장기 기억 간섭은 진단 기억 차원에 따른 반발력과 정확성을 통해 해결됩니다. 3부
Oct 24, 2023
분석 방법
성능 기반 제외 기준 재구성 작업 데이터와 관련된 분석을 위해 연상 기억 테스트 라운드 9-12 동안 성능을 기반으로 소수의 참가자를 제외했습니다. (a) 비경쟁 시도의 오류율이 해당 라운드에서 20%를 초과하거나 (b) 해당 라운드에서 경쟁 시도의 20% 이상에서 루어 페이스를 선택한 경우 참가자는 제외되었습니다.
인간의 기억은 매우 중요하며 삶의 다양한 문제를 더 잘 이해하고 대처하는 데 도움이 됩니다. 그러나 현대 사회에서 우리는 엄청난 양의 정보에 직면하고 있으며, 우리의 기억력은 종종 어려움을 겪고 피로해집니다.
그러나 우리는 몇 가지 간단한 방법으로 작업 데이터와 기억 사이의 관계를 재구성할 수 있습니다. 첫째, 우리는 작업 기억을 사용하여 기억 능력을 향상시킬 수 있습니다. 작업기억은 단기기억에 정보를 보유하고 처리하는 능력을 말합니다. 정기적으로 기억 작업을 수행함으로써 우리는 작업 기억을 훈련하고 이를 통해 기억력을 향상시킬 수 있습니다.
둘째, 감각 기억을 활용하여 기억력을 향상시킬 수 있습니다. 우리의 감각 기억은 매우 강력해서 예를 들어 처음으로 음식의 맛을 기억할 수 있습니다. 감각 기억을 강화함으로써 우리는 기억력을 향상시킬 수 있습니다.
또한, 기억궁법을 활용하여 기억력을 강화할 수도 있습니다. 기억 궁전은 우리가 기억하고 싶은 정보를 장면과 연결하기 위해 구성한 정교한 장면을 사용하는 고대 기술입니다. 이런 식으로 우리는 정보를 쉽게 기억할 수 있습니다.
마지막으로, 기억력을 향상시키기 위해 몇 가지 신체 운동을 시도해 볼 수 있습니다. 신체 활동은 신진대사를 촉진하여 뇌 활동을 증가시킵니다. 운동을 통해 혈액 순환을 촉진하여 뇌가 더 많은 산소와 영양분을 섭취하게 하여 정보를 더 잘 처리할 수 있습니다.
요약하면, 다양한 방법을 사용하여 작업 데이터와 메모리 간의 관계를 재구성할 수 있습니다. 작업 기억 훈련, 감각 기억 강화, 기억 궁전 사용, 신체 활동 참여 등은 우리의 기억력을 향상시키고 삶을 더욱 유연하고 효율적으로 만드는 데 도움이 될 수 있습니다. 기억력 향상이 필요함을 알 수 있는데, 시스탄체 데저티콜라는 기억력 향상이라는 독특한 효능이 많은 중국 전통 약재이기 때문에 기억력을 크게 향상시킬 수 있습니다. 다진 고기의 효능은 산, 다당류, 플라보노이드 등 포함된 다양한 활성 성분에서 비롯됩니다. 이러한 성분은 다양한 방식으로 뇌 건강을 증진할 수 있습니다.
이러한 기준에 따라 실험 1에서 한 명의 참가자가 재구성 작업 데이터 분석에서 제외되었으며(N=35 생성), 실험 2에서 4명이 제외되었고(N=37 생성), 실험 3에서 8명이 제외되었습니다. (N=49 생성) (설정되었지만 적용되지 않은 다른 제외 기준은 https://osf.io/dj6q2/ 참조). 재구성 작업 분석에 참가자를 포함시키기 위한 높은 임계값을 갖는 근거는 참가자가 완전히 잘못된 얼굴을 재구성하는 경우를 최소화하고 대신 올바르게 기억된 얼굴의 편향/정밀도에 초점을 맞추는 것이었습니다.
