분할 및 메모리에 대한 도메인 지식의 영향
Mar 25, 2022
연락하다:joanna.jia@wecistanche.com/ WhatsApp: 008618081934791
Kimberly M. Newberry1 & Daniel P. Feller2 & Heather R. Bailey3
수락: 2020년 11월 12일 / 온라인 게시: 2021년 1월 7일
# 사이코노믹 소사이어티, Inc. 2021
추상적인
많은 연구에 따르면 전문가들은 자신의 전문 분야에서 뛰어난 기억력을 가지고 있습니다. 이 메모리 이점은 청크 및 차별화와 같은 다양한 인코딩 메커니즘의 결과로 제안되었습니다. 메모리와 관련된 또 다른 잠재적인 인코딩 메커니즘은 사람들이 연속적인 정보를 의미 있고 개별적인 단위로 구문 분석하는 프로세스인 이벤트 분할입니다. 이전 연구에서는 세분화가 하향식 처리에 의해 어느 정도 영향을 받는다는 증거를 발견했습니다. 현재까지 전문 지식이 세분화에 미치는 영향을 조사한 연구는 거의 없으며 전문 지식, 세분화 능력 및 기억에 미치는 영향에 대한 질문이 남아 있습니다. 현재 연구의 목표는 농구와 오버워치의 두 가지 영역에 대한 세분화 및 기억 능력에 대한 전문 지식의 영향을 조사하는 것이었습니다. 농구에 대한 지식이 높거나 낮은 참가자와 오버워치에 대한 지식이 낮은 참가자는 동영상을 굵고 미세한 단위로 시청하고 분할한 후 기억력 테스트를 완료했습니다. 세분화 능력과 기억력의 차이는 특히 농구 비디오의 경우 전문가와 제어 초보자 사이에 나타났습니다. 그러나 전문가의 세분화는 지식이 부족한 활동에 대한 기억만 예측했습니다. 전반적으로, 이 연구는 전문가의 우수한 기억력이 분할 능력 때문이 아니라 분할에 대한 개념적 효과를 뒷받침하는 증거를 보여주는 문헌의 증가에 기여함을 시사합니다.
키워드: 도메인 지식. 이벤트 세분화. 메모리. 전문적 지식
도메인 지식(특정 분야에 대한 의미론적 지식)에 대한 수십 년간의 작업을 통해 전문가들은메모리자신의 전문 분야에 대한 정보를 제공합니다. 이것메모리이점은 청킹(Chase & Simon, 1973), 차별화 및 단위화(Herzmann & Curran, 2011)를 포함한 다양한 인코딩 메커니즘에 의해 설명되었습니다. 최근에 또 다른 인코딩 메커니즘이 영향을 미치는 것으로 나타났습니다.메모리이벤트 정보: 이벤트 세분화(Bailey et al., 2013; Flores, Bailey, Eisenberg, & Zacks, 2017; Newberry &
베일리, 2019년; Sargent et al., 2013; Zacks, Speer, Vettel, & Jacoby, 2006).
이벤트 분할은 사람들이 연속적인 이벤트 정보를 의미 있고 개별적인 단위로 구문 분석하는 인코딩 메커니즘입니다(예: Zacks, Speer, Swallow, Braver, & Reynolds, 2007). 사람들이 이벤트를 분류하는 방법은 이벤트를 인식, 이해 및 기억하는 방법에 영향을 미칩니다(검토를 위해 Radvansky & Zacks, 2014 참조). 이 과정은 지각적 요인과 개념적 요인 모두에 의해 영향을 받을 수 있으며, 이는 사전 지식이 누군가가 사건을 인식하고 분할하는 방식에 영향을 미칠 수 있음을 시사하며, 이는 차례로 영향을 미칠 수 있습니다.메모리. 일부 연구에서는 도메인 지식이
이 원고에 실린 데이터는 2018년 11월 제59차 Psychonomic Society 연례회의와 2019년 4월 Midwestern Psychological Association의 제91회 연례회의에서 모두 발표되었습니다.
* 킴벌리 M. 뉴베리 knewberr@su.edu
1 심리학과, Shenandoah University, 600 Millwood Ave., Halpin Harrison Hall 117, Winchester, VA 22601, USA
2 미국 조지아주 애틀랜타 조지아주립대학교 학습과학부
3 미국 캔자스주 맨해튼 캔자스주립대학교 심리학과
세분화에 영향을 미침(예: 전문가가 더 적은 경계를 식별함: Bläsing, 2015; 전문가들은 거친 경계에 대해 더 동의함: Levine, Hirsh-Pasek, Pace, & Michnick Golinkoff, 2017; Zacks & Tversky, 2003), 몇 가지 질문이 남아 있습니다. 사람들은 활동이 지식 영역 내부와 외부에서 어떻게 분할되는지에 동의합니까? 높은 도메인 지식을 가진 개인은 낮은 도메인 지식을 가진 개인과 다르게 인코딩 시 이벤트를 구성합니까? 그렇다면 이것이 관찰된 것을 설명합니까?메모리혜택?
따라서 본 연구는 도메인 지식이 세분화 및메모리농구와 Overwatch 게임의. 이러한 활동은 인기도와 일반화 가능성을 테스트하기 위해 선택되었습니다.
다양한 활동에 걸친 세분화에 대한 지식 효과. 먼저 사건인지이론, 사건분할이론, 사건지평모형에 대해 논의한 후, 세분화와 지식의 관계를 살펴본다. 이후 전문지식에 대한 문헌을 설명하고 이벤트 세분화와 통합하고 현재 연구에 대한 일반적인 예측을 제시합니다.
이벤트 세분화 이론
이벤트 세분화 이론(EST; Kurby & Zacks, 2008; Zacks et al., 2007)에 따르면, 이벤트는 지속적으로 경험되지만 이러한 이벤트에 대한 인식은 그렇지 않습니다. 오히려 사람들은 지각적(예: 동작, 신체 위치; Newtson, Enquist, & Bois, 1977; Zacks, 2004) 및 개념적(예: 지식, 목표; Levine et al., 2017; Radvansky & Zacks, 2014; Zacks, 2004) 현재 이벤트 표현이 작업 중에 유지되도록 진행 중인 활동의 정신적 표현을 구성하기 위한 정보메모리변화가 감지될 때까지, 이 시점에서 새로운 표현은 새로운 사건을 반영하기 위해 구성됩니다(예: Zacks et al., 2007). 이 업데이트 프로세스는 예측 실패(Zacks et al., 2007), 일관성 부족(Gernsbacher, 1991) 또는 변경으로 인해 예상과 현실 사이의 불일치(Rescorla & Wagner, 1972)가 있을 때 발생하는 것으로 생각됩니다. 맥락에서(Clewett & Davachi, 2017).
EST는 사람들이 다가오는 경매에 대한 예측을 생성하고 이러한 예측의 정확성이 모니터링된다고 가정합니다. 예를 들어, 농구 선수가 슛을 한 후 상대 팀의 선수가 공을 인바운드하여 코트의 다른 쪽 끝으로 드리블할 가능성이 높습니다. 그러나 볼을 가지고 있는 선수가 코트의 반대쪽 끝에 도달하면 이벤트를 예측하기 어려워집니다. 선수가 공을 패스할 것인가, 슛을 할 것인가? 예측이 실패하거나 사람들이 변경을 감지하고 이벤트 표현을 업데이트하는 시점을 이벤트 경계라고 합니다. 연구에 따르면 이벤트 내에서 예측 가능성은 높지만 이벤트 경계를 넘어 예측 가능성은 낮습니다(예: Reynolds, Zacks, & Braver, 2007; Zacks, Kurby, Eisenberg, & Haroutunian, 2011). 흥미롭게도 사람들은 일관된 경계에서 이벤트를 안정적으로 구문 분석합니다(예: Bower, Black, & Turner, 1979; Hard, Tversky, & Lang, 2006b; Newtson, 1973; Speer, Swallow, & Zacks, 2003; Zacks, Tversky, & Iyer, 2001a), 심지어 1년 후까지(테스트-재테스트; Speer et al., 2003).
사람들이 사건이 펼쳐지는 동안 경계를 표시하는 단위화 패러다임을 사용한 연구는 사건이 계층적으로 구조화되어 있음을 시사합니다(예: Newtson, 1973; Sargent et al., 2013; Zacks, Tversky, et al., 2001a). 굵은 이벤트는 더 작고 미세한 이벤트로 구성됩니다(Tversky, Zacks, & Martin, 2008; Zacks & Swallow, 2007; Zacks, Tversky, et al., 2001a). 예를 들어, 대학 농구 경기는 전반전과 후반전으로 구성될 수 있습니다.
