An empirical comparison of online and in-lab data collection using a data-driven method on Pack&Go (VPixx Technologies)
Notice bibliographique
Résumé
In recent years, new challenges have emerged for vision scientists. Firstly, the growing awareness that most of our theories are based on samples that do not reflect diversity – namely, Western, Educated, Industrialized, Rich, and Democratic (WEIRD) samples – stresses the need to reach individuals as diverse as possible for future studies. Secondly, the COVID-19 has put great constraints on our capacity to bring participants to the lab. In reaction to these challenges, new technologies have been developed to allow researchers to collect data on the internet. These technologies, however, are often ill adapted to the experimental paradigms we have developed in the field. For instance, they are often not designed to allow modifications of stimuli as a function of participants’ responses. Moreover, they are not well adapted to the use of data-driven classification image methods. In the present study, we tested a new platform for online experiments: Pack&Go from VPixx Technologies. This platform runs Matlab/Psychtoolbox3 experiments online. We tested participants on a categorization task using Bubbles, a data-driven method allowing to reveal visual information utilization. In Phase 1, participants were tested in the lab, in three different conditions each comprising 1000 trials: 1) The experimental code was run locally; 2) The experiment was conducted on the same hardware, but the experimental code was run by Pack&Go; 3) The experiment was conducted on a different computer, and the experimental code was run by Pack&Go. In Phase 2, we tested participants that were recruited using a panel provider (Prolifics), and tested from their home using Pack&Go. In all conditions, the exact same experimental code was used, making it easy to compare the results across conditions. The pattern of findings was well replicated across conditions. The pros and cons of testing data-driven methods online will be discussed.
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 | 0,037 | 0,102 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».