MétaCan
Menu
Retour à la cohorte
Enregistrement W1788370761 · doi:10.1371/journal.pone.0130611

The Commingled Division of Visual Attention

2015· article· en· W1788370761 sur OpenAlexaff
Yuechuan Sun, Sijing Wu, Ian Spence

Notice bibliographique

RevuePLoS ONE · 2015
Typearticle
Langueen
DomaineNeuroscience
ThématiqueVisual perception and processing mechanisms
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésDistractionVisual searchTask (project management)Computer scienceVisual perceptionStimulus (psychology)SAFERPerceptionPattern recognition (psychology)Artificial intelligenceBiologyCognitive psychologyPsychologyNeuroscienceComputer securityEngineering

Résumé

récupéré en direct d'OpenAlex

Many critical activities require visual attention to be distributed simultaneously among distinct tasks where the attended foci are not spatially separated. In our two experiments, participants performed a large number of trials where both a primary task (enumeration of spots) and a secondary task (reporting the presence/absence or identity of a distinctive shape) required the division of visual attention. The spots and the shape were commingled spatially and the shape appeared unpredictably on a relatively small fraction of the trials. The secondary task stimulus (the shape) was reported in inverse proportion to the attentional load imposed by the primary task (enumeration of spots). When the shape did appear, performance on the primary task (enumeration) suffered relative to when the shape was absent; both speed and accuracy were compromised. When the secondary task required identification in addition to detection, reaction times increased by about 200 percent. These results are broadly compatible with biased competition models of perceptual processing. An important area of application, where the commingled division of visual attention is required, is the augmented reality head-up display (AR-HUD). This innovation has the potential to make operating vehicles safer but our data suggest that there are significant concerns regarding driver distraction.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,010
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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.

Tête enseignante Opus0,207
Tête enseignante GPT0,337
Écart entre enseignants0,130 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations16
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePLoS ONEMême sujetVisual perception and processing mechanismsTravaux en français237 207