Feature-based attention separately influences visual working memory resolution and encoding probability
Notice bibliographique
Résumé
We use attention to select relevant portions of our environment for detailed processing-a process often directed by feature-based goals. Feature-based attention guides visual information processing by strengthening early representations (i.e., within perceptual cortex). Here we examined how feature-based goals affect the way visual information is represented at later stages of processing, namely within visual working memory (VWM). To address this question we used a continuous partial-report VWM task (i.e., a colour-wheel task) and measured the effects of attention on guess rate (the probability that an item is encoded into VWM) and standard deviation (the resolution with which an item is represented). On each trial of Experiment 1, participants remembered the colours of two squares and two circles over a delay, and then reported the colour of one probed stimulus. To manipulate feature-based attention we instructed participants that square stimuli were more likely to be probed (counterbalanced): Across four blocks, squares were probed on 60%, 70%, 80%, or 90% of trials. We found that increasing the value of a feature-based goal increases the probability that a goal-matching item will be encoded into VWM without altering its resolution. This pattern reverses, however, for non-matching stimuli: Attention affects resolution but not guess rate. In Experiment 2, we increased set size from four to six items (three circles and three squares), and observed the same effects of attention. The double dissociation observed in both experiments suggests that feature-based attention can affect both VWM encoding probability and resolution, and, for a given stimulus, these effects can emerge independently. Broadly, our findings add to recent studies investigating how the value of an attentional goal impacts VWM. Interestingly, as attention type (attend to feature vs. space) and stimulus type (report colour vs. location) change, so do the effects on VWM, suggesting a need for more research. 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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».