How Does Prior Knowledge Affect Learning of New Information?

By Petar Raykov, Psychology Research Fellow at Sussex.

I am not one to enjoy promoting myself, yet I have been in Sussex for a while now and I quite like the research I have been doing here, so here it goes. Back in the day I started my PhD with Prof. Chris Bird and Prof. Jane Oakhill. My research focused, and I guess still focuses, on how prior knowledge and experiences affect the learning and representations of new everyday information.

Ok, so let’s slightly unpack this. By new everyday information, I mean my research often uses naturalistic video stimuli that show narrative plots unfolding over time. There is a rather new trend in psychology to use such stimuli, since they may be more easily generalizable to everyday life, or indeed can be particularly useful to address psychological questions such as how do we comprehend events and discourse, and how do we integrate information over time. Notably, as most trends this one also has very much been inspired by work done previously – seminal psychological studies have investigated how we comprehend and remember text (Bartlett, 1932; Bransford & Johnson, 1972; Johnson-Laird, 1983)[https://doi.org/10.1016/S0022-5371(72)80006-9], and process events and actions from videos (Newtson et al., 1977)[https://doi.org/10.1037/0022-3514.35.12.847].

To comprehend everyday situations, we often rely on our prior knowledge. For instance, when we go into a library, we expect to see a lot of books and people studying rather than dancing. My research focused on distinguishing the effects on different types of prior knowledge. For instance, we have more general knowledge about how a typical library might work – such general or schematic knowledge has been learned over multiple experiences with libraries. However, we might also have prior specific knowledge about one particular library (e.g., what happened yesterday at the library at University of Sussex).

In different studies I tested how specific and general prior knowledge might affect learning and what brain regions might support integrating prior knowledge with new incoming information.

For instance, in one study I showed that simply knowing the previous topic of conversation can lead to improved memory for a continuation video. This study also replicated previous fMRI (brain scanning technique) results from Chris Bird’s lab (Keidel et al., 2017)[ https://doi.org/10.1093/cercor/bhx218] and further extended them by showing what brain regions are involved in integrating this specific prior knowledge with the newly incoming information. Furthermore, by using newly developed machine learning methods we were able to show that having specific prior knowledge changed the comprehension and memory for the continuation video among participants. Specifically, having prior knowledge increased the consistency of interpretation of the second half videos leading to more similar memories across participants that had the prior knowledge (Raykov et al., 2018)[ https://doi.org/10.1101/276683].

Here I will digress a bit but hopefully the reader would find the trivia about these new machine learning methods very cool (e.g. see this cool visualization https://projector.tensorflow.org/ ). There has been a recent explosion in the development of new natural language processing algorithms that allow engineers and researchers to quantify relationships between text automatically. Specifically, such analyses methods can detect topics of conversation (https://en.wikipedia.org/wiki/Latent_Dirichlet_allocation (Heusser et al., 2021)[https://doi.org/10.1038/s41562-021-01051-6]), synonyms, quantify the similarity between sentences (https://tfhub.dev/google/universal-sentence-encoder/4), answer questions (https://en.wikipedia.org/wiki/BERT_(language_model)) and even generate and predict new text (https://en.wikipedia.org/wiki/GPT-2). These methods are particularly helpful since they could to some extend resemble the semantic memories (people’s encyclopaedic knowledge of knowing what objects and words mean) people have (see Fig. 1. and this amazing review – (Kumar, 2021)[https://doi.org/10.3758/s13423-020-01792-x]). The methods also allow psychologists to quantify semantic coherence and similarity and fit new models to address how people comprehend language or predict upcoming words (Goldstein et al., 2021; Huth et al., 2016)[ https://doi.org/10.1101/2020.12.02.403477; https://doi.org/10.1038/nature17637](see this interactive walkthrough of Huth’s results https://gallantlab.org/huth2016/).

