אפקטים של קיבוץ זמני בזיכרון מילולי ומוזיקלי לטווח קצר: האם ייצוג סדר סדרתי הוא תחום כללי? חלק 2

לסיכום, המחקר הנוכחי נועד לחקור את ההשפעות של קיבוץ טמפורלי על שחזור סדרתי מיידי של רצפי צלילים.

רצפי צלילים הם בעיה נפוצה שיש לאנשים בעת לימוד ושינון שפה, אך ניתן לשפר ולנהל אותם. שליטה ברצפי צלילים היא קריטית לזיכרון וליעילות הלמידה שלנו.

מחקרים מראים שרצפים של צלילים יכולים לעורר חלקים שונים במוח ולעורר מרכזי זיכרון. משמעות הדבר היא שעם טון הדיבור הנכון, אנו יכולים לשפר את הזיכרון והלמידה. לדוגמה, כאשר לומדים מילת אוצר מילים חדשה, אנו יכולים להשתמש באינטונציות שונות כדי לעזור לנו לזכור אותה ואפילו לשיר אותה בחזרה בעצמנו במידת הצורך. ניתן להשתמש בשיטה זו בלימודי שפות סיניות וזרות רבות.

בחיי היומיום, שליטה ב-pitch יכולה לשפר מיומנויות חברתיות ותקשורת בין אישית. לימוד השימוש באינטונציה ובטון הדיבור המתאימים מאפשר לנו לתקשר ולהבין טוב יותר זה את זה עם אחרים. במיוחד במשא ומתן עסקי או בתקשורת בין תרבויות שונות, הטון והאינטונציה הנכונים חשובים עוד יותר.

לבסוף, ברצוננו להזכיר את ההשפעה של גובה הצליל על מצב הרוח והרגשות. על ידי שימוש בגוונים שונים של קול, אנו יכולים להתאים את מצב הרוח והמצב הרגשי שלנו. לדוגמה, טון דיבור גבוה יכול לגרום לאנשים להרגיש נרגשים ושמחים, בעוד שטון דיבור נמוך יכול לגרום לתחושת רוגע ועדינות.

לסיכום, שליטה ברצפי טון חיונית עבור הזיכרון, הלמידה, הכישורים החברתיים והשליטה הרגשית שלנו. בואו נאסוף את השפה שלנו ונשתמש בטון ובאינטונציה מתאימים כדי לשפר את איכות חיינו. ניתן לראות שאנו צריכים לשפר את הזיכרון, ו-Cistanche deserticola יכולה לשפר משמעותית את הזיכרון, מכיוון של-Cistanche deserticola יש השפעות נוגדות חמצון, אנטי דלקתיות ואנטי-אייג'ינג, שיכולות לסייע בהפחתת חמצון ותגובות דלקתיות במוח, ובכך להגן על בריאות מערכת העצבים. בנוסף, Cistanche deserticola יכול גם לקדם צמיחה ותיקון של תאי עצב, ובכך לשפר את הקישוריות והתפקוד של רשתות עצביות. השפעות אלו יכולות לעזור לשפר את מהירות הזיכרון, הלמידה והחשיבה, ועשויות גם למנוע התפתחות של הפרעות בתפקוד קוגניטיבי ומחלות ניווניות.

לחץ על Know כדי לשפר את הזיכרון לטווח קצר

באמצעות השוואה של השפעות הקיבוץ הטמפורלי שנצפו עבור רצפי צלילים עם אלו שדווחו בספרות STM המילולית, המטרה שלנו הייתה (1) לשפר את הבנתנו של המנגנונים העומדים בבסיס הייצוג של סדר סדרתי ב-STM המוזיקלי ו-(2) לטפל בשאלת תחום כללי של תהליכי סדר סדרתי ב-STM.

ערכנו ניסוי ראשוני שנרשם מראש שהשווה את השחזור קדימה של מידע מסדר סדרתי בין רצפי צלילים לא מקובצים 6- לבין אותם רצפים המקובצים בשתי קבוצות של שלושה פריטים.1

בהתבסס על התוצאות שהתקבלו באותו ניסוי ראשון, נערך ניסוי מעקב מקוון שאינו רשום מראש, הדורש החזרה סדרתית של 6-רצפים מקובצים ובלתי מקובצים באותיות כדי לאפשר השוואה ישירה עם הנתונים שהושגו בניסוי 1.

