کیا طویل المدتی یادداشت کا استعمال Visuo-spatial Change-detection Paradigm میں ہوتا ہے؟

مزید معلومات کے لیے:ali.ma@wecistanche.com

خلاصہ

کے ٹیسٹوں میںکام کرنے والی میموریزبانی یا مقامی مواد کے ساتھ، اسی کو دہرانایاداشتآزمائشوں کے دوران سیٹ میموری کی کارکردگی کو بہتر بناتا ہے۔ یہ اچھی طرح سے قائم "Hebb تکرار اثر" پچھلی تحقیق میں بصری مواد کے لیے نہیں دکھایا جا سکا۔ ہیب اثر کی عدم موجودگی کو دو طریقوں سے بیان کیا جا سکتا ہے: یا تو کوئی شخص طویل مدتی یادداشت حاصل کرنے میں ناکام رہتا ہے۔یاداشتسیٹ، یا وہ اس طرح حاصل کرتے ہیںطویل مدتی میمورینمائندگی کرتے ہیں، لیکن ان کے دوران استعمال کرنے میں ناکام رہتے ہیں۔کام کرنے والی میموریکام دو تجربات (N1=18 اور N2=30) میں، ہم نے تبدیلی کا پتہ لگانے کے کام میں استعمال ہونے والے میموری سیٹوں میں سے کچھ کے طویل مدتی میموری کے علم کو جوڑ کر ان دو امکانات کے درمیان فیصلہ کرنا تھا۔ تبدیلی کا پتہ لگانے کے ٹیسٹ سے پہلے، شرکاء نے معیار کے مطابق رنگوں کی تین صفیں سیکھیں۔ بعد میں تبدیلی کا پتہ لگانے والے ٹیسٹ میں پہلے سے سیکھے گئے اور نئے رنگ کی صفیں شامل تھیں۔ تبدیلی کا پتہ لگانے کی کارکردگی نئی صفوں کے مقابلے میں پہلے سیکھے ہوئے پر بہتر تھی، یہ ظاہر کرتی ہے۔طویل مدتی میموریتبدیلی کا پتہ لگانے میں استعمال ہوتا ہے۔

مطلوبہ الفاظ:بصری ورکنگ میموری۔ طویل مدتی یادداشت. تبدیلی کا پتہ لگانے کا نمونہ۔ ہیب کی تکرار کا اثر

Repetitio est mater studiorum — تکرار مطالعہ کی ماں ہے۔ یہ بنیادی اصول غالباً ان تمام اداروں پر لاگو ہوتا ہے جو وہ کام کرنے کے قابل ہیں جسے ہم "سیکھنا" کہتے ہیں۔ جانور اور انسان، اور کمپیوٹر بھی۔ عام طور پر، سیکھنے کے لیے کچھ ہدف کی معلومات کو دہرانے کی ضرورت ہوتی ہے، یا تو جان بوجھ کر یا غیر ارادی طور پر۔ تکرار کے دوران، ہمارے دماغوں میں اعصابی رابطے بتدریج تبدیل ہوتے رہتے ہیں تاکہ بار بار کی معلومات کو حاصل کیا جا سکے۔

میموری کے لیے Cistanche کے استعمال پر کلک کریں۔

سیکھنے کے لیے ورکنگ میموری کا کیا کردار ہے؟ 6 دہائیوں کے دوران، کئی تھیورسٹوں نے یہ فرض کیا ہے کہ قلیل مدتی یاکام کرنے والی میموری(WM)—معلومات کو عارضی طور پر برقرار رکھنے کا ایک ذریعہ — طویل مدتی میموری (LTM) کا گیٹ وے ہے، جہاں معلومات کو مستقل طور پر محفوظ کیا جاتا ہے۔ Atkinson and Shiffrin (1968) نے فرض کیا کہ معلومات کو "قلیل مدتی اسٹور" سے LTM میں منتقل ہونا چاہیے۔ بیڈلے وغیرہ۔ (1998) نے یہ قیاس کیا کہ فونولوجیکل لوپ، WM کے Baddeley کے ماڈل کا ایک جزو، لفظ کی نئی شکلیں سیکھنے کا ایک آلہ ہے۔ حال ہی میں، Cowan (2019) نے اس بات پر زور دیا ہے کہ WM میں معلومات کو برقرار رکھنے میں نہ صرف موجودہ LTM نمائندگیوں کو فعال کرنا بلکہ نئی تشکیل دینا بھی شامل ہے۔ Forsberg et al. (2020) نے دلیل دی کہ WM کی محدود صلاحیت LTM میں نئے علم کے حصول کے لیے رکاوٹ بنتی ہے۔

تکرار کے ذریعے علم کے بتدریج حصول میں WM کے کردار کا مطالعہ کرنے کا ایک اہم ذریعہ نام نہاد Hebb Repetition Effect (Hebb, 1961) ہے۔ ہیب ریپیٹیشن اثر سے مراد وہ مشاہدہ ہے کہ فوری سیریل یاد کرنا — ڈبلیو ایم کا ایک عام ٹیسٹ — آہستہ آہستہ میموری لسٹ کے لیے بہتر ہوتا ہے جو ایک تجربے کے دوران کئی بار دہرائی جاتی ہے (مثلاً، ہیب، 1961؛ ہچ ایٹ ال، 2005؛ صفحہ وغیرہ، 2006)۔ ہیب کا اثر اصل میں زبانی محرکات (Hebb، 1961) کے ساتھ فوری سیریل یاد کرنے کے کام میں دیکھا گیا تھا، اور خاص طور پر زبان سیکھنے میں اس کے تعاون کے لیے زیر بحث آیا تھا (Lafond et al.، 2010؛ Szmalec et al.، 2009)۔ دیگر مطالعات نے اسے بامعنی بصری محرکات جیسے سیدھے چہرے (ہارٹن ایٹ ال۔، 2008) اور مقامی مقامات کی ترتیب کے ساتھ بھی پایا (مثلاً، Couture & Tremblay، 2006؛ Gagnon et al.، 2004؛ Page et al.، 2006; Turcotte et al.، 2005)۔

In contrast, several attempts to demonstrate the Hebb effect with arrays of simple visual stimuli have largely failed. In particular, no improvement of change detection—a common test of visual working memory—has been found across dozens of repetitions of the same array (Fukuda & Vogel, 2019; Logie et al., 2009; Olson & Jiang, 2004). There is some evidence for learning with a change-detection paradigm (Shimi & Logie, 2019), but it appears to require many more repetitions (>اس مطالعہ میں 60) کلاسک ہیب اثر سے، جو تقریباً 10 تکرار کے بعد مضبوط ہوتا ہے۔

