pour plus d’information:ali.ma@wecistanche.com

Pls cliquez ici pour la partie 1

Cliquez pourcistanche tubulosa avantages et effets secondaires pour la mémoire

Test du modèle Dans cette étude, la différence moyenne entre les conditions sémantiquement liées et non liées selon un critère strict de rappel en série était de 0,107. Cette valeur a été utilisée pour estimer λ dans le modèle. Comme on peut le voir à la Fig. 2, le modèle reproduit l’impact de la dimension de parenté sémantique sur les performances globales de rappel. Dans le même temps, la parenté sémantique dans le modèle améliore également les performances de rappel d’ordre (M = 0,841 et M = 0,729 dans les conditions liées et non liées, respectivement). Cela n’est pas observé dans les données empiriques. Au lieu de cela, la performance du rappel d’ordre chez les sujets humains reste relativement inchangée (M = 0,782 et M = 0,812 dans les conditions connexes et non liées, respectivement). L’effet sémantique trouvé dans les simulations (voir Fig. 3) est une conséquence logique du modèle. Comme la performance de rappel de commande est déterminée par le niveau d’activation à long termemémoire, une activation accrue conduit à une meilleure discriminabilité entre les articles et, par conséquent, à des performances plus élevées en matière de rappel des commandes.

Ensemble de données no 2 : Kowialiewski, Lemaire et Portrat (2021)

Données Il a été récemment démontré (Kowialiewski et al., 2021) que la présence de liens sémantiques dans une liste à retenir libère des ressources WM, comme observé précédemment à l’aide de morceaux (Portrat, Guida, Phénix et Lemaire, 2016; Thalmann, Souza et Oberauer, 2019). Dans cette étude, la parenté sémantique a été manipulée en présentant des triplets d’éléments sémantiquement liés soit au début (T1) soit à la fin (T2) d’une liste de six éléments à retenir. Ces conditions ont été comparées à des listes d’éléments non liés (NT). Les triplets sémantiquement liés ont amélioré de manière proactive les performances de rappel pour les éléments suivants, non liés, par rapport aux mêmes éléments non précédés d’un triplet associé. Cependant, le triplet sémantiquement lié n’a pas eu d’incidence rétroactive sur les performances de rappel. Comme nous le verrons, la condition T2 est un test critique du modèle.

Essai du modèle La différence moyenne entre les conditions T1 et NT sur les positions 1, 2 et 3 était de 0,122. Cette valeur a été utilisée pour estimer λ dans le modèle. Sans modifier aucun des

Fig. 2 Rappel des performances sur une position série pour les données empiriques (panneau de gauche) et le modèle (panneau de droite) dans l’étude Kowialiewski et Majerus (2020). Les conditions expérimentales impliquaient la présentation d’éléments sémantiquement apparentés (ligne verte) ou non apparentés (ligne mauve)

Fig. 3 Performance du rappel d’ordre en fonction de la condition sémantique des données empiriques (panneau de gauche) et du modèle (panneau de droite) dans l’étude de Kowialiewski et Majerus (2020)

paramètres de base, le modèle prédit l’avantage de rappel observé sur le triplet sémantiquement lié dans la condition T1 (Fig. 4). Cependant, le modèle ne prédit pas l’impact proactif de la parenté sémantique sur les éléments non liés suivants. Ce dernier résultat, nous pensons, n’est pas critique. Des effets proactifs pourraient émerger en modélisant les mécanismes de maintenance de manière fine (Portrat et al., 2016) ou en incluant un mécanisme à ressources limitées (Popov & Reder, 2020), ce qui dépasse la portée de la présente étude. Le résultat critique de ces simulations est de montrer que les triplets sémantiquement liés ont un impact délétère rétroactif sur les performances de rappel : lorsque le triplet sémantiquement lié se produit à la fin de la liste (T2), les performances de rappel du troisième élément sont pires que dans l’état neutre. Il s’agit d’une conséquence directe de la modification du modèle d’activation dans le modèle : étant donné que les éléments connexes dans les positions 4, 5 et 6 sont plus activés que les autres éléments, ils sont également plus susceptibles d’être rappelés vers des positions de série antérieures. Dans ce cas, les points 3 et 4 sont les plus susceptibles d’être transposés par erreur en raison de leur niveau d’activation similaire. Cette tendance est absente des données empiriques. Au lieu de cela, une absence d’impact rétroactif est observée.

