多重痕跡理論
Theory for how the brain handles memory recall

心理学 において、多重痕跡理論は、強度理論の代替モデルとして提唱された記憶統合モデルである。これは、何らかの情報が人に提示されるたびに、その情報がその属性の組み合わせからなる固有の記憶痕跡に神経的に符号化されると仮定する。 [1]この理論は、1960 年代に、人は物体自体を覚えていなくても、その物体に関する特定の属性を思い出すことができるという経験的発見によってさらに裏付けられた。 [2] 情報が提示され、その後符号化されるモードは、モデルに柔軟に組み込むことができる。この記憶痕跡は、項目の属性のいくつかの側面が異なるため、類似する他のすべての記憶痕跡とは独特であり、出生以来組み込まれたすべての記憶痕跡が、脳内で多重痕跡表現に結合される。[3]記憶の研究では、この理論の数学的定式化により、認識タスクと想起タスクで観察される経験的現象をうまく説明できる。

属性

アイテムが持つ属性は痕跡を形成し、多くのカテゴリーに分類されます。アイテムが記憶に定着すると、これらの属性カテゴリーの情報がアイテムの痕跡にエンコードされます。個々の痕跡が物体の包括的な概念に組み込まれる、ある種の意味的分類が作用している可能性があります。例えば、人がハトを見た場合、その人の心の中にある「ハト」の痕跡のクラスターに、ある痕跡が追加されます。この新しい「ハト」の痕跡は、その人が人生で見てきた他のハトの例とは区別して区別できるものの、より一般的で包括的な「ハト」の概念を支える役割を果たします。

物理的な

アイテムの物理的属性は、提示されたアイテムの物理的特性に関する情報を符号化します。単語の場合、これには色、フォント、スペル、サイズが含まれ、画像の場合、同等の要素は物体の形状や色です。実験的に、個々の単語を思い出せない人でも、最初の文字や最後の文字、あるいは韻を踏む単語さえ思い出せることが示されています[4]。これらの要素はすべて、単語の痕跡の物理的な綴り方に符号化されています。アイテムが視覚的に提示されていない場合でも、符号化されている場合は、そのアイテムの視覚的表現に基づいた何らかの物理的側面を持つことがあります。

文脈的

文脈属性は、項目の提示と同時に生じる内部的特徴と外部的特徴を定義する幅広い属性のクラスです。内部的文脈とは、痕跡が喚起する内部ネットワークの感覚です。[5]これは、個人の気分の側面から、単語の提示が喚起する他の意味的連想まで多岐にわたります。一方、外部的文脈は、情報が提示される際の空間的および時間的側面に関する情報を符号化します。これは、例えば、時刻や天候を反映する場合があります。空間的属性は、物理的環境と想像上の環境の両方を指す場合があります。位置法は、想像上の空間位置を取り入れた記憶術戦略であり、記憶されたさまざまな項目に相対的な空間的位置を割り当て、割り当てられた位置を「歩き回る」ことで項目を記憶します。

モダリティ属性は、項目がどのように提示されたかに関する情報を保持します。実験環境において最も頻繁に使用されるモダリティの種類は、聴覚と視覚です。実際には、あらゆる感​​覚モダリティが利用可能となります。

分類

これらの属性は、提示されるアイテムの分類を指します。同じカテゴリに当てはまるアイテムは、同じクラス属性を持ちます。例えば、「タッチダウン」というアイテムが提示された場合、「フットボール」、あるいはより一般的には「スポーツ」という包括的な概念を想起させ、「エンドゾーン」など、同じ概念に当てはまる他の要素とクラス属性を共有する可能性が高くなります。単一のアイテムは、コンテキストなどの他の属性に応じて、提示時に異なる概念に当てはまる場合があります。例えば、「星」という単語は、宇宙博物館を訪れた後は天文学のクラスに、映画を見た後は「有名人」や「有名」といった単語と同じクラスに分類される可能性があります。

数学的定式化

痕跡の数学的定式化により、記憶を、属性のベクトルの形で情報を継続的に受け取り、取り込む、常に成長する行列としてモデル化することが可能になります。多重痕跡理論によれば、誕生から死に至るまで、エンコードされたすべての項目は、この行列内に複数の痕跡として存在することになります。これは、エンコード時にあらゆる属性に数値を与え、分類することで実現されます。そのため、エンコードされた記憶はそれぞれ固有の数値属性セットを持つことになります。

