Name: 网格学习任务：探究重叠类型对健康成年参与者新学习效果的影响 (视频) | JoVE Journal
Uploaded: 2026-07-31T14:05:00.000+00:00
Duration: 8 min 26 s
Description: 了解网格学习任务如何探究重叠类型对健康成年参与者新学习效果的影响。该方法通过位置重叠与物体重叠条件，揭示先前经验对空间记忆的促进与干扰机制。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

playerTrialDesktop

所有涉及人类参与者的实验程序均经加州大学河滨分校机构审查委员会批准（方案编号 #30014）。在参与前，已从所有参与者处获得书面知情同意。所有方法均按照相关机构的指南和规定进行。
1. 同意与说明
<ol>
	<li>向参与者提供一份知情同意书，说明参与者的权利，并概述研究的基本内容。在参与者开始实验前，须获得其签署的书面知情同意书。</li>
	<li>在参与者签署同意书后，口头说明实验任务包括记忆物体的位置，并在测试阶段将物体放置在四个不同网格中正确的方格上，每完成一个网格后会插入一项数学干扰任务。</li>
	<li>简要介绍整个实验的流程，包括练习阶段和正式学习网格阶段。要求参与者复述实验指导语，研究人员根据需要进行解释和澄清。</li>
</ol>
2. 网格学习任务
<ol>
	<li>使用 PsychoPy11 打开网格学习任务程序（补充文件 1 和 补充图 1）。点击“运行”按钮，确保程序未处于试点测试模式。</li>
	<li>屏幕上将出现提示，要求输入参与者编号。参与者编号用于保持参与者的匿名性。指导参与者输入预先分配的参与者编号，并通过点击“确定”按钮继续。</li>
	<li>启动程序。屏幕提示参与者使用空格键逐页浏览说明内容。</li>
	<li>指导参与者通过同时按下 Command 键（Mac）或 Control 键（Windows）以及“+”或“-”键来调整屏幕大小，直到网格的四个角均可见。 
	&#8203;注意：在开始任务前，必须确保网格的四个角均可见。不正确的屏幕缩放可能影响刺激呈现和参与者表现。</li>
	<li>练习阶段
	<ol>
		<li>开始练习阶段。图 1 展示了“学习—注视—测试—反馈”循环。在第一阶段练习中，呈现一个包含一个物体的小型 3 × 3 网格。</li>
		<li>学习画面显示 4 秒。随后立即进入 3 秒的保持间隔，期间网格消失，出现注视十字，之后显示测试画面。</li>
		<li>显示一个空网格，物体位于网格下方。提示参与者将物体拖动并放置到其原始位置。
		<ol>
			<li>使用来自标准刺激库（BOSS）12,13 的白色背景彩色日常物体图像。在四个学习网格中，使用三组物体和三组位置，构建九个独特的 8 × 8 网格。</li>
			<li>从包含 24&#160;个物体的固定池中随机选择每组物体，涵盖 12 个类别（例如户外活动与体育、文具、厨房用具、装饰品、乐器、游戏、家用工具、家具和服装）（补充图 2）。</li>
		</ol>
		</li>
		<li>参与者按下空格键提交响应后，显示反馈画面，提示其放置是否正确。允许参与者按“y”重复该次试验，或按“n”继续。参与者最多可重复此第一阶段练习 10 次。 
		&#8203;注意：此练习阶段旨在帮助参与者熟悉将物体拖放到网格上的操作。</li>
		<li>开始第二阶段练习。呈现一个包含两个物体的完整尺寸 8 × 8 网格。
		<ol>
			<li>使用与第一阶段练习相同的“学习—注视—测试—反馈”循环和时间设置，但学习画面显示时间为 8 秒。</li>
			<li>参与者提交响应后，显示反馈画面，提示所有物体位置是否均正确放置。若至少有一个物体位置错误，则告知参与者一个或多个放置不正确，但不指出具体是哪些物体。</li>