בשל נוכחותו של אפקט תקרה שהגביל את ההשוואה של אפקטים של קיבוץ זמנית בתחום המוזיקלי (ניסוי 1) ומילולית (ניסוי 2), נערך ניסוי מקוון נוסף שאינו רשום מראש כדי להסביר את אפקט התקרה. בסך הכל, ניסויים אלה תומכים בסגירה דמיון בין השפעות הקיבוץ הטמפורלי שנצפו בתחום המילולי והמוסיקלי.

ניסוי 1: שחזור קדימה של סדר מוזיקלי

שיטה

תוכנית דגימה. כיום קיימת מגמה בתחום מדעי הפסיכולוגיה המעדיפה את השימוש בטכניקות סטטיסטיות בייסיאניות לעיצוב ניסויים ולביצוע הסקות סטטיסטיות. סטטיסטיקה בייסיאנית מספקת מספר יתרונות (לסקירה, ראה Dienes, 2016; Wagenmakers et al.,2018).

לדוגמה, ניתוחים סטטיסטיים בייסיאניים מאפשרים ניטור של ראיות סטטיסטיות במהלך איסוף נתונים, אינם מושפעים מהכוונה שבאמצעותה נאספים נתונים ואינם רגישים לכללי עצירה אופציונליים (Berger & Berry, 1988; Rouder, 2014). עם שיקולים אלה בחשבון, השתמשנו בתכנית הדגימה הבאה עבור ניסוי 1 (לרציונל דומה בקביעת תכנית הדגימה, ראה Wagenmakers et al., 2015).

גייסנו תחילה 20 משתתפים וביצענו את הניתוחים המתוכננים. אם עבור ניתוחים אלה (ראה סעיף "תוכנית ניתוח" לפרטים נוספים), השגנו רמה חזקה של ראיות סטטיסטיות עבור השערת חלופית (H1) או השערת אפס (H0) עם גורם Bayes (BF) של 10 או יותר, איסוף נתונים היו עוצרים. אם הקריטריון הזה לא היה מתקיים לפחות באחד מהניתוחים המתוכננים שלנו, היינו מגייסים יותר משתתפים תוך מעקב אחר ערכי BF.

במילים אחרות, הרצנו את אותם ניתוחים לאחר כל אצווה של חמישה משתתפים והמשכנו עד שהגענו לראיות סטטיסטיות חזקות עבור כל הניתוחים המתוכננים (H0 או H1). עם זאת, עקב מגבלות משאבים, תכננו להפסיק את איסוף הנתונים לאחר גיוסם של 50 משתתפים, למרות שלא עמדנו בקריטריון של ראיות סטטיסטיות עבור כל הניתוחים המתוכננים.

הניסוי אושר על ידי ועדת האתיקה של הפקולטה לפסיכולוגיה ומדעי החינוך של אוניברסיטת ז'נבה. 58 סטודנטים לפסיכולוגיה שנה א' מאוניברסיטת ז'נבוט השתתפו בניסוי 1 בתמורה לקורס חלקי.

המדגם הסופי הורכב מ-50 משתתפים (45 נשים; גיל n שנים: M=21.78, SD=1.95; רמת השכלה בשנים: M=13.00 , SD=1.12; לימוד תיאוריה מוזיקלית בשנים: M=0.35, SD=0.85; תרגול מוזיקלי בשנים:M=0.69, SD{ {16}}.04) לאחר אי הכללה של שמונה משתתפים שלא עמדו בקריטריוני ההכללה (ראה את קובץ הנתונים הדמוגרפיים במאגר OSF המשויך לכתב היד הזה לפרטים נוספים). קריטריוני הכללה ואי הכללה.

מכיוון שהיינו מעוניינים ב-STM מוזיקלי לעיבוד סדר סדרתי במשתתפים ללא מומחיות מוזיקלית, המשתתפים חייבים להיות בעלי ניסיון של לא יותר מ-3 שנים בלימוד תורת המוזיקה או תרגול של כלי נגינה (כולל שירה) בזמן הניסוי. הסרנו מהמדגם משתתפים עם הפרעות נוירולוגיות או דיבור (למשל דיסלקציה).

