Langtidshukommelsesinterferens løses via frastødning og præcision langs diagnostiske hukommelsesdimensioner, del 3

Analysemetoder

Præstationsbaserede eksklusionskriterier For analyser, der involverede rekonstruktionsopgavedataene, ekskluderede vi et lille antal deltagere baseret på præstation under runde 9-12 af den associative hukommelsestest. Deltagerne blev udelukket, hvis (a) deres fejlrate for ikke-konkurrerende forsøg var større end 20 % for nogen af ​​disse runder, eller (b) de valgte lokkefladerne på mere end 20 % af de konkurrerende forsøg for nogen af ​​disse runder.

Menneskets hukommelse er meget vigtig og hjælper os til bedre at forstå og klare forskellige udfordringer i livet. Men i det moderne samfund står vi over for en enorm mængde information, og vores hukommelse er ofte udfordret og træt.

Vi kan dog rekonstruere forholdet mellem opgavedata og hukommelse på nogle simple måder. For det første kan vi prøve at bruge arbejdshukommelsen til at forbedre vores hukommelsesevne. Arbejdshukommelse refererer til evnen til at opbevare og behandle information i korttidshukommelsen. Ved regelmæssigt at udføre hukommelsesopgaver kan vi træne vores arbejdshukommelse og derved forbedre vores hukommelse.

For det andet kan vi forbedre vores hukommelse ved at bruge vores sensoriske hukommelse. Vores sanseminder er så stærke, at vi for første gang kan genkalde os for eksempel smagen af ​​en fødevare. Ved at forbedre vores sansehukommelse kan vi forbedre vores hukommelse.

Derudover kan vi også styrke vores hukommelse ved at bruge memory palace-metoden. Hukommelsespaladser er en gammel teknik, der bruger kunstfærdige scener, vi konstruerer, til at forbinde den information, vi ønsker at huske, til scenen. På denne måde kan vi nemt genkalde informationen.

Endelig kan vi prøve nogle fysiske øvelser for at forbedre vores hukommelse. Fysisk aktivitet øger stofskiftet, hvilket igen øger vores hjerneaktivitet. Gennem træning kan vi også fremme blodcirkulationen, så hjernen får mere ilt og næringsstoffer, så den kan behandle information bedre.

Sammenfattende kan vi rekonstruere forholdet mellem opgavedata og hukommelse ved at bruge forskellige metoder. Uanset om det er at træne arbejdshukommelse, styrke sensorisk hukommelse, bruge et hukommelsespalads eller deltage i fysisk aktivitet, kan det hjælpe os med at forbedre vores hukommelse og gøre os mere fleksible og effektive i livet. Det kan ses, at vi skal forbedre hukommelsen, og Cistanche deserticola kan forbedre hukommelsen markant, fordi Cistanche deserticola er et traditionelt kinesisk medicinsk materiale, der har mange unikke effekter, hvoraf en er at forbedre hukommelsen. Effektiviteten af ​​hakket kød kommer fra de forskellige aktive ingredienser, det indeholder, herunder syre, polysaccharider, flavonoider osv. Disse ingredienser kan fremme hjernens sundhed på forskellige måder.

Klik på kend kosttilskud for at forbedre hukommelsen

Baseret på disse kriterier blev én deltager udelukket fra analysen af ​​rekonstruktionsopgavedataene i eksperiment 1 (giver N=35), fire blev udelukket fra eksperiment 2 (giver N=37), og otte blev udelukket fra eksperiment 3 (giver N=49) (se https://osf.io/dj6q2/ for andre udelukkelseskriterier, der blev etableret, men ikke var gældende). Begrundelsen for at have en høj tærskel for inddragelse af deltagere i rekonstruktionsopgaveanalysen var at minimere tilfælde, hvor deltagerne rekonstruerede et helt forkert ansigt og i stedet fokusere på bias/præcision i ellers korrekt huskede ansigter.

Måling af associativ hukommelse

Som nævnt ovenfor blev den associative hukommelsestest brugt til at bekræfte, at deltagerne opnåede høj nøjagtighed ved at forbinde stikord med ansigter. Den associative hukommelsestest muliggjorde også en manipulationskontrol af, om den konkurrencemæssige tilstand inducerede interferens (lavere associativ hukommelsesnøjagtighed) sammenlignet med den ikke-konkurrerende tilstand. Data fra den associative hukommelsestest blev først analyseret med hensyn til nøjagtighed, der var inkompetitiv sammenlignet med ikke-konkurrerende forsøg. Vi kørte en separat ANOVA for gentagne foranstaltninger for hvert eksperiment med tilstandsfaktorer (konkurrerende, ikke-konkurrerende) og læringsrunde (1-9 for eksperiment 1, 1-12 for eksperiment 2 og 3).

