The Speed of Categorization: A Priority for People?
Notice bibliographique
Résumé
Objects are typically categorized fastest at the basic level (“dog”) relative to more superordinate (“animal”) or subordinate (“labrador retriever”) levels (Rosch et al., 1976). A traditional explanation for this basic-level advantage is that an initial stage of processing first categorizes objects at the basic level (Grill-Spector & Kanwisher, 2005; Jolicoeur, Gluck, & Kosslyn, 1984), but this has been challenged by more recent findings (e.g., Bowers & Jones, 2008; Mace et al., 2009; Mack et al., 2008, 2009; Rogers & Patterson, 2007). In the current study, we explored whether there is temporal priority in processing people by measuring the time course of categorization and evaluating behavioral data using a computational model of perceptual decision making (Ratcliff, 1978). We contrasted speeded categorization of people versus speeded categorization of dogs, manipulating the similarity between the targets and distractors (similar distractors were other animals and dissimilar distractors were nonliving objects) and the homogeneity of the set of distractors (two versus ten object categories). Participants were more accurate and faster for both people and dogs when distractors were dissimilar to the targets and the homogeneity of distractors did not have an effect on performance. But critically, we found a temporal advantage for categorizing people both in overall reaction times and in measures of minimal processing time for successful categorization. Not only were people categorized faster than dogs, they were also categorized earlier. Model predictions suggested that a temporal advantage for categorizing people arises from both a priority in perceptual encoding and a faster accumulation of evidence for a decision. The current study significantly extends recent work by further characterizing the time course of categorization at different levels and for different kinds of objects and investigating the underlying mechanisms within a computational framework.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».