トレースのマトリックス定義

あらゆる属性に数値を割り当てることで、エンコードされた各項目の列ベクトル表現を構築しやすくなります。このベクトル表現は、ニューラルネットワークなどの脳の計算モデルに入力することもできます。ニューラルネットワークは、ベクトル「記憶」を入力として受け取り、ニューロンを通してその生物学的エンコードをシミュレートします。

形式的には、符号化された記憶は、その記憶が取り得るすべての属性に数値を割り当てることで表すことができます。2つの物体が同じ色で知覚されたり、同じ文脈で経験されたりした場合、それぞれの色と文脈属性を表す数値は比較的近い値になります。物体を見るたびに、合計L個の属性を符号化すると仮定します。すると、記憶が符号化されると、列ベクトルに合計 L個の数値要素を持つm 1と表すことができます。

m 1 = [ m 1 ( 1 ) m 1 ( 2 ) m 1 ( 3 ) ⋮ m 1 ( L ) ] {\displaystyle \mathbf {m_{1}} ={\begin{bmatrix}m_{1}(1)\\m_{1}(2)\\m_{1}(3)\\\vdots \\m_{1}(L)\end{bmatrix}}} 。

L個の属性のサブセットは文脈属性に、サブセットは物理的属性に、といった具合に扱われます。多重痕跡理論の根底にある仮定の一つは、多重記憶を構築する際、属性を同じ順序で整理するというものです。したがって、同様にベクトルm 2、m 3、…、m nを定義して、 n個の符号化された記憶を説明できます。多重痕跡理論によれば、これらの記憶は脳内で集まり、個々の記憶の単純な連結から記憶マトリックスを形成します。

M = [ m 1 m 2 m 3 ⋯ m n ] = [ m 1 ( 1 ) m 2 ( 1 ) m 3 ( 1 ) ⋯ m n ( 1 ) m 1 ( 2 ) m 2 ( 2 ) m 3 ( 2 ) ⋯ m n ( 2 ) ⋮ ⋮ ⋮ ⋮ ⋮ m 1 ( L ) m 2 ( L ) m 3 ( L ) ⋯ m n ( L ) ] {\displaystyle \mathbf {M} ={\begin{bmatrix}\mathbf {m_{1}} &\mathbf {m_{2}} &\mathbf {m_{3}} &\cdots &\mathbf {m_{n}} \end{bmatrix}}={\begin{bmatrix}m_{1}(1)&m_{2}(1)&m_{3}(1)&\cdots &m_{n}(1)\\m_{1}(2)&m_{2}(2)&m_{3}(2)&\cdots &m_{n}(2)\\\vdots &\vdots &\vdots &\vdots &\vdots \\m_{1}(L)&m_{2}(L)&m_{3}(L)&\cdots &m_{n}(L)\end{bmatrix}}} 。

属性の総数がLでメモリの総数がnの場合、 MはL行とn列になります。n個のトレースは大きなメモリマトリックスに結合されますが、各トレースはこのマトリックスの列として個別にアクセスできることに注意してください。

この定式化では、n個の異なる記憶は互いにほぼ独立していると仮定されます。しかし、ある状況で一緒に提示されたアイテムは、文脈ベクトルの類似性によって、接線的に関連付けられます。複数のアイテムが互いに関連付けされ、意図的にそのようにエンコードされている場合、例えばアイテムaとアイテムbがあるとします。この場合、これら 2 つのアイテムの記憶は、それぞれk 個の属性を持つように以下のように構築されます。

m a b = [ a ( 1 ) a ( 2 ) ⋮ a ( k ) b ( 1 ) b ( 2 ) ⋮ b ( k ) ] = [ a b ] {\displaystyle \mathbf {m_{ab}} ={\begin{bmatrix}a(1)\\a(2)\\\vdots \\a(k)\\b(1)\\b(2)\\\vdots \\b(k)\end{bmatrix}}={\begin{bmatrix}\mathbf {a} \\\mathbf {b} \end{bmatrix}}} 。

確率ベクトルとしての文脈

項目が次々に学習されるとき、それらは同じ時間的文脈で学習されていると言いたくなる。しかし、実際には文脈には微妙な変化がある。そのため、文脈属性は、確率過程によってモデル化されるように、時間とともに変化すると考えられることが多い。[6]記憶m iの文脈を表すr個の文脈属性t iのみからなるベクトルを考えると、次に符号化される記憶の文脈はt i+1で与えられる。

t i + 1 ( j ) = t i ( j ) + ϵ ( j ) {\displaystyle \mathbf {t_{i+1}(j)} =\mathbf {t_{i}(j)+\epsilon (j)} }

