Phản hồi tích hợp cải thiện độ chính xác của bộ nhớ tiềm năng
Mar 16, 2022
Để biết thêm thông tin:Ali.ma@wecistanche.com
trừu tượng
Bộ nhớ tiềm năng(PM) hỗ trợ việc lập kế hoạch và thực hiện các hoạt động trong tương lai và đặc biệt quan trọng trong các cài đặt áp dụng. Chúng tôi nghiên cứu một phương pháp phản hồi mới nhằm mục đích cải thiện độ chính xác của PM bằng cách tích hợp các phản hồi cho một nhiệm vụ PM không thường xuyên và một nhiệm vụ quyết định từ vựng liên tục thường xuyên. Thay vì phương pháp ba lựa chọn phổ biến nhất, nơiBộ nhớ tiềm năngphản hồi thay thế phản hồi đang diễn ra, những người tham gia có nghĩa vụ đưa ra các phân loại PM rõ ràng (có mặt so với, vắng mặt) và liên tục (từ so với không từ) trong mọi thử nghiệm thông qua phản hồi bốn lựa chọn. Mặc dù phản hồi thay thế và phản hồi bắt buộc ban đầu tương tự nhau về độ chính xác của PM, một lợi thế xuất hiện trong thực tiễn đối với phương pháp bắt buộc mới không chỉ đơn giản là do phản hồi chậm hơn liên quan đến việc đưa ra bốn so với ba lựa chọn, Bản chất của các lỗi khác nhau giữa các phương pháp, với tính bắt buộc phản hồi có đặc điểm là nhanhBộ nhớ tiềm nănglỗi và thay thế bằng các lỗi chậm hơn, đề xuất các cách để cải thiện tiềm năng hơn nữa về độ chính xác của PM.
Từ khóa:Bộ nhớ tiềm năng· Tác vụ kép · Phương pháp phản hồi
David Elliott · Luke Strickland · Shayne Loft · Andrew Heathcote
Giới thiệu
Bộ nhớ tiềm năng(PM) đề cập đến các quá trình liên quan đến việc lập kế hoạch và thực hiện thành công các hoạt động trong tương lai, tại một thời điểm cụ thể (Bộ nhớ triển vọng dựa trên thời gian) hoặc để phản hồi một sự kiện cụ thể (PM dựa trên sự kiện). Việc ghi nhớ tiềm năng thường cần thiết để thực hiện thành công các hoạt động hàng ngày (Einstein và cộng sự, 1995; Kliegel & Martin, 2003). Các nhiệm vụ PM dựa trên sự kiện đặc biệt phổ biến trong các môi trường quan trọng về an toàn như chăm sóc sức khỏe và hàng không (Dismukes, 2012; Loft et al., 2019). Sự phổ biến của những thất bại thường có tỷ lệ cược cao khi hành động theo các tín hiệu PM (tức là PM bỏ sót) trong các cài đặt đó khiến điều quan trọng là phải xác định các biện pháp can thiệp để cải thiện hiệu suất PM.
Bấm để Cistanchec bột lợi ích sức khỏe cho trí nhớ
Có lẽ phương pháp can thiệp được cố gắng phổ biến nhất để cải thiện độ chính xác của PM là cung cấp cho các cá nhân lời nhắc và lời nhắc thực sự có thể mang lại lợi ích cho PM (ví dụ: Chen và cộng sự, 2017; Finstad và cộng sự, 2006; Gilbert, 2015a, 2015b, 2015c; Guynn và cộng sự, 1998; Loft và cộng sự, 2011; Vortac và cộng sự, 1995). Tuy nhiên, lời nhắc không phải lúc nào cũng hiệu quả (ví dụ, Guynn và cộng sự, 1998; Loft và cộng sự, 2011; Vortac và cộng sự, 1995) và có thể có những hạn chế. Ví dụ: trong cài đặt kiểm soát không lưu mô phỏng, lời nhắc không được tìm thấy là có hiệu quả trong việc cải thiện PM trừ khi chúng được đặt thành fash (tức là thu hút sự chú ý; Jonides & Yantis, 1988) khi tín hiệu PM xuất hiện và hành động cần sẽ được thực hiện (Loft, 2014; Loft và cộng sự, 2011). Những lời nhắc như vậy có thể không được mong muốn trong một số cài đặt vì việc thu hút sự chú ý bằng hình ảnh làm mất tập trung, có khả năng khiến người vận hành mất chú ý khỏi các nhiệm vụ quan trọng về an toàn khác.
Có ý kiến cho rằng việc bỏ lỡ PM xảy ra do các phản hồi của PM cạnh tranh để truy xuất với các phản hồi thường xuyên hơn liên quan đến các nhiệm vụ đang diễn ra (Loft & Remington, 2010). Do đó, một lộ trình khác để cải thiện độ chính xác của PM có thể làm chậm phản hồi tác vụ đang diễn ra để nó không xử lý trước phản hồi của PM (Heathcote và cộng sự, 2015; Loft & Remington, 2013). Thật không may, mặc dù chi phí của PM - phản hồi nhiệm vụ đang diễn ra chậm hơn khi có thể yêu cầu phản hồi của PM so với khi không - đã được hiển thị với các mô hình tính toán để phản ánh phản hồi nhiệm vụ đang diễn ra thận trọng hơn (ví dụ: Heathcote và cộng sự, 2015) , bằng chứng gần đây hơn, cả thực nghiệm (Anderson và cộng sự, 2018) và từ mô hình hóa (Strickland và cộng sự, 2018; Strickland và cộng sự, 2020), chỉ ra rằng việc tăng cường cảnh báo đối với nhiệm vụ đang diễn ra không hiệu quả trong việc giảm bỏ sót PM.
