A interferência na memória de longo prazo é resolvida por meio de repulsão e precisão ao longo das dimensões da memória de diagnóstico, parte 3

Métodos de análise

Critérios de exclusão baseados no desempenho Para análises que envolveram os dados da tarefa de reconstrução, excluímos um pequeno número de participantes com base no desempenho durante as rodadas 9–12 do teste de memória associativa. Os participantes foram excluídos se (a) sua taxa de erro para testes não competitivos fosse superior a 20% para qualquer uma dessas rodadas ou (b) eles selecionassem as faces da isca em mais de 20% dos testes competitivos para qualquer uma dessas rodadas.

A memória humana é muito importante e nos ajuda a compreender e enfrentar melhor os diversos desafios da vida. No entanto, na sociedade moderna, deparamo-nos com uma enorme quantidade de informação e a nossa memória é frequentemente desafiada e cansada.

No entanto, podemos reconstruir a relação entre os dados da tarefa e a memória de algumas maneiras simples. Primeiro, podemos tentar usar a memória de trabalho para melhorar a nossa capacidade de memória. A memória de trabalho refere-se à capacidade de reter e processar informações na memória de curto prazo. Ao realizar regularmente tarefas de memória, podemos exercitar a nossa memória de trabalho e, assim, melhorar a nossa memória.

Em segundo lugar, podemos melhorar a nossa memória recorrendo à nossa memória sensorial. Nossas memórias sensoriais são tão poderosas que podemos recordar, por exemplo, o sabor de um alimento pela primeira vez. Ao melhorar nossa memória sensorial, podemos melhorar nossa memória.

Além disso, também podemos fortalecer nossa memória usando o método do palácio da memória. Os palácios da memória são uma técnica antiga que utiliza cenas elaboradas que construímos para conectar as informações que queremos lembrar à cena. Dessa forma, podemos facilmente recuperar as informações.

Finalmente, podemos experimentar alguns exercícios físicos para melhorar a nossa memória. A atividade física estimula o metabolismo, o que por sua vez aumenta a atividade cerebral. Através do exercício, também podemos promover a circulação sanguínea para que o cérebro receba mais oxigênio e nutrientes, para que possa processar melhor as informações.

Em resumo, podemos reconstruir a relação entre os dados da tarefa e a memória usando vários métodos. Seja exercitando a memória de trabalho, fortalecendo a memória sensorial, usando um palácio da memória ou praticando atividade física, pode nos ajudar a melhorar nossa memória e nos tornar mais flexíveis e eficientes na vida. Percebe-se que precisamos melhorar a memória, e a Cistanche deserticola pode melhorar significativamente a memória porque a Cistanche deserticola é um material medicinal tradicional chinês que tem muitos efeitos únicos, um dos quais é melhorar a memória. A eficácia da carne picada vem dos vários ingredientes ativos que contém, incluindo ácidos, polissacarídeos, flavonóides, etc. Esses ingredientes podem promover a saúde do cérebro de várias maneiras.

Clique em conhecer suplementos para melhorar a memória

Com base nesses critérios, um participante foi excluído da análise dos dados da tarefa de reconstrução no Experimento 1 (rendendo N=35), quatro foram excluídos do Experimento 2 (rendendo N=37) e oito foram excluídos do Experimento 3 (rendendo N=49) (ver https://osf.io/dj6q2/ para outros critérios de exclusão que foram estabelecidos, mas não se aplicaram). A justificativa para ter um limite alto para a inclusão de participantes na análise da tarefa de reconstrução foi minimizar os casos em que os participantes reconstruíram uma face totalmente errada e, em vez disso, concentrar-se no viés/precisão em faces que de outra forma seriam lembradas corretamente.

