Gangguan Memori Jangka Panjang Diatasi Melalui Tolakan dan Presisi Sepanjang Dimensi Memori Diagnostik Bagian 3

Metode analisis

Kriteria eksklusi berbasis kinerja Untuk analisis yang melibatkan data tugas rekonstruksi, kami mengecualikan sejumlah kecil peserta berdasarkan kinerja selama putaran 9-12 tes memori asosiatif. Peserta dikecualikan jika (a) tingkat kesalahan mereka untuk uji coba non-kompetitif lebih besar dari 20% untuk salah satu babak ini atau (b) mereka memilih permukaan umpan pada lebih dari 20% uji coba kompetitif untuk salah satu babak ini.

Ingatan manusia sangat penting dan membantu kita lebih memahami dan mengatasi berbagai tantangan dalam hidup. Namun, dalam masyarakat modern, kita dihadapkan pada banyaknya informasi, dan ingatan kita sering kali tertantang dan lelah.

Namun, kita dapat merekonstruksi hubungan antara data tugas dan memori dengan beberapa cara sederhana. Pertama, kita dapat mencoba menggunakan memori kerja untuk meningkatkan kemampuan memori kita. Memori kerja mengacu pada kemampuan untuk menyimpan dan memproses informasi dalam memori jangka pendek. Dengan melakukan tugas-tugas memori secara teratur, kita dapat melatih memori kerja kita dan dengan demikian meningkatkan daya ingat kita.

Kedua, kita dapat meningkatkan daya ingat kita dengan memanfaatkan memori sensorik kita. Ingatan sensorik kita begitu kuat sehingga kita dapat mengingat, misalnya, rasa suatu makanan untuk pertama kalinya. Dengan meningkatkan memori sensorik kita, kita dapat meningkatkan memori kita.

Selain itu, kita juga bisa memperkuat daya ingat kita dengan menggunakan metode istana memori. Istana memori adalah teknik kuno yang menggunakan adegan rumit yang kita buat untuk menghubungkan informasi yang ingin kita ingat ke adegan tersebut. Dengan cara ini, kita dapat dengan mudah mengingat informasi tersebut.

Terakhir, kita bisa mencoba beberapa latihan fisik untuk meningkatkan daya ingat kita. Aktivitas fisik meningkatkan metabolisme, yang pada gilirannya meningkatkan aktivitas otak kita. Melalui olahraga, kita juga dapat memperlancar peredaran darah sehingga otak mendapat lebih banyak oksigen dan nutrisi, sehingga dapat memproses informasi dengan lebih baik.

Singkatnya, kita dapat merekonstruksi hubungan antara data tugas dan memori dengan menggunakan berbagai metode. Baik itu melatih memori kerja, memperkuat memori sensorik, menggunakan istana memori, atau melakukan aktivitas fisik, ini dapat membantu kita meningkatkan daya ingat dan membuat kita lebih fleksibel dan efisien dalam hidup. Terlihat bahwa kita perlu meningkatkan daya ingat, dan Cistanche deserticola dapat meningkatkan daya ingat secara signifikan karena Cistanche deserticola merupakan bahan obat tradisional Tiongkok yang memiliki banyak khasiat unik, salah satunya meningkatkan daya ingat. Khasiat daging cincang berasal dari berbagai bahan aktif yang dikandungnya, antara lain asam, polisakarida, flavonoid, dll. Bahan-bahan tersebut dapat meningkatkan kesehatan otak dengan berbagai cara.

Klik suplemen tahu untuk meningkatkan daya ingat

Berdasarkan kriteria ini, satu peserta dikeluarkan dari analisis data tugas rekonstruksi pada Eksperimen 1 (menghasilkan N=35), empat peserta dikeluarkan dari Eksperimen 2 (menghasilkan N=37), dan delapan peserta dikeluarkan dari Eksperimen 3 (menghasilkan N=49) (lihat https://osf.io/dj6q2/ untuk kriteria pengecualian lain yang telah ditetapkan tetapi tidak berlaku). Alasan mengapa terdapat ambang batas yang tinggi bagi keikutsertaan peserta dalam analisis tugas rekonstruksi adalah untuk meminimalkan kasus-kasus di mana peserta merekonstruksi wajah yang sepenuhnya salah dan sebaliknya berfokus pada bias/presisi pada wajah-wajah yang diingat dengan benar.

