para más información:ali.ma@wecistanche.com

por favor haga clic aquí para la Parte 2

Benjamin Kowialiewski1,2,3 & Benoît Lemaire2 & Steve Majerus2,4 & Sophie Portrat4

Aceptado: 12 de febrero de 2021 / Publicado en línea: 25 de marzo de 2021

# El(los) Autor(es) 2021

Hacer clicCistanche UK para la memoria

Resumen

El mantenimiento de la información de pedidos en serie es un componente central del trabajo.memoria(WM). Muchos modelos teóricos asumen la existencia de mecanismos específicos de orden en serie. Estos se consideran independientes del sistema lingüístico que respalda el mantenimiento de la información del artículo. Esto se basa en estudios que muestran que los factores psicolingüísticos afectan fuertemente la capacidad de mantener la información de los ítems mientras que el orden para recordar no se ve afectado. Sin embargo, relatos recientes basados ​​en el lenguaje sugieren que el sistema lingüístico podría proporcionar mecanismos suficientes para el mantenimiento del orden en serie. Una versión fuerte de estas explicaciones postula que el mantenimiento del orden en serie emerge del patrón de activación que ocurre en el sistema lingüístico. En el presente estudio, probamos esta suposición a través de un enfoque de modelado computacional mediante la implementación de una arquitectura puramente basada en activación. Probamos esta arquitectura con varios experimentos que implicaban la manipulación de la relación semántica, una variable psicolingüística que se ha demostrado que interactúa con el procesamiento de pedidos en serie de manera compleja. Mostramos que esta arquitectura basada en la activación lucha por dar cuenta de las interacciones entre el conocimiento semántico y el procesamiento de pedidos en serie. Este estudio no apoya la activación a largo plazomemoriacomo mecanismo exclusivo de apoyo al mantenimiento de pedidos en serie.

Palabras clave: Trabajarmemoria. Orden de serie. Modelado computacional. Conocimiento semántico

Introducción

La capacidad de mantener información de pedidos en serie es un componente central del trabajo verbal.memoria(WM). Se ha considerado que los mecanismos involucrados en el mantenimiento del orden en serie (es decir, el orden secuencial de los elementos a recordar) son independientes de los involucrados en el mantenimiento de la información del elemento (es decir, el contenido lingüístico de los elementos a recordar). elementos). Esta suposición es apoyada por diferentes líneas de investigación. Los estudios que examinan el impacto de los factores psicolingüísticos, como la lexicalidad, en el desempeño verbal de WM, generalmente observan efectos en el recuerdo de elementos, con efectos mínimos en el recuerdo de órdenes en serie (Allen & Hulme, 2006; Hulme, 2003;

Departamento de Psicología, Universidad de Zúrich, Binzmühlestrasse 14, 8050, Zúrich, Suiza

Universidad de Lieja, Lieja, Bélgica

Laboratoire de Psychologie et NeuroCognition (LPNC), Université Grenoble Alpes, Bâtiment Michel Dubois anterior. BSHM, 1251 Avenue Centrale, 38400 Saint-Martin-d'Hères, Francia

Fondo para la Investigación Científica – FRS-FNRS, Bruselas, Bélgica

Romani, Mcalpine y Martín, 2008; Roodenrys, Hulme, Lethbridge, Hinton y Nimmo, 2002; Saint-Aubin & Ouellette, 2005; Walker y Hulme, 1999). Además, el rendimiento del recuerdo de órdenes en serie se ve más afectado por las tareas de interferencia rítmica y articulatoria que el mantenimiento de la información de los elementos (Gorin, Kowialiewski y Majerus, 2016; Henson, Hartley, Burgess, Hitch y Flude, 2003). Estudios neuropsicológicos también han informado de la existencia de dobles disociaciones entre el orden en serie y el rendimiento de recuperación de elementos en varios pacientes con lesiones cerebrales y poblaciones afectadas por trastornos del neurodesarrollo (Brock & Jarrold, 2005; Majerus, Attout, Artielle, & Kaa, 2015; Martinez Perez , Poncelet, Salmon y Majerus, 2015). Finalmente, el mantenimiento de la información de artículos y orden de serie está respaldado por diferentes sustratos neuronales, según lo informado por estudios de neuroestimulación y neuroimagen (Attout, Fias, Salmon, & Majerus, 2014; Guidali, Pisoni, Bolognini, & Papagno, 2019; Kalm & Norris , 2014; Majerus et al., 2010; Papagno et al., 2017).

