Pikaajalised mäluhäired lahendatakse tõrjumise ja diagnostiliste mälu mõõtmete täpsusega, 3. osa

Analüüsimeetodid

Jõudluspõhised välistamiskriteeriumid Rekonstrueerimisülesande andmeid hõlmanud analüüside puhul jätsime assotsiatiivse mälu testi 9.–12. voorus esinemise põhjal välja väikese arvu osalejaid. Osalejad arvati välja, kui (a) nende veamäär mittevõistluskatsetes oli mõnel neist voorudest suurem kui 20% või (b) nad valisid peibutusnäidised rohkem kui 20% võistluskatsetest mõneks neist voorudest.

Inimese mälu on väga oluline ja aitab meil paremini mõista ja toime tulla erinevatest väljakutsetest elus. Kaasaegses ühiskonnas seisame aga silmitsi tohutu hulga teabega ning meie mälu on sageli raskustes ja väsinud.

Siiski saame mõnel lihtsal viisil rekonstrueerida ülesande andmete ja mälu vahelise seose. Esiteks võime proovida kasutada töömälu oma mäluvõime parandamiseks. Töömälu viitab võimele hoida ja töödelda teavet lühiajalises mälus. Korrapäraselt mäluülesandeid täites saame treenida oma töömälu ja seeläbi parandada mälu.

Teiseks saame parandada oma mälu, kasutades oma sensoorset mälu. Meie sensoorsed mälestused on nii võimsad, et suudame esimest korda meenutada näiteks toidu maitset. Täiustades oma sensoorset mälu, saame parandada oma mälu.

Lisaks saame oma mälu tugevdada ka mälupalee meetodit kasutades. Mälupaleed on iidne tehnika, mis kasutab meie konstrueeritud keerukaid stseene, et ühendada teave, mida tahame stseeniga meelde jätta. Nii saame teabe hõlpsalt meelde tuletada.

Lõpuks saame proovida mõningaid füüsilisi harjutusi mälu parandamiseks. Füüsiline aktiivsus kiirendab ainevahetust, mis omakorda suurendab meie ajutegevust. Treeningu kaudu saame soodustada ka vereringet, et aju saaks rohkem hapnikku ja toitaineid, et saaks paremini infot töödelda.

Kokkuvõttes saame erinevate meetodite abil rekonstrueerida ülesande andmete ja mälu vahelise seose. Olgu selleks töömälu treenimine, sensoorse mälu tugevdamine, mälupalee kasutamine või füüsiline tegevus – see võib aidata meil parandada mälu ning muuta meid elus paindlikumaks ja tõhusamaks. On näha, et me peame parandama mälu ja Cistanche deserticola võib oluliselt parandada mälu, sest Cistanche deserticola on traditsiooniline Hiina ravimmaterjal, millel on palju ainulaadseid toimeid, millest üks on mälu parandamine. Hakkliha tõhusus tuleneb selles sisalduvatest erinevatest toimeainetest, sealhulgas hapetest, polüsahhariididest, flavonoididest jne. Need koostisosad võivad aju tervist mitmel viisil edendada.

Mälu parandamiseks klõpsake teadmise lisandeid

Nende kriteeriumide alusel jäeti üks osaleja 1. katse rekonstrueerimisülesande andmete analüüsist välja (saagis N=35), neli jäeti katsest 2 välja (saagis N=37) ja kaheksa jäeti katsest 3 välja. (saagis N=49) (vt https://osf.io/dj6q2/ muid välistamiskriteeriume, mis kehtestati, kuid mida ei kohaldatud). Rekonstrueerimisülesannete analüüsis osalejate kaasamise kõrge künnise põhjendus oli minimeerida juhtumeid, kus osalejad rekonstrueerisid täiesti vale näo, ja keskenduda selle asemel kallutusele/täpsusele muidu õigesti meelde jäänud nägude puhul.