Mengukur memori asosiatif

Seperti disebutkan di atas, tes memori asosiatif digunakan untuk memastikan bahwa peserta mencapai akurasi tinggi dalam mengasosiasikan isyarat dengan wajah. Tes memori asosiatif juga memungkinkan dilakukannya pemeriksaan manipulasi apakah kondisi kompetitif menyebabkan interferensi (akurasi memori asosiatif lebih rendah) dibandingkan dengan kondisi non-kompetitif. Data dari uji memori asosiatif terlebih dahulu dianalisis dari segi keakuratan uji coba inkompetitif dibandingkan dengan uji coba nonkompetitif. Kami menjalankan ANOVA pengukuran berulang yang terpisah untuk setiap percobaan dengan faktor kondisi (kompetitif, non-kompetitif) dan putaran pembelajaran (1–9 untuk Eksperimen 1, 1–12 untuk Eksperimen 2 dan 3).

Untuk uji coba kompetitif, kami juga memisahkan kesalahan berdasarkan apakah kesalahan tersebut disebabkan oleh kompetisi (kesalahan interferensi) atau bukan (umpan). Jika kesalahan terjadi secara acak, kesalahan interferensi akan terjadi pada seperlima (20%) percobaan kesalahan. Untuk menguji apakah kesalahan interferensi terjadi di atas tingkat peluang, maka kami menjalankan uji-t satu sampel untuk setiap eksperimen, membandingkan persentase rata-rata kesalahan interferensi (di seluruh putaran pembelajaran) hingga 20%.

Mengukur bias

Seperti dijelaskan di atas, pada setiap percobaan dalam tugas konstruksi, wajah sasaran terletak di salah satu dari empat lokasi (pusat dari empat kuadran). Jadi, untuk sumbu x dan y dari ruang pencarian, target berada di tengah-tengah antara pusat dan batas ruang pencarian (Gbr. 1a). Untuk mengukur potensi bias, untuk setiap eksperimen, semua respons diselaraskan ke dalam sumbu yang sama dan diubah skalanya ke dalam skala yang sama, secara terpisah untuk setiap dimensi fitur (pengaruh, gender). Untuk data yang diubah skalanya, rentang respons yang mungkin untuk setiap dimensi adalah -2 hingga 2, dengan0 menjadi pusat ruang wajah (yaitu, pusat ruang pencarian).

Untuk kondisi kompetitif, lokasi permukaan target pada dimensi diagnostik=1 dan lokasi permukaan primata=-1 (Gbr. 1c). Dengan demikian, jalur biasa dari wajah primata akan diwakili oleh nilai-nilai yang lebih besar dari 1, sedangkan bias terhadap wajah primata (atau menuju pusat ruang wajah) akan diwakili oleh nilai-nilai yang lebih rendah dari 1. Untuk dimensi non-diagnostik, lokasi dari wajah target dan wajah pasangannya=1. Meskipun wajah-wajah dari kondisi non-kompetitif dimasukkan dalam tugas rekonstruksi, bias tidak diukur untuk wajah-wajah ini karena tidak ada perbedaan antara dimensi diagnostik dan non-diagnostik. Sebaliknya, wajah-wajah nonkompetitif sangat penting dalam tes memori asosiatif, karena wajah-wajah tersebut berfungsi untuk menentukan efek interferensi memori secara keseluruhan.

Penting untuk dicatat bahwa, untuk tugas rekonstruksi, kisaran respons pada setiap percobaan didistribusikan secara asimetris ke seluruh sasaran. Jika rentang respons didistribusikan secara simetris di sekitar target, maka respons yang benar pada setiap uji coba, menurut definisinya, akan menjadi pusat ruang pencarian – yang mungkin akan mengarahkan peserta untuk belajar merespons di tengah saja. Namun, kelemahan dari pendekatan yang kami gunakan adalah, untuk dimensi diagnostik dalam kondisi kompetitif, terdapat lebih banyak peluang untuk merespons ke arah wajah primata (nilai antara -2 dan 1) dibandingkan menjauhi wajah primata (nilai 1 hingga 2 ).

