Er zijn verschillende geheugenmodellen voorgesteld om verschillende soorten recall-processen te verklaren, waaronder cued recall, free recall, en serial recall. Om het recall-proces te verklaren moet het geheugenmodel echter aangeven hoe een gecodeerde herinnering gedurende een langere periode in de geheugenopslag kan blijven totdat de herinnering tijdens het recall-proces opnieuw wordt opgeroepen; maar niet alle modellen gebruiken de terminologie van kortetermijn- en langetermijngeheugen om geheugenopslag te verklaren; de dual-store theorie en een gewijzigde versie van het Atkinson-Shiffrin geheugenmodel (Atkinson 1968) maken gebruik van zowel kortetermijn- als langetermijngeheugenopslag, maar andere modellen doen dat niet.
Multi-trace distributed memory modelEdit
Het multi-trace distributed memory model suggereert dat de herinneringen die worden gecodeerd worden omgezet in vectoren van waarden, waarbij elke scalaire grootheid van een vector een ander attribuut van het te coderen item vertegenwoordigt. Een dergelijke opvatting werd voor het eerst geopperd in vroege theorieën van Hooke (1969) en Semon (1923). Een enkel geheugen wordt verdeeld over meerdere attributen, of kenmerken, zodat elk attribuut een aspect vertegenwoordigt van het geheugen dat wordt gecodeerd. Zo’n vector van waarden wordt dan toegevoegd aan de geheugenarray of een matrix, samengesteld uit verschillende sporen of vectoren van het geheugen. Daarom, telkens wanneer een nieuw geheugen wordt gecodeerd, wordt dergelijk geheugen omgezet in een vector of een spoor, samengesteld uit scalaire grootheden die verscheidenheid van attributen vertegenwoordigen, die dan wordt toegevoegd aan reeds bestaande en steeds groeiende geheugenmatrix, samengesteld uit veelvoudige sporen – vandaar de naam van het model.
Zodra geheugensporen die corresponderen met een specifiek geheugen in de matrix zijn opgeslagen, moet men om het geheugen op te halen voor het recall-proces de geheugenmatrix cue-en met een specifieke probe, die gebruikt zou worden om de overeenkomst te berekenen tussen de testvector en de vectoren die in de geheugenmatrix zijn opgeslagen. Omdat de geheugenmatrix voortdurend groeit met nieuwe sporen die worden toegevoegd, zou men een parallelle zoektocht moeten uitvoeren door alle sporen die aanwezig zijn binnen de geheugenmatrix om de overeenkomst te berekenen, waarvan het resultaat kan worden gebruikt om ofwel associatieve herkenning uit te voeren, of met probabilistische keuze regel, gebruikt om een cued recall uit te voeren.
Hoewel beweerd is dat het menselijk geheugen in staat lijkt te zijn een grote hoeveelheid informatie op te slaan, in de mate dat sommigen hadden gedacht aan een oneindige hoeveelheid, klinkt de aanwezigheid van zo’n steeds groeiende matrix binnen het menselijk geheugen onaannemelijk. Bovendien suggereert het model dat voor het uitvoeren van het recall-proces parallel-zoeken tussen elk spoor dat zich in de steeds groeiende matrix bevindt vereist is, hetgeen ook twijfel oproept over de vraag of dergelijke berekeningen in een korte tijd kunnen worden uitgevoerd. Dergelijke twijfels zijn echter in twijfel getrokken door bevindingen van Gallistel en King, die bewijs leveren voor de enorme rekencapaciteiten van de hersenen die een dergelijke parallelle ondersteuning kunnen ondersteunen.
Neurale netwerkmodellenEdit
Het multi-sporenmodel had twee belangrijke beperkingen: één, de notie van de aanwezigheid van een steeds groeiende matrix in het menselijk geheugen klinkt ongeloofwaardig; en twee, computationeel zoeken naar overeenkomst tegen miljoenen sporen die in de geheugenmatrix aanwezig zouden zijn om de overeenkomst te berekenen klinkt ver buiten het bereik van het menselijke herinneringsproces. Het neurale netwerkmodel is in dit geval het ideale model, omdat het de beperkingen van het multi-sporenmodel overwint en ook de nuttige eigenschappen van het model behoudt.
