科学背景
Ultima Memoria (UM) 处于一个科学参照框架之中,这一框架触及关于人类记忆与认知表现的若干核心问题。Ultima Memoria (UM) 系统的核心是四个彼此关联的记忆维度:
- 记忆的容量,
- 记忆的速度,
- 记忆的表达形式与精确度,
- 长期记忆。
该分析既着眼于它们的功能性互动,也着眼于它们的可测量性与可改变性。
Ultima Memoria (UM) 是首个不把这四个记忆维度当作彼此分离的单项能力,而是当作统一表现结构中功能上相互关联的组成部分来处理的体系。庞大的记忆容量只有在信息同时可迅速取用、可精确复现并且长期可靠可得时,才显出其全部实践价值。正是这种相互关联构成了 Ultima Memoria (UM) 系统的概念基础。
与此相对,就目前所能判断,既有研究迄今只是在孤立的局部方面考察了这些关系。以 Ultima Memoria (UM) 所强调的方式,对记忆的容量、记忆的速度、记忆的表达形式与精确度以及长期记忆进行整合性的考察,尚未见到。
下文所列的精选研究处理这一更广泛关联的若干核心局部方面。它们考察记忆容量与加工速度;精确度、回忆质量与长期可及性;提取过程与持久保持;记忆、注意与一般认知表现之间的关系;以及神经可塑性与成年大脑的改变能力。此外还包括关于人工智能 (AI) 的作用、技术支持与独立认知表现的研究。
A |Ultima Memoria (UM) 的四个记忆维度作为一个整合的表现结构
Ultima Memoria (UM) 在一个四维框架内对记忆表现加以结构化、测量并精确界定:
- 记忆的容量
- 记忆的速度
- 记忆的表达形式与精确度
- 长期记忆
B |关于记忆容量、速度及其关系的研究
相关研究把记忆容量描述为明显有限。Nelson Cowan 确定的短时记忆核心容量平均约为四个组块,而 Rouder 等人的研究在其视觉工作记忆模型中算得总容量为 3.35 个信息单位 (IU)。
这些研究由此表明,记忆的容量是可经验把握并可测量的。同时它们勾勒出一个量级,而 Ultima Memoria (UM) 依其自身的测量与发展逻辑明显超越该量级。所引研究描述的是既有的容量界限,而 Ultima Memoria (UM) 则指向记忆容量的可测量扩展。此外,Ultima Memoria (UM) 把容量与速度置于一个更广的系统之中,该系统还包含记忆的表达形式与精确度以及长期记忆。
核心发现
Cowan 重新审视了短时记忆能够容纳“7 ± 2”个信息单位 (IU) 的经典说法,并主张在更严格控制的条件下,更为可信的估计接近三到五个组块。他的研究由此对短时间内能够保持在即时可及状态的信息量给出了更精确的说明。
核心发现
Rouder 等人检验了假定视觉工作记忆存在固定上限的模型。就所考察的任务形式而言,他们的结果明确支持离散的固定容量:视觉工作记忆在任一时刻似乎只能保留数量有限、彼此可区分的信息单位。依据所用模型,平均总容量估计为 3.35 个信息单位 (IU)。
核心发现
该研究明确检验记忆速度与记忆容量之间是否存在一般关系。更具体地说,它追问短期内可保持可及的信息量是否取决于这些内容在记忆中被搜索的快慢。然而,研究结果并未为“记忆速度可可靠地解释容量”这一跨领域的一般规律提供证据。同时作者强调,他们的结果并不能最终排除这种关系。
C |关于精确度、长期记忆与回忆质量的研究
随后的研究聚焦于 Ultima Memoria (UM) 的另外两个核心维度:记忆的表达形式与精确度,以及长期记忆。它们所关心的不只是信息是否被保留,还包括它以怎样的准确性、细节丰富度与持久性保持可用。综合起来,它们表明记忆表现不能化约为“记得”与“不记得”的二元区分。已存信息的回忆精确度、提取质量与持续可及性同样重要。
因此,这些研究触及 Ultima Memoria (UM) 框架的若干重要方面。然而 Ultima Memoria (UM) 把这一视角推得更远:它把这些维度纳入对记忆表现的更宽广理解之中。它不是孤立地看待精确度与长期记忆,而是把它们与记忆的容量和记忆的速度联系起来。这一整合的视角凸显了该体系的一个核心前提:记忆的存储唯有在信息不仅被保留,而且能以大容量、高速度、表达上的精确并长期保持可用时,才获得其全部实践价值。
核心发现
Brady 等人考察了人们能够长期保留多少视觉客体,以及日后能以多高的精确度加以辨认。在数小时内,被试观看了 2 500 个客体,随后不仅能把先前见过的与新的区分开来,还能以很高的可靠性辨别细节上的细微差异。该研究由此表明,视觉长期记忆能够把异常巨大的存储容量与出色的细节保真度结合起来。
核心发现
该研究质疑了长期记忆在本质上不如工作记忆精确这一流行假设。Miner 等人以高度熟悉的客体为材料,表明长期保存的视觉记忆在适当条件下能够以非凡的准确度被回忆出来。因此,他们的发现把长期记忆的精确度更清晰地带入科学视野。
核心发现
Richter 等人区分了情景记忆中常被视为一体的三个维度:提取的成功、所回忆内容的精确度,以及记忆的主观生动性。他们的结果表明,记忆表现不能以“记得”或“不记得”的二元方式充分描述。尤其是提取的精确度,显现为记忆本身一个独立且可测量的方面