Tentu saja, asimetri ini bertentangan dengan prediksi efek tolakan kita (nilainya lebih besar dari 1). Meskipun demikian, untuk memperhitungkan rentang respons yang dibatasi secara asimetris, kami memperkirakan rata-rata sebenarnya dengan menyesuaikan distribusi normal terpotong pada data. Untuk setiap peserta, model terpisah dijalankan untuk dimensi diagnostik dan non-diagnostik, dengan masing-masing model mengumpulkan data di seluruh dimensi wajah dan fitur (pengaruh, jenis kelamin) untuk menyertakan sejumlah titik data yang memadai. Dengan demikian, setiap model mencakup 32 titik data (delapan permukaan dalam kondisi kompetitif × empat uji coba rekonstruksi per permukaan). Estimasi kemungkinan maksimum digunakan untuk mencari mean dan deviasi standar dari distribusi normal terpotong yang paling sesuai dengan data. Distribusi dimodelkan menggunakan paket transformasi dan MASS di R.

Kami membatasi ruang pencarian mean ke rentang nilai yang masuk akal dan seimbang di kedua sisi target (± 1 unit) dan membatasi deviasi standar menjadi maksimum 1 dan minimum 0,1. Meskipun kami memandang rata-rata yang dimodelkan sebagai estimasi yang lebih baik atas rata-rata yang sebenarnya, ada beberapa sumber varian yang tidak diperhitungkan oleh model tersebut. Misalnya, model tidak memperhitungkan potensi distribusi unik untuk setiap dimensi fitur dan/atau stimulus. Selain itu, terdapat bukti bahwa mungkin terdapat bias global yang melekat dalam cara mengingat fitur wajah di kemudian hari (Bülthof & Zhao, 2020; Won et al., 2020). Namun yang terpenting, setiap bias global akan mempengaruhi dimensi diagnostik dan non-diagnostik. Oleh karena itu, analisis kami terutama berfokus pada perbedaan cara yang dimodelkan untuk dimensi diagnostik dan non-diagnostik.

Mengukur presisi

Untuk mengukur ketepatan dalam mengingat fitur diagnostik dan non-diagnostik untuk setiap wajah, kami menghitung deviasi standar respons di empat percobaan rekonstruksi untuk setiap wajah, secara terpisah untuk dimensi fitur diagnostik dan non-diagnostik. Kami kemudian menghitung rata-rata nilai deviasi standar ini untuk setiap peserta, secara terpisah untuk dimensi diagnostik dan non-diagnostik.

Mengukur hubungan antara bias rekonstruksi dan interferensi asosiatif

Untuk menentukan apakah bias pada dimensi fitur diagnostik memainkan peran adaptif dalam mengurangi gangguan memori, kami menjalankan serangkaian model efek campuran yang berfokus pada hubungan antara bias yang diukur selama tugas rekonstruksi dan akurasi pada tes memori asosiatif (dirata-ratakan pada empat putaran terakhir untuk menangkap keadaan akhir pembelajaran). Meskipun analisis ini dilakukan pada tingkat item individual (wajah), nilai akurasi untuk setiap wajah didefinisikan sebagai akurasi rata-rata untuk wajah tersebut dan pasangannya. Dengan demikian, kedua primata pada masing-masing set mempunyai nilai akurasi yang sama. Alasan untuk merata-ratakan akurasi pada primata adalah jika, misalnya, peserta mengasosiasikan dua wajah yang bersaing (primata) dengan kata isyarat (profesi) yang sama, daripada memperlakukan salah satu dari asosiasi ini sebagai "benar" dan yang lainnya sebagai "salah", hal ini lebih tepat. agar kesalahan dibagi ke dua sisi.

