视觉短期记忆中的集中趋势表示和示例匹配
广义上下文模型（GCM）
视觉短期记忆（VSTM）
GCM的随机行走扩展模型（random walk extension，EBRW）
Sternberg扫描（Sternberg scanning）
最小可觉差（just noticeable difference，JND）
压缩模型（Compression model，CM）
在VSTM领域，GCM的扩展模型EBRW与prototype是不同的。本文提出的“集中趋势表示（central tendency representations）”模型可以轻松地解释GCM无法解释的Sternberg扫描数据，且本文提出的压缩模型比GCM更好地预测了数据，表明在VSTM领域需要重新考虑prototype模型。
【EBRW】：其核心是根据示例的信息进行分类。该模型假设分类仅基于给定项目的特征与记忆中每个项目的特征的相似性，即项目p与类别A和类别B中每个示例a的相似度。设共有K个类别，则p被归类为A的概率为：
而VSTM的文献将分类行为解释为被试非常擅长估计和记住刺激的整体信息（即集中趋势），这种记忆不仅提高VSTM的准确性，也对分类产生了影响。
【集中趋势表示】：
【概念】在呈现一系列信息时，被试倾向于遗忘具体信息而保留平均信息，据此进行分类。
【Ariely（2001）的实验】向被试依次呈现直径不同的圆圈，之后呈现目标项目圈p，要求比较p与呈现过的圈的平均直径的大小。发现比较均值的准确率很高，表明将具体信息汇总为总体信息是大脑的自适应方式，提高了记忆效率。
进一步研究，与信号检测论结合：
【Dube（2014）的实验】首先依次呈现两个不同的快速闪烁的光栅（Gabor patches），之后呈现一系列测试光栅，被试要判断哪个测试光栅与先前呈现的两个光栅其中的一个相同。每个光栅的空间频率值可以用固定基频上的n个最小可觉差（JND）表示。测试光栅有15个n值不同的频率值，包括与目标相等的值和14个干扰值（Lure）。
该实验对视觉选择性注意的操作：“哪个作为目标光栅”的提示出现时间有三种情况：第一个项目前（预提示）、项目之间（中间提示）、两个项目之后（后提示）。
【结果】判断的测试光栅与先呈现的两个项目的平均值接近，且后提示影响更大【图1】，表明缺乏选择性注意时这种影响最明显。
【图1】纵坐标指的是无关干扰光栅（Control Lure）的虚报率以及与两个项目的平均空间频率相等的光栅（Lurea）的虚报率。
尽管该模型是错误的，但以这种方式能合理解释数据，表明有必要对原型模型进行重新考虑。
在解释VSTM的原型效应（即用平均值代替具体信息）时，GCM模型用了两种变体：指数相似梯度（exponential similarity gradient）的GCM只有在同时满足干扰足够高、有多个判断维度、有两个以上研究项目时才有虚报率FAR>击中率HR，而高斯相似梯度（Gaussian similarity gradient）GCM在两项-一维时也能有FAR>HR。所以研究者又提出了一个VSTM模型，模拟两项-一维的原型模型，可以预测FAR>HR。
【压缩模型】
【概念】分类任务中，被试依据两种匹配（项目与记忆中最佳示例的匹配，以及项目与记忆中的平均值之间的匹配）的总匹配度进行“是”判断。
【假设】在高同质性（homogeneity，即相似性）和低关注条件下，对平均值的P（是）中FAR>HR。
【推导】项目p与最佳示例之间的匹配定义如下，设是p与之间的欧几里得距离，是该类中距离最远的示例：
p和两项的平均值之间的匹配如下，设是p与之间的距离：
（2）（3）的指数r和v决定不匹配的敏感程度，随着p和示例s之间不匹配程度的增加，r和v的值增大。权重参数θ指两个研究项目之间的距离D（即不相似性）的影响：
参数δ控制θ的变化率，指数n控制函数的形状。
设特定阈值为t *，总匹配值为：
通过将关于t *的匹配值积分来计算选择“是”的概率：
Z表示总阈限：
【检验模型】【图2】为了检验该模型，选择参数值为r = 2，v = 3，n = 9，空心圆δ= 1（高关注度），实心圆δ=4（低关注度）。t *= 0.3。设置三个同质性级别（s1和s2）：-5和5（a），-4和4（b），-3和3（c）。是较小的任意值。横坐标表示光栅测试值，范围为[-10，10]；纵坐标表示选择两个研究项目的平均值的P(是)。随着从a到c的同质性增加，注意力权重θ减小，P（是）增加。
【实验方法】招募了10名大学生被试。刺激是空间频率依次相差一个JND的13个光栅。
【图3】在整个试验过程中，注意点都固定在屏幕中央的黑点上。同时呈现两个与注视点距离相等的空间频率变化的光栅（200毫秒），间隔（800±50毫秒）后呈现测试光栅，被试选择测试光栅是否与两个研究项目的记忆空间频率相等。
空间频率条件（Spatial frequency conditions）控制：该实验改变了测试光栅相对于研究项目的位置。实验中指示被试忽略空间位置，仅判断测试光栅是否与研究项目之一匹配。
每个被试进行1200次试验，在一半的试验中出现了目标测试（Target probes）（测试光栅和较高空间频率的研究项目匹配的频率与它们和较低空间频率的研究项目匹配的频率相同）。一半的试验中有干扰测试，即在空间频率维度上的位置发生了变化。所有试验均随机给出了测试类型和位置。
【结果】
【图4】绿色条形图显示了在Target和Lure中的P（是），折现表示CM、高斯GCM、指数GCM拟合。白色曲线：左边显示CM的拟合，右边显示高斯GCM的拟合。表明在高同质数据集中，Lure关于平均值的FAR明显增加且>HR。
此外，在三种模型的偏差、最佳拟合参数值的比较中均体现出，在对数据的预测上，CM优于高斯GCM，高斯GCM优于指数GCM。
【结论】在VSTM领域中，有必要对原型模型进行重新考虑，但不足以使GCM、EBRW受到质疑。且人类在记忆中对集中趋势信息的依赖是自适应的，提高了记忆性能。
参考文献
【1】Ma, W. J., Husain, M., & Bays, P. M. (2014).Changing concepts of working memory. Nature Neuroscience, 17(3), 347.
人们普遍认为工作记忆容量有限，只能保存固定的、数量很少的东西。最近有人认为它是一种有限的资源，可以灵活地分配给要保存在记忆中的所有项目。根据这种观点，决定性能的是工作记忆的质量而不是数量。
【2】S, R, Zaki, R, M, & Nosofsky. (2001). Exemplar accounts of blending and distinctiveness effects in perceptual old-new recognition. Journal of Experimental Psychology Learning Memory & Cognition.
最近从感知旧-新识别文献的发现表明，被试对旧事物的“混合”形成的新事物有极高的虚报率。有证据表明，位于相似空间的孤立区域的物品被识别的概率比典型的旧物品要高。这两种现象都对感知旧-新识别的熟悉范例模型的预测提出了挑战。作者研究发现混合的效果与相似性范例模型的预测一致。