자세한 정보:ali.ma@wecistanche.com

Pls는 여기를 클릭하여 2부

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

수락: 2021년 2월 12일 / 온라인 게시: 2021년 3월 25일

# 저자(들) 2021

딸깍 하는 소리Cistanche UK for 메모리

추상적인

일련 주문 정보의 유지 관리는 작업의 핵심 구성 요소입니다.메모리(WM). 많은 이론적 모델은 특정 직렬 주문 메커니즘의 존재를 가정합니다. 이는 항목 정보의 유지 관리를 지원하는 언어 시스템과 독립적인 것으로 간주됩니다. 이것은 심리 언어적 요인이 항목 정보를 유지하는 능력에 강한 영향을 미치면서 상대적으로 영향을 받지 않는 회상 순서를 유지한다는 것을 보여주는 연구를 기반으로 합니다. 그러나 최근의 언어 기반 설명은 언어 시스템이 연속 주문 유지에 충분한 메커니즘을 제공할 수 있다고 제안합니다. 이러한 계정의 강력한 버전은 언어 시스템에서 발생하는 활성화 패턴에서 나오는 일련의 주문 유지를 가정합니다. 현재 연구에서 우리는 순전히 활성화 기반 아키텍처를 구현하여 계산 모델링 접근 방식을 통해 이 가정을 테스트했습니다. 복잡한 방식으로 직렬 순서 처리와 상호 작용하는 것으로 나타난 심리 언어적 변수인 의미론적 관련성의 조작과 관련된 여러 실험에 대해 이 아키텍처를 테스트했습니다. 우리는 이 활성화 기반 아키텍처가 의미론적 지식과 직렬 주문 처리 간의 상호 작용을 설명하는 데 어려움을 겪고 있음을 보여줍니다. 이 연구는 활성화된 장기를 지원하지 않습니다.메모리연속 주문 유지를 지원하는 독점적인 메커니즘으로.

키워드: 작업메모리. 연속 주문. 전산 모델링. 의미론적 지식

소개

일련 주문 정보를 유지하는 능력은 구두 작업의 핵심 구성 요소입니다.메모리(WM). 일련의 순서(즉, 기억해야 할 항목의 순차적인 순서)의 유지와 관련된 메커니즘은 항목 정보(즉, 기억할 항목의 언어적 내용)의 유지와 관련된 메커니즘과 독립적인 것으로 간주되었습니다. 항목). 이 가정은 다양한 연구 라인에 의해 뒷받침됩니다. 어휘력과 같은 심리언어학적 요인이 언어적 WM 수행에 미치는 영향을 조사한 연구는 일반적으로 항목 회상에 대한 영향을 관찰하고 연속 순서 회상에는 최소한의 영향을 미칩니다(Allen & Hulme, 2006; Hulme, 2003;

취리히대학교 심리학과 Binzmühlestrasse 14, 8050, Zürich, Switzerland

벨기에 리에주 리에주 대학교

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

과학 연구를 위한 기금 – FRS-FNRS, 벨기에 브뤼셀

Romani, Mccalpine, & Martin, 2008; Roodenrys, Hulme, Lethbridge, Hinton, & Nimmo, 2002; Saint-Aubin & Ouellette, 2005; Walker & Hulme, 1999). 또한 연속 주문 회수 성능은 항목 정보의 유지보다 리드미컬하고 조음 간섭 작업의 영향을 더 많이 받습니다(Gorin, Kowialiewski, & Majerus, 2016; Henson, Hartley, Burgess, Hitch, & Flude, 2003). 신경 심리학 연구에서는 여러 뇌 손상 환자와 신경 발달 장애의 영향을 받는 집단에서 연속 순서와 항목 회상 수행 사이의 이중 해리가 있다고 보고했습니다(Brock & Jarrold, 2005; Majerus, Attout, Artielle, & Kaa, 2015; Martinez Perez , Poncelet, 연어, & Majerus, 2015). 마지막으로, 항목 및 일련 순서 정보의 유지 관리는 신경 자극 및 신경 영상 연구(Attout, Fias, Salmon, & Majerus, 2014; Guidali, Pisoni, Bolognini, & Papagno, 2019; Kalm & Norris , 2014; Majerus et al., 2010; Papagno et al., 2017).