			<li>若响应错误，提示参与者按空格键再次尝试；若所有放置均正确，则提示其进入任务的下一阶段。</li>
			<li>提示参与者按“y”重复练习阶段，或按“n”继续。参与者最多可重复此第二阶段练习 10 次。 
			&#8203;注意：此练习阶段旨在帮助参与者熟悉完整尺寸的 8 × 8 网格。练习中使用的物体和位置不会在正式学习网格阶段出现。</li>
		</ol>
		</li>
	</ol>
	</li>
	<li>学习网格阶段
	<ol>
		<li>显示说明画面，提示学习网格阶段开始。指导参与者按空格键并根据屏幕提示开始学习网格阶段。</li>
		<li>使用与第二阶段练习相同的“学习—注视—测试—反馈”循环和时间设置呈现画面。与练习阶段不同，参与者需学习四个不同的网格，每个网格包含八个物体。 
		&#8203;注意：确保参与者理解必须达到标准后才能进入下一网格。未能掌握一个网格可能影响后续网格的表现。</li>
		<li>呈现一个学习画面，其中八个不同物体排列在一个 8 × 8 网格上。学习画面显示 8 秒，然后指导参与者记忆物体的位置。
		<ol>
			<li>使用白色背景上的日常物体图像。</li>
			<li>根据预定义的物体-位置组合之一排列物体。</li>
			<li>通过伪随机分配物体位置创建三组位置组合，确保物体不位于网格边缘，且不占据相邻单元格。允许共享角落的方格。</li>
		</ol>
		</li>
		<li>呈现一个保持间隔画面，显示注视十字 3 秒。</li>
		<li>呈现测试画面，提示参与者将每个物体放置在其记忆中的位置。显示一个空的 8 × 8 网格，物体图像随机排列在网格下方。</li>
		<li>指导参与者将每个物体拖放到网格上，以指示其记忆中的位置。自动将每个物体居中于所选网格单元格内。在提交响应前，允许参与者无限次重新调整物体位置。</li>
		<li>当参与者对其放置满意后，指导其&#160;按空格键提交响应。测试阶段为自定节奏，无时间限制。</li>
		<li>显示反馈画面，提示正确放置的物体数量。不指出哪些物体放置正确。</li>
		<li>重复“学习—注视—测试—反馈”循环，直到所有八个物体均正确放置，或完成 10 次学习-测试循环（以先发生者为准）。随后程序自动进入数学干扰任务。</li>
	</ol>
	</li>
	<li>数学干扰任务
	<ol>
		<li>开始数学干扰任务。指导参与者阅读屏幕上的说明，并在进入下一个网格前完成简单的算术题。</li>
		<li>在屏幕上逐个呈现涉及加法或减法的简单算术题。指导参与者通过按“T”表示正确，按“F”表示错误，来判断每个等式是否正确。
		<ol>
			<li>例如，当呈现等式 2 + 4 = 6 时，指导参与者按“T”；当呈现等式 2 + 5 = 10 时，指导参与者按“F”。</li>
		</ol>
		</li>
		<li>每次响应后显示反馈画面。
		<ol>
			<li>提示响应是否正确。若在 4&#160;秒内无响应，则自动进入反馈画面，并显示消息提示参与者加快反应速度。</li>
			<li>反馈画面保持&#160;显示 2 秒。2 秒后，程序自动进入下一次试验。</li>
		</ol>
		</li>
		<li>要求参与者完成 20 道算术题后方可进入下一个网格。干扰任务的完成通常需要约 1 分钟。 
		&#8203;注意：此任务用于防止对前一个网格进行主动复述，并维持参与者的注意力。尽管实验过程中不提供总体准确率反馈，但如果准确率低于 75%10，则应将该参与者从分析中排除。</li>
	</ol>
	</li>
	<li>重叠操控
	<ol>
		<li>完成数学干扰任务后，显示屏幕提示下一个网格即将开始。指导参与者按空格键开始下一次试验。对后续网格重复“学习—注视—测试—反馈”循环。在整个任务中，参与者将学习四个不同的网格，其间由数学干扰任务分隔。</li>