Assotsiatiivse mälu mõõtmine

Nagu eespool märgitud, kasutati assotsiatiivse mälu testi, et kinnitada, et osalejad saavutasid näpunäidete nägudega seostamisel suure täpsuse. Assotsiatiivne mälu test võimaldas ka manipuleerimist kontrollida, kas konkurentsiolukord põhjustas häireid (madalam assotsiatiivse mälu täpsus) võrreldes mittekonkureeriva seisundiga. Assotsiatiivse mälu testi andmeid analüüsiti esmalt täpsuse osas, mis ei ole konkurentsivõimeline võrreldes mittekonkureerivate katsetega. Tegime iga katse jaoks eraldi korduvate mõõtmiste ANOVA-analüüsi seisunditeguritega (konkurentsivõimeline, mittekonkureeriv) ja õppevooruga (1–9 katse 1 jaoks, 1–12 katse 2 ja 3 jaoks).

Võistluskatsete puhul eraldasime vead ka selle järgi, kas need olid tingitud võistlusest (häireviga) või mitte (landid). Kui vead oleksid juhuslikud, tekiksid häirete vead viiendikul (20%) tõrkekatsetest. Et testida, kas häirete vigu esines tõenäosustasemest kõrgemal, teostasime iga katse jaoks ühe valimi t-testid, võrreldes häirevigade keskmist protsenti (kõigi õppevoorude lõikes) 20% -ga.

Kallutatuse mõõtmine

Nagu ülalpool kirjeldatud, paiknes igas ehitusülesande katses sihtmärk ühes neljast asukohast (nelja kvadrandi keskel). Seega oli nii otsinguruumi x- kui ka y-telje puhul sihtmärk poolel teel otsinguruumi keskpunkti ja piiri vahel (joonis 1a). Võimaliku kõrvalekalde mõõtmiseks joondati iga katse puhul kõik vastused ühisele teljele ja skaleeriti ümber ühisele skaalale, iga funktsioonimõõtme (mõju, sugu) jaoks eraldi. Ümberskaalatud andmete puhul oli iga dimensiooni võimalike vastuste vahemik -2 kuni 2, kusjuures 0 oli näoruumi keskpunkt (st selle kaareruumi keskpunkt).

Konkurentsitingimuste korral sihtmärgi näo asukoht diagnostilisel mõõtmel=1 ja primaadi näo asukoht=-1 (joonis 1c). Seega on primaadi näost kõrvalekaldumine tähistatud väärtustega, mis on suuremad kui 1, samas kui kallutamist primaadi näo poole (või näoruumi keskpunkti poole) tähistavad väärtused, mis on väiksemad kui 1. Mittediagnostilise mõõtme puhul on asukoht sihtnäo ja paariskaaslase näost=1. Kuigi rekonstrueerimisülesandesse kaasati mittekonkureerivast seisundist pärit näod, ei mõõdetud nende nägude puhul kallutatust, kuna diagnostiliste ja mittediagnostiliste mõõtmete vahel ei olnud vahet. Pigem olid mittekonkureerivad näod assotsiatiivse mälu testis kriitilise tähtsusega, kus need aitasid luua üldist mäluhäireefekti.

Oluline on märkida, et rekonstrueerimisülesande jaoks jaotati iga katse reaktsioonivahemik sihtmärgi ümber asümmeetriliselt. Kui reaktsioonivahemik oleks sihtmärgi ümber sümmeetriliselt jaotatud, oleks iga katse õige vastus definitsiooni järgi olnud selle otsinguruumi keskpunkt – mis oleks tõenäoliselt pannud osalejad õppima lihtsalt keskele vastama. Meie kasutatud lähenemisviisi puuduseks on aga see, et võistlusseisundi diagnostilise mõõtme jaoks oli rohkem võimalusi reageerida primaadi näo poole (väärtused vahemikus -2 kuni 1) kui primaadi näost eemal (väärtused 1 kuni 2). ).

