

ينتشر التنشيط أثناء التشفير ، ينتشر التنشيط إلى العقد ذات الصلة الدلالية. تم تصميم هذا من خلال تضمين اتصالات الإثارة ثنائية الاتجاه. قوة هذه الاتصالات هي معلمة حرة ، λ. في كل مرحلة من مراحل الترميز ، يتم تنشيط العناصر باستخدام تدرج التنشيط V. ثم ينتشر التنشيط ثنائي الاتجاه داخل الشبكة:

حيث يمثل Ai قيمة التنشيط النهائية المرتبطة بالعنصر i ، و Aj هو التنشيط القادم من كل عنصر ذي صلة لغويًا ، j ، تم قياسه بواسطة وزن الاتصال ،. يمثل النص الفرعي t الطابع الزمني.

من المهم أن نلاحظ أننا لا ننوي تمثيل المعرفة الدلالية بشكل صريح. ما نعتزم تمثيله من خلال مبدأ التنشيط المنتشر هذا هو حقيقة أن العناصر ذات الصلة بشكل كبير تعيد تنشيط بعضها البعض. في المقابل ، من المفترض أن تؤدي إعادة التنشيط هذه إلى تعديل التنشيط النسبي للعنصر وبالتالي نمط أخطاء الطلب التسلسلي (Acheson et al. ، 2011). بمعنى آخر ، يؤدي تعديل مستوى التنشيط النسبي للعناصر في الشبكة الدلالية أيضًا إلى تغيير التمثيل الداخلي للنموذج لترتيبها التسلسلي.

استدعاء بعد تشفير جميع العناصر ، يجب على النموذج استرداد العناصر. يتم إجراء ذلك باستخدام آلية قائمة انتظار تنافسية. 2 السحب عبارة عن عملية من خطوتين.

2 اقترح Poirier وزملاؤه أن آلية الطابور التنافسي تم تصميمها باستخدام نموذج تراكمي ، على غرار Hurlstone and Hitch (2015). قمنا بتطبيق آلية قائمة انتظار تنافسية بناءً على مبادئ التراكم (متوفرة في OSF). لم يوفر هذا أي تحسين للنموذج على الإطلاق ، باستثناء أن نموذج المركب يوفر فرصة إضافية لعمل تنبؤات بشأن زمن انتقال الاسترجاع ، وهو ما يتجاوز الغرض من هذه الدراسة. لذلك ، تمسكنا ببساطة بآخر تطبيق متاح لنموذج Primacy.

أولاً ، يتم تحديد عنصر كمرشح محتمل. هذه العملية عرضة للضوضاء:

يتم نمذجة ذلك عن طريق إضافة ضوضاء غوسية عشوائية مؤقتة ذات تركيز صفري إلى تنشيط كل عنصر ، مع انحراف معياري لـ σ ، معلمة مجانية. ثم يتم تحديد العنصر الأكثر نشاطًا. يحدث قمع الاستجابة (Duncan & Lewandowsky ، 2005) بالفعل في هذه المرحلة ، عن طريق تعيين العنصر الذي تم استدعاؤه إلى قيمة منخفضة جدًا (على سبيل المثال ، -999). هذا يمنع النموذج من استدعاء عنصر مرتين. ثانيًا ، تتم مقارنة قيمة التنشيط للعنصر المحدد بعتبة الحذف. يتم رسم هذه العتبة من توزيع غاوسي عشوائي N (θ ، σ ′) ، حيث θ و σ ′ معلمتان مجانيتان. إذا كانت قيمة تنشيط العنصر المحدد (بدون الضوضاء المضافة أثناء الخطوة الأولى) أعلى من حد الاسترداد ، فسيتم استدعاء العنصر بشكل صحيح. خلاف ذلك ، يتم إنتاج إغفال. وتجدر الإشارة إلى أن هذا التنفيذ يفترض أن قمع الاستجابة يتم تطبيقه دائمًا أثناء الخطوة الأولى من الاسترجاع ، بغض النظر عما إذا كان الحذف قد حدث أثناء الخطوة الثانية. هذا الاختيار للتنفيذ من قبل نوريس وآخرون. (2020) من غير المرجح أن يكون معقولاً. ولكن من التجربة التي اكتسبناها من خلال تشغيل النموذج عدة مرات ، فهذه هي الطريقة الوحيدة التي يمكن أن ينتج عنها نموذج Primacy أخطاء الإغفال أثناء نمذجة منحنيات الموضع التسلسلي الواقعية. لاحظ أنه من الممكن إنتاج منحنيات واقعية للموضع التسلسلي مع تجنب مشكلة التنفيذ هذه دون التأثير على الافتراضات الأساسية للنموذج. ومع ذلك ، فضلنا التمسك بالتطبيق الأصلي من أجل البساطة. بحلول وقت كل محاولة استدعاء متتالية ، تكون جميع العناصر قد تلاشت:

حيث D هي معلمة حرة ، تتراوح من 0 إلى 1. نظرًا لمعامل الانحلال هذا ، فإن العناصر التي يتم استدعاؤها لاحقًا في القوائم تكون أكثر عرضة للضوضاء ، لأن قيم التنشيط تتقارب نحو خط مقارب. يتم سرد جميع معلمات النموذج في الجدول

1. الطريقة

مجموعات البيانات تم اختبار صلاحية هذا النموذج على ثلاث مجموعات مختلفة من البيانات: مجموعتي بيانات (Kowialiewski et al. ، 2021 ؛ Kowialiewski & Majerus ، 2020) التي تتضمن شروطًا دلالية ومحايدة (أي أن الشرط المحايد هو شرط غير ذي صلة دلاليًا. ) ، والبيانات من Poirier et al. (2015) ، والذي وصفناه بالفعل في المقدمة. يعتمد النموذج على العديد من المعلمات التي تعتمد جزئيًا على المهمة. لذلك تم تقدير المعلمات بشكل مستقل لكل مجموعة من البيانات. أولاً ، تم تقدير المعلمات التي لا تعتمد على الارتباط الدلالي بناءً على المحايد

من أجل الحصول على نموذج أساسي يمكنه إعادة إنتاج أداء الاستدعاء التسلسلي القياسي. ثانيًا ، تم استخدام الشرط الدلالي لتقدير المعلمة ، التي تتحكم في مستوى الارتباط الدلالي بين العناصر.

إجراء التسجيل الكلي يتم رسم منحنيات الموضع التسلسلي باستخدام معيار الاستدعاء التسلسلي الصارم ، حيث يتم تسجيل عنصر ما على أنه صحيح فقط إذا تم استدعاؤه في الموضع التسلسلي الصحيح. على سبيل المثال ، نظرًا للتسلسل المستهدف "العنصر 1 - العنصر 2 - العنصر 3 - العنصر 4 - العنصر 5 - العنصر 6" وإخراج الاستدعاء "العنصر 1 - العنصر 2 - فارغ - العنصر 3 - العنصر 4 - العنصر 6" ، سيتم تسجيل العناصر 1 و 2 و 6 فقط على أنها صحيح. لتلائم البيانات التجريبية ، استخدمنا أيضًا معيارًا لاسترجاع العناصر ، حيث يتم تسجيل عنصر ما على أنه صحيح إذا تم استدعاؤه بشكل صحيح ، بصرف النظر عن موضعه التسلسلي. في المثال المذكور أعلاه ، سيتم تسجيل العناصر 1 و 2 و 3 و 4 و 6 على أنها صحيحة. لتقييم التأثير الكلي للارتباط الدلالي على أداء استدعاء الطلب ، قمنا بحساب درجة استدعاء الطلب لكل حالة تجريبية. تم ذلك عن طريق قسمة عدد مرات استدعاء العناصر في الموضع الصحيح (أي معيار الاسترجاع التسلسلي الصارم) على عدد المرات التي تم فيها استدعاء العناصر ، بغض النظر عن موضعها التسلسلي (أي معيار استدعاء العنصر).