In parallel, researchers in cognitive neuroscience and psychology have also started to adopt new machine learning methods (various decoding and encoding models) to examine how different stimulus features may predict brain activity. Indeed, this has proven very fruitful approach. Combining brain imaging with such machine learning methods can be helpful to address longstanding questions in psychology. For instance, Ediz Sohoglu who works at University of Sussex recently used encoding models to show how prediction errors affect speech perception (Sohoglu & Davis, 2020)[https://doi.org/10.7554/eLife.58077]. Warrick Roseboom and colleagues have used neural network models to build a computational model of how we might perceive time (Roseboom et al., 2019)[ https://doi.org/10.1038/s41467-018-08194-7]. Interestingly, this model has been further updated and currently also has implications for episodic memory and event processing (how we distinguish one event from another) (Fountas et al., 2021)[ https://doi.org/10.1101/2020.02.17.953133]. These methods are not only useful for neuroimaging data. Nora Andermane, Jenny Bosten, Anil Seth and Jamie Ward applied a clustering algorithm to examine individual differences in a set of perceptual tasks that measured how prior expectations affect perception (Andermane et al., 2020)[ https://doi.org/10.1016/j.concog.2020.102989]. Notably this is just a small sample of the incredible research done at Sussex University. But hopefully, it can highlight the usefulness of such methods, especially when combined with rigorous experimental design, and point out to students that sometimes coding pays off. Now to stop wasting your precious time I will stop with my digression. 

Figure 1. Highlighted words in yellow are words the algorithm identifies are related to the word ‘king’. These synonyms relationships are automatically learned by computational algorithm (word2vec), but may resemble the knowledge we represent about these objects in our brains.

In another study, we familiarised participants with one TV show and later asked them to watch and remember new video clips taken from the trained show and clips taken from a similar but untrained show. The training allowed participants to learn schematic information over multiple episodes about the main characters and their personalities. This design allowed us test how prior generic person knowledge affected the processing of new related information. I showed that person schematic knowledge helped participants remember more story specific information from the new clips taken from the trained show. We were able to identify brain patterns of activity that were specific for the person schematic knowledge. Interestingly, these patterns were present in medial prefrontal cortex, a brain region often associated with complex thought, reasoning and emotional processing. We observed that participants showing more robust evidence for these schematic patterns showed higher memory benefit for the trained videos (see Fig. 2). Furthermore, using videos and pattern recognition methods we were able to show that schema patterns were likely present throughout the whole duration of the video. These results start to elucidate how and when schema knowledge exerts its effects on new learning (Raykov et al., 2020, 2021)[https://doi.org/10.1080/02643294.2019.1685958; https://doi.org/10.1093/cercor/bhab027].

Figure 2. More robust schema representation in the remedial prefrontal cortex (MPFC; the yellow blob in the brain) predicted better memory for the trained video clips when compared to the untrained video clips.

In more recent work I examined what information do we actually represent when we remember an event (Bromis et al., 2021)[https://doi.org/10.1162/jocn_a_01802]. In a collaborative project with Konstantinos Bromis we tested how repeated and unique elements are remembered. Specifically, most psychological work often examines memory for unique items or narratives, however, in our everyday lives a lot of information is actually repeated and shared among events. For instance, on Monday and Tuesday I might work in the office and see Sam on both days. So, when I am remembering an event from Tuesday, I have to differentiate it from my memories from Monday on which I also saw Sam. Apart from these repeated elements there also event unique elements, e.g. I might have had different conversations on Monday and Tuesday, furthermore I might have seen different combination of people (e.g. on Monday I saw Sam and Dominika, but on Tuesday I saw Sam and Flavia). Traditional views in memory research are that since each event is composed of unique combination of elements, we simply represent all elements equally. However, this has not been tested empirically. Furthermore, since our memories may be particularly important on how we make predictions and decisions for the future, it might be the case that we do not represent frequently and predictably occurring elements equally to event unique elements. Me and Kostas addressed exactly this question in a two-session fMRI study using conversations written by Leah Wickens (an ex-undergraduate student at University of Sussex). We asked participants to learn very well conversations that comprised of repeated and unique elements. Participants could remember the conversations and both types of elements very well. Indeed, behaviourally they rated the event unique elements as more important and remembered more from them. Yet when we examined how their brains represented these memories, we found that actually the repeated and predictable elements were more strongly represented during retrieval. This result argues against the standard view of holistic retrieval where we represent all elements equally, and start to elucidate that our memories may put more weight on repeated and predictable elements, since they may be more important in the future (Anderson & Milson, 1989; Gershman, 2017)[https://doi.org/10.1037/0033-295X.96.4.703; https://doi.org/10.1016/j.cobeha.2017.05.025]. You can see more about the research in this presentation (https://www.youtube.com/watch?v=I_cVAIKPyFE&t=0s).

