과학이 지원하는 이중 n- 백 작업으로 IQ 및 작업 메모리 향상
advertisement
| 이름 | N-Back Memory Training |
|---|---|
| 버전 | 7.3 |
| 업데이트 | 2022년 11월 20일 |
| 크기 | 15 MB |
| 카테고리 | 퍼즐 |
| 설치 수 | 100K+ |
| 개발자 | E.A.L. |
| Android OS | Android 4.4+ |
| Google Play ID | science.eal.n_backmemorytraining |
N-Back Memory Training · 스크린샷
N-Back Memory Training · 설명
연구에 따르면 n-back 훈련은 유체 지능 (IQ) 및 작업 기억 능력의 향상으로 이어질 수 있다고 제안합니다 (Soveri et al., 2017).
N-Back Memory Training을 별 5 개 미만으로 평가하는 경우, 귀하의 우려를 해결할 수 있도록 의견을 남겨주십시오. 귀하의 의견을 진심으로 소중히 생각합니다.
지침 :
N-Back Memory Training을 별 5 개 미만으로 평가하는 경우, 귀하의 우려를 해결할 수 있도록 의견을 남겨주십시오. 귀하의 의견을 진심으로 소중히 생각합니다.
지침 :
게임의 목적은 작업 메모리에 다양한 아이템을 보관하고 게임이 진행됨에 따라 이러한 아이템을 적극적으로 업데이트하는 것입니다. 각각의 새로운 평가판에서 현재 항목이 과거에 지정된 횟수만큼 시행 된 항목과 일치하면 일치 버튼을 누릅니다. “n-back”이라는 용어는 과거에 기억해야 할 시행 횟수 ( n )를 나타냅니다. 기본적으로 2- 백에서 시작하므로 현재 항목이 과거에 2 번의 시험에서 발생한 항목과 일치하면 일치 단추를 누릅니다. 싱글 2 백 재생 방법에 대한 간단한 데모는 https://www.youtube.com/watch?v=qSPOjA2rR0M 동영상을 참조하십시오.
옵션 :
N-Back Memory Training을 사용하면 작업 메모리에 저장할 다양한 항목 세트 중에서 선택할 수 있습니다.
• 3 x 3 격자에서 사각형의 위치
• 소리 (문자, 숫자 또는 피아노 음표)
• 이미지 (모양, 국기, 스포츠 장비)
• 색상
기본적으로 앱은 위치 및 소리 (문자)를 사용하여 이중 n- 백에서 시작합니다. 이중 n- 백의 "이중"은 기억해야 할 항목 유형의 수를 나타냅니다. 단일 n- 백에서 쿼드 n- 백까지 항목 유형의 조합을 선택할 수 있습니다.
진행 상황 추적 및 다른 사용자와 경쟁 :
사용자 정의 가능한 대화식 그래프를 사용하여 일일 진행 상황을 추적하십시오. 프리미엄 모드 (앱 내에서 사용 가능한 업그레이드)를 사용하여 실시간으로 전 세계의 다른 사용자와 높은 점수를 비교할 수도 있습니다.
점수 :
N-Back Memory Training은 신호 감지 이론의 식별 지수 A '를 사용하여 작업 메모리 정확도를 측정합니다 (Stanislaw & Todorov, 1999). A '의 범위는 일반적으로 0.5 (임의 추측)에서 1.0 (완전한 정확도)입니다. A '> = 0.90의 점수는 다음 레벨로 올라가고, A'<= 0.75의 점수는 (한 유예 기간 후) 이전 n- 백 레벨로 대체됩니다. 이 설정은 수동 모드에서 변경할 수 있습니다. 진행 상황을 추적하기 위해 A '는 현재 n- 백 레벨과 결합되어 n- 백 레벨 주위의 점수 범위는 +/- 0.5입니다. 예를 들어, 2- 백에서 A '= 1의 정확도는 2.5의 점수를, A'= 0.5는 1.5의 점수를 산출합니다.
세부 사항 :
A '= .5 + 부호 (H-F) * ((H-F) ^ 2 + abs (H-F)) / (4 * max (H, F)-4 * H * F)
어디
적중률 (H) = 적중 / # 신호 시행
가양 성 비율 (F) = 허위 / 소음 시행
Stanislaw & Todorov (1999) 참조
요소 평가판 :
설정 내에서 미끼 시행률을 제어하여 작업을 더욱 어렵게 만들 수 있습니다. 미끼 시험은 n- 백 플러스 또는 마이너스 1 시험에서 발생한 자극을 나타냅니다. 즉, 대상 시험 (n-back)에서 1 회 시행됩니다.
