Visual search for multiple targets remains efficient when supported by recollective long-term memory
Notice bibliographique
Résumé
We are often faced with the task of searching our visual environment for multiple objects, such as when searching for any one of our friends at Club Vision. To accomplish this search we must retrieve information stored in long term memory (LTM). Surprisingly, searching through memory adds little cost to the efficiency of visual search. That is, visual search response times increase logarithmically with the number of targets stored in LTM (Wolfe, 2012, Psychol Sci): It doesn’t take much longer to search for sixteen friends than it does to search for eight. In this previous investigation, memorized targets were both perceptually identical to the visual search targets, and repeated frequently throughout the search task on target present trials. These conditions are conducive to a familiarity-based LTM process, which may have driven the efficiency of search. In the present study, we evaluated whether LTM-supported search remains efficient when based on flexible, abstract memory representations (i.e., recollection, rather than simple judgements of familiarity). Participants memorized 1, 2, 4, 8 or 16 targets, counterbalanced across blocks, and searched for these targets amidst twelve on-screen distractors. Experiment 1 used predominately target-absent trials and blocks terminated after the first successful target-present trial, ensuring that familiarity did not accrue over repeated presentations of the target. In Experiment 2, this task was extended by having participants memorize written object names and visually search for pictures of those objects, thereby eliminating perceptual familiarity. Despite these restrictions on the contribution of familiarity, we continued to see the efficient logarithmic relationship between visual search time and memory set size. These data suggest that interactions between visual search and LTM search are not completed solely based on familiarity; rather, participants can engage a recollection-based LTM process, calling upon flexible memory representations to support efficient visual search, even for previously unobserved information. Meeting abstract presented at VSS 2013
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».