True and false recognition in MINERVA2: Integrating fuzzy-trace theory and computational memory modeling.
Notice bibliographique
Résumé
Previous research suggests that the MINERVA2 model can capture basic Deese/Roediger/McDermott (DRM) false recognition findings with either randomized representations or distributional semantic representations. In the current article, we extended this line of research by showing that MINERVA2 can accommodate not only basic DRM recognition findings but also the effects of various theory-driven manipulations. Importantly, we incorporated two assumptions of fuzzy-trace theory into MINERVA2: the verbatim-gist distinction and hierarchies of gist. To implement the verbatim-gist distinction, we represented local gist traces with distributional semantic vectors and verbatim traces with holographic word-form vectors. With separate representations incorporated, MINERVA2 successfully simulated a wide range of empirical effects in the DRM illusion, as well as remember/know and source judgments. To incorporate hierarchies of gist into the framework, we added an assumption that an item's storage quality depends on its semantic similarity to the preceding item. This accommodated the effect of global gist beyond that of local gist and solved the problem of storage independence in multitrace models of episodic memory. Our findings provided extensive evidence that MINERVA2 is a viable candidate for scalable modeling of the DRM illusion and strengthened the connection between computational modeling and substantive theories of false memory. (PsycInfo Database Record (c) 2025 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 | 0,003 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 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 ».