それで、

t i + 1 = [ t i ( 1 ) + ϵ ( 1 ) t i ( 2 ) + ϵ ( 2 ) ⋮ t i ( r ) + ϵ ( r ) ] {\displaystyle \mathbf {t_{i+1}} ={\begin{bmatrix}t_{i}(1)+\epsilon (1)\\t_{i}(2)+\epsilon (2)\\\vdots \\t_{i}(r)+\epsilon (r)\end{bmatrix}}}

ここで、ε(j)はガウス分布からサンプリングされた乱数です。

合計類似度

後続のセクションで説明するように、多重痕跡理論の特徴は、あるプローブ項目を既存の符号化記憶のマトリックスと比較する能力にあります。これは記憶探索プロセスをシミュレートし、再認課題のようにプローブ項目を以前に見たことがあるか、あるいは手がかり想起のようにプローブ項目が別の符号化記憶を生じさせるかを判断できます。

まず、プローブpは属性ベクトルとしてエンコードされます。前述のメモリ行列Mの例を続けると、プローブはL 個のエントリを持ちます。

p = [ p ( 1 ) p ( 2 ) ⋮ p ( L ) ] {\displaystyle \mathbf {p} ={\begin{bmatrix}p(1)\\p(2)\\\vdots \\p(L)\end{bmatrix}}} 。

次に、このpをM内のすべての既存のメモリ（トレース）と1つずつ比較し、pと各m i間のユークリッド距離を決定します。

‖ p − m i ‖ = ∑ j = 1 L ( p ( j ) − m i ( j ) ) 2 {\displaystyle \left\Vert \mathbf {p-m_{i}} \right\|={\sqrt {\sum _{j=1}^{L}(p(j)-m_{i}(j))^{2}}}} 。

文脈の確率的性質のため、多重トレース理論においては、プローブ項目が符号化された記憶と完全に一致することはほとんどありません。それでも、pとm iの類似性が高いということは、ユークリッド距離が小さいことで示されます。したがって、距離に対して別の演算を行う必要があり、その結果、距離が大きい場合は類似性が非常に低くなり、距離が小さい場合は類似性が非常に高くなります。線形演算では、類似性の低い項目を十分に排除できません。直感的には、指数関数的減衰モデルが最も適していると思われます。

s i m i l a r i t y ( p , m i ) = e − τ ‖ p − m i ‖ {\displaystyle similarity(\mathbf {p,m_{i}} )=e^{-\tau \left\Vert \mathbf {p-m_{i}} \right\|}}

ここで、τは実験的に設定可能な減衰パラメータである。次に、プローブpとメモリ行列Mの合計類似度SS(p,M)によって、メモリ行列全体に対する類似度を定義する。

S S ( p , M ) = ∑ i = 1 n e − τ ‖ p − m i ‖ = ∑ i = 1 n e − τ ∑ j = 1 L ( p ( j ) − m i ( j ) ) 2 {\displaystyle \mathbf {SS(p,M)} =\sum _{i=1}^{n}e^{-\tau \left\Vert \mathbf {p-m_{i}} \right\|}=\sum _{i=1}^{n}e^{-\tau {\sqrt {\sum _{j=1}^{L}(p(j)-m_{i}(j))^{2}}}}} 。

プローブ項目が符号化された記憶の1つにでも非常に類似している場合、SSは大きくブーストされます。例えば、プローブ項目としてm 1が与えられている場合、i=1 では距離はほぼ0（文脈によるものではない）となり、SSにほぼ最大限のブーストが加わります。背景類似性と区別するため（文脈やいくつかの属性などとの類似性は低い場合もあるため）、SSはしばしば任意の基準と比較されます。SSが任意の基準よりも高い場合、プローブ項目は符号化された記憶に含まれるとみなされます。基準は、タスクの性質や誤報を防ぐ必要性に応じて変更可能です。したがって、多重痕跡理論によれば、何らかの手がかりが与えられた場合、脳はその手がかりを基準と比較することで、「この手がかりは以前に経験したことがあるか？」（認知）や「この手がかりはどのような記憶を呼び起こすか？」（手がかり想起）といった質問に答えることができると予測されています。これらは、後述する合計類似性の応用です。

