Resuming a Dynamic Task Following Increasingly Long Interruptions: The Role of Working Memory and Reconstruction
Notice bibliographique
Résumé
Studies examining individual differences in interruption recovery have shown that higher working memory capacity (WMC) attenuated the negative impact of interruption length on resumption, at least in static contexts. In continuously evolving (or dynamic) situations, however, working memory may not be as central to the effective resumption of a task, especially in the case of long interruptions. One of the main theories of task interruption suggests that dynamic task resumption could depend on a reconstruction of the primary task context, that is, a visual examination of the post-interruption environment. To better define the role of working memory and reconstruction processes in interruption recovery, the current study examined the association between (1) dynamic task resumption following interruptions of various lengths and (2) two cognitive abilities chosen to operationalize the processes under study, namely, WMC and visual search capacity. Participants performed a multiple object tracking task which could be uninterrupted or interrupted for 5, 15, or 30 s while the hidden stimuli continued their trajectory. They also completed tasks measuring the two cognitive abilities of interest. The results revealed that WMC contributed to post-interruption accuracy regardless of interruption duration. On the contrary, visual search capacity was related to faster resumption in the 15-s and 30-s interruption conditions only. Those results show that working memory plays a preponderant role in resumption not only in static, but also in dynamic contexts. However, our study suggests that this mechanism must share the limelight with reconstruction following lengthy interruptions in dynamic settings.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».