Medindo memória associativa

Conforme observado acima, o teste de memória associativa foi utilizado para confirmar que os participantes obtiveram alta precisão na associação de pistas com rostos. O teste de memória associativa também permitiu verificar se a condição competitiva induziu interferência (menor precisão da memória associativa) em comparação com a condição não competitiva. Os dados do teste de memória associativa foram primeiramente analisados ​​em termos de precisão em ensaios não competitivos em comparação com ensaios não competitivos. Executamos uma ANOVA de medidas repetidas separada para cada experimento com fatores de condição (competitivo, não competitivo) e rodada de aprendizagem (1–9 para o Experimento 1, 1–12 para os Experimentos 2 e 3).

Para testes competitivos, também separamos os erros conforme fossem atribuíveis à competição (erro de interferência) ou não (iscas). Se os erros fossem aleatórios, os erros de interferência ocorreriam em um quinto (20%) das tentativas de erro. Para testar se os erros de interferência ocorreram acima dos níveis de probabilidade, executamos testes t de uma amostra para cada experimento, comparando a porcentagem média de erros de interferência (em todas as rodadas de aprendizagem) a 20%.

Medindo o viés

Conforme descrito acima, em cada tentativa na tarefa de construção, a face alvo estava localizada em um dos quatro locais (o centro dos quatro quadrantes). Assim, para ambos os eixos x e y do espaço de busca, o alvo estava a meio caminho entre o centro e a borda do espaço de busca (Fig. 1a). Para medir o potencial viés, para cada experimento todas as respostas foram alinhadas em um eixo comum e redimensionadas em uma escala comum, separadamente para cada dimensão apresentada (afeto, gênero). Para os dados redimensionados, o intervalo de respostas possíveis para cada dimensão foi de -2 a 2, sendo 0 o centro do espaço facial (ou seja, o centro do espaço de busca).

Para a condição competitiva, a localização da face alvo na dimensão diagnóstica=1 e a localização da face primata=-1 (Fig. 1c). Assim, uma tendência para longe da face do primata seria representada por valores superiores a 1, enquanto uma tendência para a face do primata (ou para o centro do espaço da face) seria representada por valores inferiores a 1. Para a dimensão não diagnóstica, a localização da face alvo e da face par=1. Embora faces da condição não competitiva tenham sido incluídas na tarefa de reconstrução, o viés não foi medido para essas faces porque a distinção entre dimensões diagnósticas versus dimensões não diagnósticas não existia. Em vez disso, as faces não competitivas foram de importância crítica no teste de memória associativa, onde serviram para estabelecer um efeito geral de interferência na memória.

É importante notar que, para a tarefa de reconstrução, a faixa de resposta em cada tentativa foi distribuída assimetricamente em torno do alvo. Se o intervalo de respostas tivesse sido distribuído simetricamente em torno do alvo, então a resposta correcta em cada tentativa teria sido, por definição, o centro do espaço de pesquisa – o que provavelmente teria levado os participantes a aprender a simplesmente responder no centro. No entanto, a desvantagem da abordagem que utilizamos é que, para a dimensão diagnóstica na condição competitiva, houve mais oportunidade de responder em direção à face do primata (valores entre -2 e 1) do que longe da face do primata (valores de 1 a 2 ).

É claro que esta assimetria funciona contra o nosso efeito de repulsão previsto (valores superiores a 1). No entanto, para ter em conta o intervalo de respostas assimetricamente restrito, estimamos a média verdadeira ajustando distribuições normais truncadas aos dados. Para cada participante, modelos separados foram executados para as dimensões diagnósticas e não diagnósticas, com cada modelo agrupando dados entre faces e dimensões de características (afeto, gênero) para incluir um número suficiente de pontos de dados. Assim, cada modelo incluiu 32 pontos de dados (oito faces na condição competitiva × quatro tentativas de reconstrução por face). A estimativa de máxima verossimilhança foi utilizada para encontrar a média e o desvio padrão de uma distribuição normal truncada que melhor se ajustasse aos dados. As distribuições foram modeladas usando os pacotes transform e MASS do R.