Ensemble de données no 3 : Poirier et coll. (2015)

Data Poirier et al. (2015) ont observé que la manipulation de la parenté sémantique a changé la façon dont les éléments sont transposés. Dans l’expérience 1, ils ont présenté des éléments dont les trois premiers étaient sémantiquement liés. La manipulation concernait le cinquième élément qui était également lié à la condition expérimentale, comme décrit dans l’introduction. De manière critique, le cinquième élément a été plus souvent transposé vers la position 3 dans la condition expérimentale que dans la condition de contrôle.

Test du modèle Ces données ne contiennent pas de condition non sémantique qui empêche l’estimation des paramètres de base du modèle. Nous avons donc réutilisé les paramètres estimés à partir du deuxième ensemble de données (voir ci-dessus). La figure 5 affiche les résultats. L’existence d’une relation sémantique dans la condition de contrôle (c’est-à-dire que les trois premiers éléments étant sémantiquement liés) produit de bons modèles de performance en matière de rappel. Cependant, une fois que le cinquième élément est sémantiquement lié au triplet, une forte baisse de performance est observée sur les positions 4 et 5.

Cette baisse de performance par rapport aux positions 4 et 5 dans la condition expérimentale s’explique par le schéma de série

Fig. 4 Rappel des performances sur une position série pour les données empiriques (panneau de gauche) et le modèle (panneau de droite) dans l’étude Kowialiewski, Lemaire et Portrat (2021). Les manipulations expérimentales impliquaient la présence de triplets de mots sémantiquement liés au début (T1) ou à la fin (T2) de la liste et comparaient cela à une condition sémantiquement non liée (NT)

Fig. 5 Rappel des performances sur une position série pour les données empiriques (panneau de gauche) et le modèle (panneau de droite). Chaque ligne représente les deux conditions expérimentales manipulées à l’origine par Poirier et al. (2015)

erreurs de commande, illustrées à la Fig. 6. De manière critique, la grande majorité des erreurs d’ordre en série dans la condition expérimentale se sont produites en position 4. Ceci est contraire aux données empiriques où ces transpositions ont tendance à augmenter au-delà de la position 3. Ce phénomène est une propriété essentielle du modèle : les erreurs d’ordre série sont limitées par le modèle d’activation à long termemémoire. L’augmentation du niveau d’activation d’un élément entraîne une augmentation automatique et obligatoire des erreurs de transposition vers l’élément directement précédent.

On peut soutenir que ces résultats ne reflètent que la propriété du modèle uniquement pour l’ensemble spécifique de paramètres que nous avons trouvés à l’aide de l’algorithme de recuit simulé. Au lieu de cela, il pourrait y avoir certaines configurations de paramètres qui pourraient reproduire les résultats observés par Poirier et al. (2015). Nous avons exploré cette possibilité en testant le modèle sur un large échantillon de paramètres. Comme indiqué à l’annexe A, le modèle ne parvient toujours pas à prédire l’augmentation des erreurs de transposition par rapport à la position 3 et l’absence d’erreurs de transposition accrues par rapport à la position 4.

Discussion

Cette étude a utilisé une approche de modélisation informatique pour étudier l’hypothèse selon laquelle la maintenance des ordres en série résulte de modèles d’activation à long termemémoire. Le modèle a capturé avec succès l’impact global de l’effet de parenté sémantique sur les performances WM. Cependant, il n’a pas réussi à prédire l’influence spécifique de la parenté sémantique sur le traitement des informations de commande en série. Le modèle n’a pas réussi à prédire l’absence d’effets de parenté sémantique sur les performances de rappel de commande, et a plutôt prédit de meilleures performances de rappel de commande pour les éléments sémantiquement liés. En outre, alors que les participants humains ont tendance à se souvenir à tort d’un élément à la position de ses voisins sémantiques, le modèle informatique a produit des erreurs de transposition impliquant des migrations vers des éléments non liés. Le problème réside dans l’absence de dissociation de l’architecture entre les informations d’ordre série et l’activation à long termemémoire. La simulation de l’ensemble de données #1 a montré que