반. 그러나 전반전은 각 팀이 실행하는 일련의 플레이와 같이 더 작은 하위 이벤트로 더 나눌 수 있습니다. 이전 연구에서는 사람들이 미세한 사건과 거친 사건 사이의 정렬을 인지하는 정도에서 개인차가 있음을 발견했습니다(예: Hard, Lozano, & Tversky, 2006a; Kurby & Zacks, 2011; Sargent et al., 2013; Zacks et al. , 2001b), 증거에 따르면 계층적 인코딩이메모리(Kurby & Zacks, 2011).
중요하게도, 이벤트 분할 이론을 포함하는 이벤트 지평선 모델(Radvansky, 2012)은 이벤트 경계가 정보를 별도의 이벤트 모델로 분리하여 소급 간섭을 줄여서 전반적으로 더 나은 결과를 가져온다고 설명합니다.메모리활동을 위해. 실제로, 증거에 따르면 사람들이 규범적 세분화를 나타내는 정도(즉, 이벤트 경계의 위치에 동의하고 더 나은 계층적 정렬을 갖는 정도)가 나중에 활동을 얼마나 잘 기억하는지 예측합니다(Bailey et al., 2013 ; Flores et al., 2017; Kurby & Zacks, 2011; McGatlin, Newberry, & Bailey, 2018; Newberry & Bailey, 2019; Sargent et al., 2013; Zacks et al., 2006).
cistanche 잃어버린 제국 허브
세분화 동작에 영향을 주는 것은 무엇입니까?
두 가지 유형의 요인이 분할에 영향을 미치는 것으로 추정됩니다: 지각적 및 개념적(예: Zacks, 2004; Zacks et al., 2007). 분할에 대한 많은 연구는 지각 단서의 영향에 초점을 맞추었습니다. 예를 들어, 인지된 사건 경계는 신체 위치(Newtson et al., 1977), 공간적 위치(Magliano, Miller, & Zwaan, 2001), 물체 움직임(Zacks et al., 2001b) 및 지각 변화의 변화와 일치하는 경향이 있습니다. (Hard et al., 2006b). 예를 들어, 농구의 지각적 변화는 공 주변에서 일어나는 변화를 포함할 수 있습니다(예: 패스, 슛, Huff et al., 2017). 또한, 감정을 처리하는 뇌 영역(예: extrastriate motion complex)은 이벤트 경계에서 증가된 활동을 보여주며(Speer et al., 2003; Zacks et al. 2001b), 이는 모션이 이벤트 경계 인식의 강력한 예측인자임을 시사합니다.
대조적으로, 세분화에 대한 개념적 요인의 영향을 조사하는 연구는 혼합되어 있습니다. 일부 연구에서는 개념적 요인이 세분화에 영향을 미치지 않는다고 제안합니다(예: Hard et al., 2006b; Huff et al., 2017; Zacks, Kumar, Abrams, & Metha, 2009), 다른 사람들은 그렇게 한다고 제안하지만(문맥: Loschky, Larson, Magliano, & Smith, 2015; Newberry & Bailey, 2019; 친숙함: McGatlin et al., 2018; Smith, Newberry & Bailey, 2020; Zacks & Tversky, 2003; 관점: Newberry & Bailey, 2019; 스키마 및 스크립트: Bartlett, 1932; McGatlin et al., 2018; Schank & Abelson, 1977; 목표: Baldwin, Baird, Saylor & Clark; 2001; Wilder, 1978b ; 잭스, 2004). 예를 들어, Wilder(1978a, 1978b)는 활동이 목표 지향적이고 예측 가능했을 때보다 배우의 목표가 불분명할 때 참가자가 더 자주 분할되어 목표가 사람들이 활동을 인식하는 방식에 영향을 미친다는 것을 나타냅니다. 유사하게, Zacks(2004)는 이벤트가 무작위가 아닌 목표 지향적일 때 움직임이 세분화를 덜 예측한다는 것을 발견했습니다. 이러한 결과는 모두 목표 관련 지식이 있을 때 사람들이 이벤트를 인식하는 동안 지각적 단서에 덜 의존한다는 것을 암시하지만 효과는 보통에서 작습니다.
더 강력한 조작: 전문성 지식 및 세분화에 대한 최근 연구는 사전 지식의 더 강력한 조작을 사용하는 방향으로 이동했습니다: 전문성(예: Bläsing, 2015; Levine et al., 2017). 세분화에 대한 지식 효과를 평가하기 위해 전문 지식을 사용하면 활동에 대한 사전 지식이 있으면 유사한 활동을 볼 때 예측이 향상된다는 충분한 증거가 있기 때문에 EST 및 이벤트 지평선 모델에 잘 맞습니다(예: Ambrosini et al., 2013; Kanakogi & Itakura, 2011; Möller, Zimmer, & Aschersleben, 2015; Sommerville, Woodward, & Needham, 2005), 연구에 따르면 활동에 대한 사전 지식이나 경험이 있는 사람들도 더 나은메모리해당 활동(예: 농구: Allard, Graham, & Parsalu, 1980; 댄스: Allard & Starkes, 1991; 체스: Chase & Simon, 1973; 야구: Chiesi, Spilich, & Voss, 1979; 다리: Engle & Bukstel, 1978, 지도: Gilhooly, Wood, Kinnear, & Green, 1988, 음악: Meinz & Salthouse, 1998). 예측이 분할이 작동하는 메커니즘으로 가정되고(예: Zacks, Braver, et al., 2001b; Zacks, Kurby, et al., 2011) 이벤트 경계 식별이메모리(예: Radvansky & Zacks, 2014), 이는 세분화 행동과메모리지식이나 경험이 없는 것과 비교하여 활동에 대한 사전 지식이나 경험이 있는 경우에는 다를 수 있습니다.
이러한 가정은 지각 학습(Goldstone, 1998)과 관련된 다른 메커니즘에 초점을 맞춘 전문 문헌에서 지원되었습니다. 차별화(처음에 융합된 범주를 분리하는 능력) 및 통합(개별 부분을 기능적 전체로 통합하는 능력). 증거에 따르면 전문가는 각 프로세스에 참여할 시기를 더 잘 판단합니다(Herzmann & Curran, 2011). 동적 활동을 인코딩할 때 전문가는 정보의 개념적 단위를 식별하고 해당 영역 내 이벤트에 대한 세부 사항을 더 잘 구별할 수 있습니다(예: Piras, Lobietti, & Squatrito, 2010). 예를 들어, 농구 전문가는 픽 앤 롤(즉, 더 나은 차별화)과 관련된 단계를 식별할 수 있는 반면 초보자는 이러한 단계를 하나의 동작으로 인식하거나 전혀 인식하지 않거나 농구 전문가가 동일한 픽 앤 롤을 인식할 수 있습니다. 더 큰 놀이의 일부로 굴리는 반면, 초보자는 그것을 자신의 사건으로 인식할 수 있습니다(즉, 더 나은 통합). 전문가가 예측 정확도를 향상시키는 공유 지식 기반을 기반으로 의미 있는 이벤트 경계를 식별하면 전문가가 보다 규범적인 세분화를 보여줄 것으로 기대할 수 있습니다.
이벤트 경계 위치에 대한 더 높은 일치 및/또는 거친 경계와 미세한 경계의 더 나은 정렬 측면에서 능력.1 두 개의 연구가 세분화 행동에 대한 전문 지식의 영향을 조사했습니다. 댄스 영역에서 Bläsing(2015)은 댄스 프레이즈 분할에 대한 전문 지식과 동작 특정 친숙도의 효과를 조사했습니다. 무용가와 무용가가 안무한 구절을 완성하는 댄서의 비디오를 보고 분류했습니다. Bläsing(2015)은 무용수들이 무용수들에 비해 덜 자주 분절된다는 것을 발견했는데, 이는 전문 지식이 자신의 전문 분야 내에서 사건에 대해 인지된 경계의 수를 감소시킨다는 것을 시사합니다. 또 다른 실험에서 Bläsing은 중급 댄서가 댄스 프레이즈를 분할한 다음 운동 동작을 배우고 연습하고 프레이즈를 다시 분할하도록 하여 분할에 대한 지식의 인과적 역할을 평가했습니다. 첫 번째 실험과 마찬가지로 댄스 프레이즈에 대한 친숙함과 운동 경험이 증가함에 따라 댄서는 덜 자주 분할되었습니다. 유사하게, Levine et al. (2017)은 피겨 스케이팅 전문가들이 올림픽 피겨 스케이팅 루틴을 분류할 때 초보자와 비교하여 더 유사한 거친 이벤트를 식별한다는 것을 발견했습니다. 이러한 연구는 전문성이 세분화 행동에 영향을 미친다는 초기 증거를 제공했습니다. 그러나 몇 가지 제한 사항이 남아 있습니다. 한 가지 제한 사항은 이러한 연구가 단일 입자 크기에서만 분할을 평가했다는 것입니다. 그들은 특정 입자 크기 지침을 제공하지 않았거나(Bläsing, 2015) 참가자에게 거친 입자 수준에서 분할하도록 지시했습니다(Levine et al., 2017). 한 연구에 거친 세분화와 세분화된 세분화를 모두 포함하여 작은 이벤트를 더 큰 이벤트로 계층적으로 정렬하고 도메인 지식이 이러한 정렬을 증가시키는지 여부를 평가할 수 있습니다. 결정적으로 두 연구 모두 전문 지식이 아닌 영역에서 전문가의 세분화 능력을 조사하지 않았습니다. 또한 어떤 연구도 측정하지 않았습니다.메모리, 그래서 도메인 지식과 세분화의 효과메모리아직 평가되지 않았습니다.
