MétaCan
Menu
Retour à la cohorte
Enregistrement W2973411209 · doi:10.1167/19.10.286b

Manual tracking of the double-drift illusion

2019· article· en· W2973411209 sur OpenAlexaff
Bernard Marius ’t Hart, Denise Y. P. Henriques, Patrick Cavanagh

Notice bibliographique

RevueJournal of Vision · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueOcular and Laser Science Research
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésStylusIllusionOffset (computer science)Computer visionStimulus (psychology)Artificial intelligenceComputer scienceGeodesyTracking (education)Position (finance)PsychologyCommunicationCognitive psychologyGeology

Résumé

récupéré en direct d'OpenAlex

When a target has poor position information, vision may take the target’s motion into account in generating its perceived location, resulting in conflicts between apparent and actual position. The double-drift illusion (Lisi & Cavanagh, 2015) is one such case in which the internal motion of the target drives an accumulating perceived offset that, after as much as 2 to 4 seconds, reaches some saturation limit where the accumulation stops or resets to the physical location. To investigate this illusion and its limits, we asked participants to move a pen over a drawing tablet to continuously track where they perceived the stimulus. By interposing an angled mirror, the participants were able to see the target moving on the same horizontal surface where they moved the stylus but could not see their hand or the stylus. We found that the manual tracking data showed the double-drift illusion and that its magnitude was sensitive to the internal and external speeds of the moving gabor, being largest when the external speed was slow and the internal speed high. This indicates that the manual tracking data can in principle be used to follow the perceived target location moment by moment to investigate how and when the illusory position shift saturates.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,009
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,023
Tête enseignante GPT0,365
Écart entre enseignants0,343 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of VisionMême sujetOcular and Laser Science ResearchTravaux en français237 207