לבסוף, הסרנו את הנתונים מכל משתתפים עם ביצועים השווים או נמוכים מרמת הסיכוי של .17 לפחות באחד מתנאי הניסוי מהניתוח. כדי לעמוד בתוכנית הדגימה, משתתפים שלא נכללו הוחלפו בגיוס משתתפים אחרים.
גירויים. הגירויים כללו 60, 6-רצפי גוונים. כדי לצמצם את האפשרות ששימוש בקבוצה מוגבלת של שישה צלילים יכול להגביר הפרעות יזומות, השתמשנו בקבוצה של 14 גוונים שונים המורכבים מכל השלבים הדיאטוניים של סולם Cmajor (הנע בין C4 ל-B5). הצלילים היו גלי puresine שנוצרו עם Audacity (Audacity Team,2017) ונשמרו כקבצי WAV, כל אחד נמשך 500ms עם תקופת עלייה וירידה של 10ms.

רצפי הצלילים נוצרו באמצעות תמורות פסאודו אקראיות בעקבות שלושה כללים שהותאמו ממחקרים קודמים על STM מילולי לסדר סדרתי (ראה, למשל, Hartley et al., 2016):

1. לא יותר משני צלילים עוקבים שהם גם עוקבים בערכת הצלילים (למשל, C4–E4–G4 או B4–D5–F5 לא היו חוקיים);

2. לא יותר משני מרווחים עוקבים באותו כיוון (למשל, C4 [ ]  E4 [ ]  D5 [ ]  G4 היה מותר אך לא C4 [ ]  E4 [ ]  D5 [ ]  F5);

3. אין צליל באותו מיקום סדרתי בניסויים עוקבים.

מכיוון שהצלילים המשמשים מכסים שתי אוקטבות, הגבלנו את גדלי המרווחים למקסימום של שבעה חצאי טונים כדי למנוע נוכחות של מרווחים גדולים לא מוכרים. דאגנו גם שהרצפים היו קשורים מאוד לסולם מז'ורי. במילים אחרות, לכל רצף יש מתאם מפתח מקסימלי של לפחות .70 עם פרופיל התפלגות הטון של לפחות אחד מהסולמות הגדולים. מתאם המפתח המקסימלי נקבע באמצעות אלגוריתם מציאת Krumhansl & Schmucklerkey (Krumhansl, 1990).

כדי להתאים גירויים בין שני תנאי הקיבוץ, השתמשנו מחדש ב-30 הרצפים מהניסויים הבלתי מקובצים אך שיחקנו אותם בסדר סדרתי הפוך והצגנו אותם מהאחרון לראשון בניסויים המקובצים.

כדי למנוע השפעות לא רצויות הנובעות משימוש בסט קבוע של רצפי צלילים, נוצרה מראש קבוצה חדשה של רצפי טון שנוצרו באופן פסאודו אקראי עבור כל משתתף. כדי להבטיח שכל רצף שנוצר היה בשימוש הן בניסוי לא מקובץ והן בניסוי קבוצתי, למשתתפים עם מספר זוגי היו הרצפים הלא מקובצים ומקובצים התואמים לרצפים המקובצים והבלתי מקובצים, בהתאמה, של המשתתף האי-זוגי הקודם בניסוי.

עיצוב נסיוני. הניסוי התבסס על עיצוב של 2-גורם בתוך המשתתפים. שני סוגי הרצפים הוצגו בשני בלוקים שונים כאשר הרצפים הלא מקובצים תמיד מוצגים ראשונים.

זה נעשה כדי להימנע מהצגת הרצפים המקובצים תחילה יכול להוביל לשימוש באסטרטגיות קיבוץ סובייקטיביות עבור ניסויים לא מקובצים (לפרוצדורה דומה, ראה Farrell & Lewandowsky, 2004; Hartley et al., 2016). עבור ניסויים לא מקובצים, הגוונים הוצגו בקצב קבוע. נוהל.

ההליך כלל הצגה שמיעתית של 60 ניסויים בסך הכל. גירויים הושמעו ברמה שמיעתית נוחה דרך אוזניות המחוברות לתחנת עבודה ניידת. כל ניסוי התחיל בספירה לאחור מ-3 ל-1 המוצגת במרכז מסך המחשב בקצב של 500 אלפיות השנייה. רצף הצלילים הושמע ברציפות על מסך ריק שהוצג במשך 500ms.

ניסויים לא מקובצים, הטונים הוצגו עם מרווח ביניים-גירוי קבוע (ISI) של 150ms. בניסויים מקובצים, ה-ISI היה 75ms עבור פריטים בתוך הקבוצה (מיקומים 1-2, 2-3,4-5 ו-5-6) ו-450ms עבור בין פריטים היוצרים גבולות קבוצתיים (מיקומים 3-4). מיד לאחר הצגת הרצף, הוצגה מקלדת וירטואלית על המסך והמשתתפים השתמשו במסך המגע כדי לבנות את הרצף.