For konkurrerende forsøg adskilte vi også fejl efter, om de kunne tilskrives konkurrence (interferensfejl) eller ej (lokker). Hvis fejlene var tilfældige, ville der forekomme interferensfejl i en femtedel (20%) af fejlforsøgene. For at teste, om der opstod interferensfejl over tilfældige niveauer, kørte vi derfor én prøve t-test for hvert eksperiment, hvor vi sammenlignede den gennemsnitlige procentdel af interferensfejl (på tværs af alle indlæringsrunder) med 20 %.

Måling bias

Som beskrevet ovenfor var målfladen ved hvert forsøg i konstruktionsopgaven placeret i en af ​​fire lokationer (midten af ​​de fire kvadranter). For både x- og y-aksen i søgerummet var målet således halvvejs mellem midten og grænsen af ​​søgerummet (fig. 1a). For at måle for potentiel bias blev alle svar for hvert eksperiment justeret på en fælles akse og skaleret på en fælles skala, separat for hver featuredimension (påvirkning, køn). For de omskalerede data var rækken af ​​mulige svar for hver dimension -2 til 2, hvor 0 er midten af ​​ansigtsrummet (dvs. midten af ​​dette søgerum).

For konkurrencetilstanden, placeringen af ​​målfladen på den diagnostiske dimension=1 og placeringen af ​​primatfladen=-1 (fig. 1c). En skævhed fra primatfladen vil således være repræsenteret af værdier større end 1, hvorimod en skævhed mod primatfladen (eller mod midten af ​​ansigtsrummet) vil blive repræsenteret ved værdier lavere end 1. For den ikke-diagnostiske dimension er placeringen af målfladen og parkammeratfladen=1. Selvom ansigter fra den ikke-konkurrerende tilstand var inkluderet i rekonstruktionsopgaven, blev bias ikke målt for disse ansigter, fordi skelnen mellem diagnostiske og ikke-diagnostiske dimensioner ikke eksisterede. Snarere var ikke-konkurrerende ansigter af afgørende betydning i den associative hukommelsestest, hvor de tjente til at etablere en generel hukommelsesinterferenseffekt.

Det er vigtigt at bemærke, at for rekonstruktionsopgaven var responsområdet for hvert forsøg asymmetrisk fordelt omkring målet. Hvis responsområdet var blevet symmetrisk fordelt rundt om målet, ville den korrekte respons på hvert forsøg pr. definition have været centrum for dette søgerum - hvilket sandsynligvis ville have fået deltagerne til at lære at svare i midten. Ulempen ved den tilgang, vi brugte, er imidlertid, at der for den diagnostiske dimension i konkurrencetilstanden var større mulighed for at reagere på primat-ansigtet (værdier mellem -2 og 1) end væk fra primat-ansigtet (værdier på 1 til 2). ).

Selvfølgelig virker denne asymmetri imod vores forudsagte effekt af frastødning (værdier større end 1). Ikke desto mindre, for at tage højde for det asymmetrisk begrænsede responsområde, blev det sande gennemsnit beregnet ved at tilpasse trunkerede normalfordelinger til dataene. For hver deltager blev der kørt separate modeller for de diagnostiske og ikke-diagnostiske dimensioner, hvor hver model samlede data på tværs af ansigter og funktionsdimensioner (påvirkning, køn) for at inkludere et tilstrækkeligt antal datapunkter. Således inkluderede hver model 32 datapunkter (otte ansigter i konkurrencetilstanden × fire rekonstruktionsforsøg pr. ansigt). Estimering af maksimal sandsynlighed blev brugt til at finde middelværdien og standardafvigelsen af ​​en trunkeret normalfordeling, der bedst passer til dataene. Distributionerne blev modelleret ved hjælp af transform- og MASS-pakkerne iR.

