¿Se utiliza la memoria a largo plazo en un paradigma de detección de cambios visuoespaciales?

Para más información:ali.ma@wecistanche.com

Resumen

en pruebas dememoria de trabajocon materiales verbales o espaciales, repitiendo el mismomemoriaconjuntos a través de los ensayos conduce a un mejor rendimiento de la memoria. Este "efecto de repetición de Hebb" bien establecido no se pudo mostrar para materiales visuales en investigaciones anteriores. La ausencia del efecto Hebb se puede explicar de dos maneras: o bien una persona no logra adquirir una representación de memoria a largo plazo de la repeticiónmemoriaconjuntos, o adquieren talesmemoria a largo plazorepresentaciones, pero no las utilizan durante elmemoria de trabajotarea. En dos experimentos (N1=18 y N2=30), nuestro objetivo era decidir entre estas dos posibilidades manipulando el conocimiento de la memoria a largo plazo de algunos de los conjuntos de memoria utilizados en una tarea de detección de cambios. Antes de la prueba de detección de cambios, los participantes aprendieron tres conjuntos de colores según el criterio. La prueba de detección de cambios posterior contenía matrices de colores nuevos y previamente aprendidos. El rendimiento de la detección de cambios fue mejor en el aprendizaje previo en comparación con los nuevos arreglos, lo que demuestra quememoria a largo plazose utiliza en la detección de cambios.

Palabras clave:Memoria de trabajo visual. Memoria a largo plazo. Paradigma de detección de cambios. Efecto de repetición de Hebb

Repetitio est mater studiorum: la repetición es la madre del estudio. Este principio fundamental probablemente se aplica a todas las entidades que son capaces de hacer lo que llamamos "aprender"; animales y humanos, e incluso computadoras. Por lo general, el aprendizaje requiere la repetición de cierta información objetivo, ya sea intencionalmente o no. A través de las repeticiones, las conexiones neuronales en nuestro cerebro cambian gradualmente para capturar la información repetida.

Click to Cistanche utiliza para la memoria

¿Cuál es el papel de la memoria de trabajo para el aprendizaje? Durante 6 décadas, varios teóricos han asumido que a corto plazo omemoria de trabajo(WM), un medio para mantener temporalmente la información, es la puerta de entrada a la memoria a largo plazo (LTM), donde la información se almacena de forma permanente. Atkinson y Shiffrin (1968) asumieron que la información debe pasar a través del "almacén a corto plazo" hacia la LTM. Baddeley et al. (1998) planteó la hipótesis de que el bucle fonológico, un componente del modelo de WM de Baddeley, es un dispositivo para aprender nuevas formas de palabras. Recientemente, Cowan (2019) ha enfatizado que mantener la información en WM implica no solo activar las representaciones LTM existentes sino también formar otras nuevas. Forsberg et al. (2020) argumentaron que la capacidad limitada de WM forma un cuello de botella para la adquisición de nuevos conocimientos en LTM.

Una herramienta importante para estudiar el papel de WM en la adquisición gradual de conocimiento a través de la repetición es el llamado efecto de repetición de Hebb (Hebb, 1961). El efecto de repetición de Hebb se refiere a la observación de que el recuerdo serial inmediato, una prueba común de WM, mejora gradualmente para una lista de memoria que se repite varias veces en el transcurso de un experimento (p. ej., Hebb, 1961; Hitch et al., 2005; Página et al., 2006). El efecto Hebb se observó originalmente en una tarea de recuerdo serial inmediato con estímulos verbales (Hebb, 1961), y se analiza específicamente por su contribución al aprendizaje de idiomas (Lafond et al., 2010; Szmalec et al., 2009). Otros estudios también lo encontraron con estímulos visuales significativos como caras erguidas (Horton et al., 2008) y con secuencias de ubicaciones espaciales (p. ej., Couture & Tremblay, 2006; Gagnon et al., 2004; Page et al., 2006; Turcotte et al., 2005).

In contrast, several attempts to demonstrate the Hebb effect with arrays of simple visual stimuli have largely failed. In particular, no improvement of change detection—a common test of visual working memory—has been found across dozens of repetitions of the same array (Fukuda & Vogel, 2019; Logie et al., 2009; Olson & Jiang, 2004). There is some evidence for learning with a change-detection paradigm (Shimi & Logie, 2019), but it appears to require many more repetitions (>60 en ese estudio) que el clásico efecto Hebb, que es robusto después de unas 10 repeticiones.