موجودہ مطالعہ

تبدیلی کا پتہ لگانے کے کام میں Hebb سیکھنے کی غیر موجودگی کی دو ممکنہ وضاحتیں ہیں۔ سب سے پہلے، شرکاء کے بارے میں LTM نمائندگی حاصل کرنے میں ناکام ہو سکتے ہیں۔بار بار میموریصفوں دوسرا، شرکاء LTM میں بار بار پیش کی گئی صفوں کو انکوڈ کر سکتے ہیں، لیکن ان LTM نمائندگیوں کو بعد میں تبدیلی کا پتہ لگانے والے ٹرائلز میں دوبارہ انہی صفوں کو استعمال کرنے میں ناکام ہو جاتے ہیں۔ یعنی، اگرچہ شرکاء علم حاصل کرتے ہیں جس کے ساتھ وہ بار بار صفوں پر اپنی کارکردگی کو بہتر بنا سکتے ہیں، لیکن وہ ایسا نہیں کرتے۔ مؤخر الذکر امکان کے کچھ شواہد دو مطالعات سے سامنے آئے ہیں جس سے یہ ظاہر ہوتا ہے کہ اگرچہ تبدیلی کا پتہ لگانے سے بار بار کی صفوں میں کوئی بہتری نہیں آئی، تاہم شرکاء تجربہ کے اختتامی ٹیسٹ میں بار بار دہرائی جانے والی صفوں کو پہچاننے میں کامیاب رہے (فوکوڈا اینڈ ووگل، 2019؛ اولسن اور جیانگ، 2004)۔

موجودہ مطالعہ میں، ہمارا مقصد یہ جانچنا تھا کہ آیا طویل مدتی میموری کی نمائندگی بصری تبدیلی کا پتہ لگانے کے نمونے میں استعمال ہوتی ہے۔ ہم نے سیکھنے کے مرحلے میں تین چھ رنگوں کے ٹارگٹ ارے A, B اور C کے LTM نشانات بنائے۔ اس کے بعد ہم نے ان ٹارگٹ اریوں میں سے کسی ایک کا استعمال کرتے ہوئے ٹرائلز کے درمیان بعد میں ورکنگ میموری ٹیسٹ میں کارکردگی کا موازنہ کیا، جو ظاہر ہے کہ سیکھنے کے مرحلے کے بعد LTM میں محفوظ کیا گیا ہے، اور LTM میں نمائندگی کے بغیر تصادفی طور پر تیار کردہ ارے (D) کے ساتھ ٹرائلز۔ تبدیلی کا پتہ لگانے کے طریقہ کار سے باہر LTM ٹریس کی تجرباتی نسل دو ممکنہ نتائج میں فرق کرنے کی اجازت دیتی ہے۔ اگر یہ نمائندگییں استعمال کی جاتی ہیں، تو ہمیں بے ترتیب صفوں کے مقابلے میں سیکھی ہوئی صفوں کے لیے بہتر تبدیلی کا پتہ لگانے کی درستگی کا مشاہدہ کرنا چاہیے۔ اگر یہ نمائندگییں استعمال نہیں کی جاتی ہیں، تو سیکھی ہوئی صفوں کی درستگی بے ترتیب صفوں کی درستگی سے مختلف نہیں ہونی چاہیے۔

طریقہ

امیدوار

دو مختلف نمونوں نے بالترتیب تجربہ 1 اور تجربہ 2 میں حصہ لیا۔ تجربہ 1 کے لیے، نمونہ زیورخ یونیورسٹی کے N=18 (Mage=22.6 سال، SDage=2.89) یونیورسٹی کے طلباء پر مشتمل تھا۔ تجربہ 2 نے N=30 (Mage=23 سال، SDage=4.89) یونیورسٹی آف زیورخ اور Ulm یونیورسٹی کے یونیورسٹی طلباء کا اندراج کیا، جن میں سے ایک شخص کو ڈیٹا کے تجزیہ سے خارج کر دیا گیا سیکھنے کے مرحلے میں ناکافی کارکردگی کی وجہ سے سیکھنے کا مرحلہ (حتمی N=29)۔ نمونے کے سائز کے ہمارے انتخاب کو ہیب اثر پر پچھلے مطالعات کے N کے ذریعہ مطلع کیا گیا تھا۔ ہم نے تجربہ 2 کے نمونے کے سائز کو بڑھانے کا فیصلہ کیا تاکہ علم کے ایک چھوٹے سے اثر کی پیمائش کے اپنے امکانات کو بڑھایا جا سکے جسے ہم تجربہ 1 میں کھو چکے ہیں۔ دونوں تجربات کی تشہیر فلائرز اور ای میل کے ذریعے کی گئی تھی۔ شرکاء کی عمر 18 سے 35 سال کے درمیان اور جرمن زبان میں روانی ہونی چاہیے۔ دلچسپی رکھنے والے افراد کو شرکت سے خارج کر دیا گیا، اگر وہ رنگ کے اندھے تھے، یا ان کی بینائی کمزور (یعنی درست نہیں ہوئی) تھی۔

مواد اور طریقہ کار

دونوں تجربات کے کاموں کو ایک ہی تحقیقی سوال کا مطالعہ کرنے کے لیے ڈیزائن کیا گیا تھا۔ تاہم، تجربہ 1 کے انعقاد کے بعد کاموں میں کچھ معمولی ایڈجسٹمنٹ کی گئیں۔ دونوں تجربات دو حصوں پر مشتمل تھے۔ پہلا سیکھنے کا مرحلہ تھا، جس میں شرکاء کو تین الگ الگ رنگوں کی صفیں سیکھنے کی ہدایت کی گئی تھی (بالترتیب A، B، اور C کا لیبل لگا ہوا؛ اس مقالے کے بقیہ حصے کے لیے انہیں "ٹارگٹ اریز" کہا جائے گا)۔ اس کے بعد، ایک تبدیلی کا پتہ لگانے کے کام کا انتظام کیا گیا تھا جس میں کچھ ٹرائلز نے ہدف کی صفوں کا استعمال کیا، اور دیگر ٹرائلز نے میموری سیٹ کے طور پر نئے بے ترتیب صفوں کا استعمال کیا.

