Attentional blink magnitude is predicted by the ability to keep irrelevant material out of working memory
Notice bibliographique
Résumé
Participants have difficulty reporting the second of two masked targets if this second target is presented within 500 ms of the first target – an Attentional Blink (AB). Even unselected, healthy, young participants differ in the magnitude of their AB. Previous studies (Arnell, Stokes, MacLean & Gicante, 2010; Colzato, Spape, Pannebakker, – Hommel, 2007) have shown that individual differences in working memory performance using the OSPAN task can predict individual differences in AB magnitude where individuals with higher OSPAN scores show smaller ABs. Working memory performance also predicts AB magnitude over and above more capacity based memory measures which are unrelated to the AB (Arnell et al., 2010). Why might working memory performance predict the AB? One possibility is that individuals showing smaller ABs are better able to keep irrelevant information out of working memory. The present study employed an individual differences design, an AB task, and two visual working memory tasks to examine whether the ability to exclude irrelevant information from visual working memory (working memory filtering efficiency) could predict individual differences in the AB. Visual working memory capacity was positively related to filtering efficiency, but did not predict AB magnitude. However, the degree to which irrelevant stimuli were admitted into visual working memory (i.e., poor filtering efficiency) was positively correlated with AB magnitude over and above visual working memory capacity such that good filtering efficiency was associated with smaller ABs. Good filtering efficiency may benefit AB performance by not allowing irrelevant RSVP distractors to gain access to working memory.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».