Evoking Episodic and Semantic Details with Instructional Manipulation: the Semantic Autobiographical Interview
Notice bibliographique
Résumé
Most measures of naturalistic human memory instruct participants to recall personally-experienced episodes in narrative format. These narratives contain non-episodic details, such as general knowledge of the world, or personal knowledge about one’s life circumstances that are elevated with aging. As this non-episodic content is incidental to the instructions, it is difficult to interpret. We modified the widely used Autobiographical Interview (AI) to create a Semantic Autobiographical Interview (SAI) that explicitly targets personal semantic (P-SAI) and general semantic memories (G-SAI). We tested the SAI in young and older adults, alongside with the original AI. Older adults produced a higher proportion of off-task utterances (i.e., details not probed by instructions) across all sections of the interview. Specifically, older adults produced more autobiographical facts in the AI, more episodic and general semantic details in the P-SAI, and more self-knowledge in the G-SAI than did young adults. However, older adults also consistently produced more probed autobiographical facts than did young adults on the P-SAI. These findings suggest that the increased production of semantic details in ageing reflects a bias towards age differences in autobiographical recall that goes beyond episodic remembering, as reflected by an age-associated abundance of semantic details across sections of the interview, findings that are not accommodated by accounts of aging and memory emphasizing reduced cognitive control or compensation for episodic memory impairment.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».