Trải nghiệm sự ngạc nhiên: Động lực tạm thời của tác động của nó lên trí nhớ Phần 2

Phân tích thống kê

Để đánh giá mã hóa động được điều chỉnh theo kỳ vọng, chúng tôi đã đối chiếu các tập đối tượng (táo, kéo, v.v.). Trong mỗi bộ, có bốn sự kiện được đặt (mục tiêu; F1, giống nhất; F2, độ tương tự ở mức trung bình; và F3, ít giống nhau nhất), mỗi sự kiện có (1) điều kiện mong đợi được gán ngẫu nhiên, (2) vị trí trình bày trong bộ và (3 ) thứ tự trình bày khi truy xuất (1–312 thử nghiệm).

Trí nhớ của con người thật tuyệt vời. Thông qua trải nghiệm, học tập và rèn luyện, chúng ta có thể cải thiện đáng kể khả năng ghi nhớ của mình. Trong cuộc sống hàng ngày, chúng ta thường cần ghi nhớ nhiều thông tin khác nhau như số điện thoại, ngày sinh, tên, mật khẩu, v.v. Những thứ này đều cần có trí nhớ.

Tuy nhiên, nếu chúng ta nhớ quá nhiều thứ hoặc trình bày không đúng thứ tự thì chúng ta sẽ gặp khó khăn, thậm chí không thể ghi nhớ. Đây là mối quan hệ giữa thứ tự trình bày và trí nhớ.

Thứ tự trình bày hợp lý có thể giúp chúng ta ghi nhớ thông tin tốt hơn. Ví dụ: nếu muốn ghi nhớ một chuỗi số, chúng ta có thể thử sắp xếp chúng theo một mẫu nhất định, chẳng hạn như thứ tự tăng dần hoặc giảm dần, kết hợp theo cặp, v.v. Những phương pháp này có thể giúp chúng ta làm cho thông tin dễ hiểu và dễ nhớ hơn.

Khi học kiến ​​thức mới, thứ tự trình bày cũng rất quan trọng. Chúng ta học những điều mới hiệu quả hơn nếu chúng ta chia kiến ​​thức mới thành những phần nhỏ hơn và tăng dần độ khó. Phương pháp này gọi là “phân loại nhiệm vụ”, có thể giúp chúng ta nắm vững kiến ​​thức mới nhanh chóng và ít bị bỏ sót hoặc nhầm lẫn.

Trong cuộc sống hàng ngày, chúng ta cũng có thể sử dụng đúng thứ tự trình bày để cải thiện trí nhớ. Lịch gia đình, bản ghi nhớ và danh sách đều có thể giúp chúng ta tổ chức cuộc sống tốt hơn để không còn quên những điều quan trọng hoặc trễ hạn.

Tóm lại, thứ tự trình bày đúng có thể cải thiện đáng kể khả năng ghi nhớ của chúng ta. Thông qua sự sắp xếp và phân tích thích hợp, chúng ta có thể hiểu thông tin tốt hơn, ghi nhớ nó và áp dụng nó trong những kiếp sống tương lai. Chúng ta hãy sử dụng thứ tự trình bày đúng đắn để kích thích tiềm năng trí não, nắm vững thêm nhiều kiến ​​thức và làm cho cuộc sống trở nên trọn vẹn và tươi đẹp hơn. Có thể thấy rằng chúng ta cần cải thiện trí nhớ và Cistanche Deserticola có thể cải thiện đáng kể trí nhớ, bởi vì Cistanche Deserticola cũng có thể điều chỉnh sự cân bằng của các chất dẫn truyền thần kinh, chẳng hạn như tăng mức độ acetylcholine và các yếu tố tăng trưởng. Những chất này rất quan trọng cho trí nhớ và học tập. Ngoài ra, Thịt còn có thể cải thiện lưu lượng máu và thúc đẩy quá trình cung cấp oxy, có thể đảm bảo não nhận đủ chất dinh dưỡng và năng lượng, từ đó cải thiện sức sống và sức bền của não.