Trong nghiên cứu hiện tại, chúng tôi thử nghiệm một cách mới để cải thiện độ chính xác của PM dựa trên phương pháp mà các phản hồi đang diễn ra và PM được thực hiện. Các nghiên cứu trước đây đã sử dụng một trong hai phương pháp phản hồi. Hướng dẫn thay thế có thể rõ ràng (thực hiện phản hồi PM thay vì phản hồi nhiệm vụ đang diễn ra, ví dụ: Horn & Bayen, 2015; Strickland và cộng sự, 2017) hoặc ngầm (thực hiện phản hồi PM khi mục tiêu PM được trình bày, ví dụ: Einstein & McDaniel, 2005; Loft & Reming ton, 2013), cũng thường dẫn đến phản hồi PM thay thế phản hồi nhiệm vụ đang diễn ra. Các lệnh kép yêu cầu phản hồi PM phải được thực hiện sau phản hồi tác vụ đang diễn ra (ví dụ: Hicks và cộng sự, 2005; Loft & Yeo, 2007). Trong cả hai trường hợp, phản hồi nhiệm vụ liên tục nhị phân (ví dụ: trong thử nghiệm của chúng tôi, những người tham gia đã phân loại một chuỗi ký tự là từ so với không phải từ) được thực hiện bằng một cặp khóa và phản hồi phát hiện PM bằng khóa thứ ba (ví dụ: cho biết nếu ký tự chuỗi chứa âm tiết tor).
Ở đây, chúng tôi đề xuất một phương pháp phản hồi mới, phản hồi bắt buộc, trong đó người tham gia nhấn một trong bốn phím để đồng thời thực hiện phân loại nhiệm vụ PM liên tục và kết hợp (ví dụ: PM word, PM non-word, non-PM word và non-PM non- từ). Phương pháp ứng phó mới này có thể áp dụng trực tiếp cho các cài đặt quan trọng về an toàn như kiểm soát không lưu nơi người vận hành tương tác với giao diện máy tính. Ví dụ, khi quyết định máy bay nào nên điều chỉnh đường bay khi phát hiện xung đột máy bay tiềm ẩn, các hướng dẫn phi công bắt buộc có thể khác nhau đối với một số máy bay. Quyết định và hướng dẫn tiêu chuẩn có thể được đưa ra bằng cách chọn giữa một cặp nút, trong khi quyết định và các hướng dẫn thay thế ít được sử dụng hơn (ví dụ: đối với máy bay kiểu cũ hơn hoặc khi xung đột xảy ra ở độ cao thấp bất thường) có thể được thực hiện với một cặp (Fothergill & Neal, 2008). Việc sử dụng ngày càng nhiều các giao diện máy tính có thể được cấu hình linh hoạt để kết hợp các nút với các phản hồi khác nhau làm cho cách tiếp cận này được áp dụng rộng rãi (Boehm-Davis et al., 2015).
Ba nghiên cứu đã so sánh rõ ràng việc thay thế với đáp ứng kép đã tạo ra các kết quả khác nhau. Với các nhiệm vụ đang diễn ra và PM rất đơn giản, Bisiacchi et al. (2009) và Gilbert et al. (2013) báo cáo số lần bỏ lỡ PM ít hơn với phản hồi kép (lần lượt là 18 phần trăm so với 26 phần trăm và 29 phần trăm so với 69 phần trăm), không ảnh hưởng đến độ chính xác hoặc thời gian phản hồi tác vụ đang diễn ra (RT). Ngược lại, với những lựa chọn khó hơn, Pereira, Albuquerque và Santos (2017) báo cáo không có sự khác biệt đáng kể về số lần bỏ lỡ PM (26% so với 28%) hoặc độ chính xác của nhiệm vụ đang diễn ra, nhưng RTs tác vụ liên tục chậm hơn trong điều kiện kép. Tuy nhiên, những so sánh kép so với thay thế này có những hạn chế về phương pháp luận. Quan trọng nhất, hiệu quả của phản ứng kép có thể phụ thuộc vào độ dài của khoảng thời gian giữa các thử nghiệm. Trong Bisiacchi et al. (2009) và Pereira và cộng sự. (2017), các phản hồi của PM được yêu cầu trong khoảng thời gian giữa các lần kích thích khoảng 1-, trong thời gian đó những người tham gia không bận tâm đến bất kỳ nhiệm vụ nào khác. Độ trễ không được thực hiện trong độ dài này đã được chứng minh là có lợi cho PM trong các mô hình thay thế (Loft & Remington, 2013; nhưng đối với các kết quả tương phản, xem Ball và cộng sự, 2021), do đó, sự chậm trễ, chứ không phải phản hồi kép, có thể gây ra kép cải tiến so với phản hồi thay thế. Một hạn chế khác là thời gian phản hồi của động cơ liên quan đến phản hồi tác vụ đang diễn ra trong các điều kiện đáp ứng kép tạo ra nhiễu khi so sánh PM RTs giữa các điều kiện kép và điều kiện thay thế.1 Đây là một vấn đề đối với phân tích mà chúng tôi thực hiện ở đây vì PM RTs mang thông tin quan trọng liên quan đến quá trình tâm lý cơ bản thúc đẩy PM.