Restringimos o espaço de busca da média a um intervalo de valores plausíveis equilibrados uniformemente em ambos os lados do alvo (± 1 unidade) e restringimos o desvio padrão a um máximo de 1 e um mínimo de 0,1. Embora vejamos as médias modeladas como uma estimativa melhor das médias verdadeiras, existem algumas fontes de variância que os modelos não consideram. Por exemplo, os modelos não levam em conta distribuições potencialmente únicas para cada dimensão de recurso e/ou estímulo. Além disso, há evidências de que pode haver preconceitos globais e inerentes na forma como as características faciais são lembradas posteriormente (Bülthof & Zhao, 2020; Won et al., 2020). No entanto, de forma crítica, quaisquer preconceitos globais influenciariam igualmente as dimensões diagnósticas e não diagnósticas. Portanto, nossa análise concentrou-se principalmente nas diferenças nas médias modeladas para as dimensões diagnósticas versus não diagnósticas.

Medindo precisão

Para medir a precisão com que as características diagnósticas e não diagnósticas foram lembradas para cada face, calculamos o desvio padrão das respostas nos quatro ensaios de reconstrução para cada face, separadamente para as dimensões diagnósticas e não diagnósticas. Em seguida, calculamos a média desses valores de desvio padrão para cada participante, separadamente para as dimensões diagnósticas e não diagnósticas.

Medindo a relação entre viés de reconstrução e interferência associativa

Para determinar se o viés na dimensão do recurso de diagnóstico desempenha um papel adaptativo na redução da interferência na memória, executamos uma série de modelos de efeitos mistos que se concentraram na relação entre o viés medido durante a tarefa de reconstrução e a precisão no teste de memória associativa (média das últimas quatro rodadas para capturar o estado final da aprendizagem). Embora esta análise tenha sido realizada no nível de itens individuais (faces), o valor de precisão para cada face foi definido como a precisão média para aquela face e seu par. Como tal, ambos os primatas com cada conjunto tiveram o mesmo valor de precisão. A justificativa para calcular a precisão média entre primatas era que se, por exemplo, os participantes associassem dois rostos concorrentes (primatas) à mesma palavra-chave (profissão), em vez de tratar uma dessas associações como "correta" e a outra como "incorreta", seria mais apropriado para que o erro seja compartilhado entre as duas faces.

Para as análises relacionando o viés de reconstrução à precisão da memória associativa, excluímos os participantes que tiveram precisão perfeita, em todos os ensaios, nas quatro rodadas finais do teste de memória associativa. A justificativa para essa exclusão foi que, para esses participantes, não havia variância na memória associativa para o modelo explicar. Além disso, não realizamos esta análise para o Experimento 1 devido ao desempenho próximo ao teto no teste de memória associativa nas últimas quatro rodadas (11 participantes (31%) tiveram 100% de precisão e os demais participantes tiveram uma precisão média de 95,96± 3,01 % com um DP médio dentro de um participante de 3,62 ±1,70). Para os Experimentos 2 e 3 – que usaram primatas mais semelhantes – a precisão da memória associativa foi menor e, portanto, menos participantes foram excluídos devido ao desempenho máximo (sete participantes (19%) no Exp. 2 e seis participantes (12%) no Exp. 3; média precisão para os demais participantes, Exp. 2: M=92,47 ± 7,58%, Exp. 3: M =93,56 ± 6,26%).

Para esses modelos, era fundamental calcular o viés de reconstrução no nível das faces individuais. No entanto, o método descrito acima de estimar o viés médio para cada participante agrupando ensaios/faces não foi viável para esta análise, dado o pequeno número de observações (quatro ensaios por face). Assim, para esta análise, utilizamos simplesmente a média da resposta de reconstrução (nas quatro tentativas por face). Para abordar a preocupação de que qualquer relação observada entre o viés de reconstrução e a precisão da memória associativa possa ser motivada por possíveis "erros de troca", nossa abordagem pré-registrada foi excluir quaisquer respostas individuais (ensaios) para as quais a resposta escalonada estivesse entre {{0}} e 0 e reter apenas respostas para as quais a resposta escalonada estava entre 0 e 2. Para a dimensão de diagnóstico, quaisquer respostas que estivessem mais próximas do primata competidor do que do alvo foram, portanto, excluídas. Todas as respostas restantes foram incluídas na resposta média para cada face.

