Inverted list-strength effects in recognition.
Notice bibliographique
Résumé
If some list items are studied strongly and others weakly, many memory models predict the effect of strength on memory will be larger when strengths are mixed within a list than between pure lists of a single strength: a list-strength effect. In explaining why list-strength effects were elusive in old/new recognition, Shiffrin et al. (1990) introduced differentiation. This gave the model a way to produce an inverted list-strength effect, which they thought was usually offset by the coexisting expected "upright" list-strength effect. Alternatively, attentional subsetting theory (Caplan, 2023; Caplan & Guitard, 2024b) predicted inverted list-strength effects in some circumstances by considering how the dimensionalities of attended feature spaces might differ for strong and weak items. Inversions were indeed found in manipulations of stimulus duration (e.g., 500 ms vs. 2,000 ms study time/word). Here we replicated the pattern when display time was equated (Experiment 1) and with massed repetition (Experiment 2), ruling out the relevance of vision-locked features and the number of stimulus onsets. Both theoretical accounts of inverted list-strength effects, however, miss the fine structure of the data, namely, reduced hit rates for weak items in pure than mixed lists and the reverse effect (albeit less robust) for strong items. Model fits suggested the critical factor is that list composition parametrically influences the number of deep features processed at test combined with participants' response bias adapting to list composition. In sum, inverted list-strength effects are robustly found in manipulations of item study time and point to differential processing of probe features depending on list composition, compatible with most models. (PsycInfo Database Record (c) 2026 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 | 0,001 | 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 | 0,001 |
| 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 ».