El estudio presente

Hay dos posibles explicaciones para la ausencia del aprendizaje de Hebb en la tarea de detección de cambios. Primero, los participantes podrían fallar en adquirir representaciones LTM sobre elrecuerdo repetidoarreglos En segundo lugar, los participantes pueden codificar las matrices repetidamente presentadas en LTM, pero no pueden usar estas representaciones de LTM en ensayos posteriores de detección de cambios usando las mismas matrices nuevamente. Es decir, aunque los participantes adquieren conocimientos con los que podrían mejorar su desempeño en matrices repetidas, no lo hacen. Algunas pruebas de esta última posibilidad provienen de dos estudios que muestran que, aunque la detección de cambios no mejoró en matrices repetidas, los participantes pudieron reconocer las matrices repetidas muy por encima del azar en una prueba de fin de experimento (Fukuda & Vogel, 2019; Olson y Jiang, 2004).

En el estudio actual, nuestro objetivo fue probar si las representaciones de la memoria a largo plazo se utilizan en un paradigma de detección de cambios visuoespaciales. Creamos trazas LTM de tres matrices objetivo de seis colores A, B y C en una fase de aprendizaje. Luego comparamos el rendimiento en una prueba de memoria de trabajo posterior entre pruebas que usaban una de estas matrices de destino, que demostrablemente se almacenaron en LTM después de la fase de aprendizaje, y pruebas con matrices generadas aleatoriamente (D) sin representación en LTM. La generación experimental de trazas LTM fuera del procedimiento de detección de cambios permite distinguir dos resultados posibles. Si se utilizan estas representaciones, deberíamos observar una mejor precisión en la detección de cambios para las matrices aprendidas en comparación con las matrices aleatorias. Si no se utilizan estas representaciones, la precisión de las matrices aprendidas no debería ser diferente de la precisión de las matrices aleatorias.

Método

Participantes

Dos muestras diferentes participaron en el Experimento 1 y el Experimento 2, respectivamente. Para el Experimento 1, la muestra consistió en N=18 (Mago=22.6 años, SDedad=2.89) estudiantes universitarios de la Universidad de Zúrich. El Experimento 2 inscribió a N=30 (Mage=23 años, SDage=4.89) estudiantes universitarios de la Universidad de Zúrich y de la Universidad de Ulm, de los cuales una persona fue excluida del análisis de datos después de la fase de aprendizaje por rendimiento insuficiente en la fase de aprendizaje (N final=29). Nuestra elección de tamaños de muestra se basó en el N de estudios previos sobre el efecto Hebb. Decidimos aumentar el tamaño de la muestra del Experimento 2 para aumentar nuestra posibilidad de medir un pequeño efecto del conocimiento que podríamos haber pasado por alto en el Experimento 1. Ambos experimentos se anunciaron a través de volantes y correo electrónico. Los participantes debían tener entre 18 y 35 años y hablar alemán con fluidez. Las personas interesadas fueron excluidas de la participación si eran daltónicas o tenían mala vista (es decir, no corregida).

Materiales y procedimiento

Las tareas de ambos experimentos fueron diseñadas para estudiar la misma pregunta de investigación; sin embargo, se hicieron algunos ajustes leves a las tareas después de realizar el Experimento 1. Ambos experimentos constaron de dos partes. La primera fue una fase de aprendizaje, en la que se instruyó a los participantes para que aprendieran tres conjuntos de colores distintos (etiquetados como A, B y C, respectivamente; en el resto de este documento se los llamará "conjuntos objetivo"). Después de eso, se administró una tarea de detección de cambios en la que algunas pruebas usaron las matrices objetivo y otras pruebas usaron nuevas matrices aleatorias como conjuntos de memoria.

Experimento 1 La fase de aprendizaje del Experimento 1 comenzó con la presentación sucesiva de las tres matrices de colores a aprender durante 10 s cada una. Cada conjunto constaba de seis parches de color, que se distribuían de manera equidistante en un círculo imaginario y, para facilitar el aprendizaje, cada conjunto se emparejaba con una letra (A, B o C, respectivamente) en el centro del círculo imaginario. Para todos los participantes, los colores de cada conjunto se eligieron al azar de una muestra de 12 colores distintos (consulte la Tabla 1 para conocer los valores RGB).

