Quantifying distraction in a visual search task
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Variants of the visual search task have been used to provide key insights into how individuals search for relevant information amongst irrelevant content. Using this task, researchers have sought to answer questions about when attention is necessary for search, the role of inhibition of return during search, and whether social information is “more distracting” than other types of content. In spite of this widespread use, consideration of the semantic meaning of one’s chosen distractors has not been taken into account. Thus here we sought to quantify distraction at the level of semantic similarity, rather than the more common technique of controlling for low-level luminance information. We quantified semantic similarity through the use of word vectors. To do so, we employed vector models, which represent words as lists of numbers created by machine learning models trained on large collections of text. The more semantically and syntactically similar two words are, the closer their word vectors, allowing us to measure word similarity. We chose 5 target categories with 2 targets each, and then created 10 levels of varying similarity between the target and a main distractor. On each trial, participants were told which target item to search for amongst a display of 6 images, and were instructed to click on the image with a cursor as soon as they found the target. For half of the trials, the target and main distractor images were beside each other, and for the other half of trials they were across from each other. Accuracy declined as semantic similarity increased, and participants were faster to find the target when the main distractor was located beside as compared to across from the target. Together, our data suggest that the location and similarity between a target and distractor have an effect on attention.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle