Distinct roles of eye movements during memory encoding and retrieval
Notice bibliographique
Résumé
Eye movements help to facilitate memory for complex visual scenes. Here we ask whether the benefit of eye movements for memory is stronger during the encoding phase or the recognition phase. 20 participants viewed photographs of real-world scenes, followed by a new-old memory task. They were either allowed to freely explore the scenes via eye movements in both the study and test phases (Condition S+T+), or had to refrain from making eye movements in either the test phase (Condition S+T-), the study phase (Condition S-T+), or both (Condition S-T-). Recognition accuracy (d-prime) was significantly higher when participants were able to move their eyes (Condition S+T+: 1.16) than when they were constrained in some way (Condition S+T-: 0.67, Condition S-T+: 0.42, Condition S-T-: 0.35, p < 10-6). A separate analysis on Hit rates and False Alarm rates indicates a dissociation between the effects of eye movements on memory during the study and test phases. The Hit Rate was greatly influenced by the ability to make eye movements during the study phase, while the False Alarm rate was affected by whether participants could make eye movements during the test phase. Taken together, these results suggest that eye movements during the first viewing of a scene, used to visually explore and encode the scene, are critical for accurate subsequent memory. Eye movements during the test phase, on the other hand, are used to re-explore the scene and to confirm or deny recognition. Thus, eye movements during both the first encounter and subsequent encounters with a scene are beneficial for recognition through proper exploration, encoding, and re-exploration of the visual environment. 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 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 | 0,000 | 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) | 0,000 | 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 ».