More recently, I have started to investigate how prior knowledge can lead to memory errors, and biases in interpretation. Indeed, although prior knowledge often benefits learning sometimes it makes learning more difficult and can lead to false memory errors – where people falsely remember things that never happened. Furthermore, I am interested in how we learn information that contradicts our prior expectations. This new line of research is done in collaboration with Dominika Varga (you can see an interview she did posted on the Sussex Neuroscience channel – https://www.youtube.com/channel/UCMhBRvfePUb1T_1XRn9hhcA ).

Apart from how prior knowledge affects processing of new information there are still multiple questions to be addressed. For instance, it is clear that prior knowledge effects are not necessarily linear and additive, so future research is needed to better understand the conditions that affect new learning. Furthermore, recently there has been large leaps in technology (e.g. development of various new brain imaging techniques and new computational and analysis methods) that allow us to empirically test new research questions and gain better understanding on how certain psychological processes are implemented in the brain. Yet there are still multiple questions to be addressed in future research. Indeed, it is still not clear how best to examine representations that are not currently active or in working memory, which may be necessary to best understand the effects of prior knowledge. One of the biggest remaining questions is also how newly learnt information becomes integrated with our previous memories and become part of our general knowledge about how the world works.

Hopefully, you enjoyed my blabbing and found the research interesting. And who knows, you might even consider participating in brain imaging research. One cool bit of it is that you can get a picture of your brain (the Van Gogh brain in Figure 2 is actually mine) and even get a 3D print of your brain (that can glow in the dark).

Posted in Uncategorized
One comment on “How Does Prior Knowledge Affect Learning of New Information?
  1. Its very informative information. Its realy helpful for everyone.Thanks Admin to share with us this type information.

    I know a website that also provide
    Concept Psychology Definition content its realy very helpful for learn Concept Psychology Definition