규범적 세분화가 더 나은 것과 관련이 있다는 점을 감안할 때메모리이벤트의 경우(Bailey et al., 2013; Flores et al., 2017; Zacks et al., 2006), 전문가의 우수한 기억력은 지식 영역 내 활동의 규범적 세분화 때문일 수 있습니다. 세분화가 사전 지식과 경험의 축적에 의해 강화되는 프로세스라면메모리보다 지식이 풍부한 활동에만 참석하는 것이 좋습니다. 그러나 이전 연구는 사람들이 검색 시 공백을 채우기 위해 사전 지식을 사용한다는 것을 보여주었습니다(예: Hasher & Griffin, 1978). 따라서 지식은 기억에 대한 분할의 효과를 무시할 수 있으며 일부 증거는 분할과 지식이 기억에 미치는 영향을 시사합니다.메모리독립적으로(Sargent et al., 2013). 이것이 사실이라면 초보자는 지식이 없기 때문에 분할이 초보자 활동에 대해서만 메모리를 예측할 것으로 예상할 수 있습니다. 1 분할 빈도와 동의가 다릅니다. 누군가는 덜 자주 분할할 수 있지만 여전히 그룹에 의해 식별된 여러 경계를 식별하므로 높은 동의를 얻을 수 있습니다.
처음으로 활동을 인코딩하는 동안 구축한 이벤트 표현 외에 검색 시 의존합니다.
따라서 현재 연구는 Bläsing(2015) 및 Levine et al. (2017) 세분화 행동과 그 관계를 조사하여메모리농구(스포츠)와 오버워치(비디오 게임)라는 두 가지 다른 영역에서 지식이 높은 사람과 낮은 사람(간단히 하기 위해 각각 "전문가" 및 "초보자"라고 칭함)을 가진 사람들의 성과. 농구는 공동 목표(예: 골대를 통해 공을 쏘아 점수를 획득)를 달성하기 위해 함께 일하는 플레이어를 포함하는 제한된 접촉의 팀 스포츠입니다. Overwatch는 팀 기반이기도 하지만 Blizzard Entertainment, Inc.©에서 개발한 멀티플레이어 1인칭 슈팅 비디오 게임입니다. 농구와 오버워치는 두 가지 이유로 이 연구에서 활동으로 선택되었습니다. 첫째, 두 가지 활동을 포함함으로써 전문가들이 자신의 전문 분야 안팎에서 활동을 테스트했다는 점에서 현재 연구가 독특합니다. 둘째, 농구와 오버워치는 무용 및 피겨 스케이팅과 다릅니다(예: Ericsson & Smith, 1991). 연구 질문이 단일 배우에서 팀 기반 활동으로 확장될 수 있습니다.
가설
전문 지식이 세분화 행동에 영향을 미치는 경우 전문가는 거친 입자(분할 빈도, Bläsing 2015)에서 덜 자주 세분화하고 전문가 분야 내 활동에 대한 경계 위치(분할 합의, Levine et al., 2017)에 더 동의해야 합니다. 또는 전문가가 더 미세한 하위 사건을 더 잘 구별하기 위해 분화와 같은 지각 과정에 참여하는 경우 특히 미세 입자에서 더 자주 분할할 수 있습니다(Piras et al., 2010). 우리는 또한 전문가가 자신의 전문가 영역 내 활동에 대해 거친 경계와 미세한 경계의 더 큰 정렬을 보일 것이라고 가정했습니다(계층적 정렬). 그러나 지각 단서가 개념적 요인보다 세분화에 더 강한 영향을 미친다면(Hard et al., 2006b; Huff et al., 2017; Zacks, Speer, & Reynolds, 2009) 전문가와 통제 초보자는 유사한 세분화 행동을 보일 수 있습니다. 지각 단서(움직임)는 두 그룹 모두에서 쉽게 사용할 수 있기 때문입니다. 또한, 우리는 전문가들이 더 잘 보여줄 것이라고 가정했습니다.메모리상당한 전문 연구 기관을 기반으로 자신의 전문 분야 내 활동에 대한 성과(검토를 위해 Ericsson & Smith, 1991; Furley & Wood, 2016 참조).
이전 작업은 규범적 세분화가 더 나은메모리이벤트(예: Bailey et al., 2013). 따라서 우리는 세분화 능력이메모리활동이나 도메인 지식에 관계없이 성능이 향상되어 더 나은 세분화 일치 및/또는 계층적 정렬이 있는 사용자가 더 나은 메모리를 갖습니다. 그러나 우리는 또한 세분화와메모리도메인 지식이 향상되면 전문가 활동에서 더 강력해질 것입니다.메모리세분화를 강화하여 또는 일부 연구에서는 일반 지식이 세분화와 독립적으로 기억에 영향을 미칠 수 있다고 제안합니다(Sargent et al., 2013). 활동의 특정 인스턴스를 인코딩(세그먼트)하는 방식과 대조됩니다. 이 경우 지식이 세분화와메모리, 잘 구분하는 전문가와 잘 못 구분하는 전문가는 비슷한 양의 정보를 기억합니다.
현재 연구
이 실험의 목적은 도메인 지식, 세분화 능력 및메모리자신의 지식 영역 안팎의 이벤트에 대해. 이전 연구에서는 전문 지식이 댄스 프레이즈의 분할(Bläsing, 2015)과 피겨 스케이팅 루틴(Levine et al., 2017)에 미치는 영향을 관찰했습니다. 그러나 이러한 연구는 자신의 전문 분야 내 이벤트에 대한 전문가의 세분화 행동만을 평가했습니다. 또한, 서로 다른 세분화 입자의 계층적 정렬과 그 영향이메모리이 맥락에서 아직 평가되지 않았습니다. 현재 실험에서 농구 및 오버워치 전문가와 제어 초보자는 농구 및 오버워치의 비디오를 보고 분할했습니다. 모집 문제로 인해 매우 적은 수의 Overwatch 전문가 샘플만이 연구에 참여했습니다(방법 섹션 참조). 현재 실험은 궁극적으로 농구 전문가의 세분화와 피험자 내 비교에 초점을 맞추었습니다.메모리농구(전문 분야) 및 Overwatch(전문 분야 외) 비디오 및 세분화 및 피험자 간 비교메모리농구 전문가와 컨트롤 초보자 간의 농구 활동.
방법
참가자 Kansas State University(KSU)에서 총 165명의 참가자(표 1 참조)가 모집되었습니다. 참가자들은 심리학 과정 및 기타
캠퍼스 전역의 조직. Overwatch 전문가의 채용을 늘리기 위해 이 연구는 Overwatch 비디오 게임 플레이어와 팬을 위한 전문적인 경쟁과 관중을 장려하는 KSU eSports Club을 통해 광고되었습니다. 모집 결과 35명의 농구 전문가(오버워치 초보자), 12명의 오버워치 전문가(3명은 농구 초보자, 9명은 "중급" 또는 전문 농구 점수를 가짐), 61명의 제어 초보자(두 활동 모두 초보자), 2명은 미분류, 55" 초심자 이상이지만 두 영역 모두에서 전문가 임계값 미만인 "중간" 개인(아래 지식 설문 조사 참조).
현재 실험에 대한 예측은 "전문가" 대 "초보자" 비교를 기반으로 했습니다. 전문가 또는 제어 초보자의 기준을 충족하는 개인만 주요 분석에 포함되었습니다. 두 활동 모두에 대해 "중간" 범위의 점수를 받은 참가자는 지식이 연속 변수로 취급되는 탐색 분석에만 포함되었습니다(보충 자료 참조). 안타깝게도 몇 달 동안 eSports에서 Overwatch 선수를 대상으로 한 후에도 Overwatch 전문가 모집은 어려운 것으로 나타났습니다. 따라서 표본 크기가 작기 때문에 현재 실험의 주요 분석에서도 이 그룹을 제외합니다(보충 자료의 탐색 분석에 포함되어 있음). 또한 8명의 참가자 데이터(농구 전문가 2명, 컨트롤 초보자 2명, 중급자 2명, 미분류 2명)가 기술적 문제로 인해 손실되었습니다. 참가자는 모집된 위치에 따라 코스 크레딧으로 보상을 받거나 상품권 추첨에 참여했습니다.