연관 기억 측정
위에서 언급한 바와 같이, 연관 기억 테스트는 참가자들이 단서와 얼굴을 연관시키는 데 있어 높은 정확도를 달성했음을 확인하는 데 사용되었습니다. 또한, 연상기억 테스트를 통해 경쟁조건이 비경쟁조건에 비해 간섭(낮은 연관기억 정확도)을 유발하는지 여부를 조작적으로 확인할 수 있었다. 연관 기억 테스트의 데이터는 비경쟁 시험에 비해 정확도가 비경쟁적이라는 측면에서 먼저 분석되었습니다. 조건 요소(경쟁적, 비경쟁적) 및 학습 라운드(실험 1의 경우 1~9, 실험 2 및 3의 경우 1~12)를 사용하여 각 실험에 대해 별도의 반복 측정 ANOVA를 실행했습니다.
경쟁적 시도의 경우 경쟁에 의한 것인지(간섭 오류) 아닌지(루어)에 따라 오류를 구분했습니다. 오류가 무작위인 경우 간섭 오류는 오류 시도의 1/5(20%)에서 발생합니다. 간섭 오류가 우연 수준 이상으로 발생했는지 테스트하기 위해 각 실험에 대해 단일 표본 t-검정을 실행하여 간섭 오류의 평균 비율(모든 학습 라운드에서)을 20%와 비교했습니다.
편향 측정
위에서 설명한 대로 재구성 작업의 각 시도에서 대상 면은 4개 위치 중 하나(4개 사분면의 중심)에 위치했습니다. 따라서 검색 공간의 x축과 y축 모두에서 대상은 검색 공간의 중심과 경계 사이의 중간에 있었습니다(그림 1a). 잠재적 편향을 측정하기 위해 각 실험에 대해 모든 응답을 공통 축에 정렬하고 각 기능 차원(영향, 성별)에 대해 개별적으로 공통 척도로 재조정했습니다. 재조정된 데이터의 경우 각 차원에 대해 가능한 응답 범위는 -2에서 2까지였으며, 여기서 0는 얼굴 공간의 중심(즉, 검색 공간의 중심)입니다.
경쟁 조건의 경우 진단 차원=1의 대상 얼굴 위치와 영장류 얼굴의 위치=-1(그림 1c). 따라서 영장류의 얼굴에서 멀어지는 편향은 1보다 큰 값으로 표시되는 반면, 영장류의 얼굴(또는 얼굴 공간의 중심 방향)을 향한 편향은 1보다 낮은 값으로 표시됩니다. 비진단 차원의 경우 위치 대상 얼굴과 짝 얼굴=1의 얼굴입니다. 비경쟁 조건의 얼굴이 재구성 작업에 포함되었지만 진단 차원과 비진단 차원 간의 차이가 존재하지 않았기 때문에 이러한 얼굴에 대한 편향은 측정되지 않았습니다. 오히려, 비경쟁적인 얼굴은 연관 기억 테스트에서 매우 중요했으며, 전반적인 기억 간섭 효과를 확립하는 데 도움이 되었습니다.
재구성 작업의 경우 각 시도의 응답 범위가 대상 주위에 비대칭적으로 분포되었다는 점에 유의하는 것이 중요합니다. 반응 범위가 목표 주위에 대칭적으로 분포되어 있었다면 정의에 따라 각 시험의 올바른 반응은 검색 공간의 중심이었을 것입니다. 이로 인해 참가자는 단순히 중앙에서 반응하는 방법을 배우게 되었을 것입니다. 그러나 우리가 사용한 접근 방식의 단점은 경쟁 조건의 진단 차원에서 영장류 얼굴(1~2의 값)보다 영장류 얼굴(-2~1 사이의 값)에 반응할 기회가 더 많다는 것입니다. ).