Después de esta exposición inicial a los tres arreglos, se implementó la fase de aprendizaje por medio de un paradigma clásico de detección de cambios. Decidimos que los participantes aprendieran las matrices de esta manera porque queríamos que la experiencia de aprendizaje se pareciera a la tarea de WM. Este procedimiento debería garantizar un umbral bajo para usar las representaciones LTM durante la prueba WM posterior porque optimiza el procesamiento apropiado para la transferencia (Morris et al., 1977).

El paradigma de detección de cambios administrado durante la fase de aprendizaje se presenta esquemáticamente en la figura 1. Constaba de tres bloques con 24 ensayos cada uno. En todos los bloques, cada prueba comenzaba con la presentación de una cruz de fijación de 1,000 ms, que estaba centrada en la pantalla. A continuación, se presentó uno de los tres conjuntos de objetivos. Aquí, los tiempos de presentación variaron entre los tres bloques. En el primer bloque, los arreglos de objetivos se presentaron durante 3500 ms, en el segundo bloque durante 2500 ms y en el tercer bloque durante 1500 ms. Después de la presentación de una matriz de destino, a los participantes se les presentó una pantalla en blanco durante otro 1, 000 ms. Posteriormente, a los participantes se les presentó una prueba de la matriz objetivo, que constaba de un parche de color en el primer bloque, parches de tres colores en el segundo bloque o una matriz completa de seis parches de color en el tercer bloque. Los participantes tenían que indicar si los parches de color presentados ahora coincidían con los de la matriz completa presentada anteriormente en la misma posición. El tiempo de respuesta no fue limitado. Hubo tres tipos de pruebas: pruebas sin cambio (el mismo parche de color en la misma posición), pruebas de cambio de intercambio (parche de color presentado en otra posición) y pruebas de cambio aleatorio (colores que no se presentaron previamente en la matriz objetivo en Cualquier posición). Dentro de cada bloque, hubo 12 ensayos sin cambio, seis ensayos de cambio de intercambio y seis ensayos de cambio aleatorio: el orden del tipo de ensayo fue aleatorio. Cada matriz se presentó ocho veces por bloque y su orden fue aleatorio. Después de cada ensayo, se proporcionó retroalimentación. Si una respuesta era correcta, a los participantes se les presentaba el mensaje "¡Richtig!" (¡Correcto!), y siguió la siguiente prueba. Si una respuesta era incorrecta, a los participantes se les presentaba el mensaje "Leider nicht Richtig! So siehtdiekorrekte Anordnung us:" (¡Lamentablemente incorrecto! Así es como se veía la matriz correcta :) y luego se les presentaba nuevamente la matriz objetivo completa para proporcionar otra oportunidad de aprendizaje Para garantizar el aprendizaje de los tres conjuntos de objetivos, los participantes debían cumplir con un criterio de aprendizaje dentro de cada bloque, que era un mínimo de 19 intentos respondidos correctamente (de 24). Si los participantes no cumplían este criterio, debían repetir el bloque en el que no lo cumplieron. Además, al comienzo de cada bloque, los tres conjuntos de objetivos se presentaron nuevamente durante 10 s cada uno. De esta manera, esperábamos inducir una representación LTM razonablemente sólida de las matrices de destino.

Una vez que un participante cumplió con todos los criterios de la fase de aprendizaje, se le presentaron las instrucciones de la tarea de memoria de trabajo posterior, es decir, otra tarea de detección de cambios. Las instrucciones dejaron en claro el procedimiento de esta tarea una vez más y establecieron explícitamente que no se proporcionarían más comentarios en el futuro. En general, el paradigma de detección de cambios se parecía mucho a la fase de aprendizaje. Cada prueba comenzaba con la presentación de una cruz de fijación durante 1,000 ms en una pantalla en blanco. A continuación, se presentó una matriz de seis colores, pero a diferencia de la fase de aprendizaje, ahora el tiempo de presentación fue de 1,000 ms. Después de un intervalo de retención de 1,000-ms, durante el cual la pantalla estuvo en blanco, se mostró un parche de color como sonda en la posición de un elemento de matriz seleccionado al azar. Nuevamente, los participantes tenían que indicar si el parche de color presentado ahora coincidía con el parche de color de la matriz completa de seis colores en la misma posición. El tiempo de respuesta no fue limitado. Para esta tarea de memoria de trabajo, se administraron 10 bloques con 18 intentos cada uno. Antes de eso, los participantes tenían que completar 18 pruebas de práctica.