Với những cân nhắc này, thử nghiệm của chúng tôi so sánh phương pháp phản hồi bắt buộc mới với phương pháp thay thế. Phương pháp mới làm cho các lựa chọn nhiệm vụ PM liên tục diễn ra rõ ràng và bắt buộc phải có trong mọi thử nghiệm theo nghĩa là mặc dù một hoặc cả hai lựa chọn có thể sai, nhưng cả hai đều không thể bị bỏ qua. Không giống như phương pháp kép truyền thống, trong phương pháp bắt buộc, hai lựa chọn được gửi đồng thời thay vì tuần tự, do đó độ chính xác của PM và RT có thể được so sánh với phương pháp thay thế mà không bị ảnh hưởng bởi độ trễ khác nhau giữa kích thích và phản ứng PM. Quan điểm tiền sử dụng của Loft và Remington (2013) dự đoán rằng lỗi PM có xu hướng liên quan đến phản hồi nhanh. Chúng tôi sử dụng Hàm chính xác có điều kiện (CAFs; Thomas, 1974; xem Phương pháp phân tích để biết thêm chi tiết) để so sánh tốc độ của lỗi PM giữa hai phương pháp phản hồi.
Chúng tôi giả thuyết rằng phương pháp bắt buộc có thể cải thiện độ chính xác của PM vì hai lý do. Đầu tiên, nó có thể hoạt động như một loại lời nhắc hoặc ám hiệu ngầm để đưa ra quyết định của PM so với không PM trong mọi thử nghiệm, 2 với ưu điểm là so với các lời nhắc rõ ràng đã được nghiên cứu trước đây, nó được tích hợp với nhiệm vụ đang diễn ra. và do đó không liên quan đến sự khởi đầu đột ngột và gây chú ý. Tuy nhiên, có khả năng là phương pháp bắt buộc sẽ làm giảm hiệu suất nhiệm vụ đang diễn ra theo nghĩa là việc phản hồi nhiệm vụ đang diễn ra sẽ bị chậm lại. Nghĩa là, phù hợp với nguồn vốn mà RT chậm tương ứng với logarit của số lượng các phương án phản hồi (tức là, Định luật Hick; Hick, 1952), phản hồi đối với các câu trả lời bắt buộc bốn phương án sẽ chậm hơn so với ba phương án trả lời thay thế khác. Để kiểm tra những khả năng này, chúng tôi kiểm tra tác động của phương pháp phản hồi đối với RT tác vụ đang diễn ra và độ chính xác.
Một lý do tiềm năng thứ hai cho sự cải tiến trong PM là phản hồi bắt buộc thúc đẩy sự tích hợp giữa các nhiệm vụ đang thực hiện và PM. Sự phối hợp tốt hơn giữa các ý định của PM và các yêu cầu nhiệm vụ đang diễn ra, đặc biệt đối với sự chồng chéo giữa các phản hồi, đã được tìm thấy để cải thiện hiệu suất (Marsh và cộng sự, 2002; Rummel và cộng sự, 2017). Ngoài ra, mô hình PM của chúng tôi chia sẻ các đặc điểm với mô hình nhiệm vụ kép, vì vậy các biện pháp giảm chi phí nhiệm vụ kép có thể có lợi. Janczyk và Kunde (2020) đề xuất rằng chi phí nhiệm vụ kép giảm khi các mục tiêu phản ứng được phối hợp và việc giảm chi phí nhiệm vụ kép liên quan đến thực tiễn phát sinh từ sự kết hợp các mục tiêu khác biệt ban đầu thành một mục tiêu duy nhất. Ở mức độ mà phản hồi bắt buộc thúc đẩy tích hợp nhiệm vụ, các cải tiến cũng có thể được mong đợi do tránh chuyển đổi nhiệm vụ, điều này làm tăng RTs và tỷ lệ lỗi liên quan đến việc lặp lại cùng một tác vụ (ví dụ, Kiesel và cộng sự, 2010; Monsell, 2003). Với vai trò quan trọng của việc thực hành trong các cơ chế này, chúng tôi đã kiểm tra hiệu suất của những người tham gia trong hai phiên họp.
Phương pháp
Những người tham gia
Tổng cộng 36 sinh viên từ Đại học Newcastle, Newcastle, NSW, Úc, đã tham gia lấy tín chỉ một phần khóa học. Tất cả những người tham gia đều là người bản ngữ nói tiếng Anh. Số lượng người tham gia đã được thông báo bởi nghiên cứu trước đó sử dụng các mô hình thử nghiệm tương tự (ví dụ, Strickland và cộng sự, 2020).