تجربہ 1 تجربہ 1 کا سیکھنے کا مرحلہ 10 سیکنڈ کے لیے سیکھے جانے والے تین رنگوں کی یکے بعد دیگرے پیشکش کے ساتھ شروع ہوا۔ ہر صف میں چھ رنگوں کے پیچ شامل تھے، جو ایک خیالی دائرے پر مساوی طور پر تقسیم کیے گئے تھے، اور سیکھنے کی سہولت کے لیے، ہر صف کو خیالی دائرے کے بیچ میں ایک حرف (بالترتیب A، B، یا C) کے ساتھ جوڑا گیا تھا۔ تمام شرکاء کے لیے، ہر صف کے رنگ تصادفی طور پر 12 الگ الگ رنگوں کے نمونے سے منتخب کیے گئے تھے (آر جی بی اقدار کے لیے جدول 1 دیکھیں)۔

تین صفوں پر اس ابتدائی نمائش کے بعد، سیکھنے کے مرحلے کو کلاسیکی تبدیلی کا پتہ لگانے کے نمونے کے ذریعے لاگو کیا گیا تھا۔ ہم نے فیصلہ کیا کہ شرکاء اس طرح سے صفیں سیکھیں کیونکہ ہم چاہتے تھے کہ سیکھنے کا تجربہ WM کام سے مشابہ ہو۔ اس طریقہ کار کو بعد کے WM ٹیسٹ کے دوران LTM نمائندگی کے استعمال کے لیے کم حد کو یقینی بنانا چاہیے کیونکہ یہ منتقلی کے لیے موزوں پروسیسنگ کو بہتر بناتا ہے (Morris et al., 1977)۔

سیکھنے کے مرحلے کے دوران زیر انتظام تبدیلی کا پتہ لگانے کا نمونہ شکل 1 میں پیش کیا گیا ہے۔ یہ تین بلاکس پر مشتمل ہے جس میں 24 ٹرائلز ہیں۔ تمام بلاکس میں، ہر ٹرائل کا آغاز 1,000 ms کے لیے فکسیشن کراس کی پیشکش کے ساتھ ہوا، جو اسکرین پر مرکوز تھا۔ اگلا، تین ہدف صفوں میں سے ایک پیش کیا گیا۔ یہاں، پیشکش کے اوقات تین بلاکس کے درمیان مختلف تھے۔ پہلے بلاک میں 3,500 ms کے لیے، دوسرے بلاک میں 2,500 ms کے لیے، اور تیسرے بلاک میں 1,500 ms کے لیے ہدف کی صفیں پیش کی گئیں۔ ٹارگٹ سرنی کی پیشکش کے بعد، شرکاء کو مزید 1،000 ms کے لیے ایک خالی اسکرین پیش کی گئی۔ اس کے بعد، شرکاء کو ہدف کی صف کی تحقیقات کے ساتھ پیش کیا گیا، جس میں پہلے بلاک میں ایک رنگ کا پیچ، دوسرے بلاک میں تین رنگوں کے پیچ، یا تیسرے بلاک میں چھ رنگوں کے پیچ کی مکمل صف شامل تھی۔ شرکاء کو یہ بتانا تھا کہ آیا اب پیش کردہ رنگ پیچ (es) مکمل صف سے مماثل ہیں جو پہلے اسی پوزیشن میں پیش کیے گئے تھے۔ جواب کا وقت محدود نہیں تھا۔ تین قسم کے ٹرائلز تھے: بغیر تبدیلی کے ٹرائلز (ایک ہی پوزیشن میں ایک ہی رنگ کا پیچ)، سویپ چینج ٹرائلز (کلر پیچ کو کسی اور پوزیشن میں پیش کیا گیا)، اور بے ترتیب تبدیلی کے ٹرائلز (رنگ جو پہلے ہدف کی صف میں پیش نہیں کیے گئے تھے۔ کوئی بھی عہدہ)۔ ہر بلاک کے اندر، 12 بغیر تبدیلی کے ٹرائلز، چھ سویپ چینج ٹرائلز، اور چھ رینڈم چینج ٹرائلز تھے- ٹرائل ٹائپ آرڈر کو بے ترتیب کیا گیا تھا۔ ہر صف کو ہر بلاک میں آٹھ بار پیش کیا گیا تھا، اور ان کی ترتیب بے ترتیب تھی۔ ہر آزمائش کے بعد، رائے فراہم کی گئی۔ اگر جواب درست تھا، تو شرکاء کو پیغام "Richtig!" کے ساتھ پیش کیا گیا۔ (صحیح!)، اور اگلی آزمائش اس کے بعد ہوئی۔ اگر کوئی جواب غلط تھا، تو شرکاء کو پیغام پیش کیا گیا تھا "Leider nicht Richtig! So siehtdiekorrekte Anordnung us:" (بدقسمتی سے غلط! صحیح صف کی طرح نظر آتی تھی:) اور پھر ایک اور فراہم کرنے کے لیے مکمل ہدف کی صف کے ساتھ دوبارہ پیش کیا گیا۔ سیکھنے کا موقع. تین ہدف والے صفوں کے سیکھنے کو یقینی بنانے کے لیے، شرکاء کو ہر بلاک کے اندر سیکھنے کے معیار پر پورا اترنا تھا، جو کہ کم از کم 19 درست جواب دینے والے ٹرائلز تھے (24 میں سے)۔ اگر شرکاء اس معیار کو پورا کرنے میں ناکام رہے، تو انہیں اس بلاک کو دہرانا پڑا جس میں وہ ایسا کرنے میں ناکام رہے۔ اس کے علاوہ، ہر بلاک کے آغاز میں، تین ہدف والے صفوں کو دوبارہ 10 سیکنڈ کے لیے پیش کیا گیا۔ اس طرح، ہم نے ہدف کی صفوں کی معقول حد تک مضبوط LTM نمائندگی کو دلانے کی امید کی۔

ایک بار جب ایک شریک نے سیکھنے کے مرحلے کے تمام معیارات کو پورا کر لیا، تو انہیں بعد میں ورکنگ میموری ٹاسک کی ہدایات پیش کی گئیں- یعنی تبدیلی کا پتہ لگانے کا ایک اور کام۔ ہدایات میں اس کام کے طریقہ کار کو ایک بار پھر واضح کیا گیا اور واضح طور پر کہا گیا کہ آگے مزید کوئی رائے نہیں دی جائے گی۔ عام طور پر، تبدیلی کا پتہ لگانے کا نمونہ سیکھنے کے مرحلے سے بہت مشابہت رکھتا ہے۔ ہر آزمائش کا آغاز ایک خالی اسکرین پر 1,000 ms کے لیے فکسیشن کراس کی پیشکش کے ساتھ ہوا۔ اس کے بعد، چھ رنگوں کی صف پیش کی گئی، لیکن سیکھنے کے مرحلے کے برعکس، اب پیشکش کا وقت 1،000 ms تھا۔ 1،000- ms برقرار رکھنے کے وقفے کے بعد، جس کے دوران اسکرین خالی تھی، ایک رنگین پیچ کو تصادفی طور پر منتخب کردہ ارے آئٹم کی پوزیشن میں پروب کے طور پر دکھایا گیا تھا۔ ایک بار پھر، شرکاء کو یہ بتانا پڑا کہ آیا اب پیش کردہ کلر پیچ ایک ہی پوزیشن میں مکمل چھ رنگوں کی صف کے کلر پیچ سے مماثل ہے۔ جواب کا وقت محدود نہیں تھا۔ اس ورکنگ میموری ٹاسک کے لیے، 10 بلاکس جن میں سے ہر ایک میں 18 ٹرائلز کیے گئے تھے۔ اس سے پہلے، شرکاء کو 18 پریکٹس ٹرائلز مکمل کرنے تھے۔

