An embedded computational framework of memory: The critical role of representations in veridical and false recall predictions
Notice bibliographique
Résumé
Human memory is reconstructive and thus fundamentally imperfect. One of its critical flaws is false recall-the erroneous recollection of unstudied items. Despite its significant implications, false recall poses a challenge for existing computational models of serial recall, which struggle to provide item-specific predictions. Across six experiments, each involving 100 young adults, we address this issue using the Embedded Computational Framework of Memory (eCFM) that integrates existing accounts of semantic and episodic memory. While the framework provides a comprehensive account of memory processing, its innovation lies in the inclusion of a comprehensive lexicon of word knowledge derived from distributional semantic models. By integrating a lexicon that captures orthographic, phonological, and semantic relationships within an episodic memory model, the eCFM successfully accounts for patterns of veridical serial recall (e.g., proportion correct, intralist errors, omissions) while also capturing false recall (e.g., extralist errors including both critical lures and non-critical lures). We demonstrate the model's capabilities through simulations applied to six experiments, with lists of words (Experiments 1A, 1B, 2A, and 2B) and non-words (Experiments 3A and 3B) that are either related or unrelated semantically (Experiments 1A and 1B), phonologically (Experiments 2A and 2B), or orthographically (Experiments 3A and 3B). This approach fills a computational gap in modelling serial recall and underscores the importance of integrating traditionally separate areas of semantic and episodic memory to provide more precise predictions and holistic memory models.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».