The multiple encoding benefit: encoding specificity does not hinder the retrieval generalizability of visual long-term memory
Notice bibliographique
Résumé
A robust method for enhancing visual long-term memory (VLTM) retrieval is to encode visual information over multiple opportunities, known as the multiple encoding benefit (MEB). An aspect of the MEB that may be overlooked is the potential detriments of encoding specificity. According to the encoding specificity principle, memory performance is best when the context at encoding matches that at retrieval. In a typical MEB experiment, visual information is not only encoded repeatedly in the same context but also retrieved in the same context. This raises the possibility that the MEB is contingent upon the context match between repeated encoding and retrieval. If so, the MEB may not extend to a new retrieval context, thus limiting the generalizability of memory retrieval. To examine the impact of encoding specificity on retrieval generalizability, we had participants encode a set of real-world objects presented on one of three nature scenes which served as the encoding context. Some objects were presented three times on the same scene (consistent encoding), while others were presented three times, each on a different scene (variable encoding). For each of the encoding conditions, we tested participant’s VLTM recognition by having them retrieve items in the same encoding context or in a brand-new context (a fourth scene). When comparing both encoding styles, we found that neither was more detrimental or effective for retrieval generalization. That is, regardless of consistent or variable encoding, VLTM performance was similar when items were retrieved in a new context. Furthermore, when comparing retrieval following consistent encoding, we found that performance was similar for items retrieved in the original encoding context and those retrieved in a new context. Therefore, encoding specificity in the MEB does not hinder retrieval generalizability and further demonstrates the enduring benefit of multiple encoding opportunities.
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 | 0,004 | 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 | 0,001 | 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 ».