مجموعی طور پر 180 ٹیسٹ ٹرائلز میں سے، 90 ٹرائلز نے ٹارگٹ اریوں میں سے ایک A، B، یا C پیش کیا (ہر ایک میں 30 ٹرائلز، جو اب ان کے لیبل کے بغیر پیش کیے گئے ہیں)، اور دیگر 90 ٹرائلز نئی صفوں (D) کی پیشکش کے لیے مخصوص کیے گئے تھے۔ بے ترتیب طور پر اس رکاوٹ کے ساتھ تیار کیا گیا ہے کہ وہ ہدف کی صفوں میں سے ایک سے مماثل نہیں ہونا چاہئے۔ کام سے پہلے، شرکاء کو یہ نہیں بتایا گیا تھا کہ پہلے سیکھی ہوئی صفوں کو دوبارہ پیش کیا جا سکتا ہے۔ فی بلاک 18 ٹرائلز میں، تقریباً 40 فیصد کوئی تبدیلی نہیں ہوئی اور 60 فیصد ٹرائلز تبدیل ہوئے۔ 1 ایک بار پھر، ہر بلاک کے اندر ٹرائل ٹائپ آرڈر اور صفوں کی ترتیب کو بے ترتیب کر دیا گیا۔

تجربہ 2 اسی طرح کے سیکھنے کے مرحلے کے ساتھ شروع ہوا جیسا کہ تجربہ 1۔ تاہم، LTM سیکھنے کو بہتر بنانے کے لیے، ہم نے سیکھنے کا ایک اور بلاک شامل کیا اور ہر بلاک کے لیے سیکھنے کے معیار کو سخت بنایا (24 میں سے کم از کم 20 ٹرائلز درست)۔ سیکھنے کے حالات کے اسکیمیٹک جائزہ کے لیے، تصویر 2 دیکھیں۔ سیکھنے کا مرحلہ اب چار بلاکس پر مشتمل ہے جس میں ہر ایک میں 24 ٹرائلز ہیں۔ پہلے تین بلاکس تجربہ 1 کی طرح ہی تھے، سوائے اس کے کہ تمام بلاکس میں ہدف کی صفوں کے لیے پیشکش کے اوقات 1،000 اور 5،{10}} ms کے درمیان کی حد میں بے ترتیب تھے۔ چوتھے بلاک نے سیکھنے کے ایک نئے تجربے کا اضافہ کیا: شرکاء کو اب صرف A، B، یا C کے لیبلز کے ساتھ پیش کیا گیا، جس کے بعد ایک مکمل صف کی جانچ پڑتال کی گئی۔ انہیں یہ بتانا تھا کہ آیا یہ پروب اس صف سے مماثل ہے جو انہوں نے پہلے پیش کردہ خط کے ساتھ منسلک کرنا سیکھا تھا۔ سیکھنے کی اس شرط کو یقینی بنانا چاہیے کہ شرکاء نے ہدف کی صفوں کی LTM نمائندگییں بنائی ہیں جنہیں وہ من مانی بازیافت کیو کی بنیاد پر دوبارہ حاصل کر سکتے ہیں۔

سیکھنے کے مرحلے کے بعد LTM کی جانچ کرنے کے لیے، ہم نے ایک مجرد بازیافت کا ٹاسک شامل کیا، جس میں شرکاء کو کلر پیچ کی پوزیشنوں میں ہدف کی صفوں کے خطوط اور چھ خالی حلقے پیش کیے گئے۔ چھ خالی حلقوں کو یکے بعد دیگرے نشان زد کیا گیا، اور شرکاء کو خالی صف کے آگے پیش کردہ 12 الگ الگ رنگوں کے سیٹ میں سے صحیح رنگ کا انتخاب کرنا تھا۔ نشان زد دائرے کو پھر منتخب رنگ سے بھر دیا گیا تھا اگر انتخاب درست تھا۔ اگر کوئی انتخاب غلط تھا، تو شرکاء کو مطلع کیا جاتا تھا، اور اصل میں صحیح رنگ بھرا جاتا تھا۔ اس طرح، شرکاء کو ایک بار پھر مکمل ہدف کی صفوں کے ساتھ پیش کیا جاتا تھا اور وہ ان کی LTM نمائندگی کو مزید ایڈجسٹ کرنے کے قابل ہوتے تھے۔

مندرجہ ذیل WM مرحلہ تجربہ 1 سے تقریباً یکساں تھا۔ اس کے علاوہ، نون چینج اور چینج پروبس کے درمیان 40:60 کے تناسب سے تقریباً 70 فیصد نون چینج پروبس اور تقریباً 30 فیصد تبدیلی پروبس کے درمیان پروگرامنگ کی غلطی کی وجہ سے پروب کی اقسام کا تناسب تبدیل کیا گیا تھا (سواپ میں الگ کیا گیا تھا۔ تبدیلیاں اور بے ترتیب تبدیلیاں)۔

WM ٹیسٹ کے بعد، شرکاء کو دوبارہ مجرد بازیافت کا ٹاسک پیش کیا گیا، اور سیکھنے کے مرحلے کے نئے چوتھے بلاک کی تکرار، ہدف کی صفوں کے لیے اشارے کے طور پر حروف کے ساتھ، تاکہ ہدف کی صفوں کی ان کی LTM نمائندگی کی جانچ کی جا سکے۔ آخری بار. اس سے ہمیں WM ٹاسک سے پہلے اور بعد میں LTM میں ہدف کی صفوں کی رسائی کا موازنہ کرنے کی اجازت ملی۔

دونوں تجربات کا عمومی طریقہ کار ایک جیسا تھا۔ دونوں ٹیسٹ سیشن تقریباً 1.5-2 گھنٹے تک جاری رہے، اور شرکاء کو 15-22 CHF یا جزوی کورس کریڈٹ کے ساتھ معاوضہ دیا گیا۔ شرکت سے پہلے، تمام شرکاء نے باخبر رضامندی فراہم کی۔ تجربات کی نگرانی تربیت یافتہ تحقیقی معاونین نے کی۔ کاموں کو سائیکو پی 2 (پیرس ایٹ ال۔، 2019) کے ذریعے پروگرام اور پیش کیا گیا تھا۔ تمام کاموں اور معیاری ہدایات کو کمپیوٹر اسکرینز پر مکمل ایچ ڈی ریزولوشن (1,920 × 1,080 پکسلز) کے ساتھ پیش کیا گیا تھا۔ تمام محرکات سرمئی پس منظر کے رنگ پر پیش کیے گئے تھے، اور شرکاء نے نشان زدہ چابیاں (- اور<) on="" standard="" keyboards="" for="" responding="" to="" the="">

