N-Back Memory Training for Android APK

Περιγραφή

Η έρευνα υποδηλώνει ότι η προπόνηση n-back μπορεί να οδηγήσει σε κέρδη στη ρευστή νοημοσύνη (IQ) και στην ικανότητα εργασιακής μνήμης (Soveri et al., 2017).

Εάν βαθμολογείτε το N-Back Memory Training λιγότερο από πέντε αστέρια, αφήστε ένα σχόλιο για να μπορέσω να αντιμετωπίσω τις ανησυχίες σας. Εκτιμώ πραγματικά τα σχόλιά σας.

Οδηγίες:

Ο στόχος του παιχνιδιού είναι να κρατάτε διάφορα αντικείμενα στη μνήμη εργασίας σας και να ενημερώνετε ενεργά αυτά τα στοιχεία καθώς προχωρά το παιχνίδι. Με κάθε νέα δοκιμή, πατήστε το κουμπί αντιστοίχισης εάν το τρέχον στοιχείο ταιριάζει με το στοιχείο που συνέβη σε έναν δεδομένο αριθμό δοκιμών στο παρελθόν. Ο όρος n-back υποδηλώνει πόσες δοκιμές (n) στο παρελθόν πρέπει να θυμάστε. Από προεπιλογή, θα ξεκινήσετε με 2-πίσω, επομένως πατήστε το κουμπί αντιστοίχισης εάν το τρέχον στοιχείο ταιριάζει με το στοιχείο που εμφανίστηκε 2 δοκιμές στο παρελθόν. Για μια απλή επίδειξη του τρόπου αναπαραγωγής single 2-back, δείτε αυτό το βίντεο: https://www.youtube.com/watch?v=qSPOjA2rR0M .

Επιλογές:

Το N-Back Memory Training σάς επιτρέπει να επιλέξετε από μια ποικιλία στοιχείων για αποθήκευση στη μνήμη εργασίας:

τη θέση ενός τετραγώνου σε ένα πλέγμα 3 x 3

ήχοι (γράμματα, αριθμοί ή νότες πιάνου)

εικόνες (σχήματα, εθνικές σημαίες, αθλητικός εξοπλισμός)

χρωματιστά

Από προεπιλογή, η εφαρμογή ξεκινά με διπλό n-back, χρησιμοποιώντας θέσεις και ήχους (γράμματα). Το dual in dual n-back απλώς υποδηλώνει πόσους διαφορετικούς τύπους αντικειμένων θα πρέπει να θυμάστε. Μπορείτε να επιλέξετε οποιονδήποτε συνδυασμό τύπων αντικειμένων, από single n-back έως quad n-back.

Παρακολουθήστε την πρόοδο και ανταγωνιστείτε με άλλους χρήστες:

Παρακολουθήστε την καθημερινή σας πρόοδο χρησιμοποιώντας προσαρμόσιμα, διαδραστικά γραφήματα. Μπορείτε επίσης να συγκρίνετε τις υψηλές βαθμολογίες σας με άλλους χρήστες σε όλο τον κόσμο σε πραγματικό χρόνο με τη λειτουργία premium (διατίθεται η αναβάθμιση εντός της εφαρμογής).

Βαθμολογία:

Το N-Back Memory Training μετρά την ακρίβεια της μνήμης εργασίας σας χρησιμοποιώντας τον δείκτη διάκρισης A' από τη θεωρία ανίχνευσης σήματος (Stanislaw & Todorov, 1999). Το A κυμαίνεται γενικά από 0,5 (τυχαία εικασία) έως 1,0 (τέλεια ακρίβεια). Μια βαθμολογία Α' >= 0,90 σας προχωρά στο επόμενο επίπεδο και η βαθμολογία Α' <= 0,75 οδηγεί σε επιστροφή στο προηγούμενο επίπεδο n-πίσω (μετά από μία περίοδο χάριτος). Αυτές οι ρυθμίσεις μπορούν να αλλάξουν στη χειροκίνητη λειτουργία. Για την παρακολούθηση της προόδου σας, το A' συνδυάζεται με το τρέχον επίπεδο n-back έτσι ώστε οι βαθμολογίες να κυμαίνονται +/- 0,5 γύρω από το επίπεδο n-back σας. Για παράδειγμα, στο 2-back, μια ακρίβεια A'=1 θα αποφέρει βαθμολογία 2,5, ενώ A'=0,5 θα δώσει βαθμολογία 1,5.

Λεπτομέριες:

A'=0,5 + πρόσημο(H - F) * ((H - F)^2 + abs(H - F))/(4 * max(H, F) - 4 * H * F)

όπου

Hit Rate (H)=hits/# δοκιμές σήματος

False-positive Rate (F)=false pos/# δοκιμές θορύβου

βλέπε Stanislaw & Todorov (1999)

Δοκιμές δέλεαρ:

Μέσα στις Ρυθμίσεις, μπορείτε να ελέγξετε το ποσοστό των δοκιμών δέλεαρ, που κάνουν την εργασία πιο δύσκολη. Οι δοκιμές δέλεαρ παρουσιάζουν ερεθίσματα που εμφανίστηκαν n-back συν ή πλην μία δοκιμή. Δηλαδή, αντισταθμίζονται μία δοκιμή από τη δοκιμή στόχο (n-back).

Προσαρμογή:

Εάν θέλετε να αλλάξετε την ταχύτητα του παιχνιδιού, τον αριθμό των δοκιμών ή οτιδήποτε άλλο, απλώς μεταβείτε στις Ρυθμίσεις > Επιλογή λειτουργίας > Χειροκίνητη λειτουργία. Από εκεί, μπορείτε να προσαρμόσετε σχεδόν οτιδήποτε. Μπορείτε επίσης να προσαρμόσετε την εμφάνιση των εφαρμογών δημιουργώντας το δικό σας προσαρμοσμένο φόντο χρησιμοποιώντας χρωματικές διαβαθμίσεις. Μπορείτε να βρείτε αυτές τις επιλογές στο κάτω μέρος του μενού Ρυθμίσεις.

Στείλτε τυχόν σχόλια, ερωτήσεις ή ανησυχίες στο [email protected] .

Ευχαριστώ που έπαιξες!

E. A. L.

βιβλιογραφικές αναφορές

Soveri, A., Antfolk, J., Karlsson, L., Salo, B., & Laine, M. (2017). Επανεξέταση της εκπαίδευσης στη μνήμη εργασίας: Μια πολυεπίπεδη μετα-ανάλυση των μελετών εκπαίδευσης n-back. Ψυχονομικό δελτίο & κριτική, 24(4), 1077-1096.

Stanislaw, Η., & Todorov, Ν. (1999). Υπολογισμός μέτρων θεωρίας ανίχνευσης σήματος. Μέθοδοι έρευνας συμπεριφοράς, όργανα και υπολογιστές, 31(1), 137-149.

Πίστωση εικόνας φόντου εντός εφαρμογής: Rseau de neurones. Αν τότε αλλιώς/Wikimedia, CC BY-SA