1 Pings/Trackbacks for "How Does Prior Knowledge Affect Learning of New Information?"
  1. […] Por Petar Raykov, investigador de psicología en Sussex. No soy de los que disfrutan promocionarse a mí mismo, sin embargo, he estado en Sussex por un tiempo y me gusta bastante la investigación que he estado haciendo aquí, así que aquí va. En el pasado comencé mi doctorado con el Prof. Chris Bird y la Prof. Jane Oakhill. Mi investigación se centró, y supongo que todavía se centra, en cómo el conocimiento y las experiencias previas afectan el aprendizaje y las representaciones de la nueva información cotidiana. Ok, vamos a desempacar un poco esto. Por nueva información cotidiana, me refiero a que mi investigación a menudo utiliza estímulos de video naturalistas que muestran tramas narrativas que se desarrollan a lo largo del tiempo. Existe una tendencia bastante nueva en la psicología a utilizar tales estímulos, ya que pueden ser más fácilmente generalizables a la vida cotidiana o, de hecho, pueden ser particularmente útiles para abordar cuestiones psicológicas tales como cómo comprendemos los eventos y el discurso, y cómo integramos la información. tiempo extraordinario. En particular, como la mayoría de las tendencias, esta también se ha inspirado en gran medida en el trabajo realizado anteriormente: estudios psicológicos fundamentales han investigado cómo comprendemos y recordamos el texto (Bartlett, 1932; Bransford & Johnson, 1972; Johnson-Laird, 1983)[https://doi.org/10.1016/S0022-5371(72)80006-9]y procesar eventos y acciones a partir de videos (Newtson et al., 1977)[https://doi.org/10.1037/0022-3514.35.12.847]. Para comprender situaciones cotidianas, a menudo nos basamos en nuestro conocimiento previo. Por ejemplo, cuando vamos a una biblioteca, esperamos ver muchos libros y gente estudiando en lugar de bailando. Mi investigación se centró en distinguir los efectos sobre diferentes tipos de conocimientos previos. Por ejemplo, tenemos un conocimiento más general sobre cómo podría funcionar una biblioteca típica; dicho conocimiento general o esquemático se ha adquirido a través de múltiples experiencias con bibliotecas. Sin embargo, también podríamos tener conocimientos específicos previos sobre una biblioteca en particular (p. ej., lo que sucedió ayer en la biblioteca de la Universidad de Sussex). En diferentes estudios probé cómo el conocimiento previo específico y general podría afectar el aprendizaje y qué regiones del cerebro podrían ayudar a integrar el conocimiento previo con la nueva información entrante. Por ejemplo, en un estudio mostré que el simple hecho de conocer el tema de conversación anterior puede mejorar la memoria para un video de continuación. Este estudio también reprodujo resultados anteriores de fMRI (técnica de escaneo cerebral) del laboratorio de Chris Bird (Keidel et al., 2017)[ https://doi.org/10.1093/cercor/bhx218%5D y los amplió aún más al mostrar qué regiones del cerebro están involucradas en la integración de este conocimiento previo específico con la información recién entrante. Además, mediante el uso de métodos de aprendizaje automático recientemente desarrollados, pudimos demostrar que tener un conocimiento previo específico cambió la comprensión y la memoria del video de continuación entre los participantes. Específicamente, tener conocimiento previo aumentó la consistencia de la interpretación de los videos de la segunda mitad, lo que generó más recuerdos similares entre los participantes que tenían el conocimiento previo (Raykov et al., 2018)[ https://doi.org/10.1101/276683%5D. Aquí me desviaré un poco, pero espero que el lector encuentre muy interesantes las curiosidades sobre estos nuevos métodos de aprendizaje automático (por ejemplo, vea esta visualización genial https://projector.tensorflow.org/). Ha habido una explosión reciente en el desarrollo de nuevos algoritmos de procesamiento de lenguaje natural que permiten a los ingenieros e investigadores cuantificar las relaciones entre el texto automáticamente. Específicamente, dichos métodos de análisis pueden detectar temas de conversación (https://en.wikipedia.org/wiki/Latent_Dirichlet_allocation (Heusser et al., 2021)[https://doi.org/10.1038/s41562-021-01051-6]), sinónimos, cuantificar la similitud entre oraciones (https://tfhub.dev/google/universal-sentence-encoder/4), responder preguntas (https://en.wikipedia.org/wiki/BERT_(language_model)) y incluso generar y predecir texto nuevo (https://en.wikipedia.org/wiki/GPT-2). Estos métodos son particularmente útiles ya que podrían parecerse hasta cierto punto a las memorias semánticas (el conocimiento enciclopédico de las personas de saber qué significan los objetos y las palabras) que tienen las personas (ver Fig. 1. y esta increíble revisión – (Kumar, 2021)[https://doi.org/10.3758/s13423-020-01792-x]). Los métodos también permiten a los psicólogos cuantificar la coherencia y la similitud semántica y ajustar nuevos modelos para abordar cómo las personas comprenden el lenguaje