Fig. 6 Taux de transposition de l’élément 5 sur une position sérielle pour les données empiriques (panneau de gauche) et le modèle (panneau de droite)

l’augmentation du niveau d’activation des éléments a conduit à une meilleuremémoirepour des informations de commande, contrairement à ce que l’on trouve habituellement dans la littérature (Ishiguro & Saito, 2020). Cela s’est produit dans le modèle parce que le niveau d’activation plus élevé protège les éléments contre l’effet délétère de la désintégration se produisant au rappel, la désintégration suivant une fonction de désintégration exponentielle telle qu’implémentée dans de nombreuses architectures de calcul (Burgess et Hitch, 2006; Oberauer et Lewandowsky, 2011; Page et Norris, 1998). En outre, les simulations de l’ensemble de données n° 2 et de l’ensemble de données n° 3 suggèrent que si les erreurs de commande en série sont au moins minimalement limitées par le niveau relatif d’activation d’un élément à long terme.mémoire, alors un impact rétroactif des éléments sémantiquement liés sur le rendement des rappels aurait dû être observé. Au lieu de cela, les preuves empiriques tirées de la littérature sur la WM convergent vers l’absence d’impact rétroactif des facteurs psycholinguistiques sur la performance des rappels en série (Cowan et coll., 1992; Miller et Roodenrys, 2012; Portrat et coll., 2016; Thalmann et al., 2019), un résultat que notre architecture basée sur l’activation ne peut pas reproduire. Par conséquent, une architecture purement basée sur l’activation semble problématique pour résoudre le problème de l’ordre série dans WM, contrairement à ce qui a été supposé précédemment (Acheson et al., 2011; Martin et Saffran, 1997; Poirier et coll., 2015).

Plus généralement, la maintenance des informations de commande série via un gradient de primauté à long termemémoireest problématique pour plusieurs raisons. Tout d’abord, il n’est pas clair comment le modèle effectuerait des tâches simples, telles que la répétition / rafraîchissement (Barrouillet, Bernardin et Camos, 2004). En effet, la sélection des éléments s’effectue en choisissant les informations les plus activées. Le modèle serait continuellement bloqué sur l’élément le plus activé, qui dans la plupart des situations est le premier. Au lieu de cela, les participants peuvent répéter plusieurs éléments, et cumulativement (Tan & Ward, 2008). Le modèle de primauté original suppose que la répétition est exécutée dans une boucle phonologique (Page & Norris, 1998), mais cela ne résout pas le problème de l’ordre sériel en premier lieu. Deuxièmement, et comme l’a mentionné Norris (2017), un modèle purement basé sur l’activation ne serait jamais en mesure de rappeler un élément deux fois (par exemple, rappeler « 9-2-5-4-9-7 »). Cette tâche nécessite des représentations temporaires à long termemémoire. Notez que cette étude n’exclut pas le modèle Primacy lui-même en tant que mécanisme général par lequel les informations d’ordre série pourraient être codées en dehors du long terme.mémoire, tel que postulé par le modèle original de Page et Norris (1998). La présente étude exclut simplement un gradient de primauté de l’activation de l’ac- dans la mémoire à long terme en tant que mécanisme exclusif pour maintenir les informations d’ordre série.

Comment la commande en série est-elle représentée ?

De nombreux modèles théoriques de WM postulent l’indépendance entre la nature des codes de représentation impliqués dans la maintenance des informations de commande en série et ceux impliqués dans les informations sur les articles. Cette indépendance relative est explicitement résumée par les modèles positionnels de WM (Burgess & Hitch, 2006; Oberauer et coll., 2012; Oberauer et Lewandowsky, 2011). De manière critique, ces modèles doivent également prendre en compte les interactions potentielles entre les codes de commande d’article et de série, mais ces interactions ne sont pas encore bien comprises. Jefferies et coll. (2006) ont démontré une tendance des phonèmes à migrer entre les non-mots, au niveau de la structure syllabique (p. ex., rappeler « dug-fal » au lieu de « dag-full »). De même, le schéma des erreurs de transposition observé par Poirier et al. (2015) pourrait s’expliquer en supposant que WM code également des caractéristiques sémantiques. Parce que les éléments sémantiquement liés partagent des caractéristiques sémantiques qui se chevauchent et/ou sont également plus similaires (Dell, Schwartz, Martin, Saffran et Gagnon, 1997; Ishiguro & Saito, 2020), des erreurs de transposition entre des éléments sémantiquement liés provenant de positions plus éloignées pourraient théoriquement se produire au moment de la récupération. Alternativement, dès que les participants détectent la présence d’un triplet sémantiquement apparenté, ils peuvent découper l’information et maintenir une représentation sémantique unique (par exemple, « nature » au lieu de « feuille-arbre-branche »). Lors du rappel, en raison de la décompression du morceau sémantique, l’ordre arbitraire des éléments eux-mêmes peut être perdu (Kowialiewski & Majerus, 2020), conduisant au rappel erroné d’un mot connexe3.

