ഡ്യുവൽ n-back സ്കോറിംഗ്: ഫോർമുലകളും ഉദാഹരണങ്ങളും കാൽക്കുലേറ്ററും

ഒരു സ്ട്രീമും ഒരു താരതമ്യ നിയമവും ഉപയോഗിച്ച് ആരംഭിക്കുക

സ്ഥാനവും ശബ്ദവും വെവ്വേറെ വിലയിരുത്താൻ ഡ്യുവൽ n-back നിങ്ങളോട് ആവശ്യപ്പെടുന്നു. ഓരോ സ്ട്രീമിനും, ഒരു ടാർഗെറ്റ് എന്നത് നേരത്തെ N തിരിയുന്ന ഇനവുമായി പൊരുത്തപ്പെടുന്ന ഒരു ഇനമാണ്. പ്രതികരണ വിൻഡോയ്ക്കുള്ളിലെ അനുബന്ധ നിയന്ത്രണത്തിൽ അമർത്തുന്നതാണ് പ്രതികരണം. ഒരേ തിരിവിൽ ഒരു സ്ട്രീമിലോ രണ്ടിലും അല്ലെങ്കിൽ രണ്ടിലും ഒരു ടാർഗെറ്റ് അടങ്ങിയിരിക്കാം. ഒരു ശതമാനം വ്യാഖ്യാനിക്കുന്നതിന് മുമ്പ്, ഏത് സ്ട്രീം, ഏത് യോഗ്യമായ തിരിവുകൾ, ഏത് പ്രതികരണ വിൻഡോ എന്നിവ വിവരിക്കുന്നു. കൗണ്ടിംഗ് റൂൾ ഇല്ലാത്ത ഒരു ശതമാനം നിങ്ങൾ അത് വ്യാഖ്യാനിക്കേണ്ട വിവരങ്ങൾ ഉപേക്ഷിക്കുന്നു.

സാധ്യമായ നാല് ഫലങ്ങൾ

ഹിറ്റ് എന്നതിനർത്ഥം നിങ്ങൾ ഒരു യഥാർത്ഥ മത്സരത്തിനായി അമർത്തി എന്നാണ്. ഒരു മിസ്സ് എന്നാൽ ആവശ്യമുള്ള പ്രതികരണം കൂടാതെ പാസായ യഥാർത്ഥ മത്സരം എന്നാണ് അർത്ഥമാക്കുന്നത്. തെറ്റായ അലാറം എന്നാൽ ആവശ്യമുള്ള അകലത്തിൽ പൊരുത്തമില്ലാത്തപ്പോൾ നിങ്ങൾ അമർത്തി എന്നാണ് അർത്ഥമാക്കുന്നത്. ശരിയായ നിരസിക്കൽ അർത്ഥമാക്കുന്നത് പൊരുത്തമൊന്നും ഇല്ലെന്നും നിങ്ങൾ അമർത്തിയില്ല. ഒരു സ്ട്രീമിലെ യോഗ്യതയുള്ള താരതമ്യങ്ങൾക്കായി ഈ നാല് എണ്ണങ്ങൾ ഒരു സമ്പൂർണ്ണ റെക്കോർഡ് സൃഷ്ടിക്കുന്നു. അവർ ഫലങ്ങളെ വിവരിക്കുന്നു, അവയുടെ കാരണങ്ങളല്ല: തെറ്റായ അലാറത്തിൽ N, ആകസ്മികമായ ടാപ്പ് അല്ലെങ്കിൽ അനിശ്ചിത തീരുമാനത്തെക്കുറിച്ചുള്ള ആശയക്കുഴപ്പം ഉൾപ്പെട്ടേക്കാം. എന്താണ് സംഭവിച്ചതെന്ന് കണക്കിന് മാത്രം പറയാൻ കഴിയില്ല.