Al mismo tiempo, otros estudios sugieren que el recuerdo del orden en serie también puede interactuar con el conocimiento lingüístico. Aunque el conocimiento léxico mejora considerablemente el recuerdo de la información de los ítems, también restringe los errores de migración de fonemas dentro y entre los ítems (Jefferies, Frankish y Lambon Ralph, 2006). Del mismo modo, las no palabras, incluso si se recuerdan peor en comparación con las palabras a nivel de ítem, pueden mostrar una ventaja relativa con respecto al recuerdo de orden en serie (Fallon, Mak, Tehan y Daly, 2005; Kowialiewski y Majerus, 2018; Saint-Aubin y Poirier , 1999). Recientemente, Kalm y Norris (2014) demostraron que el orden en serie de las no palabras podría decodificarse sobre la base de patrones neuronales provocados dentro de las vías dorsales del lenguaje que respaldan la codificación y el mantenimiento de la información verbal. Del mismo modo, Papagno et al. (2017) demostraron que el rendimiento del recuerdo de pedidos en serie disminuye, en comparación con el rendimiento del recuerdo de elementos, cuando se estimula la parte posterior de la vía dorsal del lenguaje mediante estimulación eléctrica directa en pacientes neuroquirúrgicos.

A nivel teórico, se ha afirmado que el mantenimiento temporal de la información del pedido en serie se podría realizar sin necesidad de un artículo específico y niveles de representación del pedido en serie (Acheson & MacDonald, 2009; Jones & Macken, 2018; Schwering & MacDonald, 2020). ). Una versión fuerte de tal explicación considera que la información del orden serial se mantiene exclusivamente a través del patrón de activaciones que ocurren dentro del sistema lingüístico (Acheson, MacDonald y Postle, 2011; Martin y Saffran, 1997; Poirier, Saint-Aubin, Mair, Tehan , & Tolán, 2015). Por ejemplo, según Martin & Saffran (1997, p. 672):

"En principio, los procesos de activación interactivos también podrían desempeñar un papel en el mantenimiento del orden en serie. El nodo de palabras que representa la primera palabra en una secuencia se prepara primero y, por lo tanto, tiene más tiempo para obtener apoyo de las representaciones fonológicas y semánticas activadas en comparación con los nodos que están preparados. más tarde en una secuencia. Por lo tanto, los nodos de palabras deberían mostrar un gradiente de niveles de activación a través de las posiciones seriales. [... ] Los efectos de actualidad en el recuerdo supraspan reflejan el mayor apoyo fonológico que se debe al hecho de que en el momento del recuerdo, los niveles de activación de los elementos terminales se han visto menos afectados por la función de descomposición inherente al modelo de activación".

Cistanche puede mejorar la memoria

Asimismo, Acheson et al. (2011, pp. 45–46) sugirieron que los errores de ordenamiento en serie podrían ocurrir directamente a través del nivel relativo de activación de un artículo en una red de lenguaje:

"Estos marcos de activación interactivos brindan una posible explicación de cómo la representación semántica podría influir en el orden de los planes de expresión a nivel léxico. Cuando alguien escucha una palabra o una secuencia de palabras, la activación de esa entrada simultáneamente alimenta las representaciones fonológicas y retroalimenta a representaciones semánticas también. Después de la codificación inicial, la activación léxica está determinada por la interacción repetida con las representaciones semánticas y fonológicas. Los errores de ordenación en serie ocurren cuando los niveles relativos de activación de los elementos léxicos cambian debido a esta interacción".