Loomulikult töötab see asümmeetria meie prognoositud tõrjumise mõju vastu (väärtused on suuremad kui 1). Sellegipoolest hindas asümmeetriliselt piiratud reaktsioonivahemiku arvessevõtmiseks tegelikku keskmist, sobitades andmetele kärbitud normaaljaotused. Iga osaleja jaoks käivitati diagnostiliste ja mittediagnostiliste mõõtmete jaoks eraldi mudelid, kusjuures iga mudel koondas andmeid nägude ja funktsioonide mõõtmete (mõju, sugu) lõikes, et hõlmata piisav arv andmepunkte. Seega sisaldas iga mudel 32 andmepunkti (kaheksa nägu konkurentsitingimustes × neli rekonstrueerimiskatset näo kohta). Maksimaalse tõenäosuse hinnangut kasutati andmetega kõige paremini sobiva kärbitud normaaljaotuse keskmise ja standardhälbe leidmiseks. Distributsioonide modelleerimiseks kasutati pakette transform ja MASS inR.

Piirasime keskmise otsinguruumi usutavate väärtuste vahemikuga, mis olid ühtlaselt tasakaalustatud mõlemal pool sihtmärki (± 1 ühik) ja piirasime standardhälbe maksimaalselt 1 ja minimaalselt 0,1. Kuigi me käsitleme modelleeritud keskmisi tegelike keskmiste parema hinnanguna, on mõningaid dispersiooniallikaid, mida mudelid ei arvesta. Näiteks ei võta mudelid arvesse iga funktsiooni mõõtme ja/või stiimuli potentsiaalselt ainulaadseid jaotusi. Lisaks on tõendeid selle kohta, et näojoonte hilisemal meelde tuletamisel võib olla omane globaalne eelarvamus (Bülthof & Zhao, 2020; Won et al., 2020). Kriitiliselt mõjutaks aga mis tahes globaalsed eelarvamused võrdselt diagnostilisi ja mittediagnostilisi mõõtmeid. Seetõttu keskendus meie analüüs peamiselt diagnostiliste ja mittediagnostiliste mõõtmete modelleeritud vahendite erinevustele.

Mõõtmise täpsus

Iga näo diagnostiliste ja mittediagnostiliste funktsioonide meeldejätmise täpsuse mõõtmiseks arvutasime iga näo nelja rekonstrueerimiskatse kohta vastuste standardhälbe, eraldi diagnostiliste ja mittediagnostiliste funktsioonide mõõtmete jaoks. Seejärel arvutasime nende standardhälbe väärtuste keskmised iga osaleja jaoks eraldi diagnostiliste ja mittediagnostiliste mõõtmete jaoks.

Rekonstrueerimise eelarvamuste ja assotsiatiivsete häirete vahelise seose mõõtmine

Et teha kindlaks, kas diagnostilise funktsiooni dimensiooni kallutatus mängib mäluhäirete vähendamisel adaptiivset rolli, käitasime läbi mitmeid segaefektide mudeleid, mis keskendusid rekonstrueerimisülesande ajal mõõdetud kallutatuse ja assotsiatiivse mälu testi täpsuse vahelisele suhtele (keskmine nelja viimase hõivamisvooru jooksul õppimise lõppseisund). Kuigi see analüüs viidi läbi üksikute üksuste (nägude) tasemel, määratleti iga näo täpsusväärtus selle näo ja selle paarilise keskmise täpsusena. Seetõttu oli mõlemal komplektil mõlemal primaadil sama täpsusväärtus. Primaatide keskmise täpsuse arvutamise põhjus oli see, et kui osalejad seostavad näiteks kahte konkureerivat nägu (primaate) sama vihjesõnaga (elukutse), selle asemel, et käsitleda ühte neist seostest kui "õiget" ja teist kui "valet", on sobivam. et viga jagataks kahe näo vahel.

Analüüsides, mis seostasid rekonstrueerimise eelarvamusi assotsiatiivse mälu täpsusega, jätsime assotsiatiivse mälu testi viimases neljas voorus välja osalejad, kellel oli kõigi uuringute puhul täiuslik täpsus. Selle välistamise põhjenduseks oli see, et nende osalejate jaoks ei olnud mudelil seletatavat dispersiooni-insotsiatiivset mälu. Lisaks ei viinud me seda analüüsi 1. katse jaoks läbi, kuna assotsiatiivse mälu testi toimivus oli viimase nelja vooru jooksul peaaegu laeni (11 osalejal (31%) oli 100% täpsus ja ülejäänud osalejate keskmine täpsus oli 95,96 ± 3,01 % osaleja keskmise SD-ga 3,62 ±1,70). Katsetes 2 ja 3 – milles kasutati rohkem sarnaseid primaate – oli assotsiatiivse mälu täpsus madalam ja seetõttu jäeti ülemmäära tõttu välja vähem osalejaid (7 osalejat (19%) katses 2 ja kuus osalejat (12%) katses 3; keskmine täpsus ülejäänud osalejate puhul, 2. katse: M=92,47 ± 7,58%, 3. katse: M =93,56 ± 6,26%).

