三个选择的记忆力相似性任务的响应时间模型提供了稳定的,机械可解释的个体差异指标
Nidhi V Banavar1,2, Sharon M Noh1, Christopher N Wahlheim3
1Department of Cognitive Sciences, University of California, Irvine, Irvine, CA, United States.
Frontiers in human neuroscience
|September 13, 2024
概括
这项研究揭示了在记忆力相似性任务 (MST) 的表现基础上的独特的自动和深思熟虑的认知过程. 这些过程提供了更稳定的认知功能的测量,并与参与记忆的特定大脑网络联系在一起.
科学领域:
- 认知神经科学 认知神经科学
- 心理学 心理学 心理学
背景情况:
- 记忆相似性任务 (MST) 是评估认知功能和衰退的一个关键措施.
- 了解MST表现的基础神经和心理机制仍然至关重要.
研究的目的:
- 为记忆相似任务 (MST) 性能提供新的机制性见解.
- 使用计算建模将MST选择分解为自动和深思熟虑的认知组件.
主要方法:
- 调整了一个三选择证据积累模型 (线性弹道积累器) 来分析七个现有的MST数据集 (N=519).
- 使用延迟测试/重新测试范式检查模型参数稳定性.
- 与静止状态fMRI数据相关联的模型衍生认知组件.
主要成果:
- 无论是自动化还是审议过程,都会为标准的MST测量做出贡献,并捕捉个人寿命变化.
- 与标准MST指标相比,模型参数在1周的延迟中显示出增强的稳定性.
- 审议组件在情节性记忆网络中与非任务功能连接有独特的相关性.
结论:
- 建立了一个新的机械分解的记忆力相似性任务 (MST) 行为.
- 关于支持MST表现的认知过程的受约束理论.
- 将MST的特定认知组件与支持长期记忆的神经网络联系起来.