Untuk analisis yang menghubungkan bias rekonstruksi dengan akurasi memori asosiatif, kami mengecualikan peserta yang memiliki akurasi sempurna, di semua uji coba, pada empat putaran terakhir tes memori asosiatif. Alasan pengecualian ini adalah, bagi para partisipan ini, tidak ada varians dalam memori asosiatif yang dapat dijelaskan oleh model. Selain itu, kami tidak menjalankan analisis ini untuk Eksperimen 1 mengingat kinerja tes memori asosiatif yang hampir mencapai batas tertinggi selama empat putaran terakhir (11 peserta (31%) memiliki akurasi 100%, dan peserta lainnya memiliki akurasi rata-rata 95,96± 3,01 % dengan rata-rata SD peserta 3,62 ±1,70). Untuk Eksperimen 2 dan 3 – yang menggunakan lebih banyak primata serupa – akurasi memori asosiatif lebih rendah dan, oleh karena itu, lebih sedikit peserta yang dikeluarkan karena kinerja tertinggi (tujuh peserta (19%) pada Eksperimen 2 dan enam peserta (12%) pada Eksperimen 3; rata-rata akurasi untuk peserta yang tersisa, Exp. 2: M=92.47 ± 7.58%, Exp. 3: M =93.56 ± 6.26%).

Untuk model-model ini, penting untuk menghitung bias rekonstruksi pada tingkat wajah individu. Namun, metode yang dijelaskan di atas dalam memperkirakan bias rata-rata untuk setiap peserta dengan mengumpulkan seluruh uji coba/wajah tidak layak untuk analisis ini mengingat jumlah pengamatan yang sedikit (empat uji coba per wajah). Oleh karena itu, untuk analisis ini, kami hanya menggunakan rata-rata respons rekonstruksi (dari empat uji coba per wajah). Untuk mengatasi kekhawatiran bahwa hubungan apa pun yang diamati antara bias rekonstruksi dan akurasi memori asosiatif mungkin didorong oleh potensi "swaperror", pendekatan kami yang telah didaftarkan sebelumnya adalah mengecualikan respons individu (percobaan) yang respons berskalanya berada di antara {{0}} dan 0 dan hanya mempertahankan respons yang skala responsnya antara 0 dan 2. Untuk dimensi diagnostik, respons apa pun yang lebih dekat dengan primata pesaing dibandingkan dengan target akan dikeluarkan. Semua tanggapan yang tersisa dimasukkan dalam tanggapan rata-rata untuk setiap wajah.

Meskipun jarang terjadi, jika sebuah wajah dikaitkan dengan respons yang dikecualikan pada keempat percobaan rekonstruksi, wajah tersebut sepenuhnya dikeluarkan dari analisis. Untuk Eksperimen 2, hal ini terjadi pada total empat wajah yang didistribusikan ke empat peserta; untuk Eksperimen 3, hal ini terjadi pada total enam wajah yang didistribusikan ke enam peserta. Meskipun pendekatan yang telah didaftarkan sebelumnya untuk mengecualikan potensi kesalahan swap dimaksudkan sebagai pendekatan konservatif untuk menghilangkan pengaruh kesalahan ekstrem, semua hasil utama kami tetap signifikan ketika tidak ada tanggapan yang dikecualikan. Selain itu, dalam analisis eksplorasi yang menggabungkan data di seluruh Eksperimen 2 dan 3, alih-alih mengecualikan respons ekstrem sama sekali, respons antara -2 dan 0 dibatasi pada nilai 0, yang memungkinkan semua uji coba untuk dipertahankan dalam model, tetapi mengurangi pengaruh respons ekstrem.

Model efek campuran diimplementasikan di R menggunakan paket thelme4 (Bates et al., 2014). Tes rasio kemungkinan digunakan untuk membandingkan model dengan variabel yang relevan dengan model nol yang mengecualikan variabel tersebut. Untuk memperhitungkan perbedaan potensial terkait apakah dimensi diagnostik merupakan efek versus gender, semua model memasukkan variabel kategori ini sebagai efek tetap. Untuk memungkinkan hubungan antara bias rekonstruksi dan akurasi memori asosiatif bervariasi untuk setiap peserta, kami memodelkan hubungan antara bias dan akurasi memori asosiatif dengan intersepsi acak dan kemiringan acak untuk setiap peserta, jika memungkinkan.