Vật liệu
Các kích thích thử nghiệm bao gồm 924 từ và 924 phi từ. Số lượng từ và tần suất được lấy từ cơ sở dữ liệu từ Sydney Morning Herald (Dennis, 1995). Tần số ghi dao động từ 2 đến 6 phần triệu, với tần số thấp được chọn để làm cho nhiệm vụ khó khăn hơn. Các từ không phải từ khó được tạo ra bằng cách thay thế các nguyên âm của các từ tiếng Anh hiện có cho đến khi không tìm thấy kết quả khớp nào trong cơ sở dữ liệu từ (ví dụ: 'hỗn loạn' trở thành 'hỗn loạn'). Danh sách từ và không phải từ cũng loại trừ các từ được tìm thấy trong cơ sở dữ liệu của Google về các từ tiếng Anh xúc phạm.
Màu kích thích được sử dụng làm tín hiệu PM. Để tránh nhầm lẫn các dấu hiệu PM giữa các điều kiện, chúng tôi đã sử dụng một bảng màu duy nhất gồm bốn màu kích thích trong mỗi điều kiện (với các bảng màu được chọn ngẫu nhiên mà không cần thay thế từ nhóm ba bảng màu trong mỗi phiên). Từ mỗi bảng màu, một màu được chọn ngẫu nhiên được sử dụng riêng cho các thử nghiệm PM làm tín hiệu PM, trong khi các thử nghiệm không phải là PM sử dụng ba màu còn lại, được chọn ngẫu nhiên trên mỗi thử nghiệm.
Thiết kế
Thử nghiệm bao gồm 1.848 thử nghiệm, trong đó 828 là các từ không phải PM, 828 là không phải từ PM, 96 là các từ PM và 96 là các từ không phải PM. Kích thích không bao giờ lặp lại. Các dấu hiệu PM xuất hiện trên 11 phần trăm thử nghiệm.
Những người tham gia thực hiện hai phiên cách nhau 1–2 ngày. Mỗi phiên bao gồm bốn khối phản ứng bắt buộc và bốn khối phản ứng thay thế của 113 thử nghiệm.
Thứ tự điều kiện được cân bằng giữa những người tham gia và giữa các phiên. 3 Dấu hiệu chiều xảy ra trên các thử nghiệm sáu từ và sáu không từ trong mỗi khối. Năm thử nghiệm đầu tiên trong mỗi khối là thử nghiệm điền từ không phải PM và không có từ để trì hoãn việc bắt đầu thử nghiệm PM đầu tiên. Những người tham gia đã thực hiện một nhiệm vụ đánh lạc hướng 3- phút (câu hỏi toán chia một chữ số) sau mỗi bộ hướng dẫn trả lời và trước khi nhiệm vụ bắt đầu để đảm bảo thêm thời gian trễ trước khối đầu tiên liên quan đến các hướng dẫn này.
Thủ tục
Những người tham gia nhận được hướng dẫn bằng giọng nói và văn bản giải thích quyết định từ vựng và nhiệm vụ PM. Trong điều kiện thay thế, những người tham gia được hướng dẫn chỉ ra chuỗi ký tự xuất hiện trên màn hình tạo thành từ hay không phải từ bằng cách nhấn phím 'S'or' D'keys, nhưng trong các thử nghiệm mà chuỗi ký tự được hiển thị trong màu mục tiêu PM để thay vào đó nhấn phím J'key. Trong điều kiện trả lời bắt buộc, người tham gia được hướng dẫn nhấn một trong bốn phím (S ',' D ', J', 'K') được chỉ định cho mỗi trong bốn câu trả lời có thể có: chuỗi ký tự là một từ trong màu đích PM ; chuỗi ký tự là một từ không có trong màu đích PM; chuỗi ký tự không phải là từ trong màu đích PM; chuỗi ký tự không phải là một từ không có trong màu đích PM. Ánh xạ các phím cho câu trả lời được đối trọng giữa các đối tượng, với vị trí của các phím phản hồi tác vụ đang diễn ra và các phím phản hồi PM được chuyển đổi giữa trái và phải, và vị trí của các phím phản hồi từ và không phải từ trong các tác vụ đang diễn ra và PM (đối với phương pháp bắt buộc) được chuyển đổi giữa trái và phải, như một chức năng của số người tham gia. Những người tham gia đã được hướng dẫn để trả lời nhanh nhất và chính xác nhất có thể.
Những người tham gia đã thực hiện một khối thực hành gồm 20 thử nghiệm quyết định từ vựng không phải PM vào đầu mỗi phiên với số lượng kích thích từ và không phải từ bằng nhau.
Mỗi lần dùng thử bắt đầu bằng một bản trình bày 500- mili giây về phần cố định, sau đó là màn hình trống 250- mili giây. Sau đó, chuỗi ký tự kích thích được hiển thị và vẫn hiển thị cho đến khi người tham gia nhấn phím phản hồi. Khoảng thời gian 500- mili giây sau mỗi lần dùng thử, trong đó màn hình vẫn trống. Những người tham gia được giải lao theo nhịp độ của bản thân giữa mỗi khối và mỗi điều kiện.
