Prior studies, mostly using intentional learning, suggest that power increases in theta and gamma oscillations and power decreases in alpha and beta oscillations are positively related to later remembering. Using incidental learning, this study investigated whether these brain oscillatory subsequent memory effects can be differentiated by encoding task. One group of subjects studied material performing a semantic (deep) encoding task, whereas the other group studied the same material performing a nonsemantic (shallow) encoding task. Successful encoding in the semantic task was related to power decreases in the alpha (8-12 Hz) and beta (12-20 Hz) frequency band, and a power increase in the gamma band (55-70 Hz). In the shallow task, successful encoding was related to a power decrease in the alpha band and a power increase in the theta frequency band (4-7 Hz). A direct comparison of results between the 2 encoding tasks revealed that semantic subsequent memory effects were specifically reflected by power decreases in the beta (0.5-1.5 s) and the alpha frequency band (0.5-1.0 s), whereas nonsemantic subsequent memory effects were specifically reflected by a power increase in the theta frequency band (0.5-1.0 s).

Abstract Working Memory (WM) keeps information temporarily available for upcoming tasks. How the contents of WM are distinguished from perceptual representations on the one hand, and from long-term memories on the other, is still debated. Here, we leveraged recent evidence for a reversal of processing dynamics when retrieving episodic long-term memories as opposed to perceiving visual input. In two experiments (n=75 and n=103), we asked participants to hold one or more items in WM and to report their low-level perceptual and high-level semantic qualities. In both experiments, we found faster responses to the items’ semantic qualities, indicating prioritization over visuo-perceptual aspects, when two or more items were held concurrently in WM. These dynamics of accessing information in multi-item WM were akin to those in retrieving episodic long-term memories and opposite to those in processing visual inputs. Little to no semantic prioritization was evident during single-item maintenance, consistent with a strictly capacity-limited focus of attention within which WM information can be transformed into a prospective action plan.

Abstract Stimulus-dependent eye movements have been recognized as a potential confound in decoding visual working memory information from neural signals. Here, we combined eye-tracking with representational geometry analyses to uncover the very information in miniature gaze patterns while participants (n = 41) were cued to maintain visual object orientations. Although participants were discouraged from breaking fixation via real-time feedback, small gaze shifts (< 1 degree) robustly encoded the to-be-maintained stimulus orientation, with evidence for encoding two sequentially presented orientations at the same time. While the orientation encoding upon stimulus presentation was object-specific, it changed to a more object-independent format during cued maintenance, particularly when attention had been temporarily withdrawn from the memorandum. Finally, categorical reporting biases increased after unattended storage, with indications of biased gaze geometries emerging already during the maintenance periods prior to behavioral reporting. These findings disclose a wealth of information in gaze patterns during visuospatial working memory, and suggest systematic changes in representational format when memory contents have been unattended.

Abstract Humans and other animals are capable of inferring never-experienced relations (e.g., A>C) from other relational observations (e.g., A>B and B>C). The processes behind such transitive inference are subject to intense research. Here, we demonstrate a new aspect of relational learning, building on previous evidence that transitive inference can be accomplished through simple reinforcement learning mechanisms. We show in simulations that inference of novel relations benefits from an asymmetric learning policy, where observers update only their belief about the winner (or loser) in a pair. Across 4 experiments (n=145), we find substantial empirical support for such asymmetries in inferential learning. The learning policy favoured by our simulations and experiments gives rise to a compression of values which is routinely observed in psychophysics and behavioural economics. In other words, a seemingly biased learning strategy that yields well-known cognitive distortions can be beneficial for transitive inferential judgments.

Humans can learn abstract concepts that describe invariances over relational patterns in data. One such concept, known as magnitude, allows stimuli to be compactly represented by a single dimension (i.e. on a mental line), for example according to their cardinality, size or value. Here, we measured representations of magnitude in humans by recording neural signals whilst they viewed symbolic numbers. During a subsequent reward-guided learning task, the neural patterns elicited by novel complex visual images reflected their pay-out probability in a way that suggested they were encoded onto the same mental number line. Our findings suggest that in humans, learning about values is accompanied by structural alignment of value representations with neural codes for the concept of magnitude.

Abstract When acquiring information about choice alternatives, decision makers may have varying levels of control over which and how much information they sample before making a choice. How does control over sampling affect the quality of experience-based decisions? Here, combining variants of a numerical sampling task with neural recordings, we show that control over when to stop sampling can enhance (i) behavioral choice accuracy, (ii) the build-up of parietal decision signals, and (iii) the encoding of numerical sample information in multivariate electroencephalogram (EEG) patterns. None of these effects were observed when participants could only control which alternatives to sample, but not when to stop sampling. Furthermore, levels of control had no effect on early sensory signals or on the extent to which sample information leaked from memory. The results indicate that freedom to stop sampling can amplify decisional evidence processing from the outset of information acquisition and lead to more accurate choices.

