The time-course of rapid stimulus-specific perceptual learning
Notice bibliographique
Résumé
Practice in perceptual tasks over hundreds or thousands of trials often leads to long-lasting improvements in performance that generalize only partially to new stimuli. However, the time courses of the general and stimulus-specific aspects of learning are still debated. Some researchers argue that general aspects of the task are learned first in an initial rapid phase of learning and that stimulus-specificity emerges more slowly. In contrast, Hussain et al. (Front Psychol. 2012; 3:226) reported that 105 trials in a 10-AFC face identification task on Day 1 was sufficient to produce stimulus-specific learning in a test phase on Day 2, suggesting that stimulus-specific improvements can emerge rapidly. The current experiments extend these findings by examining 1) whether similar, rapid stimulus-specific learning occurs in a 10-AFC texture identification task; 2) if this rapid stimulus-specificity is long-lasting by increasing the interval between Days 1 and 2 from 24 hours to 1 week; and 3) the effects of reducing practice on Day 1 from 840 to just 21 trials. On Day 1, subjects performed a 10-AFC identification task with band-pass random textures embedded in three levels of external noise. The textures were presented at 7 contrasts that spanned the threshold range; hence the signal-to-noise ratio varied significantly across trials. On Day 2, subjects performed the task with the same or a novel set of textures. The dependent variable was response accuracy, and stimulus-specificity was measured by comparing performance with the same and novel textures on Day 2. We found stimulus-specific learning in subjects who received 840, 105, and 63 trials of practice, but not in subjects who received 21 trials of practice. Our results are consistent with the idea that stimulus-specific learning can emerge rapidly during practice and that this rapid learning is long lasting. 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 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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».