模型 蔡加尼克记忆效应

2024-01-09 09:10

本文主要是介绍模型 蔡加尼克记忆效应,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

本系列文章 主要是 分享 思维模型,涉及各个领域,重在提升认知。未完成的任务更易被记住。


1 蔡加尼克记忆效应的应用

1.1 生活中常见的蔡加尼克记忆效应

@1 写了一半的信

信写了一半,圆珠笔突然不出水了,是随手拿起另一支笔继续写下去还是四处找一支颜色相同的笔,在寻找时思路又转到别的方面去了,而丢下没的信不理?如果可能一定是找到同一支颜色的笔继续,不是吗?

@2电视中的广告,总是关键时刻来到

在大家都看电视机的时代。很多电视剧的忠实粉丝对节目中插播的广告甚为反感,但是又不得不硬着头皮看完。因为广告插进来时剧情正发展到紧要处,实在不舍得换台,生怕错过了关键部分,于是只能忍着,一条,两条……直到看完第N条后长叹一口气:“还没完啊?”不得不承认,这广告的插播时间选得着实精妙。其实说穿了,都是广告商摸透了观众的心理,让你欲罢不能。

@3 忘不掉的初恋

初恋是爱情交响曲中的第一乐章。但是初恋 毕竟是恋爱的起步,有试验的性质,它来得容易去得也快。最后俩人走到一起还好走不到一起就容易 受到 “蔡加尼克记忆效应”的影响。由于我们把初恋看成是一种 未能完成的、不成功的 事件,它的未完成反而更使人难以忘怀,同样在未获成果的初恋中,和初恋情人一起度过的美好时光,大多会深深地印入我们的脑海,使我们一生都难以忘却。而这正是源于它的未完成性。

而这一切,都要归结于一种被称为“蔡加尼克记忆效应”。它存在于我们生活中,有时让我们焦虑不安,那么我们是否可以使用它来完善 我们的生活呢?

1.2 使用蔡加尼克记忆效应

接下来,我们看看 蔡格尼克记忆效应是如何在生活和工作中应用的:

@1 记忆知识

一次严肃的考试,你很容易答出的题会很快忘记其内容,而很费劲儿才答出的题或者没有答上来的题,会长时期不忘。根据这一原理,为提高对所有所学知识的记忆牢固程度,在学习上可采取自问自答、相互提问、与人辩论、多做习题、模拟考试等方式来强化记忆。同时 记忆力和注意力 相关度很高。当注意力与记忆力相重合、方向一致时,记忆效果最好,否则效果就会不同程度地减弱。根据这一原理,教师可以通过风趣、幽默、形象的语言来吸引学生的注意力,通过培养学生的兴趣来集中学生的注意力,从而提高记忆效果。

@2 聚精会神的一堂课

西奥迪尼教授在给自己的学生上课前,都会让学生们去猜一件事,猜一个谜,当他把这个谜从开头讲出来之后,所有的学生就开始猜,那学生们猜不出来,那他就会慢慢讲他的课,一直讲到这个课程要结束的时候,才把这个谜底公开。唯一有一次,那个谜底他到最后下课了没解开,学生们都不离开,等着他的答案。这就是谜的作用。

@3 “抖音”是如何运用蔡格尼克记忆效应的?

抖音的视频为 15 秒(后期加长,但一般也不会超过5分钟,依然可以理解为“短”),通常不能完整地呈现一段配乐,或是 完整故事情节的视频的内容。因此抖音的很多视频,都会给人一种戛然而止的感觉,很多人会不由自主地多看几遍,甚至观察 其相关续集。甚至会对这些并不完整的视频记忆深刻。

2 模型 蔡加尼克记忆效应

2.1 蔡加尼克记忆效应概念

蔡格尼克记忆效应(Zeigarnik effect;又称蔡加尼克效应、“契可尼效应”) 是一种记忆效应,指人们对于尚未处理完的事情,比已处理完成的事情印象更加深刻。 也就是是指人们天生有一种办事有始有终的驱动力,人们之所以会忘记已完成的工作,是因为欲完成的动机已经得到满足;如果工作尚未完成,这同一动机便使他对此留下深刻印象。这个现象是由蔡格尼克通过实验得出的结论。

2.2 蔡加尼克记忆效应实验

20世纪20年代德国心理学家Β.Β.蔡格尼克在一项记忆实验中发现的心理现象。她让被试者做22件简单的工作,如写下一首你喜欢的诗,从55倒数到17,把一些颜色和形状不同的珠子按一定的模式用线穿起来。。。等等。完成每件工作所需要的时间大体相等,一般为几分钟。在这些工作中,只有一半允许做完,另一半在没有做完时就受到阻止。允许做完和不允许做完的工作出现的顺序是随机排列的。做完实验后,在出乎被试意料的情况下,立刻让他回忆做了22件什么工作。结果是未完成的工作平均可回忆68%,而已完成的工作只能回忆43%。在上述条件下,未完成的工作比已完成的工作保持得较好,这种现象就叫蔡格尼克效应。

2.3 蔡加尼克记忆效应的缘由

为什么人们对未完成的工作的回忆量会优于已完成的工作?有人认为这是由于未完成的工作引起了情绪上的震动。但如果我们把工作用三种方式处理:

  • 第一种是允许其完成
  • 第二种是我们中途加以阻止使它们最终没有完成
  • 第三种是中途加以阻止后我们再让其完成。

结果发现,人们对中途被阻止后再完成的工作的回忆量要优于前两种情况。而这就不能用中途阻止所产生的情绪所致来解释了,或许我们可以用心理的紧张系统是否得到解除来加以说明。未完成工作所引起的心理紧张系统还没有得到解除,因而回忆量相对大。中途加以阻止的未完成的工作不仅易于回忆,并且在做了其他工作之后,还有继续完成它的趋势。人们对于尚未处理完的事情会有较强烈的去完成它的动机,所以记忆自然也会较为深刻。工作和生活当中也是如此,你可能对于你目前正在做,但还没完成的事情记忆最深刻,对于已经完成的一些事情或许就不会给予太多关注了。其实这也符合人们的记忆规律,人的大脑总是记住一些需要加工的内容,将之放在工作记忆中,就像是电脑的内存一样,而对于已经完成或将要完成的内容大脑则会有意地去遗忘。

3 模型简图

4 扩展:齐加尼克效应/齐氏效应

4.1 齐加尼克效应/齐氏效应

齐氏效应主要强调的是人们在做一件事情时,会产生一种紧张状态,如果这件事情没有做完,这种紧张状态就会一直持续,导致人们感到失落和焦虑。

这种紧张状态是由于人们对未完成任务的关注和投入所导致的。当人们开始做一件事情时,他们会投入大量的精力和注意力,以期完成任务并获得成就感。如果任务没有完成,人们就会感到自己的努力白费了,从而产生失落和焦虑的情绪。

齐氏效应在日常生活和工作中都有广泛的应用。例如,在学习和工作中,如果一项任务没有完成,人们可能会感到焦虑和失落,从而影响学习和工作的效率。因此,及时完成任务可以帮助人们缓解紧张状态,提高学习和工作的效率。

同时,了解齐氏效应也可以帮助人们更好地处理任务被打断的情况。如果任务被打断,人们可以通过及时记录当前任务的进度,以避免忘记任务的完成情况,从而缓解紧张状态。

4.2 齐加尼克效应/齐氏效应和蔡加尼克效应的区别和联系

齐氏效应和蔡加尼克效应都是心理学中的概念,它们都涉及到人们对未完成任务的关注和投入。

  • 齐氏效应主要强调的是人们在做一件事情时,会产生一种紧张状态,如果这件事情没有做完,这种紧张状态就会一直持续,导致人们感到失落和焦虑。
  • 蔡加尼克效应则主要强调的是人们对于尚未处理完的事情,比已处理完成的事情印象更加深刻。

两者的联系和区别:

  • 两者的联系在于它们都涉及到人们对未完成任务的关注和投入。齐氏效应和蔡加尼克效应都表明,人们对未完成任务的关注程度比已完成任务更高,这种关注会导致人们产生紧张状态和深刻印象。
  • 两者的区别在于它们的侧重点不同。齐氏效应更强调人们在做一件事情时的紧张状态,以及这种紧张状态对人们情绪的影响。而蔡加尼克效应更强调人们对未完成任务的印象深刻程度,以及这种深刻印象对人们行为和决策的影响。

总的来说,齐氏效应和蔡加尼克效应都是心理学中重要的概念,它们都反映了人们对未完成任务的关注和投入。了解这些效应可以帮助人们更好地处理任务和管理时间,提高工作效率和学习效果。

这篇关于模型 蔡加尼克记忆效应的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/586619

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

AI Toolkit + H100 GPU,一小时内微调最新热门文生图模型 FLUX

上个月,FLUX 席卷了互联网,这并非没有原因。他们声称优于 DALLE 3、Ideogram 和 Stable Diffusion 3 等模型,而这一点已被证明是有依据的。随着越来越多的流行图像生成工具(如 Stable Diffusion Web UI Forge 和 ComyUI)开始支持这些模型,FLUX 在 Stable Diffusion 领域的扩展将会持续下去。 自 FLU

SWAP作物生长模型安装教程、数据制备、敏感性分析、气候变化影响、R模型敏感性分析与贝叶斯优化、Fortran源代码分析、气候数据降尺度与变化影响分析

查看原文>>>全流程SWAP农业模型数据制备、敏感性分析及气候变化影响实践技术应用 SWAP模型是由荷兰瓦赫宁根大学开发的先进农作物模型,它综合考虑了土壤-水分-大气以及植被间的相互作用;是一种描述作物生长过程的一种机理性作物生长模型。它不但运用Richard方程,使其能够精确的模拟土壤中水分的运动,而且耦合了WOFOST作物模型使作物的生长描述更为科学。 本文让更多的科研人员和农业工作者

线性因子模型 - 独立分量分析(ICA)篇

序言 线性因子模型是数据分析与机器学习中的一类重要模型,它们通过引入潜变量( latent variables \text{latent variables} latent variables)来更好地表征数据。其中,独立分量分析( ICA \text{ICA} ICA)作为线性因子模型的一种,以其独特的视角和广泛的应用领域而备受关注。 ICA \text{ICA} ICA旨在将观察到的复杂信号