D |关于提取、长期可及性与认知表现发展的研究
随后的研究主要关注长期记忆,同时也探讨牢固习得的材料如何随时间保持可用,以及日后能被多可靠地提取。核心问题不是单纯的信息摄入,而是它在较长时期内被保持并在需要时仍可取用的条件。反复出现的发现是:持久保持既可通过提取,也可通过复习的时间间隔而得到增强。
这些研究照亮了 Ultima Memoria (UM) 框架的重要一部分,但并非该框架的全部。Ultima Memoria (UM) 把长期可及性视为记忆四个相互依存维度之一,而非独立现象。它此外还设置了不同的着重点。
这里所考察的研究是就提取练习与间隔重复来审视持久保持,而 Ultima Memoria (UM) 着眼于在一个标准化的整体系统内对长期记忆进行可测量的发展与提升。按其自身方法论,该系统不要求重复学习材料;在必须重复之处,则将其限于一次检查性通读。
核心发现
Roediger 与 Karpicke 比较了重复测验与额外学习对日后记忆表现的影响。在仅经短暂延迟后施行的最终测验中,额外学习起初带来更好的成绩。然而当在两天后与一周后测量回忆时,测验条件显示出明显优势。该研究被广泛视为所谓测试效应研究的奠基性贡献,即主动提取能够增强长期保持这一发现。
核心发现
Cepeda 等人考察了 1 350 余名被试,以确定学习与复习之间的间隔如何影响日后的保持。他们的结果表明,学习片段之间最有效的间隔取决于所期望的保持期。对较短保持期而言最佳的间隔,与最适合长达一年的超长期记忆的间隔并不相同。该研究由此表明,学习的时间安排能够对长期可及性产生实质影响。
E |关于神经可塑性与大脑改变能力的研究
任何关于人类记忆与认知表现发展的论述,都必须从这一前提出发:大脑并非固定不变的系统。Ultima Memoria (UM) 长期以来即认为人的心智能力在根本上具备适应与发展的能力。神经可塑性研究为这一视角提供了重要的经验支持。研究表明,学习、训练与经验可能伴随成年大脑中可测量的功能与结构变化。
关于新神经元的生成以及新生神经细胞特有可塑性的研究进一步表明,神经的可变性比长期以来所设想的更深入。同时,对证据必须审慎加以区分。成年人脑中与训练相关的结构变化有经验证据支持,而此处所引关于新生神经元可塑性增高的研究结果则来自动物实验。
这一研究整体之所以重要,是因为它为一个核心前提提供了经验支持:认知表现并非固定,而是可以发展的。Ultima Memoria (UM) 把这一前提转化为记忆发展的具体模型。它把认知适应性这一更宽泛的原则直接与记忆表现相联系,并将其转译为测量与发展的系统框架。
核心发现
Draganski 等人追问学习一项复杂的视觉运动技能是否会改变成年人脑的结构。经过三个月的杂耍练习,被试在参与复杂视觉运动加工的脑区显示出可测量的灰质增加。练习停止后,其中一些变化有所回落。该研究因而清楚地证明,学习与训练能够在成年大脑中引发结构性适应。
核心发现
Ge 等人发现,成年大脑中生成的神经元会经历一个突触可塑性异常之高的短暂成熟阶段。在这一窗口期内,它们表现出增强的长时程增强能力——一种与学习和记忆密切相关的突触变化形式。尽管基于动物实验,该研究表明成年神经发生可能有助于具有功能意义的神经适应性。
F |关于技术、人工智能 (AI) 与独立认知投入的研究
技术系统,尤其是人工智能 (AI),正在重塑人们获取、加工与使用信息的条件。研究表明,生成式人工智能 (AI) 能够加快工作流程、降低获取信息的门槛,并提升某些成果的质量。与此同时,较新的研究表明,把这类系统用作个人自身心智投入的替代而非支持,可能伴随认知激活的降低以及对自己所产内容的更弱回忆。
这提出了一个具有根本重要性的问题。技术能力的价值不在于取代人的记忆与思维,而在于与之富有成效地相连。Ultima Memoria (UM) 正是着眼于这一人的维度。它强化记忆与认知能力——这些能力所需的不只是更快获取信息,而是独立地保留它、精确地提取它、批判地评估它,并有反思地运用它。
这里所考察的研究把这一张力带入视野。它一方面指向人工智能 (AI) 的支持性潜力,另一方面指向主动的人类认知参与持续存在的重要性。Ultima Memoria (UM) 把这两种视角合到一处:它把人理解为记忆、判断与自觉运用的主动担当者,而非技术加工过的信息的被动接受者。
核心发现
Noy 与 Zhang 考察了 ChatGPT 在与工作相关的写作任务中的使用。在一项涉及 444 名受过高等教育的专业人士的研究中,该工具使平均完成时间减少 40%,同时使结果的评定质量提高 18%。他们的发现表明,生成式人工智能 (AI) 能够在知识工作的某些领域带来可观的生产力提升。
核心发现
该研究考察了在大语言模型支持下写作短文如何同时影响脑活动与可观察的表现。被试在三种条件之一下完成任务:使用大语言模型、使用搜索引擎,或不使用任何外部工具。前三次实验有 54 名被试参加,其中 18 人回来参加了第四次。在三组之中,使用大语言模型的一组所测得的神经连通性最弱,对自己所写内容的回忆也最差。作者将此解读为一种可能的迹象:当人工智能 (AI) 取代而非支持独立的心智投入时,其使用可能带来认知代价。