对oMST的替代刺激集、语言以及污染物检测方法进行了系统的评估

《Neuropsychologia》：A systematic evaluation of the oMST’s alternate stimulus sets, languages, and contaminant detection methods

　　

摘要

背景

优化后的助记相似性任务（oMST）是一项简短的自我管理认知筛查评估工具，它源自研究级别的MST。本研究考察了其心理测量属性，包括不同刺激集合之间的难度可比性、跨语言有效性以及识别干扰反应行为的方法。

方法

使用Prolific全球在线测试平台进行了两项实验。实验1评估了练习效应和重复进行oMST的可靠性，以及18个独立刺激集合的难度。实验2比较了英语、西班牙语和中文版本的oMST的性能，以评估跨语言有效性。最后，利用模拟数据和实验1的数据重新审视了常用的识别记忆（REC）排除阈值0.50，并将其与其他筛查指标进行了比较，以识别干扰反应行为。

结果

oMST的性能在多次测试中具有可靠性，没有发现与练习相关的表现提升。此外，18个刺激集合的表现总体一致，表明难度大致相当。英语和西班牙语版本的oMST表现相当，而中文版本的表现略低。通过对模拟数据和实际参与者的分析，我们证明使用传统的REC < 0.50阈值可以识别猜测行为和低努力行为，而仅基于箔片准确性的阈值则可以有选择地识别猜测行为。

结论

这些发现支持oMST作为一种可靠且易于使用的行为工具，用于评估助记辨别能力，这是一种与海马功能相关的记忆能力，并且在多次测试和各种刺激集合中都具有有效性。

部分摘录

背景

近年来，远程自我管理的数字认知评估的使用越来越受欢迎（Azer等人，2025年；Contemori等人，2024年；Pucci等人，2024年；C. E. L. Stark等人，2023年；Steeves等人，2025年；Watt等人，2021年）。这些方法具有多种优势，包括更高的可访问性，通常比在临床环境中进行的传统认知筛查更受青睐（Ferrandez和Montesinos等人，2025年；Young等人，2023年）。

一般方法

所有实验的程序均获得了加利福尼亚大学欧文分校（IRB HS #2008-6128）的机构审查委员会的批准。所有参与者都提供了知情同意，并因参与而获得了经济补偿。所有实验均使用Prolific全球在线研究测试平台作为主要的测试环境。在开始任务之前，参与者在Prolific上收到了关于研究的一般描述，内容为：“在这项研究中，您将

概述

我们在实验1中的主要目标是：1）评估练习效应和连续测试中重复进行oMST的可靠性；2）评估18个刺激集合之间的难度均衡性。参与者通过伪随机选择的刺激集合对完成了两次任务，使我们能够评估多次测试中LDI和REC分数的可靠性。我们还分析了每个子集中的诱饵项目的准确性、LDI和REC分数。

讨论

oMST是研究级别MST（Kirwan & Stark, 2007; C. E. L. Stark等人，2023）的优化版，时长为五分钟，具有多个优势。oMST保留了研究级别MST的理论基础和核心助记辨别行为测量指标，其表现与传统任务中的LDI表现有很强的相关性（Kirwan & Stark, 2007; C. E. L. Stark等人，2023）。在保持相同理论基础和核心

CRediT作者贡献声明

Luke Ehlert：撰写 – 审稿与编辑，方法论。Craig E. L. Stark：撰写 – 审稿与编辑，监督，软件，项目管理，方法论，研究，资金获取，正式分析，概念化。Lilian Azer：撰写 – 审稿与编辑，原始草稿编写，可视化，验证，监督，项目管理，方法论，研究，正式分析，数据管理，概念化。Casey R. Vanderlip：撰写 – 审稿与编辑，

未引用参考文献

Ferrandez和Montesinos等人，2025年。

伦理声明

已从所有参与者或他们的法定代表处获得了参与研究的书面知情同意和文章发表的许可。尊重了参与者的隐私权。

本研究遵循了研究进行地的相关法律、监管框架和指南。该研究得到了加利福尼亚大学欧文分校机构审查委员会的批准（批准号：2008-6128）。

同意声明

所有受试者均提供了知情同意。

利益冲突声明

所有作者声明，本研究在没有任何可能被视为潜在利益冲突的商业或财务关系的情况下进行。作者没有需要声明的利益冲突。

数据可用性

数据将在文章被接受后在Dryad平台上公布。

资金来源

本工作得到了国家老龄化研究所（AG066683）对CELS的支持，以及T32培训奖学金（1T32TR005459-01）对LA的支持。

利益冲突声明

本文的作者们在手稿的准备过程中没有使用生成式AI或AI辅助技术方面需要声明任何利益冲突。

致谢

L. Azer和C. E. L. Stark制定了研究概念和设计。数据收集由L. Azer、L. C. R. Vanderlip和L. Ehlert监督。研究问题、数据排序、数据分析、解释、可视化、分析及手稿准备工作由L. Azer完成。所有作者均批准了最终版本的手稿提交。

Lilian Azer|Casey R. Vanderlip|Luke Ehlert|Craig E.L. Stark