המשתתפים נאלצו לבנות מחדש את הרצפים בסדר סדרתי קדימה. לשם כך, הם היו צריכים למצוא ולאמת את הטון המתאים למיקום הראשון, ואז להמשיך למיקום השני, וכך הלאה עד לשחזור הרצף כולו. המקלדת הווירטואלית שימשה שוב כדי לשחזר את רצפי הטון (איור 2). שכבה של שישה מקשים לבנים המייצגים את ששת הצלילים הנשמעים ברצף שיש לשחזר הוצגה אופקית על המסך. הצלילים היו מאורגנים בסדר עולה, מהאטון הנמוך משמאל לגבוה מימין.

בכל פעם שנלחץ על מקש על מסך המגע, הטון המתאים הושמע דרך האוזניות. נגיעה במקש הפעילה את הצליל המשויך על ידי שינוי צבע המקש לירוק (ראה לוחות 1, 5, 7 או 10 באיור 2). לאחר שהמשתתף שלף את הטון עבור המיקום הנוכחי והפעיל את המפתח, היה עליהם ללחוץ על כפתור "אימות" כדי להמשיך למיקום הבא (ראה לוחות 4, 6, 8 או 12 באיור 2).

לאחר הקצאת צליל למיקום, המקש המתאים השתנה לאפור כדי לציין שלא ניתן להשתמש יותר בטון והמשוב השמיעתי למקש זה כבה. ניתן היה לשנות את הטון ה"פעיל" לפני אימות מיקום (ראה לוחות 10-12 באיור 2) אך לא לאחר אימות המיקום.

אם עבור עמדה כלשהי המשתתף לא זכר את הטון המתאים או לא רצה לנחש, ניתן היה לענות "אני לא יודע" על ידי בחירה ב"?" לחצן לפני אימות המיקום (ראה לוח 11 באיור 2). לבסוף, בכל עת במהלך תהליך השחזור, הייתה למשתתפים הזדמנות לשמוע את הרצף המשוחזר עד אז (ראה פאנל 9 באיור 2).

השערות

לניסוי היו המטרות הבאות: (1) להבין טוב יותר את טבעם של מנגנוני הסדר ב-STM מוזיקלי באמצעות חקר השפעות קיבוץ זמניות ללא מוזיקאים, אשר בתורו יאפשר (2) להעריך את השערת כלליות-תחום של סדר סדרתי ב-STM. .

כדי להשיג זאת, השווינו ביצועי זכירה לרצפי 6-צלילים לא מקובצים ומקובצים, תוך מיקוד דיוק הזכירה הסדרתית, צורת עקומות המיקום הסדרתיות, זמן השהייה בתגובה ושיעורי שגיאות המיקום. על פי השערת כלליות התחום של STM מסדר סדרתי, נחזה לראות דיוק חוזר גבוה יותר עבור רצפים מקובצים מאשר לא מקובצים.

חזינו גם את נוכחותה של עקומת מיקום טורית מרובה-קשת עבור רצפים מקובצים. לבסוף, ציפינו לראות יותר שגיאות אינטרפוזיציה ברצפים מקובצים מאשר לא מקובצים.

תוכנית ניתוח

השתמשנו בתוכנית הקוד הפתוח JASP (גרסה 0.14, JASP Team, 2018) עם הגדרות ברירת המחדל עבור כל המתוכננים (מתוארים כאן למטה) וניתוח חקרני שדווח. עבור מבחני t Bayesian , הקודקוד יוצג כהתפלגות Cauchy עם סולם r של 0.707.

עבור אנליזה בייסיאנית של שונות (ANOVA), הפריור כלל גם התפלגות aCauchy, עם סולם r של .5 ו-1 עבור אפקטים קבועים ואקראיים, בהתאמה. דיוק זיכרון ועקומת מיקום סדרתית. ניתחנו עקומות של מיקום סדרתי על ידי ממוצע של דיוק ההחזרה כפונקציה של מיקום סדרתי ותנאי קיבוץ עבור כל משתתף.

Then, we performed a 2 × 6 repeated-measures ANOVA, with a 2-level type of sequence factor (ungrouped vs. grouped) and a 6-level serial position factor (from 1 to 6). In case of an interaction between the two factors (i.e., the full model is the best model and is supported by a BF of at least 10, relative to the second-best model), we assessed the presence of mini-primacy and mini-recency effects in grouped sequences by comparing recall accuracy between Positions 1 and 2 (H1: 1>2), מיקומים 2 ו-3 (H1: 2<3), Positions 4 and 5 (H1: 4>5), ומצבים 5 ו-6 (H1: 5<6) via Bayesian paired samples t-tests.