참가자가 그룹에 무작위로 할당되지 않았기 때문에 모든 참가자는 일련의 인지 측정(처리 속도, 어휘, 의미 지식 및 작업메모리; 전체 설명은 보충 자료 참조) 그렇지 않으면 가능한 세분화로 설명되었을 수 있는 개인차를 평가하고메모리효과. 귀무 가설의 증거를 테스트하기 위해 베이즈 요인이 사용되었습니다(즉, 그룹 간에 차이가 없음, 표 2 참조). 1 미만의 Bayes 요인은 귀무에 대한 실질적인 증거를 제안했으며(예: Wetzels & Wagenmakers, 2012), 이러한 인지 능력에 대해 그룹 간에 차이가 없음을 시사합니다.
재료
지식 조사 지식 조사는 농구와 오버워치의 전문가와 초보자를 식별하는 데 사용되었습니다. 설문 조사의 농구 부분은 Feller, Schwan, Wiemer 및 Magliano의 수정된 버전(2018, French & Thomas, 1987에서 수정)으로, Overwatch 설문 조사와 일치하도록 23개의 질문으로 축소되었습니다. , 현재 연구에서 사용하기 위해 개발되었습니다. 농구 및 오버워치 설문조사에는 각 활동에 대한 일반 정보에 대한 각각 23개의 질문과 7개의 자가 보고 친숙도 및 전문 지식 질문이 포함되었습니다. 모든 질문에는 5가지 답변 옵션이 있었고 다섯 번째 옵션(e)은 항상 "모르겠습니다."라고 답했습니다. 전문가는 17에서 23 사이의 점수로 식별되었으며 초보자는 0에서 7까지의 점수로 식별되었습니다(지식 설문조사를 사용한 이전 작업의 백분율 컷오프 기준, Rawson & van Overschelde, 2008). 두 조사 모두 부록에 포함되어 있습니다.
동영상 5개의 동영상이 이 실험에 사용되었습니다(1개의 실습, 4개의 실험). 연습 비디오는 레고를 사용하여 배를 만드는 남자를 묘사했습니다(155초). 실험적인 비디오 중 2개는 대학 농구 경기였습니다. 구체적으로, Memphis vs. UCLA(153초, 3컷) 및 Montana vs. Weber State(130초, 9컷, Feller et al., 2018)입니다. 다른 두 개의 실험 동영상은 오버워치 토너먼트 경기였습니다. 구체적으로, 휴스턴 대 보스턴(144초, 11컷)과 런던 대 플로리다(135초, 7컷)입니다. 실험적인 모든 비디오는 인식에 대한 컷의 영향을 최소화하기 위해 긴 비디오에서 가져온 연속 게임 플레이(액션 연속성 유지)의 짧은 클립이었지만 연구에 따르면 대부분의 컷이 인식되지 않고 분할에 영향을 미치지 않는다고 합니다(Magliano & Zacks, 2011; TJ 스미스 & 헨더슨, 2008). 또한, 사건 인지 문헌의 증거는 관점의 변화가 인지되는 사건에도 영향을 미치지 않는다는 것을 시사합니다(Swallow, Kemp, & Simsek, 2018). 오버워치 영상은 오버워치 전문가들이 플레이하는 전문적으로 녹화된 게임이기 때문에 선택되었습니다. 참가자는 모든 실험 비디오를 두 번(세그멘테이션 그레인당 한 번) 시청했습니다.
메모. 괄호 안은 평균의 표준 오차입니다. 문자 비교와 패턴 비교는 모두 처리 속도의 척도였습니다. 객체 명명과 어휘는 모두 의미론적 지식의 척도였습니다. R-SPAN은 작업의 척도였습니다.메모리용량. BF=Bayes factor, null에 대한 증거.
단위화 과제 단위화 과제(Newtson, 1973)는
표 3 전문군별 지식 점수
농구 전문가 컨트롤(초보자)
비디오의 이벤트 경계. 비디오를 시청하는 동안 참가자들은 "하나의 의미 있는 활동 단위가 끝나고 다른 활동 단위가 시작될 때"마다 스페이스바를 누르라는 요청을 받았습니다. 참가자들은 더 큰 것을 식별하도록 지시받았습니다.
(예: Sargent et al., 2013) 스페이스 바를 눌러 의미 있는 활동의 (거친) 또는 더 작은 (미세) 단위. 참가자는 연습 비디오를 사용하여 이 작업에 대한 모양을 만들었습니다(Zacks et al., 2009 참조). 성형 절차에서 참가자는 실험 시도로 이동하기 위해 최소 3개의 더 큰(거친) 단위 또는 6개의 더 작은(더 미세한) 단위를 식별해야 했습니다. 이 임계값이 충족되지 않으면 참가자는 일반적으로 다른 사람들이 더 많은 단위를 식별한다는 피드백을 받았습니다. 그러나 비디오의 활동을 분할할 수 있는 방법에 대한 명시적인 예는 제공되지 않았습니다. 이 메시지를 받은 참가자들은 임계값을 통과할 때까지 성형 절차를 반복했습니다.
이벤트 메모리 대책
인식메모리두 가지 대안 강제 선택 테스트를 사용하여 평가되었습니다. 비디오당 20번의 시도가 있었고, 각각은 하나의 표적과 하나의 산만 이미지를 포함하고 동시에 나란히 제시되었습니다. 대상 이미지는 항상 참가자가 시청한 비디오에서 가져오고 주의를 분산시키는 이미지는 항상 참가자가 보지 못한 동일한 비디오 부분에서 가져왔습니다. 이미지 쌍의 프레젠테이션 순서는 각 참가자에게 동일했습니다. 참가자는 올바르게 식별된 각 이미지에 대해 1점을 받았습니다(최대 총 20점). 참가자의 점수는 정확한 비율로 보고되었습니다.
주문하다메모리2 주문 기억은 Dubrow와 Davachi(2014)가 사용한 척도를 기반으로 하는 두 가지 대안 강제 선택 테스트를 사용하여 평가되었습니다. 각 비디오에 대해 참가자는 컴퓨터에서 8개의 이미지 쌍을 제공받았습니다. 모든 이미지는 비디오 참가자가 시청한 것입니다. "더 최근?"이라는 메시지가 화면에 표시되었고 참가자들은 더 최근의 행동을 묘사하는 이미지를 선택하도록 지시받았습니다.
디자인 및 절차
전문성은 주제 간 변수였습니다. 참가자(NBasketballExperts=33, NControlNovices=59)는 농구 및 Overwatch에 대한 지식 설문조사의 점수를 기반으로 그룹화되었습니다(초보자 7 이하, 전문가 17 이상, 표 3 참조). ; 분석에 대한 보충 자료 참조
중간 지식을 가진 참가자를 포함하여 전문 지식을 연속 변수로 포함). 분명히 말하자면, 농구 전문가 그룹의 모든 사람들은 두 활동 모두에서 컨트롤 초보자로 식별된 컨트롤 그룹의 사람들과 별도로 Overwatch의 초보자이기도 했습니다. 활동(농구 및 오버워치)은 모든 참가자가 두 활동의 비디오를 보고 분할할 수 있도록 주제 내로 처리되었습니다. 참가자는 각 비디오를 입자당 한 번(거친 대 미세)으로 두 번 분할했습니다. 비디오 및 방해 요소 작업은 참가자 간에 균형을 유지했습니다. 참가자들이 모든 비디오를 하나의 그레인으로 분할한 다음 마지막 비디오에 대한 마지막 작업 블록을 완료한 후 다른 그레인에서 모든 비디오를 동일한 프리젠테이션 순서로 다시 분할하도록 분할 그레인이 균형을 이루었습니다.