Embora raro, se um rosto estivesse associado a uma resposta excluída em todos os quatro ensaios de reconstrução, esse rosto era totalmente excluído da análise. Para o Experimento 2, isso ocorreu para um total de quatro faces distribuídas pelos quatro participantes; para o Experimento 3, isso ocorreu para um total de seis faces distribuídas em seis participantes. Embora esta abordagem pré-registada para exclusão de potenciais erros de swap tenha sido concebida como uma abordagem conservadora para eliminar a influência de erros extremos, todos os nossos principais resultados permaneceram significativos quando nenhuma resposta foi excluída. Além disso, em análises exploratórias que combinaram dados dos Experimentos 2 e 3, em vez de excluir completamente as respostas extremas, as respostas entre -2 e 0 foram limitadas a um valor de 0, o que permitiu todos os testes a ser mantido no modelo, mas reduziu a influência de respostas extremas.

Modelos de efeitos mistos foram implementados em R usando o pacote thelme4 (Bates et al., 2014). Testes de razão de verossimilhança foram utilizados para comparar modelos com variáveis ​​relevantes com modelos nulos que excluíam essas variáveis. Para explicar possíveis diferenças relacionadas ao fato de a dimensão diagnóstica ser efeito versus gênero, todos os modelos incluíram essa variável categórica como efeito fixo. Para permitir que a relação entre o viés de reconstrução e a precisão da memória associativa varie para cada participante, modelamos a relação entre o viés e a precisão da memória associativa com interceptações aleatórias e inclinações aleatórias para cada participante, sempre que possível.

Nossa abordagem pré-registrada para lidar com modelos que não convergiram ou que atingiram um pé singular foi executar novamente o mesmo modelo com a inclinação aleatória para viés removida (ver Barr et al., 2013). Embora todos os nossos modelos pré-registrados tenham convergido, um modelo exploratório que usou a diferença de viés na dimensão diagnóstica versus não diagnóstica como preditor não conseguiu convergir quando uma inclinação aleatória foi incluída; assim, removemos o randomslope. Modelos exploratórios que incluíram apenas erro ou precisão não sinalizados como preditores (sem viés) não conseguiram convergir quando inclinações aleatórias foram incluídas para essas variáveis; assim, removemos inclinações aleatórias para essas variáveis.

Finalmente, os modelos exploratórios que incluíam viés juntamente com precisão e erro não assinado como preditores também não conseguiram convergir quando inclinações aleatórias foram incluídas para todas as variáveis; ao remover inclinações aleatórias, priorizamos a manutenção de uma inclinação aleatória para viés, o que levou à exclusão de inclinações aleatórias para precisão e erro não sinalizado.

Resultados

Teste de memória associativa

Para testar se a precisão da memória associativa diferia entre as condições competitivas e não competitivas, conduzimos ANOVAs de medidas repetidas para cada experimento com fatores de condição (competitiva, não competitiva) e rodada (Exp. 1: as primeiras nove rodadas; Exp. 2 e Exp. 3: 12 rodadas). Para cada experimento, houve um efeito principal significativo da condição (Exp. 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), com menor precisão na condição competitiva (Fig. 2a). Para confirmar que esta diferença refletia especificamente interferência, consideramos os tipos de erros cometidos. Para a condição competitiva, os erros poderiam corresponder à seleção da face do competidor ou de uma das quatro iscas não competitivas (Fig. 2b). Se os erros fossem aleatórios, o competidor seria selecionado em um quinto das tentativas de erro. No entanto, combinando tentativas de erro entre rodadas, o competidor foi selecionado em níveis acima do acaso (Exp. 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.

