La memoria semantica è la parte della memoria dichiarativa che riguarda le conoscenze generali sul mondo, per esempio il prezzo di un oggetto, il presidente della Repubblica Italiana, i contenuti appresi a scuola.
A differenza della memoria episodica non è personale ma comune a tutti coloro che parlano la stessa lingua. Per esempio, il ricordo "l'uomo è un mammifero" fa parte della memoria semantica, mentre il ricordo "alle elementari ho imparato che l'uomo è un mammifero" fa parte della memoria episodica (e in particolare della memoria autobiografica).
La memoria episodica e la memoria semantica non sono localizzate nella stessa area del cervello pertanto non sono soggette a processo degenerativo nello stesso momento.
Modelli L'essenza della memoria semantica è che i suoi contenuti non sono legati a nessuna particolare istanza di esperienza, come nella memoria episodica. Invece, ciò che è immagazzinato nella memoria semantica è il "succo" dell'esperienza, una struttura astratta che si applica a un'ampia varietà di oggetti esperienziali e delinea le relazioni categoriali e funzionali tra tali oggetti. Quindi, una teoria completa della memoria semantica deve tener conto non solo della struttura rappresentazionale di tale "succo", ma anche del modo in cui esso può essere estratto dall'esperienza. Sono stati proposti numerosi modelli di memoria semantica; sono riassunti di seguito. Modelli a rete Reti di vario genere giocano un ruolo fondamentale in molte teorie sulla memoria semantica. In generale, una rete è composta da un insieme di nodi collegati tra loro. I nodi possono rappresentare concetti, parole, caratteristiche percettive o nulla di stabilito. I collegamenti possono essere ponderati in modo tale che alcuni siano più forti di altri o viceversa equivalenti. Essi possono avere una "lunghezza" tale che alcuni collegamenti richiedano più tempo per essere attivati rispetto ad altri. Tutte queste caratteristiche delle reti sono state ipotizzate nei modelli di memoria semantica. Teachable Language Comprehender (TLC) Uno dei primi esempi di un modello di rete di memoria semantica è il "Teachable Language Comprehender" (TLC), di Collins e Quillian. In questo modello, ogni nodo è una parola, che rappresenta un concetto (come "uccello"). In ogni nodo è memorizzato un insieme di proprietà (come "può volare" o "ha le ali") così come puntatori (cioè collegamenti) ad altri nodi (come "pollo"). Un nodo è direttamente collegato a quei nodi di cui è una sottoclasse o superclasse (ad esempio, "uccello" sarebbe collegato sia a "pollo" che a "animale"). Quindi, TLC è una rappresentazione di conoscenza gerarchica in quanto i nodi di alto livello, che rappresentano le grandi categorie, sono collegati (direttamente o indirettamente, tramite i nodi di sottoclassi) a molte istanze di quelle categorie, mentre i nodi che rappresentano istanze specifiche sono a un livello inferiore, connessi solo alle loro superclassi. Inoltre, le proprietà sono memorizzate al livello di categoria più alto a cui si applicano. Ad esempio, "è giallo" verrebbe memorizzato con "canarino", mentre "ha le ali" verrebbe memorizzato con "uccello" (un livello superiore) e "può muoversi" verrebbe memorizzato con "animale" (un livello ancora superiore). I nodi possono anche memorizzare la negazione delle proprietà dei loro nodi sovraordinati (ad esempio, "non può volare" verrebbe memorizzato con "pinguino"). Ciò fornisce un'economia di rappresentazione in quanto le proprietà vengono memorizzate solo al livello di categoria in cui diventano essenziali, ovvero al punto in cui diventano caratteristiche critiche (vedi sotto).
L'elaborazione nel TLC è una forma di diffusione dell'attivazioneCollins, A. M. & Quillian, M. R. (1972). How to make a language user. In E. Tulving & W. Donaldson (Eds.), Organization of memory (pp. 309-351). New York: Academic Press.. Cioè, quando un nodo diventa attivo, quell'attivazione si diffonde ad altri nodi tramite i collegamenti tra di loro. In tal caso, il tempo di risposta alla domanda "un pollo è un uccello?" è una funzione di quanto deve estendersi l'attivazione tra i nodi di "pollo" e "uccello", cioè il numero di collegamenti tra i nodi "pollo" e "uccello".
La versione originale del TLC non prevede ponderazione nei collegamenti tra i nodi. Questa versione è risultata applicabile all'elaborazione umana in molti compiti sperimentali, ma non è stata in grado di prevedere che le persone avrebbero risposto più rapidamente a domande riguardanti istanze di categoria più tipiche (o stereotipiche), rispetto a quelle che coinvolgono istanze meno tipiche. Collins e Quillian hanno in seguito aggiornato il modello, includendo connessioni ponderate per tenere conto di questo effetto. Questo TLC aggiornato è in grado di spiegare sia l'effetto di familiarità che l'effetto di tipicità. Il suo più grande vantaggio è che spiega chiaramente l'effetto priming: è più probabile accedere a informazioni dalla memoria se le informazioni correlate (il "priming") sono state presentate poco prima. Esistono ancora numerosi fenomeni di memoria dei quali il TLC non riesce a rendere conto, compreso il motivo per cui le persone sono in grado di rispondere rapidamente a domande ovviamente false (come "un pollo è un meteorite?"), dal momento che i nodi rilevanti sono molto distanti nella rete.