מעברי טרנספוזיציה. ניתחנו שיפועים טרנספוזיציה על ידי חישוב שיעור שגיאות הטרנספוזיציה כפונקציה של תזוזה בנפרד עבור כל תנאי וכל משתתף. כדי להשיג זאת, ביצענו ANOVA של 2×5 מדידות חוזרות עם סוג 2-רמה של גורם רצף (לא מקובץ לעומת מקובץ) ו10-גורם מרחק תזוזה ברמה (מ-5 עד 5, לא כולל { {7}}).

If the full model turned out to be the best (i.e., BF>בהשוואה למודל השני הטוב ביותר), ניתחנו את האינטראקציה על ידי התמקדות בשיעור התזוזות הסמוכות ושגיאות האינטרפוזיציה (ראה את הניתוח הבא לפרטים נוספים).

שגיאות אינטרפוזיציה ושיעורי עקירה סמוכים. שיעור שגיאות האינטרפוזיציה והתזוזות למיקומים סדרתיים סמוכים נקבע על ידי חישוב שיעור השגיאות הכרוכות בתזוזה בין קבוצה של פריטים השומרים על המיקום הראשוני שלהם בתוך הקבוצה (כלומר, מרחק מוחלט של שלושה מיקומים) ושיעור ההעברה בסדר סדרתי המאופיין במרחק תזוזה מוחלט של מיקום סדרתי אחד בין כל שגיאות הסדר הסדרתי ובנפרד עבור כל סוג של רצף (לא מקובץלעומת מקובצים).

לאחר מכן, שני תנאי הקיבוץ הושוו בהתבסס על השיעור שנצפה של טעויות ביניים

(H1: interpositions in grouped sequences>תקופות בינייםברצפים לא מקובצים) ותזוזה סמוכה (עקירה סמוכה ברצפים מקובצים

תוצאות

ניתוחים מתוכננים. המדדים החוזרים של 2 × 6 BANOVA שבוצעו על דיוק היזכרות כפונקציה של מיקום סדרתי (1-6) ומצב קיבוץ (מקובץ לעומת לא מקובץ), גילו שהמודל הטוב ביותר הוא המודל עם שתי ההשפעות העיקריות (ראה איור 3א).

מודל זה מועדף על פני הדגם השני הטוב ביותר, המלא לפי גורם של 1.80 (ראה שורות "עקומות מיקום סדרתי" בטבלה 1). מכיוון שההעדפה אופיינה רק בראיות אנקדוטיות, ניתחנו את ההשפעה. זה נעשה עם JASP באמצעות שיטה של ​​ממוצע ראיות בכל המודלים המכילים את השפעת העניין. הנתונים סיפקו הוכחות מכריעות בעד נוכחות של אפקט מיקום ארצי (BFInclusion=∞), ראיות חזקות מאוד בעד אפקט קיבוץ (BFInclusion=31.28), וראיות אנקדוטיות לטובת נוכחות האינטראקציה (BFinclusion=2.15).

כפי שתוכנן תחילה, לא ניתחנו רצפים משולבים בהשפעות מיני-ראשוניות ומיני-עדכניות שכן נוכחות האינטראקציה לא נתמכה על ידי הנתונים. ה-ANOVA של 2 × 10 המדידות החוזרות שבוצעו על שיעור שגיאות ההמרה כ- פונקציה של מרחק הטרנספוזיציה (-5 עד 5, לא כולל 0) ותנאי קיבוץ (מקובצים לעומת לא מקובצים), גילו שהמודל הטוב ביותר להסביר את הנתונים הוא המודל המלא (ראה איור 3ב).

מודל זה מועדף על פני השני הטוב ביותר המכיל רק את השפעת המרחק בפקטור של 173.36, המייצג תמיכה מכרעת במודל הטוב ביותר (ראה שורות "טרנספוזיציה" בטבלה 1).

בהתחשב בתמיכה הברורה באינטראקציה בין מצב קיבוץ למרחק טרנספוזיציה, השווינו את שיעור ההעברה והאינטרפוזיציות הסמוכות בין שני תנאי הקיבוץ כפי שתוכנן בתחילה.

For more information:1950477648nn@gmail.com