o predicen las próximas palabras (Goldstein et al., 2021; Huth et al., 2016)[ https://doi.org/10.1101/2020.12.02.403477; https://doi.org/10.1038/nature17637%5D(vea este recorrido interactivo de los resultados de Huth https://gallantlab.org/huth2016/). Paralelamente, los investigadores en neurociencia cognitiva y psicología también han comenzado a adoptar nuevos métodos de aprendizaje automático (varios modelos de decodificación y codificación) para examinar cómo las diferentes características de los estímulos pueden predecir la actividad cerebral. De hecho, este ha demostrado ser un enfoque muy fructífero. La combinación de imágenes cerebrales con tales métodos de aprendizaje automático puede ser útil para abordar preguntas antiguas en psicología. Por ejemplo, Ediz Sohoglu, que trabaja en la Universidad de Sussex, utilizó recientemente modelos de codificación para mostrar cómo los errores de predicción afectan la percepción del habla (Sohoglu & Davis, 2020).[https://doi.org/10.7554/eLife.58077]. Warrick Roseboom y sus colegas han utilizado modelos de redes neuronales para construir un modelo computacional de cómo podríamos percibir el tiempo (Roseboom et al., 2019)[ https://doi.org/10.1038/s41467-018-08194-7%5D. Curiosamente, este modelo se ha actualizado aún más y actualmente también tiene implicaciones para la memoria episódica y el procesamiento de eventos (cómo distinguimos un evento de otro) (Fountas et al., 2021)[ https://doi.org/10.1101/2020.02.17.953133%5D. Estos métodos no solo son útiles para los datos de neuroimagen. Nora Andermane, Jenny Bosten, Anil Seth y Jamie Ward aplicaron un algoritmo de agrupación para examinar las diferencias individuales en un conjunto de tareas de percepción que midieron cómo las expectativas previas afectan la percepción (Andermane et al., 2020)[ https://doi.org/10.1016/j.concog.2020.102989%5D. En particular, esta es solo una pequeña muestra de la increíble investigación realizada en la Universidad de Sussex. Pero con suerte, puede resaltar la utilidad de dichos métodos, especialmente cuando se combinan con un diseño experimental riguroso, y señalar a los estudiantes que a veces la codificación vale la pena. Ahora, para dejar de perder su precioso tiempo, me detendré con mi digresión. Figura 1. Las palabras resaltadas en amarillo son palabras que el algoritmo identifica como relacionadas con la palabra ‘rey’. Estas relaciones de sinónimos se aprenden automáticamente mediante un algoritmo computacional (word2vec), pero pueden parecerse al conocimiento que representamos sobre estos objetos en nuestro cerebro. En otro estudio, familiarizamos a los participantes con un programa de televisión y luego les pedimos que miraran y recordaran nuevos videoclips tomados del programa entrenado y clips tomados de un programa similar pero sin entrenamiento. La capacitación permitió a los participantes aprender información esquemática sobre múltiples episodios sobre los personajes principales y sus personalidades. Este diseño nos permitió probar cómo el conocimiento previo de la persona genérica afectaba el procesamiento de nueva información relacionada. Mostré que el conocimiento esquemático de la persona ayudó a los participantes a recordar más información específica de la historia de los nuevos clips tomados del programa entrenado. Pudimos identificar patrones cerebrales de actividad que eran específicos para el conocimiento esquemático de la persona. Curiosamente, estos patrones estaban presentes en la corteza prefrontal medial, una región del cerebro a menudo asociada con el pensamiento complejo, el razonamiento y el procesamiento emocional. Observamos que los participantes que mostraron evidencia más sólida de estos patrones esquemáticos mostraron un mayor beneficio de memoria para los videos entrenados (ver Fig. 2). Además, al usar videos y métodos de reconocimiento de patrones, pudimos mostrar que los patrones de esquema probablemente estuvieron presentes durante toda la duración del video. Estos resultados comienzan a dilucidar cómo y cuándo el conocimiento del esquema ejerce sus efectos sobre el nuevo aprendizaje (Raykov et al., 2020, 2021)[https://doi.org/10.1080/02643294.2019.1685958; https://doi.org/10.1093/cercor/bhab027%5D. Figura 2. Una representación de esquema más robusta en la corteza prefrontal de recuperación (MPFC; la mancha amarilla en el cerebro) predijo una mejor memoria para los clips de video entrenados en comparación con los clips de video no entrenados. En un trabajo más reciente, examiné qué información representamos realmente cuando recordamos un evento (Bromis et al., 2021)[https://doi.org/10.1162/jocn_a_01802]. En un proyecto colaborativo con Konstantinos Bromis, probamos cómo se recuerdan los elementos repetidos y únicos. Específicamente, la mayoría del trabajo psicológico a menudo examina la memoria en busca de elementos o narrativas únicas; sin embargo, en nuestra vida cotidiana, mucha información se repite y se comparte entre eventos. Por ejemplo, el lunes