Tracking the Time-Course of Attentional Sharpening using EEG
Notice bibliographique
Résumé
Attentional templates are optimally tuned according to the expected similarity between targets and non-targets. However, our current understanding of the underlying mechanisms that support such tuning is limited. We thus used EEG to track encoding, maintenance and target selection processes while individuals expected to encounter either low or high target-distractor similarity. Participants were asked to memorize low-contrast sinusoidal gratings that varied across twelve possible orientations. Following a delay, they then had to discriminate the target from a lure that differed from the target by ±45° (i.e., coarse discrimination) or ±22.5° (fine discrimination). Across experimental sessions, the proportion of coarse discrimination trials versus fine discrimination trials was varied; in a Mostly Coarse session, coarse discrimination trials outnumbered fine discrimination trials by 3:1, whereas in a Mostly Fine session, the reverse proportion was true. As optimal tuning accounts would predict, accuracy was greater for the Mostly Fine session relative to the Mostly Coarse session, with this difference being largest for fine discrimination trials (indicative of attentional sharpening). Underlying this effect, we observed an attentional difference at encoding and maintenance, marked by greater suppression of posterior-alpha when fine-grained target-distractor discriminations were expected. This attentional difference may support posterior maintenance, as stimulus-specific activity was recoverable from raw EEG at occipital sites over this period if fine-grained discriminations were expected, but not if coarse-grained discriminations were expected. Lastly, at target presentation, we observed a between-session difference in the amplitude of a sustained posterior contralateral negativity ERP component, likely reflecting greater efficiency in template-match evaluations when fine-grained discriminations were expected over coarse-grained discriminations. Overall, we demonstrate that the expectation of high target-distractor similarity produces a global difference in attention at encoding and maintenance, alters the manner by which target representations are encoded and held, and allows for more efficient target-match decisions at the time of response.
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) | 0,001 | 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 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 ».