동시에 다른 연구에서는 연속 순서 회상이 언어 지식과도 상호 작용할 수 있다고 제안합니다. 어휘 지식은 항목 정보의 회상을 강력하게 향상시키지만 항목 내 및 항목 간의 음소 이동 오류도 제한합니다(Jefferies, Frankish, & Lambon Ralph, 2006). 마찬가지로 비단어는 항목 수준에서 단어에 비해 기억력이 좋지 않더라도 연속 순서 회상과 관련하여 상대적 이점을 나타낼 수 있습니다(Fallon, Mak, Tehan, & Daly, 2005; Kowialiewski & Majerus, 2018; Saint-Aubin & Poirier , 1999). 최근 Kalm과 Norris(2014)는 언어 정보의 인코딩 및 유지를 지원하는 등쪽 언어 경로 내에서 도출된 신경 패턴을 기반으로 비단어의 직렬 순서를 디코딩할 수 있음을 보여주었습니다. 유사하게, Papagno et al. (2017)은 신경외과 환자에서 직접 전기 자극을 사용하여 등쪽 언어 경로의 뒤쪽 부분을 자극할 때 항목 회상 성능에 비해 연속 순서 회상 성능이 감소함을 보여주었습니다.

이론적인 수준에서는 일련의 주문 정보의 임시 유지 관리가 특정 품목 및 일련 주문 표현 수준 없이 수행될 수 있다고 주장되었습니다(Acheson & MacDonald, 2009; Jones & Macken, 2018; Schwering & MacDonald, 2020). ). 그러한 계정의 강력한 버전은 일련 순서 정보가 언어 시스템 내에서 발생하는 활성화 패턴을 통해 독점적으로 유지된다고 간주합니다(Acheson, MacDonald, & Postle, 2011; Martin & Saffran, 1997; Poirier, Saint-Aubin, Mair, Tehan , & Tolan, 2015). 예를 들어 Martin & Saffran(1997, p. 672)에 따르면:

"원칙적으로 대화형 활성화 프로세스는 직렬 순서를 유지하는 역할도 할 수 있습니다. 시퀀스의 첫 번째 단어를 나타내는 단어 노드가 먼저 프라이밍되므로 프라이밍된 노드에 비해 활성화된 음운 및 의미 표현에서 지원을 얻는 데 더 많은 시간이 있습니다. 따라서 단어 노드는 일련의 위치에 걸쳐 활성화 수준의 기울기를 보여야 합니다. [ ... ] 초경간 회상에서 최근 효과는 회상 시점에 터미널 항목은 활성화 모델에 내재된 감쇠 기능의 영향을 덜 받았습니다."

Cistanche는 기억력을 향상시킬 수 있습니다.

마찬가지로 Acheson et al. (2011, pp. 45–46)은 언어 네트워크에서 항목의 상대적 활성화 수준을 통해 직렬 주문 오류가 직접 발생할 수 있다고 제안했습니다.

"이러한 대화형 활성화 프레임워크는 의미론적 표현이 어휘 수준의 발화 계획의 순서에 어떻게 영향을 미칠 수 있는지에 대한 잠재적인 설명을 제공합니다. 누군가가 단어 또는 일련의 단어를 들을 때 해당 입력의 활성화는 동시에 음운 표현으로 전달되고 다시 초기 인코딩 후 어휘 활성화는 의미 및 음운 표현과의 반복적인 상호 작용에 의해 결정됩니다. 이러한 상호 작용으로 인해 어휘 항목의 상대적 활성화 수준이 변경될 때 직렬 순서 오류가 발생합니다."

이 아이디어를 바탕으로 Poirier et al. (2015)는 ANet 계정이라고 하는 이러한 모델에 대한 보다 정교한 설명을 개발했습니다. 이 설명에 따르면 기억해야 할 목록의 항목은 언어적 장기로 순차적으로 인코딩됩니다.메모리그림 1에 표시된 것처럼 활성화 기울기에 따라 강도가 감소하는 시스템. 이 활성화 기울기를 통해 일련 순서 정보가 유지됩니다. 연속 회수는 각 회수 시도에서 가장 강력하게 활성화된 항목을 선택하여 수행됩니다. 선택 메커니즘에 잡음이 있기 때문에 직렬 주문 오류가 결국 발생합니다. 이 모델의 중요한 예측은 언어 시스템 내에서 항목의 활성화 수준을 수정하면 WM의 연속 순서 오류 패턴에도 영향을 미친다는 것입니다(Achesonetal., 2011).

