Ask how they did it: untangling the relationships between task-specific strategy use, everyday strategy use, and associative memory
Notice bibliographique
Résumé
OBJECTIVE: Past research has shown that self-reported everyday strategy use and task-specific strategy use are related to associative memory performance in aging. Understudied is the relationship between these types of strategy use, whether they predict associative memory performance, and how this may differ across genders. METHOD: = 566, 53% female, ages 60-80) completed this online study. Study measures included 1. Multifactorial Memory Questionnaire (MMQ) Strategy Use subscale, a self-report measure of everyday strategy use, 2. Face-Name Task (FNT), a measure of associative memory, and 3. self-initiated number and types of strategies used on the FNT. Analyses examined the interrelationships among all study measures and their relative contributions to FNT performance while accounting for intraindividual factors. RESULTS: Participants who reported using more strategies on the FNT performed better than those who used fewer or no strategies; those who reported using at least three strategies and relating FNT to past experience performed best. Women outperformed men on the FNT but did not differ in task-specific strategy use. Participants who reported using no strategies on the FNT had lower MMQ Strategy Use scores. A multiple regression analysis indicated that female gender and using at least two task strategies were significant predictors of greater FNT performance. CONCLUSIONS: The results indicate that task-specific strategy use relates more to associative memory performance than to everyday strategy use, but neither accounts for the female advantage in FNT performance. Findings encourage querying task-specific strategy use to contextualize age-related associative memory decline.
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 ».