MétaCan
Menu
← Retour à la cohorte
Enregistrement W4387654758 · doi:10.22541/au.169735586.60442724/v1

Statistics Learning of Target Regularities in a Pop-out Search: Behavioral Performance and Neural Mechanisms

2023· preprint· en· W4387654758 sur OpenAlexaff
Guang Zhao, Jiahuan Chen, Dongwei Li, Shiyi Li, Qiang Wang, Hong‐Jin Sun

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineNeuroscience
ThématiqueNeural dynamics and brain function
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésFeature (linguistics)Pattern recognition (psychology)Artificial intelligenceFeature selectionComputer scienceMachine learningMathematics

Résumé

récupéré en direct d'OpenAlex

The study examined human performance and related neural mechanisms in a pop-out search with different probabilities of target location and the relation between the target location and feature. In a search array, we introduced the binding relation between two target features and two kinds of location probability. Moreover, in the second half of the experiment, such a probability pattern for location/feature binding was reversed. Behavioral results revealed successful statistical learning of probability for both absolute target location and target’s location-feature binding indicated by faster RTs in the high-probability conditions for both location and location-feature binding. Moreover, the learning benefit for the probability of location-feature binding acquired during 1st (training) phase was still expressed in the 2nd (reversal) phase despite the actual binding probability was reversed. ERP results suggested that both the attentional selection and response selection process were affected by such learning revealed in the difference in N2pc and LRP amplitudes between the two conditions with different binding probability in the reversal phase. An expectation to the high probability for location-feature binding was also suggested from time-frequency analysis and Multi-Variate Pattern Classification (MVPC) indicated by larger alpha ERD magnitude and lower decoding accuracy, respectively, when the target appeared at the high-binding location in the training phase instead of the reversal phase. Overall, we have demonstrated behavioral evidence and 4 EEG markers for the associative learning of the probability of relation between location and feature of target in a pop-out search.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,103
Tête enseignante GPT0,308
Écart entre enseignants0,205 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetNeural dynamics and brain function→Travaux en français237 207→