		<li>设置四个网格，使得两个连续的网格使用相同的物体图像但位置不同，而另一对连续的网格使用相同的空间布局但物体图像不同（图 2）。
		<ol>
			<li>根据步骤 2.5.3.1–2.5.3.2 和 2.6.3.3 中描述的预定义物体和位置组合构建四个学习网格。网格将被随机选择，使得一次转换代表物体重叠条件，一次转换代表位置重叠条件，一次转换代表无重叠条件。</li>
			<li>在物体重叠条件下，两个连续网格使用相同的物体组合但分配不同的位置组合；在位置重叠条件下，两个连续网格使用相同的位置组合但分配不同的物体组合；在无重叠条件下，连续网格使用不同的物体组合和不同的位置组合。</li>
		</ol>
		</li>
		<li>在参与者之间随机分配并完全交叉平衡重叠条件的顺序，共产生六种可能的重叠顺序。 
		注意：在参与者之间完全交叉平衡重叠条件的顺序，以最小化顺序效应，并确保对促进和干扰效应的有效估计。</li>
		<li>在每次干扰阶段呈现一组不同的 20 道算术题，整个实验中共使用三组独特的题目。</li>
	</ol>
	</li>
	<li>完成第四个网格后，显示任务结束画面。指导参与者按空格键退出程序。</li>
</ol>
<img alt="图1" class="xfigimg" src="/files/ftp_upload/71127/71127fig1.jpg" /> 
图1：网格学习任务中各阶段的顺序与时间安排。每个学习试次包含一个重复的“学习—注视—测试—反馈”循环。在学习阶段，参与者观察呈现在8 × 8网格上的八个物体，并记忆其位置。8秒的学习阶段结束后，出现3秒的注视点屏幕，随后进入自控节奏的测试阶段，参与者需将物体拖动并放置到空白网格中，以标示其记忆中的位置。参与者提交答案后，反馈屏幕会显示正确放置的物体数量。此循环将持续重复，直至所有物体均被正确放置，或完成最多10次学习尝试（以先达到者为准）。<a href="https://www.jove.com/files/ftp_upload/71127/71127fig1large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
<img alt="图2" class="xfigimg" src="/files/ftp_upload/71127/71127fig2.jpg" /> 
图2网格学习任务中的重叠条件。 参与者学习四种不同的网格。 (A第一个网格作为计算连续网格之间学习难度得分的基线。从第二个网格开始，参与者将经历以下两种情况之一：B) 对象重叠条件，(C）位置重叠条件，或（D）连续网格间的无重叠条件。所示示例说明了对象重叠的重叠顺序 &#8594; 位置重叠 &#8594; 无重叠。重叠条件的顺序在参与者之间进行了交叉平衡。所示图像为来自标准化刺激库（BOSS）数据集的未经修改的刺激材料。12,13 根据知识共享署名许可协议（http://creativecommons.org/licenses/by-sa/3.0/）使用。 <a href="https://www.jove.com/files/ftp_upload/71127/71127fig2large.jpg" target="_blank">请点击此处以查看此图的放大版本。</a>
3. 可选表格
<ol>
	<li>发放反馈表。询问参与者他们认为实验研究了什么内容，以及在任务过程中使用了哪些策略。邀请他们提供额外的反馈意见和改进建议。</li>
	<li>发放人口统计信息表。收集人口学信息，包括年龄和种族。告知参与者所有信息将以汇总形式报告，以确保匿名性。</li>
	<li>向参与者提供一份纸质版的实验说明表。实验说明表将解释研究的目的以及任务设计的原理。</li>
</ol>