모든 참가자는 3~4명의 소그룹으로 실험실에 들어가 컴퓨터에 앉았습니다. 그들은 먼저 사전 동의 양식에 서명한 다음 지식 설문조사를 완료했습니다. 그 후, 그들은 인구 통계 양식을 받았고 컴퓨터의 실험 프로그램이 그렇게 할 때까지 작성하지 말라고 지시했습니다. 그런 다음 각 참가자에게 각 참가자의 세분화 동작을 각 참가자에게 할당된 세분화 그레인 순서(즉, 거친 입자의 경우 최소 3번, 미세한 입자의 경우 6번 이상)에 따라 구체화한 연습 비디오가 제공되었습니다. 성형 절차를 마친 후 실험 실험이 시작되었습니다. 실험 시도는 4개의 블록으로 구성되었습니다. 각 블록에서 실험 동영상이 제시되었고 참가자들은 "의미 있는 활동 단위가 끝나고 새로운 활동이 시작되었다고 느낄 때마다 스페이스바를 누르십시오"라고 지시했습니다. 각 비디오 후에 참가자는 주의를 분산시키는 작업(즉, 위에 나열된 개인차 측정 중 하나)을 완료한 다음 인식 및 순서로 이동했습니다.메모리작업. 대상 이미지를 순서대로 보기 때문에 메모리 작업 순서가 균형을 이루지 않았습니다.메모리작업은 인식 작업에서 참가자를 도왔을 수 있습니다. 주문 후메모리마지막 블록의 마지막 비디오에 대한 작업에서 참가자는 연습 비디오를 다시 보고 대체 곡물에 대한 분할 작업에 대해 교육을 받았습니다. 그런 다음 참가자들은 비디오가 원래 표시되었던 것과 동일한 순서로 이 새로운 곡물에서 각 비디오를 다시 분할했습니다. 실험이 끝나면 참가자들은 작업을 완료했습니다.메모리직무. 마지막으로 그들은 보고를 받고 감사를 표하고 시간에 대한 보상을 받았습니다.
결과
데이터 준비
모집 문제는 현재 실험의 분석을 농구 전문가(N=33)와 제어 초보자(N=59, 위의 참가자 섹션 참조)에 집중했습니다. 중간 지식 점수를 가진 개인과 Overwatch 전문가는 지식을 연속 변수로 취급하는 보충 탐색 분석에 포함되었습니다(보충 자료 참조). 그렇지 않으면 이상치가 식별되지 않았습니다.
접근하다
주요 분석은 일반화된 다단계 모델링 기법을 사용하여 수행되었습니다. 이러한 기술은 종속 측정의 비정규 오류 분포(예: 개수 데이터의 경우 포아송, 이항식의 경우 로지스틱) 및 무작위 효과와 관련된 오류 분산을 설명합니다. 또한 실험 버전(활동 순서 및 입자 순서 기반)은 중요한 예측 변수가 아니었습니다(모든 ps
>.09). 먼저 인코딩 프로세스(분할 빈도, 일치 및 계층적 정렬)를 평가한 다음 검색 프로세스(인식)를 평가했습니다. 그런 다음 인코딩이 검색을 예측하는 정도를 평가했습니다. 또한 지식을 연속 예측 변수로 처리하고 결과의 일반적인 패턴을 복제하여 전체 데이터 세트(N=157)에 대한 분석을 실행했습니다(보충 자료 참조).
도메인 지식이 이벤트 인코딩에 영향을 줍니까?
단위화 사람들이 경계의 위치를 얼마나 잘 식별하고 동의하는지 평가하기 위해 두 가지 단위화 측정이 사용되었습니다.
분할 빈도는 비디오당 총 버튼 누름 수(즉, 감지된 이벤트 경계의 총 수)로 채점되었습니다. Bläsing(2015)은 전문가가 초보자에 비해 더 적은 이벤트 경계를 식별한다는 것을 발견했습니다. 따라서 우리는 오버워치 비디오에 비해 농구 비디오 중 농구 전문가가 곡물에 관계없이 덜 자주 분할하는 것과 같은 피험자 내 차이를 예측했습니다. 우리는 또한 농구 비디오의 경우 농구 전문가가 제어 초보자에 비해 덜 자주 분할하는 것과 같은 주제 간 차이를 찾을 것으로 예상했습니다. 마지막으로, 우리는 참가자가 전문 지식과 활동에 관계없이 세립보다 굵은 입자에서 덜 자주 분할할 것으로 예상했습니다.
이러한 가설을 조사하기 위해 일반화된 Poisson 다중 수준 모델을 사용하여 그룹, 활동 및 세분화 입자의 고정 효과와 참가자 및 비디오의 무작위 효과의 전체 요인에서 세분화 빈도를 예측했습니다(그림 1 참조). 참가자가 더 적은 거친 경계를 식별할 수 있도록 곡물의 중요한 주 효과(z=−49.63, p < .001)가="" 나타났습니다(m="19.51," se="1.80," 95="" 지식이나="" 활동에="" 관계없이="" 미세="" 경계(m="39.59," se="2.76," 95%="" ci="" [34.11,="" 45.07])보다="" %="" ci="" [15.94,="" 23.10]).="" 그룹의="" 주요="" 효과="">
활동은 유의하지 않았으며, 이는 그룹 간 또는 활동 간에 인지된 이벤트 수에 기준선 차이가 없음을 나타냅니다. 그러나 이러한 고정 효과는 곡물과 상호 작용했습니다. 그룹과 곡물 사이에 중요한 양방향 상호 작용이 존재했습니다(z=−11.11, p< .001)="" such="" that="" control="" novices="" identified="" fewer="" fine="" boundaries="" (m="34.95," se="3.22," 95%="" ci="" [28.50,41.39]),="" compared="" with="" basketball="" experts="" (m="47.60," se="4.82," 95%="" ci="" [37.78,="" 57.42]),="" regardless="" of="" activity,="" but="" no="" group="" differences="" were="" present="" at="" the="" coarse="">
이 결과는 그룹, 활동 및 세분화 그레인(z =−3.17, p=.002) 사이의 중요한 3방향 상호작용에 의해 검증되었으며, 참가자는 다음을 식별했습니다. 오버워치에 비해 농구 동영상의 경우 거친 경계보다 미세한 경계가 훨씬 더 많았으며 이 차이는 농구 전문가의 경우 더 컸습니다(거친 농구: M=19.95, SE=2.42, 95% CI [ 15.03, 24.88]; 농구 벌금: M=53.20,SE=5.55, 95% CI [41.89, 64.51]; 오버워치 일반: M =17.61, SE {{ 27}}.23, 95% CI [13.07, 22.14], 오버워치 벌금: M =42.00, SE=5.73, 95% CI [30.34, 53.66]), 대조군과 비교(거친 농구: M=23.09, SE=3.56, 95% CI [15.95, 30.23]; 농구 파인: M=37.43, SE {{ 54}}.07, 95% CI [31.28, 43.58], 오버워치 일반: M=17.55,SE=2.50, 95% CI [12.55, 22.56], 오버워치 정밀: M { {70}}.17,SE=4.00, 95% CI [24.15, 40.20]). 다른 효과는 없었습니다(모두 ps > .05).
이러한 결과는 특히 전문 분야의 활동에 대해 전문가가 통제 초보자에 비해 덜 자주 분할한다는 가설을 뒷받침하지 않습니다. 대신, 결과는 전문가와 통제 초보자가 활동에 관계없이 유사한 수의 거친 경계를 식별했으며 전문가는 자신의 전문 분야 내 활동에 대해 더 미세한 경계를 식별했음을 시사합니다. 이 결과는 전문가가 자신의 영역 내 이벤트에 대한 세부 사항을 더 잘 구별할 수 있음을 보여주는 이전 작업과 일치합니다(예: Piras et al., 2010).
분할 일치는 인지된 이벤트 경계의 위치에 대해 사람들이 다른 사람과 얼마나 잘 일치하는지를 나타냅니다. 더 높은 세분화 일치는 더 규범적인 세분화에 해당합니다. 동의를 계산하기 위해 각 비디오에 대해 각 이벤트 경계(버튼 누름) 주위에 가우스 커널 밀도 함수를 피팅하여 각 참가자의 분할 데이터를 평활화했습니다. 각 동영상의 각 프레임은 0에서 1 사이의 값을 수신했으며, 이는 해당 프레임이 이벤트 경계일 가능성 또는 가능성을 나타냅니다. 25의 대역폭(즉, 초당 25프레임)이 1-초 시간 빈에 해당하는 데 사용되어 프레임이 참가자의 위치에 더 가깝도록
각 프레임은 규범적 경계와 상관관계가 있었습니다.3 Levine et al. (2017), 우리는 곡물에 관계없이 농구 비디오에 대한 농구 전문가의 세분화 일치가 대조군 초보자보다 더 높을 것과 같은 상당한 피험자 간 효과를 예측했습니다. 하지만, 오버워치 영상에 비해 농구 영상의 경우 곡물에 상관없이 농구 전문가의 세분화 동의가 더 높게 나타나는 피험자 내 효과도 관찰할 수 있을 것으로 기대했다.
