คะแนน Dual N-Back: สูตร ตัวอย่าง และเครื่องคำนวณ

เริ่มต้นด้วยหนึ่งสตรีมและกฎการเปรียบเทียบหนึ่งกฎ

Dual n-back ขอให้คุณตัดสินตำแหน่งและเสียงแยกกัน สำหรับแต่ละสตรีม เป้าหมายคือรายการที่ตรงกับรายการ N ที่จะเปลี่ยนก่อนหน้านี้ทุกประการ การตอบสนองคือการกดบนตัวควบคุมที่เกี่ยวข้องภายในหน้าต่างการตอบสนอง ในเทิร์นเดียวกันสามารถมีเป้าหมายอยู่ในสตรีมเดียว ทั้งสองอย่าง หรือทั้งสองอย่างก็ได้ ก่อนที่จะตีความเปอร์เซ็นต์ ให้กำหนดว่าสตรีมใด ผลัดที่มีสิทธิ์ และกรอบเวลาตอบกลับใดที่สตรีมนั้นอธิบาย เปอร์เซ็นต์ที่ไม่มีกฎการนับจะตัดข้อมูลที่คุณต้องตีความออกไป

ผลลัพธ์ที่เป็นไปได้สี่ประการ

การตีหมายความว่าคุณกดเพื่อเป้าหมายจริง พลาด หมายถึงเป้าหมายจริงผ่านไปโดยไม่ได้รับการตอบกลับที่จำเป็น สัญญาณเตือนที่ผิดพลาดหมายความว่าคุณกดเมื่อไม่มีการแข่งขันในระยะที่กำหนด การปฏิเสธที่ถูกต้องหมายความว่าไม่มีการแข่งขันและคุณไม่ได้กด การนับทั้งสี่นี้สร้างบันทึกที่สมบูรณ์สำหรับการเปรียบเทียบที่มีสิทธิ์ในสตรีมเดียว โดยอธิบายผลลัพธ์ ไม่ใช่สาเหตุ: สัญญาณเตือนที่ผิดพลาดอาจเกี่ยวข้องกับความสับสนเกี่ยวกับ N การแตะโดยไม่ได้ตั้งใจ หรือการตัดสินใจที่ไม่แน่นอน การนับเพียงอย่างเดียวไม่สามารถบอกคุณได้ว่าเกิดอะไรขึ้น

ตัวอย่างการทำงาน: การเปรียบเทียบที่มีสิทธิ์ 100 รายการ

ลองนึกภาพหนึ่งสตรีมที่มีการแข่งขัน 20 รายการและไม่ตรงกัน 80 รายการ คุณระบุการแข่งขันได้ถูกต้อง 16 รายการ พลาด 4 รายการ กดไม่ถูกต้องใน 8 รายการที่ไม่ตรงกัน และปล่อยให้ 72 รายการที่ไม่ตรงกันอย่างถูกต้อง การนับทั้งสี่รวมกันได้ 100: 16 + 4 + 8 + 72 สิ่งเหล่านี้เป็นค่านิยมการสอนที่ประดิษฐ์ขึ้น ไม่ใช่ผลลัพธ์จากผู้ใช้หรือเป้าหมายที่แนะนำ การเก็บตัวอย่างที่สมบูรณ์ไว้ช่วยให้ดูได้ง่ายขึ้นว่าประสิทธิภาพเดียวกันสามารถสร้างเปอร์เซ็นต์ที่แตกต่างกันได้อย่างไร โดยที่การคำนวณทั้งสองอย่างไม่ถูกต้องทางคณิตศาสตร์

อัตราการตรวจพบเป้าหมายถูกต้องและอัตราการเตือนที่ผิดพลาดใช้ตัวหารต่างกัน

อัตราตรวจพบเป้าหมาย: ตรวจพบเป้าหมายถูกต้อง / (ตรวจพบเป้าหมายถูกต้อง + พลาดเป้าหมาย) = 16 / (16 + 4) = 80 %. อัตราการเตือนเท็จ: แจ้งเตือนผิด / (แจ้งเตือนผิด + ปฏิเสธถูกต้อง) = 8 / (8 + 72) = 10 %. หากตัวส่วนเป็นศูนย์ แสดงว่าอัตรานั้นไม่ได้กำหนดไว้ สูตรและตัวอย่างเต็มยังคงอ่านได้โดยไม่ต้องใช้ JavaScript