Phương pháp phân tích
Chúng tôi đã loại trừ tất cả dữ liệu từ một người tham gia do mẫu RTs quá dài (lên đến 52 giây). Ngoài ra, chúng tôi đã loại trừ bốn khối thử nghiệm từ ba người tham gia khác với độ chính xác của quyết định từ vựng ở mức cơ hội hoặc thấp hơn (<60%). we="" also="" excluded="" any="" trial="" with="" an="" rt="" greater="" than="" 5s,="" and="" the="" first="" two="" trials="" of="" each="" block="" as="" practice="" trials.="" in="" total="" 4.5%="" of="" trials="" were="" excluded="" from="" the="" analysis.="" this="" excluded="" 3.24%of="" all="" pm="">
Chúng tôi đã tiến hành phân tích mô hình hỗn hợp sử dụng ngôn ngữ lập trình R (R Core Team, 2020) và gói 'lme4' (Bates et al., 2015). Các mô hình này bao gồm những người tham gia như một thuật ngữ chặn ngẫu nhiên. Chúng tôi báo cáo hai nhóm mô hình hỗn hợp khác nhau trong hai phần tiếp theo. Tập đầu tiên tập trung vào hiệu suất PM. Nhấn bất kỳ phím PM nào cũng được ghi là chính xác trong các thử nghiệm PM - một phím "PM" cho điều kiện thay thế và phím "PM từ" hoặc "PM không phải từ" cho điều kiện bắt buộc. Các mô hình bao gồm các lỗi cố định cho điều kiện phản hồi (Thay thế, Bắt buộc), loại kích thích (từ, không phải từ) và ngày thử nghiệm (một, hai). Bộ mô hình thứ hai tập trung vào hiệu suất quyết định từ vựng. Trong điều kiện bắt buộc, phản hồi quyết định từ vựng chính xác có thể được gửi bằng phím không phải PM hoặc phím PM, cho phép chúng tôi kiểm tra hiệu suất quyết định từ vựng trên cả thử nghiệm PM và không phải PM. Do đó, tập hợp mô hình thứ hai của chúng tôi bao gồm các phần tử cố định giống như tập hợp đầu tiên, với một ngoại lệ: yếu tố "loại thử nghiệm" (Thay thế không phải PM, Bắt buộc không phải PM, PM bắt buộc) được thay thế cho phản hồi hai cấp yếu tố điều kiện. Thay thế không phải là PM bao gồm tất cả các thử nghiệm quyết định từ vựng trong điều kiện thay thế không có mục tiêu PM. Không phải PM bắt buộc bao gồm tất cả các thử nghiệm quyết định từ vựng trong điều kiện bắt buộc mà các mục tiêu PM không có mặt. PM bắt buộc bao gồm tất cả các thử nghiệm quyết định từ vựng trong điều kiện bắt buộc có các mục tiêu PM.
ls với chức năng liên kết probit với dữ liệu độ chính xác nhị phân. Để phân tích RT, lấy các mô hình kết hợp tuyến tính kết hợp thành RTs trung bình của người tham gia. Trong kết quả, chúng tôi tập trung vào việc sử dụng các mô hình này để kiểm tra xem phương pháp phản hồi bắt buộc có tạo điều kiện hay cản trở hiệu suất trong các nhiệm vụ PM và quyết định từ vựng đang diễn ra hay không. Kích thước hiệu ứng được báo cáo theo Cohen's d. Chi tiết đầy đủ của tất cả các phân tích được cung cấp trong Tài liệu Bổ sung Trực tuyến (OSM), với những phân tích phù hợp nhất với mục tiêu của bài báo được báo cáo trong phần Kết quả. Tất cả các nhiễm trùng được báo cáo là đáng kể trừ khi có quy định khác.
Chúng tôi đã sử dụng Hàm chính xác có điều kiện (CAFs; Thomas, 1974) để điều tra nguyên nhân của sự khác biệt về độ chính xác của PM giữa các phương pháp phản hồi. CAF vẽ biểu đồ xác suất lỗi dưới dạng một hàm của tốc độ tổng thể bằng cách sắp xếp các thử nghiệm trên RT, chia chúng thành một tập hợp các thùng có kích thước bằng nhau, tính toán tỷ lệ lỗi cho mỗi thùng và vẽ biểu đồ đó dưới dạng một hàm của RT trung bình trong thùng rác. Chúng tôi đã xây dựng CAF dựa trên các thử nghiệm PM, lập biểu đồ tỷ lệ lỗi PM (tức là bỏ lỡ PM) bằng cách sử dụng tám thùng, với các chức năng riêng biệt để thay thế và phản hồi bắt buộc vào ngày một và ngày hai. Phản hồi do lỗi nhanh chiếm ưu thế có CAF giảm và phản hồi do lỗi chậm chi phối có CAF tăng.
Kết quả
Nhiệm vụ bộ nhớ tiềm năng
Ảnh hưởng của phương pháp phản hồi đối với độ chính xác của PM khác nhau giữa các phiên (Hình 1). Trong phiên đầu tiên, tỷ lệ bỏ lỡ của PM không có sự khác biệt đáng kể giữa các phương pháp phản hồi, trong khi trong phiên thứ hai, số lần bỏ lỡ cơ bản ít hơn đáng kể với phương pháp bắt buộc.4 Tuy nhiên, từ góc độ khác biệt cá nhân, 27% số người tham gia trong phiên đầu tiên thu được lợi ích ngay lập tức từ việc sử dụng phương pháp Bắt buộc (Hình 2), trong đó "lợi ích tức thời" được định nghĩa là có tỷ lệ PM bỏ lỡ ban đầu thấp bằng (hoặc thấp hơn) tỷ lệ PM bỏ lỡ được quan sát trong phiên 2. Như nhóm thuần tập, những người tham gia này đã có số lần bỏ lỡ PM ít hơn (4,2%) trong phiên 1 so với mức trung bình của nhóm trong phiên 2 (7%) và về cơ bản số lần bỏ lỡ PM ít hơn đáng kể so với những người tham gia khác (19,4%) trong phiên 1. Hơn nữa, mặc dù PM thấp như vậy Tỷ lệ bỏ lỡ trong phiên 1 sử dụng phương pháp Bắt buộc, tỷ lệ bỏ lỡ của PM của nhóm này trong phiên 1 sử dụng phương pháp Thay thế (16 phần trăm) không thấp hơn đáng kể so với những người tham gia khác, t (14,8)=-0 .31, tr=0. 76. Phương pháp đáp ứng có tác động đồng đều hơn đối với các RT tác vụ PM (Hình 3): nghĩa là RT đúng chậm hơn đối với phương pháp bắt buộc trong cả phiên một và phiên hai. RTS trong điều kiện bắt buộc giảm đáng kể qua các phiên so với trong điều kiện thay thế.