맞춤 설정 :
게임 속도, 시험 횟수 등을 변경하려면 설정> 모드 선택> 수동 모드로 이동하십시오. 여기에서 거의 모든 것을 사용자 정의 할 수 있습니다. 색상 그라디언트를 사용하여 사용자 지정 배경을 만들어 앱의 모양을 사용자 지정할 수도 있습니다. 이 옵션은 설정 메뉴 하단에 있습니다.
의견, 질문 또는 우려 사항은 nback.memory.training@gmail.com으로 보내주십시오.
연주 해 주셔서 감사합니다!
E. A. L.
---
참조
Soveri, A., Antfolk, J., Karlsson, L., Salo, B., & Laine, M. (2017). 작업 기억 훈련 재검토 : n-back 훈련 연구의 다단계 메타 분석. 심리학 적 게시판 및 검토 , 24 (4), 1077-1096.
Stanislaw, H., & Todorov, N. (1999). 신호 감지 이론 측정의 계산. 행동 연구 방법, 기기 및 컴퓨터 , 31 (1), 137-149.
인앱 배경 이미지 크레디트 : Réseau de neurones. 그렇다면 다른 사람 / Wikimedia, CC BY-SA
N-Back Memory Training을 사용하면 작업 메모리에 저장할 다양한 항목 세트 중에서 선택할 수 있습니다.
• 3 x 3 격자에서 사각형의 위치
• 소리 (문자, 숫자 또는 피아노 음표)
• 이미지 (모양, 국기, 스포츠 장비)
• 색상
기본적으로 앱은 위치 및 소리 (문자)를 사용하여 이중 n- 백에서 시작합니다. 이중 n- 백의 "이중"은 기억해야 할 항목 유형의 수를 나타냅니다. 단일 n- 백에서 쿼드 n- 백까지 항목 유형의 조합을 선택할 수 있습니다.
진행 상황 추적 및 다른 사용자와 경쟁 :
사용자 정의 가능한 대화식 그래프를 사용하여 일일 진행 상황을 추적하십시오. 프리미엄 모드 (앱 내에서 사용 가능한 업그레이드)를 사용하여 실시간으로 전 세계의 다른 사용자와 높은 점수를 비교할 수도 있습니다.
점수 :
N-Back Memory Training은 신호 감지 이론의 식별 지수 A '를 사용하여 작업 메모리 정확도를 측정합니다 (Stanislaw & Todorov, 1999). A '의 범위는 일반적으로 0.5 (임의 추측)에서 1.0 (완전한 정확도)입니다. A '> = 0.90의 점수는 다음 레벨로 올라가고, A'<= 0.75의 점수는 (한 유예 기간 후) 이전 n- 백 레벨로 대체됩니다. 이 설정은 수동 모드에서 변경할 수 있습니다. 진행 상황을 추적하기 위해 A '는 현재 n- 백 레벨과 결합되어 n- 백 레벨 주위의 점수 범위는 +/- 0.5입니다. 예를 들어, 2- 백에서 A '= 1의 정확도는 2.5의 점수를, A'= 0.5는 1.5의 점수를 산출합니다.
세부 사항 :
A '= .5 + 부호 (H-F) * ((H-F) ^ 2 + abs (H-F)) / (4 * max (H, F)-4 * H * F)
어디
적중률 (H) = 적중 / # 신호 시행
가양 성 비율 (F) = 허위 / 소음 시행
Stanislaw & Todorov (1999) 참조
요소 평가판 :
설정 내에서 미끼 시행률을 제어하여 작업을 더욱 어렵게 만들 수 있습니다. 미끼 시험은 n- 백 플러스 또는 마이너스 1 시험에서 발생한 자극을 나타냅니다. 즉, 대상 시험 (n-back)에서 1 회 시행됩니다.
맞춤 설정 :
게임 속도, 시험 횟수 등을 변경하려면 설정> 모드 선택> 수동 모드로 이동하십시오. 여기에서 거의 모든 것을 사용자 정의 할 수 있습니다. 색상 그라디언트를 사용하여 사용자 지정 배경을 만들어 앱의 모양을 사용자 지정할 수도 있습니다. 이 옵션은 설정 메뉴 하단에 있습니다.
의견, 질문 또는 우려 사항은 nback.memory.training@gmail.com으로 보내주십시오.
연주 해 주셔서 감사합니다!
E. A. L.
---
참조
Soveri, A., Antfolk, J., Karlsson, L., Salo, B., & Laine, M. (2017). 작업 기억 훈련 재검토 : n-back 훈련 연구의 다단계 메타 분석. 심리학 적 게시판 및 검토 , 24 (4), 1077-1096.
Stanislaw, H., & Todorov, N. (1999). 신호 감지 이론 측정의 계산. 행동 연구 방법, 기기 및 컴퓨터 , 31 (1), 137-149.