이러한 가설을 평가하기 위해 일반화된 선형 다중 수준 모델을 사용하여 그룹, 활동 및 분할 입자의 고정 효과와 참가자 및 비디오의 무작위 효과의 전체 요인에서 분할 일치를 예측했습니다(그림 2 참조). 미세 경계의 일치(M=.32, SE=.15, 95% CI [.28, .34])가 거친 경계의 일치보다 높았습니다(M=.26, SE=.01, 95% CI [.24, .28]). 그러나 이 효과는 그룹, 활동 및 곡물 간의 중요한 3방향 상호작용에 의해 한정되었습니다(t=2.29, p=.02). 모든 참가자는 오버워치 동영상(M {{33} } .22, SE=.01, 95% CI [.20, .24]), 그러나 전문가(M=.36, SE=.02, 95% CI [ .30,
.41]) 대조군(M=.29, SE=.02, 95% CI [.25, .32])에 비해 굵은 입자에서만 유의하게 높은 일치도를 보였다. . 개체 내 효과(d=.96)가 개체 간 효과(d=.42)보다 컸습니다. 다른 효과는 유의하지 않았습니다(모두 ps > .05).
이러한 결과는 전문가가 자신의 전문가 영역 내 활동에 대해 제어 초보자와 비교하여 더 나은 세분화 일치를 보였지만 거친 입자에서만이라는 우리의 가설을 부분적으로 뒷받침합니다. 그러나 전문가들은 통제 초보자보다 훨씬 더 거친 경계를 식별하지 못했다는 점을 기억하십시오(그림 1 참조). 종합하면, 이것은 전문가들의 더 나은 거친 세분화 일치가 더 거친 경계를 식별하기 때문이 아니라 농구에 대한 공유 지식으로 인해 더 유사한 거친 경계를 식별하기 때문임을 시사합니다.
계층적 정렬은 식별된 각각의 거친 경계가 식별된 미세 경계와 시간적으로 일치하는 정도입니다(Kurby & Zacks, 2011; Sargent et al., 2013; Zacks et al., 2001a). 이는 세분화 조직의 척도 또는 각 참가자의 거친 이벤트가 관련 미세 이벤트 그룹을 구성하는 정도입니다(Sargent et al., 2013). 계층적 정렬을 측정하는 한 가지 방법은 관련 미세 이벤트 그룹이 거친 이벤트 내에 포함된 정도를 나타내는 인클로저를 계산하는 것입니다(Hard, Recchia, & Tversky, 2011;
더 멀리 떨어진 프레임에 비해 더 큰 값을 수신한 이벤트 경계를 식별했습니다. 다음으로, 각 프레임 또는 버튼 누름과 관련된 확률을 참가자 간에 평균화하여 규범적 이벤트 경계를 생성했습니다. 마지막으로 각 참가자의 분할 확률은 다음과 같습니다.
Sargent et al., 2013). 거친 경계는 각 비디오에 대해 가장 가까운 미세 경계를 따랐는지 선행했는지에 따라 점수가 매겨졌습니다. 각 참가자의 인클로저 점수는 우연으로 인해 예상되는 인클로저를 설명하는 가장 가까운 미세 경계를 선행하는 것이 아니라 뒤따르는 거친 경계의 비율이었습니다. 값이 높을수록 더 나은 정렬을 나타냅니다. 우리는 오버워치에 비해 농구 전문가가 제어 초보자와 비교하여 농구 비디오의 거친 경계와 미세한 경계의 정렬이 더 잘 나타나는 것과 같은 피험자 간 효과를 예측했습니다. 우리도 예측했다
오버워치의 초보자였기 때문에 농구 전문가 자신이 오버워치에 비해 농구 비디오의 거칠고 미세한 경계를 더 잘 정렬하는 것과 같은 개체 내 효과를 나타냅니다.
일반화된 선형 다단계 모델을 사용하여 그룹, 활동 및 상호 작용의 고정 효과와 참가자 및 비디오의 무작위 효과로부터 인클로저를 예측했습니다. 그룹의 유의미한 주효과(t=2.07, p=.04) 및 활성의 약간 유의미한 주효과(t=3.27, p {{7} } .07)이 있었다; 그러나 이러한 효과는 상당한
그룹과 활동 간의 상호작용(t=2.03, p=.04). 농구 전문가는 오버워치(M=.47)에 비해 농구(M= .57, SE=.03, 95% CI [.50, .63])에서 더 나은 인클로저를 보였습니다. , SE=.03, 95% CI [.41, .52]) 반면 컨트롤 초보자(농구: M=.46, SE=.02, 95% CI [ .42, .51], 오버워치: M= .43, SE=.02, 95% CI [.38, .47]), 두 활동에서 인클로저 능력에 차이가 없었습니다. (그림 3 참조). 이 결과는 전문가가 자신의 전문가 영역 내에서 활동의 더 나은 인코딩 구성을 보여주었다는 우리의 가설을 뒷받침합니다.
전문 지식이 동적 활동에 대한 기억에 영향을 줍니까?
전문가와 함께 수행한 대부분의 작업은 전문가가 자신의 전문 분야 내 정보에 대해 더 나은 기억력을 가지고 있음을 보여주었습니다(검토를 위해 Ericsson & Smith, 1991; Vicente & Wang, 1998 참조). 이를 바탕으로 농구 전문가들이 더 나은 인지도를 보일 수 있는 피험자 내 효과를 찾을 수 있다는 가설을 세웠다.메모리오버워치 동영상과 비교한 농구 동영상의 경우. 우리는 또한 전문가들이 농구 비디오에 대해 통제 초보자보다 더 많이 기억할 수 있는 Group × Activity 상호작용을 찾는 것으로 가정했지만 인식에는 차이가 없었습니다.메모리오버워치 동영상에 대한 성능.
인식 일반화된 로지스틱 다단계 모델을 사용하여 그룹, 활동 및 상호작용의 고정 효과와 참가자 및 비디오의 무작위 효과로부터 인식 성능을 예측했습니다. 그룹과 활동 사이에 유의미한 상호작용이 있어(z=5.05, p < .001)="" 농구="" 전문가가="" 농구에="" 대해="" 훨씬="" 더="" 나은="" 인식="" 성능을="" 나타냈습니다(m=".68," se="" {{5}="" }="" .02,="" 95%="" ci="" [.63,="" .72]),="" overwatch(m=".59," se=".02," 95%="" ci="" [.55,="" .63])와="" 비교하여,="" 반면="" 컨트롤="" 초보자(농구:="" m=".56," se=".01," 95%="" ci="" [.53,.58];="" 오버워치:="" m=".59," se="" {{26="" }}="" .01,="" 95%="" ci="" [.56,="" .62])="" 활동="" 전반에="" 걸쳐="" 인식="" 성능이="" 다르지="" 않았습니다(그림="" 4="" 참조).="" 다른="" 효과는="" 없었습니다(모두="" ps=""> .05). 이 결과는 우리의 전문성 가설을 지지하고 자신의 전문가 영역에 있는 정보에 대한 기억에 대한 전문성의 이점 효과를 복제합니다.
전문가의 더 나은 세분화 능력이 메모리 이점을 설명합니까?
분할 계약은 다음과 연관됩니다.메모리이벤트(예: Bailey et al., 2013; Flores et al., 2017; Sargent et al., 2013); 따라서 우리는 세분화 능력이 높은 참가자가 활동에 관계없이 더 나은 기억력을 가질 것이라고 가정했습니다. 또한, 우리는 세분화 일치가 농구 비디오에 대한 제어 초보자에 비해 농구 전문가가 일치와 기억 사이에 훨씬 더 강한 관계를 보일 수 있도록 그룹과 상호 작용할 것이라고 예측했습니다. 이 예측은 지식이 분할 일치를 개선하고 기억을 개선할 것이라는 아이디어를 기반으로 합니다.
분할 일치 일반화된 푸아송 다단계 모델을 사용하여 분할 일치,4 그룹 및 활동의 고정 효과와 참가자 및 비디오의 무작위 효과의 전체 요인으로부터 인식 성능을 예측했습니다. 세분화 합의의 주요 효과(z=1.96, p =
.05) 이전 작업을 복제하여 세분화 동의가 높은 사람들에게 실제로 더 나은 인식이 있음을 나타냅니다(Bailey et al., 2013; Flores et al., 2017; Sargent et al., 2013; Zacks et al., 2006). 그러나 Segmentation Agreement × Group 4 여기서는 거친 분할 일치를 사용했지만 미세 분할 일치는 동일한 패턴의 결과를 생성했습니다.
상호작용은 유의하지 않았으며, 이는 세분화의 영향을 나타냅니다.메모리전문가에게는 더 강하지 않았습니다.