Reti semantiche Il TLC è un esempio di una classe più generale di modelli noti come reti semantiche. In una rete semantica, ogni nodo deve essere interpretato come rappresentativo di un concetto, parola o caratteristica specifici. Cioè, ogni nodo è un simbolo. Le reti semantiche generalmente non impiegano rappresentazioni distribuite per i concetti, come si può trovare in una rete neurale. La caratteristica distintiva di una rete semantica è che i suoi collegamenti sono quasi sempre diretti (cioè, puntano solo in una direzione, da una base a una destinazione) e i collegamenti sono di molti tipi diversi, ognuno dei quali rappresenta una relazione particolare che può esistere tra due nodi qualsiasiArbib, M. A. (Ed.). (2002). Semantic networks. In The Handbook of Brain Theory and Neural Networks (2nd ed.), Cambridge, MA: MIT Press.. L'elaborazione in una rete semantica assume spesso la forma di diffusione dell'attivazione (vedi sopra).
Le reti semantiche sono maggiormente utilizzate nei modelli del linguaggio e della comprensione logica, oltre che nell'intelligenza artificialeBarr, A. & Feigenbaum, E. A. (1982). The handbook of artificial intelligence. Lost Altos, CA: William Kaufman.. In questi modelli, i nodi corrispondono a parole o radici di parole, e i collegamenti rappresentano relazioni sintattiche tra di esse. Un esempio di implementazione computazionale di reti semantiche nella rappresentazione della conoscenza, è il modello di Cravo e Martins (1993).
Modelli a caratteristiche I modelli a caratteristiche considerano le categorie semantiche come composte da serie di attributi relativamente non strutturati. Il "semantic feature-comparison model", proposto da Smith, Shoben e Rips (1974), descrive la memoria come composta da liste di caratteristiche per concetti diversi. Secondo questa visione, le relazioni tra categorie non sarebbero direttamente recuperate, sarebbero calcolate indirettamente. Ad esempio, i soggetti potrebbero verificare una frase confrontando le serie di funzioni che rappresentano i suoi concetti soggetto e predicato. Tali modelli computazionali di confronto delle caratteristiche includono quelli proposti da Meyer (1970), Rips (1975), Smith, et al. (1974).
Le prime ricerche sulla categorizzazione percettiva e concettuale presupponevano che le categorie presentassero caratteristiche critiche e che l'appartenenza alla categoria potesse essere determinata da regole logiche per la combinazione di caratteristiche. Teorie più recenti hanno ammesso che le categorie possono avere una struttura mal definita o "sfocata" ("fuzzy") e hanno proposto modelli probabilistici o di similarità globale per la verifica dell'adesione alle categorie.
Modelli associativi L '"associazione" - ovvero una relazione tra due informazioni - è un concetto fondamentale in psicologia, e le associazioni a vari livelli di rappresentazione mentale sono essenziali per i modelli di memoria e cognizione in generale. L'insieme di associazioni tra un insieme di elementi in memoria è equivalente ai collegamenti tra i nodi di una rete, in cui ogni nodo corrisponde a un oggetto unico in memoria. Infatti, le reti neurali e le reti semantiche possono essere caratterizzate come modelli associative di cognizione. Le associazioni sono spesso più chiaramente rappresentate come una matrice N × N, dove N è il numero di elementi in memoria. Pertanto, ogni cella della matrice corrisponde alla forza dell'associazione tra l'elemento di riga e l'elemento di colonna.
Si ritiene generalmente che l'apprendimento delle associazioni sia un processo "hebbiano"; vale a dire, ogni volta che due elementi in memoria sono attivi contemporaneamente, l'associazione tra loro diventa più forte e più è probabile che entrambi gli elementi attivino l'altro. Search of Associative Memory (SAM) Un modello standard di memoria che utilizza l'associazione in questo modo è il modello "Search of Associative Memory (SAM)". Sebbene SAM sia stato originariamente progettato per modellare la memoria episodica, i suoi meccanismi sono indicati per supportare anche alcune rappresentazioni di memoria semanticaKimball, D. R., Smith, T. A. & Kahana, M. J. (in press). The fSAM model of false recall. Psychological Review.. Il modello SAM contiene un magazzino a breve termine (STS) e un magazzino a lungo termine (LTS), dove STS è un sottoinsieme attivato brevemente delle informazioni nell'LTS. L'STS ha una capacità limitata e influenza il processo di recupero limitando la quantità di informazioni che possono essere campionate e limitando il tempo in cui il sottoinsieme campionato è in una modalità attiva. Il processo di recupero in LTS è indizio (cue)-dipendente e probabilistico, il che significa che un indizio avvia il processo di recupero e le informazioni selezionate dalla memoria sono casuali. La probabilità di essere campionata dipende dalla forza di associazione tra l'indizio e l'oggetto che si sta recuperando, con associazioni più forti che vengono campionate, e infine una viene scelta. La dimensione del buffer è definita come r, e non un numero fisso, e mentre le voci sono ripetute nel buffer, la forza associativa cresce linearmente in funzione del tempo totale all'interno del buffer. Nel SAM, quando due elementi contemporaneamente occupano un buffer di memoria di lavoro, la forza della loro associazione viene incrementata. Pertanto, gli elementi che si verificano più spesso sono più fortemente associati. Gli elementi in SAM sono anche associati a un contesto specifico, in cui la forza di tale associazione dipende dalla durata di ciascun elemento in un determinato contesto. Nel SAM, quindi, i ricordi consistono in un insieme di associazioni tra gli elementi in memoria e tra elementi e contesti. La presenza di un insieme di elementi e/o di un contesto ha più probabilità di evocare, quindi, alcuni sottoinsiemi degli elementi in memoria. Il grado in cui gli oggetti si evocano l'un l'altro - in virtù del loro contesto condiviso o della loro co-occorrenza - è un'indicazione della relazione semantica degli oggetti.