Notice bibliographique
Résumé
Eye movements function to bring detailed information onto the high-resolution region of the retina. Previous research has shown that human observers select fixation points that maximize information acquisition and minimize target location uncertainty. In this study, we ask whether human observers choose the saccade endpoint that maximizes gain when there are explicit rewards associated with correctly detecting the target. Observers performed an 8-alternative forced-choice detection task for a contrast-defined target in noise. After a single saccade, observers indicated the target location. Each potential target location had an associated reward that was known to the observer. In some conditions, the reward at one location was higher than at the other locations. We compared human saccade endpoints to those of an ideal observer that maximizes expected gain given the respective human observer's visibility map, i.e., d' for target detection as a function of retinal location. Varying the location of the highest reward had a significant effect on human observers' distribution of saccade endpoints. Both human and ideal observers show a high density of saccades made toward the highest rewarded and actual target locations. But humans' overall spatial distributions of saccade endpoints differed significantly from the ideal observer as they made a greater number of saccade to locations far from the highest rewarded and actual target locations. Suboptimal choice of saccade endpoint, possibly in combination with suboptimal integration of information across saccades, had a significant effect on human observers' ability to correctly detect the target and maximize gain.
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 | 0,000 | 0,000 |
| 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 ».