Notice bibliographique
Résumé
Bottom-up attention is driven by stimulus features, which may be occurring at the level of the object or the feature itself. Most studies investigating stimulus-driven selection have used spatially separate stimuli and thus are confounded by spatial mechanisms. To investigate whether it is spatial or object-based, we superimposed two surfaces (random dot kinetograms, RDKs). We asked whether dot density, previously found to be involved in bottom-up attention, can also drive object-based selection in the absence of spatial mechanisms. Superimposing two surfaces of different densities places both densities at the same spatial location and thus, those densities are separated only by the surface on which they appear. We performed 2 experiments to investigate the effect of density on surface selection. In experiment 1, subjects fixated a central dot and an aperture with a single surface of dots moving left or right appeared in the periphery. After a random period of time, the fixation spot disappeared which was the cue for the subjects to saccade to the aperture. The density of the surface varied trial-by-trial from 0.24–30.6 dots/deg2. Saccading to the surface resulted in an automatic pursuit of that surface. We found that pursuit speed varied with surface density. In experiment 2, one surface again varied in density while a second surface was placed in the aperture, moving at the same speed in the opposite direction and of a constant density. We varied the opposing surface's density across sessions (range: 0.24–1.9 dots/deg2). As the relative difference in density between the two surfaces decreased, the gain of pursuit to the higher density surface decreased. At equal densities, no pursuit occurred. These findings are consistent with competitive circuitry between the two surfaces. Overall, these results suggest that density is a salient object feature that can drive automatic selection, regardless of location-based mechanisms.
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 | 0,000 | 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 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».