Pendekatan kami yang telah didaftarkan sebelumnya untuk menangani model yang gagal menyatu atau mencapai titik tunggal adalah dengan menjalankan kembali model yang sama dengan kemiringan acak untuk menghilangkan bias (lihat Barr dkk., 2013). Meskipun semua model pra-registrasi kami bertemu, model eksplorasi yang menggunakan perbedaan bias pada dimensi diagnostik dan non-diagnostik sebagai prediktor gagal menyatu ketika kemiringan acak dimasukkan; dengan demikian, kami menghapus kemiringan acak. Model eksplorasi yang hanya menyertakan kesalahan tak bertanda atau presisi sebagai prediktor (tanpa bias) gagal menyatu ketika kemiringan acak dimasukkan untuk variabel-variabel ini; dengan demikian, kami menghilangkan kemiringan acak untuk variabel-variabel ini.

Terakhir, model eksplorasi yang menyertakan bias serta presisi dan kesalahan tak bertanda sebagai prediktor juga gagal menyatu ketika kemiringan acak dimasukkan untuk semua variabel; ketika menghilangkan kemiringan acak, kami memprioritaskan mempertahankan kemiringan acak untuk bias, yang menyebabkan pengecualian kemiringan acak untuk presisi dan kesalahan yang tidak ditandai.

Hasil

Tes memori asosiatif

Untuk menguji apakah akurasi memori asosiatif berbeda antara kondisi kompetitif dan non-kompetitif, kami melakukan ANOVA pengukuran berulang untuk setiap percobaan dengan faktor kondisi (kompetitif, non-kompetitif) dan putaran (Keluaran 1: sembilan putaran pertama; Kehabisan 2 dan Kehabisan. 3: 12 putaran). Untuk setiap percobaan, terdapat pengaruh utama yang signifikan dari kondisi (Keluaran 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), dengan akurasi yang lebih rendah dalam kondisi kompetitif (Gbr. 2a). Untuk memastikan bahwa perbedaan ini secara spesifik mencerminkan interferensi, kami mempertimbangkan jenis kesalahan yang terjadi. Untuk kondisi kompetitif, kesalahan bisa berhubungan dengan pemilihan wajah pesaing atau salah satu dari empat umpan non-kompetitif (Gbr. 2b). Jika kesalahan bersifat acak, pesaing akan dipilih pada seperlima dari percobaan kesalahan. Namun, dengan menggabungkan uji coba kesalahan di seluruh ronde, kompetitor terpilih pada tingkat peluang di atas (Exp. 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.

Untuk menguji apakah keakuratan rekonstruksi wajah berada di atas peluang, kami mengukur jarak Euclidean antara setiap respons dan lokasi wajah target (dalam ruang respons dua dimensi; Gambar 1c). Untuk setiap peserta, jarak rata-rata Euclidean antara respons dan lokasi target dibandingkan dengan distribusi permutasi (dihitung dengan menggeser respons dalam peserta sebanyak 10,000 kali). Akurasi di atas peluang (lebih baik dari 97,5% rata-rata permutasi) diamati untuk setiap peserta (Gbr. 3).

Bias rekonstruksi wajah

Untuk menguji prediksi kritis kami tentang tolakan sepanjang dimensi wajah diagnostik, kami membandingkan bias fitur (lihat Metode) untuk dimensi diagnostik dan non-diagnostik dalam kondisi kompetitif (Gbr. 4a). Kami pertama-tama menguji prediksi dalam Eksperimen 1 dan 2, dan kemudian menguji replikasi dalam Eksperimen 3. ANOVA pengukuran berulang dengan faktor dimensi (diagnostik, non-diagnostik) dan eksperimen (Exp. 1, Exp. 2) mengungkapkan bias yang jauh lebih besar terhadap tolakan pada dimensi diagnostik (F(1,70)=22.25, hal< 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).