Chúng tôi cũng đã nghiên cứu ảnh hưởng của phương pháp phản hồi đối với hiệu suất tác vụ PM bằng các Hàm chính xác có điều kiện (CAFs: Thomas, 1974), cho biết xác suất lỗi thay đổi như thế nào với RT tổng thể. Hình 4 cho thấy PM bỏ lỡ trong điều kiện bắt buộc chủ yếu là nhanh, trong khi trong điều kiện thay thế, chúng chủ yếu chậm, đặc biệt là trong phiên một. Mặc dù cả hai phương pháp phản hồi đều dẫn đến giảm nhẹ tỷ lệ bỏ lỡ PM ở RTs lớn hơn 600 ms trong phiên thứ hai, nhưng tỷ lệ bỏ lỡ PM nhanh trong điều kiện bắt buộc giữa các phiên lại giảm rõ rệt hơn nhiều, cho thấy sự giảm số lỗi nhanh hơn.
Nhiệm vụ quyết định đơn giản
Phần này hoàn toàn tập trung vào hiệu suất quyết định từ vựng và không có điều kiện về hiệu suất PM. Trong các thử nghiệm từ ngữ, độ chính xác của quyết định từ vựng (Hình 5) không có sự khác biệt đáng kể giữa các thử nghiệm không phải PM thay thế, không phải PM bắt buộc và PM bắt buộc. Để ngắn gọn, chúng tôi không phân biệt giữa thử nghiệm PM lần truy cập và PM bỏ lỡ vì không có sự khác biệt đáng kể về hiệu suất quyết định từ vựng giữa hai thử nghiệm. Đối với các thử nghiệm không từ ngữ, độ chính xác không khác nhau giữa các thử nghiệm không PM thay thế và các thử nghiệm không bắt buộc PM nhưng thấp hơn đối với các thử nghiệm PM bắt buộc. RTs trung bình đúng đối với các thử nghiệm bắt buộc không phải PM chậm hơn so với các thử nghiệm không phải PM thay thế cho cả không từ và từ (Hình 6). Trung bình RT thậm chí còn chậm hơn trong các thử nghiệm PM bắt buộc cho cả không từ và từ. Giống như phản hồi của PM, RT trong điều kiện bắt buộc giảm nhiều hơn trong các phiên so với trong điều kiện thay thế.
.
Thảo luận
Phản hồi bắt buộc có hiệu quả trong việc tăng độ chính xác của PM sau khi thực hành, tạo ra tỷ lệ bỏ lỡ PM trong phiên thứ hai, thấp hơn một nửa so với phương pháp thay thế. Sự cải thiện này đã đạt được mặc dù mức độ bỏ lỡ PM tổng thể thấp, với tỷ lệ bỏ lỡ PM bắt buộc trung bình giảm xuống còn ít hơn 6% trong phiên thứ hai, thấp hơn nhiều so với báo cáo trong một nghiên cứu trước đó so sánh các phương pháp phản hồi. Trong phần còn lại của bài báo, chúng tôi thảo luận về những giải thích tiềm năng cho việc giảm thiểu số lần bỏ lỡ PM và hướng cho nghiên cứu trong tương lai.
Phương pháp phản hồi bắt buộc có thể cung cấp một lời nhắc nhở ngầm trở nên hiệu quả hơn với thực tế. Guynn và cộng sự (1998) nhận thấy rằng lời nhắc có hiệu quả nhất khi chúng đưa ra cả tín hiệu PM và phản hồi, trong đó những lời nhắc chỉ liên quan đến phản hồi của PM sẽ kém hiệu quả hơn và những lời nhắc chỉ về tín hiệu PM là không hiệu quả. Họ đề xuất rằng lời nhắc với cả tín hiệu và phản hồi đều có hiệu quả vì chúng tăng cường liên kết hành động tín hiệu để PMcue có nhiều khả năng dẫn đến việc truy xuất phản hồi PM hơn (xem thêm Vortac và cộng sự, 1995, trong bối cảnh giao thông hàng không kiểm soát). Theo quan điểm này, lợi ích nhỏ đối với độ chính xác của PM từ các lời nhắc chỉ phản hồi PM được Guynn và cộng sự (1998) quan sát có thể được trung gian bởi cuộc diễn tập ngầm về sự liên kết của phản hồi PM (được nhắc nhở) với PMcue Có thể là, khi học cách sử dụng một cặp nút khác để báo hiệu phản hồi PM trong hai điều kiện bên trong chủ đề khác nhau trong nghiên cứu hiện tại, những người tham gia đã tập dượt và do đó củng cố mối liên hệ giữa phản hồi PM và tín hiệu PM thành một mức độ bắt buộc so với điều kiện thay thế, vì phản hồi của PM có liên quan đến mọi thử nghiệm đối với điều kiện bắt buộc so với mọi thử nghiệm có khả năng thay thế, và điều đó làm tăng hiệu quả của e PMresponse như một dấu hiệu truy xuất (lời nhắc).