인앱 배경 이미지 크레디트 : Réseau de neurones. 그렇다면 다른 사람 / Wikimedia, CC BY-SA
N-Back Memory Training은 신호 감지 이론의 식별 지수 A '를 사용하여 작업 메모리 정확도를 측정합니다 (Stanislaw & Todorov, 1999). A '의 범위는 일반적으로 0.5 (임의 추측)에서 1.0 (완전한 정확도)입니다. A '> = 0.90의 점수는 다음 레벨로 올라가고, A'<= 0.75의 점수는 (한 유예 기간 후) 이전 n- 백 레벨로 대체됩니다. 이 설정은 수동 모드에서 변경할 수 있습니다. 진행 상황을 추적하기 위해 A '는 현재 n- 백 레벨과 결합되어 n- 백 레벨 주위의 점수 범위는 +/- 0.5입니다. 예를 들어, 2- 백에서 A '= 1의 정확도는 2.5의 점수를, A'= 0.5는 1.5의 점수를 산출합니다.
세부 사항 :
A '= .5 + 부호 (H-F) * ((H-F) ^ 2 + abs (H-F)) / (4 * max (H, F)-4 * H * F)
어디
적중률 (H) = 적중 / # 신호 시행
가양 성 비율 (F) = 허위 / 소음 시행
Stanislaw & Todorov (1999) 참조
요소 평가판 :
설정 내에서 미끼 시행률을 제어하여 작업을 더욱 어렵게 만들 수 있습니다. 미끼 시험은 n- 백 플러스 또는 마이너스 1 시험에서 발생한 자극을 나타냅니다. 즉, 대상 시험 (n-back)에서 1 회 시행됩니다.
맞춤 설정 :
게임 속도, 시험 횟수 등을 변경하려면 설정> 모드 선택> 수동 모드로 이동하십시오. 여기에서 거의 모든 것을 사용자 정의 할 수 있습니다. 색상 그라디언트를 사용하여 사용자 지정 배경을 만들어 앱의 모양을 사용자 지정할 수도 있습니다. 이 옵션은 설정 메뉴 하단에 있습니다.
의견, 질문 또는 우려 사항은 nback.memory.training@gmail.com으로 보내주십시오.
연주 해 주셔서 감사합니다!
E. A. L.
---
참조
Soveri, A., Antfolk, J., Karlsson, L., Salo, B., & Laine, M. (2017). 작업 기억 훈련 재검토 : n-back 훈련 연구의 다단계 메타 분석. 심리학 적 게시판 및 검토 , 24 (4), 1077-1096.
Stanislaw, H., & Todorov, N. (1999). 신호 감지 이론 측정의 계산. 행동 연구 방법, 기기 및 컴퓨터 , 31 (1), 137-149.
인앱 배경 이미지 크레디트 : Réseau de neurones. 그렇다면 다른 사람 / Wikimedia, CC BY-SA
설정 내에서 미끼 시행률을 제어하여 작업을 더욱 어렵게 만들 수 있습니다. 미끼 시험은 n- 백 플러스 또는 마이너스 1 시험에서 발생한 자극을 나타냅니다. 즉, 대상 시험 (n-back)에서 1 회 시행됩니다.
맞춤 설정 :
게임 속도, 시험 횟수 등을 변경하려면 설정> 모드 선택> 수동 모드로 이동하십시오. 여기에서 거의 모든 것을 사용자 정의 할 수 있습니다. 색상 그라디언트를 사용하여 사용자 지정 배경을 만들어 앱의 모양을 사용자 지정할 수도 있습니다. 이 옵션은 설정 메뉴 하단에 있습니다.
의견, 질문 또는 우려 사항은 nback.memory.training@gmail.com으로 보내주십시오.
연주 해 주셔서 감사합니다!
E. A. L.
---
참조
Soveri, A., Antfolk, J., Karlsson, L., Salo, B., & Laine, M. (2017). 작업 기억 훈련 재검토 : n-back 훈련 연구의 다단계 메타 분석. 심리학 적 게시판 및 검토 , 24 (4), 1077-1096.
Stanislaw, H., & Todorov, N. (1999). 신호 감지 이론 측정의 계산. 행동 연구 방법, 기기 및 컴퓨터 , 31 (1), 137-149.
인앱 배경 이미지 크레디트 : Réseau de neurones. 그렇다면 다른 사람 / Wikimedia, CC BY-SA
Soveri, A., Antfolk, J., Karlsson, L., Salo, B., & Laine, M. (2017). 작업 기억 훈련 재검토 : n-back 훈련 연구의 다단계 메타 분석. 심리학 적 게시판 및 검토 , 24 (4), 1077-1096.
Stanislaw, H., & Todorov, N. (1999). 신호 감지 이론 측정의 계산. 행동 연구 방법, 기기 및 컴퓨터 , 31 (1), 137-149.
인앱 배경 이미지 크레디트 : Réseau de neurones. 그렇다면 다른 사람 / Wikimedia, CC BY-SA