y el martes podría trabajar en la oficina y ver a Sam los dos días. Entonces, cuando estoy recordando un evento del martes, tengo que diferenciarlo de mis recuerdos del lunes en el que también vi a Sam. Aparte de estos elementos repetidos, también hay elementos únicos de eventos, por ejemplo, podría haber tenido conversaciones diferentes el lunes y el martes, además, podría haber visto una combinación diferente de personas (por ejemplo, el lunes vi a Sam y Dominika, pero el martes vi a Sam y Flavia ). Los puntos de vista tradicionales en la investigación de la memoria son que, dado que cada evento se compone de una combinación única de elementos, simplemente representamos todos los elementos por igual. Sin embargo, esto no ha sido probado empíricamente. Además, dado que nuestros recuerdos pueden ser particularmente importantes en la forma en que hacemos predicciones y decisiones para el futuro, podría darse el caso de que no representemos los elementos que ocurren de manera frecuente y predecible de la misma manera que los elementos únicos del evento. Kostas y yo abordamos exactamente esta pregunta en un estudio de resonancia magnética funcional de dos sesiones usando conversaciones escritas por Leah Wickens (una ex estudiante de pregrado en la Universidad de Sussex). Les pedimos a los participantes que aprendieran muy bien las conversaciones que comprendían elementos repetidos y únicos. Los participantes podían recordar muy bien las conversaciones y ambos tipos de elementos. De hecho, conductualmente calificaron los elementos únicos del evento como más importantes y recordaron más de ellos. Sin embargo, cuando examinamos cómo sus cerebros representaban estos recuerdos, encontramos que en realidad los elementos repetidos y predecibles estaban representados con mayor fuerza durante la recuperación. Este resultado va en contra de la visión estándar de recuperación holística donde representamos todos los elementos por igual y comenzamos a dilucidar que nuestros recuerdos pueden poner más peso en elementos repetidos y predecibles, ya que pueden ser más importantes en el futuro (Anderson & Milson, 1989; German, 2017)[https://doi.org/10.1037/0033-295X.96.4.703; https://doi.org/10.1016/j.cobeha.2017.05.025%5D. Puede ver más sobre la investigación en esta presentación (https://www.youtube.com/watch?v=I_cVAIKPyFE&t=0s). Más recientemente, comencé a investigar cómo el conocimiento previo puede conducir a errores de memoria y sesgos en la interpretación. De hecho, aunque el conocimiento previo a menudo beneficia el aprendizaje, a veces hace que el aprendizaje sea más difícil y puede conducir a errores de memoria falsa, donde las personas recuerdan falsamente cosas que nunca sucedieron. Además, me interesa cómo aprendemos información que contradice nuestras expectativas previas. Esta nueva línea de investigación se realiza en colaboración con Dominika Varga (puedes ver una entrevista que hizo publicada en el canal Sussex Neuroscience – https://www.youtube.com/channel/UCMhBRvfePUb1T_1XRn9hhcA). Además de cómo el conocimiento previo afecta el procesamiento de la nueva información, aún quedan múltiples preguntas por abordar. Por ejemplo, está claro que los efectos del conocimiento previo no son necesariamente lineales y aditivos, por lo que se necesita investigación futura para comprender mejor las condiciones que afectan el nuevo aprendizaje. Además, recientemente ha habido grandes avances en la tecnología (por ejemplo, el desarrollo de varias técnicas nuevas de imágenes cerebrales y nuevos métodos computacionales y de análisis) que nos permiten probar empíricamente nuevas preguntas de investigación y obtener una mejor comprensión de cómo se implementan ciertos procesos psicológicos en el cerebro. Sin embargo, aún quedan múltiples preguntas por abordar en futuras investigaciones. De hecho, todavía no está claro cómo examinar mejor las representaciones que no están actualmente activas o en la memoria de trabajo, lo que puede ser necesario para comprender mejor los efectos del conocimiento previo. Una de las preguntas más importantes que quedan es también cómo la información recién aprendida se integra con nuestros recuerdos anteriores y se convierte en parte de nuestro conocimiento general sobre cómo funciona el mundo. Espero que hayas disfrutado de mi parloteo y hayas encontrado interesante la investigación. Y quién sabe, incluso podría considerar participar en una investigación de imágenes cerebrales. Una parte interesante es que puedes obtener una imagen de tu cerebro (el cerebro de Van Gogh en la Figura 2 es en realidad mío) e incluso obtener una impresión 3D de tu cerebro (que puede brillar en la oscuridad). Source link […]

Leave a Reply

Your email address will not be published. Required fields are marked *

*

This site uses Akismet to reduce spam. Learn how your comment data is processed.

Subscribe to Blog via Email

Enter your email address to subscribe to this blog and receive notifications of new posts by email.