물론 이러한 비대칭성은 우리가 예측한 반발 효과(1보다 큰 값)에 반대됩니다. 그럼에도 불구하고 비대칭적으로 제한된 응답 범위를 설명하기 위해 잘린 정규 분포를 데이터에 맞춰 실제 평균을 추정했습니다. 각 참가자에 대해 진단 및 비진단 차원에 대해 별도의 모델이 실행되었으며, 각 모델은 충분한 수의 데이터 포인트를 포함하기 위해 얼굴 및 기능 차원(영향, 성별)에 걸쳐 데이터를 풀링했습니다. 따라서 각 모델에는 32개의 데이터 포인트(경쟁 조건의 8개 얼굴 × 얼굴당 4개의 재구성 시도)가 포함되었습니다. 최대 우도 추정은 데이터에 가장 잘 맞는 잘린 정규 분포의 평균과 표준 편차를 찾는 데 사용되었습니다. 분포는 R의 변환 및 MASS 패키지를 사용하여 모델링되었습니다.
우리는 평균의 검색 공간을 목표의 양쪽(± 1 단위)에 균등하게 균형을 이루는 그럴듯한 값의 범위로 제한하고 표준 편차를 최대 1과 최소 0.1로 제한했습니다. 모델링된 평균이 실제 평균에 대한 더 나은 추정치로 간주되지만 모델이 설명하지 못하는 분산의 원인이 몇 가지 있습니다. 예를 들어, 모델은 각 기능 차원 및/또는 자극에 대해 잠재적으로 고유한 분포를 설명하지 않습니다. 또한, 나중에 얼굴 특징을 회상하는 방식에 내재된 전역적 편견이 있을 수 있다는 증거가 있습니다(Bülthof & Zhao, 2020; Won et al., 2020). 그러나 비판적으로 모든 글로벌 편향은 진단 및 비진단 차원에 동일하게 영향을 미칩니다. 따라서 우리의 분석은 주로 진단 차원과 비진단 차원에 대한 모델링된 평균의 차이에 중점을 두었습니다.
측정 정밀도
각 얼굴에 대해 진단 및 비진단 특징이 기억되는 정밀도를 측정하기 위해 진단 및 비진단 특징 치수에 대해 개별적으로 각 얼굴에 대한 4가지 재구성 시도에 대한 반응의 표준 편차를 계산했습니다. 그런 다음 진단 및 비진단 차원에 대해 개별적으로 각 참가자에 대한 이러한 표준 편차 값의 평균을 계산했습니다.
재구성 편향과 연관 간섭 사이의 관계 측정
진단 특징 차원의 편향이 메모리 간섭을 줄이는 데 적응적인 역할을 하는지 확인하기 위해 재구성 작업 중에 측정된 편향과 연관 기억 테스트의 정확도(포착하기 위해 마지막 4라운드에 걸쳐 평균화됨) 사이의 관계에 초점을 맞춘 일련의 혼합 효과 모델을 실행했습니다. 학습의 최종 상태). 본 분석은 개별 항목(얼굴) 수준에서 수행되었으나 각 얼굴의 정확도 값은 해당 얼굴과 쌍의 평균 정확도로 정의되었습니다. 따라서 각 세트의 두 영장류는 동일한 정확도 값을 가졌습니다. 영장류 전체의 정확도를 평균화하는 이론적 근거는 예를 들어 참가자가 경쟁하는 두 얼굴(영장류)을 동일한 단서(직업)와 연관시키는 경우 이러한 연관 중 하나를 "올바른" 것으로 처리하고 다른 하나를 "잘못된" 것으로 처리하는 것보다 더 적절하다는 것입니다. 오류가 두 얼굴에 걸쳐 공유되도록 합니다.
연관 기억 정확도에 대한 재구성 편향과 관련된 분석을 위해 우리는 연관 기억 테스트의 마지막 4라운드에서 모든 시험에서 완벽한 정확도를 보인 참가자를 제외했습니다. 이러한 제외에 대한 이론적 근거는 이러한 참가자의 경우 모델이 설명할 수 있는 분산 비연관 기억이 없다는 것입니다. 또한 지난 4라운드 동안의 연관 기억 테스트에서 천정에 가까운 성능을 보인 것을 고려하여 실험 1에 대해 이 분석을 실행하지 않았습니다(참가자 11명(31%)은 100% 정확도를 보였고 나머지 참가자의 평균 정확도는 95.96±3.01이었습니다. 참가자 내 평균 SD가 3.62 ±1.70인 %). 더 유사한 영장류를 사용한 실험 2와 3의 경우 연관 기억 정확도가 더 낮았으므로 최대 성능으로 인해 제외된 참가자 수가 더 적었습니다(경험 2에서는 참가자 7명(19%), 실험 3에서는 참가자 6명(12%), 평균 나머지 참가자의 정확도, 실험 2: M=92.47 ± 7.58%, 실험 3: M =93.56 ± 6.26%).