Vi begrænsede søgerummet for middelværdien til et område af plausible værdier jævnt afbalanceret på hver side af målet (± 1 enhed) og begrænsede standardafvigelsen til at være et maksimum på 1 og et minimum på 0,1. Selvom vi ser de modellerede middelværdier som et bedre estimat af de sande middelværdier, er der nogle kilder til varians, som modellerne ikke tager højde for. For eksempel tager modellerne ikke højde for potentielt unikke distributioner for hver funktionsdimension og/eller stimulus. Desuden er der bevis for, at der kan være iboende globale skævheder i, hvordan ansigtstræk senere genkaldes (Bülthof & Zhao, 2020; Won et al., 2020). Kritisk er det dog, at enhver global skævhed vil have lige stor indflydelse på de diagnostiske og ikke-diagnostiske dimensioner. Derfor fokuserede vores analyse primært på forskelle i modellerede midler for de diagnostiske versus ikke-diagnostiske dimensioner.

Måling præcision

For at måle præcisionen, som diagnostiske og ikke-diagnostiske træk blev husket for hvert ansigt, beregnede vi standardafvigelsen af ​​svar på tværs af de fire rekonstruktionsforsøg for hvert ansigt, separat for de diagnostiske og ikke-diagnostiske trækdimensioner. Vi beregnede derefter gennemsnittet af disse standardafvigelsesværdier for hver deltager, separat for de diagnostiske og ikke-diagnostiske dimensioner.

Måling af forholdet mellem rekonstruktionsbias og associativ interferens

For at afgøre, om bison, den diagnostiske funktionsdimension spiller en adaptiv rolle i at reducere hukommelsesinterferens, kørte vi en række modeller med blandede effekter, der fokuserede på forholdet mellem bias målt under rekonstruktionsopgaven og nøjagtighed på den associative hukommelsestest (gennemsnit over de sidste fire runder for at fange læringens sluttilstand). Selvom denne analyse blev udført på niveauet for individuelle emner (ansigter), blev nøjagtighedsværdien for hvert ansigt defineret som den gennemsnitlige nøjagtighed for det ansigt og dets par. Som sådan havde begge primater med hvert sæt den samme nøjagtighedsværdi. Begrundelsen for gennemsnitsnøjagtighed på tværs af primater var, at hvis deltagere for eksempel forbinder to konkurrerende ansigter (primater) med det samme stikord (profession), i stedet for at behandle en af ​​disse associationer som "korrekt" og den anden som "forkert", er det mere passende for at fejlen skal deles på tværs af de to ansigter.

For analyserne, der relaterer rekonstruktionsbias til associativ hukommelsesnøjagtighed, udelukkede vi deltagere, der havde perfekt nøjagtighed på tværs af alle forsøg, på de sidste fire runder af den associative hukommelsestest. Begrundelsen for denne udelukkelse var, at der for disse deltagere ikke var nogen variansinassociativ hukommelse, som modellen kunne forklare. Derudover kørte vi ikke denne analyse for eksperiment 1 i betragtning af den nær-loftede ydeevne på den associative hukommelsestest over de sidste fire runder (11 deltagere (31%) havde 100% nøjagtighed, og de resterende deltagere havde en gennemsnitlig nøjagtighed på 95,96± 3,01 % med en gennemsnitlig SD inden for en deltager på 3,62 ±1,70). For eksperiment 2 og 3 – som brugte flere lignende primater – var den associative hukommelses nøjagtighed lavere, og derfor blev færre deltagere ekskluderet på grund af loftpræstationer (syv deltagere (19 %) i eksperiment 2 og seks deltagere (12 %) i eksperiment 3; middelværdi nøjagtighed for de resterende deltagere, Exp. 2: M=92.47 ± 7.58 %, Exp. 3: M =93.56 ± 6,26%).

For disse modeller var det afgørende at beregne rekonstruktionsbias på niveauet af individuelle ansigter. Den ovenfor beskrevne metode til at estimere den gennemsnitlige bias for hver deltager ved at samle på tværs af forsøg/ansigter var imidlertid ikke mulig for denne analyse i betragtning af det lille antal observationer (fire forsøg pr. ansigt). Til denne analyse brugte vi simpelthen gennemsnittet af rekonstruktionsresponsen (på tværs af de fire forsøg pr. ansigt). For at imødegå bekymringen om, at ethvert observeret forhold mellem rekonstruktionsbias og associativ hukommelsesnøjagtighed kan være drevet af potentielle "swaperrors", var vores præregistrerede tilgang at udelukke alle individuelle svar (forsøg), for hvilke den skalerede respons var mellem {{0}} og 0 og kun at beholde svar, for hvilke den skalerede respons var mellem 0 og 2. For den diagnostiske dimension blev alle svar, der var tættere på den konkurrerende primat end på målet, derfor udelukket. Alle resterende svar blev inkluderet i den gennemsnitlige respons for hvert ansigt.

