稳定化

记忆稳定化（缩写为 SInc，即 stability increase）是指由记忆提取（例如，复习^[1]）引起的记忆稳定性^[2]增长。稳定化可能也是睡眠记忆优化^[3]的结果。

稳定性^[2]越高，复习^[1]时的稳定性增长越慢（参见：稳定化衰减）。顾名思义，记忆会在长期贮存中趋于「稳定」。

此外，提取记忆时的稳定性增长取决于可提取性^[4]和记忆复杂性^[5]。可提取性越低，稳定性的平均增长就越高。稳定性的增长期望通过巩固曲线描述，受记忆遗忘^[6]的概率调节，其在不同的遗忘指数水平达到峰值（通常是可提取性在 30-80% 之间）。

复杂性^[5]是记忆研究中的混淆因素。对于原子记忆，稳定性可以建模（例如，在 SM-17 算法^[7]中）。随着记忆复杂性不断提升，稳定性逐渐失去意义。例如，如果我们考虑记忆一本书，其稳定性增长是无法衡量的，因为一本书无法逐字逐句地被完整回忆。一本书的记忆印记是一组复杂的记忆组，其稳定性可能跨越从短期到永久存储的范围。

在 SM-17 算法^[7]中，稳定性增长矩阵（SInc[]）可视作 O-系数矩阵（源自老版本的 SuperMemos）在可提取性^[4]维度的拓展。这一拓展让算法适用于各种重复规划至关重要（复习^[1]中的延迟对应较低的可提取性^[4]）。

另见：

• 长期记忆的双组分模型^[8]
  
• 寻找通用记忆公式^[9]
  
• 稳定化曲线
  
• 稳定化衰减
  
• 间隔效应的结构和分子机理^[10]
  
• SuperMemo 算法：长达 30 年的努力
  
• 算法 SM-17^[7]
  
• 遗忘后的稳定
  

本词汇表条目用于解释 SuperMemo^[11]，一位自 1987^[12] 年以来的间隔重复^[13]软件先驱。

图：稳定性增长函数由 SM-17 算法计算。该函数有三个参数：（1）复习时的稳定性，以天为单位表示（左边），（2）复习时的可提取性（右边）和（3）记忆复杂性，以条目^[14]难度表示（标签为 Diff 的滑块目前设置为 0.8）。图中，稳定性增长在 15 左右达到峰值（纵轴）。在一些稳定性和可提取性水平下，函数值低于 1.0，代表稳定性下降（例如，由于集中学习而过早复习引发的间隔效应^[15]）。相对较难条目的 61,768 次重复被用于生成该曲线（Diff=0.8）。最长间隔达到了 14 年（稳定性为 5172）

图：SuperMemo 中的稳定化函数近似。数据点、绿色和红色圆点，对应了在选定难度分位（Diff=0.5）下所有稳定性和可提取性对应的记忆稳定化（SInc）。蓝-红曲线表示由 SuperMemo 使用稳定化曲线、稳定化衰减和根据条目难度更改这些函数的参数所找到的最佳拟合。生成该图使用了 54,449 个复习样本。右侧的绿色离群点表示来自新条目的「污染」，因为它们的稳定性还未被准确估计。

图：由 SM-17 算法近似的期望稳定性。该函数接受三个参数：（1）复习时的稳定性，以天为单位（在左侧），（2）复习时的可提取性（在右侧），和（3）记忆复杂性，以条目难度表示（标签为 Diff 的滑块目前设置在 0.1 处，即简单条目）。在图中，巩固（期望稳定性增长）的峰值为 5（纵轴）。不同于实际数据，该近似被设置为永不小于 1.0。这意味着该近似函数永远不会让复习时的稳定性下降。10,130 次简单条目的重复被用于生成该图（Diff=0.1）。其中一个数据点展示了间隔达到 14 年的一组重复样本（稳定性为 5172）。