Con base en esta idea, Poirier et al. (2015) desarrollaron una descripción más elaborada de tales modelos, denominada cuenta ANet. De acuerdo con este relato, los elementos en una lista para ser recordada se codifican secuencialmente en el largo plazo lingüístico.memoriasistema con fuerza decreciente siguiendo un gradiente de activación, 1 como se muestra en la Fig. 1. La información de orden en serie se mantiene a través de este gradiente de activación. La recuperación en serie se realiza seleccionando el elemento activado con más fuerza en cada intento de recuperación. Debido a que el mecanismo de selección es ruidoso, eventualmente ocurren errores de orden en serie. Una predicción importante de este modelo es que la modificación del nivel de activación de un elemento dentro del sistema lingüístico también debería afectar el patrón de errores de ordenamiento en serie en WM (Achesonetal., 2011).

La evidencia reciente parece apoyar esta posición teórica. Poirier et al. (2015) manipularon la relación semántica al presentar tripletes de elementos relacionados semánticamente en la primera mitad de las listas para recordar. Los elementos subsiguientes de las listas no estaban semánticamente relacionados en la condición de control (por ejemplo, oficial–insignia–sirena–música–turista–amarillo). En la condición experimental, el quinto ítem se relacionó semánticamente con la tripleta de la primera mitad de la lista. En comparación con la condición de control, los autores observaron un aumento de los errores de migración del quinto elemento hacia posiciones seriales anteriores, es decir, hacia los tripletes de palabras relacionados semánticamente. ), este objetivo debería tener un nivel de activación más alto en la condición experimental (Fig. 1c) en comparación con la condición de control (Fig. 1b). Dado que la recuperación de la información de pedidos en serie se realiza seleccionando el artículo más activado, un gradiente de activación en el largo plazomemoriateóricamente podría predecir más migraciones del objetivo semánticamente relacionado hacia posiciones seriales anteriores. Como tal, la manipulación de la relación semántica es una prueba crítica y directa de los modelos basados ​​en la activación, porque se supone que modifica el patrón relativo de activación que ocurre dentro del sistema lingüístico. Esta activación relativa, a su vez, debería afectar el procesamiento de la información de pedidos en serie (Acheson et al., 2011), que los datos de Poirier y colegas parecen respaldar. De hecho, esta fue una predicción central de su cuenta ANet:

"En el Experimento 1, manipulamos el nivel de activación de un elemento objetivo para probar la predicción de que esto aumentaría los errores de pedido para ese elemento, lo que hace probable que el mecanismo CQ [Cola competitiva] seleccione este elemento antes debido a su mayor activación; esto la selección temprana significaría que la activación afectó el orden en que se retiraron los artículos". (Poirier et al., 2015, pág. 492).

Fig. 1 Ilustración del gradiente de activación (a) en una condición sin relación semántica, (b) en una condición en la que los elementos A, B y C están relacionados semánticamente, y (c) en una condición en la que los elementos A, B, C y E están relacionados semánticamente. Los elementos relacionados semánticamente están marcados con un asterisco. Como puede verse, la presencia de la relación semántica aumenta el nivel de activación del elemento para los elementos relacionados.

Dado que esta explicación teórica contrasta notablemente con la mayoría de los modelos computacionales de WM que postulan distintos niveles de procesamiento de pedidos en serie y artículos, el objetivo del presente estudio fue probar la plausibilidad computacional de una explicación lingüística puramente basada en la activación para representar el orden en serie. información en un contexto WM. De hecho, la mayoría de los modelos computacionales de WM asumen explícitamente la existencia de mecanismos de orden en serie que son distintos de los involucrados en la información del artículo. Este es el caso, por ejemplo, de las arquitecturas TBRS* y SOB-CS (Oberauer & Lewandowsky, 2011; Oberauer, Lewandowsky, Farrell, Jarrold, & Greaves, 2012), pero también de los modelos computacionales de Burgess y Hitch (1999, 2006). y Brown, Hulme y Preece (2000). Este tipo de arquitecturas consideran que la información del orden serial se mantiene mediante la creación de asociaciones artículo-posición, siendo las posiciones representadas por mecanismos de representación específicos. Estos modelos, aunque difieren mucho en la naturaleza de las representaciones de la posición en serie, reproducen de forma fiable importantes fenómenos de orden en serie, incluidos los efectos de primacía y actualidad y los patrones de error de transposición.

