Using optic flow in the far peripheral field
Notice bibliographique
Résumé
Self-motion information can be used to update spatial memory of location through an estimate of a change in position. Viewing optic flow alone can create Illusory self-motion or "vection." Early studies suggested that peripheral vision is more effective than central vision in evoking vection, but controlling for retinal area and perceived distance suggests that all retinal areas may be equally effective. However, the contributions of the far periphery, beyond 90°, have been largely neglected. Using a large-field Edgeless Graphics Geometry display (EGG, Christie, Canada, field of view ±112°) and systematically blocking central (±20° to ±90°) or peripheral (viewing through tunnels ±20° to ±40°) parts of the field, we compared the effectiveness of different retinal regions at evoking forwards linear vection. Fifteen participants indicated when they had reached the position of a previously presented target after visually simulating motion down a simulated corridor. The amount of simulated travel needed to match a given target distance was modelled with a leaky spatial integrator model to estimate gains (perceived/actual distance) and a spatial decay factor. When optic flow was presented only in the far periphery (beyond 90°) gains were significantly higher than for the same motion presented full field or in only the central field, resulting in accurate performance in the range of speeds associated with normal walking. The increased effectiveness of optic flow in the peripheral field alone compared to full-field motion is discussed in terms of emerging neurophysiological studies that suggest brain areas dedicated to processing information from the far peripheral field.
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 | 0,001 |
| 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 ».