Nende mudelite puhul oli ülioluline arvutada rekonstrueerimise eelarvamus üksikute nägude tasemel. Ülalkirjeldatud meetod iga osaleja keskmise eelarvamuse hindamiseks katsete/nägude koondamise teel ei olnud selle analüüsi jaoks teostatav, arvestades vaatluste väikest arvu (neli katset näo kohta). Seega kasutasime selle analüüsi jaoks lihtsalt rekonstrueerimisvastuse keskmist (nelja katse kohta näo kohta). Et lahendada muret, et mis tahes täheldatud seos rekonstrueerimise kallutatuse ja assotsiatiivse mälu täpsuse vahel võivad olla põhjustatud potentsiaalsetest "vahetusveadest", oli meie eelregistreeritud lähenemisviis välistada kõik individuaalsed vastused (katsetused), mille puhul skaleeritud vastus oli vahemikus {{0}} ja 0 ning säilitada ainult vastused, mille skaleeritud vastus oli vahemikus 0 kuni 2. Diagnostilise dimensiooni puhul jäeti seetõttu välja kõik vastused, mis olid konkureerivale primaadile lähemal kui sihtmärgile. Kõik ülejäänud vastused sisaldusid iga näo keskmises vastuses.

Kuigi haruldane, kui nägu seostati kõigis neljas rekonstrueerimiskatses välistatud vastusega, jäeti see nägu analüüsist täielikult välja. Eksperimendi 2 puhul toimus see kokku nelja näo puhul, mis jaotati nelja osaleja vahel; 3. katse puhul toimus see kokku kuue näo puhul, mis olid jaotatud kuue osaleja vahel. Kuigi see eelregistreeritud lähenemisviis potentsiaalsete vahetusvigade välistamiseks oli ette nähtud konservatiivseks lähenemisviisiks äärmuslike vigade mõju kõrvaldamiseks, jäid kõik meie peamised tulemused oluliseks, kui ühtegi vastust ei välistatud. Lisaks piirati uurimuslikes analüüsides, mis ühendasid 2. ja 3. katse andmeid, selle asemel, et välistada äärmuslikud vastused, kuid vastuste vahemikus -2 kuni 0 piirati väärtust 0, mis võimaldas kõiki katseid. mudelisse jääma, kuid vähendas äärmuslike reaktsioonide mõju.

Segaefektidega mudelid rakendati R-s, kasutades paketti thelme4 (Bates et al., 2014). Tõenäosussuhte teste kasutati asjakohaste muutujatega mudelite võrdlemiseks nullmudelitega, mis need muutujad välistasid. Et võtta arvesse võimalikke erinevusi seoses sellega, kas diagnostiline mõõde oli mõju ja sugu, hõlmasid kõik mudelid seda kategoorilist muutujat fikseeritud efektina. Et võimaldada rekonstrueerimise eelarvamuste ja assotsiatiivse mälu täpsuse vahelisel seosel iga osaleja puhul varieeruda, modelleerisime võimaluse korral iga osaleja kalde ja assotsiatiivse mälu täpsuse vahelist suhet juhuslike lõikepunktide ja juhuslike nõlvadega.

Meie eelregistreeritud lähenemine mudelite käsitlemiseks, mis ei suutnud ühtlustada või mis saavutasid ainsuse jala, oli sama mudeli uuesti käivitamine, eemaldades kõrvalekalde juhusliku kalle (vt Barr et al., 2013). Kuigi kõik meie eelregistreeritud mudelid lähenesid, ei õnnestunud uurimuslikul mudelil, mis kasutas ennustajana diagnostilise ja mittediagnostilise mõõtme erinevust, ühtlustuda, kui kaasati juhuslik kalle; seega eemaldasime juhusliku kalde. Uurimuslikud mudelid, mis sisaldasid ennustajatena ainult märgita viga või täpsust (ilma eelarvamusteta), ei suutnud ühtlustada, kui nende muutujate jaoks lisati juhuslikud kalded; seega eemaldasime nende muutujate jaoks juhuslikud kalded.