Bấm vào biết cách cải thiện chức năng não

Chúng tôi đã chạy mô hình hồi quy logistic nhị phân có hiệu ứng hỗn hợp trên các dữ liệu được tách nhóm này, sử dụng trạng thái kỳ vọng của các sự kiện hiện tại và tập hợp trước đó, cũng như vị trí trình bày khi truy xuất dưới dạng hiệp phương sai. Các mô hình được tính toán bằng cách sử dụng gói lme4 (Bates et al., 2{ {4}}15) trong môi trường R (Nhóm cốt lõi phát triển R, 2008). Các tham số của các mô hình như vậy có thể được sử dụng để đánh giá xác suất đưa ra phản hồi chính xác ("cũ" cho mục tiêu, "mới" cho lá) và cũng tính đến khả năng chặn duy nhất của mỗi người tham gia (độ lệch phản hồi). Để đánh giá độ dốc của từng yếu tố dự đoán trong mô hình (H0: b=0), chúng tôi đã sử dụng omnibus x2 Waldtest (West và cộng sự, 2014), như được triển khai trong gói ô tô (Fox và Weisberg, 2018).

Việc trích xuất và vẽ sơ đồ các hiệu ứng được báo cáo dưới đây được tiến hành bằng cách sử dụng các gói hiệu ứng (Fox, 2003), phương tiện (Searle và cộng sự, 1980) và ggplot2 (Wickham, 2009). Để kiểm tra sự tương tác động giữa sự tương đồng về nhận thức và trạng thái kỳ vọng, đối với mỗi tập hợp sự kiện, chúng tôi đã nghĩ ra ba mô hình quan tâm, mô hình hóa từng sự kiện riêng biệt như một hàm của chuỗi sự kiện trước đó.

Ví dụ: các mục tiêu trước F1 được mô hình hóa riêng biệt với các mục tiêu trước F2. Để loại bỏ bất kỳ tác động nào do sự khác biệt về cường độ bộ nhớ gây ra, chúng tôi chỉ đưa vào mô hình này những sự kiện mà phản hồi trước đó là chính xác (tức là đối với các mục tiêu theo sau sự kiện F1, chúng tôi chỉ đưa vào các mục tiêu theo sau CR1). Các kết quả tương tự cũng được ghi nhận khi đưa tất cả các thử nghiệm vào mô hình (xem kho lưu trữ GitHub để biết mã chạy phân tích và tạo số liệu). Do đó, mỗi mô hình bao gồm trạng thái kỳ vọng của các sự kiện hiện tại và trước đó, cũng như thứ tự trình bày khi truy xuất một biến số. Mã và dữ liệu có sẵn ở đây:https://github.com/frdarya/DynamicExpectation.

Thí nghiệm 2

Những người tham gia

Tổng cộng có 25 người tham gia (tám nam, tuổi từ 18–33, nghĩa là=25, SD=4.2) đã đồng ý và tham gia vào nghiên cứu. Những người tham gia có thị lực bình thường hoặc điều chỉnh thành bình thường và không có tiền sử rối loạn thần kinh hoặc tâm thần. Tất cả các thủ tục đã được phê duyệt bởi Ủy ban đạo đức nghiên cứu của Đại học Manchester. Một người tham gia đã bị loại khỏi tất cả các phân tích vì không tìm hiểu được tình huống dự phòng về tín hiệu-kết quả trong nhiệm vụ học quy tắc.

Thiết kế thử nghiệm

Một mô hình tương tự và thao tác kỳ vọng đã được sử dụng trong thử nghiệm 2, với các ngoại lệ sau: trong giai đoạn mã hóa, mỗi đối tượng được trình bày ba lần liên tiếp. Mỗi đối tượng xuất hiện trên màn hình trong 2000 mili giây, với điểm giao nhau cố định bị dao động (250–750 mili giây) giữa mỗi lần trình bày. Trong phần trình bày thứ nhất và thứ hai, những người tham gia được yêu cầu đưa ra quyết định về mặt ngữ nghĩa về vật thể đó, cho dù nó là do con người tạo ra hay tự nhiên, và liệu nó có nhiều khả năng được tìm thấy trong nhà hay ngoài trời hơn. Thứ tự của những câu hỏi này là ngẫu nhiên. Trong phần trình bày thứ ba, những người tham gia luôn được yêu cầu nghiên cứu đối tượng một cách cẩn thận, tập trung vào các chi tiết. Sau phần trình bày thứ ba, có một đường chéo cố định dao động khác, trong khoảng thời gian dài hơn (800–1200 mili giây), để tạo các khối nhỏ ngăn cách từng đối tượng.