지식과 활동 사이에 중요한 양방향 상호작용이 존재하여(z=−2.97, p=.003), 농구 전문가의 인식이 오버워치와 비교하여 농구 동영상에 더 좋았지만 초보자를 제어했습니다. ' 인식은 활동별로 다르지 않았다. 대략적인 세분화 일치와 활동 사이의 중요한 양방향 상호작용(z=−2.23, p=.03)은 세분화 일치가 농구보다 오버워치에 대한 인지도를 더 강하게 예측한다는 것을 나타냅니다. 그러나 이러한 양방향 상호작용은 세분화 계약, 그룹 및 활동 간의 3자 상호작용으로 한정되었으며 활동은 미미하게 유의했습니다(z=1.90, p=.06). 세분화 합의는 Overwatch 동영상(r =
.38; 그림 5 참조). 다른 효과는 없었습니다(모두 ps > .05).
이러한 결과는 세분화 일치가 더 나은 관련성이 있다는 우리의 가설을 부분적으로 뒷받침했습니다.메모리; 그러나 이 관계는 전문가들에게 전반적으로 더 강하지 않았습니다. 전문가의 세분화 합의는 전문가 영역에서 향상된 메모리 성능을 설명하지 않습니다. 오히려 전문가의 세분화 합의는메모리이는 사람들이 활동을 기억하는 데 도움이 되는 의미론적 지식이 아니라 인코딩 효율성에 의존해야 할 때 세분화가 기억에 더 도움이 될 수 있음을 시사합니다.
논의
현재 연구는
도메인 지식은 세분화에 영향을 미치고메모리자신의 지식 분야 안팎의 사건에 대해. 전반적으로 농구 전문가의 전문 분야 내 활동에 대한 세분화 및 기억력은 대조군과 차이가 있었고(그룹 간 비교), 자신의 세분화 및메모리자신의 전문 영역 밖의 활동에 대한 능력(피험자 내 비교). 그러나 중요하게는, 전문가의 우수한 기억력은 보다 규범적인 세분화 능력의 산물이 아니었으며, 이는 지식과 세분화의 효과가 영향을 미칠 수 있음을 시사합니다.메모리독립적으로. 이러한 발견에 대한 설명은 아래에 요약되어 있습니다.
인코딩 차이
경계 식별 세분화에 대한 전문성과 친숙도의 영향을 평가하는 이전 작업에서는 사람들이 활동에 대한 지식이나 친숙도를 얻을수록 식별되는 하위 이벤트가 더 적다는 것을 발견했습니다(예: Bläsing, 2015; Hard et al., 2006b; Levine et al., 2017). 현재 연구는 이러한 결과를 복제하지 않았습니다. 대략적인 수준에서 농구 전문가는 감지된 이벤트 경계의 수에 대해 제어 초보자와 다르지 않았습니다. 그러나 세부 수준에서 전문가들은 특히 지식이 더 많은 활동에 대해 더 많은 이벤트 경계를 식별했습니다. Bläsing(2015)이나 Levine et al. (2017) 거친 경계 식별과 미세한 경계 식별을 구분했습니다.
한 가지 가능성은 전문가가 자신의 전문 분야에서 정보를 더 잘 구별한다는 것입니다(Herzmann & Curran, 2011). 전문가의 우수한 차별화 평가
능력은 동적 이벤트의 인식과 달리 개체 분류 및 기능 처리로 제한되었습니다. 현재 연구의 증거를 기반으로 전문가는 자신의 전문 분야 내에서 역동적인 활동에 대한 미세한 하위 이벤트를 식별할 때 차별화 처리에 참여할 수 있습니다. 향후 연구에서는 전문가가 자신의 영역 내에서 이벤트 구조를 인식하는 방법을 더 잘 이해하기 위해 거친 분할 및 미세 분할에 대한 지식의 영향을 추가로 평가해야 합니다.
경계 합의 Levine et al. (2017)은 피겨 스케이팅 전문가들이 피겨 스케이팅 루틴 내의 주요 하위 이벤트에 동의한다는 것을 발견했습니다. 현재 연구는 거친 입자 수준에서 이 효과를 복제했습니다. 흥미롭게도, 거친 입자의 전문가들 사이에서 이렇게 높은 동의를 얻은 것은 그들이 제어 초보자와 비슷한 수의 거친 경계를 식별했기 때문에 더 거친 입자 경계를 식별했기 때문이 아닙니다. 참가자가 식별한 거친 경계 중 전문가는 농구에 대해 더 유사한 경계를 식별한 반면 제어 초보자는 더 특이한 거친 경계 식별을 표시했습니다(낮은 동의). 전문가는 유사한 지식 기반을 사용하여 세분화할 수 있습니다. 이 연구에서 명시적으로 테스트되지는 않았지만 전문가들은 이벤트 일관성을 더 잘 추적할 수 있기 때문에 해당 영역에서 더 큰 동의를 보거나 더 넓은 범위의 결과를 예상할 수 있기 때문에 예측 오류를 덜 경험할 수 있습니다. 또한 전문가가 경계를 식별할 때 중요한 변경 사항을 더디게 알아차릴 수 있는 초보자와 비교하여 시간을 더 정확할 수도 있습니다. 운동 지각 연구에 따르면 운동 전문 지식은 행동 예측을 조절하므로(농구: Aglioti, Cesari, Romani, & Urgesi, 2008; 음악: Wöllner & Cañal-Bruland, 2010), 관찰자는 자신이 경험이 있을 때 다른 사람의 행동을 더 잘 예측할 수 있습니다. 동일한 작업을 수행합니다.
미리세틴
흥미롭게도 전문가들이 농구에 대한 더 미세한 경계를 식별했음에도 불구하고 전문가와 제어 초보자를 위한 미세 세분화 일치는 다르지 않았습니다. 미세한 경계의 식별은 지각 신호의 변화에 의해 유도될 수 있습니다(예: 동작: 한 농구 선수가 다른 농구 선수에게 공을 전달할 때). 전문가와 초보자가 모두 동작에 의존하여 정밀한 이벤트를 분류했다면 비슷한 경계를 식별했을 수 있습니다.
경계 조직 이전 연구에서는 계층적 정렬 차이에 대한 지식의 영향을 발견하지 못했습니다(Sargent et al., 2013). 그러나 현재 연구에 따르면 전문가들은 농구의 거친 경계와 미세한 경계를 더 잘 둘러싸고 있음을 보여주었습니다. 유사하게, Feller et al. (2018)은 농구 전문가가 초보자보다 농구 경기의 구조를 더 잘 인식할 수 있음을 발견했으며, 이는 현재 연구에서 농구 전문가에게서 발견된 인코딩 조직 효과를 개념적으로 복제합니다. 이러한 연구는 지식이 경계 조직을 인코딩하는 데 영향을 미친다고 제안합니다. 그러나 향후 연구에서는 이벤트 구조가 세분화에 미치는 영향을 계속 조사해야 합니다.
전체적으로 전문가와 제어 초보자는 대부분의 종속 인코딩 측정에서 차이가 있었고, 이는 전문가가 자신의 지식 분야 내에서 동적 정보를 자신의 분야 외부 정보와 다르게 인코딩한다는 것을 시사합니다. 이러한 결과는 해당 영역 지식이 세분화 능력에 영향을 미친다는 점에서 EST를 뒷받침합니다. 중요하게, 현재 발견은 입자 크기(거친 및 미세)가 포함되지 않았다면 존재하지 않았을 수 있습니다. 이러한 조작을 통해 지식이 영향을 미칠 수 있는 인코딩 또는 온라인 이벤트 처리 수준을 조사할 수 있었습니다. 이는 EST를 수정하거나 이러한 효과를 적용된 시나리오(예: 교육)로 변환하는 데 중요합니다.
검색 차이 현재 연구는 전문가의 우수성을 입증하는 수십 년간의 연구를 복제했습니다.메모리그들의 지식 분야 내 정보를 위해. 농구 전문가들은 특히 농구 영상에서 대조군에 비해 더 정확한 인식 성능을 나타내어 지식이 용이함을 시사한다.메모리.
인코딩이 검색을 예측합니까? 때에 따라 다르지
현재 연구의 주요 목표는 전문가의 세분화 능력이 예측하는 정도를 평가하는 것이 었습니다.메모리그들의 지식 분야 내에서. 우리는 전문가들이 농구에 대한 지식이 더 많다는 것을 발견했으며, 이 지식은 농구 경기의 일부를 인코딩할 때 더 나은 분할 능력과 관련이 있습니다. 거친 세분화에 대한 지식의 피험자 간 효과는 중간 정도(d=.42)이고 피험자 내 효과는 크므로(d=.96) 지식의 중간 효과(예: d=.33; Newberry & Bailey, 2019) 및 전문 지식의 큰 효과(예: ƞ2=.26; Levine et al., 2017). 또한, 분할 능력은 더 나은 분할 일치를 보여주는 이전 작업을 복제한 현재 연구에서 인식을 예측했으며, 일반적으로 더 나은 기억력과 관련이 있었습니다(예: Bailey et al., 2013; Flores et al., 2017; Sargent et al., 2013). 이벤트 호라이즌 모델의 네 번째 원칙을 지원합니다. 그러나 이러한 관계는 전문가가 활동에 대한 지식이 부족할 때만 존재했으며, 이는 지식 영역에서 전문가의 우수한 기억력이 더 나은 세분화 때문이 아님을 시사합니다.