ความแม่นยำโดยรวมและความแม่นยำเชิงรุกตอบคำถามที่แตกต่างกัน

ความแม่นยำโดยรวม: (ตรวจพบเป้าหมายถูกต้อง + ปฏิเสธถูกต้อง) / (ตรวจพบเป้าหมายถูกต้อง + พลาดเป้าหมาย + แจ้งเตือนผิด + ปฏิเสธถูกต้อง) = (16 + 72) / 100 = 88 %. ความแม่นยำที่ใช้งานอยู่: ตรวจพบเป้าหมายถูกต้อง / (ตรวจพบเป้าหมายถูกต้อง + พลาดเป้าหมาย + แจ้งเตือนผิด) = 16 / (16 + 4 + 8) ≈ 57.1 %. Precision (PPV): ตรวจพบเป้าหมายถูกต้อง / (ตรวจพบเป้าหมายถูกต้อง + แจ้งเตือนผิด) = 16 / (16 + 8) ≈ 66.7 %.

ทำไมไม่เคยกดก็ดูดีได้

เก็บตัวอย่างการแข่งขัน 20 รายการและการแข่งขันที่ไม่ตรงกัน 80 รายการ แต่ลองนึกภาพว่าอย่ากดเลย การนับเป็น 0 ครั้ง พลาด 20 ครั้ง การเตือนที่ผิดพลาด 0 ครั้ง และการปฏิเสธที่ถูกต้อง 80 ครั้ง ความแม่นยำโดยรวมอยู่ที่ 80% แม้ว่าจะพลาดทุกนัดก็ตาม ความแม่นยำที่ใช้งานคือ 0% อัตราการตรวจพบเป้าหมายถูกต้องคือ 0% และอัตราการเตือนที่ผิดพลาดคือ 0% ตัวอย่างแสดงให้เห็นถึงความสำคัญของตัวส่วน ไม่ได้หมายความว่าแอปจำเป็นต้องให้คะแนน 80% สำหรับการไม่ทำอะไรเลย กฎการให้คะแนนที่ละเอียดอ่อนต่อเป้าหมายสามารถปฏิบัติต่อพฤติกรรมเดียวกันแตกต่างกันค่อนข้างมาก

ลองนับโดยไม่สับสนกับผลลัพธ์ของแอป

เครื่องคิดเลขด้านล่างนี้ใช้ได้กับสตรีมเดียว ค่าเริ่มต้นจะจำลองตัวอย่างการเปรียบเทียบ 100 รายการ เปลี่ยนการนับเพื่อสำรวจสูตรทั้งสี่ หรือใช้ตัวอย่างแบบไม่ต้องกดเพื่อรักษาจำนวนเป้าหมายให้คงที่ขณะเปลี่ยนรูปแบบการตอบสนอง ผลลัพธ์ที่เป็นศูนย์จะแสดงเป็นไม่ได้กำหนด แทนที่จะแปลงเป็นคะแนนดีหรือไม่ดีโดยไม่แจ้งให้ทราบ นี่เป็นเครื่องมือการสอน ไม่ใช่การนำเข้าประวัติแอปของคุณ การสร้างแอปทุกเวอร์ชันขึ้นมาใหม่ หรือการประเมินทางคลินิก ค่าจะยังคงอยู่ในเบราว์เซอร์ของคุณ

อ่านตำแหน่งและเสียงก่อนที่จะรวมเข้าด้วยกัน

คำนวณแต่ละสตรีมแยกกันเมื่อมีการนับที่สำคัญ หากคุณรวมสตรีม ให้ตัดสินใจว่าคุณกำลังรวมจำนวนหรือเปอร์เซ็นต์เฉลี่ย ขั้นตอนเหล่านั้นอาจแตกต่างกันเมื่อตัวส่วนต่างกัน ตัวอย่างเช่น สตรีมที่มีการตรวจพบเป้าหมายถูกต้อง 9 ครั้งในการทดลองเป้าหมาย 10 ครั้งจะมีอัตราการตรวจพบเป้าหมายถูกต้อง 90% ในขณะที่สตรีมที่มีการตรวจพบเป้าหมายถูกต้อง 1 ครั้งในการทดลองเป้าหมาย 2 ครั้งจะมีอัตราการตรวจพบเป้าหมายถูกต้อง 50% ค่าเฉลี่ยอย่างง่ายของพวกเขาคือ 70%; อัตราการตรวจพบเป้าหมายถูกต้องรวมของพวกเขาคือ 10 / 12 หรือประมาณ 83.3% รายงานการคำนวณที่คุณใช้ ไม่ควรแทนที่อันอื่นอย่างเงียบ ๆ