<ol>
	<li>Anderson MC, Neely JH. Interference and inhibition in memory retrieval. In: Bjork EL, Bjork RA, editors. Memory. 2nd ed. San Diego (CA): Academic Press; 1996. p. 237-313.</li>
	<li>Kliegl O, B&#228;uml KHT. Buildup and release from proactive interference-Cognitive and neural mechanisms. Neurosci Biobehav Rev. 2021;120:264-278.</li>
	<li>Tse D, et al. Schemas and memory consolidation. Science. 2007;316(5821):76-82.</li>
	<li>Bein O, et al. Predictions transform memories: How expected versus. unexpected events are integrated or separated in memory. Neurosci Biobehav Rev. 2023;153:105368.</li>
	<li>Postman L, Underwood BJ. Critical issues in interference theory. Mem Cognit. 1973;1(1):19-40.</li>
	<li>Underwood BJ. Interference and forgetting. Psychol Rev. 1957;64(1):4-60.</li>
	<li>McGeoch JA. The psychology of human learning. London: Longmans, Green and Co.; 1942.</li>
	<li>van Buuren M, et al. Initial investigation of the effects of an experimentally learned schema on spatial associative memory in humans. J Neurosci. 2014;34(50):16662-16670.</li>
	<li>Farzanfar D, Spiers HJ, Moscovitch M, Rosenbaum RS. From cognitive maps to spatial schemas. Nat Rev Neurosci. 2023;24(2):63-79.</li>
	<li>Chaloupka B, Zeithamova D. Differential effects of location and object overlap on new learning. Front Cognit. 2024;2:1325246.</li>
	<li>Peirce J, et al. PsychoPy2: Experiments in behavior made easy. Behav Res Methods. 2019;51(1):195-203.</li>
	<li>Brodeur MB, et al. The Bank of Standardized Stimuli (BOSS), a new set of 480 normative photos of objects to be used as visual stimuli in cognitive research. PLoS One. 2010;5(5):e10773.</li>
	<li>Brodeur MB, Gu&#233;rard K, Bouras M. Bank of Standardized Stimuli (BOSS) phase II: 930 new normative photos. PLoS One. 2014;9(9):e106953.</li>
	<li>Chanales AJ, et al. Interference between overlapping memories is predicted by neural states during learning. Nat Commun. 2019;10:5363.</li>
	<li>Ritvo VJ, Turk-Browne NB, Norman KA. Nonmonotonic plasticity: How memory retrieval drives learning. Trends Cogn Sci. 2019;23(9):726-742.</li>
	<li>Zeithamova D, Bowman CR. Generalization and the hippocampus: More than one story? Neurobiol Learn Mem. 2020;175:107317.</li>
	<li>Gilboa A, Marlatte H. Neurobiology of schemas and schema-mediated memory. Trends Cogn Sci. 2017;21(8):618-631.</li>
	<li>Mitchell TM, Keller RM, Kedar-Cabelli ST. Explanation-based generalization: A unifying view. Mach Learn. 1986;1(1):47-80.</li>
	<li>Liao Z, Losonczy A. Learning, fast and slow: Single- and many-shot learning in the hippocampus. Annu Rev Neurosci. 2024;47(1):187-209.</li>
	<li>Tompary A, Zhou W, Davachi L. Schematic memories develop quickly, but are not expressed unless necessary. Sci Rep. 2020;10(1):16968.</li>
	<li>Umanath S, Marsh EJ. Understanding how prior knowledge influences memory in older adults. Perspect Psychol Sci. 2014;9(4):408-426.</li>
	<li>Yassa MA, Stark CE. Pattern separation in the hippocampus. Trends Neurosci. 2011;34(10):515-525.</li>
	<li>Hunsaker MR, Kesner RP. The operation of pattern separation and pattern completion processes associated with different attributes or domains of memory. Neurosci Biobehav Rev. 2013;37(1):36-58.</li>
</ol>