Para testar se a precisão da reconstrução facial estava acima do acaso, medimos a distância euclidiana entre cada resposta e a localização da face alvo (no espaço de resposta bidimensional; Fig. 1c). Para cada participante, a distância euclidiana média entre as respostas e os locais de destino foi comparada com uma distribuição permutada (calculada mudando as respostas dentro do participante 10,000 vezes). A precisão acima do acaso (melhor que 97,5% das médias permutadas) foi observada para todos os participantes (fig. 3).

Viés de reconstrução facial

Para testar nossa previsão crítica de repulsão ao longo da dimensão da face diagnóstica, comparamos o viés de características (ver Métodos) para as dimensões diagnósticas versus não diagnósticas na condição competitiva (Fig. 4a). Primeiro testamos as previsões nos Experimentos 1 e 2 e depois testamos a replicação no Experimento 3. Uma ANOVA de medidas repetidas com fatores de dimensão (diagnóstico, não diagnóstico) e experimento (Exp. 1, Exp. 2) revelou um viés significativamente maior em direção à repulsão em a dimensão de diagnóstico (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).

Embora nossas análises pré-registradas tenham se concentrado na comparação entre dimensões diagnósticas e não diagnósticas, também testamos se as reconstruções na dimensão diagnóstica diferiam significativamente da localização verídica das faces alvo. Na verdade, combinando os dados de todos os três experimentos, as médias modeladas para a dimensão de diagnóstico foram significativamente maiores que o valor verdadeiro de 1 (t(120)=4.39, p < 0.{{ 60}}01, d=0.40), refletindo um preconceito em relação à face concorrente. Este efeito não diferiu significativamente entre os experimentos (F (2.118)=2 0,15, p=0 0,12, 휂2G =0 0,035). Em contraste, na dimensão não diagnóstica houve um viés pequeno, mas significativo, em direção ao centro do espaço facial (médias modeladas <1; t(120)=-2.33, p=0.021, d {{ 25}}.21). Este efeito diferiu significativamente entre os experimentos (F(2.118)=9.56, p < 0,001, 휂2G=0.14). Na verdade, no Experimento 1 as respostas foram significativamente acima de 1 (t(34)=2.15,p=0.039, d=0.36), e nos Experimentos 2 e 3 elas estavam significativamente abaixo de 1 (Exp. 2: t(36)=-2.45, p=0.019, d =0.40; Exp. 3: t(48) {{58} },98, p < 0,001, d=0,57). Embora os valores absolutos das respostas reconstruídas devam ser interpretados com alguma cautela (devido a potenciais preconceitos globais), o preconceito consistente em direção à repulsão na dimensão diagnóstica apoia a nossa previsão de que a competição desencadeia repulsão direcionada na dimensão diagnóstica.

Precisão de reconstrução facial

Em seguida, testamos se a precisão da reconstrução diferia nas dimensões diagnósticas e não diagnósticas (Fig. 4b). Definimos a precisão como o desvio padrão entre reconstruções repetidas da mesma face (ver Métodos). Para a condição competitiva, uma ANOVA de medidas repetidas com fatores de dimensão (diagnóstico, não diagnóstico) e experimento (Exp. 1, Exp. 2) revelou precisão significativamente maior – ou seja, menor variabilidade de reconstrução – na dimensão diagnóstica (F(1,7 {{10}})=16,81, p < 0,001, 휂2G=0,044). Este efeito não interagiu com o experimento (F(1,70)= 0.34, p=0.56, 휂2G=0.001). O efeito de maior precisão na dimensão diagnóstica foi replicado (consistente com nossa previsão pré-registrada) no Experimento 3 (t(48)=5,45,p < 0,001, d=0,74).

Embora nossa medida de precisão fosse matematicamente independente de nossa medida de viés, é notável que essas medidas foram correlacionadas de tal forma que faces reconstruídas com maior precisão também tenderam a estar associadas a maior viés (ver Fig. S2A, OSM). É importante ressaltar, no entanto, que o efeito de maior precisão na dimensão diagnóstica versus não diagnóstica permaneceu significativo mesmo quando os itens de alto viés foram excluídos da análise (ver Fig. S2B, OSM).

