MétaCan
Menu
Retour à la cohorte
Enregistrement W308069672

Signal and noise in perceptual learning

2001· dissertation· en· W308069672 sur OpenAlexfundno aff
Jason M. Gold

Notice bibliographique

RevueTSpace (University of Toronto) · 2001
Typedissertation
Langueen
DomaineComputer Science
ThématiqueNeural Networks and Applications
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of TorontoGovernment of Canada
Mots-clésPerceptionNoise (video)Speech recognitionPerceptual learningSIGNAL (programming language)Computer sciencePsychologyAcousticsArtificial intelligencePhysicsNeuroscience
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Performance in perceptual tasks often improves with practice.This effect is known as 'perceptual leaming', and it has been the source of great interest and debate over the course of the last century.Aithough much is known about how percephal leaming changes the properties of cortical circuitry, littie is known about how these changes manifest themselves at the level of behavior.in this thesis, the behaviorai effects of percephiai leaming are considered within the context of signal detection theory.Within a signal detection fnunework, an observer's sensitivity in a percepnial task is defined by the ratio of signai-to-noise within the systern.Thus, accordhg to signal detection theory, the improvements that take place with perceptual leaming can be due to increases in internai signai srrength or decreases in h t e d noise.These quantities m o t be measured drectly.Instead, psychophysical techniques must be used to infer their magnitudes.in this thesis, two psychophysical techniques were used to discriminate between the effects of signal and noise as observes leamed to identay sets of unfamiliar visual patterns.Noise mmkxng was med to me-observers' equivaient input noire and iu c a k u k h ~t efficiencrF quantitb thatcorrespond ta intemal noise and intemal sigpal strength, respectively, within the context of a simple black-box mode1 of the visual system.Equivalent input noise only reflects the effects of an internal noise whose magnitude is independent of the magnitude of the stimulus.Response conslstency was used io estimate the effect of learning on internal noise that depends on the magnitude of the stimulus.Calculation efficiency improved by as much as a factor of four across learning sessions for two very different pattern identification tasks (face and texture ideniification).However.neither form of internai noise changed signifxcantl y with lezrning.These resdts were used to test the prediction that an observer's cdculation should become more similar to the calculation of an ideal discriminator with practice.Response ciassification was w d io estimate observers' linear templates as learning twk place, and showed observer's calculations became significaritly more correlated with the ideal template with practice.Taken together, these results place new theoretical constraints on models of percephial leaming.First and forernost, I wodd ke to thank Patrick J. B e ~e

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,898
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

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

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 Opus0,011
Tête enseignante GPT0,234
Écart entre enseignants0,223 · 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 tête enseignante, pas un consensus.

Devis d'étudeAutre devis
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
Publié2001
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTSpace (University of Toronto)Même sujetNeural Networks and ApplicationsTravaux en français237 207