网格学习任务（Grid Learning Task, GLT）10 提供了一种灵活的行为学实验范式，用于考察先验知识与新信息之间的重叠如何影响学习过程。在该任务中，参与者需在网格上反复学习物体与其位置的对应关系，直至掌握所有物体的位置；学习效果通过“学习难度评分”（Learning Difficulty Score）进行量化，该评分衡量的是学习两个连续网格所需尝试次数的差异。该实验范式的一个关键特征是对连续网格之间重叠类型的操控，允许物体身份或空间布局发生重叠。尽管GLT最初是作为被试间设计开发的，即每位参与者仅经历一种重叠条件10，但本实验方案将其调整为被试内设计，使每位参与者在多个网格中经历所有类型的重叠条件。这一修改减少了被试间的个体差异，并支持在个体内部直接比较促进效应与干扰效应。采用该方法后，在物体重叠条件下重现了学习受阻现象，而在位置重叠条件下观察到数值上的促进效应，尽管该效应在统计学上仅为边缘显著。在一项大规模在线重复实验（N = 228；补充图1）中，观察到物体重叠引发的干扰效应和位置重叠引发...

我们的日常经验通常包含重叠的信息。先前的知识有时可以通过提供支架来支持新的学习，但也可能干扰学习，造成混淆并阻碍表现1,2,3,4。例如，当人们去一家新的杂货店时，可以依靠以往杂货店布局的知识轻松找到购物车或收银台。然而，当某个特定商品的摆放位置与熟悉的商店不同时，记住其确切位置可能会更加困难。这说明了一个更广泛的问题：在什么条件下，先前的经验会促进新的学习？又在什么情况下会对其产生干扰？
研究人员长期以来一直在探究先验知识如何影响学习，但关于其促进作用和干扰作用的证据通常来自不同的实验范式1,2,3,4。因此，要对先验知识如何影响新信息的获取形成一个连贯的解释仍然具有挑战性。干扰效应通常通过词对学习任务进行研究1,2,5,6,7。在这些任务中，参与者首先学习一组词对（例如，A-B），然后学习第二组词对列表，其中部分词对与第一个列表共享一个项目（例如，A-C），同时还包括无重叠的控制词对（例如，D-E）。当共享项目（A）被用作提取线索时，对第二列表中词对（C）的回忆常常受到损害，这种现象被称为前摄干扰6。这一效应通常归因于先前习得的关联（A-B）与新近建立的关联（A-C）之间的竞争，从而降低了提取后者的可能性5。
相比之下，在物体-位置学习任务中已观察到促进效应3,8。在这些任务中，参与者需学习多个物体在网格上的位置，当一组新物体呈现在先前学习过的空间布局中时，学习效果优于呈现在全新布局中。这种重叠空间结构的有益效应在人类和啮齿类动物中均已有证实3,8，突显了先验知识如何支持新的学习过程。重要的是，先验空间知识仅是可影响行为的图式知识的一种形式9。图式还可能包括语义知识（例如，杂货店出售食品，但也可能出售日用品），这类知识可促进新信息的获取，并更广泛地引导行为9。例如，若某人希望购买一个苹果，可能会依赖已有的图式知识，判断苹果更可能出现在杂货店而非五金店。
网格学习任务（Grid Learning Task, GLT）10 的设计旨在通过在一个单一任务中同时整合促进和干扰效应，提供一个统一的框架来研究先验知识如何影响新知识的学习。在GLT中，参与者需要学习多个物体-位置网格，并重复学习过程，直到记住所有物体的位置。关键在于，连续网格之间的重叠类型被加以操控。在位置重叠条件下，不同的物体呈现在相同的空间布局中；而在物体重叠条件下，相同的物体出现在不同的位置。先前的研究发现，当空间布局重叠时，学习会得到促进，而当物体身份重叠时，学习则受到损害10。然而，GLT的早期应用是在不同参与者之间比较重叠条件10，这引发了一种可能性：这些相反的效应可能反映的是个体差异，而非重叠类型本身的影响。
本方案描述了一种改进的被试内设计版本的GLT，其中每位参与者均经历所有重叠条件。这种方法学上的改进减少了被试间的变异性，使得在同一受试者中即可测量促进与干扰效应。因此，该设计能够更直接地检验不同类型先验知识是否对新学习产生不同的影响。总体而言，这些发现表明，先验知识的类型可能决定先前经验是促进还是阻碍后续学习。
网格学习范式（GLT）的目标是通过在受试者内网格学习范式中系统地操纵重叠类型并测量学习尝试，量化先前经验如何影响人类参与者的新知识学习，从而评估学习表现中的促进与干扰效应。通过在单一范式内同时测量促进和干扰效应，GLT为研究先前经验如何塑造新学习提供了一个统一的框架。与现有范式通常孤立地考察促进或干扰效应1,2,3,5,6,7,8不同，GLT在保持任务结构一致的前提下系统性地操纵重叠程度。该方法使得能够直接比较不同形式的先前信息如何在个体内部影响学习。一个潜在的局限性在于，促进和干扰效应可能随重叠条件呈现顺序的不同而变化，从而导致效应被低估或高估。尽管如此，GLT仍然是研究记忆、学习、泛化及干扰背后机制，以及不同学习情境中个体对先验知识效应易感性差异的多功能工具。