Het neurale netwerkmodel gaat ervan uit dat neuronen in een neuraal netwerk een complex netwerk vormen met andere neuronen, waardoor een sterk onderling verbonden netwerk ontstaat; elk neuron wordt gekarakteriseerd door de activeringswaarde, en de verbinding tussen twee neuronen wordt gekarakteriseerd door de gewichtswaarde. Interactie tussen elk neuron wordt gekarakteriseerd door de McCulloch-Pitts dynamische regel, en verandering van gewicht en verbindingen tussen neuronen als gevolg van leren wordt weergegeven door de Hebbiaanse leerregel.
Anderson toont aan dat combinatie van Hebbiaanse leerregel en McCulloch-Pitts dynamische regel het netwerk in staat stelt een gewichtsmatrix te genereren die associaties tussen verschillende geheugenpatronen kan opslaan – een dergelijke matrix is de vorm van geheugenopslag voor het neurale netwerkmodel. Grote verschillen tussen de matrix van meervoudige sporen hypothese en het neurale netwerkmodel is dat terwijl nieuw geheugen uitbreiding van de bestaande matrix voor de meervoudige sporen hypothese aangeeft, de gewichtsmatrix van het neurale netwerkmodel zich niet uitbreidt; eerder wordt gezegd dat het gewicht wordt bijgewerkt met de introductie van nieuwe associatie tussen neuronen.
Gebruik makend van de gewichtsmatrix en de lerende/dynamische regel, kunnen de neuronen die met één waarde worden gecued de andere waarde terughalen die idealiter een dichte benadering is van de gewenste doelgeheugenvector.
Omdat de Anderson’s gewichtsmatrix tussen neuronen alleen de benadering van het doel zal terughalen wanneer cued, werd naar een gewijzigde versie van het model gezocht om in staat te zijn het exacte doelgeheugen terug te halen wanneer cued. Het Hopfield Net is momenteel het eenvoudigste en populairste neurale netwerkmodel van associatief geheugen; het model maakt het mogelijk een duidelijke doelvector op te roepen wanneer het wordt aangesproken met het deel of de “ruisende” versie van de vector.
De gewichtsmatrix van het Hopfield Net, dat het geheugen opslaat, lijkt sterk op die van de gewichtsmatrix voorgesteld door Anderson. Ook hier geldt dat wanneer een nieuwe associatie wordt geïntroduceerd, de gewichtsmatrix wordt “geactualiseerd” om de introductie van het nieuwe geheugen te accommoderen; het wordt opgeslagen totdat de matrix wordt gecued door een andere vector.
Dual-store memory search modelEdit
Voor het eerst ontwikkeld door Atkinson en Shiffrin (1968), en verfijnd door anderen, waaronder Raajimakers en Shiffrin, het dual-store memory search model, nu aangeduid als SAM of search of associative memory model, blijft als een van de meest invloedrijke computationele modellen van het geheugen. Het model gebruikt zowel het kortetermijngeheugen, de zogenaamde kortetermijnopslag (STS), als het langetermijngeheugen, de zogenaamde langetermijnopslag (LTS) of episodische matrix, in zijn mechanisme.
Wanneer een item voor het eerst wordt gecodeerd, wordt het in de kortetermijnopslag ingevoerd. Terwijl het item in de korte termijn opslag blijft, gaan de vectorrepresentaties in de lange termijn opslag door een verscheidenheid van associaties. Items geïntroduceerd in de korte termijn opslag gaan door drie verschillende soorten van associatie: (autoassociatie) de zelfassociatie in de langetermijnopslag, (heteroassociatie) de inter-item associatie in de langetermijnopslag, en de (contextassociatie ) die verwijst naar associatie tussen het item en zijn gecodeerde context. Voor elk item in de kortetermijnopslagplaats geldt dat hoe langer een item in de kortetermijnopslagplaats verblijft, hoe groter zijn associatie met zichzelf zal zijn met andere items die mede in de kortetermijnopslagplaats verblijven, en met zijn gecodeerde context.