Selvom det er sjældent, hvis et ansigt var forbundet med en udelukket respons på alle fire rekonstruktionsforsøg, blev det ansigt helt udelukket fra analysen. For eksperiment 2 skete dette for i alt fire ansigter fordelt på fire deltagere; for eksperiment 3 skete dette for i alt seks ansigter fordelt på seks deltagere. Mens denne præregistrerede tilgang til udelukkelse af potentielle swap-fejl var tænkt som en konservativ tilgang til at eliminere indflydelsen af ​​ekstreme fejl, forblev alle vores hovedresultater signifikante, når ingen svar blev udelukket. I sonderende analyser, der kombinerede data på tværs af eksperiment 2 og 3, blev svar mellem -2 og 0 desuden begrænset til en værdi på 0, i stedet for at ekskludere ekstreme svar helt, hvilket gjorde det muligt for alle forsøg fastholdes i modellen, men reducerede indflydelsen fra ekstreme reaktioner.

Blandede effekter-modeller blev implementeret i R ved hjælp af thelme4-pakken (Bates et al., 2014). Sandsynlighedsratio-test blev brugt til at sammenligne modeller med relevante variable med nulmodeller, der udelukkede disse variable. For at tage højde for potentielle forskelle relateret til, om den diagnostiske dimension var effekt versus køn, inkluderede alle modeller denne kategoriske variabel som en fast effekt. For at tillade forholdet mellem rekonstruktionsbias og associativ hukommelsesnøjagtighed at variere for hver deltager, modellerede vi forholdet mellem bias og associativ hukommelsesnøjagtighed med tilfældige opsnapninger og tilfældige hældninger for hver deltager, hvor det var muligt.

Vores præregistrerede tilgang til at håndtere modeller, der ikke kunne konvergere, eller som nåede en singulær ft, var at køre den samme model igen med den tilfældige hældning for bias fjernet (se Barr et al., 2013). Mens alle vores præregistrerede modeller konvergerede, kunne en eksplorativ model, der brugte forskellen i bias på den diagnostiske versus ikke-diagnostiske dimension som en prædiktor, ikke konvergere, når en tilfældig hældning var inkluderet; dermed fjernede vi den tilfældige hældning. Eksplorative modeller, der kun inkluderede usigneret fejl eller præcision som prædiktorer (uden bias) formåede ikke at konvergere, når tilfældige hældninger blev inkluderet for disse variable; derfor fjernede vi tilfældige hældninger for disse variable.

Endelig kunne eksplorative modeller, der inkluderede bias sammen med præcision og usigneret fejl som prædiktorer, heller ikke konvergere, når tilfældige hældninger blev inkluderet for alle variabler; Når vi fjernede tilfældige hældninger, prioriterede vi at bevare en tilfældig hældning for bias, hvilket førte til udelukkelse af tilfældige hældninger for præcision og usigneret fejl.

Resultater

Associativ hukommelsestest

For at teste, om associativ hukommelses nøjagtighed var forskellig mellem de konkurrerende og ikke-konkurrerende forhold, udførte vi gentagne målinger ANOVA'er for hvert eksperiment med tilstandsfaktorer (konkurrerende, ikke-konkurrerende) og runde (Eks. 1: de første ni runder; Exp. 2 og Exp. 3: 12 runder). For hvert eksperiment var der en signifikant hovedeffekt af tilstanden (Eks. 1: F(1,35) {{10}}.14, p < 0.001, 휂2G=0.034; Exp. 2: F(1,40)=67.43, p < 0,001, 휂2G=0.10;Exp. 3: F(1, 56)=88.21, p < 0,001, 휂2G=0.16), med lavere nøjagtighed i konkurrencetilstanden (fig. 2a). For at bekræfte, at denne forskel specifikt afspejlede interferens, overvejede vi de begåede fejltyper. For konkurrencebetingelsen kunne fejl svare til at vælge konkurrentens ansigt eller en af ​​de fire ikke-konkurrerende lokker (fig. 2b). Hvis fejlene var tilfældige, ville konkurrenten blive udvalgt på en femtedel af fejlforsøgene. Men ved at kombinere fejlforsøg på tværs af runder, blev konkurrenten udvalgt på over-chanceniveauer (Eks. 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.