Del total de 180 ensayos de prueba, 90 ensayos presentaron una de las matrices de destino A, B o C (30 ensayos cada uno, ahora presentado sin sus etiquetas), y los otros 90 ensayos se reservaron para la presentación de nuevos conjuntos (D), generados al azar con la restricción de que no deben ser idénticos a una de las matrices de destino. Antes de la tarea, no se les dijo a los participantes que las matrices aprendidas previamente podrían presentarse nuevamente. En los 18 ensayos por bloque, hubo aproximadamente un 40 % de ensayos sin cambios y un 60 % de ensayos con cambios.1 De nuevo, el orden del tipo de ensayo y el orden de las matrices se aleatorizaron dentro de cada bloque.

El Experimento 2 comenzó con una fase de aprendizaje similar a la del Experimento 1. Sin embargo, para mejorar el aprendizaje de LTM, agregamos un bloque más de aprendizaje e hicimos que el criterio de aprendizaje para cada bloque fuera más estricto (al menos 20 de 24 intentos fueron correctos). Para ver una descripción esquemática de las condiciones de aprendizaje, consulte la Fig. 2. La fase de aprendizaje constaba ahora de cuatro bloques con 24 intentos cada uno. Los primeros tres bloques fueron los mismos que en el Experimento 1, excepto que los tiempos de presentación de las matrices objetivo en todos los bloques se aleatorizaron dentro de un rango entre 1,000 y 5,000 ms. El cuarto bloque agregó una nueva experiencia de aprendizaje: a los participantes ahora solo se les presentaban las etiquetas A, B o C, seguidas de una sonda de matriz completa. Tuvieron que indicar si esta sonda coincidía con la matriz que habían aprendido a asociar con la carta presentada anteriormente. Esta condición de aprendizaje debería garantizar que los participantes hayan creado representaciones LTM de las matrices de destino que podrían recuperar sobre la base de una señal de recuperación arbitraria.

Para probar LTM después de la fase de aprendizaje, agregamos una tarea de recuperación discreta, en la que a los participantes se les presentaron señales de letras de las matrices objetivo y seis círculos vacíos en las posiciones de los parches de color. Los seis círculos vacíos se marcaron uno tras otro y los participantes tenían que elegir el color correcto de un conjunto de 12 colores distintos, presentado junto a la matriz vacía. Luego, el círculo marcado se llenó con el color elegido si la elección era correcta. Si una elección era incorrecta, se notificaba a los participantes y se rellenaba el color realmente correcto. De esta forma, a los participantes se les presentaban una vez más los conjuntos de objetivos completos y podían ajustar aún más sus representaciones LTM de ellos.

La siguiente fase de WM fue casi idéntica al Experimento 1. Redujimos los tiempos de presentación de las matrices a 250 ms. Además de eso, la relación de los tipos de sonda se cambió debido a un error de programación de una relación de 40:60 entre sondas sin cambios y cambiadas a aproximadamente 70 por ciento de sondas sin cambios y aproximadamente 30 por ciento de sondas cambiadas (separadas en intercambio). cambios y cambios aleatorios).

Después de la prueba de WM, a los participantes se les presentó nuevamente la tarea de recuperación discreta y una repetición del nuevo cuarto bloque de la fase de aprendizaje, con letras como claves para las matrices de destino, para probar sus representaciones LTM de las matrices de destino uno. ultima vez. Esto nos permitió comparar la accesibilidad de las matrices de destino en LTM antes y después de la tarea WM.