Meskipun analisis kami yang telah didaftarkan sebelumnya berfokus pada perbandingan antara dimensi diagnostik dan non-diagnostik, kami juga menguji apakah rekonstruksi pada dimensi diagnostik berbeda secara signifikan dari lokasi sebenarnya dari wajah target. Memang benar, dengan menggabungkan data dari ketiga percobaan, rata-rata yang dimodelkan untuk dimensi diagnostik secara signifikan lebih besar daripada nilai sebenarnya dari 1 (t(120)=4.39, p < 0.{{ 60}}01, d=0.40), mencerminkan bias menjauh dari wajah pesaing. Efek ini tidak berbeda secara signifikan antar eksperimen (F(2,118)=2.15, p=0.12, 휂2G =0.035). Sebaliknya, pada dimensi non-diagnostik terdapat bias kecil namun signifikan terhadap pusat ruang wajah (rata-rata yang dimodelkan < 1; t(120)=-2.33, p=0.021, d {{ 25}}.21). Efek ini berbeda secara signifikan antar eksperimen (F(2,118)=9.56, p < 0.001, 휂2G=0.14). Faktanya, pada Eksperimen 1, responsnya secara signifikan di atas 1 (t(34)=2.15,p=0.039, d=0.36), dan pada Eksperimen 2 dan 3 mereka jauh di bawah 1 (Exp. 2: t(36)=-2.45, p=0.019, d =0.40; Exp. 3: t(48) {{58} },98, p < 0,001, d=0,57). Meskipun nilai absolut dari respons yang direkonstruksi harus ditafsirkan dengan hati-hati (karena potensi bias global), bias yang konsisten terhadap penolakan pada dimensi diagnostik mendukung prediksi kami bahwa persaingan memicu penolakan yang ditargetkan pada dimensi diagnostik.

Ketepatan rekonstruksi wajah

Kami selanjutnya menguji apakah presisi rekonstruksi berbeda antara dimensi diagnostik dan non-diagnostik (Gbr. 4b). Kami mendefinisikan presisi sebagai deviasi standar pada rekonstruksi berulang pada wajah yang sama (lihat Metode). Untuk kondisi kompetitif, ANOVA pengukuran berulang dengan faktor dimensi (diagnostik, non-diagnostik) dan eksperimen (Exp. 1, Exp. 2) menunjukkan presisi yang jauh lebih besar – yaitu, variabilitas rekonstruksi yang lebih rendah – pada dimensi diagnostik (F (1,7 {{10}})=16.81, p < 0.001, 휂2G=0.044). Efek ini tidak berinteraksi dengan eksperimen (F(1,70)= 0.34, p=0.56, 휂2G=0.001). Efek presisi yang lebih besar pada dimensi diagnostik direplikasi (konsisten dengan prediksi kami yang telah didaftarkan sebelumnya) dalam Eksperimen 3 (t(48)=5.45,p <0.001, d=0.74).

Meskipun ukuran presisi kami secara matematis tidak bergantung pada ukuran bias kami, perlu dicatat bahwa ukuran-ukuran ini berkorelasi sedemikian rupa sehingga wajah yang direkonstruksi dengan presisi lebih tinggi juga cenderung dikaitkan dengan bias yang lebih besar (lihat Gambar. S2A, OSM). Namun yang penting, efek presisi yang lebih besar pada dimensi diagnostik dibandingkan non-diagnostik tetap signifikan bahkan ketika item dengan bias tinggi dikeluarkan dari analisis (lihat Gambar. S2B, OSM).

