Remembering a Virtual Museum Tour: Viewing Time, Memory Reactivation, and Memory Distortion
Notice bibliographique
Résumé
A variety of evidence demonstrates that memory is a reconstructive process prone to errors and distortions. However, the complex relationship between memory encoding, strength of memory reactivation, and the likelihood of reporting true or false memories has yet to be ascertained. We address this issue in a setting that mimics a real-life experience: We asked participants to take a virtual museum tour in which they freely explored artworks included in the exhibit, while we measured the participants' spontaneous viewing time of each explored artwork. In a following memory reactivation phase, participants were presented again with explored artworks (reactivated targets), followed by novel artworks not belonging to the same exhibit (activated lures). For each of these objects, participants provided a reliving rating that indexed the strength of memory reactivation. In the final memory recognition phase, participants underwent an old/new memory task, involving reactivated vs. baseline (i.e., non-reactivated) targets, and activated and baseline lures. The results showed that those targets that were spontaneously viewed for a longer amount of time were more frequently correctly recognized. This pattern was particularly true for reactivated targets associated with greater memory strength (a higher reliving rating). Paradoxically, however, lures that were presented after targets associated with higher reliving ratings in the reactivation phase were more often erroneously recognized as artworks encountered during the tour. This latter finding indicates that memory intrusions, irrespective of the viewing time, are more likely to take place and be incorporated into true memories when the strength of target memory is higher.
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 | 0,000 | 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 | 0,000 | 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 ».