Рабочая память: модели и подходы к изучению

Модели рабочей памяти и подходы к ее изучению

Рабочая память — кратковременное (до нескольких секунд) хранение сенсорной информации и возможность ею оперировать. Рабочая память — один из ключевых когнитивных процессов, лежащий в основе широкого спектра наших возможностей — от восприятия до когнитивного контроля и принятия решений. Недавно вышедшая в Nature Neuroscience обзорная статья описывает современное положение дел в области изучения рабочей памяти, включая различные экспериментальные процедуры, предлагаемые теории и соответствующие им данные, а также обсуждение вопросов, над которыми ученые будут работать в ближайшее время.

Пользуясь материалами этой статьи и одной из иллюстраций, мы сегодня расскажем о современных моделях рабочей памяти.

Итак, рисунок иллюстрирует четыре модели рабочей памяти. Для каждой модели на верхних двух схемах показаны репрезентации (сохранение объектов в памяти) в случае малого (слева) и большого (справа) количества запоминаемых объектов, а на нижних двух схемах — предсказываемое моделью распределение ответов испытуемых. Для удобства можно представлять себе эксперимент, где испытуемому нужно запомнить ориентацию в пространстве нескольких отрезков и затем воспроизвести один из них. Отклонение ориентации, данной испытуемым, от той, которая была ему предъявлена, и будет величиной ошибки. Основное, на что смотрят ученые при анализе данных таких экспериментов — параметры распределения ответов. Фактически, это ключ к тому, что происходит в рабочей памяти.

Теперь к самим моделям. В рамках классического подхода к рабочей памяти считается, что она жестко ограничена по объему и способна удерживать лишь несколько объектов — по числу имеющихся в ней «ячеек"/"слотов». Количество таких ячеек в разных теориях предлагается разное (пресловутые семь плюс-минус два, или четыре, или любое другое экспериментально обнаруженное число), и не исключается что для разных видов памяти это количество будет разным. Но суть остается прежней — либо объект входит в это число и попадает в рабочую память, либо не входит и не попадает. На рисунке (а) показано, как объекты попадают в одну из трех независимых ячеек памяти. Каждый объект хранится там в «хорошем качестве». Поэтому распределение ответов отражает небольшой разброс ошибок вокруг истинного значения запомненного объекта (например, оттенка цвета или ориентации в пространстве). Когда объектов больше, чем ячеек, часть из них не попадает в память. Согласно этой модели, в этом случае распределение ответов испытуемых будет состоять из очень точных ответов для запомненных объектов (серая часть распределения) и угадывания (зеленая часть).

Несмотря на большую поддержку со стороны данных, у этой модели есть существенный недостаток — она отрицает, что объекты могут запоминаться с разным уровнем точности. Например, в ситуации, если вы помните что фигура была синяя, но не можете припомнить оттенок. Альтернативный и активно разрабатываемый сейчас взгляд на рабочую память — ресурсный — основан на результатах, демонстрирующих, что объекты могут запоминаться с разной точностью, и чем больше объектов мы пытаемся удержать в памяти, тем менее точными будут их следы-репрезентации. Предполагается, что существует некий ограниченный ресурс «памяти», который может гибко распределяться между тем количеством объектов, которое нам нужно запомнить. В результате, с увеличением количества объектов точность их репрезентаций падает, хотя все они в определенной степени будут представлены в рабочей памяти. Рисунок (b) демонстрирует равномерное распределение ограниченного ресурса памяти (желтая масса) между всеми предъявляемыми объектами. Распределения демонстрируют, что точность репрезентаций равномерно снижается с увеличением количества объектов.

У базовой ресурсной модели есть две мощные вариации. Первая — модель дискретных репрезентаций. Ключевое ее отличие — наличие фиксированного «потолка» в отношении количества запоминаемых объектов (как в классической модели слотов).

Эта модель основана на предположении о том, что ресурс памяти исходно распределен на ограниченное количество «квантов» (рисунок с). Если объектов мало, кванты могут объединяться и обеспечивать лучшее качество репрезентации. Если объектов много, каждому объекту либо достанется «кусочек памяти» и какая-то репрезентация, либо не достанется, и объект в памяти представлен не будет. В соответствии с этим, ошибки в задачах на память будут двух видов — ошибки, вызванные шумом репрезентации (имеют нормальное распределение), и ошибки, вызванные угадыванием (имеют равномерное распределение). На рисунке © изображено, как для большого количества объектов кванты «разделяют ресурс», так что качество репрезентации отдельного объекта падает (серая часть распределения). При этом объекты, которым не хватило квантов, остаются не представленными в памяти, что будет вызывать ответы-«угадывания"(зеленая часть). Обратите внимание, как это распределение отличается от тех, что были в случаях (b) и (а).

