A felidézési folyamatok különböző típusainak, köztük a kódolt felidézésnek, a szabad felidézésnek és a sorozatos felidézésnek az elszámolására többféle memóriamodellt javasoltak. A felidézési folyamat magyarázatához azonban a memóriamodellnek meg kell határoznia, hogy a kódolt emlék hogyan maradhat a memóriatárolóban hosszabb ideig, amíg az emlékhez újra hozzáférünk, a felidézési folyamat során; azonban nem minden modell használja a rövid és hosszú távú memória terminológiáját a memóriatárolás magyarázatára; a dual-store elmélet és az Atkinson-Shiffrin memóriamodell módosított változata (Atkinson 1968) egyaránt használja a rövid és hosszú távú memóriatárolást, mások azonban nem.
Többsávos elosztott memóriamodellSzerkesztés
A többsávos elosztott memóriamodell szerint a kódolandó emlékek értékvektorokká alakulnak át, és a vektor minden egyes skalármennyisége a kódolandó elem különböző attribútumát képviseli. Ilyen elképzelést először Hooke (1969) és Semon (1923) korai elméletei javasoltak. Egyetlen emlék több attribútumra vagy jellemzőre oszlik, úgy, hogy minden attribútum a kódolandó emlék egy-egy aspektusát képviseli. Az ilyen értékvektort aztán hozzáadjuk a memóriatömbhöz vagy mátrixhoz, amely a memória különböző nyomvonalaiból vagy vektoraiból áll. Ezért minden alkalommal, amikor egy új memóriát kódolunk, az ilyen memória vektorrá vagy nyomvonallá alakul át, amely skalármennyiségekből áll, amelyek különböző attribútumokat képviselnek, majd hozzáadódik a már meglévő és folyamatosan növekvő memóriamátrixhoz, amely több nyomvonalból áll – innen a modell neve.
Mihelyt az adott memóriának megfelelő emléknyomokat a mátrixban tároljuk, ahhoz, hogy az emléket a felidézési folyamathoz előhívjuk, a memóriamátrixot egy adott próbával kell cue-olni, amely a tesztvektor és a memóriamátrixban tárolt vektorok közötti hasonlóság kiszámítására szolgálna. Mivel a memóriamátrix folyamatosan növekszik az új nyomok hozzáadásával, a hasonlóság kiszámításához párhuzamos keresést kellene végezni a memóriamátrixban jelen lévő összes nyomon, amelynek eredményét vagy az asszociatív felismeréshez, vagy a valószínűségi választási szabály segítségével a cued recall végrehajtásához lehetne felhasználni.
Míg azt állították, hogy az emberi memória, úgy tűnik, nagy mennyiségű információ tárolására képes, olyannyira, hogy egyesek végtelen mennyiségűnek gondolták, az ilyen folyamatosan növekvő mátrix jelenléte az emberi memóriában valószínűtlennek hangzik. Ráadásul a modell azt sugallja, hogy a felidézési folyamat elvégzéséhez párhuzamos keresésre van szükség minden egyes nyom között, amely az egyre növekvő mátrixban található, ami szintén kétségeket ébreszt azzal kapcsolatban, hogy az ilyen számítások rövid idő alatt elvégezhetőek. Az ilyen kételyeket azonban megkérdőjelezték Gallistel és King eredményei, akik bizonyítékokat mutatnak be az agy hatalmas számítási képességeiről, amelyek az ilyen párhuzamos támogatás mellett szólhatnak.
Neurális hálózati modellekSzerkesztés
A többnyomos modellnek két fő korlátja volt: egyrészt az egyre növekvő mátrix jelenlétének elképzelése az emberi memóriában valószínűtlennek hangzik; másrészt a hasonlóság számításos keresése a memóriamátrixban jelenlévő nyomok millióival szemben a hasonlóság kiszámításához messze meghaladja az emberi felidézési folyamat kereteit. A neurális hálózati modell ideális modell ebben az esetben, mivel áthidalja a többnyomos modell által felállított korlátokat, és megtartja a modell hasznos tulajdonságait is.