El procedimiento general para ambos experimentos fue similar. Ambas sesiones de prueba duraron aproximadamente de 1,5 a 2 horas y los participantes recibieron una compensación de 15 a 22 CHF o crédito parcial del curso. Antes de la participación, todos los participantes dieron su consentimiento informado. Los experimentos fueron supervisados ​​por asistentes de investigación capacitados. Las tareas se programaron y presentaron a través de PsychoPy 2 (Peirce et al., 2019). Todas las tareas e instrucciones estandarizadas se presentaron en pantallas de computadora con una resolución Full HD (1920 × 1080 píxeles). Todos los estímulos se presentaron sobre un fondo de color gris y los participantes utilizaron teclas marcadas (- y<) on="" standard="" keyboards="" for="" responding="" to="" the="">

Para ambos experimentos, tanto la fase de aprendizaje como la prueba WM, proporcione una variable dependiente dicotómica que indique la precisión. Por lo tanto, analizamos los datos de las pruebas de WM con modelos de regresión logística, en los que el número de respuestas correctas se predijo según el tipo de matrices presentadas (es decir, matrices objetivo aprendidas frente a matrices aleatorias no aprendidas). Además del efecto fijo de este predictor, el modelo completo incluía un efecto principal del bloque, un término de interacción de tipo matriz con el bloque, un efecto aleatorio del sujeto (es decir, intercepción aleatoria), así como un término para el efecto de bloques y tipos de matrices anidados dentro de sujetos (es decir, pendientes aleatorias). Después de especificar el modelo completo, lo comparamos con modelos más parsimoniosos para evaluar la evidencia de cada efecto por medio de factores de Bayes para las comparaciones de modelos (Bürkner, 2017). Los previos para los modelos de regresión logística de efectos mixtos fueron los previos de Cauchy con una escala de 1/√2, obtenidos ajustando las recomendaciones de Gelman et al. (2008) (para obtener más detalles sobre la elección de la escala para los modelos de regresión logística, consulte Oberauer, 2019). Los modelos se estimaron con 100,000 muestras, generadas a través de tres cadenas de Markov independientes, con 2,000 muestras de calentamiento cada una (es decir, 98,000 muestras posteriores al calentamiento en total).

Debido a que en ambos experimentos la proporción de pruebas iguales y de cambio no estaba equilibrada, los participantes podrían haber desarrollado sesgos de respuesta, lo que distorsionaría la medida de proporción correcta como índice de la calidad de la memoria. Por lo tanto, también evaluamos el rendimiento mediante dos modelos de medición que separan la calidad de la memoria del sesgo. Una división muy discutida entre las teorías de WM visual es entre aquellas que asumen una fuerza o precisión continuamente variable de las representaciones de la memoria (Ma et al., 2014; Oberauer & Lin, 2017), y aquellas que asumen una distinción binaria entre elementos que se recuerdan y otros que no (Adam et al., 2017; Zhang & Luck, 2008). Para hacer justicia a ambas perspectivas, aplicamos un modelo de medición de detección de señales para medir la calidad de la memoria en una escala continua de discriminabilidad y un modelo de umbral alto para medir la cantidad de elementos recordados. Específicamente, calculamos d' (discriminabilidad) y c (criterio de respuesta) a partir de la teoría de detección de señales (basada en Macmillan, 1993; Stanislaw & Todorov, 1999), donde corregimos las tasas extremas de aciertos y falsas alarmas (es decir, 0 o 1; véase Hautus, 1995). Además, calculamos Pmem (la probabilidad de que un participante tuviera el elemento probado en la memoria) y g (probabilidad de adivinar una respuesta de "cambio") a partir de un modelo de umbral alto (Modelo 4 de Cowan et al., 2013). Todos los índices se calcularon para el rendimiento de la matriz aleatoria y aprendida. Dentro de cada experimento, predijimos los índices respectivos por medio de modelos de regresión lineal con el tipo de matriz como predictor y un efecto aleatorio del sujeto (es decir, intercepción aleatoria). Como los índices se calcularon a partir de la agregación de datos de todos los ensayos, no pudimos incluir el bloque como predictor en estos análisis.

Resultados

Experimento 1

Fase de aprendizaje En la Tabla 2, reportamos la precisión para los diferentes bloques de la fase de aprendizaje. Siete personas tuvieron que repetir una vez uno de los bloques de aprendizaje. Ninguna persona tuvo que repetir el último bloque de aprendizaje, lo que indica un buen aprendizaje. Esto también se muestra por la proporción decreciente de errores de bloque a bloque.

Tarea de memoria de trabajo A continuación, presentamos la precisión en los bloques de la tarea de memoria de trabajo (ver Fig. 3). El rendimiento en las matrices de destino fue mejor que en las matrices aleatorias en la mayoría de los bloques. Además, no observamos un aumento constante del rendimiento en los bloques específicamente en las matrices de destino debido a sus presentaciones repetidas en los bloques, como se esperaría si los participantes continuaran aprendiendo estas matrices durante la tarea de detección de cambios.

