We now arrive at a point where both

We now arrive at a point where both the results of empirical
data and the computational modelling environment support an
associative learning account of the digit span superiority effect
based on the number of encounters with random sequences of digits
within the experience of the rememberer. If this is the case, then
a natural next step is to interrogate the model so that we can construct
digit lists containing pseudo-random digit sequences that
occur frequently versus those that rarely occur. In this way, any
difference in performance cannot be because digits hold some
special characteristic that other stimuli such as words do not;
rather any difference in performance would arise from the
frequency with which the sequences occur in natural language
(under the assumption that associative learning is more likely to
occur for frequent than infrequent sequences).
However, for reasons of tractability, the computational model
was only trained on one-tenth (half a million utterances/
sentences) of the BNC. Given that we have already concluded that
even the full set of BNC data is a fraction of that encountered by
children and adults, rather than interrogate the model we
extracted sequence frequencies from the BNC in full. Experiment
4 therefore compares recall performance for random digit
sequences that occur frequently in the BNC with those that occur
less frequently, the prediction being that the former should facilitate
serial recall more than the latter

ผลลัพธ์ (ไทย) 1:

เราตอนนี้มาถึงจุดที่ทั้งสองผลประจักษ์ข้อมูลและการคำนวณสร้างแบบจำลองสภาพแวดล้อมที่สนับสนุนการบัญชีเรียน associative ของตัวเลขขยายผลปมตามจำนวนกับแบบสุ่มลำดับตัวเลขในประสบการณ์ของ rememberer ที่ ถ้าเป็นกรณีนี้ แล้วขั้นตอนต่อไปธรรมชาติจะถามแบบนั้นเราสามารถสร้างรายการตัวเลขที่ประกอบด้วย pseudo-สุ่มตัวเลขลำดับที่เกิดขึ้นบ่อยกับผู้ที่ไม่ค่อยเกิดขึ้น ด้วยวิธีนี้ ใด ๆความแตกต่างในประสิทธิภาพการทำงานไม่ได้เนื่องจากตัวเลขค้างไว้บางลักษณะพิเศษที่สิ่งเร้าอื่น ๆ เช่นคำไม่ค่อนข้าง แตกต่างในประสิทธิภาพการทำงานจะเกิดขึ้นจากการความถี่ที่ลำดับที่เกิดขึ้นในภาษาธรรมชาติ(ภายใต้สมมติฐานที่เกี่ยวข้องการเรียนรู้เป็นไปได้มากเกิดขึ้นได้บ่อยกว่าการลำดับไม่)อย่างไรก็ตาม สำหรับเหตุผลของ tractability แบบจำลองเชิงคำนวณได้เข้าอบรมเท่านั้นในหนึ่งส่วนสิบ (utterances ล้านครึ่งตัว /ประโยค) ของ BNC ที่เรามีแล้วสรุปที่แม้แต่ชุดเต็มของข้อมูล BNC เป็นเศษส่วนที่ประสบเด็กและผู้ใหญ่ แทนที่ถามแบบเราแยกลำดับความถี่จาก BNC เต็มจำนวน การทดลอง4 เปรียบเทียบประสิทธิภาพการเรียกคืนสำหรับตัวเลขสุ่มดังนั้นลำดับที่เกิดขึ้นบ่อยใน BNC กับที่เกิดขึ้นไม่บ่อยนัก การทำนายเป็นที่อดีตควรอำนวยความสะดวกเรียกคืนประจำเกินกว่าหลัง

ผลลัพธ์ (ไทย) 2:

ตอนนี้เรามาถึงจุดที่ผลทั้งเชิงประจักษ์ของข้อมูลและสภาพแวดล้อมในการสร้างแบบจำลองทางคอมพิวเตอร์สนับสนุนการบัญชีการเรียนรู้ที่เชื่อมโยงของผลกระทบที่เหนือกว่าช่วงหลักขึ้นอยู่กับจำนวนของการเผชิญหน้ากับลำดับการสุ่มตัวเลขที่อยู่ในประสบการณ์ของrememberer ที่ หากเป็นกรณีนี้แล้วขั้นตอนต่อไปตามธรรมชาติคือการสอบปากคำรูปแบบเพื่อให้เราสามารถสร้างรายการหลักที่มีลำดับหลักสุ่มหลอกที่เกิดขึ้นบ่อยครั้งเมื่อเทียบกับผู้ที่ไม่ค่อยเกิดขึ้น ด้วยวิธีนี้ใด ๆ ที่แตกต่างในการทำงานไม่สามารถจะเป็นเพราะตัวเลขถือบางลักษณะพิเศษที่สิ่งเร้าอื่นๆ เช่นคำพูดที่ไม่; ค่อนข้างแตกต่างกันในการทำงานใด ๆ ที่จะเกิดขึ้นจากความถี่ที่ลำดับที่เกิดขึ้นในภาษาธรรมชาติ(ภายใต้สมมติฐานว่าการเรียนรู้ที่เชื่อมโยง มีแนวโน้มที่จะเกิดขึ้นบ่อยกว่าลำดับไม่บ่อยนัก). แต่สำหรับเหตุผลของการจัดการได้ง่ายรูปแบบการคำนวณได้รับการฝึกฝนเพียงหนึ่งในสิบ (ครึ่งล้านคำพูด / ประโยค) ของ BNC ระบุว่าเราได้ข้อสรุปแล้วว่าแม้แต่ชุดเต็มของข้อมูล BNC เป็นส่วนหนึ่งของที่พบโดยเด็กและผู้ใหญ่มากกว่าสอบถามรูปแบบที่เราสกัดความถี่ลำดับจากBNC เต็ม การทดลองที่4 จึงเปรียบเทียบผลการดำเนินงานสำหรับการเรียกคืนหลักสุ่มลำดับที่เกิดขึ้นบ่อยครั้งในBNC กับที่เกิดขึ้นไม่บ่อยทำนายเป็นว่าอดีตควรจะอำนวยความสะดวกในการเรียกคืนอนุกรมกว่าหลัง

ผลลัพธ์ (ไทย) 3:

ตอนนี้เราเดินทางมาถึงจุดที่ทั้งผลลัพธ์ของข้อมูลเชิงประจักษ์ และสภาพแวดล้อมแบบจำลองคอมพิวเตอร์

สนับสนุนเชื่อมโยงการเรียนรู้บัญชีช่วงหลักเหนือกว่าผล
ตามจํานวนของการเผชิญหน้าด้วยการสุ่มลำดับของตัวเลข
ในประสบการณ์ของ rememberer . ถ้าเป็นกรณีนี้ แล้ว
ธรรมชาติ ขั้นตอนถัดไปคือการสอบแบบที่ให้เราสามารถสร้าง
รายการที่มีลำดับตัวเลขสุ่มเทียมตัวเลขหลักที่
เกิดขึ้นบ่อยเมื่อเทียบกับผู้ที่ไม่ค่อยเกิดขึ้น ในลักษณะนี้มีความแตกต่างในการปฏิบัติ เพราะไม่ได้

ตัวถือบางลักษณะพิเศษอื่น ๆเช่นคำที่อาจไม่ ;
ค่อนข้างแตกต่างในการปฏิบัติจะเกิดขึ้นจาก
ความถี่ที่ลำดับเกิดขึ้นในภาษาธรรมชาติ
( ภายใต้สมมติฐานว่า เชื่อมโยงการเรียนรู้มีแนวโน้มเกิดขึ้นบ่อยกว่าที่ไม่ค่อยมีเวลา

) ) .
แต่เหตุผลทแรคทะบีล , แบบจำลองคอมพิวเตอร์
แค่ฝึกในหนึ่งในสิบ ( ครึ่งล้านคำพูด /
ประโยคของ BNC . ระบุว่าเราได้สรุปว่า
แม้แต่ชุดเต็มของข้อมูล bnc คือเศษของที่พบโดย
เด็กและผู้ใหญ่