Although the classic system view of memory attributes short-term and long-term information retention to independent memory systems (Atkinson & Shiffrin, 1968), the emerging state view of memory replaces this dichotomy with the idea that mental representations are retained in different states (Cowan, 2001). According to this state view, short-term information retention in working memory (WM) is conceptualized as activated long-term memory (LTM) under the focus of attention. Thus, representations across WM and LTM are closely related (e.g., Xie & Zhang, 2018) and can be supported by shared neural mechanisms (Nee & Jonides, 2008, 2013). A previous study by Brady, Konkle, Gill, Oliva, and Alvarez (2013) shows that the precision of retained information across WM and LTM is highly similar, which seems to be consistent with this state view. However, using the same method as Brady et al., Biderman, Luria, Teodorescu, Hajaj, and Goshen-Gottstein (2019) recently reported that precision estimates in WM tasks were substantially higher than those in LTM tasks, suggesting that there are different precision limits across WM and LTM. We found that the interpretation of these conflicting findings was complicated by a conceptual issue in the direct comparison of the behavioral estimates of precision across WM and LTM tasks by both Brady et al. and Biderman et al. To move this line of research forward, we propose an alternative approach using individual differences to provide a better test for the relationship between precision constraints in WM and LTM. First, caution should be taken when the absolute magnitude of a behavioral estimate of precision is used to infer the precision of retained mental representations. This is because precision estimates can be driven not only by internal noise in mnemonic respresentations but also by many other factors, such as response noise (e.g., van den Berg, Shin, Chou, George, & Ma, 2012). For example, as shown by Biderman et al., precision estimates from the recall paradigm are not immune to the effects of interference occurring at multiple stages of a memory task (e.g., reduced precision estimates across WM reports in Biderman et al.’s Experiment 2 and across short vs. long lists in their Experiment 3). Hence, even if the upper limit of representational precision in LTM is the same as that in WM, increased response interference in the LTM task (e.g., retrieving items from among 180 stimuli in LTM vs. from 3 stimuli in WM in Experiment 1 of Biderman et al.) can introduce additional variability in recall responses, leading to lower LTM precision estimates. Consequently, different precision estimates between WM and LTM tasks (or even just within an LTM task across different list lengths, as in Experiment 3 of Biderman et al.; but see Persaud & Hemmer, 2016) may reflect increased response noise in the LTM task instead of reduced precision in the underlying representation of originally encoded LTM content. Furthermore, because the same issue can also occur during recall of multiple items simultaneously 903718 PSSXXX10.1177/0956797620903718Xie et al.Working Memory and Long-Term Memory research-article2020

中文翻译：

---

工作记忆和长期记忆估计精度的相关个体差异：对 Biderman、Luria、Teodorescu、Hajaj 和 Goshen-Gottstein 研究的评论（2019）