دونوں تجربات کے لیے، سیکھنے کے مرحلے اور WM ٹیسٹ دونوں، درستگی کی نشاندہی کرنے والا ایک الگ الگ منحصر متغیر فراہم کرتے ہیں۔ اس لیے، ہم نے لاجسٹک ریگریشن ماڈلز کے ساتھ WM ٹیسٹوں کے لیے ڈیٹا کا تجزیہ کیا، جس میں پیش کردہ صفوں کی قسم سے درست جوابات کی تعداد کی پیش گوئی کی گئی تھی (یعنی، سیکھے ہوئے ہدف کی صفوں بمقابلہ غیر سیکھی ہوئی بے ترتیب صفوں)۔ اس پیشن گوئی کے مقررہ اثر کے علاوہ، مکمل ماڈل میں بلاک کا ایک اہم اثر، بلاک کے ساتھ ایک صف کی قسم کی تعامل کی اصطلاح، موضوع کا بے ترتیب اثر (یعنی بے ترتیب مداخلت) کے ساتھ ساتھ ایک اصطلاح بھی شامل ہے۔ بلاکس اور سرنی کی قسموں کا اثر مضامین کے اندر اندر داخل ہوتا ہے (یعنی بے ترتیب ڈھلوان)۔ مکمل ماڈل کی وضاحت کرنے کے بعد، ہم نے ماڈل کے موازنہ کے لیے Bayes عوامل (Bürkner، 2017) کے ذریعے ہر ایک اثر کے شواہد کا جائزہ لینے کے لیے اس کا موازنہ مزید پارسی ماڈلز سے کیا۔ مخلوط اثرات کے لاجسٹک ریگریشن ماڈلز کے پرائیرز 1/√2 کے پیمانے کے ساتھ Cauchy priors تھے، جو Gelman et al کی سفارشات کو ایڈجسٹ کرکے حاصل کیے گئے تھے۔ (2008) (لاجسٹک ریگریشن ماڈلز کے لیے پیمانے کے انتخاب کے بارے میں مزید تفصیلات کے لیے، براہ کرم Oberauer، 2019 دیکھیں)۔ ماڈلز کا تخمینہ 100،000 نمونوں سے لگایا گیا تھا، جو تین آزاد مارکوف چینز کے ذریعے تیار کیے گئے تھے، جن میں سے ہر ایک کے 2،000 وارم اپ نمونے تھے (یعنی، 98،000 پوسٹ وارم اپ نمونے کل ملا کر).

چونکہ دونوں تجربات میں یکساں اور تبدیلی کے ٹرائلز کا تناسب متوازن نہیں تھا، اس لیے شرکاء نے ردعمل کے تعصبات پیدا کیے تھے، جو کہ یادداشت کے معیار کے اشاریہ کے طور پر تناسب درست پیمائش کو بگاڑ سکتے تھے۔ لہذا، ہم نے دو پیمائشی ماڈلز کے ذریعہ کارکردگی کا بھی جائزہ لیا جو میموری کے معیار کو تعصب سے الگ کرتے ہیں۔ بصری WM کے نظریات کے درمیان ایک بہت زیادہ زیر بحث تقسیم ان لوگوں کے درمیان ہے جو میموری کی نمائندگی کی مسلسل مختلف طاقت یا درستگی کو مانتے ہیں (Ma et al., 2014; Oberauer & Lin, 2017) یاد رکھی جانے والی اشیاء اور جو نہیں ہیں ان کے درمیان بائنری فرق (Adam et al.، 2017؛ Zhang & Luck، 2008)۔ دونوں نقطہ نظر کے ساتھ انصاف کرنے کے لیے، ہم نے امتیازی پیمانے پر میموری کے معیار کی پیمائش کرنے کے لیے سگنل کا پتہ لگانے کا ایک ماڈل لاگو کیا، اور یاد رکھی ہوئی اشیاء کی تعداد کی پیمائش کرنے کے لیے ایک ہائی تھریشولڈ ماڈل۔ خاص طور پر، ہم نے سگنل کا پتہ لگانے کے نظریہ سے d' (تعصب) اور c (جوابی معیار) کا حساب لگایا (میک ملن، 1993؛ Stanislaw & Todorov، 1999 پر مبنی)، جہاں ہم نے انتہائی ہٹ ریٹ اور انتہائی جھوٹے الارم کی شرح (یعنی، 0 یا 1؛ دیکھیں ہوٹس، 1995)۔ اس کے علاوہ، ہم نے ایک ہائی تھریشولڈ ماڈل (ماڈل 4 سے Cowan et al.، 2013) سے Pmem (اس بات کا امکان کہ کسی شریک کے پاس آزمائشی آئٹم میموری میں موجود تھا) اور g ("تبدیلی" ردعمل کے امکان کا اندازہ لگانا) کی گنتی کی۔ سیکھے ہوئے اور بے ترتیب صف کی کارکردگی دونوں کے لیے تمام اشاریہ جات کی گنتی کی گئی۔ ہر تجربے کے اندر، ہم نے متعلقہ اشاریہ جات کی پیش گوئی لکیری ریگریشن ماڈلز کے ذریعے کی جس میں سرنی کی قسم پیشگوئی کرنے والے اور موضوع کے بے ترتیب اثر (یعنی بے ترتیب مداخلت) کے ساتھ ہوتی ہے۔ چونکہ تمام ٹرائلز کے اعداد و شمار کو جمع کرنے سے انڈیکس کی گنتی کی گئی تھی، اس لیے ہم ان تجزیوں میں بلاک کو بطور پیشن گوئی شامل نہیں کر سکے۔

نتائج

تجربہ 1

سیکھنے کا مرحلہ جدول 2 میں، ہم سیکھنے کے مرحلے کے مختلف بلاکس کی درستگی کی اطلاع دیتے ہیں۔ سات افراد کو سیکھنے کے بلاکس میں سے ایک کو ایک بار دہرانا پڑا۔ کسی بھی شخص کو آخری سیکھنے کے بلاک کو دہرانا نہیں تھا، جو اچھی سیکھنے کی نشاندہی کرتا ہے۔ یہ بلاک سے بلاک تک غلطیوں کے گھٹتے ہوئے تناسب سے بھی ظاہر ہوتا ہے۔

ورکنگ میموری ٹاسک اگلا، ہم ورکنگ میموری ٹاسک کے تمام بلاکس میں درستگی پیش کرتے ہیں (تصویر 3 دیکھیں)۔ ہدف کی صفوں پر کارکردگی زیادہ تر بلاکس میں بے ترتیب صفوں سے بہتر تھی۔ مزید برآں، ہم نے بلاکس میں خاص طور پر ٹارگٹ اریوں پر کارکردگی میں مسلسل اضافہ کا مشاہدہ نہیں کیا کیونکہ بلاکس میں ان کی بار بار پیشکشوں کی وجہ سے، جیسا کہ توقع کی جائے گی کہ اگر شرکاء تبدیلی کا پتہ لگانے کے کام کے دوران ان صفوں کو سیکھتے رہیں۔

