Getting the most out of classification images
Notice bibliographique
Résumé
The classification image technique is a method of estimating an observer's internal template on a detection or discrimination task. Originally used in the context of Vernier acuity (Ahumada 1996), this approach has recently been adapted to more complex tasks, including disparity processing (Neri et al. 1999), illusory contour completion (Gold et al. 2000) and face recognition (Sekular et al. 2004). The nature of the procedure limits the number of stimulus dimensions that can be probed, as well as the resolution. We therefore sought an analysis procedure that would maximize the efficiency of the classification image technique. A widely-used approach to statistical testing of classification images is to apply a global threshold, along with a Bonferroni correction, to individual image components, a method which ignores correlations between adjacent image components. More efficient methods are available. For instance, hard thresholding of image components in overcomplete tight frames yields efficient image denoising (Yu et al. 1996). False discovery rate (FDR) testing has been shown to be as conservative as the Bonferroni correction in terms of global type I error, yet less prone to type II errors (Benjamini & Hochberg 1995). We adapted these two methods to the statistical testing of classification images. The hybrid FDR/tight frame method was applied to classification images from a simulated LAM observer, using a variety of idealized observer templates from previously published classification image experiments. The number of trials required to reach a desired Pearson's correlation (0.5) between estimated and true template was typically an order of magnitude lower with the hybrid technique than with Bonferroni thresholding. Improvements were greatest in templates with complex, oriented features, such as faces. These results suggest that the hybrid method improves the efficiency of classification image measurements, particularly in experiments with high-resolution or high-dimensional stimuli.
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 | 0,003 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,006 |
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 ».