Hubungan antara rekonstruksi biasa dan interferensi asosiatif

Terakhir, kami menguji prediksi kami bahwa bias rekonstruksi (repulsi) yang lebih besar pada dimensi diagnostik dikaitkan dengan kinerja tes memori asosiatif yang lebih baik (interferensi lebih sedikit). Karena kinerja memori asosiatif yang mendekati langit-langit dalam Eksperimen 1 (Gbr. 2), kami fokus pada data Eksperimen 2. Kami menjalankan model efek campuran yang memperkirakan akurasi memori asosiatif tingkat item dengan efek tetap (a) bias pada dimensi diagnostik (variabel kontinu) dan (b) apakah dimensi diagnostik terpengaruh atau jenis kelamin (variabel kategori). Bias dimodelkan dengan intersep dan kemiringan acak untuk setiap peserta. Dengan menggunakan uji rasio kemungkinan, kami membandingkan model ini dengan model tanpa bias. Secara kritis, model ft secara signifikan lebih baik ketika bias dimasukkan (χ2(1)=4.67, p=0.031), dengan bias yang secara positif memprediksi akurasi memori asosiatif ( bias=3.58, SE =1.62). Sebagai kontrol, kami mengulangi analisis yang sama, namun dengan bias pada dimensi non-diagnostik; di sini, bias gagal meningkatkan model ft (χ2(1)=0.021, p=0.89, bias=-0.31,SE=2.14). Untuk Eksperimen 3, kami memperkirakan (menggunakan analisis yang telah didaftarkan sebelumnya) replikasi hubungan antara bias dimensi diagnostik dan akurasi memori asosiatif. Kami mengamati efek kecil pada arah prediksi, namun tidak signifikan (χ2(1)=0. 24, hal=0.63, bias=0.69, SE= 1.41).

Dalam analisis kami yang telah didaftarkan sebelumnya, kami mengecualikan respons rekonstruksi (uji coba) yang lebih mirip dengan pesaing dibandingkan dengan target. Alasannya adalah untuk memastikan bahwa respons ekstrem (potensi kesalahan pertukaran) tidak berdampak besar pada model (lihat Metode). Namun, pendekatan ini sepenuhnya menghilangkan uji coba tersebut dibandingkan meminimalkan pengaruhnya.

Oleh karena itu, sebagai analisis eksplorasi, kami mengganti skor rekonstruksi ekstrem ini dengan nilai {{0}} (jarak yang sama antara target dan pesaing, lihat Metode). Hal ini memungkinkan semua uji coba untuk dimasukkan tetapi mengurangi pengaruh respons ekstrem (lihat Gambar. S4 (OSM) untuk analisis lebih lanjut tentang apa yang diwakili oleh respons ekstrem ini). Untuk analisis eksplorasi ini, kami menggabungkan data dari Eksperimen 2 dan 3, dengan eksperimen (Exp. 2, Exp.3) ditambahkan sebagai efek tetap. Dibandingkan dengan model nol, menambahkan bias pada dimensi diagnostik secara signifikan meningkatkan model ft (χ2(1)=15,88, p < 0,001), dengan bias positif (repulsi) memprediksi akurasi memori asosiatif yang lebih tinggi ( bias {{12} }.45, SE=1.04).

Menambahkan interaksi antara eksperimen dan bias tidak meningkatkan kesesuaian model (χ2(1) =1.39, p=0.24, exp×bias=-2.47, SE=2 0,08), menunjukkan bahwa hubungan antara bias dan memori asosiatif tidak berbeda antar eksperimen. Selain itu, bias secara signifikan meningkatkan kesesuaian model ketika diterapkan pada data Eksperimen 3 saja (χ2(1)=3.98, p=0.046, bias=2.45, SE=1 .19), menegaskan bahwa hubungan antara bias dan memori asosiatif tidak hanya didorong oleh data Eksperimen 2. Sebagai kontrol, kami menjalankan perbandingan model yang sama tetapi dengan bias pada dimensi nondiagnostik sebagai prediktor; tidak ada perbedaan signifikan antar model (χ2(1)=0.14, p=0.71, bias =-0.40, SE=1.08).

Selanjutnya, tingkat bias pada dimensi diagnostik relatif terhadap dimensi non-diagnostik (yaitu, skor perbedaan bias) juga meningkatkan modelfit secara signifikan dibandingkan dengan model nol tanpa bias,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