Practice with the obligatory method may also be beneficial because it enables participants to better integrate the PM and ongoing tasks task when using the obligatory response method(Janczyk & Kunde,2020; Marsh et al.2002; Rum-meet al.2017). This could also have the benefit of reducing the costs of switching between the different tasks (Monsell, 2003). It has been proposed that practice with"bivalent" stimuli with two attributes (each relevant to a different task)reduces task-switch costs by binding together the attributes into a single"compound cue"(Arrington & Logan, 2004; Kahneman et al.1992; Schumacher et al.,2018). Obligatory responding is likely to encourage the formation of compound cues because it explicitly requires participants to associate different pairs of attributes (e.g.a particular color and type of letter string)with each response. Integration of tasks (potentially through compound cues) provides a more plausible mechanism than reminders to account for the observed between-sessions learning effect, as it is unclear why reminders would require such a relatively long time-scale (>800 thử nghiệm) để tạo ra hiệu ứng nhắc nhở so với các nghiên cứu trước đây (ví dụ, Gilbert, 2015a). Tuy nhiên, một lưu ý quan trọng là nếu hiệu quả học tập thực sự phản ánh sự thống nhất nhiệm vụ đang diễn ra trong PM, thì nó đã được quan sát giữa các phiên thay vì trong các phiên và chúng tôi đã không dự đoán trước điều này vì nó không rõ ràng trước về quy mô thời gian học. sẽ nổi lên.
Khả năng thứ ba là sự chậm lại liên quan đến phương pháp bắt buộc có nhiều tùy chọn phản hồi hơn tự nó có hiệu quả để cải thiện độ chính xác của PM thông qua sự cân bằng giữa tốc độ / độ chính xác. Tuy nhiên, làm chậm chiến lược bằng cách tăng cường cảnh báo phản ứng đã không được tìm thấy để cải thiện độ chính xác của PM với các phương pháp phản hồi truyền thống (Anderson và cộng sự, 2018; Strickland và cộng sự, 2020). Hơn nữa, việc tự làm chậm không có khả năng giải thích tất cả việc giảm thiểu số lần bỏ lỡ PM, vì sự cải thiện lớn về độ chính xác của PM bắt buộc giữa các phiên 1 và 2 đã đi kèm với tốc độ đáng kể trong RT. Cái nhìn sâu sắc hơn về vấn đề này được cung cấp bằng cách xem xét tài trợ của chúng tôi về tốc độ của PM bị bỏ lỡ từ quan điểm của các mô hình tích lũy bằng chứng về độ chính xác của lựa chọn và RT, cung cấp giải thích chi tiết về sự cân bằng giữa tốc độ / độ chính xác về các quá trình nhận thức và thần kinh (xem Donkin & Brown, 2018, để đánh giá) và đã được áp dụng rộng rãi cho các mô hình PM (ví dụ: Boywitt & Rummel, 2012; Heathcote và cộng sự, 2015; Horn và cộng sự, 2011; Strickland và cộng sự, 2018, 2020) .
Các mô hình tích lũy bằng chứng xác định hai loại lỗi, lỗi 'tốc độ phản hồi' và lỗi 'chất lượng bằng chứng', cả hai đều xảy ra ở các mức độ khác nhau trong hầu hết các nhiệm vụ quyết định (Damaso và cộng sự, 2020). Các lỗi về chất lượng bằng chứng có xu hướng chậm hơn so với các câu trả lời đúng và chúng phát sinh do bằng chứng sai tạo ra phản hồi sai. Chúng tôi nhận thấy rằng những lỗi chậm này chiếm ưu thế trong các thử nghiệm PM trong điều kiện thay thế. Các lỗi về chất lượng bằng chứng không thể tránh được bằng tốc độ giao dịch để đảm bảo độ chính xác, vì mất nhiều thời gian hơn để phản hồi chỉ làm tăng tác dụng của bằng chứng bị lỗi, phù hợp với các phát hiện trước đó với phương pháp thay thế (Anderson và cộng sự, 2018; Strickland và cộng sự, 2020) . Một lý do tiềm ẩn cho những sai sót như vậy là phương pháp thay thế khuyến khích các bộ nhiệm vụ riêng biệt cho nhiệm vụ đang thực hiện và nhiệm vụ PM, dẫn đến việc không tuân theo tín hiệu PM trong một số thử nghiệm và do đó bằng chứng chất lượng thấp.