Relação entre viés de reconstrução e interferência associativa

Finalmente, testamos nossa previsão de que um maior viés de reconstrução (repulsão) na dimensão diagnóstica está associado a um melhor desempenho no teste de memória associativa (menos interferência). Devido ao desempenho da memória associativa próximo ao teto no Experimento 1 (Fig. 2), focamos nos dados do Experimento 2. Executamos um modelo de efeitos mistos que previu a precisão da memória associativa em nível de item com efeitos fixos de (a) viés na dimensão diagnóstica (variável contínua) e (b) se a dimensão diagnóstica foi afetada ou o gênero (variável categórica). O viés foi modelado com interceptações e inclinações aleatórias para cada participante. Usando um teste de razão de verossimilhança, comparamos este modelo com um modelo sem viés. Criticamente, o modelo ft foi significativamente melhor quando o viés foi incluído (χ2 (1)=4 0,67, p=0 0,031), com o viés prevendo positivamente a precisão da memória associativa (viés=3 0,58, SE =1.62). Como controle, repetimos a mesma análise, mas com viés na dimensão não diagnóstica; aqui, o viés não conseguiu melhorar o modelo ft (χ2(1)=0.021, p=0.89, viés=-0.31, SE=2.14). Para o Experimento 3, previmos (usando uma análise pré-registrada) uma replicação da relação entre o viés da dimensão diagnóstica e a precisão da memória associativa. Observamos um pequeno efeito na direção prevista, mas não foi significativo (χ2(1)=0. 24, p=0.63, viés=0.69, SE= 1.41).

Em nossa análise pré-registrada, excluímos respostas de reconstrução (ensaios) que eram mais parecidas com o concorrente do que com o alvo. A justificativa para isso foi garantir que respostas extremas (potenciais erros de troca) não tivessem uma influência desproporcional no modelo (ver Métodos). No entanto, esta abordagem eliminou totalmente estes ensaios em vez de minimizar a sua influência.

Portanto, como uma análise exploratória, substituímos essas pontuações extremas de reconstrução por um valor de {{0}} (distância igual entre o alvo e o concorrente, consulte Métodos). Isso permitiu que todos os ensaios fossem incluídos, mas reduziu a influência das respostas extremas (ver Fig. S4 (OSM) para uma análise mais aprofundada do que essas respostas extremas podem representar). Para esta análise exploratória, combinamos os dados dos Experimentos 2 e 3, com o experimento (Exp. 2, Exp.3) adicionado como efeito fixo. Em comparação com um modelo nulo, adicionar viés na dimensão diagnóstica melhorou significativamente o modelo ft (χ2 (1)=15 0,88, p <0,001), com viés positivo (repulsão) prevendo maior precisão de memória associativa (viés {{12} }.45, SE=1.04).

Adicionar uma interação entre experimento e viés não melhorou o ajuste do modelo (χ2 (1) =1 0,39, p=0 0,24, exp×bias=-2 0,47, SE=2 0,08), indicando que a relação entre viés e memória associativa não diferiu entre os experimentos. Além disso, o viés melhorou significativamente o ajuste do modelo quando aplicado apenas aos dados do Experimento 3 (χ2(1)=3.98, p=0.046, viés=2.45, SE=1 .19), confirmando que a relação entre viés e memória associativa não foi impulsionada apenas pelos dados do Experimento 2. Como controle, executamos a mesma comparação de modelos, mas com viés na dimensão não diagnóstica como preditor; não houve diferença significativa entre os modelos (χ2(1)=0,14, p=0,71, viés =-0,40, SE=1,08).

Além disso, o grau de viés na dimensão diagnóstica em relação à dimensão não diagnóstica (ou seja, a pontuação da diferença de viés) também melhorou significativamente o ajuste do modelo em comparação com um modelo nulo sem viés,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