سیکھے ہوئے صفوں کے لیے، شرکاء نے تمام بلاکس میں اوسطاً 9.5 فیصد غلطیاں کیں، جب کہ انہوں نے بے ترتیب صفوں کے لیے اوسطاً 13.7 فیصد غلطیاں کیں۔ یہ وسیع 95 فیصد CI [−1.05, .05] کے ساتھ d=−.50 کے معیاری اثر سائز کے برابر ہے۔ مخصوص اثرات کے ساتھ اور بغیر لاجسٹک ریگریشن ماڈلز کے ماڈل کے موازنہ سے متعلق Bayes عوامل جدول 3 میں پیش کیے گئے ہیں۔ اس تجزیے کے ذریعے صرف صف کی قسم کے بنیادی اثر کی تائید کی گئی، مطلب یہ ہے کہ شرکاء نے مجموعی طور پر سیکھی ہوئی صفوں پر بہتر کارکردگی دکھائی (متعلقہ پیرامیٹر کے تخمینے ٹیبل 4 میں پایا جا سکتا ہے)۔

تجربہ 2

سیکھنے کا مرحلہ جدول 5 میں، ہم سیکھنے کے مرحلے میں کارکردگی کے وضاحتی اعدادوشمار کی اطلاع دیتے ہیں۔ بائیس شرکاء کو کم از کم سیکھنے کے مراحل میں سے ایک کو دہرانا پڑا، کیونکہ وہ کم از کم 20 ٹرائلز کے درست معیار پر نہیں پہنچے۔ ایک تحقیقاتی حالت کے لیے تکرار کی تعداد 1 سے 6 تک تھی، جب کہ تین تحقیقاتی حالت کے لیے تکرار کی تعداد 1 سے 4 تک تھی۔ تاہم، ہم نے سیکھنے کے بلاکس میں بہتری کے واضح رجحان کا مشاہدہ کیا، جو کامیاب سیکھنے کی نشاندہی کرتا ہے۔ . کسی بھی شریک کو آخری دو سیکھنے کے بلاکس کو دہرانے کی ضرورت نہیں تھی۔

سیکھنے کے مرحلے کے فوراً بعد، شرکاء کو پہلے سیکھی ہوئی صفوں کو دستی طور پر ایک صف کی ہر پوزیشن کے لیے رنگ چن کر دوبارہ تیار کرنا تھا۔ مجموعی طور پر 18 رنگوں کے پیچ کو پُر کرنے کے لیے (چھ فی ٹارگٹ سرنی)، شرکاء کی اوسط درستگی 67 فیصد (SD=47 فیصد) تھی۔ اس سے پتہ چلتا ہے کہ شرکاء اپنے ہدف کی صفوں کے بارے میں اپنے علم کو بازیافت کے دوسرے موڈ میں منتقل کرنے میں کامیاب تھے (تبدیلی کا پتہ لگانے سے یاد کرنے تک)۔ اس مجرد بازیافت کا کام WM ٹیسٹ کے بعد دہرایا گیا تھا۔ سیکھنے کے مرحلے کے بعد براہ راست بازیافت کے پہلے کام کے مقابلے میں، شرکاء کی کارکردگی بہتر ہوئی۔ اس آخری مجرد بازیافت کے کام کے لیے، رنگوں کے 93 فیصد پیچ ​​کو اوسطاً درست طریقے سے دوبارہ تیار کیا گیا تھا (SD=44.3 فیصد)۔ صحیح انتخاب کی تعداد کے حوالے سے جوڑ بنائے گئے نمونوں کے لیے ایک Bayesian t-ٹیسٹ نے پہلے (BF=3.59) کے مقابلے دوسرے مجرد بازیافت کے کام میں بہتر کارکردگی کے لیے کمزور ثبوت ظاہر کیے ہیں۔ یہ نتیجہ ظاہر کرتا ہے کہ WM ٹیسٹ کے دوران ہدف والے صفوں کے LTM نشانات میں کمی نہیں آئی۔

آخر میں، ارے کے بارے میں شرکاء کی یادداشت کا اندازہ تجربہ کے بالکل آخر میں سیکھنے کے مرحلے کے آخری بلاک کو دہراتے ہوئے کیا گیا، جہاں انہیں تبدیلی کا پتہ لگانے کے نمونے میں صرف حرفی اشارے کے ساتھ پیش کیا گیا۔ انہوں نے 24 آزمائشوں میں سے 93 فیصد کا صحیح جواب دیا، جو ہدف کی صفوں کے انتہائی درست اور قابل رسائی علم کی نشاندہی کرتا ہے۔

ورکنگ میموری ٹاسک تصویر 4 میں، ہم تبدیلی کا پتہ لگانے والے کام کے تمام بلاکس میں کارکردگی پیش کرتے ہیں۔ تینوں صفوں کی مشترکہ اوسط کارکردگی زیادہ تر بلاکس میں بے ترتیب صفوں سے بہتر تھی۔ اوسطاً، شرکاء نے سیکھی ہوئی صفوں کے لیے 17.5 فیصد غلطیاں کیں، جب کہ انھوں نے بے ترتیب صفوں کے لیے اوسطاً 23.4 فیصد غلطیاں کیں۔ یہ 95 فیصد CI [−.98, −.11] کے ساتھ d=−.55 کے معیاری اثر سائز کے برابر ہے۔ تجربہ 1 کے اثر کے سائز کے مقابلے میں، تجربہ 2 میں معیاری اوسط فرق تھوڑا بڑا ہے۔ اس کے علاوہ، ہدف کی صفوں کے فائدے کے لیے بلاکس میں بڑھنے کا رجحان تھا، ایک ہیب اثر سے مشابہت۔

براہ کرم جدول 6 میں لاجسٹک ریگریشن ماڈلز کے ماڈل کے موازنہ کے لیے Bayes کے عوامل تلاش کریں۔ ہمیں صف کی قسم کے بنیادی اثر کے لیے فیصلہ کن ثبوت ملے۔ بلاک کے مرکزی اثر کے خلاف اور دونوں پیش گوئوں کے درمیان تعامل کے خلاف اعتدال پسند ثبوت موجود تھے۔ اس طرح حتمی ماڈل میں صف کی قسم کا بنیادی اثر اور بے ترتیب مداخلت (یعنی موضوع کا بے ترتیب اثر) شامل تھا، اور متعلقہ پیرامیٹر کے تخمینے ٹیبل 7 میں مل سکتے ہیں۔