한 가지 설명은 분할이 인코딩 중에 들어오는 정보를 구성하고 통합하는 데 도움이 되지만 의미론적 지식 구조(사용 가능한 경우)가 분할 중에 생성된 일화적 기억 표현보다 검색에 더 영향을 미칠 수 있다는 것입니다. 그러나 활동에 대한 지식이 존재하지 않거나 빈곤할 때 사람들은 일시적인 지식에 의존하는 것 외에 다른 선택이 없습니다.메모리검색을 안내하는 표현. 현재의 결과는 이러한 효과를 처음으로 보여주는 것은 아닙니다. Smith et al. (2020)은 참가자의 다양한 일상 활동에 대한 친숙도를 조작하여 세분화 능력이 예측할 수 있음을 발견했습니다.메모리젊은이와 노인 모두에게 익숙하지 않은 활동의 정확성. 이것은 세분화와 지식이 모두 영향을 미친다는 것을 암시할 수 있습니다.메모리, 하지만 그들은 서로 독립적으로 그렇게 합니다. 그러나 우리는 이러한 효과를 전문가 그룹(Overwatch 비디오에서 분할 예측 메모리)에서만 발견하고 두 가지 유형의 활동에 대한 지식이 부족한 초보자 그룹에서 발견하지 않았기 때문에 그러한 주장을 할 때 주의해야 합니다. 또한 분할이 메모리에 도움이 될 수 있는 유일한 인코딩 메커니즘은 아닙니다. 현재 연구의 농구 전문가는 농구 경기의 인코딩 및 검색을 안내하기 위해 다른 인코딩 메커니즘(예: 의미론적 청킹 또는 정교화)에 참여할 수 있습니다. 향후 연구에서는 지식 영역 내외의 사건에서 정보를 기억할 때 스키마와 사건 구조에 대한 전문가와 초보자의 의존성을 구분하려고 시도해야 합니다.
또 다른 중요한 참고 사항은메모리현재 연구에서 인식이었습니다. 분할과 기억 간의 관계를 조사하는 이전 작업에서는 회상 측정을 사용했습니다(예: Flores et al., 2017; Sargent et al., 2013). 지식이 세분화에 미치는 영향과메모리회상을 통해 더 두드러질 수 있습니다. 재인은 관련 단서를 제공하고 친숙함의 느낌과 인출에 의존할 수 있기 때문에 회상보다 쉽습니다(예: Graesser & Nakamura, 1982; Schwartz, 2018). 반면에 회상은 단서를 사용하지 않으며(또는 제한된 사용을 사용) 개인이 정보를 식별하기보다 정보를 검색하도록 요구합니다. 여기서 메모리 효과는 분할 예측에 대한 지식의 이점을 볼 만큼 충분히 크지 않았을 수 있습니다.메모리큐의 가용성 때문입니다. 통제 초보자는 그들이 본 것을 설명하는 용어를 모르면 불리할 수 있기 때문에 현재 연구에서는 회상을 사용하지 않았습니다.
시스탄치파마 스페셜
제한 사항
현재 연구에는 몇 가지 제한 사항이 있었습니다. 첫째, 오버워치 선수들을 대상으로 했음에도 불구하고 오버워치 전문가 영입이 어려웠다. 이 어려움의 일부는 새롭고 더 인기 있는 비디오 게임인 Fortnite(Ranker, 2018)의 출시와 함께 불행한 시기에 기인했을 수 있습니다. Amazon Mechanical Turk와 같은 사이트를 통해 온라인으로 비디오 게임 전문가를 모집하면 향후 작업에서 더 많은 성공을 거둘 수 있습니다. 또한, 향후 작업은 이러한 전문 지식 효과를 추가 전문 영역에서 복제하는 데 중점을 두어야 합니다. 이전 연구는 안무 동작을 배우는 것과 같은 여러 특성을 공유하고 종종 개인의 기술에 의존하는 댄스와 피겨 스케이팅에 초점을 맞췄습니다. 현재 연구를 위해 우리는 다른 기술 세트와 관련된 활동을 선택했습니다. 그러나 두 활동 모두 팀 기반이었고 여러 플레이어가 참여했습니다. 따라서 지금까지 테스트한 도메인의 수가 제한되어 있으므로 향후 작업은 더 넓은 범위의 도메인에 초점을 맞춰야 합니다.
그러나 현재 작업의 장점은 여전히 중요하다는 점에 유의해야 합니다. 피험자 간 비교와 피험자 내 비교가 모두 수행되어 이 작업이 이전 작업과 구별되며(예: Bläsing, 2015; Levine et al., 2017), 중요하게는 제어 초보자는 이전 작업과 동일한 분할 이점을 나타내지 않았습니다. 농구 전문가들은 제시된 효과가 자극이 아니라 지식의 차이로 인한 것이라고 제안했습니다.
두 번째, 이벤트메모리하나의 기억 작업을 사용하여 평가되었습니다. 안타깝게도 주문은메모리신뢰도가 매우 낮아 결과를 해석할 수 없었습니다(alpha=.22). 또한, 농구와 오버워치의 이벤트를 설명하려고 할 때 제어 초보자를 불리하게 만들 수 있는 어휘의 가능한 차이로 인해 회상이 평가되지 않았습니다. 그러나 회상이 지식의 영향에 더 민감할 수 있다는 점을 감안할 때(예: Anderson & Pichert, 1978; Bransford & Johnson, 1972), 향후 연구는 어휘 제한에도 불구하고 회상 측정을 포함하는 것을 고려해야 합니다.
결론
궁극적으로 Event Horizon 모델 및 EST에 대한 지원이 발견되어 지식이 도움이 됨을 시사합니다.메모리그리고 그 지식은 세분화 능력에 영향을 미칩니다. 현재 연구에 따르면 전문성은 이벤트 세분화 능력에 영향을 미치지만 전문가의 우월성은메모리전문 분야 내 이벤트의 경우 더 나은 세분화 능력 때문이 아닙니다. 전문가와 제어 초보자 간의 인코딩 및 검색 차이에 대한 증거가 있었습니다. 그러나 예비 증거에 따르면 세분화와 지식이 영향을 미치는 것으로 보입니다.메모리서로 독립적으로.
추가 정보 온라인 버전에는 https://doi.org/10.3758/s에서 사용할 수 있는 보충 자료가 포함되어 있습니다.13421-020-01118-1
감사의 말 이 프로젝트와 관련된 모든 사람들에게 진심으로 감사드립니다. Heather Bailey 박사, Lester Loschky 박사, Joseph Magliano 박사는 이 프로젝트 전체에 걸쳐 엄청난 지도와 건설적인 피드백을 제공했습니다. 자극 발달에 도움을 준 Daniel Feller와 Jordann Brandner; 통계 분석에 도움을 준 Maverick Smith; Destiny Bell과 Dr. Barbara Pitts는 일반적인 피드백과 지원을 제공합니다. Jennica Rogers와 Jaydan Bruna, Allison Griffin, Marissa Muto, Sydnee Pachek, Nicholas Parker, Rebecca Ryan을 포함한 학부 연구 협력자 팀은 데이터 수집, 데이터 채점, 데이터 입력 및 일반 피드백에 도움을 주었습니다.
개방형 관행 선언문
이 연구에 사용된 설문조사는 부록에 제공됩니다. 데이터는 현재 저자와의 이메일을 통해 제공되지만 출판 후에는 Open Science Framework(https:// osf.io/a{{0}}hz/?view_만)를 통해 제공될 수 있습니다. =1411cb0d128146c697f912de198162e5). 이 실험은 사전 등록되지 않았습니다.
저자 기여 K. Newberry와 H. Bailey는 연구 개념과 연구 설계에 기여했습니다. D. Feller는 설문 조사 자료 및 참고 자료를 제공했습니다. K. Newberry는 프로그램 개발, 데이터 수집 및 데이터 채점을 주도했습니다. K. Newberry도 원고 초안을 작성했으며 D. Feller와 H. Bailey가 수정본을 제공했습니다. 모든 저자는 원고의 최종 버전을 승인했습니다.
