Correction of saccadic decisions during free-viewing visual search in the monkey
Notice bibliographique
Résumé
Humans and monkeys routinely make two to four saccadic eye-movements per second to foveate and analyze salient and/or relevant regions in the visual scene. Prior research has shown that during tasks with very salient saccadic targets, like popout visual-search and double-step saccade tasks in both humans and monkeys, two-saccade sequences have been shown to occur, where an initial saccade to a distractor is followed soon after by a short-latency second saccade to the popout target, with little time spent fixating the initially chosen distractor. This indicates that the short-latency second saccade uses visual information obtained before the first saccade and corrects the erroneous decision to make the first saccade to the distractor. Here, we demonstrate that such short-latency second saccades also occur frequently when monkeys perform free-viewing visual search without a popout visual target. Short-latency saccades are especially accurate at foveating the target, and almost exclusively occur after errors. We describe several properties of short-latency saccades that shed light on the computations related to search-related saccadic eye-movements in visual and oculomotor salience maps, with a specific focus on transsaccadic remapping and surround suppression. Our results expand our understanding of saccadic targeting and information transfer across saccades during goal-directed free-viewing and suggest that error-processing in different sensory and response modalities show similar patterns and may be accounted for by similar models.
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 | 0,000 | 0,002 |
| 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) | 0,000 | 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 ».