The production effect over the long term: Modeling distinctiveness using serial positions.
Notice bibliographique
Résumé
The production effect is a well-established finding: If some words within a list are read aloud, that is, produced, they are better remembered than their silently read neighbors. The effect has been extensively studied with long-term memory tasks. Recently, using immediate serial recall and short-term order reconstruction, Saint-Aubin et al. (2021) reported informative interactions between the production effect and serial positions. Here, we asked whether these interactions would also be observed with the long-term memory tasks used in the field. In Experiment 1, pure and mixed lists of eight words were presented in both order reconstruction and free recall tasks, with a 30-s filled retention interval. In Experiment 2, the list length was extended to 24 words; in Experiment 3, 10-word lists were used with a 2-min retention interval. Results from all experiments aligned well with those observed in short-term memory. With mixed lists, where produced and silently read words alternated, produced items were better recalled, leading to sawtooth serial position curves. With pure lists, produced items were better recalled when studied in the last serial positions, but they were less well recalled for the primacy positions. Results were readily accounted for by the revised feature model, originally developed to explain short-term memory performance. The findings and model suggest that produced items are encoded with more item-specific, modality-related features and that this generates a relative distinctiveness advantage in short- and long-term memory. However, the richer encoding comes at a cost: It appears to disrupt rehearsal. (PsycInfo Database Record (c) 2023 APA, all rights reserved).
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».