Learning to generalize stimulus-specific learning across contexts
Notice bibliographique
Résumé
Perceptual learning (PL) in a texture identification task occurs because observers become more sensitive to diagnostic stimulus components, but the particular components that are learned vary across observers. Here, we encouraged observers to adopt a specific processing strategy by manipulating the diagnostic orientation structure of textures. Six targets were generated by applying a 0±30 deg orientation-filter to band-pass filtered white noise. Targets were embedded in non-diagnostic contexts created by filtering novel textures with a 90±30 deg orientation band. The remaining empty orientations served as potential cues for distinguishing the target and context. In a 1-of-6 identification task, observers were trained with the horizontal Target alone (hT-only) or in a vertical Context (hT+vC). Before and after training, observers were tested with hT-only and hT+vC stimuli and controls (vT-only and vT+hC). Training with hT-only produced strong stimulus- and context-specific learning; hT+vC training led to weak but stimulus-specific and context-generalizable learning. Next, we examined if context-generalization reflected a broader, stimulus-transferable learning by testing hT+vC trained observers with novel hT textures. Again, learning was minimal: almost half of the observers did not exhibit learning. For those who learned, we found no evidence of context-generalization or stimulus-transfer. Finally, to make it easier to distinguish targets and context during training, target contrast was held constant while context contrast was varied with a 1up/1down staircase. Significant learning occurred: across training blocks, observers tolerated increasingly higher levels of context contrast. Unlike previous experiments, training improved performance for both the same hT+vC and hT-only stimuli; however, training did not affect performance with novel hT or vT stimuli. Thus, learning was context-generalizable but not stimulus-transferable. In conclusion, learning to identify structure in a specific orientation is difficult when that information is embedded in non-informative orientation information, but this difficulty can be overcome by providing cues to distinguish components. 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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».