Does contingent capture occur in driving scenes?
Notice bibliographique
Résumé
Contingent capture theory suggests that only stimuli consistent with the observer’s internal goals will capture attention. For example, when looking for a red target, red stimuli should automatically capture observers’ attention. It is unclear whether contingent capture occurs in complex real-world scenes. Arexis et al. (2017) investigated contingent capture using a search task where participants viewed photographed driving scenes in which a single red letter appeared at random locations. Their task was to decide whether the red target letter was a T or an L. A GPS navigation system image was also shown in the bottom right corner of the display. The GPS either had a blank screen, a red-coloured route (goal-relevant distractor colour) or a green-coloured route (goal-irrelevant distractor colour). The GPS appeared 1 second in advance of the driving scene and letter, acting as a pre-search display. If contingent capture occurs, participants should be slower to respond when the GPS showed a red route (goal-relevant distractor colour). However, goal-relevance had no effect, perhaps because the GPS pre-search display appeared so far in advance of the search display (1 s). In the present study, we manipulated the presentation duration of the pre-search display (0 ms, 100 ms, 1 s) and instructed participants to ignore the GPS. We predicted that goal-relevance would have an effect, but only when there was insufficient time to disengage attention from the GPS distractor before search display onset (the 0 and 100 ms conditions). Results call into question the contingent capture hypothesis within the context of real-world scenes.
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 | 0,001 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».