Ensemble Scene Processing is Regulated by Feature Complexity
Notice bibliographique
Résumé
Past literature has suggested that summary statistics for groups (i.e., ensembles) of faces or objects can be rapidly extracted, with visual ensemble perception typically becoming more efficient as set size increases. Tharmaratnam and colleagues (VSS 2019) recently demonstrated that the average scene content (i.e., perceived naturalness or manufacturedness) and spatial boundary (i.e., perceived openness or closedness) of scene ensembles can be extracted without reliance on visual working memory (VWM) resources. However unlike past literature, the task difficulty of extracting average scene ensemble features increased with increasing set sizes. To investigate this further, in the present study we varied scene ensemble task difficulty by manipulating scene feature complexity. In Experiment 1, participants were asked to report the average orientation of ensembles of rotated scenes (simpler feature). In Experiment 2, participants were asked to report the average sound level of ensembles of scenes that varied in perceived sound quality (i.e., noisy or quiet; complex feature). In both experiments, we varied set size by randomly presenting 1, 2, 4, or 6 scenes to participants on each trial, and additionally measured VWM capacity using a two-alternative forced-choice task. We found that participants were able to accurately extract summary statistics for both ensemble scene features. Importantly, all 6 items were integrated into their percepts without relying on VWM, as less than 1.3 scenes were remembered on average. Interestingly, when set-size increased, task performance did not change when rating average scene orientation, but decreased when rating average sound level. This latter finding is consistent with our previous findings measuring average scene content and spatial boundary. Taken together, these results broaden our understanding of the cognitive mechanisms governing ensemble perception by demonstrating that the number of items and the feature complexity of the incoming sensory information both contribute to the formation of ensemble representations.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».