La primacía es uno de varios fenómenos de la memoria a menudo asociados con el recuerdo en serie ; el otro más común es el efecto de actualidad. Ha habido varios modelos computacionales que intentan establecer una cuenta integrada de recuerdo en serie (lista de memoria). Cubriré brevemente dos de estos modelos, uno ACT-R y un modelo conexionista.

ACT-R

ACT-R es una arquitectura cognitiva híbrida (simbólica y subsimbólica) utilizada para modelar una variedad de tareas. Contiene un módulo de memoria detallado, que es el componente más antiguo y mejor validado de ACT-R (aunque esta distinción no se aplica necesariamente a su explicación de la primacía específicamente).

anderson et al. (1998) explican el efecto de primacía como una interacción de dos mecanismos:

La tendencia a que los elementos anteriores reciban un mayor ensayo es un factor que está produciendo la primacía. El otro factor es la menor confusión posicional entre los elementos al principio de la lista.

El primer mecanismo, mayor ensayo, se refiere al hecho de que los elementos que se encuentran antes tienen más tiempo para ser repasados ​​en la memoria de trabajo. El ensayo se considera un componente importante de muchos modelos de memoria de trabajo influyentes, como el modelo de memoria de trabajo de Baddeley . El ensayo en el modelo ACT-R se logra a través de reglas de producción . Subsimbólicamente, ensayar un elemento conduce a un aumento en la activación de nivel base de un fragmento de acuerdo con la ecuación de activación de nivel base:

$\beta=ln(\sum_{j=1}^{n}t_j^{-d})$

En esta ecuación, la activación de un trozo está determinada por la frecuencia ($n$) con el que se encuentra un fragmento y la actualidad de cada ocurrencia ($t_j$). Ensayar un elemento aumenta$n$, y por lo tanto aumenta su nivel de activación. Los fragmentos se recuperan mediante la función de activación softmax y el ruido neuronal puede provocar recuperaciones incorrectas.

Los autores justifican el uso de mecanismos de ensayo, argumentando que

En los experimentos en los que se hace un esfuerzo por eliminar el ensayo, el efecto de primacía desaparece.

El segundo mecanismo, la confusión posicional, se basa en el hecho de que cada elemento de la lista se almacena en un rastro de memoria junto con sus vecinos. Por lo tanto, un "fragmento" de memoria almacena no solo el elemento en sí, sino también los números que lo preceden y lo siguen en la lista. El mecanismo de coincidencia parcial en ACT-R conduce a recuperaciones de memoria en las que se recupera por error un vecino en lugar del elemento en sí. Los elementos primero y último de la lista tienen solo un vecino, mientras que los elementos en el medio de la lista tienen dos vecinos. Por lo tanto, existe una mayor probabilidad de que se transpongan los números en el medio de la lista.

Redes neuronales

Botvinick y Plaut (2006) utilizaron una red neuronal recurrente para modelar la memoria de listas. Las redes neuronales recurrentes son una forma común de modelar el orden temporal de los eventos en las redes neuronales. También son una explicación cada vez más popular de cómo se podría implementar la memoria de trabajo en el cerebro.

Al igual que el modelo ACT-R, Botvinick & Plaut notan la tendencia a transponer elementos durante el recuerdo:

Tenga en cuenta que los elementos tanto al principio como al final de una lista tienen menos vecinos cercanos posicionales que los elementos hacia el medio. Esto hace que sea relativamente poco probable que las posiciones de los elementos cerca de los límites de la lista se confundan con otras posiciones representadas de manera similar.

Su modelo también aprovecha un segundo mecanismo para modelar el efecto de primacía, pero no es un ensayo explícito . En cambio, se basa en la dinámica de las redes neuronales recurrentes para codificar elementos anteriores con mayor confiabilidad:

Tenga en cuenta que cuando se codifica el primer elemento de una lista, todavía no hay otros elementos representados en la capa oculta. Cuando se codifica el segundo elemento, solo hay otro elemento representado allí. Con cada elemento sucesivo codificado, el número de elementos que ya están en la memoria continúa aumentando. Esto proporciona una explicación parcial del efecto de primacía. Como se señaló hace un momento, cuantos más elementos se mantengan en la memoria en un momento dado, más difícil se vuelve la representación general para decodificar. Esto significa que los elementos en las primeras posiciones de la lista tienen una ventaja, porque durante el período general desde la codificación hasta la recuperación, comparten la capa oculta con relativamente pocos elementos.

También vale la pena leer Botvinick & Plaut (2006) por la comparación de su propio modelo con varios otros en la literatura, incluida una versión anterior del de Anderson. Brevemente, afirman:

Es difícil comparar esta cuenta ACT-R con el modelo que hemos presentado [...] porque varios aspectos críticos de la cuenta (como el funcionamiento del indicador de posición y la base para la similitud entre las representaciones de posición) están directamente estipulados, sin una explicación explícita de los mecanismos subyacentes o la estructura representacional. [...] Dicho esto, el modelo de Anderson y Matessa, a diferencia de los modelos basados ​​en el contexto que hemos citado, también puede verse como un elemento que retrata y la información de posición se almacenan juntas, como parte de una única representación estructurada. Si se ve desde esta perspectiva, la teoría tiene un poco más en común con el relato que hemos presentado.

Resumen

En suma, los dos modelos discutidos comparten algunas similitudes. Ambos modelos explican la primacía parcialmente a través de la confusión posicional durante la recuperación. El ACT-R se basa en un ensayo explícito, mientras que el modelo de red neuronal no lo hace. Aunque ignora las estrategias de nivel superior, el modelo de red neuronal puede verse como una explicación de nivel inferior del efecto de primacía porque proporciona una posible explicación de cómo puede surgir el efecto a través de la interacción de las neuronas reales.

Referencias

Anderson, JR, Bothell, D., Lebiere, C. y Matessa, M. (1998). Una teoría integrada de la lista de memoria. Revista de Memoria y Lenguaje, 38(4), 341-380. PDF

Botvinick, MM y Plaut, DC (2006). Memoria a corto plazo para orden en serie: un modelo de red neuronal recurrente. Revisión psicológica, 113(2), 201. PDF