Вторая вариация ресурсного подхода — модель переменной точности. Ее главное отличие — ресурсы распределяются между объектами неравномерно. Какие-то объекты могут быть представлены хуже, какие-то — лучше, но в целом в память попадают они все (рисунок d). Когда испытуемых просят восстановить из памяти объект, который они запомнили лучше всего, они справляются с задачей удачнее, чем когда им предлагается случайно выбранный объект. Следовательно, качество репрезентаций нескольких одновременно запомненных объектов обязательно различается, даже если все остальные параметры равны. А вот средняя точность будет зависеть от количества объектов, поскольку ресурс ограничен. На рисунке (d) показано, что в случае одного объекта, как и в остальных моделях, мы получаем репрезентацию хорошего качества и, соответственно, точные ответы. В случае большого количества объектов распределение будет состоять из большого количества нормальных распределений разной ширины (обратите внимание на специфическую форму и высокие «края» итогового распределения). Эта модель действительно хорошо описывает данные, но вот причины таких вариаций точности и их нейронные основания еще предстоит найти.

Исследование рабочей памяти — это увлекательнейшая область, использующая весь арсенал методов современной экспериментальной психологии и нейронауки, от работы с единичными нейронами до бихевиоральных экспериментов, включая клинические исследования и компьютерное моделирование. И несмотря на длительную историю, область все еще продолжает активно развиваться, постепенно улучшая наши представления о самой рабочей памяти и об огромном количестве зависящих от нее процессов.


R: учебники

Бумажные учебники по R, как и по большинству динамично развивающихся областей, устаревают очень быстро. Поэтому если что-то читать — то лучше читать либо электронные англоязычные учебники, либо тематические блоги и сообщества. Вообще, настоятельно рекомендую забыть о мысли искать и читать на русском языке какие-либо тексты по анализу данных, как и в целом академические тексты. (Вторая иллюзия, которая возникает у новичков при работе с данными — что нужно постоянно видеть таблицу данных, через некоторое время также развеивается. Но это уже детали.)

Если все же хочется какого-то введения на русском языке, то рекомендую «Наглядная статистика. Используем R!» Шипунова и коллег, базовые вещи там вполне неплохо описаны. Из англоязычных — Burns P. The R Inferno; Kabacoff R. R in Action: Data Analysis and Graphics With R; Zhao Y., Cen Y. Data Mining Applications with R. В сети большая часть учебников или прочих дополнительных материалов легко гуглится. Например, очень большую коллекцию книг по R собрал мой друг и коллега Артем Клевцов: psylab.info/R:Литература

Из онлайн-учебников весьма хорош сайт www.statmethods.net/, где описаны основные методы манипуляции с данными (слияние, расщепление, транспонирование и проч.), методы анализа данных (проверка гипотез, многомерные методы, оценка мощности) и визуализации (гистограммы, дендрограмы, графики рассеяния, графики плотности и проч.).

Для тех, кто предпочитает различные онлайн-курсы, есть набор заданий, которые охватывают базовые разделы работы с R. Точно так же ряд тематических курсов на https://www.coursera.org/, которые посвящены анализу данных и близким темам, предполагают выполнение заданий на R.

В конце концов, сам R имеет достаточно подробную справку для каждой функции. Помимо просто описания функции, ее аргументов и структуры вывода, для многих команд есть еще и демо-примеры (команда demo ()). Не так давно вышел пакет swirl, который, по сути, является интерактивным учебником по R, в котором взаимодействие с пользователем строится через консоль.

Тем не менее, ситуации, когда приходится лезть в гугл и искать, как же можно решить свою задачу, случаются практически всегда, особенно на первых порах освоения языка. Благо, экосистема R включает в себя не только пакеты методы на любой вкус, но и обширное сообщество, у которого можно что-либо спросить. Ранее я упоминал уже про рассылку Nabble (http://r.789 695.n4.nabble.com/). Мне лично больше нравятся два других ресурса — CrossValidated и StackOverflow. Это форумы, на которых можно что-то спросить и получить ответ. CrossValidated — это сеть, которая объединяет различные ресурсы вопрос-ответного плана, StackOverflow, который посвящен языкам программирования (ветка по R — stackoverflow.com/questions/tagged/r), входит в нее. На CrossValidated есть и спец. форумы по статистике (http://stats.stackexchange.com). Таким образом, если гуглить что-то в духе «how to do xxx in R» или «k-medoids in R», ссылки на эти два форума будут в первой десятке.

Для любителей видео-курсов есть различные YouTube-каналы и плейлисты, например www.youtube.com/playlist?list=PL69A9CCD816A5F3A5.