이러한 모델의 경우 개별 얼굴 수준에서 재구성 편향을 계산하는 것이 중요했습니다. 그러나 위에서 설명한 실험/얼굴 전체를 통합하여 각 참가자의 평균 편향을 추정하는 방법은 관찰 횟수가 적기 때문에(얼굴당 4번의 실험) 이 분석에 적합하지 않았습니다. 따라서 이 분석을 위해 우리는 재구성 반응의 평균을 간단히 사용했습니다(얼굴당 4번의 시도에 걸쳐). 재구성 편향과 연관 메모리 정확도 사이의 관찰된 관계가 잠재적인 "교환 오류"에 의해 유발될 수 있다는 우려를 해결하기 위해 사전 등록된 접근 방식은 확장된 응답이 {{0}} 사이에 있는 개별 응답(시험)을 제외하는 것이었습니다. 및 0 및 스케일링된 응답이 0과 2 사이인 응답만 유지합니다. 따라서 진단 차원의 경우 목표보다 경쟁 영장류에 더 가까운 모든 응답은 제외되었습니다. 나머지 모든 반응은 각 얼굴의 평균 반응에 포함되었습니다.
드물긴 하지만, 네 가지 재구성 시험 모두에서 얼굴이 제외된 반응과 연관되어 있는 경우 해당 얼굴은 분석에서 완전히 제외되었습니다. 실험 2의 경우 이는 4명의 참가자에게 총 4개의 얼굴이 분포되어 발생했습니다. 실험 3에서는 6명의 참가자에게 총 6개의 얼굴이 분포되어 있었습니다. 잠재적인 스왑 오류를 제외하기 위한 사전 등록된 접근 방식은 극심한 오류의 영향을 제거하기 위한 보수적인 접근 방식으로 의도되었지만, 제외된 응답이 없을 때 모든 주요 결과는 여전히 중요했습니다. 또한 실험 2와 3의 데이터를 결합한 탐색적 분석에서 극단적인 응답을 모두 제외하는 대신 -2와 0 사이의 응답은 모든 시도에서 허용되는 0 값으로 제한되었습니다. 모델에 유지되지만 극단적인 반응의 영향은 감소되었습니다.
혼합 효과 모델은 thelme4 패키지를 사용하여 R에서 구현되었습니다(Bates et al., 2014). 관련 변수가 있는 모델과 해당 변수를 제외한 null 모델을 비교하기 위해 우도비 테스트가 사용되었습니다. 진단 차원이 효과 대 성별인지 여부와 관련된 잠재적인 차이를 설명하기 위해 모든 모델에는 이 범주형 변수가 고정 효과로 포함되었습니다. 재구성 편향과 연관 기억 정확도 사이의 관계가 참가자마다 다를 수 있도록 하기 위해 가능한 경우 각 참가자에 대한 무작위 절편과 무작위 기울기를 사용하여 편향과 연관 기억 정확도 사이의 관계를 모델링했습니다.
수렴하지 못했거나 단일 ft에 도달한 모델을 처리하기 위한 사전 등록된 접근 방식은 편향을 제거한 무작위 기울기를 사용하여 동일한 모델을 다시 실행하는 것이었습니다(Barr et al., 2013 참조). 사전 등록된 모델은 모두 수렴했지만 진단 차원과 비진단 차원의 편향 차이를 예측 변수로 사용한 탐색 모델은 무작위 기울기가 포함될 때 수렴하지 못했습니다. 따라서 우리는 무작위 기울기를 제거했습니다. 부호 없는 오류 또는 정밀도(편향 없음)만 예측 변수로 포함하는 탐구 모델은 이러한 변수에 대해 무작위 기울기가 포함될 때 수렴하지 못했습니다. 따라서 우리는 이러한 변수에 대한 임의의 기울기를 제거했습니다.
