Perceptual learning of detection of band-limited noise patterns
Notice bibliographique
Résumé
Perceptual learning has most frequently been studied for discrimination and identification tasks, in which learning is specific to stimuli exposed throughout practice. Here, we asked whether practice improves detection of textures in noise, and whether the improvements, if any, are stimulus specific when stimulus features are not easily identified. We used two external noise levels, following previous studies showing different patterns of improvement in discrimination in low and high noise. Two groups of observers practiced detection of five noise textures (2-4 cpi) on two consecutive days. The texture was presented at one of eight contrasts, including a zero-contrast (signal absent) condition. The observer's task was to detect whether the texture was present or absent on each trial (yes/no). One group practiced the task with the same five textures on both days, and the other group switched to five novel textures on Day 2. Noise levels were blocked, and the five textures were randomly presented throughout the session. We calculated d' at each contrast, and the false alarm rate for each observer in each noise level on both days. Performance improved for both groups in high noise, but the improvement was larger for the same texture group, particularly at high contrasts. Performance improved slightly in low noise for the novel texture group, but not for the same texture group. The improvement in low noise was significantly associated with a reduction in false alarms. The results suggest that learning of texture detection generalizes to novel textures from the same bandwidth, but there is an advantage in high noise for previously exposed textures (i.e., stimulus specificity) despite absence of identification. The low noise data are consistent with work suggesting that threshold improvements in certain yes-no tasks are accompanied by changes in the decision criterion. Meeting abstract presented at VSS 2014
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».