പ്രവർത്തനക്ഷമമായ ഒരു ഉദാഹരണം: യോഗ്യമായ 100 താരതമ്യങ്ങൾ

20 മത്സരങ്ങളും 80 നോൺ-മാച്ചുകളും ഉള്ള ഒരു സ്ട്രീം സങ്കൽപ്പിക്കുക. നിങ്ങൾ 16 പൊരുത്തങ്ങൾ ശരിയായി തിരിച്ചറിയുന്നു, 4 മിസ് ചെയ്യുന്നു, 8 നോൺ-മാച്ചുകളിൽ തെറ്റായി അമർത്തുക, കൂടാതെ 72 നോൺ-മാച്ചുകൾ വെറുതെ വിടുക. നാല് സംഖ്യകൾ 100 വരെ ചേർക്കുന്നു: 16 + 4 + 8 + 72. ഇവ കണ്ടുപിടിച്ച അധ്യാപന മൂല്യങ്ങളാണ്, ഉപയോക്താക്കളിൽ നിന്നുള്ള ഫലമോ ശുപാർശ ചെയ്യുന്ന ലക്ഷ്യമോ അല്ല. ഒരു സമ്പൂർണ്ണ ഉദാഹരണം നിലനിർത്തുന്നത്, ഒരേ പ്രകടനത്തിന് ഗണിതശാസ്ത്രപരമായി തെറ്റ് കൂടാതെ വ്യത്യസ്ത ശതമാനം എങ്ങനെ സൃഷ്ടിക്കാൻ കഴിയുമെന്ന് കാണുന്നത് എളുപ്പമാക്കുന്നു.

ഹിറ്റ് നിരക്കും തെറ്റായ അലാറം നിരക്കും വ്യത്യസ്ത ഡിനോമിനേറ്ററുകൾ ഉപയോഗിക്കുന്നു

ഹിറ്റ് നിരക്ക് എല്ലാ യഥാർത്ഥ മത്സരങ്ങളും കൊണ്ട് ഹരിച്ച ഹിറ്റുകളാണ്: 16 / (16 + 4) = 80%. തെറ്റായ അലാറം നിരക്ക് എല്ലാ നോൺ-മാച്ചുകളും കൊണ്ട് ഹരിച്ചാണ് തെറ്റായ അലാറങ്ങൾ: 8 / (8 + 72) = 10%. രണ്ട് എണ്ണങ്ങളെയും 100 കൊണ്ട് ഹരിക്കരുത്, അവയെ ഈ നിരക്കുകൾ എന്ന് വിളിക്കുക. 100 താരതമ്യങ്ങളിൽ പതിനാറ് ഹിറ്റുകൾ ഹിറ്റായി അവസാനിച്ച എല്ലാ താരതമ്യങ്ങളുടെയും അനുപാതമാണ്; അത് മറ്റൊരു അളവാണ്. യഥാർത്ഥ പൊരുത്തങ്ങൾ ഇല്ലായിരുന്നുവെങ്കിൽ, ഹിറ്റ് നിരക്കിന് ഡിനോമിനേറ്റർ ഇല്ല, അത് നിർവചിക്കപ്പെട്ടിട്ടില്ല. നോൺ-മാച്ചുകൾ ഇല്ലെങ്കിൽ, തെറ്റായ അലാറം നിരക്കിനും ഇത് ബാധകമാണ്.

മൊത്തത്തിലുള്ള കൃത്യതയും സജീവമായ കൃത്യതയും വ്യത്യസ്ത ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകുന്നു

മൊത്തത്തിലുള്ള കൃത്യത രണ്ട് തരത്തിലുള്ള ശരിയായ ഫലങ്ങളെയും കണക്കാക്കുന്നു: (ഹിറ്റുകൾ + ശരിയായ തിരസ്കരണങ്ങൾ) / എല്ലാ താരതമ്യങ്ങളും. ഉദാഹരണം (16 + 72) / 100 = 88% നൽകുന്നു. കാൽക്കുലേറ്ററിൽ സജീവ കൃത്യത എന്ന് ലേബൽ ചെയ്തിരിക്കുന്ന മറ്റൊരു നിയമം ഹിറ്റുകൾ / (ഹിറ്റുകൾ + മിസ്സുകൾ + തെറ്റായ അലാറങ്ങൾ) ആണ്. ഇത് 16 / (16 + 4 + 8), ഏകദേശം 57.1% നൽകിക്കൊണ്ട് ശരിയായ തിരസ്കരണങ്ങൾ ഒഴിവാക്കുന്നു. ഇത് പ്രിസിഷൻ എന്ന് വിളിക്കുന്ന സ്റ്റാറ്റിസ്റ്റിക്കൽ മെട്രിക് അല്ല, അതിൻ്റെ ഡിനോമിനേറ്റർ ഹിറ്റുകൾ + തെറ്റായ അലാറങ്ങൾ ആണ്. പ്രദർശിപ്പിച്ച ഒരു ഫലത്തെ ഫോർമുലയുമായി താരതമ്യം ചെയ്യുന്നതിന് മുമ്പ് ആപ്പ് അല്ലെങ്കിൽ പഠനം നൽകുന്ന നിർവചനങ്ങൾ പരിശോധിക്കുക.