尽管经典的记忆系​​统观点将短期和长期信息保留归因于独立的记忆系统（Atkinson & Shiffrin，1968），但新兴的记忆状态观点取代了这种二分法，认为心理表征保留在不同的状态中。考恩，2001 年）。根据这种状态观点，工作记忆（WM）中的短期信息保留被概念化为注意力集中下的激活长期记忆（LTM）。因此，跨 WM 和 LTM 的表示密切相关（例如，Xie & Zhang，2018）并且可以得到共享神经机制的支持（Nee & Jonides，2008，2013）。Brady、Konkle、Gill、Oliva 和 Alvarez (2013) 之前的一项研究表明，跨 WM 和 LTM 保留信息的精度高度相似，这似乎与这种状态观点一致。然而，使用与 Brady 等人相同的方法，Biderman、Luria、Teodorescu、Hajaj 和 Goshen-Gottstein (2019) 最近报告说，WM 任务中的精度估计大大高于 LTM 任务中的精度估计，这表明存在不同的精度WM 和 LTM 的限制。我们发现，Brady 等人在直接比较 WM 和 LTM 任务的精度行为估计时存在一个概念问题，因此对这些相互矛盾的发现的解释变得复杂。和比德曼等人。为了推进这一研究方向，我们提出了一种使用个体差异的替代方法，以更好地测试 WM 和 LTM 中精度约束之间的关系。第一的，当精确度的行为估计的绝对幅度用于推断保留的心理表征的精确度时，应谨慎。这是因为精度估计不仅可以由助记符表示中的内部噪声驱动，还可以由许多其他因素驱动，例如响应噪声（例如，van den Berg、Shin、Chou、George 和 Ma，2012）。例如，如 Biderman 等人所示，召回范式的精度估计不能免受在记忆任务的多个阶段发生的干扰的影响（例如，在 Biderman 等人的实验中，WM 报告中降低的精度估计） 2 以及他们的实验 3 中的短列表和长列表）。因此，即使 LTM 中的表征精度上限与 WM 中的相同，也会增加 LTM 任务中的响应干扰（例如，在 Biderman 等人的实验 1 中，从 LTM 中的 180 个刺激中检索项目与从 WM 中的 3 个刺激中检索项目）可以在召回响应中引入额外的可变性，从而导致较低的 LTM 精度估计。因此，WM 和 LTM 任务之间的不同精度估计（甚至只是在跨不同列表长度的 LTM 任务内，如 Biderman 等人的实验 3；但参见 Persaud & Hemmer，2016 年）可能反映了 LTM 任务中增加的响应噪声而不是降低原始编码 LTM 内容的底层表示的精度。此外，由于在同时回忆多个项目时也会出现同样的问题 903718 PSSXXX10.1177/0956797620903718Xie et al.Working Memory and Long-Term Memory research-article2020 来自 Biderman 等人的实验 1 中 WM 中的 3 个刺激）可以在召回响应中引入额外的可变性，导致较低的 LTM 精度估计。因此，WM 和 LTM 任务之间的不同精度估计（甚至只是在跨不同列表长度的 LTM 任务内，如 Biderman 等人的实验 3；但参见 Persaud & Hemmer，2016 年）可能反映了 LTM 任务中增加的响应噪声而不是降低原始编码 LTM 内容的底层表示的精度。此外，由于在同时回忆多个项目时也会出现同样的问题 903718 PSSXXX10.1177/0956797620903718Xie et al.Working Memory and Long-Term Memory research-article2020 来自 Biderman 等人的实验 1 中 WM 中的 3 个刺激）可以在召回响应中引入额外的可变性，导致较低的 LTM 精度估计。因此，WM 和 LTM 任务之间的不同精度估计（甚至只是在跨不同列表长度的 LTM 任务内，如 Biderman 等人的实验 3；但参见 Persaud & Hemmer，2016 年）可能反映了 LTM 任务中增加的响应噪声而不是降低原始编码 LTM 内容的底层表示的精度。此外，由于在同时回忆多个项目时也会出现同样的问题 903718 PSSXXX10.1177/0956797620903718Xie et al.Working Memory and Long-Term Memory research-article2020 WM 和 LTM 任务之间的不同精度估计（甚至只是在跨不同列表长度的 LTM 任务内，如 Biderman 等人的实验 3；但参见 Persaud & Hemmer，2016）可能反映 LTM 任务中增加的响应噪声，而不是原始编码的 LTM 内容的底层表示的精度降低。此外，由于在同时回忆多个项目时也会出现同样的问题 903718 PSSXXX10.1177/0956797620903718Xie et al.Working Memory and Long-Term Memory research-article2020 WM 和 LTM 任务之间的不同精度估计（或者甚至只是在跨不同列表长度的 LTM 任务内，如 Biderman 等人的实验 3；但参见 Persaud & Hemmer，2016）可能反映了 LTM 任务中增加的响应噪声，而不是原始编码的 LTM 内容的底层表示的精度降低。此外，由于在同时回忆多个项目时也会出现同样的问题 903718 PSSXXX10.1177/0956797620903718Xie et al.Working Memory and Long-Term Memory research-article2020 2016）可能反映了 LTM 任务中增加的响应噪声，而不是原始编码的 LTM 内容的底层表示的精度降低。此外，由于在同时回忆多个项目时也会出现同样的问题 903718 PSSXXX10.1177/0956797620903718Xie et al.Working Memory and Long-Term Memory research-article2020 2016）可能反映了 LTM 任务中增加的响应噪声，而不是原始编码的 LTM 内容的底层表示的精度降低。此外，由于在同时回忆多个项目时也会出现同样的问题 903718 PSSXXX10.1177/0956797620903718Xie et al.Working Memory and Long-Term Memory research-article2020