پیشنهاد یک الگوی یکپارچه و چند سطحی از نظام شناخت: کاوشی در کارکرد شبکه معنایی

نویسندگان
آرمین احسانی
ایمان الله بیگدلی
حسین کارشکی
دانشگاه فردوسی مشهد
چکیده
رهیافت‌های یکپارچه در علوم شناختی می‌کوشند بین سازه‌های مختلف در نظریه‌های گوناگون ارتباط برقرار کنند و آن‌ها را در یک چهارچوب مفهومی مشترک بازتفسیر کنند. در این پژوهش با استفاده از مفهوم سطوح پردازشی، چهارچوب یکپارچه‌ای جهت تفسیر نظام‌مند نتایج به دست آمده از آزمون‌های شناختی پیشنهاد و ارزیابی شده است. برای برقراری ارتباط بین پردازش سطح معنایی با دیگر سطوح، ابتدا سطوح پردازشی شناخت بر اساس حجم اطلاعاتی که از محرک بازنمایی و پردازش می‌کنند به سه دسته ویژگی محور، معنایی و مفهومی تقسیم شده‌اند و سطح پردازشی معنایی، ارتباط‌ دهنده‌ی سطح پردازشی ویژگی-محور و سطح پردازشی مفهومی در نظر گرفته شده است. برای ارزیابی کمی ساختار این مدل، 207 شرکت‌کننده با اختلال در پردازش محرک‌های هیجانی از کلینیک‌های روان‌شناختی شهرستان مشهد به روش نمونه‌گیری در دسترس انتخاب شدند. چگونگی کارکرد شبکه شناختی شرکت‌کنندگان به وسیله پرسشنامه افسردگی بک، آزمون فاصله معنایی، آزمون روانی تولید کلام و آزمون‌های رایانه‌ای جستجوی نقطه هدف، استروپ، آزمون تداعی ضمنی و مرتب‌سازی کارت‌های ویسکانسین سنجیده شد. در مدل پژوهش، پرسشنامه‌ و آزمون‌های اجرا شده به عنوان متغیر پیش‌بینی‌کننده و سطوح سه‌گانه پردازشی به عنوان متغیر‌‌های میانجی سازمان‌دهی شدند و داده‌های پژوهش از طریق مدل معادله ساختاری و با رویکردی اکتشافی تحلیل گردید. بهترین مدل برازش شده، تقسیم‌بندی سه سطحی داده‌های پژوهش را تایید کرد و در این مدل ضریب مسیر ارتباط مراحل معنایی و مفهومی پردازش 4/0 بدست آمد. این نتایج پیشنهاد می‌کنند که پردازش شناختی ویژگی‌محور، معنایی و مفهومی با مکانیزم‌های متفاوتی انجام می‌شوند و آزمون‌های شناختی برای ارزیابی کارکرد‌های شناختی در هر سطح با توجه به حجم اطلاعاتی محرک‌های استفاده شده، باید با آزمون‌‌های انجام شده در همان سطح مقایسه شود. در مطالعات پیشین ارتباط بین نمره آزمون تولید کلام و شدت نشانگان افسردگی بک اغلب بحث برانگیز بوده است. با بکارگیری مفهوم سطوح پردازش، درباره ارتباط این دو متغیر و دلایل متفاوت بودن نتایج مطالعات قبلی بحث شده است.






کلیدواژه‌ها
مدل‌سازی شناختی
شبکه معنایی
مدل معادلات ساختاری

عنوان مقاله English

The Construction of an Integrative, Multi-Level Model for Cognition: The Function of Semantic Networks

نویسندگان English

Armin Ehsani
Imanollah Bigdeli
Hussein Kareshki
-
چکیده English

Integrated approaches try to connect different constructs in different theories and reinterpret them using a common conceptual framework. In this research, using the concept of processing levels, an integrated, three-level model of the cognitive systems has been proposed. In order to build an integrative framework for systematic interpretation of cognitive tests results, processing levels are divided into three categories of Feature-Oriented, Semantic and Conceptual Level. Since nervous system picks stimuli based on their features, processing levels in this framework is categorized based on the volume of stimuli's information, while Semantic network relates Feature-Oriented and Self-Oriented levels. To assessment the model quantitatively, 207 participants with impaired valance system from psychological clinics in Mashhad were selected by available sampling method. Participants' cognitive function was measured by The Beck Depression Inventory II, Semantic Distance Test, Verbal Fluency Test, Dot Probe Test, Stroop Test, Implicit Association Test and Wisconsin Card Sorting Test. Tets scores were organized as predictive variables, and the three processing levels were considered as mediating variables. The model's structure was analyzed through Structural Equation Model method with an exploratory approach. The best fitted model of data confirmed the three-level division of the research data. In this model, the path coefficient between semantic and conceptual constructions obtained 0.4. These results suggest that Feature-Oriented, Semantic, and Conceptual levels of cognition are differently processed, and cognitive tests results could be compared just in similar level according to the information volume of stimuli used. In previous studies, the relationship between Verbal Fluency test scores and the severity of Beck depressive score has often been controversial. Using the concept of processing levels, the relationship between these two variables have been reinterpreted.

