How to combine direction cues optimally
Notice bibliographique
Résumé
Many perceptual tasks require estimating a direction in space. Often several directional cues are available, such visual and gravitational cues to the subjective vertical, or visual and auditory cues to the direction of an object. In work on the subjective vertical, researchers have developed a heuristic vector summation model that has no deep theoretical motivation, but that accounts well for the direction and reliability of observers’ direction estimates when multiple cues are available, and that can accommodate directional cues ranging over all possible directions (Mittelstaedt, 1983). In work on combining visual and auditory cues to direction, researchers have used statistically motivated cue combination models that were originally developed for linear quantities such as depth, not circular or spherical quantities such as direction, and hence work only over a limited range of cue directions (Alais and Burr, 2004). Here we present a new model of directional cue combination that combines the advantages of both previous approaches. We develop a statistical theory of cue combination based on the von Mises distribution, the analog on the circle of the normal distribution on the line. We show that this theory differs in important ways from the theory of linear cue combination, e.g., a combined direction estimate can be less certain than any of the individual cues that were used to calculate it. We also show that the vector summation model developed empirically by previous investigators is an excellent approximation to our theory, meaning that it is a nearly optimal way of combining directional cues.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,007 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».