The effects of cue placement on the relative dominance of boundaries and landmark arrays in goal localization
Notice bibliographique
Résumé
Two types of visual features are identified as reference points used by individuals to encode locations: surface-based boundaries and discrete-object-based landmarks. Previous research show that learning locations relative to a boundary can overshadow learning relative to a landmark, but not vice versa, suggesting that environmental boundaries play a privileged role in representing individual locations. However, other research has revealed that a less accurate cognitive map is derived from boundary-related learning than from landmark-related learning, suggesting that a boundary is less privileged in representing inter-location spatial relations. The current study aims to reconcile these inconsistent findings. Experiment 1, using both a cue-competition paradigm and a cognitive mapping task, replicated the finding that participants preferred a circular boundary to a four-landmark array for encoding four locations (1A), but that the cognitive maps of the locations derived from the landmark array were more accurate (1B). Using the cue-competition paradigm, Experiments 2-4 manipulated the placement and distinctiveness of the two cues. The results showed that manipulating the placement of the landmark array effectively modulated the relative reliance upon the boundary/landmark-array in encoding individual location. Whereas increasing the distinctiveness of the landmark-array alone is not sufficient to eliminate the boundary advantage in localization. We propose that the boundary privilege occurs in selecting reference points for encoding locations due to its relative peripheral placement in the environment, whereas the landmark advantage occurs in inferring inter-location spatial relations due to the common reference point provided by the single landmark.
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 | 0,002 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 ».