使用張量網絡模擬兒童情感記憶

一項新研究利用張量網絡模型成功模擬了兒童情感記憶的順序依賴結構。該研究由Henry Groves等人完成，並作為預印本發表在arXiv上（論文編號：2606.28470），提交日期為2026年6月26日。研究團隊通過一個精心設計的實驗展示了情感效價如何影響兒童對一系列帶有情感色彩的玩具的識別記憶。實驗結果顯示，兒童正確回憶一個玩具不僅取決於該玩具本身的情感效價（積極或消極），還顯著受到其前後出現的玩具的情感效價的影響。例如，一箇中性玩具如果在兩個積極玩具之間出現，其回憶準確率可能會提升；相反，如果出現在消極玩具之間，則可能下降。這種順序依賴結構揭示了情感記憶的動態性。

傳統的心理學模型雖然能夠確認記憶的順序依賴性在不同事件之間存在差異，但其準確率較低，並且無法捕捉情感對象對整個集合中其他對象記憶的影響。為了克服這些侷限性，研究者採用了一種經典的張量網絡模型，該模型將每個玩具的情感效價作為獨立因素納入計算。在訓練過程中，模型學習效價之間的相互作用規律。最終，該模型在模擬實驗數據時達到了77.98%的準確率，遠高於傳統模型的性能。值得注意的是，儘管這一模型並非嚴格的“量子認知”模型，但其準確率的大幅提升表明了量子啓發方法在建模順序依賴現象（如情感記憶）方面的巨大潛力。

此外，該研究引入的任務協議為探索兒童情感時間記憶提供了一種新穎且實用的工具。該協議設計了一系列帶有情感效價的玩具序列，並記錄了兒童的回憶表現，從而生成了可用於經典和類量子認知模型分析的數據集。這一工具不僅有助於理解兒童情感記憶的機制，還為人工智能領域提供了新的研究思路。研究者指出，量子啓發方法的成功應用可能為未來開發更精準的認知模型鋪平道路，尤其在處理複雜順序依賴任務時。該論文包含26頁和9張圖表，涵蓋了實驗設計、模型構建和結果分析的詳細信息。

總之，這項研究不僅加深了我們對兒童情感記憶的理解，也展示了跨學科方法（如機器學習與量子物理思想的結合）在認知科學中的價值。隨着更多類似研究的開展，我們有望看到更精確的認知模型問世，從而推動人工智能和心理學的發展。