Para las matrices aprendidas, los participantes cometieron un 9,5 por ciento de errores en promedio en todos los bloques, mientras que cometieron un 13,7 por ciento de errores en promedio para las matrices aleatorias. Esto equivale a un tamaño de efecto estandarizado de d=−0,50 con un IC amplio del 95 por ciento [−1,05, 0,05]. Los factores de Bayes correspondientes a las comparaciones de modelos para los modelos de regresión logística con y sin efectos específicos se presentan en la Tabla 3. Este análisis solo apoyó el efecto principal del tipo de matriz, lo que significa que los participantes en general mostraron un mejor desempeño en las matrices aprendidas (estimaciones de parámetros correspondientes). se puede encontrar en la tabla 4).

Experimento 2

Fase de aprendizaje En la Tabla 5, reportamos estadísticas descriptivas del desempeño en la fase de aprendizaje. Veintidós participantes tuvieron que repetir al menos una de las fases de aprendizaje, ya que no alcanzaron el criterio ajustado de al menos 20 intentos correctos. El número de repeticiones para la condición de una sonda osciló entre 1 y 6, mientras que el número de repeticiones para la condición de tres sondas osciló entre 1 y 4. Sin embargo, observamos una clara tendencia de mejora en los bloques de aprendizaje, lo que indica un aprendizaje exitoso. . Ningún participante tuvo que repetir los dos últimos bloques de aprendizaje.

Inmediatamente después de la fase de aprendizaje, los participantes tenían que reproducir las matrices previamente aprendidas eligiendo manualmente los colores para cada posición de una matriz. Para completar 18 parches de color en total (seis por matriz objetivo), los participantes tuvieron una media correcta del 67 por ciento (SD=47 por ciento). Esto muestra que los participantes pudieron transferir su conocimiento sobre las matrices objetivo a otro modo de recuperación (desde la detección de cambios hasta la recuperación). Esta tarea de recuperación discreta se repitió después de la prueba de WM. En comparación con la primera tarea de recuperación que siguió directamente a la fase de aprendizaje, el rendimiento de los participantes mejoró. Para esta última tarea de recuperación discreta, el 93 por ciento de los parches de color se reprodujeron correctamente en promedio (SD=44.3 por ciento). Una prueba t bayesiana para muestras pareadas con respecto al número de opciones correctas reveló evidencia débil de un mejor desempeño en la segunda tarea de recuperación discreta en comparación con la primera (BF=3.59). Este resultado muestra que las trazas LTM de las matrices de destino no disminuyeron durante la prueba de WM.

Finalmente, la memoria de los participantes sobre las matrices se evaluó por última vez al final del experimento repitiendo el último bloque de la fase de aprendizaje, donde solo se les presentaron señales de letras en un paradigma de detección de cambios. Respondieron correctamente el 93 por ciento de los 24 intentos, lo que indica un conocimiento muy preciso y accesible de las matrices objetivo.

Tarea de memoria de trabajo En la figura 4, presentamos el rendimiento en los bloques de la tarea de detección de cambios. El rendimiento medio combinado de los tres arreglos fue mejor que el de los arreglos aleatorios en la mayoría de los bloques. En promedio, los participantes cometieron un 17,5 % de errores en las matrices aprendidas, mientras que en promedio cometieron un 23,4 % de errores en las matrices aleatorias. Esto equivale a un tamaño del efecto estandarizado de d=−0,55 con un IC del 95 % [−0,98, −0,11]. En comparación con el tamaño del efecto del Experimento 1, la diferencia media estandarizada en el Experimento 2 es ligeramente mayor. Además, hubo una tendencia a que la ventaja de las matrices de objetivos aumentara entre bloques, asemejándose a un efecto Hebb.

Encuentre los factores de Bayes para las comparaciones de modelos para los modelos de regresión logística en la Tabla 6. Encontramos evidencia decisiva para el efecto principal del tipo de matriz. Hubo evidencia moderada en contra del efecto principal del bloqueo, y en contra de la interacción entre ambos predictores. Así, el modelo final incluía el efecto principal del tipo de matriz y la intercepción aleatoria (es decir, el efecto aleatorio del sujeto), y las estimaciones de los parámetros correspondientes se pueden encontrar en la Tabla 7.