최근의 증거는 이러한 이론적 입장을 뒷받침하는 것으로 보입니다. Poirier et al.(2015)은 기억해야 할 목록의 전반부에 의미적으로 관련된 항목의 삼중항을 제시하여 의미적 관련성을 조작했습니다. 목록의 후속 항목은 제어 조건에서 의미적으로 관련이 없습니다(예: 장교-뱃지- 사이렌- 음악-관광객-노란색). 실험 조건에서 다섯 번째 항목은 목록의 전반부 삼중 주석과 의미적으로 관련이 있었습니다. 제어 조건과 비교하여 저자는 다섯 번째 항목의 이전 직렬 위치, 즉 의미적으로 관련된 단어의 세 단어로의 마이그레이션 오류가 증가하는 것을 관찰했습니다. ), 이 타겟은 대조군 조건(그림 1b)에 비해 실험 조건(그림 1c)에서 더 높은 활성화 수준을 가져야 합니다. 연속주문정보의 회수는 가장 활성화된 항목을 선택하여 수행되기 때문에 장기적으로 활성화의 기울기가메모리이론적으로 더 이른 직렬 위치로 의미적으로 관련된 대상의 더 많은 이동을 예측할 수 있습니다. 따라서 의미론적 관련성의 조작은 언어 시스템 내에서 발생하는 활성화의 상대적 패턴을 수정해야 하기 때문에 활성화 기반 모델의 중요하고 직접적인 테스트입니다. 이 상대적인 활성화는 차례로 Poirier와 동료의 데이터가 지원하는 것으로 보이는 일련 주문 정보의 처리에 영향을 미칩니다(Acheson et al., 2011). 이것은 실제로 ANet 계정의 핵심 예측이었습니다.

"실험 1에서 우리는 대상 항목의 활성화 수준을 조작하여 해당 항목에 대한 주문 오류가 증가할 것이라는 예측을 테스트하여 CQ [경쟁 대기열] 메커니즘이 활성화가 강화되어 이 항목을 더 일찍 선택할 가능성이 높습니다. 조기 선택은 활성화가 항목 회수 순서에 영향을 미쳤음을 의미합니다." (Poirier et al., 2015, p. 492).

그림 1 의미적으로 관련이 없는 조건에서 (a), 항목 A, B, C가 의미적으로 관련되어 있는 조건에서, (c) 항목 A, B, C와 E는 의미적으로 관련되어 있습니다. 의미적으로 관련된 항목은 별표로 표시됩니다. 알 수 있는 바와 같이, 의미론적 관련성의 존재는 관련 항목에 대한 항목의 활성화 수준을 높입니다.

이 이론적인 설명이 별개의 항목 및 연속 순서 처리 수준을 가정하는 WM의 계산 모델의 대부분과 현저한 대조를 이룬다는 점을 감안할 때, 본 연구의 목적은 순전히 활성화 기반 언어 설명을 나타내는 순전히 활성화 기반 언어 설명의 계산 가능성을 테스트하는 것이었습니다. WM 컨텍스트의 정보. WM의 대부분의 계산 모델은 실제로 항목 정보에 관련된 것과 구별되는 직렬 순서 메커니즘의 존재를 명시적으로 가정합니다. 예를 들어 TBRS* 및 SOB-CS 아키텍처(Oberauer & Lewandowsky, 2011; Oberauer, Lewandowsky, Farrell, Jarrold, & Greaves, 2012)뿐만 아니라 Burgess 및 Hitch(1999, 2006)의 계산 모델도 마찬가지입니다. 및 Brown, Hulme 및 Preece(2000). 이러한 유형의 아키텍처는 항목-위치 연관 생성을 통해 일련 순서 정보가 유지되며 위치는 특정 표현 메커니즘으로 표시된다고 간주합니다. 이러한 모델은 직렬 위치 표현의 특성에 따라 크게 다르지만 우선 순위 및 최신 효과 및 전치 오류 패턴을 비롯한 중요한 직렬 순서 현상을 안정적으로 재현합니다.