que es un factor psicolingüístico crítico para probar la plausibilidad de una arquitectura puramente basada en la activación. Para resumir la arquitectura computacional, primero asumimos que la información de orden en serie se mantiene a través de un gradiente de activación de Primacía en el largo plazo.memoria(Martin & Saffran, 1997; Page & Norris, 1998; Poirier et al., 2015). Luego adaptamos esta arquitectura agregando conexiones excitatorias laterales para modelar los efectos semánticos.

Cistanche puede mejorar la memoria

Modelado computacional

Arquitectura

La arquitectura que utilizamos es un modelo conexionista compuesto por una sola capa. Cuando se codifica, un elemento se vuelve activo. Se supone que esta activación ocurre directamente en la base de conocimiento de la memoria a largo plazo. Los elementos relacionados semánticamente se conectan a través de conexiones excitatorias bidireccionales directas, cuya plausibilidad para modelar efectos semánticos en WM ya ha sido demostrada en tres modelos independientes (Haarmann & Usher, 2001; Kowialiewski & Majerus, 2020; Kowialiewski, Portrat, & Lemaire , 2021). Los elementos se activan sucesivamente con fuerza decreciente utilizando un gradiente de activación. Cada elemento codificado propaga automáticamente la activación hacia los demás elementos relacionados semánticamente. La recuperación se realiza recuperando sucesivamente cada elemento según su valor de activación. Para simplificar, usamos la última implementación del modelo Primacy, que fue puesto a disposición por Norris, Kalm y Hall (2020). Nuestra implementación de Julia de la arquitectura que proponemos está disponible gratuitamente en Open Science Framework (OSF): https://osf.io/9e4hu/.

Codificación En el modelo Primacy original, la codificación sigue un gradiente de activación, que denotamos V. Esto se define por un valor máximo, y un valor de paso, . El valor es un parámetro libre y representa el valor inicial con el que está asociado el primer elemento. El valor representa la cantidad de agotamiento del valor en cada etapa de codificación. Este parámetro se fija en 1. Por ejemplo, dado un valor de 20, el gradiente de activación es [20, 19, 18, 17, 16, 15] para una lista de seis elementos. Tenga en cuenta que el ensayo nunca se modela explícitamente en el modelo Primacy. Esto incluye la última implementación de Norris y sus colegas. La activación dentro del modelo se deriva simplemente de lo que se esperaría si teóricamente se produjera el ensayo.

Difundir la activación Durante la codificación, la activación se propaga hacia los nodos relacionados semánticamente. Esto se modela incluyendo conexiones excitatorias bidireccionales. La fuerza de estas conexiones es un parámetro libre, λ. En cada etapa de codificación, los elementos se activan utilizando el gradiente de activación V. La activación luego se propaga bidireccionalmente dentro de la red:

donde Ai representa el valor final de activación asociado al ítem i, y Aj es la activación proveniente de cada ítem semánticamente relacionado, j, escalado por el peso de conexión, λ. El subíndice t representa la marca de tiempo.

Es importante señalar que no pretendemos representar explícitamente el conocimiento semántico. Lo que pretendemos representar a través de este principio de activación de difusión es el hecho de que elementos relacionados semánticamente se reactivan entre sí. A su vez, se supone que esta reactivación modifica la activación relativa del ítem y, por lo tanto, el patrón de errores de orden en serie (Acheson et al., 2011). En otras palabras, modificar el nivel relativo de activación de los elementos en la red semántica también cambia la representación interna del modelo de su orden serial.