Separando la calidad de la memoria del sesgo de respuesta

En la Tabla 8, presentamos los índices del modelo de medición de detección de cambios antes mencionados para cada experimento, separados por tipo de matriz. Además de las estadísticas descriptivas, informamos los tamaños del efecto correspondientes para cada índice por experimento y los factores de Bayes que reflejan la evidencia del efecto principal del tipo de matriz.

En el Experimento 1, el índice de discriminación de los participantes d' fue mayor en las matrices aprendidas que en las matrices aleatorias; en el Experimento 2, no hubo evidencia para respaldar esa diferencia. Los criterios de respuesta (c) en ambos experimentos fueron comparables e indican un pequeño sesgo hacia el informe de un cambio en los ensayos. Como los criterios de respuesta para ambos experimentos fueron grandes de la misma magnitud, las diferentes proporciones de los mismos para cambiar los ensayos en los dos experimentos tuvieron poco efecto en el comportamiento de los participantes. Encontramos evidencia en ambos experimentos de que los criterios de respuesta se redujeron para las matrices aprendidas, lo que significa que la tendencia a indicar un cambio fue considerablemente menor para las matrices con representaciones LTM.

En cuanto al modelo de medición de umbral alto, la probabilidad de tener el elemento probado en la memoria, Pmem, fue mayor para las matrices aprendidas que para las no aprendidas en ambos experimentos. Del mismo modo, la probabilidad de adivinar (g) para adivinar "cambio" se redujo para las matrices aprendidas en relación con las matrices no aprendidas. Este fue especialmente el caso del Experimento 2, mientras que la evidencia en el Experimento 1 fue ambigua. En conjunto, ambos modelos de medición convergieron en la conclusión de que las matrices aprendidas diferían de las matrices no aprendidas tanto en la calidad de la memoria como en el sesgo. Cuando se tuvo en cuenta el sesgo, el índice d' ya no mostró un efecto creíble de aprendizaje en el Experimento 2. En el Experimento 1, tanto d' como Pmem mostraron un efecto creíble de aprendizaje. Tenga en cuenta que las diferencias observadas en todos los índices del modelo de medición entre experimentos no fueron sustanciales, como lo indican las pruebas t bayesianas para muestras no apareadas (los BF correspondientes oscilaron entre 0,32 y 2,8)

Discusión

Con dos experimentos, investigamos si la información sobre matrices visuales almacenadas en la memoria a largo plazo era útil para el desempeño posterior en una tarea de detección de cambios utilizando estas matrices. Inducimos representaciones de memoria a largo plazo antes de un paradigma de detección de cambios y nos aseguramos de que se aprendiera de manera sólida. Además, las matrices memorizadas se repitieron más en el transcurso de la tarea de memoria de trabajo, lo que permitió un mayor aprendizaje. Si el conocimiento de las matrices objetivo adquiridas en la fase de aprendizaje se utilizó en la prueba de memoria de trabajo, el rendimiento en las matrices aprendidas debería ser mejor que en las matrices aleatorias. Además, si las personas continuaran aprendiendo sobre las matrices de destino a través de su repetición en la prueba de memoria de trabajo, su desempeño en la detección de cambios mejoraría constantemente en el transcurso de las repeticiones de la matriz.

En conjunto, los hallazgos de ambos experimentos mostraron una clara evidencia de la suposición de que las representaciones LTM ya existentes de estímulos visuoespaciales (es decir, matrices de colores) son beneficiosas para el rendimiento de la memoria de trabajo durante un paradigma de detección de cambios. En ambos experimentos, identificamos el efecto principal del tipo de matriz. El rendimiento de la detección de cambios fue mejor en el aprendizaje previo en comparación con los nuevos arreglos, lo que demuestra que la memoria a largo plazo se usa en la detección de cambios. No hubo evidencia de aprendizaje adicional durante la fase de memoria de trabajo en ambos experimentos.

