MétaCan
Menu
Retour à la cohorte
Enregistrement W2339705097 · doi:10.1167/16.6.9

A global attentional scope setting prioritizes faces for conscious detection

2016· article· en· W2339705097 sur OpenAlexafffund
Sol Z. Sun, Jonathan S. Cant, Susanne Ferber

Notice bibliographique

RevueJournal of Vision · 2016
Typearticle
Langueen
DomaineNeuroscience
ThématiqueFace Recognition and Perception
Établissements canadiensBaycrest HospitalThe Scarborough HospitalUniversity of Toronto
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanadian Institutes of Health Research
Mots-clésScope (computer science)Binocular rivalryCognitive psychologyPerceptionPsychologyTask (project management)Attentional biasReplication (statistics)Object (grammar)Visual attentionInformation processingVisual perceptionComputer scienceCognitionNeuroscienceArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

The scope of visual attention is known to affect conscious object perception, with recent studies showing that a global attentional scope boosts holistic face processing, relative to a local scope. Here we show that attentional scope settings can also modulate the availability of information for conscious visual awareness. In an initial experiment, we show that adopting a global attentional scope accelerates conscious detection of initially invisible faces, presented under continuous flash suppression (CFS). Furthermore, face detection time was not modulated by attentional scope in a nonrivalrous control condition, which emulated the experience of CFS without inducing binocular rivalry. In a follow-up experiment, we report an exact replication of the original effect, as well as data suggesting that this effect is specific to upright faces, and is abolished when using both inverted faces and images of houses in an otherwise identical task. Thus, attentional scope settings can modulate the availability of information to conscious awareness, fundamentally altering the contents of our subjective visual experience.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,220
Score d'incertitude au seuil0,174

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,031
Tête enseignante GPT0,340
Écart entre enseignants0,309 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of VisionMême sujetFace Recognition and PerceptionTravaux en français237 207