<table><tbody><tr><td>标准化刺激库（BOSS）集合</td><td>Bank of Standardized Stimuli (BOSS)</td><td>N/A</td><td>（刺激材料）用于呈现刺激的标准物体图像集合。参见参考文献12&amp;ndash;13。</td></tr><tr><td>计算机（台式机或笔记本电脑）</td><td>Any manufacturer</td><td>N/A</td><td>（设备）用于运行PsychoPy的标准台式机或笔记本电脑。无需特殊硬件。</td></tr><tr><td>知情同意书</td><td>Author-generated</td><td>N/A</td><td>（受试者材料）经机构审查委员会（IRB）批准的文件，用于在参与前获取书面知情同意。</td></tr><tr><td>实验后说明表</td><td>Author-generated</td><td>N/A</td><td>（受试者材料）实验结束后提供的说明文件，解释研究目的和流程。</td></tr><tr><td>人口统计信息表</td><td>Author-generated</td><td>N/A</td><td>（受试者材料）用于收集年龄和人口统计学信息的问卷。数据以汇总形式报告，以保持匿名性。</td></tr><tr><td>反馈表</td><td>Author-generated</td><td>N/A</td><td>（受试者材料）任务后问卷，用于评估参与者在任务中的策略和主观体验。</td></tr><tr><td>网格学习任务程序（PsychoPy脚本）</td><td>Author-generated</td><td>N/A</td><td>（软件）基于PsychoPy开发的自定义任务程序，用于实施网格学习任务。本研究使用的版本对应于补充文件S1。通过PsychoPy v2024.2.4运行。可访问https://www.psychopy.org获取。</td></tr><tr><td>显示器</td><td>Any manufacturer</td><td>N/A</td><td>（设备）用于呈现8 &amp;times; 8网格刺激的标准计算机显示器。调整屏幕尺寸以确保整个网格清晰可见。</td></tr><tr><td>鼠标/触控板</td><td>Any manufacturer</td><td>N/A</td><td>（设备）用于在网格内通过拖放方式放置物体的标准输入设备。</td></tr><tr><td>PsychoPy</td><td>Open Science Tools Ltd.</td><td>Version 2024.2.4</td><td>（软件）开源实验控制软件，用于运行任务。可访问https://www.psychopy.org获取。</td></tr></tbody></table>

网格学习任务：探究重叠类型对健康成年参与者新学习效果的影响

The Grid Learning Task: Examining the Effects of Overlap Type on New Learning Within Healthy Adult Participants

在日常生活中，人们经常需要记住物体的位置，例如某一天汽车停放在何处。一个关键的问题是，类似的先前经历（例如前一天在同一停车场停车）是否会促进或干扰对新事件的记忆。为此，研究人员开发了网格学习任务（Grid Learning Task, GLT）来探讨这一问题。在该任务中，参与者首先学习一组排列在网格上的物体，随后被要求将这些物体放置在空白网格的正确位置上。其中两种重叠条件尤为关键：位置重叠条件和物体重叠条件。在位置重叠条件下，呈现的是与先前网格相同空间构型但不同的物体；在物体重叠条件下，呈现的是相同的物体，但空间构型不同。本实验方案对原始任务进行了改进，采用被试内设计，使每位参与者均经历所有类型的重叠条件。通过比较位置重叠与物体重叠条件下的学习尝试次数，GLT 能够揭示先前经历的不同形式重叠如何影响新的学习过程。该任务的研究结果普遍表明，当物体身份重叠时，学习后续网格所需的尝试次数增加，反映出记忆干扰效应；相反，当物体位置重叠时，学习后续网格所需的尝试次数减少，反映出记忆促进效应。总体而言，GLT 提供了一个研究框架，通过揭示记忆中的干扰与促进效应，阐明先前经历如何影响新的学习过程。