Cette étude ne parvient pas à soutenir l’idée que l’information d’ordre en série est maintenue via l’activation relative à l’élément dans le système linguistique. Dans le même temps, cette étude n’écarte pas la possibilité que le maintien de l’ordre en série puisse être complètement limité par les régularités statistiques apprises de l’exposition linguistique (Schwering & MacDonald, 2020). Selon ce récit, le système linguistique possède ses mécanismes de maintenance des ordres en série. Ceci est, pour ainsi dire, étayé par des études montrant que les régularités statistiques dérivées des corpus linguistiques peuvent prédire les performances de rappel en série dans les tâches WM verbales (Jones & Macken, 2015, 2018). De manière critique, la plausibilité d’un mécanisme de maintenance d’ordre série purement basé sur le langage a été démontrée à l’aide d’un réseau neuronal récurrent (Botvinick & Plaut, 2006), dont le comportement émergent est façonné par l’ajustement des poids des connexions à l’aide de règles d’apprentissage simples. Au niveau conceptuel, c’est radicalement différent de l’architecture basée sur l’activation que nous avons construite, qui est basée sur l’activation relative à l’élément à long terme.mémoire.

Conclusion

Cette étude a examiné l’éventail des mécanismes plausibles impliqués dans la conservation temporaire des informations de commande en série. Grâce à une approche de modélisation computationnelle, nous avons démontré que la maintenance des informations d’ordre série via un gradient de primauté d’activation à long termemémoireest invraisemblable. Il reste à établir formellement si l’ordre série est codé via des mécanismes d’ordre série indépendants ou directement par les régularités statistiques qui se produisent dans le traitement du langage ou les deux.

Annexe A

Dans cette analyse, nous avons effectué une recherche en grille sur 16 807 points de l’espace des paramètres de notre modèle avec λ = 0. La plage de paramètres explorée est affichée dans le tableau A1. Nous avons sélectionné la combinaison de paramètres (N = 13 103) qui a réussi à reproduire un effet de primauté sur la performance du rappel à la fois sur les critères stricts de rappel en série et de rappel d’article. L’effet de récence n’a pas été pris en compte pour s’assurer que l’analyse couvrait un large éventail de points dans l’espace des paramètres.

Ensuite, nous avons effectué une nouvelle recherche de grille sur cette combinaison de paramètres en modulant λ (4 valeurs) sur chacun d’eux, à la fois sur le contrôle et les conditions expérimentales de l’expérience 1 de Poirier et al. (2015). Chaque ensemble de paramètres a été estimé à l’aide de 10 000 simulations. Nous avons ensuite calculé le nombre d’erreurs de transposition (corrigées du nombre total de fois que la cible avait été rappelée) du cinquième élément qui s’est produite aux positions 3 et 4 dans chacune de ces conditions expérimentales. Pour qu’un résultat soit valide, nous avons estimé qu’il devrait y avoir au moins une augmentation des erreurs de transposition dans la condition expérimentale par rapport à la position 3 supérieure à une augmentation potentielle de la transposition par rapport à la position 4. Nous avons compté le nombre de fois que ces versions du modèle correspondaient à ce critère. Il n’y en avait pas.

Financement du libre accès fourni par l’Universität Zürich. Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International License, qui permet l’utilisation, le partage, l’adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous donniez le crédit approprié à l’auteur original et à la source, fournissiez un lien vers la licence Creative Commons et indiquiez si des modifications ont été apportées. Les images ou autres éléments de tiers contenus dans cet article sont inclus dans la licence Creative Commons de l’article, sauf indication contraire dans une ligne de crédit du matériel. Si le matériel n’est pas inclus dans la licence Creative Commons de l’article et que votre utilisation prévue n’est pas autorisée par la réglementation légale ou dépasse l’utilisation autorisée, vous devrez obtenir l’autorisation directement du détenteur des droits d’auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.