图：SuperMemo 计算的稳定化曲线。横轴以记忆可提取性表示时间。纵轴表示稳定化，即记忆持久度的增长，以记忆稳定性增长表示。蓝色圆圈表示在给定可提取性下复习的稳定性增长程度。蓝色圆圈的大小取决于收集到的数据点数量。该图使用了 SuperMemo 中难度=0.53 且 稳定性=26 [天]的 31,721 条复习记录。稳定性增长从可提取性=100% 对应的 1.36（SIncMin=1.36）到 R=0% 对应的 26.31（SIncMax=26.31）。SuperMemo 中 R=90% 对应的最佳复习的稳定性增长为 1.86（Stab90 等价于旧版 SuperMemo 中的 O-系数）。表示间隔效应的增益系数等于 2.96，即相对较高，适应低稳定性。使用公式可以准确计算此数据集中的稳定化（黄色曲线）： 26*e-2.96*R，偏差为 0.5069。巩固曲线以紫色展示，表明遗忘指数是所提供数据集的合理学习标准。当 R 接近 100% 时，本图的实际稳定化为 0.879，与 2074 次测量结果一致。这在图片中看不清楚，但可以通过 SuperMemo 中输出的稳定化矩阵进行调查。这意味着在可提取性接近 100% 和 0% 的极端情况下，稳定化曲线公式可能不准确。这可以解释为没有任何记忆是可以完美提取或可验证的完全忘却（见：我们永远不会忘记）

图：稳定化衰减是记忆稳定化随着记忆稳定性提高而下降。取自 SuperMemo 的图片展示了稳定性对难度估计为 0.37 的条目的稳定化影响。绘制该图表使用了 25,686 条复习记录。稳定化的衰减率为 -0.529。稳定性可能的最大增长（SIncMax）是 3.102（当稳定性 =1 时）。蓝色圆圈表示数据点（S:SInc)，圆圈越大，复习记录的样本量越大。黄线是幂函数拟合，公式为：SInc=(3.102-1)*S-0.529+1。该拟合的偏差为 0.4235。

图：复杂记忆的稳定化的不确定过程。图中显示了以单个概念细胞的单一树突输入模式为例的稳定化、遗忘^[6]、泛化^[16]和干扰^[17]的假想过程。神经元、树突和树突丝以橙色显示。图片没有显示树突丝转化为树突棘的过程，树突棘的形态随着时间的推移会发生变化稳定化。方块代表参与识别输入模式的突触。每个方块显示了突触在长期记忆的双组分模型方面的状态。红色的强度代表可提取性。蓝色区域的大小代表稳定性。在记住一个复杂的记忆模式后，概念细胞在收到来自红色方块的信号总和后能够识别该模式，这些信号代表高可提取性和极低稳定性的新记忆。每次细胞被重新激活，活跃的输入将经历稳定化，这表现在输入方块中蓝色区域的增加。每次当概念细胞活跃时，信号没有到达输入端，其稳定性就会下降（泛化）。每次源轴突活跃而目标神经元未能发射，稳定性也会下降（竞争性干扰）。由于输入到概念细胞的信号模式不均匀，一些突触将被稳定下来，而另一些则会丢失。当一个突触失去其稳定性和可提取性，以及相关的树突棘被收回时，遗忘就会发生。当同一个概念细胞可以用一个更小但更稳定的输入模式重新激活时，泛化就会发生。当一个新的输入模式有助于忘记一些识别旧输入模式所必需的冗余输入时，就会发生追溯性干扰。旧模式的稳定化导致树突丝的流动性降低，从而防止新模式接管概念（主动的干扰）。在这个过程的每一端，一个稳定的、泛化性强的输入模式是激活概念细胞的充要条件。同一个细胞可以对不同的模式作出反应，只要它们是一致的、稳定的。在间隔重复中，对知识表征^[18]的选择不当将导致激活模式的可重复性差，突触的稳定化不均匀，以及遗忘。当输入模式无法激活足够多的突触，从而无法重新激活概念细胞时，就会发生对项目的遗忘。在重复时，根据上下文和思路，一个项目可能被提取或遗忘。复习的结果是不确定的

Thoughts Memo 汉化组译制
原文：Stabilization - supermemo.guru

← 返回目录