Modeling verbal short-term memory: A walk around the neighborhood.
Notice bibliographique
Résumé
When remembering over the short-term, long-term knowledge has a large effect on the number of correctly recalled items and little impact on memory for order. This is true, for example, when the effects of semantic category are examined. Contrary to what these findings suggest, Poirier et al. in 2015 proposed that memory for order relies on the level of activation within long-term networks. Importantly, although their view has been criticized, they showed that manipulating semantic associations led to item migrations that were atypical. In this article, we show that similar migrations can be obtained with another knowledge-based factor: orthographic neighborhood. In three experiments, we manipulated the orthographic neighborhood of to-be-recalled items. The latter is a sublexical factor; as such, it is much less likely than semantic relatedness to involve demand characteristics or grouping strategies. The first experiment established that the neighborhood manipulation produced the pattern of item migrations previously observed with semantic relatedness, confirming that the migration effect can generalize to other variables. The last two experiments suggested that migrations were due to the features shared across list items rather than to item co-activation (as in Poirier et al.). The results were successfully modeled by calling upon the Revised Feature Model, where recall depends on selecting a retrieval candidate based on the features of the cueing information. Overall, our findings underline the usefulness of a model where retrieval is determined by relative distinctiveness and underline that multiple mechanisms can lead to order errors in recall. (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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».