Lõpuks ei õnnestunud ka uurimuslikud mudelid, mis sisaldasid kallutamist koos täpsuse ja märgita veaga ennustajatena, ühtlustuma, kui kõigi muutujate jaoks kaasati juhuslikud kalded; juhuslike nõlvade eemaldamisel pidasime prioriteediks juhusliku kalde säilitamist kallutatuse jaoks, mis viis juhuslike nõlvade väljajätmiseni täpsuse ja märgita vea jaoks.

Tulemused

Assotsiatiivne mälu test

Et testida, kas assotsiatiivse mälu täpsus erineb võistlustingimuste ja mittekonkureerivate tingimuste vahel, viisime iga katse jaoks läbi korduvad mõõtmised ANOVA-d tingimusteguritega (konkurentsivõimeline, mittekonkureeriv) ja ümberringi (eksp. 1: esimesed üheksa vooru; eksp. 2 ja eksp.). 3: 12 vooru). Iga katse puhul oli tingimusel oluline põhiefekt (eksp. 1: F(1,35) {{10}.14, p < 0.001, 휂2G=0.034; Eksp. 2: F(1,40)=67.43, p < 0,001, 휂2G=0.10; Eksp. 3: F(1, 56)=88.21, p < 0,001, 휂2G=0.16), väiksema täpsusega võistlustingimustes (joonis 2a). Kinnitamaks, et see erinevus viitas konkreetselt häiretele, kaalusime tehtud vigade tüüpe. Võistlustingimustes võivad vead vastata võistleja näo või ühe neljast mittekonkureerivast landist (joonis 2b). Kui vead olid juhuslikud, valiti võistleja viiendiku veakatsetest. Kuid kombineerides veakatsetusi voorude lõikes, valiti võistleja võimalusest kõrgemal tasemel (eksp. 1: M=60,18 ± 19,68%, t(35)=12.25, p< 0.001, d = 2.04; Exp. 2: M = 71.29 ± 15.78%, t(40) = 20.82, p < 0.001, d = 3.25; Exp. 3: M = 78.63 ± 11.58%, t(56) = 38.21, p < 0.001, d = 5.06), confirming that increased errors in the competitive condition refected interference from the competitor face.

Et testida, kas näo rekonstrueerimise täpsus oli suurem kui võimalik, mõõtsime eukleidilist kaugust iga vastuse ja sihtpinna asukoha vahel (kahemõõtmelises reaktsiooniruumis; joonis 1c). Iga osaleja puhul võrreldi keskmist eukleidilist kaugust vastuste ja sihtasukohtade vahel permuteeritud jaotusega (arvutatud vastuseid nihutades osaleja sees 10,000 korda). Iga osaleja puhul täheldati suuremat täpsust (parem kui 97,5% permuteeritud keskmisest) (joonis 3).

Näo rekonstrueerimise eelarvamus

Et testida meie kriitilist tõukeprognoosi piki diagnostilist näo dimensiooni, võrdlesime funktsioonide eelarvamusi (vt meetodid) diagnostiliste ja mittediagnostiliste mõõtmetega konkurentsitingimustes (joonis 4a). Esmalt testisime ennustusi katsetes 1 ja 2 ning seejärel katsetasime 3. katses replikatsiooni. Korduvmõõtmiste ANOVA mõõtmete teguritega (diagnostiline, mittediagnostiline) ja katse (katse 1, katse 2) näitas oluliselt suuremat kõrvalekallet tõrjumise suhtes. diagnostiline mõõde (F(1,70)=22.25, lk< 0.001, 휂2 G = 0.061). There was a trend toward a significant interaction between dimension and experiment (F(1,70) = 3.96, p = 0.0506, 휂2 G = 0.011), with a relatively weaker effect size in Experiment 1 (d = 0.27) than in Experiment 2 (d = 0.73). As predicted, Experiment 3 replicated, with a large effect size and preregistered hypothesis, the greater bias toward repulsion on the diagnostic dimension (t(48) = 5.87, p < 0.001, d = 0.83).