記憶現象への応用

認識

多重痕跡理論は、認識の概念的枠組みによく適合する。認識では、個人が以前にアイテムを見たことがあるかどうかを判断する必要がある。たとえば、顔認識では、以前に顔を見たことがあるかどうかを判断する。正常にエンコードされたアイテム（実際に以前に見たことがあるもの）に対してこれを要求された場合、高い確率で認識が行われるはずである。この理論の数学的枠組みでは、基準との類似性の合計によって個々のプローブアイテムpの認識をモデル化することができる。エンコードされたメモリの場合と同様に、テストアイテムを属性ベクトルに変換し、これまでに遭遇したすべての痕跡と比較する。類似性の合計が基準を満たした場合、そのアイテムを以前に見たことがあると言う。アイテムが一度も見たことがない場合、類似性の合計は非常に低くなると予想されるが、プローブの属性とメモリマトリックスのいくつかのメモリとの類似性により、見たことがある場合は比較的高くなると予想される。

P ( r e c o g n i z i n g   p )   =   P ( S S ( p , M ) > c r i t e r i o n ) {\displaystyle P(recognizing~p)~=~P(\mathbf {SS(p,M)} >criterion)}

これは、個々のアイテムの認識と、2 つ以上のアイテムをまとめて認識する場合の両方に適用できます。

キュードリコール

この理論は、手がかり想起（cued recall）も説明できます。ここでは、記憶から項目を引き出すための手がかりが与えられます。例えば、「アメリカ合衆国の初代大統領は誰ですか？」という事実に関する質問は、「ジョージ・ワシントン」という答えを引き出す手がかりとなります。前述の「ab」フレームワークでは、手がかりに含まれるすべての属性をリスト化し、それらを符号化された連想におけるa項目と見なし、 m ab記憶のb部分を想起しようとします。この例では、「初代」、「大統領」、「アメリカ合衆国」といった属性が組み合わされてaベクトルが形成されます。このベクトルは既にm ab記憶に形成されており、bの値は「ジョージ・ワシントン」を符号化しています。aが与えられた場合、 bをうまく想起する方法については、2つの一般的なモデルがあります。

1) メモリ内のすべての項目について、 a属性の類似度（合計類似度ではありません。違いについては上記を参照）を順に調べ、 aに対して最も類似度の高いメモリを選択します。bタイプの属性にリンクされているものはすべて、思い出す内容を示します。m abメモリは、 a要素がキューaと高い類似性を持つため、思い出す可能性が最も高くなります。ただし、思い出すのは常に発生するとは限らないため、思い出すには類似度が基準を満たす必要があると言えます。これは、IBMマシンWatsonの動作に似ています。ここでは、類似度はaのaタイプの属性と m abのみを比較します。

P ( r e c a l l i n g   m a b )   =   P ( s i m i l a r i t y ( a , m a b ) > c r i t e r i o n ) {\displaystyle P(recalling~m_{ab})~=~P(similarity(a,m_{ab})>criterion)}

2) 確率的選択則を用いて、ある項目を想起する確率を、その類似度に比例して決定することができます。これは、手がかりとなる項目との類似度が高いほど面積が大きくなるダーツボードにダーツを投げるようなものです。数学的に言えば、手がかりaが与えられた場合、目的の記憶を想起する確率m abは次の式で表されます。

P ( r e c a l l i n g   m a b )   =   s i m i l a r i t y ( a , m a b ) S S ( a , M ) + e r r o r {\displaystyle P(recalling~m_{ab})~=~{\frac {similarity(a,m_{ab})}{SS(a,M)+error}}}

類似度と合計類似度の両方を計算する際には、 a型属性間の関係のみを考慮します。誤差項を追加するのは、誤差項がなければM内の記憶を想起する確率が1になるためです。しかし、全く想起されない場合も確かに存在します。

その他の一般的な結果の説明

記憶における反復、単語の頻度、新しさ、忘却、近接性などに関連する現象は、多重痕跡理論の領域で容易に説明できます。記憶は、項目に繰り返し触れることで向上することが知られています。例えば、リストにある単語を何度も聞くと、後でその単語の認識と想起が向上します。これは、繰り返し触れることで、記憶が常に拡大する記憶マトリックスに単純に追加されるため、この記憶の類似性の合計が大きくなり、基準を満たす可能性が高くなるためです。