마지막으로 예측 변수로서 정밀도 및 부호 없는 오류와 함께 편향을 포함하는 탐색 모델도 모든 변수에 대해 무작위 기울기가 포함될 때 수렴하지 못했습니다. 무작위 기울기를 제거할 때 편향에 대한 무작위 기울기를 유지하는 데 우선순위를 두었고, 이로 인해 정밀도 및 부호 없는 오류에 대한 무작위 기울기가 제외되었습니다.
결과
연관 기억 테스트
경쟁 조건과 비경쟁 조건 간에 연관 기억 정확도가 다른지 여부를 테스트하기 위해 조건(경쟁, 비경쟁) 및 라운드(실험 1: 처음 9 라운드, 실험 2 및 실험 2) 요인을 사용하여 각 실험에 대해 반복 측정 ANOVA를 수행했습니다. 3: 12라운드). 각 실험마다 조건의 유의한 주효과가 있었습니다(예제 1: F(1,35) {{10}}.14, p < 0.001, 휂2G=0.034; 실험 2: F(1,40)=67.43, p < 0.001, μ2G=0.10; 실험 3: F(1, 56)=88.21, p < 0.001, 휂2G=0.16), 경쟁 조건에서는 정확도가 낮습니다(그림 2a). 이 차이가 간섭을 구체적으로 반영하는지 확인하기 위해 발생한 오류 유형을 고려했습니다. 경쟁 조건의 경우 오류는 경쟁자 얼굴 또는 4개의 비경쟁 미끼 중 하나를 선택하는 것과 일치할 수 있습니다(그림 2b). 오류가 무작위인 경우 경쟁자는 오류 시도의 1/5로 선택됩니다. 그러나 라운드 전반에 걸친 오류 시도를 결합하면 가능성이 높은 수준에서 경쟁자가 선택되었습니다(예제 1: M=60.18 ± 19.68%, t(35)=12.25, p< 0.001, d = 2.04; Exp. 2: M = 71.29 ± 15.78%, t(40) = 20.82, p < 0.001, d = 3.25; Exp. 3: M = 78.63 ± 11.58%, t(56) = 38.21, p < 0.001, d = 5.06), confirming that increased errors in the competitive condition refected interference from the competitor face.
얼굴 재구성 정확도가 우연보다 높은지 여부를 테스트하기 위해 각 응답과 대상 얼굴 위치 사이의 유클리드 거리를 측정했습니다(2차원 응답 공간에서, 그림 1c). 각 참가자에 대해 응답과 대상 위치 사이의 평균 유클리드 거리는 순열 분포(참가자 10 내에서 응답을 000회 이동하여 계산됨)와 비교되었습니다. 모든 참가자에 대해 위의 확률 정확도(순열 평균의 97.5% 이상)가 관찰되었습니다(그림 3).
얼굴 재구성 편향
진단 얼굴 차원에 따른 반발력에 대한 중요한 예측을 테스트하기 위해 경쟁 조건에서 진단 차원과 비진단 차원에 대한 특징 편향(방법 참조)을 비교했습니다(그림 4a). 우리는 먼저 실험 1과 2에서 예측을 테스트한 다음 실험 3에서 복제를 테스트했습니다. 차원(진단, 비진단) 및 실험(실험 1, 실험 2) 요소를 사용한 반복 측정 ANOVA는 반발에 대한 훨씬 더 큰 편향을 나타냅니다. 진단 차원(F(1,70)=22.25, p< 0.001, 휂2 G = 0.061). There was a trend toward a significant interaction between dimension and experiment (F(1,70) = 3.96, p = 0.0506, 휂2 G = 0.011), with a relatively weaker effect size in Experiment 1 (d = 0.27) than in Experiment 2 (d = 0.73). As predicted, Experiment 3 replicated, with a large effect size and preregistered hypothesis, the greater bias toward repulsion on the diagnostic dimension (t(48) = 5.87, p < 0.001, d = 0.83).