Kuigi meie eelregistreeritud analüüsid keskendusid diagnostiliste ja mittediagnostiliste mõõtmete võrdlemisele, testisime ka seda, kas diagnostilise mõõtme rekonstruktsioonid erinesid oluliselt sihtnägude tegelikust asukohast. Tõepoolest, kõigi kolme katse andmete kombineerimisel olid diagnostilise mõõtme modelleeritud keskmised oluliselt suuremad kui tegelik väärtus 1 (t(12{5}})=4.39, p < 0.{{ 60}}01, d=0.40), mis peegeldab konkureeriva näo kõrvalekallet. See mõju katsete lõikes oluliselt ei erinenud (F(2,118)=2.15, p=0.12, 휂2G =0.035). Seevastu mittediagnostilises mõõtmes esines väike, kuid oluline nihe näoruumi keskpunkti suunas (modelleeritud keskmine < 1; t(120)=-2.33, p=0.021, d {{ 25}}.21). See efekt erines katsete lõikes märkimisväärselt (F(2,118)=9.56, p < 0,001, 휂2G=0.14). Tegelikult olid 1. katse vastused oluliselt üle 1 (t(34)=2.15,p=0.039, d=0.36) ning katsetes 2 ja 3 olid need olid oluliselt alla 1 (eksp. 2: t(36)=-2.45, p=0.019, d =0.40; eksp. 3: t(48) {{58} },98, p < 0,001, d=0,57). Kuigi rekonstrueeritud vastuste absoluutväärtusi tuleks tõlgendada mõningase ettevaatusega (võimalike globaalsete eelarvamuste tõttu), toetab diagnostilise mõõtme järjekindel kõrvalekaldumine meie ennustust, et konkurents käivitab diagnostilise mõõtme sihipärase tõrjumise.

Näo rekonstrueerimise täpsus

Järgmisena testisime, kas rekonstrueerimise täpsus erines diagnostiliste ja mittediagnostiliste mõõtmete lõikes (joonis 4b). Määratlesime täpsuse kui standardhälbe sama näo korduvate rekonstruktsioonide vahel (vt meetodid). Konkurentsiolukorra puhul näitas korduv mõõtmine ANOVA dimensiooniteguritega (diagnostiline, mittediagnostiline) ja katse (eksp. 1, eksp. 2) oluliselt suuremat täpsust – st väiksemat rekonstrueerimise varieeruvust – diagnostilises mõõtmes (F(1,7) {{10}})=16.81, p < 0,001, 휂2G=0.044). See efekt ei mõjutanud katset (F(1,70)= 0.34, p=0.56, 휂2G=0.001). Suurema täpsuse mõju diagnostilisele mõõtmele korrati (kooskõlas meie eelregistreeritud ennustusega) 3. katses (t(48)=5.45,p < 0,001, d=0.74).

Kuigi meie täpsusmõõt oli matemaatiliselt sõltumatu meie nihke mõõtmisest, on märkimisväärne, et need meetmed olid korrelatsioonis nii, et suurema täpsusega rekonstrueeritud näod olid samuti seotud suurema eelarvamusega (vt joonis S2A, OSM). Oluline on aga see, et suurema täpsuse mõju diagnostilisele võrreldes mittediagnostilise dimensiooniga jäi oluliseks isegi siis, kui analüüsist jäeti välja suure eelarvamusega üksused (vt joonis S2B, OSM).

