Where was the moose? The time course of dynamic road scene perception
Notice bibliographique
Résumé
Driving requires us to represent visual information about our environment under time pressure, but how long do we need to examine the road ahead of us to detect, localize and evade road hazards? To answer these questions, participants performed a series of three tasks (n=24, licensed drivers) using dash camera video of real road scenes across two spatial scale conditions (immersive [78º x 44º] vs laptop-scale [26º x 14.7º]). The detection task asked participants to report whether they detected a road hazard (an event requiring an immediate response), and the evasion task asked them to choose whether they would steer left or right to evade it. Responses from each task were used to determine viewing duration thresholds, which were longer for the evasion task compared to the detection task (370 vs 220 ms, p = .006), but not significantly impacted by scale condition (p = .10). In the third task, a localization task, participants clicked where they believed the hazard to be in the video after it was presented (video duration: 33 ms – 600 ms). Measuring localization error (distance from the annotated center of the hazard) across duration revealed above-chance localization performance with very brief video durations (67 ms). However, localization error continued to drop with longer viewing durations, beginning to reach an asymptotic level at durations similar to thresholds from the detection task (233 ms). Localization performance was also unaffected by stimulus scale. Together, these results suggest that drivers have an adequate but imperfect sense of hazard location at viewing durations which are only sufficient for detection, but that planning evasive action requires a more precise spatial representation of the hazard, suggesting that they refine their representation of the dynamic scene to better inform action.
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 | 0,003 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».