Nhiệm vụ học quy tắc giống hệt với nhiệm vụ được sử dụng trong thử nghiệm 1, ngoại trừ thời gian trình bày phản hồi của tín hiệu dài hơn (3 giây thay vì 1 giây) và đường chéo cố định bị giật (250–750 ms) giữa mỗi thử nghiệm (xem Dữ liệu mở rộng Hình 2). 1-1 cho dữ liệu mở rộng và hành vi. Hình 1-2 forfMRI là kết quả của nhiệm vụ học quy tắc). Trước nhiệm vụ truy tìm, người tham gia giải các bài toán số học trong 2 phút (không quét).

Khi truy xuất, chúng tôi đã sử dụng hai mức độ tương tự của lá (F1 và F2) trong mỗi bộ, thay vì ba. Vì mục đích tối ưu hóa thời gian trong máy quét, các đối tượng F3 đã không được sử dụng vì chúng không mang lại bất kỳ tác động nào được quan tâm trong thử nghiệm1. Mỗi thử nghiệm truy xuất bắt đầu bằng một chữ thập cố định bị rung (250–750 ms), sau đó là phần trình bày tín hiệu trong 1000 ms và sau đó là sự kiện đã đặt (đích, F1 hoặc F2) trong 3000 ms. Trong tất cả các tác vụ được quét, chúng tôi đã sử dụng các đường cơ sở ngầm định (các đường chéo cố định trong 3500 mili giây trong các tác vụ mã hóa và học quy tắc, 4500 mili giây khi truy xuất) trong 30% số thử nghiệm.

Phân tích thống kê hành vi

Theo phân tích và kết quả từ thử nghiệm 1, chúng tôi đã thu gọn các mục tiêu và sự kiện F1, đồng thời lập mô hình xác suất đưa ra quyết định đúng (lần truy cập và từ chối chính xác) dựa trên trạng thái kỳ vọng của sự kiện đã đặt hiện tại và trạng thái kỳ vọng của sự kiện đã đặt trước đó.

Như thử nghiệm 1, để loại bỏ nhiễu về cường độ bộ nhớ, chỉ đưa vào các phản hồi chính xác (xem kho lưu trữ GitHub để biết kết quả tương tự khi bao gồm tất cả các thử nghiệm và để phân tích riêng về mục tiêu và F1). Việc loại bỏ chính xác các lá F2 cũng được mô hình hóa như một hàm số của các sự kiện trước đó, như đã được thực hiện cho thí nghiệm 1.

thu thập và phân tích thống kê fMRI

Quá trình quét MR được thực hiện trên máy quét MRI 3T (Philips, Achieva). Để giảm thiểu chuyển động trong quá trình quét, các miếng đệm xốp và miếng đệm mềm đã được sử dụng để ổn định đầu của người tham gia. Đầu tiên, các hình ảnh có trọng số T{1}}(kích thước ma trận: 256 256, 160 lát, kích thước điểm ảnh ba chiều đẳng hướng 1 mm) được thu thập trong khi những người tham gia nằm yên trong máy quét. Chuỗi hình ảnh siêu âm gradient (EPI) đã được sử dụng để thu thập hình ảnh T2* cho tín hiệu BD. Thu được 40 lát song song với đường AC-PC, bao phủ toàn bộ não (kích thước ma trận 80 80, kích thước voxel 3 3 3,5 mm3), cho mỗi tập (TR=2.5s, TE=35 ms) .

Những người tham gia đã thực hiện ba nhiệm vụ trong máy quét (mã hóa 313 tập; học quy tắc 143 tập; truy xuất534 tập) và một nhiệm vụ đánh lạc hướng, không được quét. Dữ liệu fMRI được xử lý trước và phân tích bằng SPM12 (Bản đồ tham số thống kê, Trung tâm hình ảnh thần kinh con người Wellcome, Đại học Cao đẳng London https ://www.fil.ion.ucl.ac.uk/spm/software/spm12/). Hình ảnh được căn chỉnh lại thành hình ảnh trung bình bằng cách sử dụng phép biến đổi vật cứng sáu thông số, được cắt lại bằng cách sử dụng phép nội suy chân thực và điều chỉnh thời gian theo lát cắt ở giữa lát cắt.

Hình ảnh giải phẫu T1 được đồng đăng ký với hình ảnh EPI trung bình tương ứng. Việc chuẩn hóa không gian theo mẫu của Viện Thần kinh Montreal (MNI) được tiến hành bằng cách sử dụng hộp công cụ DARTEL được triển khai trong SPM12 (Ashburner, 2007). Hạt nhân Gaussian FWHM 8 mm dị hướng đã được sử dụng để làm mịn dữ liệu EPI đã chuẩn hóa cho các phân tích đơn biến.