Rekonstrueerimise eelarvamuse ja assotsiatiivse interferentsi vaheline seos

Lõpuks testisime oma ennustust, et diagnostilise mõõtme suurem rekonstrueerimise kallutatus (tõrjumine) on seotud parema assotsiatiivse mälu testi jõudlusega (vähem häireid). Katse 1 assotsiatiivse mälu jõudluse tõttu (joonis 2) keskendusime katse 2 andmetele. Käitasime segaefektidega mudeli, mis ennustas üksuse tasemel assotsiatiivse mälu täpsust ja fikseeritud mõjuga (a) kallutatust diagnostilisele mõõtmele (pidev muutuja) ja (b) kas see mõjutas diagnostilist mõõdet või sugu (kategooriline muutuja). Kallutatust modelleeriti iga osaleja juhuslike lõikepunktide ja nõlvadega. Tõenäosussuhte testi kasutades võrdlesime seda mudelit eelarvamusteta mudeliga. Kriitiliselt oli mudel ft oluliselt parem, kui kaasati kallutatus (χ2(1)=4.67, p=0.031), kusjuures nihe ennustas positiivselt assotsiatiivse mälu täpsust ( bias=3.58, SE =1.62). Kontrollina kordasime sama analüüsi, kuid mittediagnostilise mõõtmega; siin ei õnnestunud kallutatust mudeli ft täiustamisel (χ2(1)=0.021, p=0.89, kaldenurk=-0.31, SE=2.14). Eksperimendi 3 jaoks ennustasime (kasutades eelregistreeritud analüüsi) seose kordumist diagnostika dimensioonide kõrvalekalde ja assotsiatiivse mälu täpsuse vahel. Märkasime väikest mõju ennustatud suunas, kuid see ei olnud oluline (χ2(1)=0). 24, p=0.63, kallutatus=0.69, SE= 1.41).

Eelregistreeritud analüüsis jätsime välja rekonstrueerimisreaktsioonid (katsed), mis sarnanesid rohkem konkurendi kui sihtmärgiga. Selle põhjuseks oli tagada, et äärmuslikud vastused (potentsiaalsed vahetusvead) ei avaldaks mudelile suurt mõju (vt meetodid). Kuid see lähenemisviis kõrvaldas need katsed täielikult, mitte ei vähendanud nende mõju.

Seetõttu asendasime uuriva analüüsina need äärmuslikud rekonstrueerimisskoorid väärtusega {{0}} (võrdne vahemaa sihtmärgi ja konkurendi vahel, vt meetodeid). See võimaldas kaasata kõik uuringud, kuid vähendas äärmuslike reaktsioonide mõju (vt joonis S4 (OSM) selle kohta, mida need äärmuslikud reaktsioonid võivad esindada). Selle uuriva analüüsi jaoks ühendasime katsete 2 ja 3 andmed, millele lisasime fikseeritud efektina katse (eksp. 2, eksp. 3). Võrreldes nullmudeliga parandas diagnostilise dimensiooni nihke lisamine märkimisväärselt mudeli ft (χ2(1)=15.88, p < 0,001), kusjuures positiivne nihe (tõrjumine) ennustas suuremat assotsiatiivse mälu täpsust (nihke {{12} },45, SE=1,04).

Katse ja kallutatuse vahelise interaktsiooni lisamine ei parandanud mudeli sobivust (χ2(1) =1.39, p=0.24, exp × bias=-2.47, SE=2 .08), mis näitab, et eelarvamuste ja assotsiatiivse mälu vaheline seos ei erinenud katsete lõikes. Veelgi enam, kallutatus parandas mudeli sobivust märkimisväärselt, kui seda rakendati ainult 3. katse andmetele (χ2(1)=3.98, p=0.046, kallutatus=2.45, SE=1 .19), mis kinnitab, et kallutatuse ja assotsiatiivse mälu vahelist seost ei ajendanud ainult 2. katse andmed. Kontrollina kasutasime sama mudeli võrdlust, kuid mittediagnostilise dimensiooni kui ennustaja suhtes; mudelite vahel ei olnud olulist erinevust (χ2(1)=0.14, p=0.71, kallutatus =-0.40, SE=1.08).

Lisaks parandas diagnostilise mõõtme kõrvalekalde määr võrreldes mittediagnostilise mõõtmega (st nihke erinevuse skoor) samuti oluliselt mudeli sobivust võrreldes nullmudeliga ilma nihketa,χ2(1)=19.87, p< 0.001, βbias. dif = 2.71, SE = 0.60 (random slopes were excluded due to reaching singularity).

For more information:1950477648nn@gmail.com