認識において、非常に一般的な単語は、テスト時に記憶リストの一部として認識するのが稀な単語よりも困難です。これは単語頻度効果として知られており、多重痕跡理論によっても説明できます。一般的な単語の場合、その単語がリストに登場したかどうかに関わらず、合計類似度は比較的高くなります。これは、その単語が生涯を通じて何度も遭遇し、記憶マトリックスにエンコードされている可能性が高いためです。したがって、脳は通常、一般的な単語がリストの一部であるかどうかを判断する際に高い基準を選択し、それらを正しく選択することを困難にします。一方、稀な単語は通常、生涯を通じて遭遇する機会が少ないため、記憶マトリックスにおける存在は限られています。したがって、全体的な合計類似度が低いと、基準はより緩くなります。単語がリストに存在していた場合、テスト時の文脈類似度やその他の属性類似度が高いと、合計類似度が十分に高まり、基準を上回り、稀な単語を正しく認識できるようになります。

系列位置効果における近近性は、より最近にエンコードされた記憶が、現在の文脈と最も類似した時間的文脈を共有するため、時間の確率的性質がそれほど顕著な影響を与えないという理由で説明できる。したがって、最近エンコードされた項目の文脈類似性は高くなり、したがってこれらの項目の全体的な類似性も比較的高くなる。確率的文脈ドリフトは忘却も説明すると考えられている。なぜなら、記憶がエンコードされた文脈は時間の経過とともに失われるため、その文脈でのみ提示された項目の総和類似性は時間の経過とともに低下するからである。[7] [8]

最後に、経験的データは近接効果を示しています。これは、時間的に一緒に提示された項目は、前述の「ab」パラダイムのように単一の記憶として符号化されていない場合でも、一緒に記憶される可能性が高くなることを意味します。これは、一緒に記憶された項目間の文脈的ドリフトが小さいため、一緒に提示された2つの項目間の文脈的類似性が高くなると考えられます。

欠点

多重痕跡理論の最大の欠点の一つは、符号化の成功を判断する際に、記憶マトリックスと比較するための何らかの項目が必要となることです。前述のように、これは認識と手がかり想起においては非常にうまく機能しますが、自由想起をモデルに組み込むことが明らかに不可能です。自由想起には、個人が何らかの項目のリストを自由に想起できる必要があります。想起を求めるという行為自体が手がかりとなり、手がかり想起のテクニックを引き出す可能性はありますが、その手がかりが、合計類似性基準を満たすほど、あるいは高い想起確率を達成するほどに独特である可能性は低いでしょう。

もう一つの大きな課題は、このモデルを生物学的な関連性に当てはめることです。脳がこれほど巨大な記憶マトリックスを無限に保持し、提示されたあらゆる項目を伴ってそれを拡張し続ける能力を持っているとは想像しがたいでしょう。さらに、このマトリックスを探索することは、生物学的な時間スケールでは意味をなさない、膨大なプロセスです。[9]

参照

参考文献

  1. ^ Semon RW (1923).記憶心理学. ロンドン: George Allen & Unwin.
  2. ^ Underwood BJ (1969). 「自由想起学習における項目反復のいくつかの相関関係」.言語学習・言語行動ジャーナル. 8 : 83–94 . doi :10.1016/s0022-5371(69)80015-0.
  3. ^ Hintzman DL, Block RA (1971). 「反復と記憶：多重痕跡仮説の証拠」. Journal of Experimental Psychology . 88 (3): 297– 306. doi :10.1037/h0030907.
  4. ^ Brown R, Mcneil D (1966). 「舌先現象」.言語学習・言語行動ジャーナル. 5 (4): 325– 337. doi :10.1016/s0022-5371(66)80040-3.
  5. ^ Bower GH (1967). 「記憶痕跡の多成分理論」. 『学習と動機づけの心理学：研究と理論の進歩』 . 『学習と動機づけの心理学』. 1 : 229– 325. doi :10.1016/s0079-7421(08)60515-0. ISBN 9780125433013。
  6. ^ Estes WK (1959).マルコフ解釈によるコンポーネントモデルとパターンモデル．数学的学習理論の研究．スタンフォード大学出版局．
  7. ^ ロビンソンES (1932). 『今日の連合理論：体系的心理学の試論』ニューヨーク：センチュリー社.
  8. ^ Karpicke JD, Roediger HL (2007). 「学習中の反復想起が長期記憶の鍵」. Journal of Memory and Language . 57 : 151–162 . doi :10.1016/j.jml.2006.09.004.
  9. ^ Burrows D, Okada R (1975年6月). 「長いリストと短いリストからの記憶検索」. Science . 188 (4192): 1031– 1033. doi :10.1126/science.188.4192.1031. PMID  17759685.
Retrieved from "https://en.wikipedia.org/w/index.php?title=Multiple_trace_theory&oldid=1310493286"