Để loại bỏ nhiễu tần số thấp, dữ liệu được lọc thông cao bằng cách sử dụng giới hạn 128 giây. Hai vùng quan tâm tiên nghiệm (ROI), hồi hải mã hai bên và ROI não giữa chỉ bao gồm vùng chất đen (SN) và vùng não bụng khu vực (VTA) đã được sử dụng. Mặt nạ hồi hải mã được lấy từ tập bản đồ giải phẫu Harvard-Oxford (ngưỡng xác suất 25%; Desikan và cộng sự, 2006). Mặt nạ não giữa được lấy từ tập bản đồ xác suất của não giữa (Murty và cộng sự, 2014).

Dữ liệu chức năng của mỗi người tham gia từ phiên truy xuất được phân tích bằng cách sử dụng khung mô hình tuyến tính tổng quát (GLM) trong một thiết kế liên quan đến sự kiện, mô hình hóa hàm phản ứng huyết động chuẩn. Sáu tham số chuyển động được tạo ra trong phiên chuẩn bị lại được sử dụng làm các biến hồi quy gây phiền toái. Để giảm thiểu các tạo phẩm chuyển động dư, hộp công cụ ArtRepair (//cibsr.stanford.edu/tools/human-brain-project/artrepair-software.html) đã được sử dụng để tạo thêm các biến hồi quy phiền toái cho mỗi người tham gia.

Chuỗi thời gian được lọc thông cao để loại bỏ nhiễu tần số thấp (128-điểm cắt). Dựa trên giả thuyết tiên nghiệm của chúng tôi về ROI được giới thiệu ở trên (hải mã hai bên và SN/VTA), phương pháp hiệu chỉnh âm lượng nhỏ (SVC) đã được áp dụng cho các vùng này, đã sửa lỗi theo từng gia đình (FWE) đối với âm lượng ROI (ngưỡng hình thành cụm ban đầu của p, 0.001).

Để phân tích toàn bộ não mang tính khám phá hơn, phương pháp tiếp cận dựa trên hoán vị không tham số (n=5000) đã được sử dụng để xác định các cụm quan trọng bằng cách sử dụng hộp công cụ SnPM (https://warwick.ac.uk/fac/sci/statistics/staff /nghiên cứu học thuật/Nichols/software/snpm/). Ngưỡng hình thành cụm ban đầu là p, 0.005 đã được sử dụng và các cụm có ý nghĩa ở mức p không tham số là 0,05 được báo cáo. Bản đồ T cấp nhóm không được ngưỡng từ SPM và SnPM có sẵn tại đây:https://neurovault.org/collections/TTDMPHLE/.

Để kiểm tra tác động hành vi của sự tương tác giữa kỳ vọng theo ngữ cảnh của sự kiện trước đó và kỳ vọng theo ngữ cảnh của sự kiện hiện tại, chúng tôi đã thu gọn các mục tiêu và F1 rồi phân loại chúng dựa trên thứ tự trình bày (có trước) và trạng thái kỳ vọng của chúng. Các sự kiện F2 được mô hình hóa như một điều kiện riêng biệt.

Trong phân tích này, chúng tôi so sánh mục hiện tại giữa trạng thái kỳ vọng hiện tại và trước đó (ví dụ: EprevUcurr . EprevEcurr). Dựa trên thiết kế thử nghiệm của chúng tôi, có bốn tham số mà các tương tác của chúng có thể được khám phá thêm: sự kiện được đặt (mục tiêu, F1, F2), kỳ vọng theo ngữ cảnh (dự kiến ​​hoặc không mong đợi), phản hồi bộ nhớ được đưa ra (đúng hoặc không chính xác) và thứ tự trình bày trong tập hợp này (thứ nhất, thứ hai). , hoặc cuối cùng). Điều này dẫn đến 36 điều kiện; tuy nhiên, những thứ này không thể được mô hình hóa cùng nhau do không đủ số lượng thùng thử nghiệm (n, 7) cho phần lớn người tham gia.