എന്തുകൊണ്ട് ഒരിക്കലും അമർത്തുന്നത് വഞ്ചനാപരമായി നല്ലതായി കാണപ്പെടും

ഉദാഹരണത്തിൻ്റെ 20 പൊരുത്തങ്ങളും 80 നോൺ-മാച്ചുകളും സൂക്ഷിക്കുക, എന്നാൽ ഒരിക്കലും അമർത്തില്ലെന്ന് സങ്കൽപ്പിക്കുക. കണക്കുകൾ 0 ഹിറ്റുകളും 20 മിസ്സുകളും 0 തെറ്റായ അലാറങ്ങളും 80 ശരിയായ നിരാകരണങ്ങളും ആയി മാറുന്നു. എല്ലാ മത്സരങ്ങളും നഷ്‌ടമായെങ്കിലും മൊത്തത്തിലുള്ള കൃത്യത 80% ആണ്. സജീവ കൃത്യത 0% ആണ്, ഹിറ്റ് നിരക്ക് 0% ആണ്, തെറ്റായ അലാറം നിരക്ക് 0% ആണ്. ഉദാഹരണം ഡിനോമിനേറ്ററിൻ്റെ പ്രാധാന്യം കാണിക്കുന്നു; ഒന്നും ചെയ്യാത്തതിന് ഒരു ആപ്പ് 80% അവാർഡ് നൽകണമെന്ന് ഇത് അർത്ഥമാക്കുന്നില്ല. ഒരു ടാർഗെറ്റ് സെൻസിറ്റീവ് സ്കോറിംഗ് നിയമത്തിന് സമാന സ്വഭാവത്തെ വ്യത്യസ്തമായി കൈകാര്യം ചെയ്യാൻ കഴിയും.

ആപ്പ് ഫലവുമായി ആശയക്കുഴപ്പമുണ്ടാക്കാതെ എണ്ണങ്ങൾ പരീക്ഷിക്കുക

താഴെയുള്ള കാൽക്കുലേറ്റർ ഒരു സ്ട്രീമിൽ പ്രവർത്തിക്കുന്നു. അതിൻ്റെ ആരംഭ മൂല്യങ്ങൾ 100-താരതമ്യ ഉദാഹരണം പുനർനിർമ്മിക്കുന്നു. നാല് ഫോർമുലകൾ പര്യവേക്ഷണം ചെയ്യാൻ ഒരു എണ്ണം മാറ്റുക, അല്ലെങ്കിൽ പ്രതികരണ പാറ്റേൺ മാറ്റുമ്പോൾ ടാർഗെറ്റുകളുടെ എണ്ണം സ്ഥിരമായി നിലനിർത്താൻ ഒരിക്കലും അമർത്താത്ത ഉദാഹരണം ഉപയോഗിക്കുക. സീറോ-ഡിനോമിനേറ്റർ ഫലങ്ങൾ നിശബ്‌ദമായി നല്ലതോ ചീത്തയോ ആയ സ്‌കോറിലേക്ക് പരിവർത്തനം ചെയ്യുന്നതിനുപകരം നിർവചിക്കപ്പെടാത്തതായി കാണിക്കുന്നു. ഇതൊരു അധ്യാപന ഉപകരണമാണ്, നിങ്ങളുടെ ആപ്പ് ചരിത്രത്തിൻ്റെ ഇറക്കുമതിയോ എല്ലാ ആപ്പ് പതിപ്പിൻ്റെയും പുനർനിർമ്മാണമോ ക്ലിനിക്കൽ വിലയിരുത്തലോ അല്ല. മൂല്യങ്ങൾ നിങ്ങളുടെ ബ്രൗസറിൽ നിലനിൽക്കും.