For at teste, om ansigtsrekonstruktionsnøjagtigheden var over tilfældigheden, målte vi den euklidiske afstand mellem hvert svar og målfladeplaceringen (i det todimensionelle svarrum; Fig. 1c). For hver deltager blev den gennemsnitlige euklidiske afstand mellem svar og målplaceringer sammenlignet med en permuteret fordeling (beregnet ved at forskyde svar inden for deltageren 10,000 gange). En højere nøjagtighed (bedre end 97,5 % af de permuterede gennemsnit) blev observeret for hver deltager (fig. 3).

Ansigtsrekonstruktion bias

For at teste vores kritiske forudsigelse af frastødning langs den diagnostiske ansigtsdimension sammenlignede vi funktionsbias (se Metoder) for de diagnostiske versus ikke-diagnostiske dimensioner i den konkurrerende tilstand (fig. 4a). Vi testede først forudsigelser i eksperiment 1 og 2 og testede derefter for replikation i eksperiment 3. En ANOVA med gentagne målinger med dimensionsfaktorer (diagnostisk, ikke-diagnostisk) og eksperiment (eksp. 1, eks. 2) afslørede en signifikant større bias mod frastødning på den diagnostiske dimension (F(1,70)=22.25, s< 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).

Selvom vores præregistrerede analyser fokuserede på sammenligningen mellem diagnostiske og ikke-diagnostiske dimensioner, testede vi også, om rekonstruktioner på den diagnostiske dimension afveg væsentligt fra den sande placering af målansigter. Ved at kombinere data på tværs af alle tre eksperimenter var de modellerede middelværdier for den diagnostiske dimension faktisk betydeligt større end den sande værdi af 1 (t(120)=4.39, p < 0.{{ 60}}01, d=0.40), hvilket afspejler en skævhed væk fra det konkurrerende ansigt. Denne effekt afveg ikke signifikant på tværs af eksperimenter (F(2,118)=2.15, p=0.12, 휂2G =0.035). I modsætning hertil var der på den ikke-diagnostiske dimension en lille, men signifikant skævhed mod midten af ​​facespace (modelleret betyder < 1; t(120)=-2.33, p=0.021, d {{ 25}}.21). Denne effekt varierede væsentligt på tværs af eksperimenter (F(2,118)=9.56, p < 0.001, 휂2G=0.14). Faktisk var svarene i eksperiment 1 signifikant over 1 (t(34)=2.15,p=0.039, d=0.36), og i eksperiment 2 og 3 var de var signifikant under 1 (Eks. 2: t(36)=-2.45, p=0.019, d =0.40; Exp. 3: t(48) {{58} },98, p < 0,001, d=0,57). Mens de absolutte værdier af rekonstruerede svar bør fortolkes med en vis forsigtighed (på grund af potentielle globale skævheder), understøtter den konsekvente bias mod frastødning på den diagnostiske dimension vores forudsigelse om, at konkurrence udløser målrettet tilbagepuls på den diagnostiske dimension.

Præcision af ansigtsrekonstruktion

Vi testede derefter, om rekonstruktionspræcisionen var forskellig på tværs af diagnostiske versus ikke-diagnostiske dimensioner (fig. 4b). Vi definerede præcision som standardafvigelsen over gentagne rekonstruktioner af det samme ansigt (se Metoder). For konkurrencetilstanden afslørede en ANOVA med gentagne foranstaltninger med dimensionsfaktorer (diagnostisk, ikke-diagnostisk) og eksperiment (Eks. 1, Eks. 2) signifikant større præcision – dvs. lavere rekonstruktionsvariabilitet – på den diagnostiske dimension (F(1,7) {{10}})=16.81, p < 0,001, 휂2G=0.044). Denne effekt interagerede ikke med eksperimentet (F(1,70)= 0.34, p=0.56, 휂2G=0.001). Effekten af ​​større præcision på den diagnostiske dimension blev replikeret (i overensstemmelse med vores forudregistrerede forudsigelse) i eksperiment 3 (t(48)=5.45,p < 0.001, d=0.74).