คะแนนที่ดีขึ้นอยู่กับการตั้งค่างาน

N, จำนวนสตรีมที่ใช้งาน, ก้าว, จำนวนการทดลองที่มีสิทธิ์, ความถี่เป้าหมาย และสูตรการให้คะแนน ล้วนส่งผลต่อความหมายของคะแนน ผลลัพธ์จากการตั้งค่าอื่นไม่ได้ดีขึ้นหรือแย่กว่าของคุณโดยอัตโนมัติ ตรวจสอบว่าเทิร์นแรกที่ไม่มีประวัติเพียงพอได้รับการปฏิบัติอย่างไร การแข่งขันพร้อมกันจำเป็นต้องมีการตอบกลับสองครั้งหรือไม่ และการตอบกลับที่พลาดจะถูกนับแยกกันตามสตรีมหรือไม่ สำหรับการเปรียบเทียบในช่วงเวลาหนึ่ง ให้รักษาการตั้งค่าเหล่านั้นให้สอดคล้องตามความเป็นจริง และบันทึกการเปลี่ยนแปลง แทนที่จะถือว่าทุกเปอร์เซ็นต์ใช้แทนกันได้

อ่านการตั้งค่าก่อนที่จะเปรียบเทียบคะแนน

1234

การจับภาพแอปจริง · กันยายน 2026 · ภาษาอินเทอร์เฟซอาจแตกต่างกัน · EN · 2026-09-06

ความแปรปรวนคือข้อมูล ไม่ใช่การวินิจฉัย

เซสชันอาจแตกต่างกันไปตามความสนใจ ความคุ้นเคยกับการควบคุม การขัดจังหวะ หรือเงื่อนไขอื่นๆ คะแนนเพียงอย่างเดียวไม่ได้ระบุสาเหตุที่มีการเปลี่ยนแปลง และไม่มีพื้นฐานในการกำหนดผลกระทบที่ตายตัวต่อการนอนหลับ คาเฟอีน หรือวันใดวันหนึ่ง ดูเซสชันที่เปรียบเทียบหลายๆ เซสชันก่อนตีความแนวโน้ม พื้นที่ราบสูงไม่ได้ระบุเพดานทางชีวภาพ และผลลัพธ์ที่ต่ำกว่าไม่ได้แสดงการสูญเสียความสามารถในการจดจำทั่วไปโดยตัวมันเอง หากเซสชั่นรู้สึกไม่สบายใจหรือหงุดหงิด เซสชั่นที่สั้นลงหรือการพักก็เป็นทางเลือกที่ใช้งานได้จริงมากกว่าที่จะรับประกันกลยุทธ์การให้คะแนน

สิ่งที่ควรเก็บไว้ในบันทึกการปฏิบัติง่ายๆ

เก็บวันที่, N, สตรีมที่ใช้งานอยู่, อัตราก้าว, จำนวนการทดลองที่มีสิทธิ์ และสูตรที่ใช้ หากมี ให้เก็บผลการนับสี่รายการไว้สำหรับแต่ละสตรีม อัตราสามารถคำนวณใหม่ได้โดยไม่ต้องเดาตัวส่วน เพิ่มหมายเหตุสั้นๆ เกี่ยวกับการหยุดชะงักหรือการเปลี่ยนแปลงการตั้งค่า หากจะช่วยให้คุณตีความเซสชันได้ในภายหลัง สิ่งที่ดีที่สุดสามารถสร้างแรงบันดาลใจได้ แต่ก็ไม่เหมือนกับผลลัพธ์ทั่วไป บันทึกที่เปรียบเทียบได้สองสามรายการมีข้อมูลมากกว่าการรวบรวมเปอร์เซ็นต์โดยไม่มีคำอธิบายของงาน

สิ่งที่ตัวเลขเหล่านี้สร้างได้และไม่สามารถสร้างขึ้นได้

คะแนนเหล่านี้อธิบายการตอบสนองต่องานเฉพาะภายใต้กฎเกณฑ์เฉพาะ การปรับปรุงงานนั้นไม่ใช่การเพิ่ม IQ ที่วัดได้หรือการพิสูจน์ประสิทธิภาพที่ดีขึ้นในโรงเรียนหรือที่ทำงาน คู่มือการวิจัยจะอธิบายความแตกต่างระหว่างการฝึกฝนที่ได้รับและการถ่ายทอดไปสู่ผลลัพธ์อื่นๆ ใช้คะแนนเพื่อทำความเข้าใจคำตอบของคุณและกฎของแบบฝึกหัด สำหรับผลลัพธ์เซสชันจริงของคุณ โปรดดูคำจำกัดความและรายละเอียดต่อสตรีมที่แสดงโดยแอป เครื่องคิดเลขอยู่ที่นั่นเพื่อทำให้เลขคณิตโปร่งใส

อ่านเพิ่มเติม

• 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)