이것은 순전히 활성화 기반 아키텍처의 타당성을 테스트하는 중요한 심리 언어학적 요소입니다. 계산 아키텍처를 살펴보기 위해 먼저 직렬 순서 정보가 장기적으로 활성화의 Primacy 그래디언트를 통해 유지되는 것으로 가정했습니다.메모리(Martin & Saffran, 1997; Page & Norris, 1998; Poirier et al., 2015). 그런 다음 의미론적 효과를 모델링하기 위해 측면 흥분성 연결을 추가하여 이 아키텍처를 적용했습니다.

Cistanche는 기억력을 향상시킬 수 있습니다.

전산 모델링

건축물

우리가 사용한 아키텍처는 단일 레이어로 구성된 연결주의 모델입니다. 인코딩되면 항목이 활성화됩니다. 이 활성화는 장기 메모리 지식 기반에서 직접 발생해야 합니다. 의미론적으로 관련된 항목은 직접적인 양방향 흥분성 연결을 통해 연결되며, WM에서 의미론적 효과를 모델링할 가능성은 이미 세 가지 독립적인 모델에서 입증되었습니다(Haarmann & Usher, 2001; Kowialiewski & Majerus, 2020; Kowialiewski, Portrat, & Lemaire , 2021). 아이템은 활성화 기울기를 사용하여 강도가 감소하면서 연속적으로 활성화됩니다. 각 인코딩된 항목은 의미적으로 관련된 다른 항목으로 활성화를 자동으로 퍼뜨립니다. 회수는 활성화 값에 따라 각 항목을 연속적으로 검색하여 수행됩니다. 단순화를 위해 Norris, Kalm 및 Hall(2020)이 제공한 Primacy 모델의 마지막 구현을 사용했습니다. 우리가 제안하는 아키텍처의 Julia 구현은 OSF(Open Science Framework): https://osf.io/9e4hu/에서 무료로 사용할 수 있습니다.

인코딩 원래 Primacy 모델에서 인코딩은 V로 표시되는 활성화 기울기를 따릅니다. 이것은 피크 값 , 및 단계 값으로 정의됩니다. 값은 자유 매개변수이며 첫 번째 항목이 연결된 시작 값을 나타냅니다. 값은 각 인코딩 단계에서 값의 소모량을 나타냅니다. 이 매개변수는 1로 고정되어 있습니다. 예를 들어 값이 20인 경우 6개 항목 목록에 대한 활성화 기울기는 [20, 19, 18, 17, 16, 15]입니다. 리허설은 Primacy 모델에서 명시적으로 모델링되지 않습니다. 여기에는 Norris와 동료들의 마지막 구현이 포함됩니다. 모델 내의 활성화는 이론적으로 리허설이 발생하는 경우 예상되는 것에서 간단히 파생됩니다.

활성화 확산 인코딩 동안 활성화는 의미적으로 관련된 노드로 확산됩니다. 이것은 양방향 흥분성 연결을 포함하여 모델링됩니다. 이러한 연결의 강도는 자유 매개변수 λ입니다. 각 인코딩 단계에서 항목은 활성화 기울기 V를 사용하여 활성화됩니다. 그런 다음 활성화는 네트워크 내에서 양방향으로 확산됩니다.

여기서 Ai는 항목 i와 관련된 최종 활성화 값을 나타내고 Aj는 연결 가중치 λ에 의해 조정된 의미적으로 관련된 각 항목 j에서 오는 활성화입니다. 아래 첨자 t는 타임스탬프를 나타냅니다.

의미론적 지식을 명시적으로 나타내려는 의도가 아니라는 점에 유의하는 것이 중요합니다. 이 확산 활성화 원리를 통해 표현하고자 하는 것은 의미적으로 관련된 항목들이 서로 재활성화된다는 사실입니다. 차례로, 이 재활성화는 항목 상대적 활성화를 수정하고 따라서 연속 주문 오류의 패턴을 수정해야 합니다(Acheson et al., 2011). 다시 말해서, 시맨틱 네트워크에서 항목의 상대적 활성화 수준을 수정하면 직렬 순서에 대한 모델의 내부 표현도 변경됩니다.

회수 모든 항목이 인코딩된 후 모델은 항목을 검색해야 합니다. 이것은 경쟁적인 대기열 메커니즘을 사용하여 수행됩니다.2 회수는 2단계 프로세스입니다.