അവ സംയോജിപ്പിക്കുന്നതിന് മുമ്പ് സ്ഥാനവും ശബ്ദവും വായിക്കുക

അടിസ്ഥാന കണക്കുകൾ ലഭ്യമാകുമ്പോൾ ഓരോ സ്ട്രീമും വെവ്വേറെ കണക്കാക്കുക. നിങ്ങൾ സ്ട്രീമുകൾ സംയോജിപ്പിക്കുകയാണെങ്കിൽ, നിങ്ങൾ എണ്ണം കൂട്ടുകയാണോ അതോ ശരാശരി ശതമാനമാണോ എന്ന് തീരുമാനിക്കുക. ഡിനോമിനേറ്ററുകൾ വ്യത്യസ്തമാകുമ്പോൾ ആ നടപടിക്രമങ്ങൾ വ്യത്യാസപ്പെടാം. ഉദാഹരണത്തിന്, 10 ടാർഗെറ്റ് ട്രയലുകളിൽ 9 ഹിറ്റുകളുള്ള ഒരു സ്ട്രീമിന് 90% ഹിറ്റ് റേറ്റ് ഉണ്ട്, അതേസമയം 2 ടാർഗെറ്റ് ട്രയലുകളിൽ 1 ഹിറ്റുള്ള മറ്റൊന്നിന് 50% ഹിറ്റ് റേറ്റ് ഉണ്ട്. അവരുടെ ലളിതമായ ശരാശരി 70% ആണ്; അവരുടെ പൂൾഡ് ഹിറ്റ് നിരക്ക് 10 / 12 ആണ്, ഏകദേശം 83.3%. നിങ്ങൾ ഏത് കണക്കാണ് ഉപയോഗിച്ചതെന്ന് റിപ്പോർട്ട് ചെയ്യുക. ഒന്നും മിണ്ടാതെ മറ്റൊന്നിന് പകരം വയ്ക്കരുത്.

ഒരു നല്ല സ്കോർ ടാസ്ക് ക്രമീകരണങ്ങളെ ആശ്രയിച്ചിരിക്കുന്നു

N, സജീവ സ്ട്രീമുകളുടെ എണ്ണം, വേഗത, യോഗ്യതയുള്ള ട്രയലുകളുടെ എണ്ണം, ടാർഗെറ്റ് ഫ്രീക്വൻസി, സ്‌കോറിംഗ് ഫോർമുല എന്നിവയെല്ലാം സ്‌കോറിൻ്റെ അർത്ഥത്തെ ബാധിക്കുന്നു. മറ്റൊരു സജ്ജീകരണത്തിൽ നിന്നുള്ള ഫലം നിങ്ങളുടേതിനേക്കാൾ യാന്ത്രികമായി മികച്ചതോ മോശമോ അല്ല. മതിയായ ചരിത്രമില്ലാത്ത പ്രാരംഭ തിരിവുകൾ എങ്ങനെ കൈകാര്യം ചെയ്യപ്പെടുന്നു, ഒരേസമയം നടക്കുന്ന പൊരുത്തങ്ങൾക്ക് രണ്ട് പ്രതികരണങ്ങൾ ആവശ്യമുണ്ടോ, നഷ്‌ടമായ പ്രതികരണങ്ങൾ സ്‌ട്രീം വഴി പ്രത്യേകം കണക്കാക്കുന്നുണ്ടോ എന്നിവ പരിശോധിക്കുക. കാലക്രമേണയുള്ള താരതമ്യങ്ങൾക്കായി, ഓരോ ശതമാനവും പരസ്പരം മാറ്റാവുന്നവയായി കണക്കാക്കുന്നതിനുപകരം ആ ക്രമീകരണങ്ങൾ പ്രായോഗികവും റെക്കോർഡ് മാറ്റങ്ങളും പോലെ നിലനിർത്തുക.

സ്കോറുകൾ താരതമ്യം ചെയ്യുന്നതിനുമുമ്പ് ക്രമീകരണങ്ങൾ വായിക്കുക

1234

യഥാർത്ഥ ആപ്പ് ക്യാപ്‌ചർ · സെപ്റ്റംബർ 2026 · ഇൻ്റർഫേസ് ഭാഷ വ്യത്യാസപ്പെടാം · EN · 2026-09-06

വ്യതിയാനം വിവരമാണ്, രോഗനിർണയമല്ല

ഒരു സെഷൻ ശ്രദ്ധ, നിയന്ത്രണങ്ങളുമായുള്ള പരിചയം, തടസ്സങ്ങൾ അല്ലെങ്കിൽ മറ്റ് വ്യവസ്ഥകൾ എന്നിവയിൽ വ്യത്യാസപ്പെടാം. എന്തുകൊണ്ടാണ് ഇത് മാറിയതെന്ന് ഒരു സ്കോർ മാത്രം സ്ഥാപിക്കുന്നില്ല, ഉറക്കം, കഫീൻ അല്ലെങ്കിൽ ഒരു പ്രത്യേക ദിവസം എന്നിവയ്ക്ക് ഒരു നിശ്ചിത പ്രഭാവം നൽകുന്നതിന് ഇവിടെ അടിസ്ഥാനമില്ല. ഒരു ട്രെൻഡ് വ്യാഖ്യാനിക്കുന്നതിന് മുമ്പ് താരതമ്യപ്പെടുത്താവുന്ന നിരവധി സെഷനുകൾ നോക്കുക. ഒരു പീഠഭൂമി ഒരു ബയോളജിക്കൽ സീലിംഗ് തിരിച്ചറിയുന്നില്ല, കൂടാതെ താഴ്ന്ന ഫലം സ്വയം പൊതുവായ മെമ്മറി ശേഷി നഷ്ടപ്പെടുന്നതായി കാണിക്കുന്നില്ല. ഒരു സെഷൻ അസ്വാസ്ഥ്യമോ നിരാശാജനകമോ ആണെന്ന് തോന്നുന്നുവെങ്കിൽ, ഒരു ഗ്യാരണ്ടീഡ് സ്‌കോറിംഗ് തന്ത്രത്തിന് പകരം ഒരു ചെറിയ സെഷനോ ഇടവേളയോ ഒരു പ്രായോഗിക ഓപ്ഷനാണ്.