Selvom vores mål for præcision var matematisk uafhængig af vores mål for bias, er det bemærkelsesværdigt, at disse målinger var korreleret således, at ansigter rekonstrueret med større præcision også havde en tendens til at være forbundet med større bias (se fig. S2A, OSM). Det er dog vigtigt, at effekten af ​​større præcision på den diagnostiske versus ikke-diagnostiske dimension forblev signifikant, selv når elementer med høj bias blev udelukket fra analyse (se fig. S2B, OSM).

Forholdet mellem rekonstruktionsbias og associativ interferens

Til sidst testede vi vores forudsigelse om, at større rekonstruktionsbias (repulsion) på den diagnostiske dimension er forbundet med bedre associativ hukommelsestestydelse (mindre interferens). På grund af nær-loftet associativ hukommelsesydelse i eksperiment 1 (fig. 2), fokuserede vi på eksperiment 2-data. Vi kørte en model med blandede effekter, der forudsagde associativ hukommelsesnøjagtighed på emneniveau med faste effekter af (a) bias på den diagnostiske dimension (kontinuerlig variabel) og (b) om den diagnostiske dimension var påvirket eller køn (kategorisk variabel). Bias blev modelleret med tilfældige intercepts og hældninger for hver deltager. Ved hjælp af en sandsynlighedsforholdstest sammenlignede vi denne model med en model uden forudindtagethed. Kritisk set var model ft signifikant bedre, når bias blev inkluderet (χ2(1)=4.67, p=0.031), med bias, der positivt forudsagde associativ hukommelsesnøjagtighed (bias=3.58, SE =1.62). Som kontrol gentog vi den samme analyse, men med bias til den ikke-diagnostiske dimension; her mislykkedes bias for at forbedre model ft (χ2(1)=0.021, p=0.89, bias=-0.31,SE=2.14). For eksperiment 3 forudsagde vi (ved hjælp af en forudregistreret analyse) en replikering af forholdet mellem diagnostisk dimensionsbias og associativ hukommelsesnøjagtighed. Vi observerede en lille effekt i den forudsagte retning, men den var ikke signifikant (χ2(1)=0. 24, s=0.63, bias=0.69, SE= 1.41).

I vores præregistrerede analyse udelukkede vi rekonstruktionssvar (forsøg), der lignede konkurrenten mere end målet. Begrundelsen for dette var at sikre, at ekstreme reaktioner (potentielle swap-fejl) ikke havde en overordnet indflydelse på modellen (se Metoder). Imidlertid eliminerede denne tilgang fuldt ud disse forsøg i stedet for at minimere deres indflydelse.

Som en undersøgende analyse erstattede vi derfor disse ekstreme rekonstruktionsresultater med en værdi på {{0}} (liges afstand mellem målet og konkurrenten, se Metoder). Dette gjorde det muligt at inkludere alle forsøg, men reducerede indflydelsen af ​​ekstreme reaktioner (se Fig. S4 (OSM) for yderligere analyse af, hvad disse ekstreme reaktioner kan repræsentere). Til denne eksplorative analyse kombinerede vi data fra forsøg 2 og 3 med forsøg (Eksperiment 2, Exp.3) tilføjet som en fast effekt. Sammenlignet med en nulmodel forbedrede tilføjelse af bias på den diagnostiske dimension signifikant modellen ft (χ2(1)=15.88, p < 0.001), med positiv bias(repulsion), der forudsiger højere associativ hukommelsesnøjagtighed( bias {{12} }.45, SE=1.04).

Tilføjelse af en interaktion mellem eksperiment og bias forbedrede ikke modeltilpasningen (χ2(1) =1.39, p=0.24, exp×bias=-2.47, SE=2 .08), hvilket indikerer, at forholdet mellem bias og associativ hukommelse ikke var forskellig på tværs af eksperimenter. Desuden forbedrede bias modeltilpasningen markant, når den blev anvendt på eksperiment 3-data alene (χ2(1)=3.98, p=0.046, bias=2.45, SE=1 .19), hvilket bekræfter, at forholdet mellem bias og associativ hukommelse ikke kun blev drevet af eksperiment 2-data. Som en kontrol kørte vi den samme modelsammenligning, men med bias på den ikke-diagnostiske dimension som en prædiktor; der var ingen signifikant forskel mellem modellerne (χ2(1)=0.14, p=0.71, bias =-0.40, SE=1.08).

Desuden forbedrede graden af ​​bias på den diagnostiske dimension i forhold til den ikke-diagnostiske dimension (dvs. bias difference-score) også signifikant modeltilpasning sammenlignet med en nulmodel uden bias,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