Episodic recognition memory for high-dimensional, human synthetic faces
Notice bibliographique
Résumé
Purpose: We investigated the human visual memory for faces, and evaluated the effects of perceptual similarity on visual memory performance with varying sets of study and test items. By using realistic, computer synthesized faces as stimuli, we could systematically vary the perceptual similarity among the items to be remembered, thereby gauging inter-item similarity's effect on visual memory. Methods: In Experiment 1, Sternberg's recognition memory paradigm was applied to a set of 21 synthesized faces. On each trial, from 1 to 4, briefly presented Study faces were followed by a single Probe face. Subjects indicated whether the Probe had or had not been among the Study faces. To force reliance on episodic memory, Study and Probe items varied from trial to trial. In Experiment 2, the method of triads, followed by multidimensional scaling (MDS), was used to characterize subjects' perceptual similarity space for the faces. Results: Experiment 1 showed that recognition memory was strongly influenced by the number of faces comprising a study set, and by the recency of a face's occurrence on a trial. Expressing differences among faces in terms of distances derived from the MDS similarity space, we found that perceptual similarity among faces accounted for much of the variance in recognition memory performance. Finally, between-subject differences in the face-similarity space were relatively small. Conclusion: Inter-item similarity has powerful effects on episodic memory. We applied further analysis to examine the effects of similarity between the probe and the most similar lure, the similarity among all lures, and the similarity between the probe and all other lures. The fitness of visual memory models will be discussed in light of these results.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».