Spatial Heterogeneity in Localization Biases Predicts Crowding Performance
Notice bibliographique
Résumé
Crowding is a fundamental constraint on peripheral object recognition linked to variability in spatial precision at different visual field locations. Previous work has also demonstrated significant individual biases in perceived location across visual field locations. We investigated the relationship between observers’ inherent localization biases and the strength of visual crowding across different visual field locations, to determine whether these biases might be related to variability in the strength of crowding. We tested whether peripheral locations with larger apparent spacing between pairs of objects (in the absence of stimulus manipulation) are also associated with reduced crowding. In Experiment 1, crowding was measured at 12 locations at 8º eccentricity. Participants identified the orientation of a central clock stimulus (pointing up, down, left, or right) with two tangential flankers whose orientation varied randomly. We compared these results to participants’ perceived spacing (Experiment 2) at the same locations. Participants were shown pairs of Gaussian blobs separated by one of 6 randomly selected spacings and identified whether the spacing between them was larger or smaller relative to their average of all previously seen spacings. Perceived spacing was estimated for each location from the spacing producing 50% ‘larger than the average’ responses. We show large individual variability in critical spacing and perceived spacing at different visual field locations and a positive correlation between them. In locations in which participants have stronger crowding, perceived spacing was smaller, and vice-versa (r= 0.44, p < .001). These findings demonstrate that spatial heterogeneity in perceived spacing affects observers’ ability to recognize objects in the periphery. Our results support the idea that multiple mechanisms may contribute to individual spatial variability in the strength of crowding and add further evidence supporting the idea that early variation in spatial coding propagates across multiple stages of visual processing.
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 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».