Don't Look Now: The influence of distractor features vs. spatial relevance on attentional deployment
Notice bibliographique
Résumé
Visual search performance is aided by knowledge of scene context and likely target positioning (Castelhano & Henderson, 2007; Neider & Zelinsky, 2006). In a recent study, Pereira and Castelhano (2017) demonstrated that attention is differentially deployed depending on the target-relevance of each scene region: in an abrupt-onset paradigm, target-relevant distractors were fixated upon and saccaded towards significantly more often than target-irrelevant distractors. In the present study, we examined whether the visual features of distractors influence attentional deployment over and above the spatial relevance of their positions. Distractors were placed in scene regions that were operationalized as either target-relevant or target-irrelevant, and were either visually similar or dissimilar to the target object. Participants saccaded towards and fixated upon target-relevant distractors significantly more often than target-irrelevant distractors. Interestingly, visual target-distractor similarity did not have an effect: only distractors appearing within target-relevant regions reliably attracted attention, regardless of their visual similarity to the target. These findings suggest that attention during search is distributed based on likely target positioning and, surprisingly, that attentional capture within scenes may be better predicted by spatial relevance than by visual feature similarity. However, previous research has also demonstrated that distractors are more likely to capture attention when they share categorical features with the target (Wyble, Folk, & Potter, 2013). We will further examine the potential interaction between the spatial relevance of distractor positioning and categorical target-distractor similarity, in order to assess the extent to which spatial relevance and distractor features differentially predict attentional deployment in search through real-world scenes. Meeting abstract presented at VSS 2018
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 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».