2 Poirier와 동료들은 Hurlstone과 Hitch(2015)에 따라 누산기 모델을 사용하여 모델링되는 경쟁 대기열 메커니즘을 제안했습니다. 우리는 누산기 원칙(OSF에서 사용 가능)을 기반으로 경쟁적인 대기열 메커니즘을 구현했습니다. 이것은 누산기 모델이 이 연구의 목적을 벗어난 회상 대기 시간에 대한 예측을 할 수 있는 추가 기회를 제공한다는 점을 제외하고는 모델의 어떠한 개선도 제공하지 않았습니다. 따라서 우리는 Primacy 모델의 마지막 사용 가능한 구현을 고수했습니다.

먼저, 항목을 잠재적 후보로 선택합니다. 이 프로세스는 소음이 발생할 수 있습니다.

이것은 자유 매개변수인 σ의 표준 편차를 사용하여 각 항목의 활성화에 임시 0 중심 무작위 가우스 잡음을 추가하여 모델링됩니다. 그런 다음 가장 활성화된 항목이 선택됩니다. 반응 억제(Duncan & Lewandowsky, 2005)는 회수 항목을 매우 낮은 값(즉, -999)으로 설정함으로써 이 단계에서 이미 발생합니다. 이렇게 하면 모델이 항목을 두 번 불러오는 것을 방지할 수 있습니다. 둘째, 선택된 항목의 활성화 값을 누락 임계값과 비교합니다. 이 임계값은 임의의 가우스 분포 N(θ, σ')에서 가져옵니다. 여기서 θ와 σ'는 두 개의 자유 매개변수입니다. 선택한 항목의 활성화 값(첫 번째 단계에서 추가된 노이즈 제외)이 검색 임계값보다 높으면 항목이 올바르게 회수됩니다. 그렇지 않으면 생략이 생성됩니다. 이 구현은 두 번째 단계에서 누락이 발생했는지 여부에 관계없이 검색의 첫 번째 단계에서 항상 응답 억제가 적용되는 것으로 가정한다는 점을 지적해야 합니다. Norris et al.의 구현 선택. (2020)은 그럴듯하지 않습니다. 그러나 모델을 여러 번 실행하여 얻은 경험에서 이것이 Primacy 모델이 현실적인 직렬 위치 곡선을 모델링하는 동안 누락 오류를 생성할 수 있는 유일한 방법입니다. 모델의 핵심 가정에 영향을 미치지 않고 이 구현 문제를 피하면서 현실적인 직렬 위치 곡선을 생성하는 것이 가능합니다. 그러나 우리는 단순성을 위해 원래 구현을 고수하는 것을 선호했습니다. 각 연속적인 회수 시도가 있을 때마다 모든 아이템이 소멸됩니다.

여기서 D는 0에서 1까지의 자유 매개변수입니다. 이 감쇠 매개변수로 인해 목록에서 나중에 회수된 항목은 노이즈에 더 취약합니다. 활성화 값이 점근선으로 수렴하기 때문입니다. 모델의 모든 매개변수는 표에 나열되어 있습니다.

1. 방법

데이터 세트 이 모델의 유효성은 세 가지 다른 데이터 세트에서 테스트되었습니다. 의미론적 조건과 중립적 조건을 포함하는 두 개의 데이터 세트(Kowialiewski et al., 2021; Kowialiewski & Majerus, 2020)(즉, 중립 조건은 의미상 관련이 없는 조건) ), Poirier et al.의 데이터. (2015), 우리는 이미 서론에서 설명했습니다. 이 모델은 작업에 부분적으로 의존하는 여러 매개변수를 기반으로 합니다. 따라서 매개변수는 각 데이터 세트에 대해 독립적으로 추정되었습니다. 첫째, 의미적 연관성에 의존하지 않는 매개변수는 중립적

표준 직렬 리콜 성능을 재현할 수 있는 기준 모델을 얻기 위한 조건입니다. 둘째, 의미적 조건은 항목 간의 의미적 관련성 수준을 제어하는 ​​λ 매개변수를 추정하는 데 사용되었습니다.

