Gaze audits food items for bite points during human withdraw-to-eat movements
Notice bibliographique
Résumé
Abstract Food handling and eating are central to the skill of primate hand movements, and their analysis can provide insights into the evolutionary origins of hand use and its generalization to other behaviors, such as tool use. Vision contributes differently to the reach, grasp, and withdraw-to-eat components of hand use when eating, suggesting that these component movements are controlled by different visuomotor networks with distinct evolutionary histories. This study examines the role of gaze in mediating the withdraw-to-eat movement in human participants eating various food items, including candy, donuts, carrots, bananas, and apples, or pantomiming the eating movements for some of these items. Eye-tracking and frame-by-frame video analyses are used to describe gaze, gaze duration, gaze disengagement, eye blinking, and hand preference in eating each food item. The results show that gaze first identifies points on a food item that the dominant hand can grasp and then identifies points on the food item that the mouth can bite. The hand and finger shaping movements of both the initial grasp and subsequent food handling aid in exposing targets on the food for grasping and biting. The comparison of real and pantomime eating suggests that only real food items possess the affordances that elicit gaze patterns associated with identifying online targets for grasps and bites. The findings are discussed in relation to idea that gaze has a feature-detector-like role linking food cues to the skilled movements of hand shaping to grasp a food item and then to orient a food item to the mouth for biting.
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 | 0,001 |
| 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) | 0,002 | 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 ».