根据以下标准排除参与者：(a) 在10次尝试内未能学会任一网格，或 (b) 数学分心任务的准确率低于75%。这些标准借鉴自先前一项使用网格学习任务（Grid Learning Task, GLT）的研究10。在完成GLT的46&#160;名参与者中，1人因第一条标准被排除，无人因第二条标准被排除。所有统计检验均采用双尾α水平0.05进行评估。
在四个网格中，参与者平均约经过4次尝试学会了每个网格（M = 3.81，SD = 0.93）。学习尝试次数在网格间呈数值下降趋势，从网格1（M = 4.69，SD = 1.53）到网格2（M = 3.62，SD = 1.59）、网格3（M = 3.51，SD = 1.50）和网格4（M = 3.40，SD = 1.21）（表1）。对45名参与者的数据进行重复测量方差分析（ANOVA）显示，网格编号对学习尝试次数具有显著效应（F(3, 132) = 9.32，p &#60; .001，ηp2 = .18）。采用Benjamini-Hochbe...

本方案介绍了网格学习任务（Grid Learning Task, GLT），一种用于研究不同类型重叠（即，对象 与 连续学习阶段之间的位置变化是否会促进或干扰新学习，可通过各网格间学习表现的变化来评估。

在日常生活中，人们常常需要记住物体的位置，例如某一天汽车停放在何处。一个关键的问题是……

我们的研究重点是利用一种改进的被试内网格学习任务，探究先验知识如何影响具有物体和空间重叠信息的学习。与以往的被试间设计不同，这种改进的被试内任务可对每个个体测试所有类型的重叠情况，从而消除个体差异带来的混杂因素。首先，使用 PsychoPy 打开网格学习任务程序。点击“运行”按钮，并确保程序未处于试运行模式。指导参与者在提示时输入预先分配的参与者编号。然后点击“确定”按钮，启动程序。指导参与者根据程序提示，在练习阶段和学习网格阶段按空格键继续查看操作说明。指导参与者通过按 Mac 系统上的 Command 键或 Windows 系统上的 Control 键，同时配合加号或减号键调整屏幕大小，直至网格的四个角均可见。开始第一轮练习阶段，呈现一个包含一个物体的小型 3×3 网格。学习界面显示 4 秒，随后在保持间隔期间呈现一个注视十字。接着显示一个空白网格，物体位于网格下方。提示参与者将物体放置在正确位置，随后提供反馈并允许其继续。开始第二轮练习阶段，呈现一个包含两个物体的完整 8×8 网格。重复与第一轮练习阶段相同的流程，但学习界面显示时间为 8 秒。在参与者提交答案后，显示反馈界面，提示所有物体位置是否均被正确放置；若不正确，需明确指出。显示提示屏幕，指示即将开始研究的网格阶段。要求参与者通过按空格键并遵循屏幕上的指示来开始该阶段。呈现一个学习屏幕，其白色背景上以8×8网格排列八个不同的日常物品。学习屏幕显示8秒后，指示参与者记忆各个物品的位置。允许物品占据共享角落的格子。随后呈现一个持续3秒的保持间隔屏幕，中央显示一个注视十字；之后呈现一个空白的8×8网格，所有物品图像随机排列在网格下方，并提示参与者将每个物品拖放到其记忆中的位置。要求参与者通过拖放操作将每个物品放置在网格中其记忆的位置。系统自动将每个物品居中于所选网格格子内，并允许参与者在提交前无限次重新调整物品位置。当参与者对所有物品的放置满意后，指示其按空格键提交答案，从而进入无时间限制的自定节奏测试阶段。显示反馈屏幕，告知正确放置的物品种数，但不指出具体哪些物品放置正确。重复此学习阶段循环，直至所有八个物品均被正确放置，或完成10次循环为止。随后允许程序自动进入数学干扰任务。开始数学干扰任务。指导参与者阅读屏幕上的说明，并在进入下一个网格之前完成简单的算术题目。在屏幕上逐个呈现涉及加法或减法的简单算术题。要求参与者通过按 T 键表示“正确”或按 F 键表示“错误”，判断每个等式是否正确。每次作答后显示反馈界面，提示回答正确或错误。如果在四秒内未作出反应，则自动进入反馈界面，并显示提示信息，要求参与者加快反应速度。在进入下一个网格前，让参与者完成 20 道算术题，确保干扰任务的完成时间约为一分钟。完成数学分心任务后，在屏幕上显示提示，告知参与者下一个网格即将开始。指示参与者按空格键以启动下一次试验。

