Ensemble representation for animacy: Effects of shape and category
Notice bibliographique
Résumé
Humans are highly efficient in identifying individuals or ensembles of animals and man-made objects. For single items, although animacy information could be extracted based on low- or mid-level visual shape features (e.g., animals tend to be curvy and man-made objects are often elongated, Long et al., 2017), category selectivity for individual animals and man-made objects remains after such visual differences are minimized across the categories (e.g., He et al., 2020). For ensemble perception, it remains unclear whether the rapid extraction of animacy across multiple complex, real-world animals or man-made objects may depend on naturalistic variations in low- or mid-level visual features, or category information, between the two categories. To minimize low- or mid-level visual differences among the categories, we used grayscale images of real-world animals and man-made objects, either of round or elongated shapes, which shared comparable gist statistics across categories. Across two experiments, participants judged the relatively numerosity on briefly presented (500ms) displays of six animal and man-made object images of the same shape (round/elongated), with either a numerosity ratio of 4:2 or 5:1. The items were presented either at six fixed locations (Experiment 1, N=43) or six random (among 12) locations (Experiment 2, N=44). We found evidence of ensemble processing for both categories, with significantly higher accuracy in numerosity judgment, compared with the respective baselines for each of the numerosity ratios, calculated based on the expected performance if participants randomly subsampled only one item from a display. Moreover, ensemble perception for animals and man-made objects appears to be facilitated by shape information, with significantly better and faster ensemble performance for round than elongated animals, and for elongated than round man-made objects. These results suggest that ensemble processing of animacy can depend on rapid extraction of category information, and is facilitated by the expected shapes of the respective categories.
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 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».