Теория множественных следов

В психологии , теория множественных следов представляет собой модель консолидации памяти выдвинутую в качестве альтернативы теории силы . Он утверждает, что каждый раз, когда человеку предоставляется некоторая информация, она кодируется нейронами в уникальном следе памяти, состоящем из комбинации ее атрибутов. Дальнейшая поддержка этой теории пришла в 1960-х годах благодаря эмпирическим данным о том, что люди могут запоминать определенные атрибуты объекта, не помня сам объект. Режим представления и последующего кодирования информации может быть гибко включен в модель. Этот след памяти уникален среди всех других, похожих на него, из-за различий в некоторых аспектах атрибутов предмета, и все следы памяти, заложенные с момента рождения, объединяются в множественное представление в мозгу. В исследованиях памяти математическая формулировка этой теории может успешно объяснить эмпирические явления, наблюдаемые при выполнении задач распознавания и припоминания .

Атрибуты

Атрибуты, которыми обладает предмет, формируют его след и могут относиться ко многим категориям. Когда элемент сохраняется в памяти, информация из каждой из этих атрибутивных категорий кодируется в след элемента. Здесь может иметь место своего рода семантическая категоризация, при которой отдельный след включается в всеобъемлющие концепции объекта. Например, когда человек видит голубя, след добавляется к группе следов «голубя» в его сознании. Этот новый «голубиный» след, хотя и отличается от других экземпляров голубей, которых человек, возможно, видел в своей жизни, служит поддержкой более общей и всеобъемлющей концепции голубя.

Физический

Физические атрибуты предмета кодируют информацию о физических свойствах представленного предмета. Для слова это может включать цвет, шрифт, написание и размер, а для изображения эквивалентными аспектами могут быть формы и цвета объектов. Экспериментально доказано, что люди, не способные вспомнить отдельное слово, иногда могут вспомнить первую или последнюю букву или даже рифмующиеся слова. все аспекты закодированы в физической орфографии следа слова. Даже если элемент не представлен визуально, при кодировании он может иметь некоторые физические аспекты, основанные на визуальном представлении элемента.

Контекстуальный

Контекстуальные атрибуты — это широкий класс атрибутов, определяющих внутренние и внешние особенности, одновременно с представлением элемента. Внутренний контекст — это ощущение внутренней сети, которое вызывает след. Это может варьироваться от аспектов настроения человека до других семантических ассоциаций, которые вызывает представление слова. С другой стороны, внешний контекст кодирует информацию о пространственных и временных аспектах представления информации. Например, это может отражать время суток или погоду. Пространственные атрибуты могут относиться как к физической среде, так и к воображаемой среде. Метод локусов , мнемоническая стратегия, включающая воображаемое пространственное положение, присваивает относительные пространственные положения различным запоминаемым элементам, а затем «проходит» по этим назначенным позициям, чтобы запомнить эти элементы.

Капитал

Атрибуты модальности содержат информацию о методе представления элемента. Наиболее частыми видами модальностей в экспериментальной обстановке являются слуховые и зрительные. Любая сенсорная модальность может быть использована практически.

Классификация

Эти атрибуты относятся к категоризации представленных элементов. Предметы, попадающие в одни и те же категории, будут иметь одинаковые атрибуты класса. Например, если бы был представлен элемент «тачдаун», он вызвал бы всеобъемлющую концепцию «футбола» или, возможно, в более общем смысле, «спорта», и он, вероятно, имел бы общие атрибуты класса с «конечной зоной» и другими элементами, которые вписываются в та же концепция. Один и тот же элемент может вписываться в разные концепции в момент его представления в зависимости от других атрибутов элемента, например контекста. Например, слово «звезда» может попасть в класс астрономии после посещения музея космонавтики или в класс со словами «знаменитость» или «знаменитость» после просмотра фильма.

Математическая формулировка

Математическая формулировка следов позволяет представить модель памяти как постоянно растущую матрицу, которая непрерывно получает и включает информацию в виде векторов атрибутов. Теория множественных следов утверждает, что каждый элемент, когда-либо закодированный, от рождения до смерти, будет существовать в этой матрице в виде нескольких следов. Это делается путем присвоения каждому возможному атрибуту некоторого числового значения, чтобы классифицировать его по мере его кодирования, поэтому каждая закодированная память будет иметь уникальный набор числовых атрибутов.

Матричное определение трасс

Присвоив числовые значения всем возможным атрибутам, удобно построить вектор-столбец для каждого закодированного элемента. Это векторное представление также можно использовать в вычислительных моделях мозга, таких как нейронные сети , которые принимают в качестве входных данных векторные «воспоминания» и моделируют их биологическое кодирование посредством нейронов.

Формально закодированную память можно обозначить числовыми присвоениями всем ее возможным атрибутам. Если два предмета воспринимаются как имеющие одинаковый цвет или воспринимаются в одном и том же контексте, числа, обозначающие их цвет и контекстуальные атрибуты, соответственно, будут относительно близкими. Предположим, мы кодируем L атрибутов каждый раз, когда видим объект. Затем, когда память закодирована, ее можно записать как m ₁ с общим количеством L числовых записей в вектор-столбце:

$\mathbf {m_{1}} ={\begin{bmatrix}m_{1}(1)\\m_{1}(2)\\m_{1}(3)\\\vdots \\m_{1}(L)\end{bmatrix}}$.

Подмножество атрибутов L будет посвящено контекстуальным атрибутам, подмножество — физическим атрибутам и так далее. Одно из основных предположений теории множественных следов заключается в том, что когда мы создаем несколько воспоминаний, мы организуем атрибуты в одном и том же порядке. Таким образом, мы можем аналогичным образом определить векторы m ₂ , m ₃ , ..., m _n для учета n общих закодированных воспоминаний. Теория множественных следов утверждает, что эти воспоминания собираются в нашем мозгу, образуя матрицу памяти путем простой конкатенации отдельных воспоминаний:

$\mathbf {M} ={\begin{bmatrix}\mathbf {m_{1}} &\mathbf {m_{2}} &\mathbf {m_{3}} &\cdots &\mathbf {m_{n}} \end{bmatrix}}={\begin{bmatrix}m_{1}(1)&m_{2}(1)&m_{3}(1)&\cdots &m_{n}(1)\\m_{1}(2)&m_{2}(2)&m_{3}(2)&\cdots &m_{n}(2)\\\vdots &\vdots &\vdots &\vdots &\vdots \\m_{1}(L)&m_{2}(L)&m_{3}(L)&\cdots &m_{n}(L)\end{bmatrix}}$.

Для L общих атрибутов и n общих воспоминаний M будет иметь L строк и n столбцов. Обратите внимание, что хотя n трасс объединены в большую матрицу памяти, каждая трасса доступна индивидуально как столбец в этой матрице.

В этой формулировке n различных воспоминаний сделаны более или менее независимыми друг от друга. Однако элементы, представленные в некоторой обстановке вместе, станут тангенциально связанными из-за сходства их векторов контекста. Если несколько элементов связаны друг с другом и намеренно закодированы таким образом, скажем, элемент a и элемент b , то можно создать память для этих двух элементов, каждый из которых будет иметь k атрибутов следующим образом:

$\mathbf {m_{ab}} ={\begin{bmatrix}a(1)\\a(2)\\\vdots \\a(k)\\b(1)\\b(2)\\\vdots \\b(k)\end{bmatrix}}={\begin{bmatrix}\mathbf {a} \\\mathbf {b} \end{bmatrix}}$.

Контекст как стохастический вектор

Когда предметы изучаются один за другим, возникает соблазн сказать, что они изучаются в одном и том же временном контексте. Однако на самом деле существуют тонкие различия в контексте. Следовательно, контекстуальные атрибуты часто считаются изменяющимися с течением времени, что моделируется случайным процессом . Учитывая вектор, состоящий только из r общих атрибутов контекста t _i , который представляет контекст памяти m _i , контекст следующей закодированной памяти задается как ti ₊₁ :

$\mathbf {t_{i+1}(j)} =\mathbf {t_{i}(j)+\epsilon (j)}$

так,

$\mathbf {t_{i+1}} ={\begin{bmatrix}t_{i}(1)+\epsilon (1)\\t_{i}(2)+\epsilon (2)\\\vdots \\t_{i}(r)+\epsilon (r)\end{bmatrix}}$

Здесь ε(j) — случайное число, выбранное из гауссова распределения .

Суммарное сходство

Как поясняется в следующем разделе, отличительной чертой теории множественных следов является способность сравнивать некоторый элемент зондирования с уже существующей матрицей закодированных воспоминаний. Это имитирует процесс поиска в памяти, посредством чего мы можем определить, видели ли мы когда-либо зонд раньше, как в задачах распознавания, или же зонд вызывает другое ранее закодированное воспоминание, как при вызове по подсказке.

Во-первых, зонд p кодируется как вектор атрибутов. Продолжая предыдущий пример матрицы памяти M , зонд будет иметь L записей:

$\mathbf {p} ={\begin{bmatrix}p(1)\\p(2)\\\vdots \\p(L)\end{bmatrix}}$.

Затем этот p сравнивается один за другим со всеми ранее существовавшими воспоминаниями (следами) в путем определения евклидова расстояния между p и каждым mi _M :

$\left\Vert \mathbf {p-m_{i}} \right\|={\sqrt {\sum _{j=1}^{L}(p(j)-m_{i}(j))^{2}}}$.

Из-за стохастической природы контекста в теории множественных следов почти никогда не случается, чтобы пробный элемент точно соответствовал закодированному воспоминанию. не менее, на большое сходство между p и mi _Тем указывает небольшое евклидово расстояние. Следовательно, над расстоянием необходимо выполнить еще одну операцию, которая приводит к очень низкому сходству на большом расстоянии и очень высокому сходству на малом расстоянии. Линейная операция не устраняет элементы с низким сходством достаточно жестко. Интуитивно наиболее подходящей кажется модель экспоненциального затухания:

$similarity(\mathbf {p,m_{i}} )=e^{-\tau \left\Vert \mathbf {p-m_{i}} \right\|}$

где τ — параметр затухания, который можно определить экспериментально. Затем мы можем определить сходство всей матрицы памяти путем суммирования сходства SS(p,M) между зондом p и матрицей памяти M :

$\mathbf {SS(p,M)} =\sum _{i=1}^{n}e^{-\tau \left\Vert \mathbf {p-m_{i}} \right\|}=\sum _{i=1}^{n}e^{-\tau {\sqrt {\sum _{j=1}^{L}(p(j)-m_{i}(j))^{2}}}}$.

Если исследуемый элемент очень похож хотя бы на одно из закодированных воспоминаний, SS получает большой прирост. Например, учитывая m ₁ в качестве пробного элемента, мы получим расстояние, близкое к 0 (не совсем из-за контекста) для i=1, что добавит почти максимально возможный прирост к SS . Чтобы отличить фоновое сходство (например, всегда будет небольшое сходство с контекстом или несколькими атрибутами), SS часто сравнивают с каким-то произвольным критерием. Если он выше критерия, то зонд считается одним из закодированных. Критерий может варьироваться в зависимости от характера задачи и желания предотвратить ложные срабатывания . Таким образом, теория множественных следов предсказывает, что при наличии некоторого сигнала мозг может сравнить этот сигнал с критерием, чтобы ответить на такие вопросы, как «испытывался ли этот сигнал раньше?» (узнавание) или «какое воспоминание вызывает этот сигнал?» (воспоминание по сигналу), которые представляют собой применение суммированного подобия, описанное ниже.

Приложения к явлениям памяти

Признание

Теория множественных следов хорошо вписывается в концептуальную основу распознавания . Распознавание требует от человека определить, видел ли он предмет раньше или нет. Например, распознавание лиц позволяет определить, видел ли человек лицо раньше. Когда об этом спрашивают об успешно закодированном элементе (то, что действительно видели раньше), распознавание должно произойти с высокой вероятностью. В математической структуре этой теории мы можем смоделировать распознавание отдельного элемента зонда p по суммарному сходству с критерием. Мы переводим тестовый элемент в вектор атрибутов, как это было сделано для закодированных воспоминаний, и сравниваем его с каждой трассой, когда-либо встречавшейся. Если суммарное сходство соответствует критерию, мы говорим, что видели этот предмет раньше. Ожидается, что суммарное сходство будет очень низким, если элемент никогда не был замечен, и относительно большим, если оно было, из-за сходства атрибутов зонда с некоторой памятью матрицы памяти.

$P(recognizing~p)~=~P(\mathbf {SS(p,M)} >criterion)$

Это можно применять как к распознаванию отдельных элементов, так и к ассоциативному распознаванию двух или более элементов вместе.

Отзыв по сигналу

Теория также может объяснить запоминание по сигналу . Здесь дается некоторый сигнал, предназначенный для извлечения элемента из памяти. Например, фактический вопрос типа «Кто был первым президентом Соединенных Штатов?» это сигнал, позволяющий получить ответ «Джорджа Вашингтона». В описанной выше структуре «ab» мы можем взять все атрибуты, присутствующие в сигнале, и составить список, рассматривая их как элемент в закодированной ассоциации, когда мы пытаемся вызвать часть b из mab _памяти . В этом примере такие атрибуты, как «первый», «Президент» и «Соединенные Штаты», будут объединены для формирования вектора a , который уже будет сформулирован в памяти mab _, которого значения b кодируют «Джорджа Вашингтона». Учитывая a , есть две популярные модели того, как мы можем успешно вспомнить b :

1) Мы можем просмотреть и определить сходство (не суммированное сходство, различия см. выше) для каждого элемента в памяти для атрибутов a , а затем выбрать ту память, которая имеет наибольшее сходство для a . С какими бы атрибутами b -типа мы ни были связаны, они дают то, что мы вспоминаем. Память mab _{элементы} дает наилучшие шансы на запоминание, поскольку ее a будут иметь большое сходство с сигналом a . Тем не менее, поскольку припоминание происходит не всегда, мы можем сказать, что сходство должно соответствовать критерию, чтобы припоминание вообще имело место. Это похоже на то, как работает машина IBM Watson . Здесь сходство сравнивает только атрибуты a -типа a с _mab .

$P(recalling~m_{ab})~=~P(similarity(a,m_{ab})>criterion)$

2) Мы можем использовать вероятностное правило выбора, чтобы определить вероятность вспоминания предмета как пропорциональную его сходству. Это похоже на бросание дротика в мишень с большей площадью, представленной большим сходством с предметом-кием. Математически говоря, при наличии сигнала a вероятность вызова желаемого воспоминания m _ab равна:

$P(recalling~m_{ab})~=~{\frac {similarity(a,m_{ab})}{SS(a,M)+error}}$

При вычислении сходства и суммарного сходства мы рассматриваем только отношения между атрибутами -типа . Мы добавляем термин ошибки , потому что без него вероятность вызова любого воспоминания из M будет равна 1, но, безусловно, бывают случаи, когда вызов вообще не происходит.

Объяснение других распространенных результатов

Феномены в памяти, связанные, среди прочего, с повторением, частотой слов, новизной, забыванием и смежностью, можно легко объяснить в рамках теории множественных следов. Известно, что память улучшается при многократном воздействии предметов. Например, если вы услышите слово несколько раз в списке, это улучшит распознавание и запоминание этого слова в дальнейшем. Это связано с тем, что повторное воздействие просто добавляет воспоминание в постоянно растущую матрицу памяти, поэтому суммарное сходство для этого воспоминания будет больше и, следовательно, с большей вероятностью будет соответствовать критерию.

При распознавании очень распространенные слова труднее распознать как часть заученного списка при проверке, чем редкие слова. Это известно как эффект частоты слов и также может быть объяснено теорией множественных следов. Для обычных слов суммарное сходство будет относительно высоким независимо от того, было ли это слово замечено в списке или нет, поскольку вполне вероятно, что это слово встречалось и кодировалось в матрице памяти несколько раз на протяжении жизни. Таким образом, мозг обычно выбирает более высокий критерий при определении того, являются ли общие слова частью списка, что затрудняет их успешный выбор. Однако более редкие слова обычно встречаются реже в течение жизни, поэтому их присутствие в матрице памяти ограничено. Следовательно, низкое общее суммарное сходство приведет к более мягкому критерию. Если слово присутствовало в списке, высокое сходство контекста во время теста и сходство других атрибутов приведет к достаточному увеличению суммарного сходства, чтобы превзойти прошлый критерий и, таким образом, успешно распознать редкое слово.

новизны Эффект последовательного положения можно объяснить тем, что более поздние закодированные воспоминания будут иметь временной контекст, наиболее похожий на нынешний контекст, поскольку стохастическая природа времени не будет иметь такого выраженного эффекта. Таким образом, сходство контекста будет высоким для недавно закодированных элементов, поэтому общее сходство также будет относительно выше для этих элементов. Считается также, что стохастический контекстный дрейф является причиной забывания, поскольку контекст, в котором было закодировано воспоминание, со временем теряется, поэтому суммарное сходство элемента, представленного только в этом контексте, со временем будет уменьшаться.

Наконец, эмпирические данные показали эффект смежности , при котором элементы, которые представлены вместе во времени, даже если они не могут быть закодированы как единое воспоминание, как в парадигме «ab», описанной выше, с большей вероятностью будут запоминаться вместе. Это можно рассматривать как результат незначительного контекстуального дрейфа между элементами, которые запоминаются вместе, поэтому контекстуальное сходство между двумя элементами, представленными вместе, велико.

Недостатки

Одним из самых больших недостатков теории множественных трассировок является требование некоторого элемента, с которым можно было бы сравнивать матрицу памяти при определении успешного кодирования. Как упоминалось выше, это довольно хорошо работает при распознавании и воспроизведении по сигналу, но наблюдается явная неспособность включить свободное припоминание в модель . Свободное припоминание требует от человека свободного запоминания некоторого списка предметов. Хотя сам акт просьбы вспомнить может действовать как сигнал, который затем может вызвать методы воспроизведения по сигналу, маловероятно, что этот сигнал достаточно уникален, чтобы достичь суммарного критерия сходства или иным образом достичь высокой вероятности воспоминания.

Другая важная проблема заключается в переводе модели на биологическую значимость. Трудно представить, что мозг обладает неограниченными возможностями отслеживать такую ​​большую матрицу воспоминаний и продолжать расширять ее каждым предметом, с которым ему когда-либо предъявлялись. Более того, поиск в этой матрице — это исчерпывающий процесс, который не имеет значения в биологических масштабах времени.

См. также

• Инграмма (нейропсихология)
• Иерархическая временная память
• Разреженная распределенная память