사전 등록된 분석은 진단 차원과 비진단 차원 간의 비교에 중점을 두었지만 진단 차원의 재구성이 대상 얼굴의 실제 위치와 크게 다른지 여부도 테스트했습니다. 실제로 세 가지 실험 모두에서 데이터를 결합하면 진단 차원에 대해 모델링된 평균이 1(t(120)=4.39, p < 0의 실제 값보다 훨씬 더 컸습니다.{{ 60}}01, d=0.40), 경쟁 상대로부터 멀어지는 편견을 반영합니다. 이 효과는 실험 전반에 걸쳐 크게 다르지 않았습니다(F(2,118)=2.15, p=0.12, 휂2G =0.035). 대조적으로, 비진단 차원에서는 얼굴 공간의 중심을 향해 작지만 상당한 편향이 있었습니다(모델링된 평균 < 1; t(120)=-2.33, p=0.021, d {{ 25}}.21). 이 효과는 실험 전반에 걸쳐 상당히 달랐습니다(F(2,118)=9.56, p < 0.001, μ2G=0.14). 실제로 실험 1에서는 응답이 1보다 훨씬 높았으며(t(34)=2.15,p=0.039, d=0.36), 실험 2와 3에서는 1보다 현저히 낮았습니다(예시 2: t(36)=-2.45, p=0.019, d =0.40; 표현식 3: t(48) {{58} }.98, p < 0.001, d=0.57). 재구성된 반응의 절대 값은 (잠재적인 전역 편향으로 인해) 약간의 주의를 기울여 해석되어야 하지만, 진단 차원에서 반발에 대한 일관된 편향은 경쟁이 진단 차원에서 표적 반발을 촉발한다는 우리의 예측을 뒷받침합니다.
얼굴 재구성 정밀도
다음으로 진단 차원과 비진단 차원에 따라 재구성 정밀도가 다른지 여부를 테스트했습니다(그림 4b). 우리는 동일한 얼굴의 반복된 재구성에 대한 표준 편차로 정밀도를 정의했습니다(방법 참조). 경쟁 조건의 경우, 차원 요소(진단, 비진단) 및 실험(실험 1, 실험 2)을 사용한 반복 측정 ANOVA는 진단 차원(F(1,7)에서 훨씬 더 높은 정밀도, 즉 낮은 재구성 가변성을 나타냈습니다. {{10}})=16.81, p < 0.001, 휂2G=0.044). 이 효과는 실험과 상호작용하지 않았습니다(F(1,70)= 0.34, p=0.56, 휂2G=0.001). 진단 차원에 대한 더 큰 정밀도의 효과는 실험 3(t(48)=5.45,p < 0.001, d=0.74)에서 재현되었습니다(사전 등록된 예측과 일치).
우리의 정밀도 측정은 수학적으로 편향 측정과 무관하지만, 이러한 측정은 더 큰 정밀도로 재구성된 얼굴이 더 큰 편향과 연관되는 경향이 있도록 상관 관계가 있다는 점은 주목할 만합니다(그림 S2A, OSM 참조). 그러나 중요한 것은 높은 편향 항목이 분석에서 제외된 경우에도 진단 차원과 비진단 차원에 대한 더 높은 정밀도의 효과가 여전히 중요하다는 것입니다(그림 S2B, OSM 참조).