میموری کے معیار کو ردعمل کے تعصب سے الگ کرنا

جدول 8 میں، ہم ہر تجربے کے لیے اوپر بیان کردہ تبدیلی کا پتہ لگانے کی پیمائش کے ماڈل کے اشاریے پیش کرتے ہیں، جو صف کی قسم سے الگ ہوتے ہیں۔ وضاحتی اعدادوشمار کے علاوہ، ہم فی تجربہ ہر اشاریہ کے لیے متعلقہ اثر کے سائز کی اطلاع دیتے ہیں، اور Bayes کے عوامل سرنی قسم کے بنیادی اثر کے ثبوت کی عکاسی کرتے ہیں۔

تجربہ 1 میں، شرکاء کا امتیازی انڈیکس d' بے ترتیب صفوں کے مقابلے سیکھے ہوئے صفوں پر بڑا تھا۔ تجربہ 2 میں، اس فرق کی حمایت کرنے کا کوئی ثبوت نہیں تھا۔ دونوں تجربات میں ردعمل کا معیار (c) موازنہ تھا، اور آزمائشوں میں تبدیلی کی اطلاع دینے کی طرف ایک چھوٹا سا تعصب ظاہر کرتا ہے۔ چونکہ دونوں تجربات کے جوابی معیار ایک ہی شدت کے بڑے تھے، اس لیے دونوں تجربات میں ٹرائلز کو تبدیل کرنے کے لیے ایک ہی کے مختلف تناسب کا شرکاء کے رویے پر بہت کم اثر ہوا۔ ہمیں دونوں تجربات میں اس بات کا ثبوت ملا ہے کہ سیکھے ہوئے صفوں کے لیے ردعمل کے معیار کو کم کیا گیا تھا، مطلب یہ ہے کہ تبدیلی کی نشاندہی کرنے کا رجحان LTM نمائندگی والی صفوں کے لیے کافی چھوٹا تھا۔

ہائی تھریشولڈ پیمائش کے ماڈل کی طرف رجوع کرتے ہوئے، دونوں تجربات میں غیر سیکھی ہوئی صفوں کے مقابلے میں، میموری میں آزمائشی شے Pmem کے ہونے کا امکان زیادہ تھا۔ اسی طرح، "تبدیلی" کا اندازہ لگانے کے لیے اندازہ لگانے کا امکان (g) سیکھے ہوئے ارے کے لیے کم ہو گیا تھا یہ خاص طور پر تجربہ 2 کا معاملہ تھا، جبکہ تجربہ 1 میں ثبوت مبہم تھے۔ ایک ساتھ لے کر، پیمائش کے دونوں ماڈل اس نتیجے پر اکٹھے ہوئے کہ سیکھی ہوئی صفیں میموری کے معیار اور تعصب دونوں میں غیر سیکھی ہوئی صفوں سے مختلف ہیں۔ جب تعصب کا حساب لیا گیا تو، d' انڈیکس نے تجربہ 2 میں سیکھنے کا کوئی قابل اعتبار اثر نہیں دکھایا۔ تجربہ 1 میں، d' اور Pmem دونوں نے سیکھنے کا ایک قابل اعتبار اثر دکھایا۔ براہ کرم نوٹ کریں کہ تجربات کے درمیان تمام پیمائشی ماڈل کے اشاریہ جات میں مشاہدہ کیا گیا فرق خاطر خواہ نہیں تھا، جیسا کہ بے جوڑ نمونوں کے لیے Bayesian t-ٹیسٹوں سے ظاہر ہوتا ہے (متعلقہ BFs کی حد .32 سے 2.8 تک تھی)

بحث

دو تجربات کے ساتھ، ہم نے تفتیش کی کہ آیا طویل مدتی میموری میں ذخیرہ شدہ بصری صفوں کے بارے میں معلومات ان صفوں کا استعمال کرتے ہوئے تبدیلی کا پتہ لگانے کے کام میں بعد کی کارکردگی کے لیے مددگار تھی۔ ہم نے تبدیلی کا پتہ لگانے کے نمونے سے پہلے طویل مدتی میموری کی نمائندگی کی اور اس بات کو یقینی بنایا کہ اسے مضبوطی سے سیکھا گیا ہے۔ اس کے علاوہ، یادداشت کی صفوں کو ورکنگ میموری ٹاسک کے دوران مزید دہرایا گیا، جس سے مزید سیکھنے کا موقع ملا۔ اگر سیکھنے کے مرحلے میں حاصل کردہ ہدف کی صفوں کا علم ورکنگ میموری ٹیسٹ میں استعمال کیا گیا تھا، تو سیکھی ہوئی صفوں پر کارکردگی بے ترتیب صفوں سے بہتر ہونی چاہیے۔ مزید برآں، اگر لوگ ورکنگ میموری ٹیسٹ میں اپنی تکرار کے ذریعے ہدف کی صفوں کے بارے میں سیکھتے رہیں، تو ان کی تبدیلی کا پتہ لگانے کی کارکردگی صفوں کی تکرار کے دوران مسلسل بہتر ہوگی۔

ایک ساتھ لے کر، دونوں تجربات کے نتائج نے اس مفروضے کے واضح ثبوت دکھائے کہ پہلے سے موجود ایل ٹی ایم ویزیو اسپیشل محرکات (یعنی، رنگ کی صف) تبدیلی کا پتہ لگانے کے نمونے کے دوران کام کرنے والی میموری کی کارکردگی کے لیے فائدہ مند ہیں۔ دونوں تجربات میں، ہم نے صف کی قسم کے بنیادی اثر کی نشاندہی کی۔ تبدیلی کا پتہ لگانے کی کارکردگی پہلے سے سیکھی گئی نئی صفوں کے مقابلے میں بہتر تھی، جس سے ظاہر ہوتا ہے کہ تبدیلی کا پتہ لگانے میں طویل مدتی میموری استعمال ہوتی ہے۔ دونوں تجربات میں ورکنگ میموری کے مرحلے کے دوران مزید سیکھنے کا کوئی ثبوت نہیں ملا۔

