MétaCan
Menu
← Retour à la cohorte
Enregistrement W2031314318 · doi:10.1167/9.8.182

The effects of learning on visual search and change detection

2010· article· en· W2031314318 sur OpenAlexaff
C. Mullin, E. A. Richards

Notice bibliographique

RevueJournal of Vision · 2010
Typearticle
Langueen
DomaineNeuroscience
ThématiqueNeural and Behavioral Psychology Studies
Établissements canadiensUniversity of Prince Edward Island
Organismes subventionnairesnon disponible
Mots-clésChange blindnessChange detectionVisual searchObject (grammar)Computer scienceArtificial intelligenceN2pcFlickerFeature (linguistics)Visual processingVisual ObjectsCognitive psychologyComputer visionPattern recognition (psychology)PsychologyCommunicationVisual memoryCognitionPerceptionNeuroscience

Résumé

récupéré en direct d'OpenAlex

Despite the fact that humans can readily recognize visual objects from one moment to the next, recent work has shown that we have detailed information about only a handful of objects at any one time. One interesting phenomena that highlights this limitation is ‘change blindness’. This is the striking phenomenon whereby individuals have difficulty detecting changes to visual stimuli. In a series of experiments, a visual search task was imbedded within a flicker or change detection paradigm. The target was defined by a change across two visual displays separated by a blank temporal gap. Each display contained identical items at each location, except for at the target location, which contained different items. The sequence of visual displays and gaps were cycled until observers detected the changing target item. This paradigm is particularly useful because the type of change, at the target location, can be manipulated. In the current series of experiments the type of change was varied in terms of features (i.e., the number of features changing at the target location) and familiarity of the change (e.g., a changing familiar object vs. unfamiliar object). In addition, we investigated the extent to which change detection performance varied as a function of processing time (i.e., display duration) and practice (i.e., training sessions). The results provide strong support for the idea that visual changes can be detected using both featural-level information (number of features) and object-level information (familiar vs. unfamiliar object). The results are also discussed in terms of the shift from feature-based to object-based processing, and the degree to which change detection performance improved as a function of learning.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,029
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,029
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,087
Tête enseignante GPT0,428
Écart entre enseignants0,342 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Vision→Même sujetNeural and Behavioral Psychology Studies→Travaux en français237 207→