There is a pressing need to better understand the mechanisms underpinning the increasingly recognised non-motor deficits in Parkinson's disease. Brain activity during Parkinson's disease is excessively synchronized within the beta range (12-30Hz). However, relatively little is known about how the abnormal beta rhythms impact on non-motor symptoms. In healthy adults, beta desynchronization is necessary for successful episodic memory formation. We investigated whether there was a direct relationship between decreased beta modulation and memory formation in Parkinson's disease. Electroencephalography recordings were made during an established memory-encoding paradigm. Parkinson's participants showed impaired memory strength (P = 0.023) and reduced beta desynchronization (P = 0.014) relative to controls. Longer disease duration was correlated with a larger reduction in beta desynchronization, and a concomitant reduction in memory performance. These novel results extend the notion that pathological beta activity is causally implicated in the motor and (lesser appreciated) non-motor deficits inherent to Parkinson's disease.

Abstract When judging the average value of sample stimuli (e.g., numbers) people tend to either over- or underweight extreme sample values, depending on task context. In a context of overweighting, recent work has shown that extreme sample values were overly represented also in neural signals, in terms of an anti-compressed geometry of number samples in multivariate electroencephalography (EEG) patterns. Here, we asked whether neural representational geometries may also reflect underweighting of extreme values (i.e., compression) which has been observed behaviorally in a great variety of tasks. We used a simple experimental manipulation (instructions to average a single-stream or to compare dual-streams of samples) to induce compression or anti-compression in behavior when participants judged rapid number sequences. Model-based representational similarity analysis (RSA) replicated the previous finding of neural anti-compression in the dual-stream task, but failed to provide evidence for neural compression in the single-stream task, despite the evidence for compression in behavior. Instead, the results suggested enhanced neural processing of extreme values in either task, regardless of whether extremes were over- or underweighted in subsequent behavioral choice. We further observed more general differences in the neural representation of the sample information between the two tasks. The results suggest enhanced processing of extreme values as the brain’s default. Such a default raises new questions about the origin of common psychometric distortions, such as diminishing sensitivity for larger values.

Humans and other animals can generalise from local to global relationships in a transitive manner. Recent research has shown that asymmetrically biased learning, where beliefs about only the winners (or losers) of local comparisons are updated, is well-suited for inferring relational structures from sparse feedback. However, less is known about how belief-updating biases intersect with humans' capacity to adapt to changes in relational structure, where revaluing an item may have downstream implications for inferential knowledge pertaining to unchanged items. We designed a transitive inference paradigm involving one of two possible changepoints for which an asymmetric (winner- or loser-biased) learning policy was more or less optimal. Participants (N=83) exhibited differential sensitivity to changes in relational structure: whereas participants readily learned that a hitherto low-ranking item increased its rank, moving a high-ranking item down the hierarchy impaired downstream inferential knowledge. Behaviour best captured by an adaptive reinforcement learning model which exhibited a predominantly winner-biased learning policy but also modulated its degree of asymmetry as a function of its choice preference strength. Our results indicate that asymmetric learning not only accounts for efficient inference of latent relational structures, but also for differences in the ease with which learners accommodate structural changes.

Decisions are typically made after integrating information about multiple attributes of alternatives in a choice set. The computational mechanisms by which this integration occurs have been a focus of extensive research in humans and other animals. Where observers are obliged to consider attributes in turn, a framework known as “selective integration” can capture salient biases in human choices. The model proposes that successive attributes compete for processing resources and integration is biased towards the alternative with the locally preferred attribute. Quantitative analysis shows that this model, although it discards choice-relevant information, is optimal when the observers’ decisions are corrupted by noise that occurs beyond the sensory stage. Here, we used scalp electroencephalographic (EEG) recordings to test a neural prediction of the model: that locally preferred attributes should be encoded with higher gain in neural signals over posterior cortex. Over two sessions, human observers (of either sex) judged which of two simultaneous streams of bars had the higher (or lower) average height. The selective integration model fit the data better than a rival model without bias. Single-trial analysis showed that neural signals contralateral to the preferred attribute covaried more steeply with the decision information conferred by locally preferred attributes. These findings provide neural evidence in support of selective integration, complementing existing behavioural work.Significance Statement We often make choices about stimuli with multiple attributes, such as when deciding which car to buy on the basis of price, performance and fuel economy. A model of the choice process, known as selective integration, proposes that rather than taking all of the decision-relevant information equally into account when making choices, we discard or overlook a portion of it. Although information is discarded, this strategy can lead to better decisions when memory is limited. Here, we test and confirm predictions of the model about the brain signals that occur when different stimulus attributes of stimulus are being evaluated. Our work provides the first neural support for the selective integration model.