ലളിതമായ പരിശീലന റെക്കോർഡിൽ എന്താണ് സൂക്ഷിക്കേണ്ടത്

തീയതി, N, സജീവ സ്ട്രീമുകൾ, വേഗത, യോഗ്യതയുള്ള ട്രയൽ എണ്ണം, ഉപയോഗിച്ച ഫോർമുല എന്നിവ സൂക്ഷിക്കുക. ലഭ്യമാകുമ്പോൾ, ഓരോ സ്ട്രീമിനും നാല് ഫലങ്ങളുടെ എണ്ണം സൂക്ഷിക്കുക; നിരക്കുകൾ അവയുടെ ഡിനോമിനേറ്ററുകൾ ഊഹിക്കാതെ തന്നെ വീണ്ടും കണക്കാക്കാം. സെഷൻ പിന്നീട് വ്യാഖ്യാനിക്കാൻ നിങ്ങളെ സഹായിക്കുമെങ്കിൽ ഒരു തടസ്സത്തെക്കുറിച്ചോ ക്രമീകരണ മാറ്റത്തെക്കുറിച്ചോ ഒരു ചെറിയ കുറിപ്പ് ചേർക്കുക. ഒരു വ്യക്തിഗത മികച്ചത് പ്രചോദിപ്പിക്കുന്നതാണ്, പക്ഷേ ഇത് ഒരു സാധാരണ ഫലത്തിന് തുല്യമല്ല. ടാസ്‌ക്കിൻ്റെ വിവരണമില്ലാത്ത ശതമാനങ്ങളുടെ ശേഖരത്തേക്കാൾ താരതമ്യപ്പെടുത്താവുന്ന കുറച്ച് രേഖകൾ കൂടുതൽ വിവരദായകമാണ്.

ഈ സംഖ്യകൾക്ക് എന്തെല്ലാം സ്ഥാപിക്കാനാകും, സ്ഥാപിക്കാൻ കഴിയില്ല

ഈ സ്‌കോറുകൾ പ്രത്യേക നിയമങ്ങൾക്ക് കീഴിലുള്ള ഒരു പ്രത്യേക ചുമതലയോടുള്ള പ്രതികരണങ്ങളെ വിവരിക്കുന്നു. ആ ടാസ്‌ക്കിലെ മെച്ചപ്പെടൽ, സ്വയം, IQ ൻ്റെ അളന്ന വർദ്ധനയോ സ്‌കൂളിലോ ജോലിസ്ഥലത്തോ മെച്ചപ്പെട്ട പ്രകടനത്തിൻ്റെ തെളിവോ അല്ല. പ്രാക്ടീസ് നേട്ടങ്ങളും മറ്റ് ഫലങ്ങളിലേക്കുള്ള കൈമാറ്റവും തമ്മിലുള്ള വ്യത്യാസം ഗവേഷണ ഗൈഡ് വിശദീകരിക്കുന്നു. നിങ്ങളുടെ പ്രതികരണങ്ങളും വ്യായാമ നിയമങ്ങളും മനസിലാക്കാൻ സ്കോറുകൾ ഉപയോഗിക്കുക. നിങ്ങളുടെ യഥാർത്ഥ സെഷൻ ഫലത്തിനായി, ആപ്പ് കാണിക്കുന്ന നിർവചനങ്ങളും ഓരോ സ്ട്രീം ബ്രേക്ക്ഡൗണും പരിശോധിക്കുക; കണക്ക് സുതാര്യമാക്കാൻ കാൽക്കുലേറ്റർ ഉണ്ട്.

തുടർ വായന

• Kane et al. (2007), Working memory, attention control, and the n-back task, Journal of Experimental Psychology: Learning, Memory, and Cognition
• Cowan (2010), The Magical Mystery Four: How is working memory capacity limited, and why?, Current Directions in Psychological Science
• scikit-learn documentation — classification metrics and confusion matrices (mathematical definitions)