Optimized virtual reality-based Method of Loci memorization techniques through increased immersion and effective memory palace designs: a feasibility study
Notice bibliographique
Résumé
Abstract For most, an improvement in memory would always be desirable, whether from the point of view of an aging individual with declining memory, or from the perspective of someone seeking to memorize large amounts of information in the shortest period of time. One way for people to improve upon their memory performance is by using the Method of Loci (MoL), a famously complex, ancient memorization technique for non-spatial information recall. With the use of virtual reality technology, this technique can finally be easily taught to individuals for use in their daily lives. In this paper, we present an exploration into this avenue of using MoL in virtual reality and report on the design and evaluation of our new virtual memory palace that aims to prove the feasibility of improving upon designs from other studies to optimize memory recall performance. An experiment was conducted to evaluate our VR MoL environment. The results from week 1 on the pre-test (M = 62.55, SD = 24.01) and post-test (M = 82.91, SD = 15.99) memory task showed an increase in the number of words remembered was statistically significant, t(20) = -2.34, p = 0.014 where participants were able to remember approximately 20.4% more non-spatial information, when compared to traditional memorization techniques. After a second use, participants improved, remembering 22.2% more non-spatial information on the pre-test (M = 63.44, SD = 26.64) and post-test (M = 85.67, SD = 16.10) memory task, indicating that the increase in number of words remembered was statistically significant, t(16) = -2.142, p = 0.024. The results suggest that the virtual memory palace experience could be optimized to help participants learn the MoL technique with very little training time and potentially produce significant improvements in recall performance as a result.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».