Position-specific learning in a texture identification task
Notice bibliographique
Résumé
Stimulus-specific perceptual learning (PL) often has been found in relatively simple tasks that require observers to discriminate stimuli that vary along a single dimension. Such learning has been interpreted as showing that training alters the response properties of mechanisms in early visual cortical areas. Stimulus-specific PL also has been found in situations that are arguably more complex, namely identification tasks using filtered random textures that varied on multiple dimensions: PL does not transfer to contrast-reversed versions of the training textures or to textures rotated by 180 deg [Hussain et al., J Vis, 2009, 9(4):20]. Such findings suggest that PL may alter the response properties of mechanisms in higher-level visual areas such as inferotemporal cortex. One potential criticism of the Hussain et al. findings is that stimulus specificity was assessed using transformations that altered the spatial distribution of the black and white blobs in the textures, and essentially created a new set of stimuli. According to this argument, PL in a texture identification task may generalize to textures presented in different spatial locations, without altering the spatial distributions of features. We tested this idea by measuring accuracy in a 1-of-5 texture identification task. Practice on Day 1 consisted of interleaved trials with two different sets of textures: one set was presented slightly above the fixation point and the other was presented below the fixation point. On Day 2, subjects continued the task either with stimuli in the same positions seen during Day 1 or with the top-bottom positions switched. We found evidence for both generalized and stimulus-specific learning: presenting textures in new positions on Day 2 caused accuracy to decrease significantly, but not to levels seen at the beginning of Day 1. Hence, a component of learning in this relatively complex texture identification task is stimulus specific. Meeting abstract presented at VSS 2015
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».