MétaCan
Menu
Retour à la cohorte
Enregistrement W2063590032 · doi:10.1167/10.13.7

The default allocation of attention is broadly ahead of smooth pursuit

2010· article· en· W2063590032 sur OpenAlexafffund
Aarlenne Z. Khan, Philippe Lefèvre, Stephen Heinen, Gunnar Blohm

Notice bibliographique

RevueJournal of Vision · 2010
Typearticle
Langueen
DomaineNeuroscience
ThématiqueVisual perception and processing mechanisms
Établissements canadiensQueen's University
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésSmooth pursuitSaccadeVisual attentionEye movementGoal pursuitPsychologyCognitive psychologyVisual fieldComputer scienceNeurosciencePerceptionSocial psychology

Résumé

récupéré en direct d'OpenAlex

When moving through our environment, it is vital to preferentially process positions on our future path in order to react quickly to critical situations. During smooth pursuit, attention may be directed ahead with either a focused locus or a broad bias. We examined the 2D spatial extent of attention during a smooth pursuit task using both saccade (SRT) and manual (MRT) reaction times as measures of attentional allocation. Targets were flashed at various locations around current eye position while subjects pursued a moving target. Subjects made a saccade or pressed a button as soon as they perceived the target. Both SRTs and MRTs were shortest to targets flashed ahead of compared to behind the direction of pursuit across half of the visual field ahead of pursuit direction. Furthermore, we found an increase specific to SRTs at small target eccentricities directly ahead of pursuit, which may be related to an additional saccade trigger strategy; small saccades take longer to execute if smooth pursuit brings the eyes close to the target. In summary, both SRTs and MRTs revealed that attention is by default broadly allocated in the visual hemi-field ahead of the line of sight during smooth pursuit eye movements. This attentional bias may serve a predictive purpose for facilitating the processing of upcoming events.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,051
Score d'incertitude au seuil0,159

Scores Codex et Gemma par catégorie

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

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 Opus0,036
Tête enseignante GPT0,356
Écart entre enseignants0,320 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations41
Publié2010
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of VisionMême sujetVisual perception and processing mechanismsTravaux en français237 207