کلیدواژه‌ها English

Cognitive Modeling
Semantic Networks
Structural Equation Model
American Psychological Association. (2010). 2010 Amendments to the 2002 “Ethical principles of psychologists and code of conduct”. The American Psychologist, 65(5), 493. https://doi.org/10.1037/a0020168.
Badcock, P. B. (2012). Evolutionary systems theory: A unifying meta-theory of psychological science. Review of General Psychology, 16(1), 10–23. https://doi.org/10.1037/a0026381.
Bartczak, M., & Bokus, B. (2017). Semantic Distances in Depression: Relations Between ME and PAST, FUTURE, JOY, SADNESS, HAPPINESS. Journal of Psycholinguistic Research, 46(2), 345–366. https://doi.org/10.1007/s10936-016-9442-2.
Bisley, J. W., & Goldberg, M. E. (2010). NIH Public Access. Annual Review of Neuroscience, (Critchley 1953), 1–21. https://doi.org/10.1146/annurev-neuro
060909-152823.Attention.
Bradley, M. M., Greenwald, M. K., Petry, M. C., & Lang, P. J. (1992). Remembering pictures: Pleasure and arousal in memory. Journal of Experimental Psychology: Learning, Memory, & Cognition, 18, 379–390.
Drahansky, M., Paridah, M. ., Moradbak, A., Mohamed, A. ., Owolabi, F. abdulwahab taiwo, Asniza, M., & Abdul Khalid, S. H. . (2016). Impaired Mental Processing Speed With Moderate to Severe Symptoms of Depression. Intech, i(tourism), 13. https://doi.org/http://dx.doi.org/10.5772/57353.
Eliasmith, C. (2013). How to Build a Brain. Oxford University Press.
Enfield, N. J. (2015). Linguistic Relativity from Reference to Agency. https://doi.org/10.1146/annurev-anthro-102214-014053.
Gazzaniga, M S. (2011). Who’s in Charge?: Free Will and the Science of
the Brain. Ecco. Retrieved from https://books.google.com/books?id=1YmsRMe2pZwC.
Gazzaniga, Michael S. (2015). Human: the Science Behind What Makes Us Unique, 1. https://doi.org/10.1017/CBO9781107415324.004.
Greenwald, A. G., Nosek, B. A., & Banaji, M. R. (2003). Understanding and using the Implicit Association Test: I. An improved scoring algorithm. Personality and Social Psychology, 85, 197–216.
Ilonen, T., Leinonen, K., Wallenius, E., Karlsson, H., Taiminen, T., Salokangas, R., & Laurema, H. (2000). Impaired Wisconsin Card Sorting Test performance in first-episode sever depression. Nord J Psychiatery, 54, 275–280.
Kline, R. B. (2016). Principles and practice of structural equation modeling. (4th ed.). New York: The Guilford Press.
Marr, D. (1982). Vision: A Computational Investigation into the Human Representation and Processing of Visual Information. MIT Press 2010.
Miller, E. (1984). Verbal fluency as a function of a measure of verbal intellegence and in relation to different types of cereberal pathology. Clinical Psychology, 8, 385–394.
Petersen, S. E., & Posner, M. I. (2012). The Attention System of the Human Brain: 20 Years After. Annual Review of Neuroscience, 35(1), 73–89. https://doi.org/10.1146/annurev-neuro-062111-150525.
Posner, M. I., & Rothbart, M. K. (1998). Attention, self-regulation and consciousness. Philosophical Transactions of the Royal Society B: Biological Sciences, 353(1377), 1915–1927. https://doi.org/10.1098/rstb.1998.0344.
RepovŠ, G., & Baddeley, A. (2006). The multi-component model of working memory: Explorations in experimental cognitive psychology. Neuroscience, 139(1), 5–21. https://doi.org/10.1016/j.neuroscience.2005.12.061.
Roca, M., Vives, M., López-Navarro, E., García-Campayo, J., & Gili, M. (2015). Cognitive impairments and depression: a critical review. Actas Espanolas de Psiquiatria, 43(5), 187–193. Retrieved from http://www.ncbi.nlm.nih.gov/pubmed/26320897.
Strauss, E., Spreen, O., & Sherman, M. S. E. (2006). A Compendium of Neuropsychological Tests: Administration, Norms, and Commentary (Third Edit).
Treisman, A., & Gelade, G. (1980). A feature integration theory of attention. Cognitive Psychology, 12, 97–138.