Vì vậy, chúng tôi đã nghĩ ra ba mô hình riêng biệt; trong mô hình đầu tiên, chúng tôi đã xem xét tác động chính của kỳ vọng, bất kể sự kiện đã định sẵn hay quyết định công nhận. Trong mô hình thứ hai, chúng tôi đã kiểm tra các tương tác bộ nhớ thành công của sự kiện được đặt kỳ vọng bằng cách thu gọn các thử nghiệm theo thứ tự trình bày và chỉ lập mô hình các phản hồi chính xác cho từng sự kiện (tất cả các phản hồi không chính xác được mô hình hóa như một biến hồi quy riêng biệt). Trong mô hình thứ ba, chúng tôi đã khám phá sự tương tác giữa kỳ vọng, sự kiện cố định và thứ tự trình bày, bất kể phản hồi nhận dạng.

Kết quả

Chúng tôi đã tiến hành hai thí nghiệm, thí nghiệm 1 kiểm tra các phản ứng hành vi và thí nghiệm 2 sử dụng một mô hình tương tự trong khi dữ liệu fMRI được thu thập. Trong cả hai thử nghiệm, nhiệm vụ hành vi của chúng tôi bao gồm ba giai đoạn (đối với thiết kế thử nghiệm, xem Hình 1): sau khi mã hóa hình ảnh đối tượng, những người tham gia thực hiện một nhiệm vụ học quy tắc trong đó họ học được sự ngẫu nhiên giữa một tín hiệu và danh mục đối tượng (man- được làm hoặc tự nhiên). Sau đó, khi truy xuất, các dấu hiệu tương tự được đưa ra, theo sau là một đối tượng (mục tiêu) cũ hoặc (lá) mới.

Các lá được thao tác tham số với các đối tượng tương tự, F1, F2 và F3 theo thứ tự giảm dần về độ giống với mục tiêu. Những người tham gia được yêu cầu đưa ra quyết định công nhận cũ/mới. Trong một phần ba số thử nghiệm truy xuất, dự phòng về danh mục đối tượng và gợi ý được thiết lập trước đã bị vi phạm. Để đánh giá mã hóa được điều chế theo kỳ vọng và độ nhạy của nó đối với sự tương tự về nhận thức, chúng tôi đã sử dụng hồi quy logistic hiệu ứng hỗn hợp để lập mô hình phản hồi (nhận dạng đúng/sai) cho từng sự kiện đã đặt (mục tiêu và các lá tương tự) như một hàm của sự kiện trước đó từ tập hợp đó (ví dụ: , nếu đầu tiên F1 được hiển thị và sau đó là mục tiêu, chúng sẽ được ghi chú là F1prev Targetcurr).

Hơn nữa, mỗi sự kiện đã đặt được liên kết với một trạng thái kỳ vọng được xác định bởi tín hiệu trước đó (các sự kiện tuân thủ quy tắc được đánh dấu là dự kiến ​​và vi phạm quy tắc là không mong đợi). Mỗi mô hình cũng bao gồm sự tương tác giữa trạng thái kỳ vọng của các sự kiện hiện tại và trước đó để kiểm tra các thay đổi động (ví dụ: lá chắn bất ngờ trước đó ảnh hưởng như thế nào đến việc nhận dạng mục tiêu dự kiến ​​hiện tại; xem Hình 1C; để biết chi tiết đầy đủ, xem Vật liệu và Phương pháp).

Thí nghiệm 1

Bộ nhớ cho các mục tiêu được điều chỉnh bởi các sự kiện tương tự không mong muốn trước đó

Đối với các mục tiêu sau các sự kiện tập hợp F1, chúng tôi nhận thấy tác động chính đáng kể của kỳ vọng F1 (b=0.659, X2(1)=4.63, p =0.031 ), cũng như sự tương tác cận biên giữa giới hạn của mục tiêu và trạng thái kỳ vọng của F1 trước đó (b =0.939, X2(1)=3.65, p=0.056; Hình 2A). Các thử nghiệm độ tương phản tiếp theo cho thấy rằng các mục tiêu dự kiến ​​có nhiều khả năng được ghi nhớ hơn sau một sự kiện F1 bất ngờ, so với sự kiện tập hợp F1 dự kiến ​​(z=2.15, p=0.031). Hơn nữa, khi sự kiện tập hợp F1 trước đó diễn ra ngoài dự kiến, các mục tiêu dự kiến ​​tiếp theo có nhiều khả năng được ghi nhớ chính xác hơn so với các mục tiêu không mong đợi (z=2.37, p=0.017). Khi kiểm tra các mục tiêu theo sau các sự kiện tập hợp F2 và F3, chúng tôi không quan sát thấy bất kỳ yếu tố dự đoán quan trọng nào (tất cả ps . 0,127).

