Attention capture by faces and trains: A developmental study
Notice bibliographique
Résumé
There is evidence that faces capture attention during visual search (Langton, Law, Burton, & Schweinberger, 2008). However faces do not capture the attention of individuals with autism spectrum disorder (ASD) to the same extent (Riby, Brown, Jones, & Hanley, 2012). Whereas individuals with ASD show less preferential processing of faces, objects in which they are interested and with which they have developed expertise have been shown to capture attention (McGugin, McKeeff, Tong, & Gauthier, 2011). In an effort to understand this possible interaction between face and special interest object processing in individuals with ASD, we conducted a visual search experiment with children with ASD (ages 7-12) and compared their performance to that of their age and IQ matched peers, and adults without ASD. Participants searched for a target in an array of distractors, which included faces, trains (the most common special interest object among children with ASD), and various neutral object categories that were not of special interest (e.g., chairs, clocks, fruit). Contrary to our hypothesis that faces would capture attention to a greater extent than trains, we found that the presence of either a face or a train slowed response times relative to the neutral distractors for all participants. Why do faces and trains capture the attention of children and adults to the same extent? We explore this question with a developmental and methodological focus. Meeting abstract presented at VSS 2016
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».