De omvang van de kortetermijnopslagplaats wordt bepaald door een parameter, r. Als een item wordt ingevoerd in de kortetermijnopslag en als de kortetermijnopslag al bezet is door een maximum aantal items, zal het item waarschijnlijk uit de kortetermijnopslag vallen.
Zoals items co-resideren in de kortetermijnopslag, worden hun associaties voortdurend bijgewerkt in de matrix van de langetermijnopslag. De sterkte van de associatie tussen twee items hangt af van de hoeveelheid tijd die de twee geheugenitems samen doorbrengen in de kortetermijnopslag, bekend als het contiguïteitseffect. Twee items die aan elkaar grenzen hebben een grotere associatieve kracht en worden vaak samen teruggeroepen uit de lange termijn opslag.
Daarnaast laat het primacy effect, een effect dat gezien wordt in het geheugen recall paradigma, zien dat de eerste paar items in een lijst een grotere kans hebben om teruggeroepen te worden dan andere in de STS, terwijl oudere items een grotere kans hebben om uit de STS te vallen. Het item dat erin slaagde langere tijd in de STS te blijven, zou een sterkere autoassociatie, heteroassociatie en contextassociatie hebben gevormd dan andere, wat uiteindelijk leidt tot een grotere associatieve kracht en een grotere kans om te worden herinnerd.
Het recency-effect van recall-experimenten is wanneer de laatste paar items op een lijst uitzonderlijk goed worden herinnerd boven andere items, en kan worden verklaard door de korte-termijn opslag. Wanneer de studie van een bepaalde geheugenlijst is beëindigd, is het waarschijnlijk dat wat zich uiteindelijk in de kortetermijnopslag bevindt, de laatste paar items zijn die het laatst werden ingevoerd. Omdat de korte-termijn opslag gemakkelijk toegankelijk is, zouden dergelijke items eerder worden opgeroepen dan elk item opgeslagen in de lange-termijn opslag. Deze toegankelijkheid verklaart ook de fragiele aard van het recency effect, namelijk dat de eenvoudigste afleiders ertoe kunnen leiden dat een persoon de laatste paar items op de lijst vergeet, omdat de laatste items niet genoeg tijd zouden hebben gehad om een zinvolle associatie te vormen binnen de lange termijn opslag. Als de informatie door afleiders uit de korte-termijn opslag wordt gehaald, zou de waarschijnlijkheid dat de laatste items worden herinnerd naar verwachting lager zijn dan zelfs de pre-recency items in het midden van de lijst.
Het dual-store SAM model maakt ook gebruik van geheugenopslag, die zelf kan worden geclassificeerd als een type van lange-termijn opslag: de semantische matrix. De lange-termijn opslag in SAM vertegenwoordigt het episodisch geheugen, dat zich alleen bezighoudt met nieuwe associaties die gevormd zijn tijdens het bestuderen van een experimentele lijst; reeds bestaande associaties tussen items van de lijst, moeten dus worden gerepresenteerd op een andere matrix, de semantische matrix. De semantische matrix blijft over als een andere bron van informatie die niet wordt gewijzigd door episodische associaties die tijdens het examen worden gevormd.
Dus worden in het SAM-model de twee typen geheugenopslag, korte- en lange-termijn opslag, gebruikt. In het recall proces, zullen items in het korte termijn geheugen het eerst worden opgeroepen, gevolgd door items in het lange termijn geheugen, waarbij de waarschijnlijkheid dat ze worden opgeroepen evenredig is met de sterkte van de associatie die aanwezig is in het lange termijn geheugen. Een andere geheugenopslag, de semantische matrix, wordt gebruikt om het semantische effect te verklaren dat gepaard gaat met het terugroepen van herinneringen.