A neurális hálózati modell feltételezi, hogy a neuronok egy neurális hálózatban egy komplex hálózatot alkotnak más neuronokkal, egy erősen összekapcsolt hálózatot alkotva; minden neuron az aktivációs értékkel, a két neuron közötti kapcsolat pedig a súlyértékkel jellemezhető. Az egyes neuronok közötti kölcsönhatást a McCulloch-Pitts dinamikai szabály jellemzi, a neuronok közötti súly és kapcsolatok tanulásból eredő változását pedig a Hebbian tanulási szabály képviseli.
Anderson kimutatja, hogy a Hebbian tanulási szabály és a McCulloch-Pitts dinamikai szabály kombinációja lehetővé teszi a hálózat számára egy súlymátrix létrehozását, amely képes tárolni a különböző memóriaminták közötti összefüggéseket – ez a mátrix a neurális hálózati modell memóriatárolási formája. A többszörös nyomok hipotézis mátrixa és a neurális hálózati modell közötti fő különbség az, hogy míg a többszörös nyomok hipotézis esetében az új memória a meglévő mátrix bővítését jelzi, addig a neurális hálózati modell súlymátrixa nem bővül; inkább azt mondják, hogy a súly a neuronok közötti új asszociáció bevezetésével frissül.
A súlymátrixot és a tanulási/dinamikai szabályt használva a neuronok egy értékkel cuedálva képesek előhívni a másik értéket, amely ideális esetben a kívánt célemlék vektorának közeli közelítése.
Mivel az Anderson-féle neuronok közötti súlymátrix cuedáláskor csak a célelem közelítését fogja előhívni, a modell módosított változatát kerestük annak érdekében, hogy cuedáláskor a pontos célemléket lehessen előhívni. A Hopfield-háló jelenleg az asszociatív memória legegyszerűbb és legnépszerűbb neurális hálózati modellje; a modell lehetővé teszi a tiszta célvektor felidézését, ha a vektor egy részével vagy “zajos” változatával cuedeznek.
A Hopfield-háló súlymátrixa, amely az emléket tárolja, nagyon hasonlít az Anderson által javasolt súlymátrixhoz. Ismét, amikor új asszociáció kerül bevezetésre, a súlymátrixról azt mondjuk, hogy “frissül”, hogy alkalmazkodjon az új memória bevezetéséhez; mindaddig tárolódik, amíg a mátrixot egy másik vektor nem jelzi.
Dual-store memory search modelEdit
A dual-store memória keresési modelljét először Atkinson és Shiffrin (1968) fejlesztette ki, majd mások, köztük Raajimakers és Shiffrin finomították, a dual-store memória keresési modell, amelyet ma SAM vagy search of associative memory model néven emlegetnek, továbbra is a memória egyik legbefolyásosabb számítási modellje. A modell mechanizmusában mind a rövid távú memóriát, amelyet rövid távú tárolónak (STS), mind a hosszú távú memóriát, amelyet hosszú távú tárolónak (LTS) vagy epizodikus mátrixnak neveznek, felhasználja.
Amikor egy elemet először kódolunk, az a rövid távú tárolóba kerül. Míg az elem a rövid távú tárolóban marad, a hosszú távú tárolóban lévő vektorreprezentációk különböző asszociációkon mennek keresztül. A rövid távú tárolóba bevezetett elemek három különböző típusú asszociáción mennek keresztül: (autoasszociáció) az önasszociáció a hosszú távú tárolóban, (heteroasszociáció) az elemek közötti asszociáció a hosszú távú tárolóban, és a (kontextusasszociáció ), amely az elem és a kódolt kontextusa közötti asszociációra utal. A rövid távú tárolóban lévő minden egyes elem esetében minél hosszabb ideig tartózkodik egy elem a rövid távú tárolóban, annál nagyobb lesz az asszociációja önmagával, a rövid távú tárolóban együtt tartózkodó más elemekkel és a kódolt kontextusával.