Việc loại bỏ chính xác các lá tương tự được điều chỉnh bởi trạng thái kỳ vọng của các mục tiêu trước đó

Đối với các sự kiện F1 theo sau mục tiêu, chúng tôi nhận thấy sự tương tác giữa trạng thái kỳ vọng của hai sự kiện (b=0.79, X2(1)=5.29, p=0.0 21; Hình 2B), với độ tương phản cho thấy khả năng loại bỏ các sự kiện F1 (CR1) chính xác hơn, đối với F1 dự kiến ​​so với các sự kiện F1 không mong đợi xảy ra sau các mục tiêu không mong đợi (z= 2.65, p= 0.0 08) và số lần từ chối chính xác ít hơn một chút đối với F1 không mong muốn khi mục tiêu trước đó nằm ngoài dự kiến, so với thời điểm dự kiến ​​(z= 1.95, p= 0.0507;Hình 2, bảng ở giữa). Tất cả các hiệu ứng khác đều không đáng kể (allps 0,255). Khi kiểm tra các sự kiện F1 theo sau các sự kiện tập hợp F2 và F3, chúng tôi không quan sát thấy bất kỳ yếu tố dự đoán quan trọng nào (allps 0,274).

Điều chế chuỗi kỳ vọng giảm khi độ tương tự về nhận thức giảm

Các sự kiện F2 không bị ảnh hưởng bởi các mục tiêu trước đó (tất cả ps . 0.171), F1 (tất cả ps . 0.197) hoặc F3 (tất cả ps . 0.174) từ cùng một bộ.

Tương tự, phản hồi đối với các sự kiện F3 không được điều chỉnh bởi bất kỳ sự kiện nào được đặt trước đó (mục tiêu: tất cả ps . 0.484, F1s: tất cả ps . 0.148,F2s: tất cả ps . 0 .321).

Các mục tiêu và các lá tương tự nhất của chúng cho thấy các hiệu ứng chuỗi kỳ vọng tương tự nhau

Với các hiệu ứng tương tự được quan sát độc lập đối với các mục tiêu và sự kiện F1, chúng tôi đã thu gọn cả hai để kiểm tra xem các hiệu ứng này có bổ sung cho nhau hay không (nghĩa là liệu có sự tương tác giữa trạng thái mong đợi hiện tại và trước đó hay không; Hình 2C). Mặc dù các lần truy cập và từ chối chính xác không nhất thiết là sản phẩm của cùng một quá trình ghi nhớ, nhưng trong mô hình này, chúng mang lại cơ hội để kiểm tra xem tải cảm nhận (ở dạng tương tự) tương tác như thế nào với các điều chế kỳ vọng động.

Sự so sánh ghi nhớ giữa sự kiện được đặt hiện tại (mục tiêu hoặc F1) và sự kiện được đặt trước đó của nó (F1 hoặc mục tiêu tương ứng), tạo thành mức tải cao nhất hoặc sự can thiệp về đối tượng được mã hóa khi người tham gia đưa ra quyết định nhận dạng. Do đó, nếu các quá trình nhận thức được tham gia, khi gặp phải một sự kiện không mong đợi, thì các hiệu ứng quan sát được đối với từng sự kiện riêng lẻ sẽ được nhân rộng. Chúng tôi nhận thấy tác động chính đáng kể của trạng thái kỳ vọng của sự kiện trước đó (b=0.341, X2(1)=4.9,p=0.027), cũng như sự tương tác đáng kể giữa trạng thái mong đợi của sự kiện hiện tại và sự kiện trước đó (b =0.682, X2(1)=6.5, p=0.01).

Các thử nghiệm về độ tương phản tiếp theo cho thấy rằng khi sự kiện đã đặt trước đó là bất ngờ thì các phản hồi dự kiến ​​sẽ chính xác hơn so với các sự kiện không mong đợi (UprevEcurr . UprevUcurr; z=3.1,p=0.002). UprevUcurr nhỏ hơn về mặt số lượng so với EprevUcurr, nhưng hiệu ứng này không đạt được ý nghĩa thống kê (p=0.116). Ngoài ra, có nhiều phản hồi chính xác hơn cho các sự kiện dự kiến ​​hiện tại sau các sự kiện bất ngờ hơn dự kiến ​​(EprevEcurr, UprevEcurr; z {{6 }}.22, p=0.027).

For more information:1950477648nn@gmail.com