재구성 편향과 연관 간섭의 관계
마지막으로, 우리는 진단 차원에서 더 큰 재구성 편향(반발)이 더 나은 연관 메모리 테스트 성능(간섭이 적음)과 연관되어 있다는 예측을 테스트했습니다. 실험 1(그림 2)의 천장에 가까운 연관 메모리 성능으로 인해 실험 2 데이터에 중점을 두었습니다. (a) 진단 차원(연속 변수)에 대한 편향 및 (b) 진단 차원이 영향을 받았는지 또는 성별(범주형 변수)이 영향을 받았는지 여부의 고정 효과를 사용하여 항목 수준 연관 메모리 정확도를 예측하는 혼합 효과 모델을 실행했습니다. 바이어스는 각 참가자의 무작위 인터셉트와 기울기로 모델링되었습니다. 우도비 테스트를 사용하여 이 모델을 편향이 없는 모델과 비교했습니다. 비판적으로, 모델 ft는 편향이 포함되었을 때(χ2(1)=4.67, p=0.031) 편향이 연관 메모리 정확도를 긍정적으로 예측하는 경우(편향=3.58, SE) 훨씬 더 좋았습니다. =1.62). 대조군으로서 우리는 동일한 분석을 반복했지만 비진단 차원에 대해서는 편견을 두었습니다. 여기서 편향은 모델 ft(χ2(1)=0.021, p=0.89, 편향=-0.31,SE=2.14)를 개선하지 못했습니다. 실험 3의 경우 사전 등록된 분석을 사용하여 진단 차원 편향과 연관 메모리 정확도 간의 관계 복제를 예측했습니다. 예측 방향에서 작은 효과가 관찰되었지만 유의미하지는 않았습니다(χ2(1)= 0. 24, p=0.63, 바이어스=0.69, SE= 1.41).
사전 등록된 분석에서는 대상보다 경쟁업체와 더 유사한 재구성 응답(시험)을 제외했습니다. 이에 대한 이론적 근거는 극단적인 응답(잠재적인 스왑 오류)이 모델에 큰 영향을 미치지 않도록 하는 것이었습니다(방법 참조). 그러나 이 접근 방식은 이러한 시도의 영향을 최소화하기보다는 완전히 제거했습니다.
따라서 탐색적 분석으로 이러한 극단적인 재구성 점수를 {{0}}(대상과 경쟁자 간의 동일한 거리, 방법 참조) 값으로 대체했습니다. 이를 통해 모든 시험이 포함될 수 있었지만 극단적인 반응의 영향은 줄어들었습니다(이러한 극단적인 반응이 무엇을 나타낼 수 있는지에 대한 추가 분석은 그림 S4(OSM) 참조). 이 탐색적 분석을 위해 실험 2와 3의 데이터를 결합하고 실험(실험 2, 실험 3)을 고정 효과로 추가했습니다. 널 모델과 비교하여 진단 차원에 편향을 추가하면 모델 ft(χ2(1)=15.88, p < 0.001)가 크게 향상되었으며 양의 편향(반발)으로 더 높은 연관 기억 정확도( 편향 {{12} }.45, 남동=1.04).
실험과 편향 사이에 상호 작용을 추가해도 모델 적합성이 향상되지 않았습니다(χ2(1) =1.39, p=0.24, exp×bias=-2.47, SE=2 .08), 이는 편견과 연관 기억 사이의 관계가 실험 전반에 걸쳐 다르지 않았음을 나타냅니다. 또한, 실험 3 데이터에만 편향을 적용했을 때 모델 적합성이 크게 향상되었습니다(χ2(1)=3.98, p=0.046, 편향=2.45, SE=1 .19), 이는 편향과 연상기억의 관계가 실험 2 데이터에만 의해 좌우되는 것이 아님을 확인시켜 줍니다. 대조군으로서 우리는 동일한 모델 비교를 실행했지만 예측 변수로서 비진단 차원에 대한 편향을 사용했습니다. 모델 간에는 유의미한 차이가 없었습니다(χ2(1)=0.14, p=0.71, 편향 =-0.40, SE=1.08).
또한, 비진단 차원(즉, 편향 차이 점수)에 대한 진단 차원의 편향 정도도 편향이 없는 널 모델에 비해 모델 적합성을 크게 향상시켰습니다.χ2(1)=19.87, p< 0.001, βbias. dif = 2.71, SE = 0.60 (random slopes were excluded due to reaching singularity).
For more information:1950477648nn@gmail.com