¿Por qué la mayoría de los estudios previos no mostraron evidencia de aprendizaje en las tareas de detección de cambios? Nuestros experimentos descartan una explicación, que es que las personas aprenden las matrices repetidas, pero no usan su conocimiento para tomar decisiones de detección de cambios. Esto deja la alternativa de que las personas no aprendan las matrices repetidas, o al menos no las aprendan lo suficientemente bien. Hay razones para creer que se produce cierto aprendizaje acumulativo de matrices repetidas. Una es que Shimi y Logie (2019) encontraron una mejora gradual en la detección de cambios en 60 o más repeticiones de la misma matriz. La evidencia adicional proviene de los estudios de Olson y Jiang (2004) y Fukuda y Vogel (2019). Aunque ninguno de los dos estudios encontró pruebas claras de que el rendimiento en matrices repetidas durante una tarea de detección de cambios fuera superior en comparación con las matrices aleatorias, los participantes de ambos estudios pudieron identificar las matrices repetidas durante una prueba de reconocimiento de seguimiento en la probabilidad anterior. nivel. Esto significa que al menos algo de aprendizaje para la información repetida debe haber ocurrido durante los experimentos, pero aparentemente no lo suficiente como para que ese conocimiento sea útil para la detección de cambios.

Esto podría deberse a que, en las pruebas de reconocimiento final de esos estudios anteriores, los participantes tenían que discriminar matrices repetidas de nuevas matrices compuestas aleatoriamente, de las cuales diferían en varios elementos, mientras que las pruebas de cambio de la tarea de detección de cambios diferían de las matrices presentadas. en un solo artículo. Las personas podrían haber adquirido un conocimiento parcial de la matriz repetida, por ejemplo, conocimiento sobre pares o trillizos de colores, lo que es suficiente para discriminarlos de matrices completamente nuevas, pero rara vez ayuda a detectar un solo cambio. Otra posibilidad es que el conocimiento adquirido sobre matrices repetidas sea débil, por lo que su recuperación sea lenta. En la prueba de detección de cambios, podría haber una carrera entre la recuperación de la matriz recién presentada de WM y la recuperación de un seguimiento coincidente de LTM. Si la recuperación de LTM es mucho más lenta que la recuperación de WM, rara vez ganaría la carrera. Por el contrario, en la prueba de reconocimiento final, solo está disponible LTM y, por lo tanto, es probable que las personas se tomen su tiempo para recuperarlo y usarlo. De cualquier manera, las representaciones LTM que se construyen gradualmente a partir de matrices repetidas durante la detección de cambios se acumulan muy lentamente (mucho más lento que en los experimentos de repetición típicos de Hebb) y, por lo tanto, no benefician el rendimiento de detección de cambios a menos que el número de repeticiones supere las 50. En contraste , el conocimiento adquirido en una fase de aprendizaje separada, como en nuestros experimentos, es lo suficientemente fuerte como para ser útil en la detección de cambios desde el principio.

La baja tasa de aprendizaje contrasta con el aprendizaje bastante rápido observado en el paradigma de repetición de Hebb con otros tipos de materiales (ítems verbales, ubicaciones espaciales, rostros) y otros procedimientos de prueba (es decir, recuerdo en serie o reconstrucción). Por lo tanto, mantener un conjunto de elementos en WM no es suficiente para fomentar un aprendizaje rápido. Algo más sobre la información que se va a aprender, o el procedimiento de prueba de WM, debe influir en la tasa de aprendizaje. Una posibilidad planteada por Logie et al. (2009) es que en la detección de cambios, las sondas de cambio interfieren con la representación de la memoria a largo plazo de matrices repetidas, lo que ralentiza el aprendizaje. Otra posibilidad es sugerida por una serie de experimentos aún no publicados de Souza y Oberauer (2021): el aprendizaje robusto de matrices visuales de Hebb se observó solo si todos los elementos de la matriz se probaron en cada prueba. Podría ser que LTM se construya principalmente cuando recuperamos información de WM o LTM (Sutterer & Awh, 2016) y, por lo tanto, el aprendizaje durante la detección de cambios es lento, porque cada prueba implica solo una prueba.

Conclusión

Cuando se dispone de un conocimiento sólido y completo sobre matrices visuales en LTM, se utiliza en una tarea de detección de cambios. La ausencia de un efecto de repetición típico de Hebb con arreglos visuales (Fukuda & Vogel, 2019; Logie et al., 2009; Olson & Jiang, 2004) se explica mejor porque las personas no logran aprender los arreglos completos con suficiente fuerza en un número limitado de repeticiones. .