Spaced out: good discrimination but poor memory for spacing differences in houses
Notice bibliographique
Résumé
Face recognition may differ from object recognition in being more affected by spacing between parts (e.g., distance between eyes) than by the features themselves. Here we examined adults' ability to discriminate and recognise houses in a design similar to that used previously with faces. Stimuli were photographs of houses in three conditions: houses that differed only in spacing between the windows and door; houses that differed only in features (the particular windows and door); and houses that were completely different. Subjects (N=24) completed a match-to-sample task followed by a 2AFC recognition memory task for each condition. The mean spatial frequency amplitude was matched across all sets. Overall, subjects were less accurate at the spacing task than the feature task (81% vs. 90%, t(23) = 4.45, p lt; .001 for discrimination; 47% vs. 89%, t(23) = 4.95, p lt; .001, for memory). Importantly, even for sets for which accuracy on the spacing and feature tasks were matched at the discrimination stage (81% vs. 84%, t(11) = 1.15, p [[gt]] .05), memory for previously seen spacing was at chance (50%, t(11) lt; 1), while memory for particular features remained high (85%, t(11) = 5.3, p [[lt]] .001). This contrasts with a previous study with faces in which adults remembered spacing information learned as part of another task at well above chance levels (Gilchrist & McKone, 2003). The current results for houses are consistent with different real-world processing demands for faces and houses. Facial features change as individuals talk, turn their head, or show facial expressions, and spacing information can be deduced relative to the same basic layout in every face. Houses, conversely, have constant features that can be distinctive and far fewer restrictions on basic structure (the door goes at the bottom but windows can go in any number of locations).
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 | 0,002 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».