Recuperar Una vez que se han codificado todos los elementos, el modelo tiene que recuperar los elementos. Esto se hace utilizando un mecanismo de cola competitivo.2 El retiro es un proceso de dos pasos.

2 Poirier y sus colegas sugirieron que el mecanismo de cola competitiva se modela utilizando un modelo acumulador, siguiendo a Hurlstone y Hitch (2015). Implementamos un mecanismo de cola tan competitivo basado en los principios del acumulador (disponible en OSF). Esto no proporcionó ninguna mejora del modelo en absoluto, con la excepción de que el modelo del acumulador brinda la oportunidad adicional de hacer predicciones sobre las latencias de recuperación, lo que está más allá del propósito de este estudio. Por lo tanto, simplemente nos quedamos con la última implementación disponible del modelo Primacy.

En primer lugar, se selecciona un elemento como candidato potencial. Este proceso está sujeto a ruido:

Esto se modela agregando ruido gaussiano aleatorio centrado en cero temporal a la activación de cada elemento, con una desviación estándar de σ, un parámetro libre. A continuación, se selecciona el elemento más activado. La supresión de la respuesta (Duncan y Lewandowsky, 2005) ya se produce en esta etapa, al establecer el elemento recordado en un valor muy bajo (es decir, -999). Esto evita que el modelo recuerde un elemento dos veces. En segundo lugar, el valor de activación del elemento seleccionado se compara con un umbral de omisión. Este umbral se extrae de una distribución gaussiana aleatoria N(θ, σ′), donde θ y σ′ son dos parámetros libres. Si el valor de activación del elemento seleccionado (sin el ruido agregado durante el primer paso) está por encima del umbral de recuperación, el elemento se recupera correctamente. En caso contrario, se produce una omisión. Cabe señalar que esta implementación asume que la supresión de respuesta se aplica siempre durante el primer paso de recuperación, independientemente de que se haya producido una omisión durante el segundo paso. Esta elección de implementación de Norris et al. (2020) es poco probable que sea plausible. Pero a partir de la experiencia que obtuvimos al ejecutar el modelo muchas veces, esta es la única forma en que el modelo Primacy puede producir errores de omisión al modelar curvas de posición en serie realistas. Tenga en cuenta que es posible producir curvas de posición en serie realistas y evitar este problema de implementación sin afectar los supuestos centrales del modelo. Nosotros, sin embargo, preferimos quedarnos con la implementación original por simplicidad. En el momento de cada intento de recuperación sucesivo, todos los artículos se han descompuesto:

donde D es un parámetro libre, que va de 0 a 1. Debido a este parámetro de decaimiento, los elementos recordados más adelante en las listas están más sujetos al ruido, porque los valores de activación convergen hacia una asíntota. Todos los parámetros del modelo se enumeran en la Tabla

1. Método

Conjuntos de datos La validez de este modelo se probó en tres conjuntos de datos diferentes: dos conjuntos de datos (Kowialiewski et al., 2021; Kowialiewski & Majerus, 2020) que incluyen condiciones semánticas y neutrales (es decir, la condición neutral es una condición semánticamente no relacionada ), y los datos de Poirier et al. (2015), que ya describimos en la Introducción. El modelo se basa en varios parámetros que dependen parcialmente de la tarea. Por lo tanto, los parámetros se estimaron de forma independiente para cada conjunto de datos. Primero, los parámetros que no dependen de la relación semántica se estimaron con base en el neutral

condición, con el fin de obtener un modelo de referencia que sería capaz de reproducir el rendimiento estándar de recuperación en serie. En segundo lugar, se utilizó la condición semántica para estimar el parámetro λ, que controla el nivel de relación semántica entre elementos.