A rövid távú tároló méretét egy paraméter, az r határozza meg. Ahogy egy elem bekerül a rövid távú tárolóba, és ha a rövid távú tárolót már elfoglalta a maximális számú elem, az elem valószínűleg kiesik a rövid távú tárolóból.
Amint az elemek együtt tartózkodnak a rövid távú tárolóban, asszociációik folyamatosan frissülnek a hosszú távú tároló mátrixában. A két elem közötti asszociáció erőssége attól függ, hogy a két memóriaelem mennyi időt tölt együtt a rövid távú tárolóban, ez az úgynevezett kontiguitási hatás. Két olyan elem, amely egymás mellett van, nagyobb asszociációs erővel rendelkezik, és gyakran együtt hívják vissza őket a hosszú távú tárolóból.
Az emlékezeti felidézési paradigmában megfigyelhető primacy-effektus továbbá azt mutatja, hogy egy lista első néhány elemét nagyobb eséllyel hívják vissza a többivel szemben az STS-ben, míg a régebbi elemek nagyobb eséllyel esnek ki az STS-ből. Az a tétel, amelynek sikerült hosszabb ideig az STS-ben maradnia, erősebb autoasszociációt, heteroasszociációt és kontextusasszociációt alakított ki, mint a többi, ami végső soron nagyobb asszociációs erősséget és nagyobb esélyt eredményez a felidézésre.
A felidézési kísérletek recency-effektusa az, amikor egy lista utolsó néhány tételét kivételesen jól felidézik a többi tételhez képest, és a rövid távú tárolással magyarázható. Amikor egy adott emléklistának a tanulmányozása befejeződött, a rövid távú raktárban végül valószínűleg az utolsó néhány, utoljára bevezetett elem található meg. Mivel a rövid távú raktár könnyen hozzáférhető, az ilyen elemeket előbb idéznénk fel, mint a hosszú távú raktárban tárolt bármely elemet. Ez a felidézési hozzáférhetőség magyarázza a recency-effektus törékeny jellegét is, vagyis azt, hogy a legegyszerűbb zavaró tényezők hatására a személy elfelejtheti a lista utolsó néhány elemét, mivel az utolsó elemeknek nem lett volna elég idejük arra, hogy a hosszú távú tárolóban értelmes asszociációt alakítsanak ki. Ha az információ a disztraktorok miatt kiesik a rövid távú tárolóból, akkor az utolsó tételek felidézésének valószínűsége várhatóan kisebb lesz, mint még a lista közepén lévő, a recencia előtti tételeké is.
A dual-store SAM modell is felhasználja az emlékezeti tárolást, amely maga is a hosszú távú tárolás egy típusába sorolható: a szemantikus mátrix. A hosszú távú tároló a SAM-ben az epizodikus memóriát képviseli, amely csak a kísérleti lista tanulmányozása során kialakult új asszociációkkal foglalkozik; a lista elemei közötti, már meglévő asszociációkat tehát más mátrixon, a szemantikus mátrixon kell reprezentálni. A szemantikus mátrix marad egy másik információforrás, amelyet nem módosítanak a vizsga során kialakuló epizodikus asszociációk.
A SAM-modellben tehát a memóriatárolás két típusa, a rövid- és a hosszú távú tárolók szerepelnek. A felidézési folyamatban először a rövid távú memóriaraktárban található elemek kerülnek felidézésre, majd a hosszú távú memóriaraktárban található elemek következnek, ahol a felidézés valószínűsége arányos a hosszú távú memóriaraktárban jelen lévő asszociáció erősségével. Egy másik memóriaraktár, a szemantikus mátrix, az emlékezeti felidézéshez kapcsolódó szemantikai hatás magyarázatára szolgál.