Следует все же отметить, что большая часть учебников и учебных материалов по R посвящена именно каким-то основным принципам написания скриптов или работы с пакетами. Другие аспекты работы в R, такие как принципы грамотного программирования и оптимизация кода, написание собственных пакетов или разработка web-приложений для анализа данных на основе Shiny — практически не рассматриваются. Впрочем, для большинства психологов это требуется в очень редких случаях."

_____________

Филипп Управителев


Computing for Vision Science

Эта запись больше для продвинутых #горячихюныхкогнитивных. Есть такая вещь, как исследования зрения, которыми занимаются когнитивисты всех мастей. Это самая что ни на есть hard science, требующая серьезного подхода и серьезных инструментов. Тем, кто работает или планирует работать в этой области, мы очень советуем обратить внимание на страницу «Software for visual psychophysics: an overview» (http://www.hans.strasburger.de/psy_soft.html), где представлено множество полезных материалов. Пусть название не вводит вас в заблуждение, там не только программы и не только психофизические. Там есть такие вещи как собрание статей, посвященных проблемам задания точного времени предъявления на современных мониторах, набор приложений для анализа с использование теории обнаружения сигнала, куча программ для психофизики, ссылки на полезные обсуждения на форумах, интересные материалы для студентов, и т. д., и т. п. В общем, для исследователей зрения это настоящая сокровищница.

TNquG7cjgTU


Cognitive StackExchange

Что делать, если у вас есть вопрос по когнитивной науке, и вы не знаете где найти ответ? Вы использовали гугл, перерыли статьи, опросили знакомых, но ответа до сих пор нет. В этом случае вам может помощь http://cogsci.stackexchange.com Это сайт, на котором пользователи (среди которых большую часть составляют исследователи) задают вопросы и отвечают на них. Вопросы могут быть весьма серьезными, например, есть ли какой-то смысл в магическом числе 7+/-2 (http://cogsci.stackexchange.com/questions/672/is-the-magical-number-7-still-valid, его нет и не подразумевалось) или каковы недостатки вероятностных вычислительных моделей психики (http://cogsci.stackexchange.com/questions/599/what-are-some-of-the-drawbacks-to-probabilistic-models-of-cognition). А могут быть и не очень серьезными, например, «что я сделал с собой, научившись читать и писать вверх ногами» (http://cogsci.stackexchange.com/questions/232/by-learning-to-read-and-write-upside-down-what-did-i-do-to-myself) или «есть ли исследования, которые показывают, что у пользователей смартофонов плохо с памятью» (http://cogsci.stackexchange.com/questions/532/does-any-evidence-show-that-smartphone-users-have-poorer-memory). Чтобы оставлять вопросы и отвечать на них, нужно зарегистрироваться, нажав sign up в верхней части экрана. И не пугайтесь, если у вас плохо с английским — на сайте есть редакторы, которые подправят вашу грамматику, если все будет плохо.


Русскоязычные блоги по когнитивной психологии

Ни для кого, наверное, не будет сюрпризом то, что интересующиеся наукой люди любят читать и писать, в том числе и в формате блогов. Но некоторые делают это особенно хорошо. Сегодня мы представляем мини-подборку из трех русскоязычных блогов, которые показались нам наиболее надежными, интересными и полезными для когнитивных психологов. Мы уверены, что на самом деле их больше, но мы просто о них не знаем. Поэтому спрашиваем у вас, #горячиеюныекогнитивные, — какой сайт или блог вы бы порекомендовали коллегам?

http://nature-wonder.livejournal.com/ — удивительно интересный и содержательный блог Дениса Тулинова, посвященный когнитивной психологии, нейронауке и искуственному интеллекту. В профиле пользователя можно найти ссылки на тексты того же автора в СМИ — очень рекомендуем!

www.yobrain.ru — блог Ольги Перепелкиной об исследованиях в области психологии и нейронаук. Кстати, в прошлом году за одну из публикаций YoBrain получил первое место в конкурсе научных блогов.

http://psyresearchdigest.blogspot.ru — Дайджест психологических исследований от Андрея Ловакова. Публикации бывают на самые разные психологические темы, но всегда интересны. Кроме того, Дайджест регулярно разыгрывает книги и публикует информацию о научной литературе, временно находящейся в открытом доступе. Как и у YoBrain, у Дайджеста есть версия Вконтакте.

http://uncle-doc.livejournal.com — медицинский блог с нередкими публикациями о нейронауке, по ссылке от Андрея Ловакова

http://www.mozgonavt.ru/ — хороший источник ссылок, особенно для интересующихся интерфейсами мозг-компьютер, по ссылке от Алены Беглер

http://alexwin1961.livejournal.com/ — для увлекающихся статистикой и аналитикой в психологии, спасибо Янине Ледовой

http://alexey5351.livejournal.com/ — интересный блог про всякое когни- и нейро- с уклоном в клинику, спасибо Ольге Петренко