A Dissociation Between Visual Strategy Use and Accuracy after Perceptual Expertise Training
Notice bibliographique
Résumé
A perceptual expert is skilled at observing, identifying, and distinguishing between items within their domain of expertise. Previous research examining perceptual expertise with birds (Scott et al., 2006) and cars (Scott et al., 2008) suggests that subordinate-level training improves perceptual discrimination over basic-level training. However, it was previously unclear whether changes in accuracy were accompanied by changes in visual strategy use. To answer this question, adults (n= 32) received 9 hours of training with 2 families of computer-generated objects over a 2-3 week period. Each family included 10 unique species (labeled "A" through "J") each containing 12 exemplars. Within subjects, one family was trained at the subordinate level and the other family was trained at the basic-level. Stimulus features, including color and spatial frequency, were also manipulated to assess the impact of these factors on posttest discrimination. Pre- and posttest assessments included eye-tracking and accuracy (d') during a serial image discrimination task. Consistent with previous reports (Scott et al., 2006; 2008), accuracy (d') increased from pretest to posttest for the subordinate trained family but not for the basic trained family (See Figure 1, top left). Eye-tracking results suggest that although training did not change overall dwell time, the average fixation duration increased and the number of fixations decreased from pretest to posttest (Figure 1). These changes in visual strategies were unrelated to the level of training and the image manipulations did not impact these results. Improvements in perceptual discrimination replicate previous expertise training results. Although behavior is differentially impacted by subordinate versus basic level training, the eye tracking analyses suggest that changes in visual strategies do not differ based on level of training. Meeting abstract presented at VSS 2017
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».