전체 채점 절차 일련번호 위치 곡선은 엄격한 일련번호 회수 기준을 사용하여 표시되며, 항목이 올바른 일련번호 위치에서 회수되는 경우에만 올바른 것으로 점수가 매겨집니다. 예를 들어, 대상 시퀀스 "Item1 – Item2 – Item3 – Item4 – Item5 – Item6" 및 회수 출력 "Item1 – Item2 – 공백 – Item3 – Item4 – Item6"이 주어지면 항목 1, 2 및 6만 다음과 같이 채점됩니다. 옳은. 실험 데이터에 맞추기 위해 일련의 위치와 관계없이 항목이 올바르게 회상되면 올바른 것으로 점수를 매기는 항목 회상 기준도 사용했습니다. 위에서 언급한 예에서 항목 1, 2, 3, 4 및 6은 올바른 것으로 점수가 매겨집니다. 주문 회상 성능에 대한 의미론적 연관성의 전반적인 영향을 평가하기 위해 각 실험 조건에 대한 주문 회상 점수를 계산했습니다. 이는 품목이 올바른 위치(즉, 엄격한 연속 회수 기준)에서 회수된 횟수를 일련 위치(즉, 물품 회수 기준)에 관계없이 물품이 회수된 횟수로 나눔으로써 수행되었습니다.

전치율 Poirier et al.의 전치 오류 패턴. (2015) 연구는 전치율을 사용하여 플롯되었습니다. 항목 5(항목 1,2,3과 의미상 관련이 없음)와 항목 5가 이동할 수 있는 각 위치에 대해 발생한 전치 오류 수를 계산했습니다. 그런 다음 이 전치 오류 수를 항목 5가 회수된 총 횟수로 나눴습니다. 이것은 각 실험 조건에 대해 별도로 계산되었습니다.

매개변수 추정 모의 어닐링 알고리즘을 사용하여 모델의 기본 매개변수 추정

(French & Kus, 2008; Kirkpatrick, Gelatt, & Vecchi, 1983) 엄격한 두 가지 모두에서 실험과 시뮬레이션된 직렬 위치 재현 점수 사이에서 가장 낮은 RMSE(제곱 평균 제곱근 오차)를 찾습니다. 및 항목 회수 기준. 따라서 RMSE는 항상 12개의 데이터 포인트(엄격한 연속 회수 기준에 대한 6개의 데이터 포인트, 품목 회수 기준에 대한 6개의 데이터 포인트)에 대해 계산되었습니다. 각 자유 매개변수의 하한 및 상한은 표 1에 보고되어 있습니다. 의미론적 매개변수 λ의 추정은 훨씬 간단했으며 0.0001 단계로 [{11}},0.1]에서 그리드 검색만 필요했습니다. 중요하게도 λ는 모델의 기본 매개변수를 일정하게 유지하면서 항상 추정되었습니다. 그런 다음 경험적 데이터에 대해 중립 조건과 실험 조건 간의 평균 차이가 가장 작은 λ 값을 사용했습니다. 아이디어는 인간과 유사한 중립 점수와 실험 점수 사이의 차이를 생성하는 λ 값을 선택하는 것이었습니다. 이는 인간 평균차와 모델 평균차 사이의 격차를 최소화하여 조작화되었습니다. 이제 세 가지 데이터 세트와 해당 실험의 시뮬레이션을 제시합니다. 연구 목록 예제와 함께 다양한 실험 조건의 요약이 표 2에 제공됩니다.

모델 평가

데이터 세트 #1: Kowialiewski 및 Majerus(2020)

데이터 이 데이터 세트는 의미론적 관련성이 직렬 회수 성능 및 주문 회수 성능에 미치는 전반적인 영향을 재현하는 모델의 능력을 평가하는 데 사용되었습니다. 의미론적 관련성이 항목 수준에서 회상 성능을 크게 향상시킨다는 것은 잘 알려져 있습니다(메타 분석을 위해 Kowialiewski & Majerus, 2020 참조). 의미론적 관련성은 미미하더라도 연속 주문 정보를 회상하는 능력에 약간의 해로운 영향을 미칩니다.

이시구로 & 사이토, 2020). 따라서 아키텍처가 주문 회수 성능에 거의 또는 전혀 영향을 미치지 않을 것으로 예상합니다. 우리는 Kowialiewski와 Majerus(2020)에서 보고된 데이터를 사용했는데, 간섭 조건 또는 즉각적인 직렬 회수 작업에서 6개 항목 목록의 의미적 관련성을 조작했습니다. 후자 조건의 결과만 보고되었습니다.