MétaCan
Menu
Retour à la cohorte
Enregistrement W4396623108 · doi:10.1016/j.isci.2024.109879

Stereo-anomaly is found more frequently in tasks that require discrimination between depths

2024· article· en· W4396623108 sur OpenAlexafffund
Alex S. Baldwin, Seung Hyun Min, Sara Alarcon Carrillo, Zili Wang, Ziyun Cheng, Jiawei Zhou, Robert F. Hess

Notice bibliographique

RevueiScience · 2024
Typearticle
Langueen
DomaineNeuroscience
ThématiqueVisual perception and processing mechanisms
Établissements canadiensMcGill University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaMcGill UniversityScience Fund for Distinguished Young Scholars of Zhejiang ProvinceMcGill University Health CentreNovartis
Mots-clésStereoscopic acuityTask (project management)Binocular disparityArtificial intelligenceStereopsisComputer scienceAnomaly detectionIdentification (biology)PopulationDepth perceptionAnomaly (physics)Set (abstract data type)Computer visionPerceptionPsychologyBiologyMedicineEngineeringNeuroscience

Résumé

récupéré en direct d'OpenAlex

Within the population of humans with otherwise normal vision, there exists some proportion whose ability to perceive depth from binocular disparity is poor or absent. The prevalence of this "stereo-anomaly" has been reported to be as small as 2%, or as great as 30%. We set out to investigate this discrepancy. We used a digital tool to measure stereoacuity in tasks requiring either the detection of disparity or the discrimination of the direction of disparity. In a cohort of 228 participants, we found that 98% were able to consistently perform the detection task. Of these, only 69% consistently performed the discrimination task. The 31% of participants who had difficulty with the discrimination task could further be divided into 17% who were consistently unable to perform the task and 14% who showed limited ability. This suggests that identification of the direction of disparity requires further processing beyond merely detecting its presence.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,214
Score d'incertitude au seuil0,557

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,002
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,152
Tête enseignante GPT0,388
Écart entre enseignants0,236 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations3
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueiScienceMême sujetVisual perception and processing mechanismsTravaux en français237 207