the-grid-learning-task-examining-effects-overlap-type-on-new-learning

Research

科研

JoVE Journal

Behavior

行为

网格学习任务：探讨重叠类型对健康成人新学习影响

本文描述了一种方法，通过该方法，3至4个月大的婴儿通过自主探索学习一项任务，同时记录其腿部运动以量化学习过程。...

量化婴儿早期学习：在发现式学习任务中追踪腿部动作

本创新性实验方案旨在评估婴儿社会互动的神经基础。该范式设计用于解析语言、共同注意和面对面互动等各种社会性输入如何与婴儿的神经激活相关联。在社会性和非社会性条件下均记录婴儿的脑电图（EEG）功率。...

一种评估社会性输入对婴儿脑电图影响的被试内实验方案

我们介绍了足部踏步序列反应时间（SRT）任务。这种改进的SRT任务不仅涉及传统的仅需手指按压的动作，更贴近日常序列活动，使研究人员能够研究离散反应测量背后的动力学过程，并解析隐性序列学习中显性过程的作用机制。...

内隐运动序列学习中的“运动”成分：一种脚步移动的序列反应时任务

利用新型的 FishSim 动画工具链，我们提出了一种在帆鳍花鳉求偶选择模仿行为研究中非侵入性地视觉操控公共信息的实验方案。FishSim...

使用 FishSim 动画工具链研究鱼类行为：以帆鳍花鳉中配偶选择模仿为例

本文介绍了进行言语操作分析（VOA）、计算刺激控制比率方程（SCoRE）以及制定个体化言语行为治疗方案的步骤，这些方法特别适用于解决自闭症特征性的缺陷问题。...

使用刺激控制比率方程（SCoRE）建模言语行为缺陷

本方案旨在研究视觉表象在“bouba/kiki效应”中的作用，训练个体识别bouba/kiki形状与声音之间的规律性是否会影响bouba/kiki效应及对单个bouba和kiki形状的识别，以及这些规律性所引发的心理表征图像。...

探究视觉意象与学习形状-声音规律对“布巴”和“基基”效应的影响

本文描述了西班牙虚拟现实早期采用者的特征，以及他们对虚拟现实技术在学习和教育应用方面的兴趣与偏好。为此，我们设计了一份在线问卷，并对互联网上主要虚拟现实论坛的117名用户进行了访谈。...

早期采用者中虚拟现实学习应用的在线探索性研究

该双语斯特鲁普任务采用一致、不一致和中性刺激，分别以仅第一语言（L1）、仅第二语言（L2）以及L1与L2结合的方式分组呈现。此任务可用于考察在L1和L2中的语言加工与认知控制过程。...

使用斯特鲁普任务考察双语语言控制

使用多模态传感器是理解社交互动在教育环境中作用的一种有前景的方法。本文描述了一种利用移动眼动仪捕捉共处一地的成对个体之间共同视觉注意的实验方法。...

使用移动眼动仪捕捉联合视觉注意的方法学

本文介绍了一种利用半人工语言来测量积极诱导情绪对外语学习者语法学习影响的实验方案，该半人工语言将外语的语法规则与学习者的母语词汇相结合。...

测量诱发情绪对语法学习影响的实验范式

了解网格学习任务如何探究重叠类型对健康成年参与者新学习效果的影响。该方法通过位置重叠与物体重叠条件，揭示先前经验对空间记忆的促进与干扰机制。

网格学习任务：探究重叠类型对健康成年参与者新学习效果的影响

探索更多视频