Predicted Position Error Triggers Catch-Up Saccades during Sustained Smooth Pursuit
Notice bibliographique
Résumé
Abstract For humans, visual tracking of moving stimuli often triggers catch-up saccades during smooth pursuit. The switch between these continuous and discrete eye movements is a trade-off between tolerating sustained position error (PE) when no saccade is triggered or a transient loss of vision during the saccade due to saccadic suppression. de Brouwer et al. (2002b) demonstrated that catch-up saccades were less likely to occur when the target re-crosses the fovea within 40–180 ms. To date, there is no mechanistic explanation for how the trigger decision is made by the brain. Recently, we proposed a stochastic decision model for saccade triggering during visual tracking (Coutinho et al., 2018) that relies on a probabilistic estimate of predicted PE (PEpred). Informed by model predictions, we hypothesized that saccade trigger time length and variability will increase when pre-saccadic predicted errors are small or visual uncertainty is high (e.g., for blurred targets). Data collected from human participants performing a double step-ramp task showed that large pre-saccadic PEpred(>10°) produced short saccade trigger times regardless of the level of uncertainty while saccade trigger times preceded by small PEpred(<10°) significantly increased in length and variability, and more so for blurred targets. Our model also predicted increased signal-dependent noise (SDN) as retinal slip (RS) increases; in our data, this resulted in longer saccade trigger times and more smooth trials without saccades. In summary, our data supports our hypothesized predicted error-based decision process for coordinating saccades during smooth pursuit.
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 | 0,007 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».