زیادہ تر پچھلے مطالعات میں تبدیلی کا پتہ لگانے کے کاموں میں سیکھنے کا کوئی ثبوت کیوں نہیں دکھایا گیا؟ ہمارے تجربات ایک وضاحت کو مسترد کرتے ہیں، وہ یہ ہے کہ لوگ بار بار صفوں کو سیکھتے ہیں، لیکن تبدیلی کا پتہ لگانے کے فیصلوں کے لیے اپنے علم کا استعمال نہیں کرتے ہیں۔ یہ متبادل چھوڑ دیتا ہے کہ لوگ بار بار کی صفوں کو نہیں سیکھتے ہیں، یا کم از کم انہیں کافی اچھی طرح سے نہیں سیکھتے ہیں۔ اس بات پر یقین کرنے کی وجوہات ہیں کہ دہرائی جانے والی صفوں کا کچھ مجموعی سیکھنا ہوتا ہے۔ ایک یہ کہ شمی اور لوگی (2019) نے ایک ہی صف کی 60 یا اس سے زیادہ تکرار میں تبدیلی کا پتہ لگانے میں بتدریج بہتری پائی۔ اضافی ثبوت Olson and Jiang (2004) اور Fukuda and Vogel (2019) کے مطالعے سے حاصل ہوتے ہیں۔ اگرچہ دونوں مطالعات میں اس بات کا کوئی واضح ثبوت نہیں ملا کہ تبدیلی کا پتہ لگانے کے کام کے دوران دہرائی جانے والی صفوں پر کارکردگی بے ترتیب صفوں کے مقابلے میں بہتر تھی، دونوں مطالعات کے شرکاء اوپر والے موقع پر فالو اپ ریکگنیشن ٹیسٹ کے دوران دہرائی جانے والی صفوں کی شناخت کرنے کے قابل تھے۔ سطح اس کا مطلب یہ ہے کہ تجربات کے دوران بار بار معلومات کے لیے کم از کم کچھ سیکھنا ضرور ہوا ہوگا، لیکن بظاہر اس علم کو تبدیلی کا پتہ لگانے کے لیے مددگار بنانے کے لیے کافی نہیں ہے۔

اس کی وجہ یہ ہو سکتی ہے کہ، ان ابتدائی مطالعات کے حتمی شناختی ٹیسٹوں میں، شرکاء کو تصادفی طور پر تیار کردہ نئی صفوں سے بار بار کی صفوں میں امتیاز کرنا پڑا، جس سے وہ کئی آئٹمز میں مختلف تھے، جبکہ تبدیلی کا پتہ لگانے کے کام کی تبدیلی کی تحقیقات پیش کردہ صفوں سے مختلف تھیں۔ صرف ایک شے میں۔ لوگوں نے دہرائی جانے والی صفوں کا جزوی علم حاصل کر لیا ہو گا — مثال کے طور پر، رنگوں کے جوڑوں یا ٹرپلٹس کے بارے میں علم — جو انہیں مکمل طور پر نئی صفوں سے امتیاز کرنے کے لیے کافی ہے، لیکن شاذ و نادر ہی کسی ایک تبدیلی کا پتہ لگانے میں مدد کرتا ہے۔ ایک اور امکان یہ ہے کہ بار بار کی صفوں کے بارے میں حاصل کیا گیا علم کمزور ہے اس لیے اسے بازیافت کرنا سست ہے۔ تبدیلی کا پتہ لگانے کے ٹیسٹ میں، WM سے ابھی پیش کی گئی صف کی بازیافت اور LTM سے مماثل ٹریس کی بازیافت کے درمیان دوڑ لگ سکتی ہے۔ اگر LTM سے بازیافت WM سے بازیافت کے مقابلے میں بہت سست ہے، تو یہ شاذ و نادر ہی ریس جیت پائے گا۔ اس کے برعکس، حتمی شناختی ٹیسٹ میں، صرف LTM دستیاب ہے، اور اس وجہ سے لوگ اسے بازیافت کرنے اور استعمال کرنے میں اپنا وقت نکال سکتے ہیں۔ کسی بھی طرح سے، تبدیلی کا پتہ لگانے کے دوران بار بار صفوں کا سامنا کرنے سے بتدریج تیار ہونے والی LTM نمائندگییں بہت آہستہ جمع ہوتی ہیں — عام ہیب کے تکرار کے تجربات کے مقابلے میں بہت آہستہ — اور اس وجہ سے تبدیلی کا پتہ لگانے کی کارکردگی کو فائدہ نہیں ہوتا جب تک کہ تکرار کی تعداد تقریباً 50 سے زیادہ نہ ہو۔ اس کے برعکس۔ , ایک الگ سیکھنے کے مرحلے میں حاصل کیا گیا علم، جیسا کہ ہمارے تجربات میں، اتنا مضبوط ہے کہ شروع سے ہی تبدیلی کا پتہ لگانے میں کارآمد ہو۔

سیکھنے کی ناقص شرح دیگر قسم کے مواد (زبانی اشیاء، مقامی مقامات، چہرے) اور دیگر جانچ کے طریقہ کار (یعنی سیریل یاد یا تعمیر نو) کے ساتھ ہیب کی تکرار کے نمونے میں مشاہدہ کی گئی کافی تیز رفتار سیکھنے کے برعکس ہے۔ لہذا، تیزی سے سیکھنے کو فروغ دینے کے لیے WM میں اشیاء کے سیٹ کو برقرار رکھنا کافی نہیں ہے۔ سیکھی جانی والی معلومات کے بارے میں کچھ اور، یا WM کی جانچ کے طریقہ کار کو سیکھنے کی شرح کو متاثر کرنا چاہیے۔ Logie et al کے ذریعہ اٹھایا گیا ایک امکان۔ (2009) یہ ہے کہ تبدیلی کا پتہ لگانے میں، تبدیلی کی تحقیقات بار بار کی صفوں کی طویل مدتی میموری کی نمائندگی میں مداخلت کرتی ہیں، اس طرح سیکھنے میں کمی آتی ہے۔ سوزا اور اوبراؤر (2021) کے تجربات کی ابھی تک غیر مطبوعہ سیریز کے ذریعہ ایک اور امکان تجویز کیا گیا ہے: بصری صفوں کے بارے میں Robust Hebb کی سیکھنے کا مشاہدہ صرف اس صورت میں کیا گیا جب ہر آزمائش پر تمام صفوں کی جانچ کی گئی۔ یہ ہو سکتا ہے کہ LTM بنیادی طور پر اس وقت بنایا گیا ہو جب ہم WM یا LTM (Sutterer & Awh, 2016) سے معلومات حاصل کرتے ہیں، اور اس لیے، تبدیلی کا پتہ لگانے کے دوران سیکھنا سست ہے، کیونکہ ہر آزمائش میں صرف ایک ٹیسٹ شامل ہوتا ہے۔

نتیجہ

جب LTM میں بصری صفوں کے بارے میں مضبوط اور جامع علم دستیاب ہوتا ہے، تو اسے تبدیلی کا پتہ لگانے کے کام میں استعمال کیا جاتا ہے۔ بصری صفوں کے ساتھ ایک عام ہیب ریپیٹیشن اثر کی عدم موجودگی (فوکوڈا اینڈ ووگل، 2019؛ لوگی ایٹ ال۔، 2009؛ اولسن اور جیانگ، 2004) ان لوگوں کی طرف سے بہترین وضاحت کی گئی ہے جو ایک محدود تعداد میں تکرار کے ساتھ مکمل صفوں کو سیکھنے میں ناکام رہتے ہیں۔ .