Ngược lại, các lỗi về tốc độ phản hồi có xu hướng nhanh hơn các phản hồi đúng và chúng phát sinh do không thu thập đủ bằng chứng trước khi phản hồi được thực hiện. Chúng tôi nhận thấy rằng những lỗi nhanh này chiếm ưu thế trên các thử nghiệm PM trong điều kiện bắt buộc. Lỗi tốc độ phản hồi hoạt động theo cách tương tự như của Loft và Remington (Loft & Remington, 2 0 13; nhưng cũng có thể xem phát hiện của Ball và cộng sự, 2021) và có thể được cải thiện bằng tốc độ giao dịch đối với sự chính xác. Nếu lợi thế cho phản hồi bắt buộc là do giao dịch tốc độ / độ chính xác thì nó sẽ có ít lỗi nhanh hơn phản hồi thay thế, nhưng chúng tôi nhận thấy điều hoàn toàn ngược lại. Tuy nhiên, lỗi PM nhanh chiếm ưu thế làm tăng khả năng hấp dẫn rằng, trái với những phát hiện trước đây với phản hồi thay thế truyền thống, làm chậm có thể có hiệu quả trong việc tăng độ chính xác PM bắt buộc. Thật vậy, lợi ích từ cách tiếp cận này có thể là đáng kể, đặc biệt là trong các tình huống đặt cược cao, trong đó bất kỳ lỗi PM nào cũng có thể là thảm họa, vì chúng tôi nhận thấy rằng nửa phần chậm nhất của phản hồi bắt buộc (lớn hơn ~ 0,75 giây) mà PM bỏ lỡ liên tục chỉ xảy ra ở mức 2% , ít hơn bốn lần so với mức thay thế PM bị bỏ lỡ ở bất kỳ tốc độ nào. Mặc dù con đường cải tiến hơn nữa này đầy hứa hẹn, nhưng nó có thể không phù hợp trong các ứng dụng yêu cầu phản hồi tác vụ liên tục nhanh chóng (Loft và cộng sự, 2019). Hạn chế tương tự cũng áp dụng cho phản hồi bắt buộc nói chung, trong đó cả tác vụ đang thực hiện RT và PM RT đều bị chậm lại, mặc dù nhược điểm này so với các phương pháp phản hồi truyền thống (thay thế) không giảm theo thực tế. Nghiên cứu sâu hơn có thể xem xét liệu thực hành mở rộng có thể giảm thiểu nhược điểm này của phương pháp đáp ứng bắt buộc hay không. Trong mọi trường hợp, chúng tôi tin rằng khả năng ứng dụng rộng rãi của phản ứng bắt buộc đối với giao diện người-máy tính có thể được sử dụng để tự động hóa linh hoạt nhiều quy trình hành động khác nhau dựa trên các phím bấm đơn giản có khả năng hữu ích trong ít nhất một số trường hợp. Nghiên cứu trước đây đã chỉ ra rằng lời nhắc hoặc dấu hiệu ngữ cảnh được đặt để thông báo cho các cá nhân khi tín hiệu PM xuất hiện (hoặc có thể có mặt) có thể giảm và thậm chí loại bỏ việc làm chậm nhiệm vụ đang diễn ra trong những thời điểm khác trong khoảng thời gian duy trì PM (Bowden et al., 2021; Loft và cộng sự, 2013), nhưng như đã mô tả trước đó, những lời nhắc thu hút sự chú ý của thị giác có thể gây mất tập trung.
Để hiểu rõ hơn về các quá trình nhận thức cơ bản lợi ích của việc đáp ứng bắt buộc PM, cần phải phát triển một mô hình tích lũy bằng chứng có thể đánh giá trực tiếp mức độ phổ biến và vai trò của tốc độ phản hồi và các lỗi chất lượng bằng chứng. Triển vọng của Strickland và cộng sự (2018)Kỉ niệmMô hình Kiểm soát Quyết định (PMDC) của mô hình PM thay thế giả định một quá trình tích lũy riêng biệt (Brown & Heathcote, 2008) cho mỗi một trong ba phản ứng có thể có. Một phần mở rộng đơn giản sẽ liên quan đến bốn bộ tích lũy, một bộ tích lũy cho mỗi bộ trong số bốn phản ứng có thể có trong phương pháp bắt buộc. Tuy nhiên, những khám phá sơ bộ của chúng tôi đã gợi ý sự cần thiết phải có các cơ chế cạnh tranh để giải thích cho những sai sót của Luật Hick. Những phát triển gần đây cho thấy điều này là có thể (van Ravenzwaaij và cộng sự, 2020), nhưng làm cho việc mở rộng PMDC trở nên ít đơn giản hơn, và do đó sẽ được thực hiện trong tương lai. Tóm lại, nghiên cứu hiện tại đã thiết lập tiện ích thực tế tiềm năng của việc đáp ứng bắt buộc và loại trừ thương mại tốc độ chính xác đơn giản là lý do tại sao nó có hiệu quả. Tuy nhiên, cần có nghiên cứu sâu hơn để xác định vai trò của các mối liên kết chặt chẽ hơn giữa các tín hiệu PM và phản hồi PM, các dấu hiệu kết hợp tránh chi phí chuyển đổi nhiệm vụ, một đại diện thống nhất của các mục tiêu nhiệm vụ PM và PM đang thực hiện, hoặc một số sự kết hợp của những điều này và các cơ chế khác. Một phần mở rộng của mô hình tích lũy bằng chứng PMDC của Strickland và cộng sự (2018) cung cấp một con đường đầy hứa hẹn để hiểu rõ hơn về các cơ chế này.