معدل التحويل نمط أخطاء التحويل في Poirier et al. (2015) تم رسم الدراسة باستخدام معدلات التحويل. قمنا بحساب عدد أخطاء التحويل التي حدثت للعنصر 5 (الذي يرتبط ارتباطًا لغويًا أو ليس بالعناصر 1 و 2 و 3) ، ولكل موضع يمكن أن ينتقل إليه العنصر 5. ثم قمنا بعد ذلك بتقسيم هذه الأرقام من أخطاء التحويل على العدد الإجمالي لمرات استدعاء العنصر 5. تم حساب هذا بشكل منفصل لكل حالة تجريبية.

تقدير المعلمة تم تقدير المعلمات الأساسية للنموذج باستخدام خوارزمية محاكاة التلدين

(French & Kus، 2 0 0 8؛ Kirkpatrick، Gelatt، & Vecchi، 1983) للعثور على أدنى خطأ في جذر متوسط ​​التربيع (RMSE) بين درجات استدعاء الموضع التسلسلي التجريبي والمحاكى ، في كلٍّ من الدقة الصارمة ومعايير استدعاء العناصر. لذلك ، تم دائمًا تكوين RMSE عبر 12 نقطة بيانات: ست نقاط بيانات لمعيار الاستدعاء التسلسلي الصارم ، وست نقاط بيانات لمعيار استدعاء العنصر. تم الإبلاغ عن الحدود الدنيا والعليا لكل معلمة مجانية في الجدول 1. كان تقدير المعامل الدلالي λ أبسط بكثير ولم يتطلب سوى بحث الشبكة في [0 ، 0.1] بخطوة 0.0001. الأهم من ذلك ، تم تقدير دائمًا مع الحفاظ على ثبات المعلمات الأساسية للنموذج. ثم تم استخدام قيمة λ التي أنتجت أصغر فرق متوسط ​​بين الحالة المحايدة والحالة التجريبية للبيانات التجريبية. كانت الفكرة هي تحديد قيمة λ التي تنتج فرقًا بين الدرجات المحايدة والتجريبية المشابهة للإنسان. تم تفعيل ذلك من خلال تقليل الفجوة بين فرق المتوسط ​​البشري وفرق متوسط ​​النموذج. نقدم الآن مجموعات البيانات الثلاث بالإضافة إلى محاكاة هذه التجارب المقابلة. يرد ملخص للظروف التجريبية المختلفة مع أمثلة قائمة الدراسة في الجدول 2.

تقييم النموذج

مجموعة البيانات رقم 1: Kowialiewski و Majerus (2020)

البيانات تم استخدام مجموعة البيانات هذه لتقييم قدرة النموذج على إعادة إنتاج التأثير الكلي للارتباط الدلالي على أداء الاستدعاء التسلسلي وأداء استدعاء الطلب. لقد ثبت جيدًا أن الارتباط الدلالي يعزز بقوة أداء الاستدعاء على مستوى العنصر (انظر Kowialiewski & Majerus ، 2020 ، للتحليل التلوي). الارتباط الدلالي له أيضًا تأثير ضار صغير على القدرة على استدعاء معلومات الطلب التسلسلي ، على الرغم من أن التأثير خفي (انظر أيضًا

Ishiguro & Saito ، 2020). وفقًا لذلك ، نتوقع أن يكون للهندسة المعمارية تأثير ضئيل أو معدوم على أداء استدعاء الطلبات. استخدمنا البيانات المبلغ عنها في Kowialiewski و Majerus (2020) ، حيث تعاملوا مع الارتباط الدلالي في قوائم العناصر الستة في ظل ظروف متداخلة أو في ظل مهام الاستدعاء التسلسلي الفوري. تم الإبلاغ عن نتائج الحالة الأخيرة فقط.