Procedimiento general de puntuación Las curvas de posición de serie se trazan utilizando un criterio estricto de recuperación de serie, en el que un elemento se puntúa como correcto solo si se recuerda en la posición de serie correcta. Por ejemplo, dada la secuencia objetivo "Artículo1 - Artículo2 - Artículo3 - Artículo4 - Artículo5 - Artículo6" y la salida de recuperación "Artículo1 - Artículo2 - en blanco - Artículo3 - Artículo4 - Artículo6", solo los Artículos 1, 2 y 6 se calificarían como correcto. Para ajustar los datos experimentales, también utilizamos un criterio de recuerdo de elementos, en el que un elemento se califica como correcto si se recuerda correctamente, independientemente de su posición en serie. En el ejemplo mencionado anteriormente, los ítems 1, 2, 3, 4 y 6 se calificarían como correctos. Para evaluar el impacto general de la relación semántica en el rendimiento de recuperación de órdenes, calculamos una puntuación de recuperación de órdenes para cada condición experimental. Esto se hizo dividiendo el número de veces que los elementos se recuperaron en la posición correcta (es decir, criterio estricto de recuperación en serie) por el número de veces que se recuperaron los artículos, independientemente de su posición en serie (es decir, criterio de recuperación de artículos).

Tasa de transposición El patrón de errores de transposición en Poirier et al. (2015) se trazó el estudio usando tasas de transposición. Calculamos el número de errores de transposición que ocurrieron para el ítem 5 (que está semánticamente relacionado o no con los ítems 1, 2 y 3), y para cada posición hacia la cual podría migrar el ítem 5. Luego dividimos estos números de errores de transposición por el número total de veces que se recordó el elemento 5. Esto se calculó por separado para cada condición experimental.

Estimación de parámetros La estimación de los parámetros básicos del modelo se realizó mediante un algoritmo de recocido simulado

(French & Kus, 2008; Kirkpatrick, Gelatt, & Vecchi, 1983) para encontrar el error cuadrático medio (RMSE) más bajo entre las puntuaciones de recuperación de posición en serie experimentales y simuladas, en ambos casos estrictos. y criterios de recuperación de artículos. Por lo tanto, el RMSE siempre se calculó sobre 12 puntos de datos: seis puntos de datos para el criterio estricto de recuerdo en serie y seis puntos de datos para el criterio de recuerdo de artículos. Los límites inferior y superior de cada parámetro libre se informan en la Tabla 1. La estimación del parámetro semántico λ fue mucho más simple y solo requirió una búsqueda en cuadrícula en [0,0.1] con un paso de 0.0001. Es importante destacar que λ siempre se estimó manteniendo constantes los parámetros básicos del modelo. Luego se utilizó el valor de λ que produjo la diferencia media más pequeña entre la condición neutra y la condición experimental para los datos empíricos. La idea era seleccionar el valor de λ que produce una diferencia entre puntuaciones neutras y experimentales similar a la humana. Esto se puso en práctica minimizando la diferencia entre la diferencia media humana y la diferencia media del modelo. Ahora presentamos los tres conjuntos de datos, así como las simulaciones de estos experimentos correspondientes. En la Tabla 2 se proporciona un resumen de las diferentes condiciones experimentales con ejemplos de listas de estudio.

Evaluación del modelo

Conjunto de datos n.º 1: Kowialiewski y Majerus (2020)

Datos Este conjunto de datos se usó para evaluar la capacidad del modelo para reproducir el impacto general de la relación semántica en el rendimiento de la recuperación en serie y el rendimiento de la recuperación de pedidos. Está bien establecido que la relación semántica mejora considerablemente el rendimiento de recuerdo a nivel de elemento (ver Kowialiewski & Majerus, 2020, para un metanálisis). La relación semántica también tiene un pequeño impacto perjudicial en la capacidad de recordar información de orden en serie, aunque el efecto es sutil (ver también

Ishiguro & Saito, 2020). En consecuencia, esperamos que la arquitectura tenga poco o ningún impacto en el desempeño de la recuperación de pedidos. Utilizamos los datos informados en Kowialiewski y Majerus (2020), donde manipularon la relación semántica en listas de seis elementos en condiciones de interferencia o en tareas de recuerdo en serie inmediato. Sólo se informaron los resultados de la última condición.